英特爾助惠每醫(yī)療大模型方案在至強? 平臺上實現(xiàn)雙維優(yōu)化

"

大模型等 AI 技術(shù)，正在像水、電等基礎(chǔ)設(shè)施能力一樣，在醫(yī)療機構(gòu)的未來醫(yī)療服務(wù)體系中具有無可替代的價值。為幫助醫(yī)療機構(gòu)應(yīng)對在大模型私有化部署中面臨的成本高、落地難等難題，我們與英特爾展開合作，在第四代英特爾 至強 可擴展處理器的基礎(chǔ)上，以 BigDL-LLM 庫和 OpenVINO 工具套件作為推理優(yōu)化方案的左右手，雙管齊下，打造高質(zhì)量、低成本的醫(yī)療 AI 應(yīng)用并獲得了預(yù)期推廣成果。

王實

CTO

北京惠每云科技有限公司

"

人工智能 (Artificial Intelligence，AI) 在醫(yī)療領(lǐng)域的落地，正為醫(yī)療行業(yè)的信息化、數(shù)字化進程帶來新一輪質(zhì)變，它可以通過優(yōu)化診療效率，改善患者體驗，提升全民健康服務(wù)水平。近年來引人矚目的大語言模型 (Large Language Model，LLM，以下簡稱“大模型”) 技術(shù)，以其更強的學(xué)習(xí)性能和更優(yōu)的模型擬合效果，更是為 AI 在醫(yī)療領(lǐng)域中的應(yīng)用注入了新動力。

領(lǐng)先的醫(yī)療人工智能解決方案提供商北京惠每云科技有限公司 (以下簡稱“惠每科技”) 以其臨床決策支持系統(tǒng) (Clinical Decision Support System，CDSS) 產(chǎn)品和海量醫(yī)療數(shù)據(jù)為基礎(chǔ)，積極引入大模型技術(shù)來為醫(yī)療機構(gòu)打造更高品質(zhì)的醫(yī)療 AI 應(yīng)用。但這并非易事，醫(yī)療機構(gòu)對數(shù)據(jù)安全的顧慮，以及昂貴的 AI 專用芯片部署和應(yīng)用成本是阻礙這一進程的兩大“攔路虎”。

為幫助醫(yī)療機構(gòu)在其廣泛應(yīng)用的 IT 平臺上實現(xiàn)高質(zhì)量、低成本的大模型私有化部署，惠每科技與英特爾展開技術(shù)合作，對醫(yī)療大模型在英特爾 至強 平臺上的推理性能實施優(yōu)化。雙方在以第四代英特爾 至強 可擴展處理器為核心的硬件基礎(chǔ)設(shè)施上，采用 BigDL-LLM 大模型開源庫與 OpenVINO 工具套件打造了兩種大模型優(yōu)化方案。實際部署后的測試結(jié)果表明：在保證精準(zhǔn)度以及不增加成本的前提下，優(yōu)化后的方案可有效提升鑒別診斷、出院記錄等醫(yī)療 AI 應(yīng)用的處理效率，并獲得了醫(yī)生的認(rèn)可。

大模型技術(shù)正成為醫(yī)療 AI 發(fā)展新動力

得益于強勁算力與海量數(shù)據(jù)的加持，高速發(fā)展的大模型技術(shù)正以一系列極具震撼力的應(yīng)用場景，成為 AI 領(lǐng)域令人矚目的焦點。與傳統(tǒng) AI 技術(shù)相比，參數(shù)規(guī)模龐大 (動輒數(shù)百乃至上千億參數(shù)量級) 的大模型不僅具備更強的學(xué)習(xí)性能和更優(yōu)的模型擬合效果，還擁有高效的遷移學(xué)習(xí)能力，這能讓用戶在一個通用模型上完成不同類型的任務(wù)。此外，對思維鏈 (Chain of Thought，CoT) 的良好支持，也使大模型應(yīng)用補齊了傳統(tǒng) AI 在邏輯推理能力上的短板。

