构建安全、高效、可扩展的生物医学AI推理平台
今天在纽约州立大学奥尔巴尼分校 ETEC 大楼，参加了 纽约州立旗舰大学系统（SUNY）全球健康研究所与纽约州卫生厅全球健康合作项目 2026 秋季工作会议，并展示研究海报！

🔬 研究主题：构建安全、高效、可扩展的生物医学 AI 推理平台

以结核病耐药性预测为案例，我们对不同 AI 推理方案进行基准测试。

📊 研究亮点
⚡ 高效推理： Jev-CPU 每株样本完整推理耗时约 0.4 秒。
🎯 决策一致性： Jev-CPU 达到 97/97，Qwen3.8-CPU 达到 95/97。
🖥️ 基础设施： 通过 SGLang、vLLM 评估 GPU 加速大模型服务的延迟与吞吐量。
🛡️ 可信 AI： 强调证据支撑与系统化评估的重要性。

🌐 从交流走向合作

本次会议主题是 From Collaboration to Action: Building New York’s Global Health Network，聚焦如何将跨机构交流转化为实际项目。

其中，AI、数据整合与传染病监测尤其值得关注：
🔹 整合实验室检测、病原体基因组及流行病学数据；
🔹 利用 AI 提升病原体分析与传染病监测效率；
🔹 推动实验室科学、生物信息学、AI 工程与流行病学跨学科协作；
🔹 促进全球健康研究成果落地公共卫生实践。

💡 我的思考：AI 模型只是起点，数据互通、可靠的计算基础设施、严谨验证和持续协作，才能真正释放 AI 的价值。

期待继续探索 AI for Science × Public Health，让 AI 成为连接数据、科研与公共卫生实践的桥梁！🧬🤖🌍

人工智能 全球健康 公共卫生 传染病监测 AIforScience 大语言模型 SGLang vLLM推理 Qwen大模型