阅读

过去几年，人们常把放射科当作AI取代工作的典型例子。Geoff Hinton在2016年曾断言，人们应该停止培养放射科医生，因为五年内深度学习就会做得比放射科医生更好。Jason Wei在这篇博客中给出的判断更谨慎：放射科会在未来十年发生变化，但放射科医生不会很快被自动化取代。他的核心观点不是AI能力不足，而是放射科的工作结构会先让AI成为分诊工具，而不是一次性替代全部读片工作。

第一个机制是“智能的参差边界”。Jason Wei指出，语言模型在可验证、数据充足的常见任务上表现突出，但在少见任务上仍不稳定。放射科并不是单一任务，而是极其多任务：仅X光片就可能涉及至少上百种可诊断情况，CT和MRI则涉及数千种。AI会先掌握常见、容易发现的疾病，而不会因为模型整体变强就自动擅长罕见病。他认为，从可靠分诊工具走到完全自动化，最好情况下也要三到五年，因为边缘病例的训练会被罕见病数据收集卡住，而且放射科目前并不是前沿模型实验室的优先方向。

第二个机制是弹性需求，也就是“杰文斯悖论”。Jason Wei认为，这是人们讨论AI自动化时最被低估的现象。他以自己使用Claude Code为例：当编码成本降低后，他会要求模型写一个约三千行的HTML查看器，用来可视化自己每次强化学习运行，这说明软件工作并没有因为AI变强而需求下降，反而让更多以前不值得做的工具变得可行。放射科也可能如此：如果MRI读片的成本和延迟接近于零，医生会更愿意提前开具更多检查来辅助诊断。他给出的示意性判断是，AI工具可能让放射科医生只读百分之二十的来片，但来片量可能增加五倍。许多发展中国家每百万人不足一名放射科医生，也可能把更多影像送去解读。

Jason Wei进一步把这种需求扩张推到更长期。如果影像解读几乎不增加等待时间，医疗设备公司会有动力制造更便宜、更高频使用的MRI设备，甚至可能在手术过程中使用。他还提出一个假设：如果全身MRI只要一百美元，他愿意每月做一次，而不是每两年做一次。这不是已经发生的事实，而是他用来展示弹性需求的例子。按照这个逻辑，放射科价格下降十倍或百倍后，预防性检查数量可能大幅上升，放射科工作并不会因为单次读片被自动化而消失。

第三个机制是医学本身会变化。即使今天出现一个能超过全球最好放射科医生的模型，放射科工作也不会结束。新的治疗流程可能要求医生以当前不熟悉的方式阅读影像，新的扫描设备也可能揭示今天仅靠放射学无法诊断的疾病。Jason Wei认为，一部分放射科医生会从读片转向前沿研究，把新知识转化为更新模型。与此同时，社会还会要求AI做更多事情，例如利用影像预测未来疾病概率，让癌症比现在更早数月被发现。这种预测能力若形成飞轮，反而会进一步增加对放射科和AI系统的需求。

医疗制度也会拖慢完全替代。Jason Wei提到，医疗系统通常比科技公司更慢采用新技术，监管更多，遗留基础设施更复杂，医疗机构还必须持续服务患者。数据访问也受隐私和伦理审查限制。这些因素不证明放射科医生永远不会被替代，但说明替代不会只是模型指标超过医生后的瞬间切换。

这篇博客最有用的地方，是把“AI会不会取代放射科医生”从一个情绪化问题拆成几个可检查条件：任务是否高度多任务，罕见病例是否有足够数据，单位成本下降后需求是否会扩张，医疗制度能否吸收新工具，以及医生工作是否会转向研究和模型更新。Jason Wei的结论是，放射科会更繁荣，而不是简单消失；他把编程也作为类似例子，认为领域会剧烈变化，但需求和质量上限同时提高时，专业工作仍会存在。

这个判断的边界也很明确。它是Jason Wei的预测和机制解释，不是已经验证的就业数据或医疗市场结果。如果罕见病数据瓶颈被快速解决，模型泛化能力超过他的估计，或者医疗支付制度改变使更多检查并不转化为放射科医生岗位，放射科工作仍可能大幅减少。但反过来，若只因为模型在常见影像任务上变强就断言放射科医生很快失业，也会忽略分诊先于全自动、以及弹性需求扩大工作量这两个关键机制。

