AI Highlights —— 全局速览 —— 2026-10-26（周一）每日新闻

在AI推动就业数字变化的同时，同样的技术也在支撑选举信息、恋爱和育儿建议、癌症预测以及军事和制药业务。据报道，IT巨头在全球范围内已削减近20万个岗位，但削减的规模只是正在发生的变化的一部分。仅有8%的美国成年人从AI聊天机器人获取选举信息，而且如果某家大型AI约会服务破产，用户的伴侣将被删除。无论数字是大是小，人类越来越多地从AI那里得到答案，并将其作为决策和人际关系的依据。我希望读者从这半天的内容中带走的，是我们可以在多大程度上交给AI、又应在哪里划线的问题。以下各部分展示了在不同行业和情境下，这条界线的位置有何不同。

人员裁减率先推进，制度与经济随后跟进

印度经济类报纸 Livemint 报道称，由于AI转型，大型IT企业已在全球范围内裁员近200,000人。裁员规模已超过任何一家公司或任何一个国家的规模。半岛电视台强调，英国在与AI相关的裁员方面处于领先地位，并探讨了其原因。在金融领域，据报道，巴克莱银行既存在因AI导致的裁员，又存在对银行税的过度担忧（Seeking Alpha）。类似的动向正出现在IT、英国、银行业等不同的行业和地区。因此，有必要不把AI与就业视为某一家公司的经营决策，而是视为多个行业共有的现象。

这一趋势也在向就业之外蔓延。国际货币基金组织（IMF）在评估亚洲经济体面临的挑战时，将高能源价格和 AI 都列为负担（India Today）。AI 转型对企业来说是降低成本的举措，但也给整体经济带来了调整负担。此外，就银行而言，裁员话题与银行税这一制度性问题是放在同一语境下讨论的（Seeking Alpha）。在阅读企业的裁减计划时，如果不将其与税收和监管动向结合起来看，就无法判断这一决定是企业独立作出的，还是受到了制度的影响。

同样的趋势也出现在医疗机构中。据 Hospitalogy 报道，医疗保健负责人、Navvis 的首席执行官表示，虽然价值导向医疗(VBC)已转向以结果为导向，但 LEAD 已被搁置。随后他谈到要为可能变为强制性的风险模型做好准备。这里发生的并不是 AI 本身的问题。支付和评价机制正在变化，各组织被迫据此进行重组。即使强制要求推迟，做好准备的必要性依然存在。这一点与英国的例子相重叠：在英国，裁员的推进速度快于制度的完善。

以这种方式排列来看，人数和削减比例未必是各家公司自身决策的结果，还会受到经济评价、税制、医疗支付方式等外部条件的影响。查看这些数字的人，需要确认这些数字是在哪种制度下产生的。接下来需要追问的，与其说是削减的规模，不如说是现场的判断、创作工作和临床工作中，有多少应该交给AI。

偏见与信任受到质疑的信息和教育场景

只有 8% 的美国成年人使用 AI 聊天机器人来收集有关 2026 年选举的信息（Pew Research Center）。使用者的数量仍然很少。然而，如果这少数人得到的回答存在偏向，那么人数少并不能成为放心的理由。在 TechCrunch 的评测中，面对选择时，Grok 选择了共和党，而 OpenAI 选择了民主党。这两个模型通常都是在假定其保持中立的前提下被使用的。但是，一旦被迫作出选择，它们就会表明自己的立场。读者应当检查的不是聊天机器人是否会回答。在选举这类党派色彩浓厚的问题上，关键在于这些回答能否用作决策的依据。

在教育领域，数据显示准备工作不足。华盛顿州的学校AI政策仍停留在2010年代，尚未为未来做好准备（The Seattle Times）。尽管学生已经可以使用生成式AI，但学校规定仍依赖于AI尚未普及时期所写的措辞。如果政策陈旧，教师就只能各自做出判断，对学生允许什么、要求什么，也会因班级而异。这里的信任并不是对AI输出本身的信任，而是对决定如何使用AI的组织是否跟上了实际情况的信任。

与安全相关的举措也开始针对攻击而逐渐成形。在 Hugging Face 遭到攻击之后，围绕 AI 安全出现了一系列动向。Tech Xplore 按时间顺序梳理了其进展。公开发布的模型和工具所构成的共享基础设施成为攻击目标，安全不再只是开发公司内部的问题。问题在于，应如何划分用户应自行检查的部分与应交由基础设施运营方负责的部分。

