编者按：《元脑伙伴共行记》故事会第二季正式上线！本季，我们将走进6家元脑伙伴的真实转型故事。记录他们如何打破技术与行业的壁垒，如何变革传统产业的老旧流程，如何在AI重构产业价值的最前沿，完成从场景适配者到行业引领者的蜕变。
当抑郁症筛查困于主观量表的“黑盒”，一份常规血液报告，能否为心理疾病风险评估提供新的线索？本期《元脑伙伴共行记》，我们对话数力聚副总经理叶泽阳，看这支兼具学术深度与产业视野的团队，如何跨越数据迷雾，从数据“守门人”跃升至AI医疗“架桥人”。
“元脑企智EPAI平台不适配.pkl文件格式。”在一次攻坚阶段的电话会议中，叶泽阳抛出了问题。为了让模型能在检验科低成本快速部署，数力聚采用了这种非标准的传统模型格式。如果平台无法兼容，后续海量医疗数据的接入将无从谈起，模型训练也将被迫停滞。
电话那端的浪潮信息，记下了需求。
一周后，问题搞定。
这场干脆利落的“排雷”，只是数力聚与浪潮信息联合攻坚的一个微小切面。
作为元脑生态伙伴，数力聚正一头扎进AI+医疗的深水区。他们试图打破一个长期困扰行业的“黑盒”：仅凭一份常规的血液体检报告，AI能否为抑郁症的早期发现提供客观、无创、低成本的辅助评估工具？传统诊断高度依赖PHQ-9等主观量表，患者可能因病耻感隐瞒真实情况，医生也可能因临床经验差异导致误诊。数力聚希望用算法提供一种全新的辅助路径——通过分析血液中的生物标志物，生成可解释的风险提示，帮助临床医生更早、更全面地捕捉抑郁风险信号。
01 从数据安全到AI架桥人：一场双向奔赴的生态进化
数力聚的起步，其实跟眼下最火的“大模型”没太大关系。
2021年成立时，这家初创公司便扎在“数据安全”领域，研究隐私计算等前沿技术。初衷很纯粹：帮企业解决数据流通中的信任问题。
但在一线跑久了，副总经理叶泽阳和团队发现了一个更现实的尴尬——客户的数据确实安全了，但也因为安全顾虑被死死“锁”在了孤岛里。安全是保住了，可效率呢？
“能不能在保障安全的前提下，让AI来帮着洗数据、理数据？”这是数力聚跨出的第一步。那时ChatGPT还没横空出世，但图像识别已经很成熟。
当然，这并不容易。
此后的数力聚，就一直在跟算法较劲。先是将研究边界拓展至NLP算法领域，并结合产业痛点进行定制化改造；随后，数力聚进一步引入Transformer架构，通过针对性微调和场景化训练，使其适配复杂的数据治理任务。
然而，技术瓶颈随之显现——算法的高效运行与海量数据的深度价值挖掘，均离不开稳定且性能强劲的算力底座支撑。
也是在2021年，数力聚与浪潮信息建立合作。
起初，这只是一次常规的算力采购。但在后续的碰撞中，双方发现彼此的频率出奇地一致。“业内不缺卖算力的，但懂算法的算力企业，才跟我们真正有共同语言。”叶泽阳说。这种默契并非偶然，浪潮信息元脑生态一直倡导的，正是“伙伴第一”的开放共赢理念，致力于为像数力聚这样的ISV伙伴提供从算力到算法的全链路支撑，而非简单的产品交付。也正是这种生态理念上的契合，让双方的合作迅速突破了单纯的硬件买卖。
数力聚的目标始终清晰。“数力聚不会盲目去卷通用大模型。我们希望通过软硬结合的解决方案，成为AI落地最后一公里的‘架桥人’。”叶泽阳再次强调了公司的定位。而这一角色，在医疗、金融等数据敏感型行业中尤为关键——既要有扎实的算法功底，又要懂行业know-how，更离不开弹性、可靠的算力底座。
这也正是双方合作的关键。
浪潮信息在算力和算法协同层面积累了深厚经验。双方一拍即合，“研发团队很快将合作重心从‘算力’延伸至‘算法’，聚焦垂直行业的算法研究，聚焦场景与算力的深度融合。”叶泽阳所说的，是“算力”之上、“算法”之中的深度协同。
这种“双向奔赴”的生态协同，让合作不再是简单的供需关系，而成为共同深耕垂直场景、共担行业使命的长期伙伴关系，也为后续深入医疗场景的联合攻坚埋下了伏笔。
02 大小模型双轨，一头撞上“数据泥沼”
面对体量庞大的医疗市场，数力聚并未盲目铺开全域布局，而是精准瞄准行业长期存在的临床诊疗缺口，凭借独家学术科研积淀、丰富临床合作经验，加之元脑生态协同优势构筑起自身核心竞争优势，最终锚定抑郁症辅助评估这一刚需细分赛道。
全球抑郁症患者约3.32亿。长期以来，筛查高度依赖PHQ-9等主观量表，缺乏客观生物指标。患者可能因为病耻感隐瞒病情，医生也可能因临床经验差异导致误诊。业内也曾尝试将机器学习算法引入抑郁症风险评估，但这类算法对“特征缺失”极为敏感，会大幅降低模型AUC或准确率，且黑盒模式缺乏可解释性——医生不敢用，患者也不相信。
能否找到一种既客观、又无创、且低成本的辅助评估手段，成为临床和精神卫生领域共同的期盼。
人工智能的加入，让打破这一僵局有了最直接的抓手。