Qdrant 工程团队用 DMIS Lab 的 UltraBERT-Embed-150M 测试了一个实际问题：当嵌入模型能处理 32K token 输入时，检索管道还需要分块吗？他们在 LongEmbed 基准的五项任务和 MLDR 的 20 万篇维基百科文章上，将整篇文档的单一 768 维向量与 512-token 分块逐段对比。

结果取决于查询类型。需要定位具体细节的任务——多跳问答、会议摘要、单句检索、大规模文章匹配——分块全面占优：Needle 任务在 32K token 时整篇向量仅 30% 命中正确文章，512-token 分块达到 56%；MLDR 上分块 nDCG@10 为 0.683，整篇向量仅 0.509。整篇向量只在 SummScreenFD（查询描述整个剧集）上略胜。混合检索同时使用整篇向量和分块向量，并未稳定改善结果，在多数任务上反而不如纯分块。

Qdrant 的结论是：分块仍是细节检索的起点，长上下文向量更适合主题级粗筛。1-bit TurboQuant 压缩将 143 万分块向量从约 4 GB 降至 140 MB，使分块方案的存储成本不再是障碍。所有数据为 Qdrant 的自测结果，未经独立复现，且仅覆盖英文文档；嵌入耗时在 NVIDIA L4 上测量。

Podium 是一家在销售、客户服务和支持领域广泛使用 AI Agent 的公司。在其官方频道发布的视频中，Walker Ward 分享了 Podium 如何在一个共享平台上运行这些 Agent。

Ward 指出，将 LangSmith 设定为公司的默认 Agent 平台，其价值超过了任何单一的技术功能。这一策略的核心在于“继承”：即使某些团队尚未充分认识到可观测性（observability）的重要性，通过默认平台的设置，他们也能自动获得这一能力。

此外，当公司开发新的 Agent 时，它们会自然遵循那些已经被证明可以规模化运行的现有模式。这种组织层面的标准化，有助于解决 AI Agent 在企业内部大规模部署时的碎片化和治理难题。

中国科技公司小米于2026年10月30日晚间发布并开源了轻量级全能文档理解模型Xiaomi-OCR-0。该模型参数量仅为0.8B（8亿），将文档解析、关键信息抽取（KIE）与OCR视觉问答（VQA）三类能力融合于一体。小米表示，该模型旨在解决复杂表格、论文和票据的结构化解析难题，并推动手机端“超级小爱”助手从单纯的“文字识别”向更深层的“文档理解”演进。

据智东西报道，Xiaomi-OCR-0在检验综合文档解析能力的权威基准OmniDocBench v1.6中取得96.83分，位列1B以下参数模型第一；在五项主流OCR视觉问答基准的平均分为83.2，优于HunyuanOCR、TokenVL等模型，并以约20%的参数规模逼近Qwen3.5-4B的成绩。此外，在模拟真实物理采集条件的Real5-OmniDocBench基准中，该模型得分95.24，在对比模型中排名第一。需要指出的是，上述成绩均为厂商自测结果，尚未经过独立第三方复现验证。

技术实现上，Xiaomi-OCR-0基于Qwen3.5-0.8B-Base基座构建，训练使用了约1.7亿条高质量样本。团队采用了三阶段渐进式策略：首先通过Q-Mask文本锚定强化视觉与文字的空间对应，随后进行大规模多任务预训练以建立全页解析基座，最后引入混合任务强化学习以提升复杂版式还原和多步推理能力。数据引擎方面，小米引入了异构专家共识机制和渲染引导校验闭环，以滤除单模型偏见并修正结构缺陷。

小米已完整公开该模型的权重与推理代码，并提供浏览器交互式Demo、MCP服务以及Agent Skill工具包。这一举措有望降低端侧设备和智能体集成高级文档理解能力的门槛，使OCR从单一工具转变为可被调用的基础能力。对于开发者而言，获取一个具备较强语义理解能力的轻量级开源模型，可能改变以往依赖云端大模型或组合多个专用小模型的技术路径。

OpenSearch软件基金会执行董事Bianca Lewis在接受The New Stack采访时透露，自2024年9月AWS将OpenSearch捐赠给Linux基金会以来，该项目的治理结构正在发生实质性变化。最新数据显示，AWS在OpenSearch代码仓库中的贡献活动占比已从第一年的91%下降至2025–26年的72%。同时，核心仓库中亚马逊工程师担任维护者的比例也从2022年4月的95%降至目前的71%。

