自20世纪30年代以来，研究生产力每年以约5.1%的速度下降，根据发表在《美国经济评论》上的一篇论文显示。这种下降主要是由于时间是有限资源，而其中大部分被行政负担、复杂的文书工作和分散的数据系统所占据——这些长期存在的低效问题如今正被人工智能消除。
为了重获执行任务的时间并履行政府加速研究的指令，科学和医疗机构正在从传统计算模型转向集成的代理企业生态系统。随着70%的调查受访者表示他们期望AI在科学和医疗保健领域产生积极影响，该技术已在加速科学发现方面证明了其价值。
无论是部署基于浏览器的超级计算平台来绘制数十亿星系的地图，利用环境智能持续监控患者护理协议，还是利用实时数据结构拦截数十亿美元的联邦欺诈，先进的人工智能技术正在极大地压缩从数据到发现的时间线。
管理历史上最大天文数据集的规模
对于许多研究人员来说，数据已经增长到如此庞大的规模，如何捕获和存储这些数据已成为利用它们的主要障碍。国家科学基金会-能源部Vera C. Rubin天文台的项目经理Frossie Economou指出，尽管目前约有10亿个已知星系，但Rubin天文台为期10年的任务可能会将这一地图扩展到约200亿个——创建"有史以来最大、数据最丰富的夜空电影"。
"我们必须开发一种新型数据库系统来存储数据，所有这些来自星系的测量结果，"Economou在Google Cloud Next会议上表示。"这里既有技术挑战，也有科学挑战，还有在资源非常有限的情况下完成这项工作的额外挑战，而正是在这里，许多工具和聪明的工作方式产生了巨大影响。"
这项为期十年的任务将最终形成一个500拍字节（PB）的数据集——历史上最大的天文数据集，由一台汽车大小的32亿像素相机拍摄，这是世界上最大的数码相机。为了管理如此庞大的数据缓存，该组织在Google Cloud上构建了Rubin科学平台，该平台还充当"浏览器中的超级计算机"，帮助天文学家访问和分析Rubin天文台收集的数据。通过利用Google Cloud基础设施的可访问性，该天文台正在使发现民主化，为各级资源的天文学家提供相同的分析和协作能力。
部署环境智能保护患者安全
尽管天文学家的恒星领域感觉特别无限，但在地球上收集数据的研究人员面临着类似的规模挑战。大约10年前，斯坦福大学开始识别其医院中安装的可用作数据源的传感器和摄像头。斯坦福大学助理教授Ehsan Adeli表示，他们现在拥有约70万小时的视频，正试图挖掘用于AI支持的患者安全监控。
该项目代表了环境智能（Ambient Intelligence）这一日益发展的领域，该领域利用AI分析医院和医疗中心等日常环境中传感器收集的数据。通过保护隐私的计算机视觉，Adeli旨在利用AI改进许多医院挣扎的领域：患者护理和监测，这需要严格的协议和检查清单，而资源紧张的临床工作人员已经不堪重负。
"一切都是手动的，即使他们有技术……在大多数情况下会带来大量错误和缺失数据，"Adeli说。然而，Adeli表示，团队利用Google Cloud、Gemini和其他前沿模型开发的AI系统，可以通过监控活动和检查清单，发送遗漏事项的警报来协助医院工作人员。"我们需要一个能够实时分析行为、动作和活动并创建这些警报的计算机视觉系统，"Adeli解释道。
患者隐私仍然是重中之重——视频经过匿名化处理，去除任何个人身份信息（PII），系统的算法经过训练，可以在不识别个人的情况下提取信息。通过检测人类临床医生可能忽略的微妙事件，该系统在保护机密性的同时提供了有价值的见解。
亚原子层面的实时推理
对于阿拉巴马大学物理学和天文学副教授兼首席科学官Sergei Gleyzer来说，亚原子层面的科学发现取决于在极小的时间窗口内处理大量数据。质子每25纳秒碰撞一次，产生需要管理的exabytes级数据。
"你必须在微秒内做出是否保留该数据及其包含的所有内容的决定，"Gleyzer解释道。"所有决定、所有最佳模型、所有你能想到的最强大AI都必须在那里运行，并在此小延迟下进行推理，而代价是，如果你做出错误决定，可能会在纳秒内丢弃诺贝尔奖。这个星球上没有足够的物理磁盘空间来存储所有数据……而我认为AI在这方面将发挥重要作用。"
Gleyzer表示，历史上，人类用自己的眼睛做出了天文发现。但正如这些观察被日益强大的望远镜和其他技术所超越一样，AI也将改变这一领域。
