AI 精選 — 全貌 — 2026-10-15（四）晨間新聞

AI 資金與成長數字每季都大幅更新。新加坡受惠於 AI 需求，錄得 5.4% 的成長，並簽下價值高達 $1.2 billion 的 AI 藥物探索合作案。與此同時，在 Publicis 承諾將人工作業削減 25% 之後，就業前景依然不明朗，一位因臉部辨識錯誤而提告的祖母則求償 $10 million。資金募集的速度，與受影響者得知負擔的速度並不同步。以下將數字的規模，與其已對產業、個人及安全措施造成的壓力並列閱讀。在釐清由誰負責分配成本與責任之前，導入所帶來的影響應被認知到何種程度，仍無法判定。

職場在裁減人事與再培訓之間擺盪

Publicis 已設定目標，要透過 AI 將人工作業減少 25%，但據報導對就業的影響仍不明朗（Storyboard18）。數字顯示的是工作量的減少，而非人數的減少。然而，一旦四分之一的人工作業被消除，尚未決定的是：同一批人是否會把這些時間用來做其他工作，還是會調整人員數量。若僅憑目標數值來推算會減少多少人，很容易做出錯誤的判斷。

即使是相同的引言，該領域的趨勢也開始出現分歧。據報導，HSBC 與 Kroger 因 AI 而增加裁員人數，並且正在討論其與再培訓的成本比較（AICERTs）。縮編雖然能降低短期人事成本，但再培訓需要培訓費用與時間。哪一種比較便宜，取決於被取代工作的範圍，以及留任員工能否承接新工作。讀者在檢視自己的公司與職場時，不應只看裁減的金額，還需要看再培訓技能的成本，以及裁員之後由誰來負責。

應屆畢業生求職領域的變化方向略有不同。《經濟時報》（The Economic Times）報導，由於愈來愈重視 AI 技能，應屆畢業生的職缺類別正在改變，印度 IT 與 BPM 領域的新進人員招聘數量也正在回升。可以想見，若入門的手工作業轉由 AI 處理，新進員工的工作會最先流失，但也有恢復招聘的案例，顯示有些企業正把資金投入培養能駕馭 AI 的人才。在此，AI 素養如何養成，是決定對就業影響的變數。

使用者的範圍也在擴大。據說 OpenAI Forum 曾就民意調查專家使用 AI 的情形進行討論（EdTech Innovation Hub）。使用的討論已延伸到專業職業，顯示再培訓並非僅限於特定職業的問題。此外，2026 年版的 AI 導入報告（Knowledge at Wharton）也將成為檢視實際導入狀況的素材。不能僅憑導入有所進展這一點來衡量成效；若不同時檢視其被用於減少人力還是用於培訓，就無法比較成果。

裁減與成長之間的抉擇，不僅是企業財務的問題，也是分配的問題，即誰將率先承擔成本與責任。下一節將探討這種分配如何在個人與安全層面上顯現。

藥物探索的資金與合作鏈

從小額私募到政府採購，AI 藥物研發的資金在每個階段都透過不同管道流動。加拿大的 Rakovina Therapeutics（TSXV:RKV）已完成 199 萬加幣的私募，並說明為何會將這筆資金投入由 AI 驅動的癌症藥物研發（kalkine.ca）。雖然規模不大，但這正是為 AI 籌措資金並將其分配至研究的第一階段的一個範例。

在合作與合約方面，數字更上一層樓。Deep Origin 宣布與 BioAge Labs 展開多標靶 AI 藥物探索合作，並表示已在第一個標靶上確認了經驗證的命中化合物（Yahoo Finance Singapore）。伊藤忠商事與 MOLCURE Inc. 簽署了日本 AI 藥物探索的資本聯盟協議（BioSpectrum Asia）。Zealand Pharma 與 Generate 簽下最高達 12 億美元的 AI 肥胖症藥物交易（WTVB）。此處的「最高」應理解為包含依績效條件支付之金額在內的上限。雖然標題上的合約金額可能很龐大，但固定支付的款項與未來附條件的金額是兩回事。

資金流向並不侷限於民間部門。ThinkTrends 已獲得美國食品藥物管理局（FDA）一份價值 4,900 萬美元的 IDIQ 合約，以支援 AI 與數據的導入（The Globe and Mail）。監管機關本身也將採購 AI 與數據基礎設施。在市場方面，管理 2.6 兆美元資產的 Nuvin Asset Management 發布市場評論，指出 AI 正在重塑生物製藥產業的經濟結構。至於生命科學資訊科技市場，一項分析顯示，IQVIA、Oracle、Accenture、Veeva Systems 與 SAP 瞄準的是 2035 年達到 822.4 億美元的規模（Yahoo Finance UK）。此外，據報導，新加坡市值 15 億美元的 AI 藥物探索生技公司 Nanyang Biologics 將在那斯達克上市（The Business Times）。

