微软研究播客:AI 如何塑造医疗健康的未来
微软研究播客《The Shape of Things to Come》中,Doug Burger 与 Eric Horvitz、Eric Topol、Ava Amini 探讨 AI 在医疗健康领域的未来。讨论覆盖 AI 辅助诊断、医学影像、全患者模型、虚拟细胞与生物基础模型,并分析研究成果为何难以快速惠及患者,以及更好生物数据与真实世界验证的必要性。
微软研究播客《The Shape of Things to Come》中,Doug Burger 与 Eric Horvitz、Eric Topol、Ava Amini 探讨 AI 在医疗健康领域的未来。讨论覆盖 AI 辅助诊断、医学影像、全患者模型、虚拟细胞与生物基础模型,并分析研究成果为何难以快速惠及患者,以及更好生物数据与真实世界验证的必要性。
Latent Space 播客邀请 Black Forest Labs 的 Andreas Blattmann 与 Dustin Podell,讨论团队为何在 FLUX 3 中把静态图像、运动视频和声音三种信号放在一起训练。
前 OpenAI 与 Anthropic 研究员 Jacob Coxon 称,Anthropic 已能用原始所需算力的一小部分重训 Mythos,并认为 Mythos 是算法效率超指数进步曲线上的一个点,而非一次性跃升。
应用数学家 Steven Strogatz 与 Alex Townsend 合著新书《Big Math: The Hidden Codes That Run Our World》,探讨大语言模型、AI 聊天机器人与量子计算推动的“大数学”正开始超出人类创造者的掌控。
土耳其为 COP31 气候峰会预热的 Antalya Artificial Intelligence Pledge 明确写明目标"自愿且非强制性、不产生新义务",被批为对 AI 环境影响的"安慰剂"。
The Decoder 的 Frontier Radar 第 5 期盘点了 27 家由大厂离职研究者创办的独立 AI 实验室,按持续学习、语言之外的世界模型、稀缺数据、算力、自动化科研和模型周边工具六类技术押注分组。
Helmholtz Munich 的 Fabian Theis 认为,现有数据集下的扰动预测并不足以支撑复杂算法,应转向用大规模、高精度、多尺度、共配准的生物数据预测分子→细胞→组织→器官→生物体的演化。
哈佛商学院教授 Willy Shih 在 Decoder 播客中讨论 AI 基础设施大规模建设对全球供应链的隐性成本,并解释关税与制造业回流的现实困境。他指出,面对对华关税,制造商的第一反应往往是经越南、墨西哥等地绕道规避,而非真正回流美国。其新书《Where Does My Stuff Come From?》聚焦全球供应链背后的经济学逻辑。
随着企业将智能体 AI 引入日常工作流,AI 安全的核心已从工具问题转为数据可见性问题:数据被持续摄取、复制、摘要、转换和再分发,传统围绕应用、系统、网络和端点的安全方法已不够用。文章提出团队需要建立数据血缘,才能在人类、智能体及混合工作流中实现治理、问责与信任。
面向 AI 编程智能体的按 token 计费模式正让高价值工作流变成最贵的一环,Uber 据称在 4 月就耗尽全年 AI 预算,GitHub Copilot 也从固定费率转向按量计费。文章主张改用「每个已合并 PR 的成本」衡量投入产出,并搭配返工与缺陷指标。HPE 称其混合 AI 平台将 150 多个内部应用的常规负载路由到本地开源权重模型,token 成本下降 30% 至 50%。
Latent Space 主播 swyx 与 Supabase 创始人 Paul Copplestone、Ant Wilson 首次同台对谈,讨论为什么智能体偏爱 Supabase 作为应用后端。
Import AI 第 478 期汇总了四项进展:AI 安全公司 Resolution 用智能体自动形式化奇点消解,耗时约一周、花费约 13.5 万美元 token 费用。
Apollo Global Management 首席经济学家 Torsten Slok 在报告中指出,剔除 Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia 和 Tesla 后的 S&P 493 企业,其利润率和人均营收基本持平,没有证据显示 AI 提升了生产率。
企业 AI 的衡量重心正从 token 或 GPU 小时单价转向"每个有用产出的有效成本",即完成可被业务使用的请求或工作流所需的平台、模型、运营与容量总成本。
TripleTen 调查显示,科技行业领跑 AI 采用,金融紧随其后:48% 的金融从业者被要求使用 AI 聊天机器人,32% 被要求自动化部分工作流,而医疗和教育分别只有 18% 和 25%。79% 的受访者被要求学习至少一项新技能,但仅 30% 的管理者认为判断 AI 输出对错是必备能力。员工主导的 AI 创新中 88% 成为公司标准做法。
