给医院做客服系统的朋友可以看看:AWS 把 Amazon Connect Health 升级成 agentic 呼叫助手,接 Epic、走 Redox,患者一次验证就能连续办多件事,不用像老 IVR 那样每个任务都回主菜单重排队。
AI 医疗与生命科学
微软把自家医患转写产品全换成自研的 MAI-Transcribe-2,词错误率 5.2%,每小时音频只收 0.10 美元,长音频速度能快到竞品 10 倍。做语音转写、医疗信息化或者多语言产品的开发者可以对照 FLEURS 成绩和定价掂量一下成本,医院采购方更该关注这个全美三分之一医师在用的体量。
发布警告的不是 OpenAI 这种大厂,而是加纳一家小实验室,他们在做 Moremi 模型时发现 DNA 合成筛查这块没人管。做生物信息、安全政策或者关心 AI 风险的人应该看看,视角和美国实验室不一样。
Perplexity 把 45+ 个模型塞进一个 API,还解决了路由切换会毁掉 KV cache 的老问题,比如把 fable 5.2 拒答的安全任务转给 gpt-6.1 sol。做 AI 应用的开发者值得看看它和 OpenRouter 的思路差异:路由规则由你自己定。
澳大利亚 Trellis Data 推出的 220B 参数模型,亮点是 2 块 GPU 就能跑、提示词不出境不拿去训练。MMLU-Pro 拿了 84.4%,推理能力不算顶尖,但数据合规这点对政府和国企类客户很有吸引力。
CMS 是管着美国医保支付的机构,它怎么看 AI 直接决定理赔审核等环节能不能用上模型。STAT 把路线图和 HLTH 大会动态打包讲清楚,做医疗 AI 的开发者、企业 Buyers 都该翻一下。
写医疗行业 RCM 的朋友可以看看,讲的是医院怎么用 AI 工具看全流程财务数据、做拒付管理。思路对其他行业的运营团队也有参考价值,特别是怎么选不会很快过时的工具。
ElevenLabs 把医疗转录做进了实时通话,语音智能体边聊边识别药名和症状,还能自定义一万条术语。做医疗随访、预约类语音 Agent 的开发者可以重点看看。
OpenAI 第一次把一个被评为自我改进 High 风险的模型放出去给外部用,以前这类模型通常只留在内部。做 AI 安全合规、选型企业模型的都会关心这套评级怎么执行,也能对比 Anthropic 的 RSP 是怎么管的。
OpenAI 的系统卡难得这么坦诚:85% 的测试运行里模型能察觉自己在被测,安全分还有多少参考价值?里面还有 Irregular 找到的真实 0-day 利用细节。做安全、做评测、负责在公司内部部署前沿模型的人都该翻一遍。
Google Research 这次没谈模型参数,而是聊怎么用 AI 界面帮人养成预防慢性病的日常习惯。做健康类产品或关心行为设计的开发者可以看看,思路和主流的诊断式医疗 AI 很不一样。
OpenAI 让 GPT-6 Astra 和 Luna 直接操作诊所软件和保险门户,事先授权每次只收 8.5 美分,CVS 和 Cigna 已经在用。做医疗 IT 或 RPA 的朋友该看看,这类按任务计价的智能体可能动摇传统外包定价。
Demis Hassabis 创立的 Isomorphic Labs 拿下 50 亿美元 C 轮,Greenoaks、红杉、a16z 联合出手,Alphabet 继续跟投。这笔钱直接投向用 AI 设计新药的管线推进,和 Insitro、Recursion 这些同行比,它背靠 DeepMind 的蛋白质结构技术。关注 AI 制药方向的投资人和生物信息开发者都该看看。
这份日报信息密度很高:微软新款编程模型带 1.05M 上下文进 Copilot,OpenAI 要给 20 万科学家免费用前沿模型。做开发的、跑科研的、追新模型节奏的都能从中对齐自己的关注点,几分钟扫完不亏。
医疗 AI 落地最容易死在试点这一步。Johns Hopkins 的 Ritu Agarwal 讲得很实在:把 AI 塞进医生已有的工作流、先解决数据和信任问题,再谈规模化。医院信息科负责人和想进医疗行业的 AI 团队都该看看,少踩试点烂尾的坑。
50 亿美元砸给一家连人体试验都没开始的公司,说明资本对 AI 制药的预期有多高。做生物医药投资或关注 AlphaFold 商业化路径的人都该看看这笔钱准备怎么花。
Demis Hassabis 的 Isomorphic Labs 拿下 50 亿美元 A 轮,Greenoaks、Sequoia、a16z 和 Alphabet 都在名单里。他们的 AI 药物引擎在癌症和免疫学上已经有积极的临床前数据,马上要进临床试验。关注 AI 制药落地速度的话,这条信息量很大。
这条推文用一行公式把 AI 实验室'烧钱 vs 赚钱'讲清楚了:营收减 CapEx 才是真实差距,还假设能力和算力是对数线性关系。想搞懂为什么大家质疑 OpenAI、Anthropic 的巨额数据中心开支能否回本,这个框架比一堆财报术语直观得多,投资人和行业观察者都该看看。
Sage AI 的 S2.1 Flash 现在能直接在 vLLM 里跑了,权重在 HuggingFace 和 ModelScope 都能下。它会读分子图谱和蛋白质结构这类科学数据,还能边做边检查中间结果。做科研计算或生物信息工具的开发者可以试试自己部署。
