-
医疗AI喊了这么多年,真正落到临床的有多少?这个问题,病理科医生可能最有发言权。中国有3.8万家医院,但开设病理科的只有5000家。病理医生不足2万人,缺口超过14万。更麻烦的是,这2万人高度集中在少数三甲医院——基层患者想做个像样的病理诊断,往往要把切片寄到大城市,等上一两周才能拿到报告。优质医疗资源分布不均这个老问题,在病理领域表现得尤为尖锐。华为云行业梦工厂智慧医疗专区里的医疗AI使能平台,试图用一种不太一样的方式来解决这个问题。它的思路不是再做一个“更强的AI模型”然后卖给医院,而是把病理诊断能力、华为的云和AI技术、以及一个开放的社区生态揉在一起,做成一个基层医院能用、病理医生能上手、开发者能参与的平台。这个定位有几个值得注意的地方。第一,它把“顶级医院的诊断能力”变成了“可配置的模块”。 瑞金医院与华为联合研发的瑞智病理大模型RuiPath,覆盖了90%的中国常见癌种和90%的下游诊断任务。但平台没有止步于“预置一个大模型”,而是让每家医院可以在RuiPath基础上做本地化增训,适配自己的疾病谱和诊断习惯。这意味着基层医院拿到的不是一个“死”的模型,而是一个可以“活”起来的底座。第二,它把“算力门槛”降到了消费级PC的水平。 传统病理AI部署方案要求医院购置GPU服务器,动辄几十万上百万的投入,很多基层医院根本扛不住。医疗AI使能平台采用端云协同架构,推理在本地PC上跑,训练在云端完成。这个设计直接砍掉了基层医院最大的硬件障碍。第三,它把“AI开发”这件事从算法工程师手里交到了病理医生手里。 平台把模型训练流程拆成8个标准步骤,医生不需要写代码,只需要整理数据、标注、点“启动训练”。这个转变的意义不在于技术有多难,而在于真正懂病理的人终于可以自己去训练AI了。目前,这个平台已经有近百家医院接入,覆盖三甲、地市级和县域医院。不同层级的医院都在用自己的方式使用这个平台。这个信号比任何技术指标都更有说服力:医疗AI的普惠化,可能真的在从口号变成现实。
-
华为云医疗AI使能平台的技术架构中,有两个设计决策值得深入拆解:云上增训和端云协同推理。前者解决模型跨院泛化问题,后者解决基层算力缺失问题。两者共同构成了平台“训练在云、推理在端”的技术底座。一、云上增训:用少样本学习破解跨院泛化病理AI领域有一个长期存在的工程难题:模型跨院泛化能力差。原因在于各医院在制片、染色、扫描等环节存在系统性差异,同一张切片在不同医院的扫描仪下可能呈现出不同的色彩分布和纹理特征。一个在A院训练到98%准确率的模型,到了B院可能直接掉到70%。传统解决方案是从头训练,但这对基层医院来说几乎不可行——需要大量标注数据、需要GPU集群、需要算法团队。云上增训的设计逻辑是:不让医院从零开始,而是在一个已经“见过大世面”的基础模型上做增量适配。技术实现路径分为三层:第一层,基础模型底座。 RuiPath 2.0覆盖19个常见癌种、205项诊断任务,在59项下游任务中42项取得SOTA。这个底座的价值在于它已经学习到了大量通用的病理形态学特征,不需要从零开始“认识”什么是肿瘤、什么是正常组织。第二层,增量训练机制。 医院上传本院特色病例数据,在RuiPath基础上做二次强化学习。平台支持少样本训练,据称仅需传统训练不到10%的数据量即可生成适配本院业务的定制化模型。以邯郸市中心医院为例,该院通过每轮几十张切片的小样本训练,乳腺癌模型的有无肿瘤判别准确率从约95%提升至接近100%,组织学类型达到90%以上。结直肠活检小标本模型的有无肿瘤准确率达到99%。第三层,安全与合规。 数据不出“域”是医疗AI的硬约束。平台采用端云协同混合计算架构,在医院端提取疑似肿瘤区域特征后加密上传,节省85%带宽。云端基于全密态“可用不可见”机制完成诊断推理与模型增训,通过端到端加密、切片脱敏、数据保险箱、模型保险箱等能力保障安全合规。二、端云协同推理:把算力门槛降到消费级PC如果说云上增训解决的是“模型好不好”的问题,端云协同推理解决的是“跑不跑得动”的问题。基层医院部署病理AI最大的障碍是算力。传统院内集中自建模式需要GPU服务器,首年投入动辄数十万。端云协同推理的架构设计是:推理任务在本地GPU或消费级PC上执行,云端只负责模型管理和调度。这个架构的关键技术指标包括:带宽需求降低85%:医院端只上传疑似肿瘤区域的特征向量,不需要传输完整全切片图像;推理速度压缩至秒级:本地PC即可承载推理任务,诊断时间从分钟级压缩到秒级;部署周期约一周:PIS系统集成周期短,无需升级院内网络带宽;成本结构优化:相比传统院内集中自建模式,首年投入可下降90%,五年总成本可降低40%以上。在部署形态上,平台支持云侧和端侧两种推理模式。云侧推理适用于算力需求较高的复杂诊断任务,端侧推理适用于对实时性和数据本地化要求较高的场景。RuiPath 2.0 Edge版本仅200万参数,可部署在医院普通PC设备上,结合云端协同实现分钟级推理,进一步降低基层硬件门槛。三、架构协同效应云上增训和端云协同推理不是两个孤立的技术特性,而是一个闭环系统:云端训练出的模型下沉到端侧推理,端侧推理产生的新数据回流到云端做增训,增训后的模型再下沉到端侧。 这个数据飞轮机制使模型能够随着临床数据的积累而持续进化。从工程角度看,这个架构的巧妙之处在于它把“重”的部分放在云端,把“轻”的部分放在端侧。云端承担模型训练和迭代的算力消耗,端侧只负责推理。医院不需要养一个算法团队,也不需要买GPU集群,只需要一台普通PC和网络连接,就能获得顶级病理AI能力。这对于推动病理AI从三甲医院向县域医院下沉,具有实质性的工程意义。
-
华为云医疗AI使能平台面向病理科医生和医疗机构,提供了从数据管理、智能阅片、AI推理到模型训练的全流程工具链。本文以实操视角,逐一拆解四大功能模块的能力边界与使用路径。一、数据管理:从切片存储到数据集构建数据管理是整个平台的基础模块。它的核心任务是打通院内病理信息系统与云端平台之间的数据通路,实现病理数据的全生命周期管理。数字切片管理方面,平台支持.svs格式的病理图像文件,通过OBS批量上传工具将全切片数字图像上传至云端。瑞安市人民医院的实践显示,医院通过平台打通了RuiPath病理智能体、医疗AI使能平台与院内病理工作流,实现了从数字切片扫描、本地存储、医生工作站、PIS系统到病理医生复核的闭环应用。在存储层面,平台依托华为OceanStor Pacific分布式存储技术实现一秒千片的数据吞吐能力,历史标本可保留30年,统一压缩算法最多可节省45%存储空间。数据集构建方面,用户可创建病理训练数据集,按病种和诊断任务维度进行结构化组织。平台预置了乳腺癌、结直肠癌等常见癌种的推理任务模板,覆盖有无肿瘤、组织学类型、脉管侵犯等多个诊断维度。标注环节支持对每张病理切片进行逐一确认,确保从源头把控数据质量。知识库方面,平台收录了各类癌症标准病理诊断逻辑,包括癌变判定、分型、分级等诊断项之间的关联关系。AI推理时调用这些规则校验各任务输出,确保结果符合临床诊断逻辑、判读标准统一一致。二、智能辅助阅片:从“千人一面”到“千医千面”智能辅助阅片是病理医生日常使用频率最高的功能。它的核心能力包括:AI快速完成全切片数字化扫描和分析,通过热力图自动标注可疑病灶区域,高效捕获微小病变。工作流重构方面,邯郸市中心医院构建了“夜间AI初筛+日间医师复核”的全新工作流。夜间数字扫描仪将当日切片自动转为数字图像,云端算力逐张完成智能分析,标注有无肿瘤、组织亚型、恶性分级;次日医生到岗后,只需在双屏工作站上复核确认。这一模式使医师重复性阅片减少80%,机械录入时间减少70%。个性化赋能方面,平台支持病理医生基于自身对形态学的认知特点与专科经验,通过平台训练打造专属病理AI模型,构建个人独有的“数字分身”。这意味着AI不再是“千人一面”的通用工具,而是可以根据每位医生的诊断风格进行个性化适配。效率提升方面,AI辅助下的单切片诊断时间从分钟级压缩到秒级。瑞安市人民医院病理科医生反馈,AI初筛将阳性病例的阅片时间压缩至2分钟以内,患者拿到报告的周期缩短至1到2天。三、AI推理诊断:开箱即用的辅助诊断能力AI推理诊断模块为病理医生提供预置模型的直接调用能力。