"AI就是这种技术——它是算法的，背后有很多硬件……但现实是，它就像一种透镜，让你更快地获得发现，"Gleyzer说。他描述了监督一个Google Summer of Code项目，该项目使用机器学习发现了新型系外行星。"人类观察了同一个系统几十年却错过了这一点。人类是不完美的，这些发现首先被机器学习等工具识别出来并没什么可耻的。"
AI驱动的临床决策
从亚原子粒子到蛋白质生物标志物，AI驱动的分析也在床边增强临床医生的工作。为了改善危重伤害护理，统一服务大学（USU）医学院院长兼医学事务执行副总裁Eric Elster创立了外科危重症护理计划（SC2i），该计划利用Google Cloud和Google AI技术研究和开发生物标志物驱动的临床决策支持工具。
在SC2i中，"我们已登记了3000名ICU患者，我们在Google Cloud上拥有1亿个数据元素的关系数据库，以及约10万个生物样本，"Elster说。
SC2i的第一个工具是一种名为WounDx的决策支持工具，它收集蛋白质生物标志物并通过AI算法运行，以帮助外科医生优化伤口闭合时间。这种自动指导为外科医生提供了基于数据的信心，以避免不必要的清创术或伤口清洁轮次，从而可能引入额外风险。
WounDx研究表明，它将把伤口裂开（一种术后并发症）的比率从23%降低到10%，从而减少疼痛、缩短住院时间并为每位患者节省约6万美元。
将欺诈预防从被动转为主动：AI的转型作用
与时间一样，资金是另一个有限资源，可能对研究和医疗保健领域产生重大影响。对于负责为1.6亿多人提供医疗覆盖的医疗保险与医疗补助服务中心（CMS）来说，资金的欺诈、浪费和滥用将关键资源从服务和护理中转移出去。
"我们每年支付约1.7万亿美元——让我给你一点范围，"CMS首席信息官兼信息技术办公室主任Patrick Newbold说。"如果我们是一个经济体，我们将是世界第17大经济体。"
面对如此规模的使命，资源的负责任和高效使用至关重要。然而，CMS庞大且常常分散的性质也使其成为欺诈的主要目标。该机构旨在在支付前阻止欺诈性索赔，但这需要能够实时标记需要深入调查的索赔。考虑到这些需求，CMS与Google Cloud合作，使其环境"为数据分析和AI而构建"。
"我们希望从'支付后追查'转变为'停止并呼叫'，我们认为在代理时代，我们能够高效地做到这一点，"Newbold说。
当CMS努力阻止欺诈时，该机构还必须确保项目对合法用户易于访问和导航。Gainwell Technologies转型、交付和联邦业务执行副总裁Jaffry Mohammed正在与Google公共部门合作，帮助加快和扩展医疗补助资格验证。
"任务是验证就业状况和医疗补助计划的资格，用户必须上传某些文件，"Mohammed说。"我们应用Google Cloud和Gemini的工具来摄取数据，进行质量检查，确保无缝且易于使用。"
该平台使用跨相关数据源的算法来提高身份验证的信心。Gainwell最近宣布，其AI驱动的匹配引擎达到99.5%的准确率。这些改进带来了更快的验证流程，减少了手动负担，并为用户完成要求提供了正确路径的清晰度。
该组织还致力于简化在时间和成本方面造成低效率的过于复杂的医疗保健流程。例如，通过其为医疗补助运营的药房平台，Gainwell正在使用预测建模对药品供应链采取更积极主动的方法。
"低效率的主要来源是数据孤岛，"Mohammed说，他强调了药品订单、授权和供应链之间的孤岛。"我认为我们作为专业人士的任务是找出低效率的痛点并如何打破它们。"
支持AI赋能的工作队伍
除了索赔处理，Newbold表示AI还帮助该机构将其三大核心使命——医疗保险、医疗补助和基于市场的保险——联系起来。将这些先前孤立的使命结合起来，CMS可以构建统一的数据结构，获得强大的跨使命洞察。然而，这些成功不仅建立在提供工具的基础上，还建立在赋能员工有效使用这些工具的基础上。
"当我们谈论投资需求和能力时，我们不能忘记硬币的另一面：确保工作队伍配备得当，"Newbold说。"我始终相信，尤其是在我们的业务中，人类必须保持主导……人类必须设定背景、设定目标、验证结果，以确保我们负责任地进行。"
AI在研究和医疗保健方面的投资收益跨越了广泛的应用场景，但最终，AI驱动的转型正在推进患者支持和护理，推动新发现，并加速突破。无论是提供高效和公平的医疗保健访问，计算闭合关键伤口的正确时机，还是扩展我们对整个宇宙的理解，AI正在将研究人员和临床医生从行政负担中解放出来，让他们专注于核心使命。
【全文结束】