上述優(yōu)勢不僅讓大模型技術(shù)與應(yīng)用成為了各大科技巨頭爭先探索的藍海，也推動了其在社交、金融、電商以及醫(yī)療等垂直領(lǐng)域的迅速落地，并顯現(xiàn)出巨大的市場潛力。有相關(guān)預(yù)測數(shù)據(jù)表明，大模型市場在未來數(shù)年都將保持 21.4% 的年復(fù)合增長率 (Compound Annual Growth Rate, CAGR)，到 2029 年或達 408 億美元的市場規(guī)模¹。

在醫(yī)療行業(yè)，無論是面向大眾提供普惠醫(yī)療服務(wù)的智能問答與家庭醫(yī)療助手，還是有助于醫(yī)護人員提升效率的 AI 導(dǎo)診和臨床輔助診療應(yīng)用，或是加速醫(yī)療影像處理效能，提高大病、惡疾早期發(fā)現(xiàn)率的 AI 閱片等，眾多醫(yī)療 AI 企業(yè)正在借助大模型來提升這些應(yīng)用的性能，幫助醫(yī)療機構(gòu)在診療服務(wù)全流程中實現(xiàn)更全面且優(yōu)質(zhì)的服務(wù)能力、更精準(zhǔn)的結(jié)果輸出以及更廣泛的運用范圍。而其中，深耕醫(yī)療信息化多年，具有出色醫(yī)療 AI 應(yīng)用研發(fā)能力和頭部優(yōu)勢的惠每科技，也在這一趨勢中將大模型作為其技術(shù)再突破、服務(wù)再提升的重要抓手。

一直以來，惠每科技的 CDSS 產(chǎn)品 (如醫(yī)院端核心應(yīng)用 Dr.Mayson、臨床科研平臺 Darwin 等)，都是通過實時數(shù)據(jù)分析與事中智能提示等核心能力的打造，助力醫(yī)療機構(gòu)在臨床診療決策、病案與病歷管理、診療風(fēng)險預(yù)警以及醫(yī)保費用管理等環(huán)節(jié)中提升服務(wù)質(zhì)量、診療效率和管理效能。

而這些場景對自然語言處理 (Natural Language Processing, NLP)、計算機視覺 (Computer Vision, CV) 等 AI 能力的需求，正好讓大模型有了用武之地。如圖 1 所示，在惠每科技最新發(fā)布的 CDSS 3.0 架構(gòu)中，新一代 AI 大數(shù)據(jù)處理平臺已集成了醫(yī)療大模型。這些醫(yī)療大模型是通過海量數(shù)據(jù)在一系列大模型上重新訓(xùn)練而成的，不僅融合了惠每科技在醫(yī)學(xué)知識庫、專家系統(tǒng)上的雄厚知識積累，也凝集了其落地于 600 余家醫(yī)療機構(gòu)所獲得的豐富實戰(zhàn)經(jīng)驗，已在病歷生成等場景中獲得了成功運用。

圖 1 集成大模型的惠每新一代 AI 大數(shù)據(jù)處理平臺架構(gòu)

推動高質(zhì)量、低成本的私有化部署，是醫(yī)療大模型落地的主要挑戰(zhàn)

然而在推進醫(yī)療大模型落地的過程中，惠每科技面臨著嚴(yán)峻挑戰(zhàn)，其中主要的是如何幫助醫(yī)療機構(gòu)實現(xiàn)高質(zhì)量、低成本的私有化部署：

降低建設(shè)成本：傳統(tǒng)上的大模型訓(xùn)練和推理工作通常需要借助專用加速芯片來完成，但這類芯片昂貴的價格往往讓醫(yī)療機構(gòu)望而卻步，同時其普遍缺貨或供貨周期較長的問題也會大幅拉長方案的建設(shè)周期。 保障數(shù)據(jù)安全：行業(yè)的特殊性使醫(yī)療機構(gòu)對數(shù)據(jù)安全、隱私保護極為重視，任何醫(yī)療數(shù)據(jù)都不能離開安全可控的內(nèi)網(wǎng)環(huán)境，所以醫(yī)療大模型需要進行私有化部署。