平台预置乳腺癌、结直肠癌等推理模型,支持端云大小模型协同推理。操作路径方面,用户在平台中选择预置模型后,系统自动带出相关病理知识库。上传待推理的病理图像文件后,点击“立即创建”即可进入AI推理界面。平台支持单次最多选择20张病理图像,推理完成后可查看病理切片和详细的推理结果,包括各诊断任务的输出和可视化分析报告。诊断任务配置方面,平台支持灵活的自定义诊断任务。用户可根据本院实际需求定义分类体系,例如肿瘤区域检测、组织学分级、亚型分类等多层级诊断任务。这种灵活性使平台能够适配不同医疗机构的差异化诊断需求。临床验证方面,邯郸市中心医院基于平台的乳腺癌模型训练结果显示,经过4轮迭代优化,诊断任务准确率已稳定提升至90%以上。RuiPath 2.0在罕见病种方面也有突破,淋巴瘤有无诊断准确率达到96%以上。四、模型训练:让病理医生自己训练AI模型训练是平台最具差异化价值的功能模块。它的核心设计目标是将AI模型训练的门槛从“算法工程师级”降低至“病理医生级”。标准化流程方面,平台将训练流程拆解为8个步骤:数据整理、数据上云、数据集导入、创建数据集、数据集标注与发布、模型训练与部署、模型推理、报告查看。完成标注后只需点击“启动训练”,系统自动完成后续流程。对于300余张切片的训练任务,首轮训练约耗时3小时。迭代优化方面,平台支持“数据—训练—验证—反馈”的多轮迭代策略。以邯郸市中心医院为例,该院通过样本审视、指标评估、数据补强、持续训练四个环节,逐步提升模型性能。依托华为云的数据飞轮机制,医院仅需约10%训练数据即可构建专属模型,在持续使用中实现“越用越准”。能力延伸方面,平台的能力正在从病理诊断向健康管理场景延伸。爱康集团携手华为云发布的健康管理智能体,依托8000万合规体检数据与全场景健康管理经验,实现“健康建档→方案定制→个性干预→动态监测→智能预警”的全闭环服务。在数据安全方面,爱康明确了三项底线:核心系统私有云部署并通过公安部信息安全等级保护三级认证;第三方检测样本一律编码送检;AI生成的健康方案全部由专业医生人工审核签发。
-
2026年9月17日至19日,华为全联接大会2026在上海世博展览馆及世博中心隆重举行。作为中国健康管理行业的领军企业之一,爱康集团深度参与本届大会,并在行业AI梦工厂智慧医疗专区展示以AI助力健康管理的创新实践。 爱康集团与华为云联合打造健康管理解决方案 爱康集团携手华为云联合打造的企业级健康管理解决方案,可通过健康数据精准洞察,智能生成个性化健康干预方案,一键推送并随身守护用户的健康,让精准、高效、便捷的专业医疗健康服务,普惠每一位职场人、每一个家庭。 传统模式下的健康管理,1名医生能管理好客户的数量是有限的,且高度依赖人工操作。健康管理智能体的介入,正在让这一局面被改写。 通过健康管理应用与AI智能体能力,帮助专业健康管理团队提升服务效率,为员工提供健康咨询、个性化干预等服务,通过“AI智能体+医疗专家”的人机协同模式,让健康管理服务更加高效、精准。 全流程闭环,构建AI健康管理体系 双方联合打造的健康管理智能体与全流程联合解决方案深度融合爱康集团深耕大健康行业数十载积累的8,000万合规体检数据、全场景健康管理实战经验和华为云健康管理大模型的AI能力,成功构建了“筛查-评估-干预-随访”的全闭环AI健康管理体系。 在获得用户授权后,健康管理智能体可基于多维健康数据,自动生成“千人千面”的个性化管理方案,并由专业医生进行严格审核把关。在用户端,该方案提供包括现状分析、管理目标、每日任务、运动饮食建议等模块的详尽指导,确保每一份方案的精准性与专业性。 软硬一体,打通数据与管理的无缝衔接 此外,爱康与华为在智能硬件领域达成深度合作。通过华为智能穿戴设备,用户授权的血压、血糖、心率、体脂等体征数据可自动同步至爱康个人健康档案,实现了C端健康数据与B端管理服务的无缝对接。 此外,在健康管理进程中,用户还可通过华为智能手表实时接收来自爱康健管医生团队的通知,包括方案生成、任务提醒、医生对话等,有效提升了健康管理的互动性与执行效果。 开放AI能力,共建健康管理生态 面向未来,爱康集团与华为云将持续深化合作,推动健康管理从单病种向多病种延伸、从疾病干预向主动健康管理拓展,并携手更多医疗健康领域伙伴,共建开放协同的健康管理生态。
-
2026年9月17日至19日,华为全联接大会2026在上海世博展览馆和世博中心成功举办。横方健康作为国内领先的人工智能患者旅程与医药科研平台,深度参与本届大会,全面展示了AI在全旅程智能健康服务场景中的落地实践。 10+行业AI联合解决方案亮相 9月18日下午,横方健康参与华为云AI生态联合解决方案发布仪式。随着主持人宣布“联合伙伴共同发布10+行业AI解决方案”,现场多位嘉宾将手掌按上灯柱,汇聚成能量流、触发倒计时,宣告发布仪式盛大启幕。 华为云与横方健康共建行业AI联合方案,双方围绕患者旅程模型在健康管理服务场景中的应用展开共建,助力医生,智能服务每位患者。 从健康管理大模型到4大场景落地的全面呈现 随着经济社会快速发展与人口老龄化进程加速,居民健康需求从“以治病为中心”向“以健康为中心”转变,慢性病高发、亚健康普遍化及健康管理意识增强,促使健康服务从单一医疗救治向预防、保健、康复、康养等全周期、多层次、多元化方向拓展,成为保障全民健康的重要支撑。 华为云赋能横方健康打造的AI健康旅程平台正是这一方向的实践成果。平台覆盖就医、康复、随访、科研四大核心场景,共享同一核心引擎:患者旅程图 × 健康管理大模型——患者旅程图回答“患者现在在哪里”,健康管理大模型回答“患者现在应该做什么”。平台并非简单理解文字,而是理解患者的全生命周期健康状态。 依托华为云健康管理大模型,平台通过华为云云搜索服务CSS承载医学知识、患者数据和长期记忆,通过智果(AgentArts)智能体平台完成Agent编排、工作流和工具调用,并结合安全存储能力,构建起可持续运行的健康管理智能中枢。 围绕具体业务,平台进一步形成四类AI领队: AI就医领队:帮助患者连接合适的医疗服务; AI康复领队:让患者离开医院后服务不断线; AI随访领队:负责长期触达、风险识别和持续管理; AI科研领队:将服务过程中产生的数据转化为真实世界研究资产。 四大场景看似各异,背后服务的却是同一位患者,共享同一套患者旅程、医学知识和健康干预能力,由此形成完整链路:患者触达→ 风险识别 → 智能决策 → 干预执行 → 效果评估 → 证据沉淀,真正解决患者健康管理问题。 真实验证:一位医生管理8600名患者 目前,AI健康旅程平台已在关节外科健康管理场景完成实际验证。 以某知名三甲医院关节外科的权威主任为例:仅一位医生,通过平台管理了43个健康班,服务8600名患者;AI顾问回复采纳率达93%;医生每日用于患者管理的时间,从过去的两三个小时压缩至约10分钟;平台累计收到872封患者感谢信。 过去,患者每天会提出大量问题——疼痛是否正常、要不要复诊、康复动作怎么做。若全部依赖医生逐条回复,一位医生每天需投入两三个小时。如今,AI先结合患者旅程图和健康管理大模型生成建议,医生再审核确认。平台的原则非常明确:AI不是替医生做决策,而是把医生从重复劳动中释放出来。 在康复场景中,AI实现30秒内响应,及时响应率达96%,患者满意度达95%。未来,AI+健康管理服务将形成一种全新分工:AI负责规模,医生负责专业——让医生把更多时间真正留给高风险和需要专业判断的患者。规模化落地:21万患者的真实运行 目前,横方健康患者管理平台已进入真实患者、真实医生和真实业务流程的持续运行中: 累计管理患者超21万人; 近30日产生消息14万余条,患者提问超6.2万次,AI回复近6万次,AI问题解决率达94.47%。 患者提问后,AI先理解问题、生成辅助建议,医生进行审核、修改和确认。每一次提问、回复、确认与反馈,都会持续沉淀为真实世界数据,并反哺患者分层、医学知识和健康干预模型——服务产生数据,数据形成证据,证据优化模型,模型再提升下一次服务,形成不断进化的正向循环。 让技术真正服务于“以人民健康为中心” 横方健康与华为云共同建设的,不只是一个AI+健康管理服务产品,而是一套面向患者全生命周期、全健康过程的智能健康服务体系——让AI不仅进入医院,更进入患者完整的健康旅程;让AI从一个回答问题的工具,进化为一套持续提供健康服务的基础设施。 让技术真正服务于——以人民健康为中心。
