自打1994年，美国耶鲁大学教授威廉·基西克，在《医疗的困境：无限需求和有限资源》一书中，提出了那个著名的“不可能三角”理论。此后近30年，全球医疗健康领域所开启的破局之旅，大多铩羽而归。

在传统医疗健康模式下，想要同时达成“提供高质量医疗、降低成本、增加医疗可及性”目标，几乎是不可能的事情。随着大模型奔涌而来，业界迎来了破冰时刻。京东健康首次对外发布医疗健康大模型“京医千询”，对接京东云言犀大模型，以“体验+”“效率+”和“服务+”，为行业提供解题新思路。

体验+：大模型牵手建康 保障用户体验

面对复杂的医疗健康场景，京医千询借助大模型能力统一交互入口，可调度专家模型，辅助医生决策降低误诊，协同医疗人员服务用户从问诊到用药的全流程，进一步保障患者诊疗体验。

一组远程医疗健康数据，最能彰显大模型使用前后的对此。

诊前，智能分诊的准确率提升至99.3%；分诊满意度在用户NPS调研中排名TOP2；知识及数据双驱动，支持100多个科室分诊，并通过线上数据反馈，持续优化知识库及模型。

诊中，专科辅诊具备全科智能诊疗能力，以皮肤科为例，能支持近百种高频皮肤病诊断，可覆盖线上90%的问诊咨询。医生开具处方后，药师在人工审核的基础上，借助大模型提升处方二次审核效率，较年初审方效率提升2倍。

诊后，智能随访使患者随访依从性提升到26.1%；质控检测问诊单，排查医疗健康安全隐患，较于纯人工手段相比，检出效率提升了17.4倍。

效率+:大小模型协同 助力降本增效

相比其他大模型，过去几年，京东健康建设了行业内首个实物与服务相联通、知识与数据相融合的百万级大规模健康知识图谱，沉淀了超过亿级的覆盖线上、线下医患场景的高质量健康档案，并拥有海量的医药全域流通大数据，从而夯实了京医千询行业内领先的医疗健康大模型“基础性”资源。

丰富的领域知识，叠加模型推理能力，奔赴医疗健康领域，进一步为行业提质增效。而在大模型时代，时延、吞吐量和利用率，影响推理成本、效率和体验。京东云注意到，因文字要逐一生成，大模型的推理效率弱于小模型。此时，提升推理效率，要解决两个矛盾。

第一个矛盾，芯片设计采取逢动易慢的结构，方便存储和计算分离。当单元算力巨大，而存储带宽不足时，将形成内存墙，导致算力不匹配。

第二个矛盾，在长文本输出时，前面是context阶段，后面是decoding阶段。两个阶段对GPU的利用率不一样，这种不平衡也增加了大模型推理的难度。

此时，京东云以大小模型协同的方式，让大模型负责输出通用能力，小模型负责实际推理执行，一方面提升系统的覆盖度和准确率，另一方面亦可降低推理延时、保证隐私数据安全、节约算力。同时，京东云在算法层采用后量化技术和参数共享，在体系结构层力求更高效的访问存储，在刚刚结束的11.11中，发挥了稳定地技术价值。

服务+：打造健康助手 释放技术温度

无论是模型训练，还是模型推理，大模型牵手医疗健康以挑战者和实干家的姿态，推进技术应用落地。

京医千询扎根互联网医疗健康场景，每日承接数十万人次的问诊量，助力京东健康沉淀了亿级高质量问诊数据，其独有的行业know how和领域知识，不仅增强了模型能力，也提升了智能应用的使用获得感。

释放技术温度，打造用户健康助手。当老用户的健康档案产生了数据变化，大模型将在第一时间捕捉到这一信息，智能辅诊功能可迅速判断其健康状态，随即推荐相应的健康服务，提供了一种主动的、更具人情味的技术关怀。如果一个新用户得了感冒，分不清风寒抑或风热，无从选择药品，大模型可对接智能助手功能，实现对症推荐。

提高诊疗效率，化身医生工作助手。线上，大模型的文案生成能力，可帮助医生降低文案书写工作量。线下，患者看病，利用排队就医的时间，便可与大模型进行交互，阐述病情。在医生问诊时，分析交互信息，就能够了解患者状况，辅助决策。

京东云判断，当人人AI时代到来，大模型将愈加平民化，更多熟悉业务逻辑、了解行业know-how的个人和组织，以自然语言交互的方式，就能创建专属智能应用。当下，京医千询所释放的AI能力，开始改变医疗健康行业的不可能三角，将不可能变成可能。

本文源自：金融界资讯