AI Highlights — 全貌 — 2026-10-24(六)每日新聞

Warp Sciences 已募得 2.15 億美元，用於打造運用 AI 與機器人進行化學實驗的實驗室。同一時期，據報導 American Express 將裁減 5% 的員工，Colliers 則警告，AI 人才不足可能阻礙歐洲的成長。在資金與期待都很高的環境中，人事重組與人才短缺同時發生。我們在這半天所要閱讀的文章，共通的看法是：成敗的差異，與其說取決於對 AI 投入多少資金，不如說取決於這些投資如何通過現場驗證，以及由誰來營運。在診斷、語音分類與預測方面的研究，也讓讀者面對在適當條件下的結果與在真實環境中的結果之間的差異。

Partnership with huge funds gathered in drug discovery AI

Warp Sciences 募得 2.15 億美元，打造 AI 驅動的藥物探索實驗室（citybiz）。根據 BRIDGE 報導，該公司運用 AI 與機器人進行藥物探索的化學實驗，並透過由 Lightspeed 領投的 A 輪募資籌得資金。在 A 輪階段就募得超過 2 億美元。資金的用途也是關注焦點。其目標不僅是開發軟體與模型，還要建造實際進行實驗的實驗室，並將化學實驗自動化。

另一家公司，AI 新藥開發公司 Pathos，以 30 億美元的估值募得 2.37 億美元（STAT）。路透社報導，Pathos 將與 Bristol Myers 及 Tempus AI 合作，推進藥物開發（Reuters）。在這裡，募資金額與估值當中，包含了與大型製藥公司合作所帶來的實務連結。資金之所以聚集，並不單純只是因為對 AI 本身的期待。評價的重點似乎也包括它將如何被納入製藥公司的開發流程。

兩家公司的募資總額達 4.52 億美元。這樣的規模顯示，市場對藥物探索 AI 的期待並不只在於演算法的優越性，而是延伸到包含實驗設備與合作夥伴在內的整體事業投資。讀者從這些數字應該看出的，並不是高估值本身，而是這些資金是否被用於自動化實驗設置，或與大型製藥公司的合作之上。

不過，這次提到的資料全都是募資與合作的發表，並非新藥開發成果的報導。資金固然會先到位，但仍需另外確認，營運實驗室的人才，以及實際開發現場的驗證，是否會以相同的速度推進。

人員縮編與人才短缺同步發生

根據 Demokratis.co.id 報導,American Express 將裁減 5% 的員工。標題指出的原因是為了配合 AI。這次裁員顯示,AI 的導入不僅提升了營運效率,更已進入重組僱用結構本身的階段。5% 是佔全體員工的比例,而非金額。比起是否投入鉅額 AI 資金,更能衡量企業認真程度的指標,是這些投資是否體現在人員配置的變化上。當讀者檢視自己的公司與往來夥伴時,判斷哪些職務在減少、哪些職務有需求,會比 AI 相關預算的金額更能準確反映實際情況。

另一方面，光談人力過剩是不夠的。根據 Data Center Solutions 報導，房地產服務巨擘 Colliers 警告，AI 人才不足可能會阻礙歐洲的 AI 發展。美國運通（American Express）裁減 5% 人力，以及 Colliers 的警告，是在同一時期各自發布的獨立報導。然而，將兩者並列來看，就能看出同一幅構圖：既有的工作面臨縮編與重組，而第一線負責設計、營運與維護 AI 的人手卻不足。有人指出，人力資源的供給可能成為歐洲地區成長的上限，這意味著光是籌措資金並不保證能帶來成長。讀者在規劃導入時，除了確保設備與合約之外，也必須先確認人員要從哪裡調度。

工具與使用者之間關係的轉變,也出現在產業之外。Frieze 報導了畫家 David Salle 邀請 AI 進入他的工作室。工作室是創作者親手完成作品的地方。AI 被引進這樣的領域,本身就可以視為一個徵兆,顯示負責工作的人與輔助他們的工具之間的角色分工正在被重新檢視。這三件事——企業裁員、地方人才短缺與個人創作現場——規模雖然不同,但有一個共通點:誰負責什麼,以及 AI 要負責到什麼程度。根據這些事實,導入成功與否的衡量標準,似乎正在轉向不看投入金額的多寡,而是看成果能否在現場的實際使用中獲得驗證,以及能否確保有人能夠執行。下一節將探討這項驗證已經進展到什麼程度。

超越人類的診斷與預測驗證開始出現

Microsoft 發表了一項研究,顯示以醫師團隊為範本打造的 AI,在診斷準確度上勝過醫師(Medical Economics)。據說其設計是利用 AI 重現多位專家討論後得出結論的醫療模式。過去,AI 診斷輔助多半被視為協助單一醫師的工具。這次的比較對象是醫師個人的判斷,評估的重點也從輔助的便利性轉為診斷準確度本身。不過,這項結果是在研究的框架內取得的。相同的準確度在實際的門診與急診現場是否能夠維持,仍有待進一步驗證。