-
医疗AI使能平台“体验有礼”活动流程1、平台试用申请(申请格式填写:体验官活动+姓名+工作单位+职位)2、PC端登录体验,操作指引请见【医疗AI使能平台操作指引】3、本帖评论,上传模型推理&训练体验图片+华为云账号领取好礼!一、活动时间2026年10月21日——2026年11月30日 二、活动规则及奖项说明1、医疗AI使能平台试用申请在线上传本地切片完成病理模型推理,完成后在本页回帖,分享完成在线诊断的截图+华为云账号名即可获得华为云镭射包、数据收纳包(任选一) 2、下载医疗AI使能平台客户端并登录完成上传图像切片病理模型推理,体验后在本页回帖,分享完成病理诊断的截图+华为云账号名即可获得华为云定制数据收纳包、镭射包、防晒服、胶囊伞、保温杯(任选一) 3、VOC声音反馈有礼:体验医疗AI使能平台功能后,在本帖下分享反馈您对平台功能的建议或者意见反馈合理有效建议可获得华为mini超级快充充电器(Max 25W)、柔绒保暖披肩围巾、防晒服(任选一),最多10名 4、优秀案例分享有礼:在智慧医疗社区发帖分享您使用医疗AI使能平台的实践任务,参考案例“基于华为云医疗AI使能平台训练专属模型...”可获得华为云定制三脚架自拍杆、柔绒保暖披肩围巾、罗技键盘套装、云宝盲盒(任选一),最多10名(奖品有限,先到先得) 如有疑问,请咨询医疗AI小助手联系邮箱:hcmedcommunity@huawei.com 活动注意事项:1、严禁使用多个账号重复盖楼;严禁恶意刷屏、发布与主题无关的内容,影响活动秩序;严禁使用 P 图、盗用等作弊手段。上述行为一经发现取消获奖资格;2、开奖公示:活动结束后,将于5个工作日(11月30日至12月4日)后在本活动贴发布获奖名单公示,公示期为5天(12月4日至12月10日);3、奖品发放:公示期结束后,工作人员将通过论坛站内信联系获奖用户核对信息、发放奖品,虚拟奖品直接发放至用户账号,实物奖品通过快递邮寄。获奖名单公示期后预计5个工作日内寄出;4、活动期间,如遇不可抗力因素(如服务器故障、网络问题等),活动主办方有权调整活动时间或内容;5、活动奖励不可兑换现金,奖品颜色、款式等以实物为准;6、活动最终解释权归论坛运营方所有。
-
为什么分子分型重要:从TCGA到临床实践子宫内膜癌传统上根据组织病理学和临床特征进行分类。2013年,癌症基因组图谱(TCGA)发表了373例子宫内膜癌的整合基因组、转录组和蛋白质组学表征,将其分为四个分子亚型。这一分类的预后意义随后得到确认,并通过ProMisE分类系统进一步发展用于临床常规诊断。四个分子亚型的预后差异显著:POLE超突变型(POLEmut)预后极佳;p53异常型(p53abn)预后最差;错配修复缺陷/微卫星不稳定型(MMRd/MSI)和无特定分子谱型(NSMP)预后居中。MMRd/MSI型患者应进一步筛查遗传性Lynch综合征,该亚型中Lynch综合征的患病率约为10%。MMRd/MSI肿瘤的肿瘤突变负荷显著高于错配修复功能正常或微卫星稳定型肿瘤,提示对免疫治疗可能产生应答。然而,分子分型通常依赖额外的基因检测,成本高、周期长,基层医院难以普及。若AI能从常规H&E染色切片中预测分子分型,则可能为临床提供一种快速、低成本的初筛工具。研究设计与方法发表于 npj Precision Oncology 的一项真实世界验证研究,使用AI基础模型从H&E全切片图像中预测子宫内膜癌分子亚型。该研究在来自常规诊断病例的真实世界队列中进行评估,图像质量参差不齐,较科研精选数据更具现实代表性。研究基准测试了CTransPath和UNI两种基础模型的特征提取能力,展示了在不同扫描仪硬件上的稳健结果,并通过额外的染色归一化量化了性能变异。主要性能结果基于UNI特征的外部真实世界数据结果如下:p53abn型AUROC为0.844(n=18),MMRd_MSI型为0.700(n=79),NSMP型为0.684(n=176),POLEmut型为0.646(n=16)。研究还提供了亚型特异性形态学特征的人类可解释解读,即AI不仅给出分类结果,还能提示其依据的形态学特征。临床转化价值解读p53abn型识别准确率最高(84.4%),而该型恰恰预后最差。若能通过常规H&E切片快速识别p53abn型患者,临床可更早调整治疗策略,无需等待数周基因检测结果。该亚型的识别对治疗决策影响最大——p53异常型需要积极的辅助治疗策略。MMRd/MSI型虽然AUROC为0.700,但其临床意义在于提示Lynch综合征筛查与免疫治疗可能性,作为初筛工具仍有价值。POLEmut型虽然AUROC最低(0.646),但该型预后极佳,早期阶段甚至可能无需辅助治疗,识别该型有助于避免过度治疗。局限性与后续方向需注意的是,POLEmut型仅16例,样本量小,AUROC 0.646的置信区间可能较宽。p53abn型仅18例,虽然AUROC较高,但样本量同样有限。该研究定位为真实世界验证,而非临床替代方案。其核心提示在于:形态学中可能隐藏分子信息,AI可辅助读取。后续需要更大规模的多中心验证,并探索将AI预测结果与临床决策流程整合的实际路径。来源:npj Precision Oncology, 2026.
-
人口结构压力下的预防保健转型新加坡正经历显著的人口结构转变。联合国预测显示,65岁及以上人口比例将从目前的9.7%上升至2050年的16.4%。与此同时,男性预期寿命达到80.7岁,女性达到85.2岁,对初级保健、医院服务和长期护理的需求持续攀升。然而,护士和其他关键医疗专业人员的人力短缺已对医疗系统造成显著压力,公共医疗设施拥挤、初级和中间护理服务受限等问题进一步加剧了这些约束。为应对这一挑战,新加坡推动“Healthier SG”国家预防保健计划,试图将医疗体系重心从“病后治疗”转向“病前预防”。但预防保健依赖大量人力进行居民沟通与方案制定,在人力有限的条件下难以规模化。家庭医生的工作负荷预计将因这一改革而显著增加。在这一背景下,AI辅助的个性化健康计划生成被视为一种可能的缓解路径。试点设计与技术框架研究团队开发了一个基于多智能体框架的数字助手——HealthGuide@Home,用于生成并迭代个性化健康计划。该工具通过HealthHub移动应用为居民提供服务,帮助其生成个性化的饮食和运动建议,以支持Healthier SG健康计划。系统采用代理式大语言模型架构,包含用于提取条件特定参数的提取器、用于检索数据的检索器等核心组件,系统高度模块化,允许共享功能复用和新节点集成。试点研究纳入20名居民和7名临床医生,旨在评估用户接受度。试点结果两组对四项成功指标的评分均显著高于中性满意度(p<0.05)。居民端的具体反馈如下:多数居民重视计划的个性化程度(p=0.003),认可建议的颗粒度(p=0.0003),且未对推荐方案表达重大担忧(p=0.941)。超过50%的反馈对个性化饮食(p=0.110)、个性化运动(p=0.003)和通用功能(p=6e-06)表达了正面情绪。临床医生端的评分同样积极。政策启示与本土化参考从政策视角看,这一试点的意义不在于技术本身是否足够成熟,而在于它验证了一个关键假设:AI生成的个性化健康计划,居民愿意接受,医生也认可。这对国内推进家庭医生签约服务具有参考价值。当前不少地区存在“签而不约”的问题,若AI能承担部分个性化沟通与方案生成工作,家庭医生的时间便可释放至更需要人类判断的环节。局限与待观察问题试点规模有限(20名居民、7名临床医生),长期健康结局、成本效益与数据治理问题仍需进一步观察。此外,AI生成建议的安全性保障机制、责任归属框架以及在不同健康素养人群中的适用性,都是后续研究需要回答的问题。但方向值得关注:在老龄化与人力短缺的双重压力下,AI辅助预防保健可能成为一条现实路径。来源:Goh HL, et al. npj Digital Medicine, 2026.
