AI 精選 — 全貌速覽 — 2026-10-17 (週六) 晨間新聞

該銀行裁減 3,000 個職位，並說明 AI 的目的是提升效率，而非取代人力。在企業軟體領域，有人指出即使 AI 代理接近自動駕駛，人類的參與仍會持續存在。在藥物開發方面，價值高達 15 億美元的合作正在成形；在診斷方面，預測模型正進入針對個別腫瘤的決策。產生速度的力量同時抵達職場、實驗室與診間。在此我想傳達給讀者的看法是：導入的成敗並非取決於高效能，而是取決於如何劃清界線，也就是哪些流程可交給 AI，哪些決策應留給人類。企業的說明與資金規模，並不是劃出這條界線的依據。正文中，我們將逐一檢視各個領域的界線劃在何處。

關於現場出現的人員縮減與角色轉變的說法

在報導銀行裁員的文章中，裁員人數旁往往附有說明的措辭。Axis Bank 將在 FY26 裁減 3,000 個職位。根據報導（Goodreturns），該銀行的目標是運用 AI 提升營運效率，而非取代人力資源。在科技業，當地媒體也在討論 AI 與裁員將使工作機會流向何處（KTVU）。然而，在這類公告中，「3,000 人」這個數字與「並非取代」的說明出現在同一頁上。說明的措辭並不能作為讀者下判斷的依據。

在企業軟體方面，讓人持續參與的設計被視為一項規格來討論。iTWire 對 Workday Rising 2026 的分析報導指出，Workday 的 AI 代理將在維持人類參與的前提下，更接近自動駕駛。隨著自動化的推進，決定哪些流程要由人來負責的產品設計判斷變得更加重要。考慮導入的人應該關注的不是會裁減多少人，而是核准與例外處理的哪些部分仍掌握在人的手中。

在照護、教育與居住支援領域,工作性質的變化更為明顯。一篇報導照護機構報告的文章(McKnight's Senior Living)指出,AI 的運用正在支援照護人員。靜岡縣已在縣營住宅社區導入 AI 聊天,協助防止單人家戶陷入孤立(每日新聞)。在教育方面,SBCCD 與 BBOP Center 已在 College Corps 展開 AI 素養合作(Precinct Reporter News)。這三個案例都可解讀為 AI 改變了人所承擔的工作範圍與所需具備的能力,而非取代人。照護人員可以將部分記錄與確認工作交給 AI,住宅社區的居民則能先透過聊天進行諮詢。學習者將習得充分運用 AI 的能力。

因此，對就業的影響不能只用裁減人數來衡量。即使同樣被稱為「效率提升」，減少的是人員數量，與減少的是參與對話和決策的人數，對勞工而言所發生的情況並不相同。導入成功與否的關鍵，在於如何劃定應交給 AI 的部分與應留給人類的部分之間的界線。接下來，我們將探討在藥物研發和診斷等錯誤成本高昂的領域，這條界線是如何劃定的。

藥物研發與診斷推動 AI 的資金投入與臨床應用進展

資金已經開始流向以 AI 驅動的事業。AstraZeneca 與 AI 藥物探索公司 Incitro 簽訂了最高達 15 億美元的合作協議（BigGo Finance）。Google.org 將以 230 萬美元支持多倫多大學團隊，打造用於胜肽藥物探索的 AI 引擎 OpenPep（Bioengineer.org）。在金融領域，瑞典的 Matters 募得 500 萬美元，推出 AI 原生銀行（The Next Web）。在日本，AI、造船與藥物探索同列於預算達 370 兆日圓的 17 個戰略領域中並行討論（日經 Business 電子版）。必須注意的是，合作協議中「最高達」15 億美元的說法，並不代表全額都已承諾投入。讀者該看的不是金額大小，而是這些資金的架構是否以將流程交由 AI 負責為前提。