若將它們並排來看，擺在前面的是資金、估值與合約價值，而能被視為成果的，只有像 Deep Origin 的「經驗證命中」這類早期成果。命中獲得確認，只是漫長藥物研發過程的開端，單憑上市或大額合約的公告，並不能說明後續臨床試驗或核准的準確度。讀者應該留意合約金額中確定部分與或有部分的明細，以及資金是否與經驗證的成果掛鉤。下一節將探討這些資金流動如何重新分配該領域的成本與責任。

對支援診斷與治療的預測模型之信任

運用影像與多模態資料的預測模型正逐漸脫離研究階段，邁向臨床路徑。在上尿路上皮癌方面，已有研究報告提出用於預測術後復發的多模態臨床決策支援系統 CLIP-CGPNet（Journal of imaging informatics in medicine）。在乳癌方面，可根據動態對比增強 MRI 於術前分類分子亞型的 HCF-Net，是沿著臨床治療路徑以級聯融合方式建構而成（同一期刊）。在肺黏液腺癌方面，也已發表一些整合多模態資料來分類亞型並預測預後的研究（translational cancer research）。這三者的共通點，是將模型置於決策過程中的特定位置，例如選擇在手術前或手術後。不僅要檢視準確度數字，也必須確認它應該取代或補充哪些情境。

另一方面，醫師是否接受模型所提供的答案，則是另一個問題。在利用深度學習預測膠質母細胞瘤治療反應的研究中，可解釋性與臨床信任正被正面處理（Journal of imaging informatics in medicine）。利用 MRI 放射組學預測 P53 突變肝細胞癌的研究，其目標不僅是腫瘤內部，也包括腫瘤周圍的區域（translational cancer research）。與麻州大學陳曾熙醫學院（UMass Chan Medical School）關於放射科 AI 的訪談，也是從閱讀影像的醫師角度來定位這項技術。預測準確還不夠，實際應用的前提是醫師能夠確認預測是依據影像中的哪個位置所做出的。

醫療以外的領域也存在相同的概念。據報導，生產者不僅使用配備AI的無人機巡視作物，也將其用於更廣泛的用途（Growing Produce）。即使田間觀測變得更加精確，如何運用這些資訊來決定經營與投入，仍取決於生產者。無論是診斷還是農業，一項設備的價值與其說取決於效能數字，不如說取決於現場如何處理其輸出結果，以及出問題時由誰接手。這與下一個問題直接相關，即從成本與責任的分配等面向來檢視技術的影響。

要求劃定界線以保護個人與兒童

臉部辨識誤認已經鬧上法院。據 ABC News 報導，一名祖母因 AI 臉部辨識被誤認為銀行竊盜案的犯嫌，已提起訴訟，求償 1,000 萬美元。這意味著，將一個人與嫌犯連結起來的決定，是從機器的比對結果開始的。在心理健康領域，南韓公布了心理健康 AI 的安全指引（Healthcare IT News）。這是政府在 AI 普及之前，先以文件載明可以把多少事務交給 AI 的例子。無論是臉部辨識還是諮商輔助，錯誤影響的都是收到結果的個人，而不是選擇系統的人。考慮導入的人，不僅要檢視準確率數字，也要確認誰能更正錯誤，以及發生錯誤時由誰負責。

在營造關係的這類 AI 中，吸引的對象更貼近使用者的內在自我。Universidad de Córdoba (UCO) 表示，其 AI 女友應用程式具備個性設定與隱私功能。讓使用者選擇個性的系統雖然符合使用者的偏好，卻也引發如何處理親密對話紀錄的問題。關於兒童，一位專家在 Florida Politics 撰文主張，佛羅里達州不應把孩子交給聊天機器人。這篇投書代表的是個別專家的意見，並不表示相關規範已經定案。然而，具備隱私功能與能夠與未成年人互動是兩個不同的問題。家長、學校與服務提供者需要依各年齡層決定使用範圍，而不只是看有沒有這些功能。