-
天筹数值计算求解器是做什么的?数值计算求解器是用于求解数学问题的计算机程序。求解,即寻求问题的数值结果;器,即承载求解过程的工具系统。求解器以计算机为载体,将数学问题转化为可计算的数值过程并给出结果。天筹数值计算求解器聚焦于方程组求解与特征值问题求解两大核心方向。依托计算机的大规模数值计算能力,面向更大规模、更高复杂度的计算场景,为工业仿真、电路分析等领域提供基础数值计算支撑。提供了哪些功能?天筹数值计算求解器提供以下核心能力:内核引擎:线性方程组求解、特征值问题求解、非线性方程求解。仿真能力:基于开源生态与 AI 技术,构建具备良好易用性的仿真功能。AI 能力:具备 AI4PDEs(AI for Partial Differential Equations)相关能力。天筹数值计算求解器与天筹(运筹优化)求解器的关系天筹求解器品牌下涵盖运筹优化求解器与数值计算求解器等多个产品。二者同属天筹求解器产品系列,定位各有侧重:数值计算求解器提供底层数值计算引擎,为上层应用提供核心计算能力支撑;运筹优化求解器则面向运筹优化问题提供求解能力。二者在技术栈上相互独立,各自服务于不同的应用场景。支持哪些特性?天筹数值计算求解器以线性方程组求解与特征值问题求解为核心方向。其中,线性方程组求解涵盖直接法与迭代法两类方法体系。在算法与参数设计方面,综合借鉴主流求解器的技术特性,实现核心算法与功能的全面覆盖,具备良好的功能完备性。性能表现如何?天筹数值计算求解器在性能层面持续优化。以下为与主流开源求解器的对比测试结果,测试基于 suitesparse 矩阵库的全量数据集,采用默认参数对比默认参数的评测方式:综合测试结果如下:求解率:54%–98%更快占比:72%–84%相对开源竞品性能提升:10%–44%以迭代法为例,天筹数值计算求解器整体性能较开源竞品平均提升约 30%。AI 求解器的 AI 能力体现在哪里?天筹数值计算求解器在仿真层穿透的视角下,将 AI 能力融入计算全流程。AI 赋能的三种模式:AI 生成是一种替代,AI 嵌入是一种插入,AI 分析是一种伴随。基于上述理念,设计与打通智能仿真与计算全流程工具链。在工业仿真全流程中,AI 可赋能的关键环节:从数值计算求解内核引擎维度来看,目前已实现求解器超参数与运行时过程动态参数的 AI 推荐功能,初始解的 AI 生成功能正在研发中。算法部件的 AI 替代以及面向计算机体系架构的策略智能选择也在持续推进。性能提升的主要技术点有哪些?天筹数值计算求解器的性能提升主要依托以下技术方向:底层数据结构优化经典算法改进编译层面适配 ISPC、GCC,并面向鲲鹏平台进行优化引入随机化方法引入混合精度计算引入启发式策略产品有哪些特色?天筹数值计算求解器的核心优势体现在四个维度:特性丰富:单一求解器对齐 MKL Pardiso、MUMPS、PETSc、Hypre、SLEPc、FEAST 等主流求解器,核心功能实现全面覆盖。性能优良:整体性能较开源竞品平均提升约 30%。稳定性好:一次求解成功率保持在较高水平。易用性强:支持开箱即用,自动拉取依赖;AI 荐参功能在多数场景下无需指定参数即可完成求解;黑箱零阶优化可辅助在特定领域寻找局部最优参数值。典型问题来源天筹数值计算求解器所处理的方程组问题,主要来源于 CAE 仿真中的离散化过程,部分来源于 EDA 电路分析相关场景。试用与交流试用请访问:https://optv-ncs.top/欢迎技术交流与合作。
-
临床痛点:术中诊断的时间窗口与IHC的固有延迟肺癌仍然是全球最常见的恶性肿瘤和癌症相关死亡的首要原因。低剂量计算机断层扫描的普及显著提高了肺结节的早期检出率,这使得病理学在准确区分良恶性病变方面的重要性更加突出,尤其是在腺瘤与腺癌的鉴别中。根据2021年WHO肺肿瘤分类,细支气管腺瘤/纤毛黏液结节性乳头状肿瘤(BA/CMPT)被认定为一种独立的腺瘤亚型,其特征是存在连续的基底细胞层。然而,在术中冰冻切片检查中,基底细胞往往难以清晰辨认,其形态变异又增加了误诊为腺癌的可能性。此类误诊可能导致不必要的肺叶切除和过度治疗。免疫组化在肺癌分型中发挥着关键作用,自2015年起已被正式纳入WHO诊断框架。但传统IHC流程复杂,需要固定、切片、抗原修复和抗体孵育等多步操作,通常耗时超过36小时,远超术中会诊大约30分钟的时间窗口,使其在冰冻切片诊断中不具可行性。因此,如何在术中提供IHC等效的分子信息,一直是外科病理学的核心挑战之一。技术方案:AI驱动的虚拟免疫组化发表于 Expert Systems with Applications 的一项研究,开发了一个AI驱动的虚拟免疫组化框架,能够直接从H&E切片在术中诊断窗口内重现分子染色。该多任务学习模型整合了跨染色配准与弱分子引导,以捕获形态学和分子线索,生成在视觉和诊断上与真实染色难以区分的虚拟IHC切片。模型采用了多任务优化策略,专门针对“抑制假染色、保留基底细胞”进行优化,以降低误导性信号的风险。在多种肺组织类型的盲法测试中,病理学家将虚拟切片评为与真实IHC在诊断上等同,整个工作流程在30分钟内完成,完全处于手术时间限制之内。结果与临床意义该研究解决的不是一个“锦上添花”的问题,而是一个“能否做到”的问题。术中诊断的时间窗口只有约30分钟,传统IHC在这个窗口内完全不可用。虚拟IHC将不可能变成了可能。从临床意义来看,若该技术经多中心验证后落地,最直接的受益者将是肺部可疑结节、正在手术台上等待冰冻结果的患者。连续基底细胞层的确认是BA/CMPT与腺癌鉴别的关键,虚拟p40染色能够在术中提供这一关键分子线索,从而支持更自信的手术决策,避免不必要的肺叶切除。局限性与后续方向从研究到临床常规应用仍有距离,需要更大规模的多中心验证,以评估其在不同扫描仪硬件、染色方案和组织类型中的稳健性。此外,虚拟IHC的监管审批路径、病理医生对AI生成切片的信任建立,以及成本效益评估,都是落地过程中需要解决的问题。但方向是清晰的:实时分子病理信息融入手术流程,为快速跨肿瘤诊断和生物标志物特异性虚拟染色提供了一个可扩展的模型。来源:Expert Systems with Applications, 2026.
-
研究背景:诊室空窗期的行为支持缺口2型糖尿病是全球范围内主要的慢性疾病之一,也是可预防性并发症、医疗资源使用和医疗成本的重要驱动因素。有效管理需要持续的生活方式支持,以及围绕饮食、体力活动和用药依从性的频繁自我管理决策。然而,许多卫生系统在两次门诊之间提供持续、个体化指导方面面临显著困难,原因包括人力短缺、门诊容量有限以及糖尿病教育可及性不均等,这些因素可能进一步加剧结局差异。数字健康干预可以将自我管理支持延伸至诊室之外,但许多现有方案提供的是通用建议,未能充分贴合个体的行为模式和偏好。基于个体纵向自我监测数据进行学习的精准方法,有望在提高建议相关性和参与度的同时,减轻临床医生的负担。“数字孪生”模型——一种基于行为输入预测近期生理结局的计算表征——为个体化行为支持提供了一条潜在路径。研究设计与方法该研究是一项为期6个月的随机试验。母研究纳入40名年龄≥18岁的2型糖尿病成人患者,先完成3个月基线观察,随后进入3个月干预期,在体重、饮食摄入、体力活动和血糖监测方面共生成6467个纵向数据点(平均随访174天)。在辅助AI干预部分,19名参与者被随机分配至AI组(n=10,每日接收AI生成的个体化反馈)或对照组(n=9,不接收每日反馈)。干预系统的核心是一个“人在回路”(human-in-the-loop)预测控制模型,包含一个基于迁移学习的人工神经网络预测性数字孪生,训练数据来自参与者的自我监测记录,包括体重、饮食日志、体力活动和血糖值。一个粒子群优化控制器负责识别与血糖和体重目标一致的个人化行为建议,数字孪生每周使用新积累的数据重新训练。模型在所有饮食条件亚组中的预测准确率达到80%以上。主要结果在干预期间,接收AI生成反馈的参与者表现出每日步数增加的趋势,以及对热量和碳水化合物摄入目标依从性的改善。AI干预组的体重下降显著大于对照组(平均减重5.87磅 vs 3.57磅,p<0.012),同时在整个研究期间维持了稳定的血糖水平(p=0.661)。讨论与启示这些发现表明,基于AI的预测性数字孪生模型可能为将精准糖尿病自我管理支持延伸至诊室之外提供一种可扩展的方法。该研究的定位并非替代临床决策,而是填补诊室空窗期的行为支持空白。其核心价值在于验证了一种低负担、可规模化的干预思路:从患者自身纵向数据中学习,生成每日可执行的个性化提示。干预组在体重下降的同时维持了血糖稳定,这一点值得注意——它说明行为建议的优化方向是“在不牺牲血糖安全的前提下改善体重结局”,而非单纯追求减重。局限性与后续方向该研究存在若干需要客观看待的局限。样本量仅19人,单中心设计,随访期相对较短,属于早期概念验证。原文措辞亦较为克制,将结论表述为“suggest”而非“demonstrate”。此外,研究未正式评估行为中介路径,体力活动和饮食依从性的改善趋势仅作为观察性发现报告,因果关系尚不能确认。后续需要在更大规模、多中心、更长随访期的试验中验证效果,并进一步探索行为改变的机制路径。来源:Wang J, et al. npj Health Systems, 2026.