在接近治療選擇的領域，預測的驗證也已展開。BostonGene 將合作進行研究，利用其 AI 預測 CAR-T 療法的療效與毒性（RegMedNet）。在 CAR-T 療法中，治療決策的核心在於同時辨識出可望獲益的患者，並事先評估嚴重副作用的風險。如果預測的範圍從診斷擴大到治療的療效與毒性，AI 的輸出就不再只是醫師的參考，而會成為決定是否開始治療以及如何管理的依據。這種共同研究的形式顯示，該計畫並未止於提出一種方法，而是已進入納入並驗證臨床端資料與專業知識的階段。

除了醫療領域之外，也有由 AI 負責現場觀察的案例。EdenCore 在 FIRA USA 上展示了以 AI 為基礎的水果監測技術（Fruit Growers News）。到目前為止，持續觀察並掌握水果狀態的工作，一直都是由人親自前往田間完成。若要由 AI 接手這項觀察工作，其導入的價值將取決於能否持續蒐集可用於決策的資訊。由於這項技術目前僅在展會上展示，還需要觀察其實際使用情形，才能判斷是否能在現場產生成果。

雖然診斷、治療預測、水果觀測等領域各不相同,但共通點在於 AI 已開始承擔觀察與預測的角色,而這正是人類判斷的入口。在此情況下,問題不在於研究或展示場合中的表現,而在於相同的成果能否在真實環境中重現,以及是否有足夠的人願意接受並使用這些成果。

貼近日常生活的 AI 與真實環境中的驗證

Bioengineer.org 報導了一款 AI 語音模型，可利用真實環境下的錄音來分類構音障礙的嚴重程度。構音障礙是指說話的清晰度受損的一種狀態。這篇報導值得注意之處，在於其涵蓋的是真實環境中的錄音，而非在設定條件下蒐集的音訊。在家中或照護機構裡，不可能期待有安靜的房間或專用麥克風。能否在這樣的情況下使用，取決於是否能根據含有雜訊或說話者自身顫動的語音進行分類。考慮導入的人不僅要看準確率的數字，還必須確認該準確率是在什麼樣的錄音條件下達成的。

在日常生活方面,AI 正擴展到人際關係與時間運用上。北陸地方整備局的頁面中,刊載了 AI 女友應用程式的價格比較、AI Lover 的免費版本與注意事項。既然出現比較收費結構與免費版範圍的文章,就顯示這類應用程式已經從試用階段,進入部分人會依成本考量來選擇的階段。使用者應分開考量:哪些功能可以免費開始使用,而要持續使用又必須付費的是什麼。另一方面,Unite.AI 報導,三名高中生推出了 MyDaye AI。這是一款能將忙碌的行程納入日常計畫的工具,開發者與使用者屬於相近的世代。

在與情感相關的領域,也可以談談汽車。Yahoo! 新聞報導了 Mazda 的 Vision Cross Compact,外界對這款車寄予厚望,期待它成為下一代 Mazda 2。據說這款車搭載「具同理心的 AI」,作為「最佳夥伴」而備受關注。不過,這些都是對仍處於概念階段車款的期待,在實際駕駛中同理心如何發揮作用,目前尚未獲得確認。

到目前為止的四個案例，處理的是不同的情境：醫療支援、戀愛、課業與行程，以及交通。然而，它們的共通點在於，AI 已開始被用在貼近人們生活細節與情感的地方。既然如此，接下來的問題與其說是它的高效能，不如說是在現場將由誰持續使用，又將由誰負責。

乍看之下，新藥開發 AI 的募資金額、人員縮減的比率、診斷準確度的比較，以及利用真實環境錄音進行分類，各自是不同的主題。然而，各段落的共通點在於，衡量導入成敗的標準正從投資金額與期待，轉向現場的實證，以及能否確保主導的人才。即使資金龐大，實驗室能否進行實驗仍是另一個問題。在研究框架內達成的準確度，是否能在門診現場或家中維持，需要另外驗證。有些公司縮減人力，另一些公司卻抱怨人才短缺，這樣的情況也反映了同樣的現象。與其看投入了多少資金在 AI 上，不如看在什麼條件下能夠驗證什麼、是否有足夠的人手來處理，這將成為日後判斷是否導入的線索。

問題 1：在手邊的工作中使用 AI 時，其準確度與成效是在什麼條件下確認的？能否依照貴單位自身職場的條件加以說明？ 問題 2：當依據 AI 輸出所做的判斷有誤時，能追溯到什麼程度，以確認責任歸屬與查證紀錄？ 問題 3：除了 AI 相關預算之外，分配了多少資源用於人員的確保與現場實證？能否將這樣的分配作為經營決策加以說明？

最後，三個問題

- 在目前的工作中運用 AI 時,其準確度與成效是在什麼條件下獲得確認的?能否依據貴單位自身的工作現場條件加以說明? Q2:當依據 AI 輸出所做的決策有誤時,能夠追溯到多久以前,查核責任歸屬與驗證紀錄? Q3:除了 AI 相關預算之外,分配了多少資源用於人才的確保與現場實證?能否將該分配作為經營決策加以說明? - 當依據 AI 輸出所做的決策有誤時,能夠追溯到多久以前,查核責任歸屬與驗證紀錄? Q3:除了 AI 相關預算之外,分配了多少資源用於人才的確保與現場實證?能否將該分配作為經營決策加以說明? - 除了 AI 相關預算之外,分配了多少資源用於人才的確保與現場實證?能否將該分配作為經營決策加以說明?