这一转变反映了企业用户对供应商中立性的需求。根据Linux基金会与OpenSearch软件基金会联合发布的《2026开放数据基础设施报告》，自2024年以来，用户自行管理的云部署增长速度超过了亚马逊托管的OpenSearch服务。目前，60%的受访OpenSearch用户在云中运行自托管部署，较2024年的37%显著上升；而使用亚马逊托管服务的比例仅从44%温和增长至48%。

尽管AWS仍占据近四分之三的代码贡献，并在15个技术指导委员会（TSC）投票席位中持有4席，且其员工Andrew Ross于10月连任委员会主席，但Lewis认为法律上的独立是建立信任的基础。“当他们把它捐给Linux基金会时，那是一个分水岭时刻，”Lewis表示，“因为他们无法关闭OpenSearch，也无法更改许可证。他们不再拥有这个应用程序。”

OpenSearch正试图成为企业AI基础设施的核心组件，特别是在检索增强生成（RAG）等应用中。其最新版本OpenSearch 3.9增强了向量搜索和混合搜索能力，旨在帮助开发者为AI应用检索信息。然而，报告也指出，仍有24%的非采用者因担心项目与AWS的历史联系而持观望态度。

Meta计划在这个假日季发售Muse Charm——一个可以随身携带的AI电子宠物硬件。The Verge gadgets编辑Sean Hollister没有买它，因为他花50美元从中国直邮了一块Waveshare ESP32-S3 1.75C触摸屏开发板，用Claude Code把它变成了自己的Muse Charm。

这块开发板是Meta官方推荐的Muse Gadget开发套件之一，使用Meta的开源代码和令牌直接连接Muse AI云端。Hollister把设备插到电脑上，让Claude指向Meta的GitHub仓库，然后配对到Muse手机App。但开箱体验让他觉得这东西几乎没用：Muse把他的语音当成待转录的音频片段而不是指令；回复很慢，不发声；屏幕上只显示几个字，没有地方看完整消息；只有一个叫Jolly的静态头像；不会自动发现智能家居设备。

真正改变一切的是几轮Claude Code对话。Hollister告诉Claude他读不到也听不到Muse的回复，Claude就建了一个对话历史页面，可以右滑查看完整消息；他接入了ElevenLabs的英式AI语音让设备朗读回答。他抱怨远程拍照时手机前置摄像头画面是倒的，Claude修好了，还加了一个蓝牙低画质实时预览，这样不在家里Wi-Fi下也能从创意角度取景。

电子宠物部分是另一个例子。他让Claude做了一批不同头像，加了一个Tamagotchi式小游戏：宠物需要喂食、玩耍、睡觉和洗澡。游戏太简单留不住注意力，他就让Claude加了饥饿、无聊和脏污各四个等级。他决定零食会弄出碎屑让宠物变脏，玩太久会累。整个过程中他只需要描述想要什么，Claude负责写代码。

他还让Claude花15分钟做了一个带三根指针、真正能显示时间的怀表表盘，以及一个视频播放器，把扎克伯格介绍Muse Charm的片段下载、剪辑后装进了这块小屏幕。

Hollister明确表示他没有编程经验，不知道这些代码质量如何，可能致命缺陷。他也不信任Meta和Muse，因为此前有报道说Muse泄露了一位评测者的家庭住址，所以他从一开始就把设备放在访客Wi-Fi上。

他的最终判断是：Muse本身不是买专用计算硬件的理由，因为手机上的Muse功能比这块开发板开箱状态还多。专用硬件值得拥有的原因，是你可以把整个设备重新编程，去做口袋里那台手机做不到的事。这让他对即将上市的Muse Charm产生了一个疑问：它是否也允许这样自由编程，还是说真正想折腾的人应该直接买开发板。

AI基础设施建设的巨额投入，本质上是在押注企业未来愿意为智能付费。但一个更紧迫的问题是：企业内部的什么变化，才能让这些投资真正变成自我造血？前IDC总裁、现PSG Equity高级顾问Crawford Del Prete在SiliconANGLE Breaking Analysis节目中给出了一个具体的机制解释：当前AI正在自动化大量个体任务，但尚未改变组织的工作流设计，因此个人生产力提升与公司利润表之间存在一条J型曲线。