-
本指南面向天筹数值计算求解器(NCS)试用客户,说明试用版软件的下载、试用 License 申请、环境配置与 SDK 使用的完整流程。流程概览整体流程分为以下六步:注册账号:在华为技术支持网站注册并升级为合作方帐号。下载软件:在 Support 网站申请下载 NCS 试用软件包。获取机器标识:在运行程序的机器上获取机器名与 MAC 地址。申请 License:按邮件模板申请试用 License(有效期不超过 3 个月)。配置环境:将 .lic 文件路径配置到环境变量 NCS_LICENSE_PATH。使用 SDK:解压软件包,参考用户手册与示例进行调用。目录前置说明软件试用版下载方式① 方式一:Support 网站软件试用软件申请a. 注册成为合作伙伴账号b. 申请下载② 方式二:行业梦工厂科学计算专区申请License 申请① 试用 License 申请② 机器 MAC 地址获取方式a. Linux 平台方法一:通过 ncs-license-helperb. Linux 平台方法二:通过命令行c. Windows 平台 License 申请③ 配置 License 环境变量软件 SDK 使用FAQs前置说明对外提供试用版本属于非正常交付方式,请提前与陆嵩(lusong18@huawei.com)联系,说明业务背景与必要性。天筹数值计算求解器 SDK 属于专业软件,试用版本会提供完整的用户手册和样例,但仍需试用用户具备基本的线性代数、编程和矩阵求解器使用经验。试用阶段天筹数值求解器团队无法提供求解器使用方面的培训。对外使用版本目前同时支持 Linux 和 Windows 操作系统,提供 C/C++/Python/Fortran 等程序接口。如果试用客户已有数值计算求解相关使用经验,建议先要求客户提供标准格式的 mtx 文件,供天筹数值计算求解器团队进一步分析与调优。试用阶段天筹数值计算求解器团队无法提供驻场调优服务。软件试用版下载方式方式一:Support 网站软件试用申请注册成为合作伙伴账号访问华为技术支持网站 OptVerse 项目页面,找到带 NCS 字样的最新发布的包。如需登录,请使用手机号及邮箱注册账户并登录。若无法看到下载按钮,需将普通用户升级为合作方用户,请点击网页右上角的“账号升级”。在弹出的页面中点击“升级为合作方帐号”,如下图:在升级表单的“华为工程师公司邮箱”一栏填入:zengzitao1@huawei.com,并填写其余星标(必填)信息。提交后等待审核,注册成功后会收到邮件通知。申请下载升级为合作伙伴账号后,在原下载网页即可看到软件包和用户手册,点击“申请下载”。审核人填写工号 z00808053,提交后等待工程师审核,通过后即可下载 NCS 包。方式二:行业梦工厂科学计算专区申请访问行业梦工厂科学计算专区:cid:link_1该渠道当前仍在建设中,相关申请流程暂未上线。如需通过此渠道申请,请联系陆嵩(lusong18@huawei.com)咨询,或优先使用上述“方式一”完成申请。License 申请试用 License 申请请按如下格式发送邮件进行 License 申请:主题:天筹数值计算求解器客户试用申请-[客户名称]内容:说明项目背景、应用场景与必要性,并写明机器的 MAC 地址。主送:毛坤(maokun@huawei.com)抄送:陆嵩(lusong18@huawei.com)、曾梓涛(zengzitao1@huawei.com)、张志宇(zhangzhiyu6@huawei.com)、夏青(xiaqing31@huawei.com)、黄泯胜(huangminsheng@huawei.com)申请须知:试用版本仅用于外部客户/伙伴试用,不可用于商业交付或生产环境,由试用版本造成的一切影响华为概不负责。试用版本带有唯一标识码,试用者不可对天筹数值求解器试用软件包中的任何内容进行篡改和二次分发,或公开披露天筹数值求解器相关信息。试用过程中如对华为侧造成损失或影响,华为保留追究相关责任的权利。试用 License 有效期不超过 3 个月。如果需要将程序提交至集群运行,则需要发送集群中每台机器的机器名和 MAC 地址。机器 MAC 地址获取方式试用 License 与机器的 MAC 地址绑定,因此需准确提供运行程序的机器的机器名与 MAC 地址。如程序需在集群多台机器上运行,需提供集群中每台机器的机器名与 MAC 地址。Linux 平台方法一:通过 ncs-license-helper在需要运行程序的机器上运行 NCS 包中的 bin/ncs-license-helper;如果需要校验 license,可以设置环境变量 NCS_LICENSE_PATH。# 进至 NCS 包解压目录后执行 ./bin/ncs-license-helper将输出的机器名和 MAC 地址发送至我们的邮箱。如果需要将程序提交至集群运行,则需要发送集群中每台机器的机器名和 MAC 地址。Linux 平台方法二:通过命令行在需要运行程序的机器上输入:ip link show找到一张状态为“UP”且以“en”开头的可用网卡,将机器名和可用网卡的 MAC 地址发送至我们的邮箱。如果需要将程序提交至集群运行,则需要发送集群中每台机器的机器名和可用网卡的 MAC 地址。Windows 平台 License 申请Windows 平台暂不支持通过 ncs-license-helper,只能通过命令行获取对应的 MAC 地址。在需要运行程序的机器上输入:ipconfig /all找到一张真实的物理网卡,将机器名和可用网卡的 MAC 地址按格式要求发送至我们的邮箱。如果需要将程序提交至集群运行,则需要发送集群中每台机器的机器名和可用网卡的 MAC 地址。配置 License 环境变量拿到 .lic 文件之后,在 Linux 平台和 Windows 平台均需要设置环境变量 NCS_LICENSE_PATH,其值指向用户存放 .lic 文件的绝对路径。Linux(临时,当前终端会话生效):export NCS_LICENSE_PATH=/path/to/your/license.licLinux(永久,写入启动文件):echo 'export NCS_LICENSE_PATH=/path/to/your/license.lic' >> ~/.bashrc source ~/.bashrcWindows(临时,当前命令行生效):set NCS_LICENSE_PATH=D:\path\to\your\license.licWindows(永久,系统环境变量):setx NCS_LICENSE_PATH "D:\path\to\your\license.lic" 也可通过“系统属性 → 高级 → 环境变量”图形界面永久设置。软件 SDK 使用在配置好依赖环境并获取了试用 License 之后,解压所需平台和依赖的天筹数值计算求解软件包,软件包中包含若干文件夹:bin:可执行文件,用户无须编写程序即可通过可执行文件调用求解器动态库进行计算,矩阵输入文件支持标准的 mtx 格式,其它输入参数可参考用户手册使用。docs:包含用户手册的 PDF 和 HTML 版本。examples:用户使用示例。运行根目录下的 setup_openmpi 脚本(若有)后,可直接通过提供的脚本编译运行。用户可修改 examples 中相应的示例代码进行求解器调用。include:头文件。其中以 wrapper.h 结尾的头文件专供 Windows 平台使用,接口遵循 C 语言规则,用户可通过 MSVC 或 Windows 平台任意 C++ 工具链使用。Linux 用户推荐使用以非 wrapper.h 结尾的头文件进行代码编写,各求解器模块接口的参数说明可参考用户手册。lib:求解器 SDK 的动态链接库。Linux 平台直接链接 libNCSolver.so 即可;Windows 平台(以 MSVC 编译为例)文件夹中包含 .dll 和 .dll.a 文件,编译阶段需静态链接 libNCSolver.dll.a,编译完成后运行阶段需将 lib 目录中全部 .dll 动态库拷贝到运行程序的同级目录下,或将 lib 目录的绝对路径添加到系统变量 PATH 中,exe 程序运行时会自动链接 dll 动态库。licenses:引用的必要三方库授权说明。SDK:配套 C++/Python/Fortran SDK 使用示例。FAQsQ1:天筹数值计算求解器的安装和部署是否需要专人现场部署?A:天筹数值求解器 Windows 版本的线下 SDK 用户仅需配置好 MS-MPI 环境后解压即可使用,Linux 版本线下 SDK 需配置相应的三方库环境后解压使用,安装步骤和环境配置可参考网站中的用户手册。Windows 版本 SDK 对系统版本没有要求,Windows 10、Windows 11、Windows Server 搭配 MS-MPI 均可使用;Linux 版本 SDK 支持 x86 和鲲鹏 ARM 架构,但要求满足 glibc >= 2.31 和 libstdc++ >= 6,如需在更低版本的环境中运行可联系天筹数值求解器团队,确认是否有低版本适配。x86 架构目前已支持 OpenMPI 和 Intel-MPI,鲲鹏 ARM 架构支持 OpenMPI,其它 MPI 根据需求持续集成中。Q2:天筹数值计算求解器运行的资源依赖有哪些?A:只依赖 CPU 算力,支持 x86 和 ARM 架构,可安装在单台服务器中,推荐规格 32U64G,可根据求解问题的规模放大或缩小。同时天筹数值计算求解器支持共享内存的单机多线程模式,以及计算集群通过 MPI 分布式内存进行数据输入和计算的模式。
