AI精选——全景——2026-10-15(周四)早报

AI 融资和增长数据每个季度都会大幅更新。受 AI 需求推动，新加坡录得 5.4% 的增长，并签署了总额高达 12 亿美元的 AI 药物研发合作协议。与此同时，在 Publicis 承诺削减 25% 的人工劳动后，就业前景依然不明朗；一位因人脸识别错误而提起诉讼的祖母正在索赔 1000 万美元。资金筹集的速度，与受影响者得知所承受负担的速度并不同步。下文将结合数字的规模，解读其已经给行业、个人和安全措施带来的压力。在考虑清楚由谁来负责分配成本和责任之前，我们无法确定应当在多大程度上认识引入所带来的影响。

职场在裁员与再培训之间摇摆

阳狮集团（Publicis）设定了通过AI将人工工作量减少25%的目标，但据报道，其对就业的影响仍不明确（Storyboard18）。这些数字体现的是工作量的减少，而非人员的削减。不过，一旦四分之一的人工工作被取消，这些人是会用腾出的时间去做其他工作，还是会调整人员数量，目前尚未确定。如果只看目标数值来推断会裁减多少人，很容易做出错误判断。

即便是同样的引入背景，该领域的趋势也开始出现分化。据报道，汇丰（HSBC）和克罗格（Kroger）正因AI而增加裁员人数，与再培训的成本比较也在讨论之中（AICERTs）。裁员虽然能降低短期人力成本，但再培训需要培训费用和时间。哪一种更划算，取决于被替代工作的范围，以及留任员工能否承担新的工作。读者在审视自己的公司和职场时，不仅要看裁减的数额，还要看技能再培训的成本，以及裁员之后由谁来负责。

应届毕业生的就业领域，变化的方向有些不同。《经济时报》报道称，由于更加重视AI技能的趋势，应届毕业生的职位类别正在变化，印度IT和BPM领域的新员工招聘数量正在恢复。不难想象，如果入门级的手工作业转由AI承担，新员工的岗位将首先消失，但出现招聘回升的情况表明，一些企业正将资金投向培养能够运用AI的人才。在这里，如何培养AI素养，是决定对就业影响的一个变量。

用户范围也在扩大。据称 OpenAI Forum 曾就民意调查专家使用 AI 的问题展开讨论(EdTech Innovation Hub)。关于应用的讨论已延伸到专业职业,这表明再培训并不是仅限于特定职业的问题。此外,2026 年版 AI 实施报告(Knowledge at Wharton)也将成为核查实际实施情况的材料。仅凭引入已有进展这一点无法衡量成效;如果不同时考察这些技术是被用于削减还是用于培训,就无法比较结果。

在削减与增长之间做出选择，不仅是企业财务问题，也是分配问题，即由谁先来承担成本和责任。下一节将探讨这种分配如何体现在个人和安全层面。

药物发现的资金与合作链条

从小额私募配售到政府采购，AI 药物研发的资金在每个阶段通过不同渠道流动。加拿大的 Rakovina Therapeutics（TSXV:RKV）已完成 199 万加元的私募配售，并说明了为何将这笔资金用于 AI 驱动的癌症药物研发（kalkine.ca）。虽然规模不大，但这是为 AI 筹集资金并将其分配给研究的第一阶段的一个例子。

在合作与合同方面，数字又上了一个台阶。Deep Origin宣布与BioAge Labs开展多靶点AI药物发现合作，称已在第一个靶点上确认了经过验证的先导化合物（Yahoo Finance Singapore）。伊藤忠商事与MOLCURE Inc.就日本的AI药物发现签订了资本联盟协议（BioSpectrum Asia）。Zealand Pharma与Generate签署了最高可达12亿美元的AI肥胖症药物协议（WTVB）。此处的“最高”应理解为包含以达成业绩条件为前提支付的金额在内的上限。标题中的合同金额或许很大，但固定支付款与未来的附条件金额是两回事。

资金流动并不局限于私营部门。ThinkTrends 已获得美国食品药品监督管理局（FDA）一份价值 4900 万美元的 IDIQ 合同，用于支持 AI 和数据的实施（The Globe and Mail）。监管机构自身也将采购 AI 和数据基础设施。在市场方面，管理着 2.6 万亿美元资产的 Nuvin Asset Management 发布了一份市场评论，称 AI 正在重塑生物制药行业的经济结构。关于生命科学 IT 市场，一项分析显示，IQVIA、Oracle、Accenture、Veeva Systems 和 SAP 的目标是到 2035 年达到 822.4 亿美元（Yahoo Finance UK）。此外，据报道，新加坡一家估值 15 亿美元的 AI 药物发现生物科技公司 Nanyang Biologics 已在纳斯达克上市（The Business Times）。

