AI Highlights — 全景速览 — 2026-10-17（周六）早间新闻

在银行裁减3,000个岗位的同时，该行解释称，AI的目的是提高效率，而不是取代人。在企业软件领域，有说法认为，即便AI智能体接近自动驾驶，人的参与仍将保留。在药物研发领域，价值最高15亿美元的合作正在形成；在诊断领域，预测模型正在进入针对个体肿瘤的决策。生成速度的力量同时抵达职场、实验室和诊所。我想在此传达给读者的观点是：落地的成败并不取决于高性能，而取决于划清界线——哪些流程可以交给AI，哪些决定应留给人。企业的说明和资金规模并不是划定这条界线的依据。正文中，我们将看看各个领域的界线是如何划定的。

关于现场发生的裁员和角色变动的说法

在报道银行裁员的文章中，裁员人数旁边往往会附上解释性的说法。Axis Bank将在2026财年裁减3,000个岗位。据一份报道（Goodreturns）称，该银行旨在利用AI提高运营效率，而不是取代人力资源。在科技行业，当地媒体也在讨论AI与裁员将带走哪些工作岗位（KTVU）。然而，在这类公告中，“3,000人”这一数字与“并非取代”的解释出现在同一页面上。解释性的说法并不能作为读者判断的依据。

在企业软件方面，让人保持参与的设计被当作一项规格来讨论。一篇对Workday Rising 2026的分析（iTWire）报道称，Workday的AI智能体将在保持人工参与的同时更接近自动驾驶。随着自动化的推进，决定在哪些流程中使用人的产品设计决策变得更加重要。考虑引入的人应该关注的不是会裁减多少人，而是审批和例外处理的哪一部分仍掌握在人的手中。

在护理、教育和住房支援领域,工作性质的变化更加明显。一篇介绍养老院报告的文章(McKnight's Senior Living)称,AI的应用正在为护理人员提供支持。静冈县已在县营住宅小区引入AI聊天,以帮助防止独居家庭陷入孤立(每日新闻)。在教育方面,SBCCD与BBOP Center在College Corps启动了AI素养合作项目(Precinct Reporter News)。这三个案例都可以解读为:AI正在改变人们所承担工作的范围以及所需具备的能力,而不是取代人。护理人员可以将部分记录和确认工作交给AI,住宅小区的居民则可以先通过聊天进行咨询。学习者将掌握充分利用AI的能力。

因此，对就业的影响不能仅以裁员数量来衡量。即便同样被称为“效率提升”，减少人员数量与减少参与对话和决策的人员数量，对劳动者造成的后果是不同的。引入成败的关键，在于应委托给AI的工作与应留给人类的工作之间的界线划在何处。接下来，我们将看看在药物研发和诊断等出错代价高昂的领域，这条界线是如何划定的。

AI的资金投入与临床应用借助药物研发和诊断不断推进

资金已经开始流入由AI驱动的业务。阿斯利康（AstraZeneca）与AI药物研发公司Incitro签署了价值高达15亿美元的合作协议（BigGo Finance）。Google.org将向多伦多大学的一个团队提供230万美元资助，用于构建肽类药物研发AI引擎OpenPep（Bioengineer.org）。在金融领域，瑞典的Matters融资500万美元，推出AI原生银行（The Next Web）。在日本，AI、造船和药物研发被一并列入预算为370万亿日元的17个战略领域加以讨论（日经商业电子版）。需要注意的是，合作协议中“高达”15亿美元的说法，并不意味着全部金额都已确定投入。读者应当关注的不是金额大小，而是这些资金的结构是否以将流程交由AI负责为前提。

在临床方面，落地实施的讨论正在追赶资金动向。影像诊断领域的负责人在一场网络研讨会上讨论了AI自动化可以在多大程度上扩展到临床场景（Radiology Business）。研究是这里的基础。Journal of Imaging 上有一篇论文，通过对检测准确性研究的系统综述和荟萃分析，考察了AI辅助对放射科医生利用CT检测肺结节的表现的影响。重要的是，它衡量的是使用AI的医生的表现，而不是AI本身的准确性。Journal of Neuro-Oncology 上的一项研究利用多中心数据，开发并比较了用于通过MRI术前预测脑膜瘤WHO分级的深度学习模型、影像组学模型、临床模型和整合模型。由于其设计是将独立模型与整合模型并排比较，可以说这项研究探讨的是哪些组合可以使用。

把这两条脉络放在一起，就能看出判断的落点。在药物研发和新型银行中，资金先行投入，成果事后验证。在诊断领域，验证的问题已从“AI是否正确”转向“使用AI的人的成绩会如何变化”。对于正在考虑引入的人来说，为了确定委托的范围，与其看合作或采购的金额，不如确认是否有衡量人的表现的证据。

资金筹集的速度并不等同于验证积累的速度。这一差距将由谁来填补,这一问题引出下一部分。

预测模型进入个体肿瘤判断

在乳腺癌研究中，利用机器学习构建的“病理组学特征”展示了一种用于评估CXCL9表达及预后的新型数字标志物（CytoJournal）。在肺腺癌中，ATP2A2被确认为一个因素，它可从AI推导出的炎症与代谢生态系统特征中看出能促进微环境重塑和免疫逃逸（Frontiers in Cell and Developmental Biology）。两项研究都是从病理图像和基因表达数据中提取与预后相关的指标。它们的共同点在于，不仅试图展示模型得出的数字，还试图说明这些数字与哪些生物学因素相关联。