解讀情緒與偏見的技術也可用來輔助這類判斷。根據 Bioengineer.org 報導，受狼群行為啟發的最佳化方法，已提升跨語言語音情緒辨識的效能。若能處理不同語言的情緒，可應用的情境將會擴大。然而，導入系統的人員必須驗證系統不會誤判使用特定語言或說話方式的人。Penn Today 報導了運用AI偵測媒體偏見，並以此作為選民與讀者判斷依據的嘗試。除非確認用來判斷偏見的標準本身沒有偏見，否則這項工具可能無法幫助讀者做出判斷，反而可能迫使他們以特定方式看待事物。無論是情緒辨識還是偏見偵測，關鍵在於不要直接依賴結果，而是在揭露判斷依據與容易出錯的傾向之後再加以使用。

目前我們所見的是，在傷害首先發生於個人的情況下，必須先決定由誰調查、由誰負責。接下來，我們再看這些成本與責任如何在企業與社會之間分配。

成長、政治與安全措施的時間軸

新加坡在AI需求推動下經濟成長5.4%，貨幣政策維持不變（Bloomberg.com）。數字雖然亮眼，卻只顯示需求面的順風最先反映在統計數據上。大約同一時間，據報導一個AI資金團體以300萬美元支持Scott Wiener競選國會議員（Mission Local）。透過資金，享受成長成果的人與制定規則的人之間的距離正在縮短。與此同時，Harris警告AI安全措施所剩時間不多，並呼籲美中雙方合作（Reuters）。成長率按季更新，選舉也依既定時程舉行，但安全措施卻無人設下期限。本單元的出發點，就在這三條不同的時間軸並行推進的交會處。

這種時間差也反映在現場的行程安排上。養護機構業者 Cascadia、CarDon 與 FellowshipLIFE 談到了他們運用 AI 的路線圖（Skilled Nursing News）。分階段推動導入的態度顯示，這套系統是依循一種獨立於成長速度或選舉的營運時間尺度在運作。在創意領域方面，Air 與藝術家 Joe Bloom 舉辦了一場屋頂活動，談論 AI 與創意（Ad Age）。照護工作的排程與創意寫作中的對話機會，正試圖在各自的領域中整理人們看待事物的方式。

接著,換個角度來看這個問題。漫威《Vision Quest》中登場的 AI 機器人,提出了機器是否能自行思考的問題(Moneycontrol.com)。雖然這是虛構故事,但當讀者決定是否導入時,它與「哪些事該交給機器、哪些事該由人來處理」的界線問題相互呼應。成長率數字與政治獻金金額,並不會替我們劃下這條界線。

回到讀者的判斷,我們該看的不是數字的大小,而是移動中的物體速度有多快、首先會承受哪些負擔。若 Harris 的警告正確,緩衝期可能比現場的時程表更短。不過,緩衝期的長短並非定數,仍落在他所描述的警告範圍之內。討論能否跟上步調,最終仍會回到分配的問題:誰來承擔成本與責任。

各節所探討的案例有一個共通的結構。成長率、募資金額與合作規模，會在公布時以數字定案；相對地，人員的處理、由預測模型取代的決策、發生錯誤時的更正與責任歸屬，以及安全措施的期限，則是在實施之後才決定。負擔首先出現在後者這一側，承受負擔的是第一線負責人員，以及被決策對象的個人。因此，導入是否有效，不能只憑削減金額、準確度、成長率等孤立的數字來判斷。唯有確認誰來付出代價、誰能更正錯誤、誰來承擔責任，才能判斷同樣的導入對我們而言是利還是弊。數字的大小仍是起點，而判斷的重點在於分配。

Q1：在您的職場中，誰決定將 AI 節省下來的時間與心力分配給哪些工作？ Q2：當 AI 產出錯誤結果時，是否有發現並更正錯誤的程序，且書面載明由誰負責？ Q3：衡量導入成效的數字，是否包含再培訓成本、處理錯誤的成本，以及對受影響者造成的負擔？

最後，三個問題

- 在你的職場中，由誰決定將 AI 騰出的時間與心力分配到哪些工作上？ Q2：當 AI 產出錯誤結果時，是否有發現與修正的程序，且以書面載明由誰負責？ Q3：衡量導入成效的數字，是否包含再培訓的成本、處理錯誤的成本，以及受影響者的負擔？ - 當 AI 產出錯誤結果時，是否有發現與修正的程序，且以書面載明由誰負責？ Q3：衡量導入成效的數字，是否包含再培訓的成本、處理錯誤的成本，以及受影響者的負擔？ - 衡量導入成效的數字，是否包含再培訓的成本、處理錯誤的成本，以及受影響者的負擔？