Del Prete的观察来自他每天接触的PE投资组合和大量企业客户。他描述了一个看似矛盾的现象：一方面，量化导向的客户对算力需求是'真正贪婪的'——他们愿意买下所有能获得的GPU容量，因为AI让他们能创造出以前无法实现的分析和交付物；另一方面，更广泛的企业客户正在把AI用于编码、客服等预期领域，并开始渗透到组织内部的各个具体任务。但'工作由数百甚至数千个任务组成，我们开始自动化这些任务，却没有改变工作在一个组织中被编排的方式'。

这就是J型曲线延迟的来源。主持人Vellante引入了Brynjolfsson、Rock和Syverson关于无形投资如何影响生产力的研究框架：采纳阶段先投入工具和技能，然后重新设计流程，这两步都会让累计现金流为负；只有当整合贯穿整个组织后，曲线才开始陡峭上升。Del Prete用PC时代做类比——从PC引入到生产力数据可见增长，实际花了十三四年，中间的关键转折是1996年到2002年的互联网连接期。他同时指出一个与dot-com时代的重要区别：当年铺设的暗光纤长期闲置，而'今天每一块上线的GPU都是100%利用率'。

Del Prete认为跨越这条曲线的具体路径是工作流的重新设计，而非对现有流程的简单自动化。他把这与此前的RPA做对比：RPA之所以困难，是因为你必须把人类步骤写成代码；而AI的不同在于'从底层开始'——员工用自然语言解决自己长期面临的痛点，然后把解决方案编码为可复制的项目或技能，再在整个组织中共享。他把这称为'一种极其灵活、可适应、可用的RPA，以前从未存在过'。

在软件定价层面，Del Prete观察到最显著的变化是从席位制向用量制迁移。对于非SaaS公司引入AI，最大的挑战是'如何单独货币化AI'——答案通常不是单独卖AI，而是把它嵌入核心产品，通过交叉销售、升级和提价来体现价值，最终推出AI专属的增量功能。他对基于结果的定价持保留态度，因为'它变得非常偶发，与项目关联，你就得不到那种粘性'。

Del Prete还提出了一个三层软件模型来解释AI对产业格局的影响：执行层（计算工作本身）、判断层（从数据中自动生成洞察）、问责层（谁为结果负责）。他认为执行层和判断层正在被AI吸收，而'问责层是公司今天真正聚焦的地方'——谁在凌晨两点接电话，谁对合规数据负责。这意味着未来的软件公司需要在执行和判断层尽可能高效，同时让人类能够承担比以前更多的决策责任。

关于判断AI是否接近自我造血的可观察指标，Del Prete列出了他在投资组合中实际跟踪的几组数据：净留存和总留存如何随AI功能推出而变化；赢单/输单分析——客户是否转向更AI-native的竞品，或者转向内部自建；AI功能是否在吸引新客户；以及每个增量客户是否因为生态数据而获得更好的体验。他特别强调'下一个最佳行动'的追踪：工单是否被重新打开、发票是否被争议、推荐是否被接受——这些后续交互构成双向客户价值飞轮。

Vellante和Del Prete共同维护的框架是：他们2026年夏季的AI泡沫预测研究将2029年标记为最高风险年份——如果基础设施供给在生产力货币化之前赶上，泡沫破裂风险将升至危险水平。当时的判断是供给约束和健康的资本融资意愿可以提供软着陆条件。Del Prete承认'这些生产力数字需要很长时间'，但他同时说'我从未见过一种技术被世界如此迅速地拥抱'。两者的张力正是这篇文章的核心：采用速度前所未有，但组织重新设计的速度从未快过技术本身。

需要明确的是，这是Del Prete基于其PE投资组合观察和数十年技术周期经验提出的归因论点，而非独立验证的预测模型。J型曲线是概念性类比，2029年是条件性判断（取决于供给与货币化的相对速度）。Del Prete接触的客户本身已是高采用率企业，对更广泛市场的代表性有限。他的观察提供了判断企业AI是否接近自我造血的具体条件和可追踪指标，但不构成对泡沫是否破裂的确定性预测。

PolyAI联合创始人兼CEO Nikola Mrkšić近期出现在由Barclays Eagle Labs制作的《Disruptive》播客片段中，主持人是Luke Christoforidis。在该片段中，Mrkšić探讨了为什么硅谷流行的“语音已死”观点实际上脱离了人们与企业建立联系的现实方式。

