AI Highlights —— 全貌 —— 2026-10-26（週一）每日新聞

AI 推動就業數字變化的同時，同樣的技術也正在支撐選舉資訊、戀愛與育兒諮詢、癌症預測，以及軍事與製藥業務。據報導，IT 巨頭在全球裁減了近 20 萬個職位，但裁員規模只是正在發生的變化的一部分。美國成年人中，只有 8% 從 AI 聊天機器人取得選舉資訊；而若大型 AI 交友服務倒閉，使用者的伴侶就會被刪除。不論數字大小，人類愈來愈常從 AI 得到答案，並以此作為判斷與人際關係的依據。希望讀者從這半天的內容中帶走的是：我們可以把事情交給 AI 到什麼程度，以及界線該劃在哪裡。以下各節將呈現這條界線在不同產業與情境中如何有不同的位置。

人員縮編率先進行，制度與經濟隨後跟進

印度經濟報紙 Livemint 報導，大型 IT 企業因 AI 轉型，已在全球裁減近 200,000 個職位。裁員規模已超過任何單一企業或國家的程度。半島電視台（Al Jazeera）指出，英國在與 AI 相關的裁員上走在前列，並探討了其原因。在金融業方面，據報導巴克萊銀行（Barclays）同時出現因 AI 而裁員，以及對銀行稅過度擔憂的情況（Seeking Alpha）。類似的動向也出現在 IT、英國、銀行業等不同產業與地區。因此，有必要將 AI 與就業視為多個產業共通的現象，而不是單一企業的經營決策。

這樣的動向也正擴及就業以外的領域。國際貨幣基金組織(IMF)在評估亞洲經濟體面臨的挑戰時,將高能源價格與 AI 並列為負擔(India Today)。AI 轉型對企業而言是節省成本的措施,但同時也為整體經濟帶來調整負擔。此外,就銀行而言,裁員的話題與銀行稅這項制度性議題是在同一脈絡下討論的(Seeking Alpha)。閱讀企業的縮編計畫時,若不同時留意稅制與監管的動向,就無法判斷該決定是企業自行做出的,還是受到制度影響。

同樣的趨勢也出現在醫療機構。根據 Hospitalogy，醫療照護部門主管、Navvis 的執行長表示，價值導向醫療（VBC）雖已朝成果導向邁進，LEAD 卻被擱置。他接著談到要為可能成為強制規定的風險模型做好準備。這裡發生的並非 AI 本身。給付與評價的機制正在改變，組織被迫隨之重組。即使強制規定延後，做好準備的必要性依然存在。這一點與英國的例子重疊，英國的人員縮編進展得比制度改善更快。

這樣並列來看，人數與縮減比例未必是各公司自行決定的結果，而是會受到經濟評價、稅制、醫療給付方式等外部條件影響。看這些數字的人，必須確認這些數字是在哪一種制度下產生的。接下來要問的，與其說是縮減的規模，不如說是現場的判斷、創作工作與臨床工作，究竟該有多少交給 AI。

偏見與信任受到質疑的資訊與教育場域

美國成年人中，僅有 8% 使用 AI 聊天機器人蒐集有關 2026 年選舉的資訊（Pew Research Center）。使用者人數仍然不多。然而，如果這少數人得到的回答帶有偏頗，那麼人數少並不能成為放心的理由。在 TechCrunch 的評測中，面對選擇時，Grok 選了共和黨，而 OpenAI 選了民主黨。這兩個模型通常都是在假定其中立的前提下被使用。然而，一旦被迫表態，它們就會顯露出自己的立場。讀者應該確認的，不是聊天機器人是否會回答。在選舉這類黨派色彩強烈的問題上，要問的是這個回答能否作為做出判斷的依據。

在教育領域，數據顯示準備不足。華盛頓州學校的 AI 政策仍停留在 2010 年代，尚未為未來做好準備（The Seattle Times）。儘管學生已經能夠使用生成式 AI，學校規範仍然沿用 AI 尚未普及時期所撰寫的措辭。如果政策已經過時，教師就只能自行判斷，容許與要求學生的內容也會因班級而異。這裡的信任並不是對 AI 輸出內容本身的信任，而是對於決定如何使用 AI 的組織，是否跟上實際情況的信任。

與資安相關的動向，也開始因應攻擊而逐漸成形。Hugging Face 遭受攻擊之後，圍繞 AI 安全出現了一連串動向。Tech Xplore 依時間順序整理了其進展。公開的模型與工具所構成的共用基礎設施成為攻擊目標，資安已不再只是開發公司內部的問題。關鍵在於，使用者應自行檢查的部分與應交由基礎設施營運者處理的部分，界線該如何劃分。