在创意工作领域，有一些明确指出责任归属的例子。Creative Assembly 否认《全面战争：幕府将军2》完整版中使用了AI生成的美术内容，并承认负有责任（Simulation Daily）。这里重要的是，他们承认自己使用了AI创作的内容，并随后表现出愿意承担相应工作的态度。有偏见的模型、过时的学校政策、遭受攻击后采取的安全措施，以及承认责任的制作公司，它们的共同点在于：信任建立的基础不是性能，而是谁对什么负责这一点是否清晰。要决定可以托付的工作范围，承担工作的人必须是看得见的。在下一节中，我们将看到在更个人化、情感化和临床化的场景中，这条界线是如何划定的。

将情感与人际关系托付给 AI 所付出的代价

据 MarketWatch 报道，机器是否拥有情感的问题正在引发一场关于 AI 的争论。尽管这场争论尚无定论，但用户方面并未等待结论，已经开始建立各种关系。据《纽约邮报》(New York Post)报道，一家大型 AI 恋人服务商即将破产，用户的 AI 恋人预计将被删除。每天与用户交谈的对象，会因运营公司的经营状况而消失。无论这份感情是否真实，维持这位伴侣的责任都在公司一方，公司一旦倒闭，这段关系也就随之结束。《马来西亚储备报》(The Malaysian Reserve)报道称，AI 正在让母职变得更糟。育儿咨询和决策越多地交给 AI，原本应当集中在父母与孩子之间的互动就可能越发减少、效果越发减弱。本文将这类变化作为一个问题来探讨。

机器读取情绪的能力也在不断进步。据 The Decoder 报道，Block 发布了一款名为 Dessa 的新 AI，它仅通过音频进行学习。据称，声音本身就能捕捉到转录文字无法捕捉的情绪。在呼叫中心和面试等仅凭话语内容无法做出判断的场合，它有被应用的空间。不过，这篇报道并未说明谁会使用从声音中读取的情绪，又是出于什么目的。读取越准确，接收结果的一方就越有可能将其作为评判他人的依据，这一风险也随之增大。

另一方面，AI 也有支持人与人之间关系的方式。Oncology Nursing News 介绍了一个例子：乳腺癌风险 AI 模型可用于分诊以及由护士主导的患者指导。在这里，AI 只负责估算风险，向患者说明情况并回应其担忧的责任则由护士承担。AI Lover 和 Dessa 依赖 AI 来解读人际关系和情绪，而在这个案例中，AI 是为人与人之间的对话准备材料。

将两者并列来看，能否把工作托付给 AI，并不只取决于 AI 的性能。在使用该设备之前，需要确认：受托的对象是否会因运营公司破产而消失，从声音和言语中获得的信息将由谁接收，以及是否会留下一位真正的人类。这一确认将成为判断可托付给 AI 的决策与创作工作范围的依据。

借助影像和数据，癌症治疗的预测精度不断提高

对于乳腺癌，人们一直在尝试在手术前估计是否存在转移。有研究报道了利用超声图像判读，通过 AI 在术前预测乳腺癌转移（Bioengineer.org）。另一项研究提出了一种用于预测乳腺癌死亡率的校准静态堆叠集成框架（Archives of Breast Cancer）。校准是检验模型给出的概率是否与实际发生频率相符的过程。由于它关系到预测值能否被当作概率来解读，因此在向患者说明或商讨治疗方案时，其重要性不亚于准确率。在病理图像领域，用于小细胞肺癌组织图像分类的光谱双线性 Transformer SCLC-SBT 已发表于 Scientific Reports。即使图像类型发生变化，重要的也不仅是准确率数字，还有如何解读输出结果。

也有研究呼吁开展多机构验证。基于病理模型的胶质瘤预后风险分层还识别出了与预后相关的关键基因和生物通路，并作为一项多中心研究发表于 Acta Neuropathologica Communications。在胃癌方面，据称包含内脏脂肪组织的 CT 双视野深度学习影像组学改善了术前淋巴结转移的预测。这同样是一项多中心研究（European journal of radiology）。在肝细胞癌方面，有研究利用 MRI 影像组学来预测 FAP 表达及免疫抑制性肿瘤微环境。这些设计旨在检验其他医院的数据是否同样成立，而不是只看某一家医院的结果。读者应关注的不是最高数值有多大，而是更换机构后结果会发生多大变化。