-
在结构力学、流体仿真、电磁计算这些 CAE 场景里,工程师真正要攻克的,往往不是前处理的建模,而是隐藏在仿真软件背后的那一道道大规模数学问题——线性方程组、非线性方程组、特征值问题。这些"底层数学题"解得快不快、稳不稳,直接决定了仿真能不能跑、要跑多久、结果可不可信。天筹(OptVerse)NCSolver,正是华为云为这道题准备的答案。一、NCSolver 是什么天筹(OptVerse)数值计算求解器(Numerical Computation Solver,以下简称 NCSolver)是华为云自主研发的科学计算工具库,面向广泛的科学与工程领域,提供高效、可移植且可扩展的数值计算解决方案。其底层依托 OpenBLAS 线性代数库、MindSpore-Lite 推理框架与 Scotch 图划分工具,从算法执行、智能选型到分布式调度,构成一套完整的求解能力栈。二、为什么"求解"值得专门关注很多团队把精力放在建模和前处理上,却容易忽略:模型建好、离散成数学问题之后,真正把它"算"出来的那一步,往往才是耗时最长、也最容易出问题的环节。一个不够强的求解器,会让仿真表现为——算例跑不收敛、单次求解耗时数日、结果对参数高度敏感甚至不可信;而一个高效稳健的求解器,能让同样规模的算例在更短时间内稳定给出可信结果,直接缩短产品研发的迭代周期。正因如此,求解器被称为仿真引擎的"计算心脏",值得作为一项独立的、可替换的核心能力来选型,而非默认接受软件自带的、未必最优的那一个。NCSolver 要做的,就是为您提供这颗可信赖的"心脏"。三、四大求解能力,对应您的业务场景NCSolver 面向工业数值计算中最核心的几类底层数学问题,每一类都提供了成熟的算法组合:问题类型通俗理解NCSolver 提供的算法典型业务场景线性问题求解大规模线性方程组直接法(LU 分解、超节点方法等)+ Krylov 迭代法与预处理组合结构力学刚度方程、热传导、电磁场离散非线性问题求解非线性方程组Newton-Raphson、弦截法等线搜索类方法非线性材料、非线性场方程特征值问题求解(广义)特征值Krylov-Schur 算法,可求最小/最大/指定区间特征对模态分析、稳定性分析、能级计算AI 辅助求解不确定该怎么解时,让 AI 帮您选基于 MindSpore-Lite 的方法自动选型 + 超参自适应调整复杂矩阵、缺乏调参经验时的智能兜底逐一对应到您的业务里:线性问题是 CAE 中出现频率最高的一类。结构力学的刚度方程、热传导的离散方程、电磁场离散后的线性系统,最终基本都要归结于此。NCSolver 同时提供稳健高精度的直接法,以及适合大规模稀疏问题的迭代法 + 预处理两条路线,覆盖非对称、对称正定、对称不定等多种矩阵形态,并配套端到端求解接口与灵活的参数配置,支持从矩阵输入到结果输出的全流程贯通。非线性问题出现在使用非线性材料(塑性、超弹性等),或多物理场耦合含非线性项时。NCSolver 提供 Newton 类线搜索方法,通过局部线性化加步长控制逐步逼近解,在非良态情况下也能保持迭代稳定。特征值问题对应模态分析(求固有频率与振型)、稳定性分析、量子力学能级计算等。工程上往往不需要全部特征值,而是关心最小的几个、最大的几个或某个区间内的特征对——NCSolver 的 Krylov-Schur 算法正是为此设计,专攻大规模稀疏矩阵。AI 辅助求解并非第四类数学问题,而是一种"智能选型"能力。面对一个新矩阵,拿不准该用直接法还是迭代法、该配哪种预处理时,由底层集成的 MindSpore-Lite 推理框架基于矩阵特征自动推荐解法与参数,相当于自带一位"调参工程师",对不熟悉底层算法的用户尤其省心。简言之,无论您的仿真最终归约成哪一类数学问题,NCSolver 都有对应的求解能力,并将持续扩展更多数值求解方法。四、能用在哪些领域NCSolver 不仅适用于单机环境,亦可在分布式集群下运行,确保在不同规模和复杂度的计算任务中保持高性能与高效率。其应用领域包括但不限于:计算机辅助工程仿真(CAE):结构力学分析、流体动力学模拟(CFD)、热传导计算、多物理场耦合问题;计算物理学:等离子体模拟、量子力学计算;地球科学:地震波传播、地下水流动建模;计算化学:电子结构计算;生物医学工程:心脏电生理仿真等前沿领域。五、规模可扩展:从单机到超算,一套求解器覆盖全场景很多求解器要么只能跑单机小规模,要么只在超算上才发挥威力,换个环境就得换工具。NCSolver 的设计目标是在不同规模的平台上都能高效运行:单机环境:适合中小规模问题、快速验证与原型开发;分布式集群:适合大规模工程问题,原生支持分布式并行,可跨节点部署;超算中心:支撑工业级大规模计算任务。底层的 Scotch 图划分工具为分布式并行提供了高效的负载均衡与数据分发支撑,同时 NCSolver 兼容集中式与分布式两类矩阵数据格式,使从单机到集群的迁移无需重写数据接口。这意味着从研发验证到生产落地,您不必中途更换求解内核——同一套 NCSolver,规模跟着您的硬件走。前期在单机上验证的模型与调优经验,进入生产后可平滑扩展到集群上跑全规模任务,无需推倒重来。六、如何开始使用:三种方式,按角色对号入座NCSolver 为不同背景的用户准备了三种使用方式,您可以根据自身角色选择:命令行工具(无需编译):安装包内自带现成可执行程序,准备好矩阵数据文件运行即可得到求解结果与过程报告,并支持数据批量计算。最适合业务/仿真工程师快速验证算例、做方案对比或团队演示。Python 接口(少量脚本):适合有算法或数据科学背景、习惯用 Python 做实验的用户,用于原型验证、参数实验或与现有数据流水线打通。C++ 接口(工程集成):适合仿真软件开发商,将求解能力以动态库形式嵌入自有产品作为底层求解内核,并支持跨节点分布式并行。三种方式覆盖同一套四类求解能力,总有一种适合您。不论选择哪种,遇到问题均可联系团队获得支持。七、为什么选择 NCSolver国产全自研:华为云自主研发,适合有国产化替代或供应链自主可控需求的场景,从算法到工程均有团队持续演进,而非对开源方案的简单封装。能力全覆盖:线性、非线性、特征值、AI 辅助四大能力,覆盖 CAE 领域(结构力学、计算流体、电磁仿真、动力学分析等)广泛的科学计算需求。高效可扩展:从单机到超算中心,原生支持分布式并行,算例规模可随硬件同步成长。稳健可兜底:直接法与迭代法互补,再加 AI 自动选型,面对形态各异的矩阵均有稳妥的求解路径,而非"某种矩阵跑不动"。全流程支撑:团队汇集华为云、2012 实验室与海外研究所的数学优化与数值计算能力,可提供从问题建模、模型优化到算法调优、服务部署的全流程支持——不只是交付一个库,而是与您一起把求解这件事做扎实。八、当前状态与联系目前 OptVerse-NCSolver 仍处于内测阶段,如需将其用于生产环境或对外商用,请联系 OptVerse 求解器开发团队。天筹求解器还在快速迭代演进中,将持续提升求解性能与稳定性,并推出更多用户友好特性。无论您是希望改进现有求解方案、推进自研替代,还是在新项目中应用数值计算工具,都欢迎随时联系。联系邮箱:lusong18@huawei.com欢迎在评论区交流您在科学计算中遇到的求解难题,或对 NCSolver 的功能期待,团队会持续关注并反馈。
-