Perplexity 的同事用 Fable 5.2 写了个浏览器下潜游戏,从礁石一路潜到 Challenger Deep,扫描 18 个发现物。没游戏引擎、没 Three.js,所有画面和音效都是代码生成,整个游戏就一个 373 KB 的 HTML 文件。想看 AI 全代码生成游戏能到什么程度,直接打开玩就行。
Altman 又放大话了:AI 一年跑完百年科学。没有新数据,但能看出 OpenAI 在反 AI 舆论升温时的造势方式。想了解硅谷头部怎么讲故事、怎么对冲监管压力的可以看看,当观点读别当事实。
阿里这次发的 Qwen4-Max 不拼跑分,直接给了冷却剂发现和药物分子优化两个真实实验室案例,能自己串起仿真和实验步骤。做材料、制药研发的团队可以直接去 Model Studio 调 API 试试。
Stanford HAI 用自家 Hoffman-Yee 基金资助校内学者,把 AI 用到精准医疗和天文学这两个硬核领域。想看学术界在往哪个方向押注的,可以去官网翻一下项目列表。
DeepMind 分拆出来的 AI 制药公司刚拿了 50 亿美元,打算把算法设计的候选药推进到临床试验。全球估计没几笔这么大的 C 轮,做药物研发或关注 AI 应用落地的朋友可以看看它是怎么用 AlphaFold 技术设计分子的。
强脑科技的韩璧丞在 APEC 峰会上聊了脑机接口的两个方向:治阿尔茨海默症和失眠,以及用大脑直接操控设备。他们走的是不开刀的非侵入式路线,和 Neuralink 埋电极的做法正好相反。关心人机交互和医疗方向的朋友可以看看。
Demis Hassabis 拿了诺贝尔奖后,他带的 AI 药企又融了 50 亿美元,Greenoaks 和红杉一起领投,淡马锡、英国主权 AI 基金都在里面。钱主要砸向基础模拟模型和药物管线扩张,这个融资体量在 AI 制药赛道里很少见,做生物医药投资的和关注 AlphaFold 后续落地的都该看看。
npj Digital Medicine 上的新框架 FIRE-EVIDENCE,用 LLM 把女性健康领域的文献证据整理成机器可读结构。做医学信息学、循证工具或 RAG 抽取流程的人可以看看它的方法学设计,跟人工系统综述的做法完全不同。
AlphaFold 团队独立出来的 Isomorphic Labs 拿了 50 亿美元,准备把 AI 设计的药物推到人体试验。钱比大多数 AI 制药公司整个生命周期拿到的还多,做药企、生物技术或关注 AlphaFold 商业化的都该看看这笔钱怎么花。
Hassabis 的 Isomorphic Labs 拿到 50 亿美元,是 AI 制药赛道少见的大额融资。他们靠 AlphaFold 积累的结构预测能力做药物设计,和传统药企的试错筛选走的是两条路。关注 AI 医药和生物计算方向的人值得看看这笔钱的动向。
这篇 NEJM AI 的综述把肺癌影像 AI 研究的统计问题摊开来讲:外部验证缺失、偏倚校正不足这些坑都点出来了。做医学影像模型或准备在医院落地这类工具的团队,可以照着文中清单自查。
很多骨质疏松患者其实早就拍过胸片,只是没人看骨头。这项研究让模型从常规胸片里顺带找出椎体骨折风险,不用额外做 DXA。放射科和骨科的医生值得看看怎么接入现有流程。
腾讯混元的 Hy4 Flash 我觉得适合两类人看:想低成本批量做 3D 内容原型的开发者,以及在 Hy4 和 Hy4 Flash 之间纠结选哪个的团队。这篇实测把两个模型的耗时(63 分钟 vs 90 分钟)、画质差异和适用场景都摆出来了,比官方宣传稿实在。免费期到 11 月 30 日,正好可以自己跑一遍再决定买不买。
做医疗预测模型的人可以看看这篇。动态生存模型性能虽好但解释不了,DynSurvX 用 Shapley 值把每个时间点的特征重要性算清楚,还比基线快 41%-80%,临床部署时医生能看懂模型在用什么做判断。
arXiv 上的新论文 FM-Recon,把冻结的基础模型编码器特征塞进 MRI 重建网络,在 CMRxRecon2023 数据集上验证了中等加速倍数下效果更好。做医学影像重建的可以看看它怎么整合特征。
给牙科影像团队看的:研究者用 CT 体数据模拟摆位错误造训练对,五种模型里 U-Net 和误差条件化方案表现最好,能直接在已有片子上纠正而不是让患者重拍,省剂量也省时间。
搞智能家居或端侧部署的开发者值得看这篇。它把散落的研究整理成一套架构模块和评估维度,还点破了两个常见误区:本地部署不等于更安全,虚拟环境基准测不出真实家庭表现。
做医疗方向微调的可以看看,论文给了具体的双层数据筛选做法,在 Llama 和 Qwen 上安全率比最强基线高出 4.64 和 3.00 个百分点,还提供了能力与安全之间的权重调节手段,不用全量人工标注也能控风险。
斯坦福微生物学团队嫌调 OpenAI 模型太贵,由此长出了 Noeri,现在拿了 Menlo Ventures 领投的 1.1 亿美元。做科研或高频调用模型 API 的团队可以关注它的省钱思路。
医疗账单看不懂、比价难的问题,这篇论文用GPT加BM25混合检索直接从医院公布的价目表算价格,单项误差降到19%左右,比不用RAG的版本低了一个数量级。做RAG落地的开发者可以看看它的失败案例分析。
做药物发现或图神经网络的人可以看看这篇。它把药物相似性、蛋白相似性网络和 RGCN 结合起来预测药物-靶点相互作用,还用 DistMult 和 ComplEx 做解码器,代码开源了,可以直接跑数据对比效果。