在这个框架中，云端首先将初始模型下发至各边缘节点，各边缘节点在本地数据上训练模型，然后将更新参数上传至云端，云端聚合这些更新参数，生成新的全局模型，再将新模型下发至各边缘节点。这一过程循环往复，直到模型收敛。
训练加速技术
为了提高模型训练效率，云端优化层采用了多种训练加速技术。HW全光无损DCI方案通过DC-OTN产品实现跨数据中心零丢包，确保了分布式训练中的数据传输可靠性[1]。
3D并行训练是另一种重要的训练加速技术，它将ResNet-152拆分至8台GPU服务器，训练速度提升5倍。这种并行训练技术通过将模型的不同部分分配到不同的GPU上同时训练，大大提高了训练速度，为大规模医疗AI模型的训练提供了可能。
全局协同机制
云端优化层的另一个重要功能是实现全局协同，包括跨机构算力市场和知识图谱融合，促进医疗资源的高效利用和知识共享。
跨机构算力市场
跨机构算力市场允许不同医疗机构之间的算力资源共享和交易。例如，三甲医院闲置算力可以定向开放至社区诊所，实现算力资源的优化配置。基于区块链的算力交易机制确保了交易的安全性和透明性，1 TOPS·小时=0.3医疗积分的定价机制为算力交易提供了参考标准[1]。
这种跨机构算力市场机制对于医疗资源不均衡的地区尤为重要。例如，在医疗资源丰富的城市，大型医院可能拥有闲置的算力资源，而周边的社区诊所或县级医院可能缺乏足够的算力支持医疗AI应用。通过算力市场机制，可以实现算力资源的优化配置，提高整体医疗效率。
知识图谱融合
知识图谱融合是另一个重要的全局协同机制，它将分散在不同机构的知识和数据整合起来，形成统一的知识体系。TXY开放医疗知识图谱API，集成300万份病历、40万篇医学文献，为医疗AI应用提供丰富的知识支持[1]。
SMH应用这一知识图谱融合技术，实现了辅助诊断准确率达97.3%的优异成绩。知识图谱融合不仅提高了诊断准确性，还缩短了诊断时间，为医生提供了有力的决策支持。
全光网络融合部署：连接边缘与云端的"信息高铁"
全光网络是打通边缘智能与云端优化的"大动脉"，其部署需遵循"架构简化"、"弹性扩展"和"多业务承载"三大原则。
"光进铜退"架构设计
全光网络的部署首先体现在"光进铜退"的架构设计上，通过光纤替代传统铜缆，实现网络性能的全面提升。
拓扑规划
全光网络的拓扑规划遵循层次化设计原则，包括核心层、汇聚层和接入层：
- 核心层：双核心交换机部署，通过400G DWDM互联，提供高带宽和高可靠性。
- 汇聚层：OLT设备按楼栋部署，上行双100G链路，确保各区域的网络连接可靠性。
- 接入层：无源分光器（1：128）替代传统交换机，实现多终端的接入管理。
这种层次化设计不仅简化了网络架构，还提高了网络的可管理性和可靠性。特别是无源分光器替代传统有源交换机，减少了网络故障点，提高了网络的可靠性。
布线革新
全光网络的布线革新体现在单模光纤直达医疗设备间，HMN方案-Fabric实现光链路自动调优。这种布线方式不仅提高了网络性能，还降低了维护复杂度。
单模光纤具有传输距离长、带宽高、抗干扰能力强等优点，非常适合医疗场景中的数据传输。通过将单模光纤直接连接到医疗设备，可以实现设备与网络的直接互联，减少中间环节，提高数据传输效率。
HMN方案-Fabric是HW的网络管理平台，它能够自动调优光链路，优化网络性能。这一功能对于全光网络的稳定运行至关重要，确保了网络的高效和可靠。
能耗与空间优化
全光网络的部署带来了显著的能耗和空间优化。能耗降低40%，机房空间节约60%，符合绿色医院标准。这些优化对于医院的运营成本控制和空间利用具有重要意义。
传统网络中，有源交换机需要持续供电，产生大量热量，需要额外的冷却系统，增加了能耗。而全光网络中，无源分光器不需要供电，大大降低了能耗。同时，光纤的纤细特性也减少了布线空间的需求，使机房空间得到优化利用。
技术特性实现
全光网络的技术特性是其高效运行的关键，主要包括确定性时延保障和多协议融合两大方面。