在臨床方面，導入的討論正逐漸趕上資金動向。影像診斷領域的領導者在一場網路研討會中討論了 AI 自動化能延伸到臨床現場到什麼程度（Radiology Business）。研究是這裡的基礎。Journal of Imaging 刊載了一篇論文，透過對偵測準確度研究的系統性回顧與統合分析，探討 AI 輔助對放射科醫師使用 CT 偵測肺結節表現的影響。重點在於，它衡量的是使用 AI 的醫師之表現，而非 AI 本身的準確度。Journal of Neuro-Oncology 的一項研究利用多中心資料，開發並比較了深度學習、放射組學、臨床及整合模型，用於透過 MRI 在術前預測腦膜瘤的 WHO 分級。由於其設計是將單獨模型與整合模型並列比較，可以說這項研究探討的是可以採用哪些組合。

把這兩條脈絡並排來看，就能看出判斷該放在哪裡。在藥物研發和新型銀行中，資金先行投入，成果事後才驗證。在診斷領域，驗證的問題已從「AI 是否正確」轉為「使用 AI 的人其表現會有什麼變化」。對於考慮導入的人而言，為了決定委託的範圍，最好確認是否有衡量人員表現的證據，而不是只看合作或採購的金額。

資金籌措的速度,並不等同於驗證累積的速度。由誰來填補這段落差,將引導我們進入下一節。

預測模型進入個別腫瘤的判斷

在乳癌研究中，一項利用機器學習建立的「病理組學特徵」，展示了評估 CXCL9 表現量與預後的新型數位標記（CytoJournal）。在肺腺癌方面，從 AI 衍生的發炎與代謝生態系特徵中，已確認 ATP2A2 是促進微環境重塑與免疫逃避的因子（Frontiers in Cell and Developmental Biology）。兩者都是從病理影像與基因表現資料中萃取與預後相關指標的研究。它們的共通點在於，不僅試圖呈現模型產出的數字，也試圖說明這些數字與哪些生物學因子相連結。

運用影像的研究也呈現相同的方向。轉移性去勢敏感性攝護腺癌運用可解釋的機器學習,檢視哪些因素可預測患者是否會接受符合指引的治療強化(Frontiers in Oncology)。在肝癌方面,我們結合腫瘤內棲息地與腫瘤周邊影像組學,提升預測初次 TACE 療效的準確度。這是一項多中心回溯性研究(Frontiers in Oncology)。在腎癌方面,我們運用對比增強 CT 衍生的細胞外體積分率,透過可解釋的機器學習,在術前預測透明細胞腎細胞癌的 WHO/ISUP 分級(Frontiers in Oncology)。預後、治療選擇、治療效果與分級等預測範圍,正擴展到每種腫瘤個別判斷的各個階段。

這些研究的成果,在於能否呈現預測的理由,而不只是預測本身。在將模型應用於個別患者的階段,無法提出依據的模型,無法成為醫師思考的參考素材;而能夠提出依據的模型,則能成為醫師認同它、或察覺其錯誤的素材。對於考慮導入的人而言,僅比較準確度數字是不夠的。必須詢問是否能以臨床人員可確認的形式,呈現預測是依據什麼而做出的。此外,肝癌的研究屬於回溯性研究。讀者也應留意,其結果尚未在實際醫療中獲得驗證。

這種趨勢不僅限於腫瘤。一項利用 AI 分析 101,000 人的研究顯示，棕色脂肪與心臟及心理健康有關（News-Medical）。隨著分析規模擴大，發現關聯性的速度也隨之加快，但如何解讀這些關聯，以及在決策中採用到什麼程度，仍取決於人。可解釋的預測成為評估的核心，也意味著接受預測的責任仍落在使用者身上。在下一節中，我們將探討如何在組織內部分配這項責任。