PolyAI是一家构建企业级语音AI代理以接听客户电话的公司。这一资源适合那些希望了解语音AI在商业场景中实际应用现状及其市场定位的专业人士。虽然未提供完整的论证细节，但来自一家领先语音AI公司创始人的直接观点，为评估语音技术在企业通信中的持续重要性提供了参考。

PolyAI（poly.ai）联合创始人Nikola Mrkšić在科技访谈节目《The Unlock with Oliver Bruce》的最新片段中，探讨了人工智能对就业市场的深远影响。Mrkšić来自贝尔格莱德，他在节目中提到了其母亲在塞尔维亚国家银行（National Bank of Serbia）的工作经历，以此作为个人化的例证来说明AI浪潮的规模。

根据发布者提供的视频标题和描述，Mrkšić指出其母亲所在的部门原有40人，最终仅有2人留任。他借此案例论证AI是“同一股浪潮，但规模远更大”。这一观点为理解AI技术如何重塑传统行业劳动力结构提供了一个具体的、可感知的切入点。

对于关注AI产业投资及社会影响的读者而言，此片段的价值在于它并非抽象的技术讨论，而是由一家专注于企业级语音AI代理（voice AI agents）公司的创始人提出的第一手观察。尽管未提供完整转录稿或详细论证过程，但该资源明确标识了嘉宾身份、所属机构及其核心论点方向，适合作为了解AI就业替代效应的快速参考材料。

PolyAI联合创始人Nikola Mrkšić近日出现在科技访谈节目《The Unlock with Oliver Bruce》的片段中，分享了他离开苹果公司并创立PolyAI的经历。Mrkšić曾在苹果内部参与Siri的开发工作，他在描述中提到，由于周围人不断反馈Siri的表现不佳（“People kept telling me Siri's sh*t”），这促使他决定离开苹果，转而构建专注于单一任务但性能卓越的语音AI产品。

这一叙述为观察大型科技公司AI人才流动及竞争格局提供了一个微观视角。Mrkšić所创立的PolyAI目前主要为企业客户提供能够自动接听客服电话的语音AI代理。尽管该片段未展开详细的技术论证或市场分析，但其明确指出了前苹果员工因对通用助手体验失望而投身垂直领域语音交互开发的动机。对于关注AI产业投资、特别是语音技术商业化路径的专业读者而言，这一背景故事揭示了从通用大模型向特定场景专用工具转型的一种潜在驱动力。

据The Decoder报道，OpenAI计划从11月29日起将其Daybreak Blue网络安全产品的会话数据用于模型训练。这一变化通过一封发给Trusted Access计划成员的电子邮件得到确认。此前，这些数据被明确排除在训练之外，即使用户已关闭“为所有人改进模型”的通用设置。

消息传出后引发了迅速的反响。OpenAI随后发送了第二封电子邮件，承诺将提供一个单独的退出选项（opt-out）。不过，报道指出，在安全审查中被标记的交互内容仍可能被用于安全目的。

这一政策变动让研究人员担心重演Buckmaster-Alpöge事件。在该事件中，数学家Tristan Buckmaster和Levent Alpöge曾向OpenAI的Codex上传Navier-Stokes方程草稿，随后OpenAI提出了自己的证明但否认使用了他们的输入进行训练。然而，这种怀疑本身足以向研究人员展示潜在的风险。

美国司法部（DOJ）于2026年10月31日宣布，“捉鬼敢死队行动”（Operation Ghostbusters）的首批调查结果已导致对五名被告的起诉，并查封了与肯尼亚国民网络相关的超过75万美元加密货币。这是该类案件在肯尼亚的首次国际资产查封。

据司法部声明，犯罪分子使用被盗身份注册学生贷款，并利用人工智能完成申请流程，使虚假学生看起来正在参加在线课程。虽然学校获得了大部分欺诈所得，但剩余资金通过“骡子”账户转移至海外同伙手中。无辜受害者——那些高中毕业后直接工作而未上大学的人——因此背负了他们从未申请的债务。

自2021年以来，美国多所社区学院和大学开始怀疑联邦学生援助（FAFSA）项目存在欺诈。估计显示，美国政府因此类活动损失超过2亿美元。目前，涉及26个FBI外勤办公室和20个美国检察官办公室的40多起欺诈案件仍在调查中。