从当初的军转民企业到如今发展成为业集科研、制造、物流为一体的大健康产业集群,1994年成立至今21年间,天士力集团始终引领国内医药企业改革新风,在利用先进云计算服务提升传统制药企业生产力方面走出了一条数字创新特色之路。
云计算驱动数字创新
在外人看来,天士力产品线涵盖现代中药、化学药、生物药、特色专科医疗、保健品、健康食品等诸多领域,旗下拥有100多家公司业务遍及海内外,很难用一个简单的概念做出定义。不过在天士力制药集团股份有限公司董事局主席闫希军眼中,天士力孜孜以求的正是 “做好一盒药、一瓶水、一杯茶、一樽酒、一套健康管理方案”。这看似简单的描述和那份成竹在胸的淡定源自资本引擎和数字驱动完美结合带来的创新动力。
构建畅通无障碍的数字化平台,天士力不仅走在同行业前列,更做出了一系列大胆的有益尝试。天士力集团与微软公司在公有云服务进行深度合作,通过部署由世纪互联运营的微软Office 365和微软Azure云服务,不仅为构建数字化平台带来有益补充,更为公司大力推进国际化战略奠定了坚实的技术基础。
随着公司业务的迅猛发展,天士力的办公网络遍布了全球以及国内多个重点城市,这就使得上下游业务单元之间的互动协同变得越来越重要。以办公室为中心,桌面系统为处理工具的传统办公方式已经不足以支撑企业扩张的需求,如何更好地与这些分支取得有效的沟通成为了一大问题。依托微软Office 365公有云服务,天士力迅速建立起建立跨地点、地区甚至跨国界的沟通和协作能力,并以最快速的方式满足企业的移动办公需求,为新业务的扩张提供弹性的部署方式。
对于Office 365云服务为公司打造数字化平台带来的改变,闫希军感受颇深:“在使用Office 365之前,天士力所有子公司的沟通方式相对来说比较简单,然而,电话、面谈开会这些传统的沟通方式已经不能满足公司业务飞速发展和现代化管理的需要。“现在有了Office 365 Lync Online以后,不管员工人在何处,都可以通过在线视频会议进行沟通非常便捷”,闫希军说道。此外,包括天士力集团内部的一些远程教学,基本上现在也是以远程(视频)的方式来沟通的。
Office 365不仅为天士力集团员工简化了工作流程,还为公司节省了一大笔开支。部署微软Office365云服务之后,天士力IT部门对公司原有的办公平台进行了整体的集成和改造。如今,天士力集团所属的每一个员工都可以利用手机、平板电脑等移动设备进行日常沟通和处理工作,大大提高了员工的工作效率,尤其是ERP的和电商平台项目组,彼此之间的沟通更畅通,云南、陕西、辽宁、山东等分公司也获益其中。
混合云部署带来更多可能性
在过去的很长一段时间内,天士力的IT基础架构还是以面向本地为首选的建设思路,公司自建数据中心的稳定性和性能都存在一些限制。传统的自建机房和IDC部署方式已不能满足企业飞速发展的需求。尽早探索混合云的实现方式,并在未来将IT系统整体迁移到公有云平台是天士力考虑的首要课题之一。
作为中国地区首家部署微软StorSimple云存储服务的企业,StorSimple与微软Azure云服务的结合为天士力带来了量身定制的混合云存储解决方案,微软Azure云服务良好的系统扩展性和伸缩性,为天士力业务系统提供更大规模的高可用存储,同时确保关键性业务系统灾备万无一失。
在闫希军看来, StorSimple与微软Azure云服务的结合提供了独一无二的混合云存储解决方案,可以同时满足主存储、归档存储和灾难恢复的需求。这一方案极大优化了天士力总体存储成本以及对数据的保护,为天士力形成了一套完整的数据备份体系。“从系统架构层面来看,颠覆了我们过去的传统做法,在简化架构的同时做到了更好的易用性,并为业务创新和精准营销带来更多可能性”,闫希军表示。
从搭建企业移动办公云平台到部署切合自身发展的混合云,面对“健康中国”带来的新机遇,天士力正在“从传统走向现代,从中国走向世界”,借力微软公有云服务,天士力的大健康产业集群之路将越走越宽。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。