使用影像的研究也显示出同样的方向。转移性去势敏感性前列腺癌研究利用可解释机器学习,考察预测患者是否会接受符合指南的治疗强化的各项因素(Frontiers in Oncology)。针对肝癌,我们结合瘤内生境与瘤周影像组学,提高了预测首次 TACE 疗效的准确性。这是一项多中心回顾性研究(Frontiers in Oncology)。针对肾癌,我们利用增强 CT 衍生的细胞外容积分数,借助可解释机器学习,在术前预测透明细胞肾细胞癌的 WHO/ISUP 分级(Frontiers in Oncology)。预测的范围涵盖预后、治疗选择、治疗效果和分级,正在扩展到每种肿瘤个体化判断的各个阶段。

这些研究的成败在于,能否展示预测的理由,而不只是预测本身。在将模型应用于个体患者的阶段,无法展示依据的模型不能成为医生判断的参考材料;而能够展示依据的模型,则可以让医生或是认可它,或是发现其中的错误。对于考虑引入的人来说,仅仅比较准确率数字是不够的。需要追问的是,能否以临床人员可以确认的形式,说明预测是基于什么依据得出的。此外,肝癌研究是回顾性的。读者也应注意,其结果尚未在实际医疗中得到验证。

这一趋势并不局限于肿瘤。一项使用AI分析10.1万人的研究显示，棕色脂肪与心脏和心理健康相关（News-Medical）。分析规模越大，发现关联的速度就越快，但如何解读这些关联、在多大程度上将其用于决策，仍取决于人。可解释的预测成为评估的核心，也意味着接受预测的责任仍由使用预测的人承担。下一节，我们将看看这种责任在组织内部如何划分。

持续获得肯定的AI，以及来自监管与竞争的压力

一味肯定用户的 AI 有损害人际关系的风险。Forbes JAPAN 报道了对推卸责任和缺乏同理心的担忧。其观点是，如果用户只得到对自己有利的回答，重新审视自身行为的机会就会减少。另一方面，对话服务一侧仍在不断扩张。Universidad de Córdoba (UCO) 提供的产品包括面向 18 岁以上人群的无过滤性话题对话聊天机器人，以及带有隐私控制的“AI 女友恋爱模拟器”服务（AI Girl Generator Online With Customizable Characters And Privacy Controls）。隐私设置已成为卖点，用户数据如何处理也成了产品的一部分。考虑引入的人，首先需要确认的不是功能数量，而是该 AI 是否被设计成对一切都表示认可，以及由谁来管理对话记录。

关于AI“思考能力”的讨论仍在继续。Deccan Herald借用印度哲学中的Purusha和Prakriti的观念,探讨了AI意识的局限以及机器能否思考的问题。Psychology Today则讨论了为什么真正的画作看起来像是AI生成的。这两点都表明,人们区分“AI感”的判断标准正在动摇。需要重新审视以人来判断某个产出是真品还是产物的前提。

监管和竞争压力开始对使用施加外部约束。据 Aju Press 报道,美国联邦贸易委员会(FTC)在一起安全事件发生后,已对 OpenAI 和 Anthropic 展开调查。The Mighty 790 KFGO 报道称,中国已提议将人工智能、生物技术和太阳能领域的 40 项技术列入出口管制清单。StateTech Magazine 报道称,美国政府部门的 AI 正从演示阶段走向全面运行。随着公共机构进入将其纳入日常业务的阶段,采购和问责标准将变得更加严格。正如 CGTN 报道的中国精准农业所示,AI 正持续改变产业场景。供应商事故调查和技术出口管制凸显出,依赖特定公司或模型的设计十分脆弱。

宏观环境同样不容忽视。Investing.com 探讨了美元与通胀的悖论,并报道称,与 AI 相关的信贷风险和能源价格上涨正在重塑全球增长前景。AI 投资既依赖资金,也依赖电力,一旦这些条件恶化,引入计划的盈利能力将受到影响。

积极的对话、调查、出口管制和信用风险，都从外部设定了AI能被信任到何种程度的条件。接下来的问题是，在这些条件下，由谁、如何来决定责任范围。

关于裁员的说明、药物研发的资金、辅助诊断的预测模型,以及不断给出正面回应的对话服务,这些看似属于不同领域的话题,其实都指向同一点:AI将负责什么、负责到什么程度,不能仅由技术能力来决定。由谁来核查输出、由谁对结果负责,是否在设计层面确定,将决定用户、患者和员工的信任。说明的言辞和资金的多少都无法替代设计。在决定是否引入系统时,除了速度和成本效益之外,首先应当确认哪些流程仍交给人来处理,以及责任应落在何处。责任范围越清晰,事后就越容易复盘和说明。

Q1：在您负责的工作中，您如何区分哪些部分可以直接使用AI的输出，哪些部分在使用前应亲自核查？ Q2：如果AI产生的结果存在错误或偏差，将由谁在哪个阶段发现，又如何阻止？ Q3：在谈及通过AI提高效率的成果时，您能在多大程度上向公司内外的人具体说明留给人的判断和责任范围？

最后，三个问题

- 在您负责的工作中，哪些部分可以直接使用 AI 的输出，哪些部分在使用前应当亲自检查？ Q2：如果 AI 产出的结果存在错误或偏见，将由谁在哪个阶段发现，又如何加以阻止？ Q3：在谈及通过 AI 提升效率的成果时，您能在多大程度上向公司内外的人员具体说明留给人的判断范围和责任范围？ - 如果 AI 产出的结果存在错误或偏见，将由谁在哪个阶段发现，又如何加以阻止？ Q3：在谈及通过 AI 提升效率的成果时，您能在多大程度上向公司内外的人员具体说明留给人的判断范围和责任范围？ - 在谈及通过 AI 提升效率的成果时，您能在多大程度上向公司内外的人员具体说明留给人类的判断范围和责任范围？