這些因素都阻礙著醫(yī)療大模型在醫(yī)療機構(gòu)的落地與普及。

為應(yīng)對這一挑戰(zhàn)，惠每科技攜手英特爾，采用 BigDL-LLM 大模型開源庫和 OpenVINO 工具套件，在基于第四代英特爾 至強 可擴展處理器的基礎(chǔ)設(shè)施上打造了大模型推理加速方案。

基于 BigDL-LLM，打造醫(yī)療大模型量化優(yōu)化方案

數(shù)百上千億計的參數(shù)規(guī)模在給醫(yī)療大模型帶來更優(yōu)學(xué)習(xí)效果、更精準(zhǔn)輔助診療結(jié)果的同時，也對承載平臺的資源，包括算力、內(nèi)存等提出了更嚴(yán)苛的要求。這不僅會影響 AI 應(yīng)用的最終運行效率，影響醫(yī)護、患者、管理者以及科研人員的使用體驗，更會限制更大參數(shù)規(guī)模、更優(yōu)性能的大模型在醫(yī)療機構(gòu)的普及。模型量化則是應(yīng)對這一問題的重要優(yōu)化手段之一。

對 AI 模型的量化，是指將訓(xùn)練好的模型的權(quán)值、激活值等從高精度數(shù)據(jù)格式 (如 FP32 等) 轉(zhuǎn)化為低精度數(shù)據(jù)格式 (如 INT4 /INT8 等)，這不僅可以降低推理過程中對內(nèi)存等資源的需求，從而讓平臺可以容納更大參數(shù)規(guī)模的大模型，也能大幅 提升推理速度，使醫(yī)療 AI 應(yīng)用的運行更為迅捷。在惠每科技與英特爾的合作中，雙方基于第四代英特爾 至強 可擴展處理器內(nèi)置的指令集，借助由英特爾開發(fā)和開源的 BigDL-LLM 大模型庫來實現(xiàn)推理加速量化方案。

BigDL-LLM 是一個為英特爾架構(gòu) XPU 打造的輕量級大語言模型加速庫，在英特爾架構(gòu)平臺上具有廣泛的模型支持，能實現(xiàn)更低的時延和更小的內(nèi)存占用。作為英特爾開源 AI 框架 BigDL 的一部分，BigDL-LLM 不僅提供了對各種低精度數(shù)據(jù)格式的支持和優(yōu)化，還可基于不同處理器內(nèi)置指令集 (如英特爾AVX - 512_VNNI、英特爾AMX 等) 及相配套的軟件實施推理加速，使大模型在英特爾架構(gòu)平臺上實現(xiàn)更高的推理效率。在本次合作中，惠每科技就使用英特爾AVX - 512_VNNI 指令集顯著加速了其醫(yī)療大模型在 INT4 低精度數(shù)據(jù)格式上的推理。

如圖 2 所示，方案中 BigDL-LLM 為醫(yī)療大模型提供了兩種使用方法：便捷命令 (Command Line Interface, CLI) 方法和編程接口 (Application Programming Interface, API) 方法。通過 CLI 方法，惠每科技可方便地完成模型量化并評估量化后的推理效果，由此判斷該量化方案是否適用于當(dāng)前這個模型。這些 CLI 命令包括使用 llm-convert 來對模型的量化精度快速轉(zhuǎn)換用于預(yù)覽，或者使用 llm-cli/llm-chat 來運行并快速測試量化后的模型。