一、它是什么,跟我有什么关系Q1:NCSolver 到底是什么,一句话说清楚?A: 天筹(OptVerse)NCSolver 是华为云自主研发的科学计算工具库,专门用来高效求解科学与工程仿真背后的那些大规模数学问题——线性方程组、非线性方程组、特征值问题,并提供 AI 辅助的智能选型能力。如果您的工作涉及 CAE 仿真(结构力学、流体、电磁、热等),它很可能和您有关。Q2:它是仿真软件吗?能直接用来建模吗?A: 不是。NCSolver 定位是仿真"背后"的数值求解内核——前处理建好模型、离散成数学问题之后,由它来负责"算"出结果。它不替代建模软件,而是可以集成到仿真软件里,或被工程师直接调用。可以把它理解为仿真引擎里的"计算心脏"。Q3:和 PETSc、MUMPS 这些开源求解器是什么关系?A: NCSolver 是华为云自研的国产方案,覆盖线性/非线性/特征值/AI 辅助四类能力。比较有特色的是 AI 辅助求解——能根据矩阵特征自动推荐解法与参数。对于希望做国产化替代、或希望获得从建模到部署全流程工程支持的用户,它是一个值得评估的新选择,而非对开源工具的简单封装。Q4:NCSolver 具体能解决哪几类数学问题?A: 目前核心覆盖三大类:问题类型典型场景说明线性方程组 Ax = b结构力学平衡方程、热传导离散方程、流体压力 Poisson 方程等提供直接法与迭代法(含 Krylov 子空间系列算法),支持集中式与分布式数据格式非线性方程组大变形接触、材料非线性、流动非线性等内置多种非线性迭代策略特征值问题 Ax = λBx结构模态分析、稳定性分析、声学共振等支持大规模稀疏矩阵的特征值求解此外还有 AI 辅助求解能力——自动分析矩阵特征,为您推荐最适合的解法和参数组合,省去反复试错的成本。二、适不适合我Q5:我是做结构/流体/电磁仿真的,适合用吗?A: 非常适合。NCSolver 的应用领域就包括结构力学分析、流体动力学模拟、热传导计算、多物理场耦合、电磁仿真等 CAE 场景。只要您的仿真最终会归约成大规模线性/非线性/特征值问题,NCSolver 都有对应的求解能力。Q6:我不是开发者,不会写代码,能用吗?A: 能。NCSolver 提供了三种使用方式,由浅入深:使用方式适合人群说明命令行工具(二进制可执行文件)不写代码的工程师准备好矩阵数据文件,一条命令即可求解,附带过程报告Python SDK有算法背景的工程师/研究者灵活调用,方便与 NumPy/SciPy 生态集成,适合快速原型验证C++ API仿真软件开发商深度集成到自研仿真平台,性能最优,支持端到端求解接口三种方式总有一种适合您,无需担心上手门槛。Q7:我的问题规模很大,单机跑不动,能上集群吗?A: 能。NCSolver 原生支持 MPI 分布式并行,既能单机运行,也能跨节点集群、甚至超算中心运行,支撑大规模工业级计算。规模可以跟着您的硬件走,不必中途换求解内核。Q8:我们公司有国产化替代的要求,NCSolver 合适吗?A: 合适。NCSolver 由华为云自主研发,是国产化的科学计算方案,适合有自研替代或供应链自主可控需求的场景。团队还能提供从问题建模到服务部署的全流程工程支持。三、怎么用Q9:我的数据要是什么格式才能喂给它?A: NCSolver 支持两种数据组织方式,匹配不同规模和运行模式:集中式数据格式——矩阵和右端项存放在单个文件中,适合单机运行或中小规模算例,格式与业界通用矩阵文件格式兼容,多数仿真前处理工具可直接导出。分布式数据格式——矩阵按分块存放在不同文件中,各 MPI 进程各自读取本地分片,适合大规模分布式并行场景,避免单节点内存瓶颈和 IO 瓶颈。无论哪种方式,都不存在额外的格式壁垒。具体的格式细节在用户手册里有完整说明,获取安装包时会一并提供。Q10:同一个模型要算很多工况(多个右端项),方便吗?A: 方便。NCSolver 支持"一次分解、多次求解"——矩阵只需分析分解一次,之后换不同的右端项(对应不同工况)反复求解即可,不必每次都重算。这对结构分析里"同一模型、多种载荷工况"的场景能显著节省时间。Q11:需要批量算很多组矩阵数据,支持吗?A: 支持。NCSolver 提供数据批量计算能力,可以将多组矩阵数据组织后统一提交求解,避免逐个手动操作的繁琐。特别适合参数化扫描、批量验证等需要大量重复计算的场景。Q12:直接法和迭代法我该用哪个?不懂调参怎么办?A: 简单经验:直接法——规模不大、要高精度、对稳健性要求高时优先选择;迭代法——规模大、非零元稀疏、对内存敏感时优先选择。NCSolver 的迭代法提供了多种 Krylov 子空间算法(如 CG、GMRES、BiCGSTAB 等),并可灵活配置预条件器和迭代终止准则(如残差阈值、最大迭代步数等)。如果拿不准,直接交给 AI 辅助求解——它会根据您的矩阵特征自动推荐解法和参数,相当于自带一位"调参工程师",对不熟悉底层算法的用户尤其友好。Q13:什么是"端到端求解"?跟手动分步调用有什么区别?A: "端到端求解"是 NCSolver 提供的一种一键式接口——您只需传入矩阵和右端项,求解器内部自动完成分析、分解、求解、输出全流程,无需关心中间步骤。适合快速验证、或不想深入底层参数调优的用户。如果需要精细控制(比如自选算法、手动调参、复用中间分解结果),也可以使用分步调用接口。两种方式灵活切换,满足不同深度的使用需求。Q14:我需要做模态分析/稳定性分析,特征值问题支持吗?A: 支持。特征值问题求解是 NCSolver 的核心能力之一,专门针对大规模稀疏矩阵设计。无论您是做结构模态分析、屈曲稳定性分析,还是声学共振计算,NCSolver 都能提供高效的求解支持。Q15:数据怎么读入和输出?方便和我的工具链对接吗?A: NCSolver 提供了完善的数据 IO 接口:输入:支持从文件读取矩阵和右端项,也支持通过 API 直接传入内存中的数据(C++ 接口和 Python 接口均可),方便与您现有的工具链无缝衔接。输出:求解结果以标准格式输出,同时提供求解过程报告(迭代收敛曲线、残差历史等),方便您分析求解质量和调优方向。四、安装与环境Q16:安装过程复杂吗?需要自己准备很多依赖吗?A: 不复杂。安装包中已预置所需依赖,多数情况下无需额外安装。NCSolver 主要依赖以下组件(安装包会一并处理):依赖组件作用说明OpenBLAS基础线性代数运算高性能开源 BLAS 库,提供矩阵向量运算加速MindSpore-LiteAI 推理引擎为 AI 辅助求解功能提供轻量级推理能力Scotch图分区与排序用于分布式并行场景下的矩阵重排和负载均衡安装包获取后按说明操作即可,团队也会提供必要的安装支持。Q17:支持什么运行环境?A: 主流 Linux 与 Windows 均已测试支持:Linux:EulerOS、Ubuntu、CentOS 等主流发行版Windows:Windows 10/11/Server 2019 及以上(并行需搭配 MS-MPI)安装包预置了所需依赖,多数情况下配置成本较低。Q18:装好之后怎么快速验证?A: 安装包附带简单示例,包括示例矩阵数据和对应的运行命令,装好后几分钟内即可跑通第一个算例,确认环境正确、感受求解过程。无论使用命令行工具、Python SDK 还是 C++ API,都有对应的入门示例。五、怎么获取与商用Q19:现在能直接下载使用吗?要不要付费?A: 目前 OptVerse-NCSolver 仍处于内测阶段,安装包与文档通过团队获取。如需用于生产环境或对外商用,请联系团队沟通授权事宜。Q20:怎么获取安装包和文档?A: 发邮件到 lusong18@huawei.com 说明您的场景与需求,团队会与您对接,提供安装包、用户手册以及必要的使用支持。Q21:用起来遇到问题,有人支持吗?A: 有。天筹求解器团队汇集了华为云、2012 实验室和海外研究所的数学优化与数值计算能力,可提供从问题建模、模型优化到算法调优、服务部署的全流程支持。使用中的问题、建议和需求都可以通过上面的邮箱反馈。Q22:后续还会有新能力吗?A: 会。天筹求解器在快速迭代演进中,会持续提升求解性能与稳定性,推出更多用户友好特性(例如更多数值方法、更广的数据类型支持等)。您的反馈会直接影响演进方向。
-