如果并排来看，摆在前面的是融资、估值和合同金额，而能称得上成果的，只有Deep Origin的“已验证命中”这类早期结果。命中得到确认只是漫长药物研发过程的开端，仅凭上市或大额合同的消息，并不能说明后续临床试验或审批的准确性。读者应当关注合同金额中固定部分与或有部分的构成，以及资金是否与经验证的结果挂钩。下一节将考察这些资金动向如何重新分配该领域的成本与责任。

对支持诊断和治疗的预测模型的信任

利用图像和多模态数据的预测模型正逐步走出研究阶段，更接近临床路径。针对上尿路尿路上皮癌，有研究报道了用于预测术后复发的多模态临床决策支持系统 CLIP-CGPNet（Journal of imaging informatics in medicine）。针对乳腺癌，基于动态增强 MRI 在术前对分子亚型进行分类的 HCF-Net，沿着临床治疗路径被设计为级联融合（同一期刊）。就肺黏液腺癌而言，已有一些研究发表，通过整合多模态数据来对亚型进行分类并预测预后（translational cancer research）。这三者的共同点在于，都将模型置于决策过程中的特定节点，例如是在手术前还是手术后进行选择。不仅需要核查准确率数字，还需要确认它应当在哪些情形下替代或补充现有做法。

另一方面，医生是否接受模型给出的答案，则是另一个问题。在利用深度学习预测胶质母细胞瘤治疗反应的研究中，可解释性与临床信任问题得到了正面应对（Journal of imaging informatics in medicine）。利用MRI影像组学预测P53突变型肝细胞癌的研究，不仅针对肿瘤内部，也针对肿瘤周围区域（translational cancer research）。与UMass Chan Medical School就放射学中的AI所做的访谈，同样是从阅片医生的视角来定位这项技术。预测准确还不够，实际应用的前提是医生能够确认预测依据的是图像中的哪个位置。

医学之外也存在同样的概念。据报道，生产者使用配备AI的无人机，不仅用于巡查作物，还用于更广泛的用途（Growing Produce）。即使田间观测变得更加精确，如何运用这些信息来决定作业和投入，仍取决于生产者。无论是诊断还是农业，一项设备部署的价值，与其说取决于性能数字，不如说取决于现场如何处理其输出结果，以及出现问题时由谁接手。这与下一个问题直接相关，即从包括成本和责任分配在内的角度来审视技术的影响。

要求划定界线以保护个人和儿童

人脸识别误认已经闹上法庭。据ABC新闻报道，一位祖母被AI人脸识别误认为银行盗窃案的作案者，现已提起诉讼，要求赔偿1000万美元。这意味着，将某人与罪犯联系起来的决定，是从机器的比对结果开始的。在心理健康领域，韩国发布了心理健康AI安全指南（Healthcare IT News）。这是政府在AI应用普及之前，就以文件形式明确可以在多大程度上交由AI处理的一个例子。无论是人脸识别还是咨询辅助，出错的后果都由接收结果的个人承担，而不是由选择系统的人承担。考虑引入的人不仅要查看准确率数字，还要确认谁能纠正错误，以及出现错误时由谁负责。

在创造关系的这类AI中，吸引的对象更接近用户的内心。科尔多瓦大学（UCO）表示，其AI女友应用具有个性设置和隐私功能。允许用户选择个性的系统贴合用户的偏好，同时也引发了如何处理亲密对话记录的问题。关于儿童，一位专家在《Florida Politics》上撰文，主张佛罗里达州不应把儿童托付给聊天机器人。这篇投稿代表的是专家个人的意见，并不意味着相关法规已经确定。不过，具备隐私功能与能够与未成年人互动是两个不同的问题。家长、学校和服务提供方需要在功能有无之外，针对各个年龄段决定使用范围。