圖 2 BigDL-LLM 為醫(yī)療大模型提供推理加速

另一方面，借助 BigDL-LLM 所提供的面向 HuggingFace 和 LangChain 的 API 編程接口，惠每科技能夠快速地將 LLM 量化方案整合進 HuggingFace 或 LangChain 的項目代碼，進而便捷地完成模型部署。作為熱門的 Transformers 開源庫之一，HuggingFace 上的 Transformers 模型一直是各類大模型的重要組成部分，而導(dǎo)入 BigDL-LLM 的優(yōu)勢在于能讓惠每科技等用戶只需修改少許代碼 (更改 import，并在 from_ pretrained 參數(shù)中設(shè)置 load_in_4bit=True) 即可快速加載模型。在使用 bigdl.llm.transformers 后，BigDL-LLM 會在模型加載過程中對模型進行 INT4 的低精度量化，由此實現(xiàn)對基于 HuggingFace Transformers 的模型進行加速。

與此同時，LangChain 也是近年來大模型領(lǐng)域流行的開源框架之一，包括惠每科技在內(nèi)的許多用戶都在使用 LangChain 來開發(fā)不同的大模型應(yīng)用。BigDL-LLM 同樣也通過 API 編程接口 bigdl.llm.langchain 提供了便于使用的 LangChain 集成能力，讓開發(fā)者能輕松借助 BigDL-LLM 來開發(fā)新模型或遷移基于 HuggingFace Transformers 優(yōu)化的 INT4 模型，或是其它原生 INT4 模型。

基于 OpenVINO 工具套件，構(gòu)建醫(yī)療大模型非量化優(yōu)化方案

在量化優(yōu)化方案之外，英特爾還借助 OpenVINO 工具套件為惠每科技打造了非量化優(yōu)化方案。作為一款面向 AI 推理及部署優(yōu)化的軟件工具套件，OpenVINO 自推出以來，在幫助 AI 開發(fā)者和最終用戶縮短開發(fā)、部署時間，以及充分釋放豐富的英特爾 硬件性能優(yōu)勢方面，始終發(fā)揮著重要作用。在最新的 OpenVINO 2023.11 版本中，其通過一系列新功能的加入，實現(xiàn)了面向大模型的功能增強。

在幫助惠每科技使用 OpenVINO 工具套件的 Pipeline 構(gòu)建醫(yī)療大模型的高效推理服務(wù)部署之余，英特爾還借助該工具套件來助力優(yōu)化模型推理流水線，通過消減模型輸入和輸出之間的內(nèi)存副本來降低資源消耗，提升推理效率，并通過執(zhí)行圖的重新設(shè)計來優(yōu)化模型中的組件。

以惠每科技使用的大模型 ChatGLM6b 為例，該模型的結(jié)構(gòu)如圖 3 所示，其流水線回路主要包含 3 個主要模塊，即 Embedding、GLMBlock 層和 lm_logits。模型的流水線中有兩類不同的執(zhí)行圖，首次推理時不需要 KV 緩存作為 GLMBlock 層的輸入；從第二次迭代開始，QKV 注意力機制的上一次結(jié)果 (pastKV) 將成為當(dāng)前一輪模型推理的輸入。

圖 3 ChatGLM 的模型結(jié)構(gòu)

可以看到，隨著所生成 tokens 長度不斷增加，在流水線推理過程中，模型輸入和輸出之間將存留海量的大型內(nèi)存副本 (內(nèi)存拷貝開銷由模型的參數(shù) hidden_size 以及迭代的次數(shù)決定)，不僅將占據(jù)大量的內(nèi)存空間，龐大的內(nèi)存拷貝開銷也會使推理的執(zhí)行效率遭遇挑戰(zhàn)。

為應(yīng)對上述挑戰(zhàn)，基于 OpenVINO 工具套件的非量化優(yōu)化方案執(zhí)行了三個方面的優(yōu)化。

優(yōu)化一

利用零拷貝 (Zero-Copy) 視圖來傳遞預(yù)分配的 KV 所需的內(nèi)存副本空間。由于傳統(tǒng)的內(nèi)存拷貝需要耗費大量的處理器資源和內(nèi)存帶寬，因此當(dāng)內(nèi)存副本規(guī)模大幅增加時，會成為大模型推理效率的瓶頸。而零拷貝技術(shù)的引入，能避免數(shù)據(jù)的多次拷貝，有效實現(xiàn) KV 緩存加速。