持續獲得肯定的 AI，以及來自監管與競爭的壓力

總是肯定使用者的 AI 有損害人際關係的風險。Forbes JAPAN 報導了對推卸責任與缺乏同理心的擔憂。其論點是,如果使用者只收到對自己有利的回答,重新審視自身行為的機會就會減少。另一方面,對話服務的供給端仍在持續擴張。Universidad de Córdoba (UCO) 提供的服務包括供 18 歲以上人士使用、不設過濾的成人話題聊天機器人,以及附有隱私控制的「AI 女友戀愛模擬器」服務 (AI Girl Generator Online With Customizable Characters And Privacy Controls)。隱私設定已成為賣點,使用者資料如何處理也是產品的一部分。對於考慮導入的人而言,首先要確認的不是功能的多寡,而是該 AI 是否被設計成對任何事都表示認同,以及由誰來管理對話紀錄。

關於 AI「思考能力」的討論仍在持續。Deccan Herald 借用印度哲學中的 Purusha 與 Prakriti 概念,探討 AI 意識的極限,以及機器是否能思考的問題。Psychology Today 則討論為何真正的畫作看起來像是 AI 生成的。這兩點都顯示,人們分辨「AI 感」的判斷方式正在動搖。以人來判定產出內容究竟是真品還是產物,這個前提需要重新檢討。

監管與競爭壓力開始對使用形成外部限制。根據 Aju Press 報導,美國聯邦貿易委員會(FTC)在一起資安事件後,已對 OpenAI 與 Anthropic 展開調查。The Mighty 790 KFGO 報導,中國已提議將 AI、生物科技及太陽能領域的 40 項技術納入出口管制清單。StateTech Magazine 報導,美國各級政府的 AI 正從示範階段走向全面營運。隨著公共機構進入將其納入日常業務的階段,採購與問責的標準將更趨嚴格。正如 CGTN 報導的中國精準農業所示,AI 持續改變產業現場。供應商事故調查與技術出口管制,凸顯了依賴特定公司或模型之設計的脆弱性。

總體環境也並非無關。Investing.com 探討美元與通膨的矛盾,並報導與 AI 相關的信用風險及能源價格上漲,正在重塑全球成長的前景。AI 投資同時仰賴資金與電力支撐,若這些條件惡化,導入計畫的獲利性也將受到影響。

正向的對話、調查、出口管制與信用風險，都從外部設定了 AI 能被信任到什麼程度的條件。接下來的問題是，在這些條件下，誰要如何決定責任的範圍。

人事裁減、藥物研發的資金、輔助診斷的預測模型,以及持續給予正面回應的對話服務,看似屬於不同領域的話題,但最終都指向同一點:AI 要負責什麼、負責到什麼程度,不能只由技術能力來決定。由設計面來決定誰負責檢查輸出內容、誰對結果負責,將左右使用者、患者與員工的信任。說明的言詞與金額都無法取代設計。在決定是否導入系統時,除了速度與成本效益之外,應先確認哪些流程要留給人來處理,以及責任應落在何處。責任範圍愈明確,事後就愈容易檢視與說明。

Q1：在您負責的工作中，您如何區分哪些部分可以直接使用 AI 的輸出，哪些部分在使用前應該親自確認？ Q2：如果 AI 產出的結果出現錯誤或偏誤，將由誰在哪個階段發現，又如何加以阻止？ Q3：在談論透過 AI 提升效率的成果時，您能向公司內外的人具體說明留給人的判斷與責任範圍到什麼程度？

最後，三個問題

- 在你負責的工作中,哪些部分可以直接採用 AI 的產出,哪些部分應先親自查核後再使用,你是如何區分的? Q2:如果 AI 產出的結果存在錯誤或偏誤,會由誰在哪個階段發現,又如何加以阻止? Q3:在談論透過 AI 提升效率的成果時,你能向公司內外的人具體說明到什麼程度:哪些判斷與責任仍留給人來承擔? - 如果 AI 產出的結果存在錯誤或偏誤,會由誰在哪個階段發現,又如何加以阻止? Q3:在談論透過 AI 提升效率的成果時,你能向公司內外的人具體說明到什麼程度:哪些判斷與責任仍留給人來承擔? - 在談論透過 AI 提升效率的成果時,你能向公司內外的人具體說明到什麼程度:哪些判斷與責任仍留給人類來承擔?