在創作領域，也有明確標示責任歸屬的例子。Creative Assembly 否認《Total War: Shogun 2》完整版中使用了 AI 美術作品，並承認責任（Simulation Daily）。這裡重要的是，他們承認自己使用了由 AI 生成的內容，隨後也展現出願意承擔後續處理的態度。存在偏見的模型、過時的學校政策、遭受攻擊後才採取的資安措施，以及承認責任的製作公司，這些案例的共通點在於：信任並非建立在效能之上，而是建立在「誰要為什麼負責」是否清楚明確。要決定可以委託的工作範圍，就必須看得見承擔該工作的人。下一節將探討在更貼近個人、情感與臨床的情境中，這條界線是如何劃定的。

將情感與人際關係託付給 AI 所須付出的代價

機器是否具有情感的問題，正引發關於 AI 的爭論，MarketWatch 報導。這場爭論雖尚未有定論，使用者端卻已不待結論便建立起彼此的關係。根據《紐約郵報》（New York Post），一家大型 AI 戀人服務即將破產，使用者的 AI 戀人預計將被刪除。使用者每天與之交談的對象，因營運公司的經營狀況而消失。無論這份情感是真是假，維持伴侶的責任都在公司身上，一旦公司倒閉，這段關係也隨之結束。《Malaysian Reserve》報導，AI 正使母職變得更糟。育兒諮詢與決策越是交給 AI，原本應當集中投入的親子互動就越可能變得不夠有效。本文將這樣的變化視為一項問題來探討。

機器解讀情緒的能力也有所進展。根據 The Decoder 報導,Block 發表了一款名為 Dessa 的新 AI,僅從音訊中學習。據說聲音本身就能捕捉到逐字稿無法捕捉的情緒。在客服中心和面試等無法僅憑言語內容做出判斷的場合,它有望派上用場。不過,從這篇報導中無法得知,由聲音讀取出的情緒會由誰、基於什麼目的來使用。讀取得越準確,接收結果的一方將其作為評斷他人依據的風險就越大。

另一方面，AI 也有支持人與人之間關係的運用方式。Oncology Nursing News 介紹了一個例子，說明乳癌風險 AI 模型如何用於檢傷分類與由護理師主導的病患指導。在這裡，AI 僅負責推估風險，向病患說明狀況並回應其疑慮的責任則由護理師承擔。AI Lover 與 Dessa 是依賴 AI 來解讀彼此的關係與情緒，而在這個案例中，AI 做的是為人與人之間的對話準備素材。

將兩者並排來看，能否把工作交給 AI，並不單靠 AI 的性能來決定。在使用該裝置之前，必須先確認受託的一方不會因營運公司破產而消失、從聲音與言語中取得的資訊會由誰接收，以及是否仍會有人留在現場。這項確認將成為判斷哪些決策與創作工作可交由 AI 處理的依據。

癌症治療的預測準確度隨著影像與資料而進步

在乳癌方面，已有人嘗試在手術前推估是否有轉移。有研究報告指出，可利用超音波影像判讀，以 AI 在手術前預測乳癌轉移（Bioengineer.org）。另有一項研究提出用於預測乳癌死亡率的校準靜態堆疊集成框架（Archives of Breast Cancer）。校準是檢查模型輸出的機率是否與實際發生頻率相符的過程。由於這關係到預測值能否被解讀為機率，因此在向病患說明或商討治療計畫時，其重要性不亞於準確度。在病理影像領域，用於分類小細胞肺癌組織影像的頻譜雙線性 Transformer SCLC-SBT 已發表於《Scientific Reports》。即使影像類型改變，重要的也不只是準確度數字，還包括如何解讀輸出結果。

也有研究呼籲進行多機構驗證。以病理為基礎的模型對膠質瘤進行預後風險分層,同時找出了與預後相關的關鍵基因與生物途徑,並以多中心研究的形式發表於 Acta Neuropathologica Communications。在胃癌方面,納入內臟脂肪組織的 CT 雙視野深度學習放射組學,據說改善了術前淋巴結轉移的預測。這同樣是一項多中心研究(European journal of radiology)。在肝細胞癌方面,有研究利用 MRI 放射組學來預測 FAP 表現與免疫抑制性腫瘤微環境。這些設計著重於檢驗其他醫院的資料是否同樣成立,而非單一醫院的成果。讀者應該注意的不是最高數值有多大,而是更換機構後結果會有多大的變化。