優(yōu)化二

使用 OpenVINO opset 來重構(gòu) ChatGLM 的模型架構(gòu)，從而幫助模型中的節(jié)點利用英特爾 AMX 指令集內(nèi)聯(lián)和多頭注意力 (Multi-Head Attention, MHA) 融合來實現(xiàn)推理優(yōu)化。如圖 4 所示，優(yōu)化方案構(gòu)建的 OpenVINO stateful 模型在 GLMBlock 層重新封裝了一個類，并按圖中工作流來調(diào)用 OpenVINO opset，然后再將圖形數(shù)據(jù)序列化為中間表示 (Intermediate Representation, IR) 模型 (如 .xml、.bin)。

圖 4 構(gòu)建 OpenVINO stateful 模型

該優(yōu)化方案一方面構(gòu)建了全局的上下文結(jié)構(gòu)體，用于在模型內(nèi)部追加并保存每一輪迭代后的 pastKV 結(jié)果，減少相應(yīng)的內(nèi)存拷貝開銷。另一方面，則通過采用內(nèi)聯(lián)優(yōu)化 (Intrinsic Optimization) 的方式，實現(xiàn)了 Rotary Embedding 和 MHA 融合。

第四代英特爾 至強 可擴展處理器內(nèi)置英特爾 AMX 指令集的引入，也能幫助 ChatGLM 等醫(yī)療大模型提升 BF16 或 INT8 精度數(shù)據(jù)格式下的模型推理速度。英特爾 AMX 指令集提供的內(nèi)聯(lián)指令能更快速地處理 BF16 或 INT8 精度數(shù)據(jù)格式的矩陣乘加運算，實現(xiàn)對 ChatGLM 模型中 Attention 和 Rotary Embedding 等算子的融合，從而在保證精度的同時提高運算效率、加速推理。

優(yōu)化三

引入 OpenVINO 工具套件在 HuggingFace 上的 Optimum 接口。Optimum 是 Huggingface Transformers 庫提供的一個擴展包，可用來提升模型在特定硬件基礎(chǔ)設(shè)施上的訓(xùn)練和推理性能?；?OpenVINO 工具套件提供的 Optimum 接口，惠每科技能在提高性能之余，將模型更便捷地擴展到更多醫(yī)療大模型推理應(yīng)用中去。

這種優(yōu)化方法在其它任務(wù)，包括 token-classification、question-answering、audio-classification 以及 image-classification 等中也同樣適用。

效果評估

通過惠每科技與英特爾的協(xié)同優(yōu)化，基于惠每科技醫(yī)療大模型構(gòu)建的醫(yī)療 AI 應(yīng)用無論是在應(yīng)用效率還是在準(zhǔn)確性等方面都獲得了提升，并很快表現(xiàn)出了顯著的臨床應(yīng)用優(yōu)勢與價值，包括：

提升醫(yī)療輔助診療準(zhǔn)確性：通過對大量醫(yī)療數(shù)據(jù)的有效學(xué)習(xí)， 醫(yī)療大模型能持續(xù)學(xué)習(xí)各種疾病特征，并借助優(yōu)化方案更快、 更精準(zhǔn)地做出判斷。結(jié)合惠每科技醫(yī)療知識庫，為醫(yī)護人員提供更加科學(xué)和準(zhǔn)確的輔助診療方案和建議，優(yōu)化診療決策； 提升醫(yī)護與管理人員效率：借助基于醫(yī)療大模型構(gòu)建的各類醫(yī)療 AI 應(yīng)用，醫(yī)護人員可以更高效地獲取患者的輔助診療結(jié)果和病情 / 病歷分析，從而能將更多時間和精力專注于患者的治療和康復(fù)。同時醫(yī)療機構(gòu)管理人員也能在診療風(fēng)險預(yù)警、醫(yī)保費用管理等環(huán)節(jié)上實現(xiàn)更為直觀和高效的管控。