解读情绪与偏见的技术也可用于辅助此类判断。据Bioengineer.org报道，受狼群行为启发的优化方法提升了跨语言语音情绪识别的性能。如果能够处理不同语言中的情绪，其可用场景将会扩大。不过，实施方必须验证系统不会对使用特定语言或说话方式的人产生误判。Penn Today报道了利用AI检测媒体偏见、并将其作为选民和读者判断依据的尝试。如果不能确保判断偏见所用的标准本身没有偏见，这一工具非但可能无助于读者做出判断，反而可能迫使他们以某种特定方式看待问题。无论是情绪识别还是偏见检测，关键在于是在披露判断依据和易出错倾向之后再使用，而不是直接依赖其结果。

迄今为止我们看到的是，在伤害首先发生于个人的情形下，必须首先决定由谁来调查、由谁来承担责任。接下来，我们来看这些成本和责任如何在企业与社会之间分配。

增长、政治与安全措施的时间轴

新加坡在AI需求的带动下实现5.4%的增长，货币政策维持不变（Bloomberg.com）。数据固然亮眼，但这只说明需求端的利好最先体现在了统计数字上。大约同一时期，据报道一个AI资金团体出资300万美元，支持斯科特·维纳（Scott Wiener）竞选国会议员（Mission Local）。通过资金，享受增长成果的人与制定规则的人之间的距离正在缩小。与此同时，哈里斯（Harris）警告称，AI安全措施所剩时间不多，并呼吁中美合作（路透社）。增长率按季度更新，选举也按期举行，但没有人为安全措施设定期限。本节的出发点，就在于这三条不同的时间轴并行推进的那个点。

这种时间差也体现在现场的日程安排上。养老院运营商 Cascadia、CarDon 和 FellowshipLIFE 谈到了各自使用 AI 的路线图（Skilled Nursing News）。分阶段推进落地的态度表明，该体系是在一个独立于增长速度或选举的运营时间尺度上运转的。在创意方面，Air 与艺术家 Joe Bloom 举办了一场屋顶活动，探讨 AI 与创造力（Ad Age）。护理工作的排班与创意写作中的对话机会，正试图在各自领域中梳理人们看待事物的方式。

现在，让我们换一个角度来看这个问题。漫威《幻视探索》（Vision Quest）中出现的 AI 机器人提出了一个问题：机器能否自主思考（Moneycontrol.com）。尽管这是一个虚构的故事，但它与读者在决定引入时所面临的问题相重合，即哪些事情应交给机器，哪些应由人来处理，该如何划定界线。增长率数字和政治资金金额并不能为我们划出这条界线。

回到读者的判断上，我们应当关注的不是数字的大小，而是移动的对象有多快、哪种负担会最先落下。如果哈里斯的警告是正确的，宽限期可能比实际的时间表更短。不过，缓冲期的长短并非一成不变，仍在他所描述的警示范围之内。讨论能否跟上节奏，最终还是要回到分配的问题：由谁来承担成本和责任。

各节所讨论的案例有一个共同的结构。增长率、融资金额和合作规模，会在发布时作为数字确定下来。另一方面，人员的处理、由预测模型取代的决策、出错时的纠正与责任，以及安全措施的期限，则是在实施之后才确定的。负担首先出现在后者一侧，承受负担的是现场的负责人和结果所指向的个人。因此，不能仅凭削减额、准确率和增长率等孤立的数字来判断引入是否有效。只有确认由谁来承担成本、由谁能够纠正错误、由谁来负责，才能判断同样的实施对我们而言是利还是弊。数字的大小仍然是起点，而判断的重点在于分配。

Q1：在你的工作场所，谁来决定把 AI 腾出的时间和精力分配给哪些任务？ Q2：当 AI 产生错误结果时，是否有查找和纠正错误的程序，并以书面形式明确了责任人？ Q3：衡量引入成效的数字是否包含再培训成本、处理错误的成本以及对受影响者造成的负担？

最后，三个问题

- 在您的职场中，谁来决定把AI腾出的时间和精力分配给哪些任务？ Q2：当AI产生错误结果时，是否有发现和纠正的程序，并以书面形式明确了由谁负责？ Q3：衡量引入成效的数字中，是否包含再培训成本、处理错误的成本以及对受影响者造成的负担？ - 当AI产生错误结果时，是否有发现和纠正的程序，并以书面形式明确了由谁负责？ Q3：衡量引入成效的数字中，是否包含再培训成本、处理错误的成本以及对受影响者造成的负担？ - 衡量实施成效的数字中，是否包含再培训成本、处理错误的成本以及对受影响者造成的负担？