NCSolver:AI 原生的求解器NCSolver 是华为云天筹团队开发的一款面向大型稀疏线性方程组与矩阵特征值问题的数值求解器,服务于科学计算、工程仿真、运筹与优化等场景。在CAE仿真的完整链路中——从几何准备、网格剖分、仿真设定到计算求解——求解器作用于数值模拟核心链路的末端,直接决定整个仿真流程的性能上限与研发成本。它广泛应用于结构、流体、显式动力学、电磁、光学、多场耦合等各类仿真应用,是数值模拟中价值最大、也最容易成为瓶颈的环节。NCS 不但具备高效的内核计算能力,还从底层设计和开发时就考虑融入 AI 能力。它不是给一个传统求解器外挂AI插件,而是把“选方法、调参数、甚至替换求解算子”这些长期依赖人工经验的工作,交给一个能够自适应、自调优、持续进化的智能内核来完成。这使NCS同时具备三句话所概括的产品理念:求解器识别问题特征、自动选择合适的方法与参数,这是自适应;在求解进行中持续优化自身参数,而非把一套静态配置用到结束,这是自调优;更进一步,以AI增强求解器内核本身,突破传统算法所能达到的性能上限。为什么需要AI求解器求解器长期受制于一个“不可能三角”,任何一位CAE仿真工程师都对这样的处境不陌生:线性方程组的求解方法众多,每一种都带着大量超参数。没有“银弹策略”——选错方法和参数,轻则求解慢、残差大,重则直接发散、报错、无法求解。要把一个算例调到最优,往往依赖资深专家的经验和反复试错;而专家本身就是稀缺资源,一个团队里能稳定调好难算例的人,数量有限。更进一步,即便找到一位专家、人工调到了当前最优,这套静态参数也存在着性能天花板。参数一旦设定便保持不变,求解过程中发生的情况——残差下降变缓、某层网格收敛停滞、预处理子效力衰减——静态配置都无法响应。于是形成了一个长期无解的“不可能三角”:易用性、性能、免专家经验,三者难以兼得。要么易用但性能平庸,要么性能强但依赖专家调试,要么免调参却难以求解复杂问题。这正是求解器成为整个仿真流程性能瓶颈的深层原因,也是NCS要打破的核心困局。NCS的三种AI能力:三个层次,逐层深入NCS的AI能力分为三个层次,三者逐层深入,共同定义什么叫“AI求解器”。层次一 • AI推荐:求解器识别问题特征,自动选择方法与参数提交问题后,NCS做的第一件事是给这个矩阵做一次特征刻画。它不只看维度、非零元密度、对角占优性、带宽这类标量指标,还进一步分析矩阵的内部结构——非零元的分布模式、图拓扑关系、块结构等,累计形成323维求解特征。这些特征共同回答一个问题:这究竟是怎样一类矩阵,适合用什么方法来解。这323维特征并非随意堆砌,而是按两条标准挑选:既要充分表征矩阵的求解特性,又要计算开销足够低、便于在每次求解前快速提取。这里有一个明确的工程取舍——没有一味依赖深度学习去自动挖掘特征。原因有两层:一是工程收益性,超大型模型自动提取特征本身就极其耗时,若这部分开销超过了AI带来的求解加速,反而得不偿失;二是技术原理,矩阵的结构信息不能像图像那样靠卷积自动捕捉——图像识别里丢几个像素几乎不影响判断,但矩阵主对角线上一个数值的变化就可能决定求解是否收敛,这类关键信息在结构下采样中恰恰容易被抹掉。因此NCS选择了人工设计物理含义明确的特征,在表征力与计算成本之间取一个务实的平衡。有了对问题的刻画,下一步是选方法、配参数。NCS的做法不是直接预测“哪个参数组合最好”,而是转向预测“每种参数组合的性能如何”。这两者听起来相近,实则有本质差别:预测最佳参数组,本质是一个高维稀疏的多分类问题,最优标签在样本里极少出现,而且耗时1秒与1.01秒的两组参数实际几乎等价,分类却可能把后者误判为次优而排除。改为预测性能本身,所有算例的结果就都成了可用的训练数据,模型也能对训练集里从未出现过的连续参数取值做出预测和优化——把“猜最优”这件稀疏且噪声敏感的事,变成了信息更充分的性能建模。这套映射学习的是资深专家反复试错积累的调参经验,沉淀进一个可复用的模型,每个算例进来都先刻画特征、再输出配套的方法与参数,开箱即用,无需用户自己成为求解器专家。下图展现了 KSP/PC参数推荐功能再开源数据集中的性能表现和耗时统计。这一层解决的是“易用性”:把“找专家配参数”这一步交给求解器自己完成,普通工程师也能拿到接近专家调参水平的求解配置。需要说明的是,推荐只改变“用什么方法、配什么参数”,求解器内核本身仍是成熟的数值算法在执行常规计算——这与后文层次三直接改写算子的做法,属于两个不同的深度。层次二 • AI伴随:求解器在求解过程中持续优化自身如果说层次一解决的是“求解前选对参数”,那么它的价值在于更充分地发挥求解器已有的性能潜力——把同一套方法配出更接近最优的参数。但参数一旦选定,求解器仍按固定配置跑完全程,是在既有方法里把潜力挖到极致。层次二要做的,正是突破这道上限:AI不再只存在于求解启动前,而是全程参与求解过程,在求解进行中动态调整那些过去不可触达的关键超参数。以非对称矩阵求解中最常用的GMRES方法为例,它有一个核心参数——Krylov子空间的重启维度m,这个参数在传统求解器里通常是一个写死的经验值(如30或50)。m设小了,残差容易在某个量级停滞怎么也降不下去;m设大了,虽然收敛更稳,但正交化的计算量随m呈平方级增长,每一步迭代都越来越慢。这是一个没法靠固定值调和的两难。NCS的做法,是让求解器在求解全程实时感知收敛态势——包括残差的整体下降趋势、当前轮与近几轮的下降速率、当前的计算开销与求解进度等,并据此动态调整m。当残差快速下降时,果断采用小的m值高频重启,避开平方级正交化的高成本,让每一步都快;当残差下降趋于平缓、甚至出现停滞时,反过来扩张子空间,在更高维的方向空间里寻找使残差骤降的突破口。上图显示的几个案例中,由智能子空间控制的策略会相比固定不变的子空间更快达到收敛精度。同样的逻辑也适用于代数多重网格(AMG)各层网格的连接强度等参数——它们都能在求解过程中随态势调整,而非一锤定音。层次三 • AI生成:以AI增强求解器内核AI不再只是优化配置,而是深入求解器内部的关键算子——迭代法的初始解、直接法的重排算子、AMG的粗化算子、预处理子等。这些算子过去依赖成熟的数值算法与深厚的领域经验来设计;AI不再只是在外围调整参数,而是直接介入这些算子本身的构造。以迭代初始解为例:一个好的初值能显著减少迭代次数、加速收敛。作为产品路线图,NCS将提供AI生成的迭代初始解(Warm Starts),从算法内部突破传统数值方法的性能上限。再看代数多重网格(AMG)。AMG是求解大型稀疏线性系统的高效方法,核心是构造一套从细到粗的多层网格:在粗网格上以低成本消除低频误差,再经插值算子把修正传回细网格。连接细粗两层的插值算子,传统上依赖一套固定的启发式规则来构造,对结构规整的问题有效,但遇到各向异性、复杂几何或强耦合时常常力不从心,需要专家介入反复调。层次三的思路是用AI直接生成这套插值算子,让算子本身随矩阵结构自适应,而非套用固定规则——一个为当前问题量身构造的插值算子,能在更少的网格层数内收敛,直接压缩求解时间。这正是“改写算子本身”区别于层次二“调参”的所在:调参是在既有算子框架内找更好的设置,生成则是换掉算子本身。AI4NCS:AI 时代的数值计算引擎NCS能同时支撑三个层次的AI能力,根源在于它从底层就按AI原生架构构建——这是与传统数值库的根本区别。传统求解器建立在“先配置—再初始化—再求解”的生命周期上,关键参数在运行中往往不可调,也没有为AI预留接入空间。NCS则不同,它原生提供三类基础设施:求解过程的关键信息被结构化记录下来,可用于模型训练与性能分析,而非仅供人工排错;在求解运行中,通过交互API与Hook可以介入求解、读取运行状态并施加调整——这是AI伴随能力得以实现的前提,也是传统求解器普遍缺失的能力;调度与启发式策略可由用户以自定义回调函数的形式注入求解流程,实现深度定制集成。传统数值库的能力在发布那一刻就固定了;NCS则具备传统数值库没有的自适应进化能力。在不暴露客户原始矩阵与工程模型隐私的前提下,NCS可以采集算例的求解特征与性能反馈,持续优化推荐与调参模型;也支持在客户本地持续更新推荐模型,让求解器随使用不断精进。用得越多,NCS对你那类问题的特征刻画越充分,推荐越准、调参越精——形成传统数值库不具备的自适应优势。国际成熟求解器在传统数值算法上积累了数十年的工程优化,正面追赶需要漫长的时间;而AI原生这一方向,是国产求解器实现技术追赶的关键路径——不局限于在传统算法上比拼积累,而是在AI方向上建立新的能力优势。华为云天筹团队将自适应选择、动态调优、算子级AI增强三条路径同时打通,以国产内核承载被行业验证的AI方向,兼顾先进性与可控性,开发好用、易用且高效的 NCS 数值计算求解器。
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家;李炎-华为云码道产品专家;彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战,从0到1打通消息通道;码道鸿蒙端云一体化实战,快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人;蒋春阳-华为云AI开发者案例开发专家
本期直播内容: AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了:看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签