為評估優(yōu)化后的醫(yī)療大模型的實用效果，惠每科技參加了由中國健康信息處理大會 (China Health Information Processing Conference, CHIP) 組織的中文臨床醫(yī)療信息處理權(quán)威評測。這一評測全部使用中文真實醫(yī)療數(shù)據(jù)，覆蓋諸如醫(yī)療術(shù)語識別和醫(yī)療知識問答等多個常見醫(yī)療 AI 應(yīng)用場景，并采用量化的 F1 值進行排名。同時在大模型評測中，必須使用一個大模型同時完成 16 個任務(wù)的考驗，非常具有挑戰(zhàn)性。最終惠每科技從 396 支參賽隊伍中脫穎而出，榮獲“CHIP2023 -PromptCBLUE 醫(yī)療大模型評測”參數(shù)高效微調(diào)賽道第一名。²

圖 5 基于惠每科技醫(yī)療大模型構(gòu)建的鑒別診斷應(yīng)用工作流程

目前，基于優(yōu)化后的惠每科技醫(yī)療大模型所構(gòu)建的醫(yī)療 AI 產(chǎn)品與應(yīng)用，已在多個合作醫(yī)療機構(gòu)中得到了部署與運行，并取得了不錯的效果。首先，以基于大模型的鑒別診斷應(yīng)用為例，這一輔助診療應(yīng)用能體現(xiàn)臨床醫(yī)生的診斷思維鏈，而非簡單的記錄。如圖 5 所示，醫(yī)生在應(yīng)用中打開病程記錄首頁并填寫患者主訴及病歷特點后，后臺的 3 個不同醫(yī)療大模型就會迅速執(zhí)行推理，在數(shù)秒后即可生成鑒別診斷。醫(yī)生可以點擊查看不同大模型生成的結(jié)果，再根據(jù)自身的專業(yè)意見選擇最優(yōu)結(jié)果，選擇【一鍵回填】或復(fù)制粘貼到病歷相應(yīng)的位置。

在此過程中，醫(yī)生可對病歷生成的結(jié)果進行【點贊】/【點踩】，也可在系統(tǒng)中反饋錯誤或問題，或返回病程記錄頁繼續(xù)修改患者主訴或病歷特點，之后再次通過醫(yī)療大模型進行計算和執(zhí)行新的鑒別診斷推理。這些設(shè)計能有效收集醫(yī)生反饋，實現(xiàn)大模型的增強學(xué)習(xí)。

其次，出院記錄的自動生成是在合作醫(yī)療機構(gòu)落地的另一項重要應(yīng)用。傳統(tǒng)上，諸如出院記錄一類的流程，需要醫(yī)院多個部門對多類數(shù)據(jù)進行總結(jié)并形成摘要，過程繁瑣且容易出現(xiàn)差錯。借助醫(yī)療大模型的技術(shù)優(yōu)勢，醫(yī)生打開或保存【出院記錄】時，會立即觸發(fā)大模型后臺計算。在數(shù)秒內(nèi)得到結(jié)果后，醫(yī)生即可查看包含出院診斷、入院情況、診療經(jīng)過、出院情況和出院醫(yī)囑等內(nèi)容的結(jié)果。醫(yī)生可【一鍵回填】或復(fù)制粘貼到病歷相應(yīng)的位置，并對病歷生成的結(jié)果進行【點贊】/【點踩】，也可點【識別錯誤】反饋相應(yīng)問題。