分析的單位已縮小到細胞。在膀胱癌方面，研究整合單細胞／空間轉錄體學與機器學習，呈現出高幹細胞特性之惡性上皮細胞的分子特徵與關鍵風險基因（Discover Oncology）。scGlycoAI 是一個運用機器學習分析單一細胞的聚醣與 RNA 序列資料、判定細胞類型，並搜尋與惡性程度相關之聚醣的框架（Glycobiology）。從影像到細胞，預測的對象正隨著各類資料而擴大。然而，這些論文所顯示的是預測可能成立，是否達到可用於臨床的水準則需另行確認。現在被衡量的不是效能本身，而是預測可以被信賴到多遠的距離。由誰、以何種方式劃下那條界線，這個問題在醫療以外的領域也同樣出現。

該領域的導入將依據證據，按產業逐步推進

美國空軍計畫運用 AI 支援空中加油，《Military Times》報導。空中加油是一項有詳細作業程序與安全標準的任務。將 AI 用於輔助，與把整個任務交給 AI 是不同的。另一項是藥物開發。根據 Unisba Media 於 4 月 14 日 16:00 發布的介紹文章，諾和諾德（Novo Nordisk）與 OpenAI 已就 AI 藥物開發締結合作關係。同一篇文章也提到 Apple AI 負責人 Gianandrea 正式離職。軍事與製藥產業所須遵循的標準以及失敗的代價各不相同。即便如此，AI 能夠發揮的場域，仍僅限於可在既有業務流程中提供支援的環節。

在醫療外科手術領域，導入的依據開始以數據呈現。刊登於 Cureus 的一篇系統性回顧，彙整了機器人輔助術中數位導引應用於攝護腺癌手術與腎臟癌手術的前瞻性臨床證據。前瞻性設計是指在結果尚未得知之前就先設定好條件，並對患者進行追蹤。作為判斷依據，它們的分量不同於廣告標語或事後回顧所見的案例。目前正在針對攝護腺與腎臟這兩個器官，逐一確認術中導引的成效。

將這三者並列時，可以發現導入的推進方式有共通之處。空軍從空中加油的支援開始，Novo Nordisk 從藥物研發合作開始，外科手術則從機器人輔助手術的術中導引開始。這些案例都是把對象劃分為業務的一部分，並在該範圍內驗證成果。在檢視 AI 於現場的導入時，與其看是否宣布要使用 AI，不如看它用在哪些流程、做過什麼樣的驗證，對讀者的判斷更有幫助。經過充分驗證的流程，能為擴大責任範圍提供依據，而驗證不多的流程則仍須謹慎。接下來的問題是，即使經過驗證，人類不放棄最終判斷的界線該劃在哪裡。

各個章節的共通點在於,結果取決於的不是 AI 本身的導入,而是如何劃定委託的範圍。裁員的規模引人注目,但相同的動向正擴及多個產業與地區,對整體經濟造成調整負擔。在資訊與教育現場,即使使用者人數不多,也有人質疑回答中的偏見,以及校內安排作業的延遲。在情感與人際關係方面,營運公司的經營狀況影響了使用者之間的關係。在癌症治療方面,校準與多中心驗證等解讀輸出結果的條件,與準確度一併受到重視。在軍事、藥品與手術領域,導入集中在可於既有程序內獲得支援的流程上,證據也正逐步累積。如今需要的不是決定用或不用 AI,而是在每個情境中決定哪些交給 AI、哪些留在自己手中。

Q1：在您的工作中，哪些流程是以 AI 的輸出作為判斷依據？當輸出有誤時，由誰建立了能夠察覺的機制？ Q2：在導入前後，是依據什麼標準與程序來檢查 AI 輸出中的偏誤與錯誤？是否留有紀錄？ Q3：決定交給 AI 處理的範圍時，依據的是什麼？是否設有條件？當業務或客戶的情況改變時，由誰負責重新檢視該範圍？

最後，三個問題

- 在您的工作中，有哪些流程直接依賴 AI 的輸出來做決策？又是誰建立了機制，能在輸出有誤時察覺？ Q2：在導入前後，是以哪些標準與程序來檢查 AI 輸出的偏誤與錯誤？是否留有紀錄？ Q3：決定委由 AI 處理的範圍時，依據為何？是否設有任何條件？當業務或客戶狀況改變時，由誰負責重新檢視該範圍？ - 在導入前後，是以哪些標準與程序來檢查 AI 輸出的偏誤與錯誤？是否留有紀錄？ Q3：決定委由 AI 處理的範圍時，依據為何？是否設有任何條件？當業務或客戶狀況改變時，由誰負責重新檢視該範圍？ - 決定委由 AI 處理的範圍時，依據為何？當業務或客戶狀況改變時，是否已訂定相關條件以及重新檢視該範圍的責任歸屬？