The Decoder 报道,一篇关于机制可解释性的新文章引发研究者分歧。作者 Cammarata 认为,InceptionV1 中著名的猫脸与汽车神经元其实是 V 形检测器,并非叠加现象,他提出递归泛化来解释神经元的关联模式,并称在 Qwen3-32B 中约 90% 的神经元极点只有一个主要功能,仅 2% 到 4% 无法解释。
Google 工程师 Haydn Belfield 表示,DeepMind 未观察到 AI 自身驱动的研究加速,自我改进型 AI 仍很遥远。AI 目前编写超过 75% 的生产代码,但约 88% 的代码改动仍需人工监督或审查,完全交由 AI 处理的改动占比从 7.5% 升至 11.9%。
The Verge 资深评测人 Victoria Song 用 Twin Health 的数字孪生追踪了约 100 天代谢数据,该服务通过 Dexcom G7 CGM、智能体重秤、血压计和血液检测构建虚拟代谢模型,用红橙绿三色预测食物对血糖的影响。她表示记录饮食确实减少了不健康零食,但未带来明显减重,减药目标也未顺利实现。Twin Health 目前仍属实验性服务,仅通过企业或私人健康计划提供。
Cerebras CEO Andrew Feldman 在 TechCrunch Disrupt 2026 上批评 AI 末日论,称部分 AI 领袖"或许不该被允许公开讲话",认为行业忽视了 AI 的潜力。
Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 访谈中介绍,Dyna-2 是基于超过一百万小时人类视频预训练的世界动作模型,后续的 Dyna-2.1 已作为实体机器人智能体落地。
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在一场对谈中指出,AlphaFold 的突破只是开始,蛋白质折叠远未被解决,静态结构预测无法覆盖蛋白质动态与无序性。
Periodic Labs 联合创始人 Liam Fedus 与 Ekin Dogus Cubuk 在 Latent Space 播客中提出“合成超级智能”(synthesis superintelligence),主张 AI 科学发现不能只靠更多互联网数据训练,而要让模型在真实物理实验中学习。
Ben Affleck 自述从小对计算机感兴趣,在电影从模拟转向数字后更关注视觉特效流程,并指出该流程多年来已包含机器学习。他称自己会写"相当糟糕的 Python 脚本",并解释卷积神经网络作为 Transformer 的前身,可通过 tensor 中的数值识别边缘检测与特征提取,从而更轻松地抠出绿幕并替换背景。
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界,以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历,分享与当前 AI 系统协作的实用建议,并强调当结果偏离预期时应仔细审视数据。
企业 AI 的焦点已从预测模型能否超越统计预测,转向如何让预测系统在不偏离业务意图的前提下自主行动。深度学习和生成式 AI 驱动的智能分析支持实时训练,使 AI 持续演进而无需等待季度刷新,其数据来源也从规整的数值记录扩展到非结构化交互数据。Everest Group 合伙人 Vishal Gupta 认为,"分析"一词正让位于 AI。
MIT Technology Review 报告指出,企业 AI 正从工具转向“智能体式转变”的运营模式,2026 年全球 AI 投资预计达 2.5 万亿美元,同比增长 44%。报告认为企业 AI 的扩展瓶颈是结构性的,流程优先的公司正在领先,而多数企业仍未靠 AI 实现收入增长。关键路径是重建数据基础设施、采用可组合架构,并解决 AI 主权问题。
Anthropic 开设湿实验室之际,Endura Therapeutics 的 Adrian Sanborn 提出 AI 改造科研的两条路径:Foundries 用新一代测序、多重检测和物理自动化把实验数据产出提速一个数量级,Navigators 则用模型优化决策与流程,无需专有模型或大数据集。
Radical Numerics 联合创始人兼 CEO Eric Nguyen 认为,能提升生物能力的模型同样能用于防御,当前防御方在这场 AI 军备竞赛中处于落后,但他主张继续推进前沿。
Google 的 Empirical Research Assistance(ERA)把可写成评分函数的科学问题交给 Gemini 自动搜索最优代码,用类似蒙特卡洛树搜索的 Upper Confidence Bound 规则挑选并变异实验 notebook,每次约十个变异,分支历史共享。
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战:为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1,部分厂商已低于 $0.10,推理价格年降幅在 9x 到 900x 之间,中位数约 50x。