上述基于醫(yī)療大模型的應(yīng)用，都能與惠每科技 CDSS 系統(tǒng)實現(xiàn)無縫銜接，并可部署到既有的英特爾 架構(gòu)處理器平臺。這讓醫(yī)療機構(gòu)無需購置專用的加速芯片或加速服務(wù)器，從而有效降低大模型部署的成本壓力。來自惠每科技的數(shù)據(jù)統(tǒng)計表明， 在某合作醫(yī)院的某科室上線 1 個月后，鑒別診斷應(yīng)用的使用率已達 23% 以上，出院記錄自動生成應(yīng)用的使用率達到 15% 以上，說明基于醫(yī)療大模型構(gòu)建的 AI 應(yīng)用能力已獲得醫(yī)生的初步認(rèn)可。³

展望

隨著 AI、大數(shù)據(jù)等新技術(shù)、新能力在醫(yī)療領(lǐng)域贏得越來越多的實用化落地，更多醫(yī)療機構(gòu)也正通過這些前沿 IT 技術(shù)的引入來加速智慧醫(yī)療的進程，而惠每科技開展醫(yī)療大模型技術(shù)探索并基于此推出一系列醫(yī)療 AI 應(yīng)用，正是這一進程的最新注腳。這些醫(yī)療 AI 應(yīng)用將與惠每科技優(yōu)勢的 CDSS 產(chǎn)品一起，助力數(shù)以百計的醫(yī)療機構(gòu)用戶進一步提升醫(yī)療服務(wù)質(zhì)量。

在此過程中，惠每科技與英特爾攜手面向基于英特爾架構(gòu)處理器 (第四代英特爾至強可擴展處理器的優(yōu)化) 的平臺展開了一系列大模型優(yōu)化。無論是量化優(yōu)化，還是非量化優(yōu)化方案，都能在保證精度的前提下有效提升醫(yī)療大模型的推理速度，同時基于英特爾架構(gòu)處理器的部署方案也能幫助醫(yī)療機構(gòu)有效地節(jié)約成本。面向未來，惠每科技還將與英特爾一起，共同對大模型技術(shù)在醫(yī)療領(lǐng)域中更廣泛和更深入的應(yīng)用開展 更多探索，例如利用大模型開展病歷內(nèi)涵質(zhì)控等，進而推動醫(yī)療全流程的 AI 技術(shù)加持或智能化，讓智慧醫(yī)療惠及更多醫(yī)與患，從而普惠大眾。

參考資料：
1 數(shù)據(jù)援引自 Marketwatch 相關(guān)報告：https://www.marketwatch.com/press-release/large-language-model-llm-market-size-to-grow-usd-40-8-billion-by-2029-at-a-cagr-of-21-4-valuates-reports-7bbc5419

2 數(shù)據(jù)援引自天池官網(wǎng)：https://tianchi.aliyun.com/competition/entrance/532132/rankingList。

3 數(shù)字援引自惠每科技數(shù)字醫(yī)學(xué)云講壇第141期，詳細(xì)信息請訪問：https://www.e-chinc.com/#/ResourcesDetailVideo?id=1704682818727731202&packId=1614869950189219841

實際性能受使用情況、配置和其他因素的差異影響。更多信息請見www.Intel.com/PerformanceIndex。

性能測試結(jié)果基于配置信息中顯示的日期進行測試，且可能并未反映所有公開可用的安全更新。詳情請參閱配置信息披露。沒有任何產(chǎn)品或組件是絕對安全的。

具體成本和結(jié)果可能不同。

英特爾技術(shù)可能需要啟用硬件、軟件或激活服務(wù)。

英特爾未做出任何明示和默示的保證，包括但不限于，關(guān)于適銷性、適合特定目的及不侵權(quán)的默示保證，以及在履約過程、交易過程或貿(mào)易慣例中引起的任何保證。

英特爾并不控制或?qū)徲嫷谌綌?shù)據(jù)。請您審查該內(nèi)容，咨詢其他來源，并確認(rèn)提及數(shù)據(jù)是否準(zhǔn)確。