分析的单位已缩小到细胞。在膀胱癌研究中，研究者整合了单细胞/空间转录组学与机器学习，揭示了具有高干性的恶性上皮细胞的分子特征和关键风险基因(Discover Oncology)。scGlycoAI 是一个利用机器学习分析单个细胞的聚糖和 RNA 序列数据、判定细胞类型并寻找与恶性相关聚糖的框架(Glycobiology)。从图像到细胞，预测的对象正随着每种数据类型而不断扩展。然而，这些论文所表明的只是预测可能成立，它们是否达到可用于临床实践的水平，还需要另行确认。如今被衡量的并不是性能本身，而是预测可以被依赖到多远的距离。这条界线由谁来划、如何划定，在医疗之外的领域也同样会出现。

将以证据为基础，按行业推进该领域的引入

据《军事时报》(Military Times)报道，美国空军计划利用 AI 支持空中加油。空中加油是一项有着详细作业程序和安全标准的任务。将 AI 用作辅助，与把整个任务完全交给 AI 是两回事。另一个领域是药物研发。据 Unisba Media 4月14日16:00发布的介绍文章，诺和诺德(Novo Nordisk)与 OpenAI 已就 AI 药物研发达成合作。同一篇文章还提到了苹果(Apple)AI 负责人 Gianandrea 正式离职。军事和制药行业需要遵循的标准以及失败的代价各不相同。即便如此，AI 的适用场景仍仅限于能够在现有业务流程中提供支持的环节。

在外科手术领域，引入的依据已开始以数据的形式呈现。发表于 Cureus 的一项系统综述总结了机器人辅助术中数字化导航在前列腺癌手术和肾癌手术中的前瞻性临床证据。前瞻性设计是指在结果尚未知晓之前就确定条件并对患者进行随访的设计。与广告口号或事后回顾的病例相比，它们作为判断依据的分量不同。目前，针对前列腺和肾脏这两个器官，确认术中导航效果的工作正在进行中。

把这三者放在一起来看，它们在引入推进方式上有共同之处。空军从空中加油支援入手，诺和诺德从药物研发合作入手，外科手术则从机器人辅助手术的术中引导入手。在这几个案例中，对象都被划分为业务的某一部分，并在该范围内进行验证。在观察AI在现场的应用时，与其看是否宣布要使用AI，不如看它用于哪些流程、进行了怎样的验证，这对读者的判断更有帮助。经过充分验证的流程，为扩大责任范围提供了依据，而几乎没有经过验证的流程则仍然保持谨慎。接下来的问题是，即使经过验证，人也不放弃最终判断的界线应划在哪里。

各部分的共同点在于，结果并不取决于是否引入 AI 本身，而取决于把委托范围划在哪里。裁员的规模引人关注，但同样的动向正在多个行业和地区蔓延，给整体经济带来了调整负担。在信息和教育场景中，即使使用者人数不多，人们也对回答中的偏见以及校内安排的延迟提出了质疑。在情感和人际关系领域，运营公司的经营状况影响了用户之间的关系。在癌症治疗中，校准和多中心验证等解读输出结果的条件与准确性一并受到重视。在军事、制药和外科领域，引入工作集中于可在现有流程内得到支持的环节，证据也在不断积累。现在需要做的不是决定用还是不用 AI，而是在每种情境下决定哪些交给 AI、哪些留在自己手中。

Q1：在你的工作中，哪些环节会将 AI 的输出作为决策依据？当输出有误时，由谁来负责发现，是否已建立相应机制？ Q2：在引入前后，使用哪些标准和流程来检查 AI 输出中的偏见和错误？是否保留了记录？ Q3：决定交由 AI 负责的范围，依据是什么？是否设定了条件？当业务或客户情况发生变化时，由谁负责重新审视该范围？

最后，三个问题

- 您工作中的哪些流程直接依赖 AI 的输出来做决策？是否有人建立了机制，能够发现输出有误的情况？ Q2：在引入前后，使用哪些标准和程序来检查 AI 输出中的偏差和错误？是否保留了记录？ Q3：决定委托给 AI 的范围时，依据是什么？是否设定了相关条件？当业务或客户情况发生变化时，由谁负责重新审查该范围？ - 在引入前后，使用哪些标准和程序来检查 AI 输出中的偏差和错误？是否保留了记录？ Q3：决定委托给 AI 的范围时，依据是什么？是否设定了相关条件？当业务或客户情况发生变化时，由谁负责重新审查该范围？ - 决定委托给 AI 的范围时，依据是什么？当业务或客户情况发生变化时，重新审查该范围的条件和责任是否已经确定？