数力聚在这方面拥有独特的学术基因。公司首席科学家李克峰教授是澳门理工大学人工智能药物发现中心长聘副教授，也是人工智能因果推断及其在医疗和组学大数据分析应用方面的权威专家，在Nature Human Behaviour、PNAS等顶级期刊发表论文120余篇。他的团队长期致力于从海量组学数据中剥离真正的致病因果链条，而非停留于表面相关性。这一学术积淀，恰好与抑郁症生物标志物挖掘的需求深度契合。
“数力聚希望挖掘常规生理数据与心理疾病间的关联，并打造客观的、无创的、低成本的、可解释的抑郁症辅助评估体系。”叶泽阳连用了四个定语，为“AI血液辅助评估抑郁风险模型”立下了极高的门槛。
基于此，数力聚与浪潮信息决定将合作触角延伸至这一具体场景：利用常规血液体检报告中的50余项生物标志物，借助AI建立抑郁风险辅助评估模型。模型的核心不是“下诊断”，而是输出抑郁风险评分和关键影响因素，为医生提供可解释的决策参考，将传统“黑盒”变成“白盒”。
那么，这套模型究竟是如何运作的？
叶泽阳口中的模型，依托于数力聚与多家核心医院深度合作获取的近30万条真实临床数据，所有数据均经过严格脱敏与合规审核，患者无需做任何额外检查，只需提供一份常规的血液体检报告，模型就能像“神探”一样，从50余项生物标志物中识别出与抑郁风险相关的蛛丝马迹。客观的数据报告，就此取代主观的量表问答。
蓝图很丰满，但真要把这套模型塞进节奏飞快的真实医院里，完全是另一码事。
数力聚与浪潮信息经过多轮讨论，将“AI血液辅助评估抑郁风险模型”拆解为小模型和大模型两套方案：在检验科，部署极低成本的Lemo AI小模型，像哨兵一样做秒级初筛，准确率已经超过了90%；到了门诊，则换上70B参数的MDD-LLM大模型，它得像资深专家一样跟医生对话，不仅给出提供风险评估结果，还得用大白话解释清楚“为什么睡眠不足叠加血脂异常，推高了抑郁风险”，把黑盒变成白盒，让医生能够理解模型的推理依据。
然而，无论大小模型，都得面临同一个残酷的前提：吃下高质量的数据。
数力聚手里那30万条被视为“宝藏”的真实临床数据，其实是一堆极其难啃的骨头——里面充斥着严重的特征缺失和刺耳的数据噪声。“这批数据里的缺失值和噪声，纯靠人工洗根本来不及，算力调度的坑也很深。”叶泽阳抛出了烦恼。
03 那通电话会议之后，数据泥沼里长出了“加速器”
这就回到文章开篇的那通电话会议。
“对于我们创业团队而言，EPAI平台很好地弥补了0到1阶段人力资源的投入。”叶泽阳所说的，正是EPAI平台在处理这类“脏数据”时带来的便利。
来自不同医院的数据格式千奇百怪——PDF报告、Excel表格、扫描件，甚至连检验公式的写法都不统一。以前光是写正则表达式清理这些格式，就能耗掉团队大半精力。EPAI平台接入后，直接消化了这些脏活累活，能从13类文档中自动抓取有效信息，表格数字、影像图片、检验公式全部兼顾。
叶泽阳坦言：“原本我们预估数据清洗要占项目周期的60%，EPAI把这个比例压缩到了30%以内，让我们能把精力集中在模型本身。”
更让他惊喜的是指令微调数据的自动生成能力。医疗数据标注极其依赖专家经验，一名精神科医生标注一份病历的时间，可能比看一位病人还长。EPAI平台能够基于数力聚已有的结构化体检数据，自动生成同类型的高质量微调数据，相当于将有限的专家经验进行了“数据增强”式的复制。原本只能标注1000条数据的人力，在EPAI的辅助下，能够生成并筛选出5000条同等质量的训练样本，极大地缓解了医疗数据标注“供血不足”的窘境。
就这样，双方的合作从最初的算力供给与模型调优，逐步延伸到了数据底座层面的深度融合。浪潮信息提供的不仅是算力，更是一整套面向行业ISV的数据就绪能力——而这，恰恰是医疗大模型从实验室走向诊室的最后、也是最关键的一公里。
04 持续降低AI落地门槛
接下来呢？
既然模型训练流程已经跑通，接下来就是解决方案复制。基于不同的生物标志物，数力聚与浪潮信息的合作，正在从抑郁症风险辅助评估，延伸到焦虑症、自闭症，甚至阿尔茨海默、帕金森等疾病的辅助筛查与病程管理。
日前，双方也在合力将LabMood AI抑郁症初筛模型和MDD-LLM大模型，封装为EPAI平台上的标准化工作流——前者支持上传血液检测报告，经大模型解析50余项参数后调用小模型完成预测；后者以对话形式提供抑郁辅助风险评估服务。这一架构不仅从根本上解决了用户管理和对话历史管理的痛点，更让两套模型在统一的平台上各司其职、协同运转。
从数据安全到数据治理，从算力采购到算法共研，从工作流封装到软硬一体交付——数力聚与浪潮信息的合作，正在为AI在医疗场景下的落地，蹚出一条可复制的路。
* 智能时代浪潮下，产业变革既源于技术创新，更来自生态协同。浪潮信息“元脑生态”正是这片孕育未来的沃土，以开放性、前瞻性持续赋能千行百业。《元脑伙伴共行记》是一档记录渠道生态进化历程的纪实故事。我们以“技术-商业-生态”三重镜头，追踪见证生态赋能的价值跃迁。
第七代服务器
访问 AIStore