与「医療系」相关的搜索结果

瑞士将于6月14日就“对‘千万人口瑞士’说不”这一动议举行全民公投。该动议旨在限制移民并实施一系列措施，以确保在2050年之前，瑞士常住人口总数不超过1000万。 目前瑞士总人口为910万。根据瑞士联邦统计局的预测，瑞士人口将在2040年初突破1000万。到2030年代初，人口将达到950万。届时，瑞士必须采取切实措施遏制人口增长。 瑞士右翼民粹主义政党人民党（SVP）提出动议，要求瑞士应该将人口上限设定为1000万。gfs.Bern研究所的一项调查显示，47%的受访者支持这一“人口上限”提案，同样有47%的受访者表示反对，另有6%的人尚未做出决定。 人民党议员托马斯·埃希（Thomas Aeschi）在接受瑞士德语广播电视台（SRF）采访时表示：“许多人并不愿就这一问题公开表态。然而，在不记名投票中，他们会在选票上选择‘赞成’。” 人民党认为，瑞士当前的移民水平过高，造成了住房短缺、租金上涨、景观被水泥建筑覆盖、交通拥堵、列车过度拥挤、犯罪率上升、医疗系统不堪重负以及教育质量下降等问题。 反对这项动议的人认为，对人口增长设定上限将损害瑞士经济并威胁繁荣，且会给联邦和地方带来“巨额成本”，并危及瑞士与欧盟的双边关系以及国家的人道主义传统。 根据巴塞尔独立人口学公司Demografik所做的调查，限制移民将给瑞士养老体系带来“沉重负担”。就劳动力市场而言，从比例上看，酒店餐饮业受到的冲击最大。而从绝对数量上看，工业、医疗保健及社会服务行业受到的影响最为显著。 详细报道请看：

最近研究 Arcium @Arcium 的时候，我一直在想一个问题。 过去的时间里，AI 行业几乎把所有注意力都放在模型能力、Agent 和应用体验上。 大家都在讨论谁更聪明，谁更懂自动化。 但如果 AI 真的开始进入企业、金融、医疗和机构级场景，那么决定它价值上限的，可能根本不是模型。 而是数据。 准确地说，只有这些数据才是真正能够创造价值的资源。 但它们同时也是最不能被暴露的数据。 于是一个新的问题开始浮现： 如果未来 AI 要处理这些高价值数据，那么它该如何在不暴露数据的情况下完成计算？ /////////////////////// 「 当 AI 开始接触真实世界的数据，隐私不再是附加功能 」 过去很多 AI 产品之所以能够快速发展，一个重要原因是它们处理的大多是公开数据。 但随着 AI 能力不断增强，它正在逐渐进入更复杂、更高价值的场景。 企业希望 AI 帮助分析内部运营数据。 金融机构希望 AI 提升交易、风控和决策效率。 医疗系统希望 AI 协助诊断和研究。 身份系统希望 AI 提供更精准的服务。 问题在于，这些数据的价值越高，对隐私和安全的要求也越高。 没有任何一家企业愿意把核心数据库直接开放给外部模型。 没有任何一家金融机构会允许敏感交易信息被随意访问。 这些数据需要被计算、被协作、被 AI 使用，但又不能被泄露。 某种意义上，AI 下一阶段最大的挑战或许已经不是模型能力，而是如何安全使用高价值数据。 如果无法解决这个问题，AI 的商业化上限终究会受到限制。 /////////////////////// 「 VVV 证明了 Privacy AI 的需求，但这只是故事的开始 」 有意思的是，市场其实已经开始给出答案。 Venice（VVV） @AskVenice 的出现，就是一个非常典型的信号。 很多人把 VVV 理解为一个 Privacy AI 产品。 但在我看来，它最大的意义其实并不是产品本身。 而是帮助市场验证了一件事： 用户确实在意自己的数据如何被 AI 使用。 过去大家默认接受自己的数据被上传、被记录、被分析。 但随着 AI 越来越深入工作和生活，人们开始重新思考： 我的聊天记录会被保存吗？ 我的研究资料会被用于训练吗？ 我的商业信息是否会被第三方获取？ 这些担忧正在变得越来越普遍。 而 VVV 的快速成长，也证明 Privacy AI 并不是一个边缘需求。 市场愿意为隐私能力买单。 用户愿意选择更加安全的 AI 产品。 企业同样需要更可靠的数据边界。 从这个角度来看，VVV 已经完成了 Privacy AI 最重要的一步： 证明需求存在。 但当需求被验证之后，一个新的问题自然会出现。 如果未来会有越来越多 Privacy AI 产品出现，它们最终运行在哪里？ 它们如何在不暴露数据的前提下完成计算？ 又如何实现多方协作和可信执行？ 而这些问题，恰恰把视角从应用层带向了基础设施层。 /////////////////////// 「 Arcium 想解决的，是 Privacy AI 背后的执行层问题 」 这也是为什么我开始关注 Arcium @Arcium 。 相比市场大多数 AI 项目仍然停留在应用层，Arcium 所切入的位置明显更靠底层。 它不是再做一个新的 AI Agent。 也不是再做一个新的 AI 产品入口。 Arcium 想建设的，是面向未来 Privacy AI 的 Encrypted Execution Network。 简单来说。 如果 VVV 代表 Privacy AI 的应用层。 那么 Arcium 更像 Privacy AI 背后的执行层。 VVV 让市场相信 Privacy AI 存在需求。 Arcium 则在尝试解决这些需求未来如何规模化的问题。 因为真正的隐私保护，从来不只是产品界面上的承诺。 而是数据在计算过程中依然保持安全。 计算能够执行。 协作能够完成。 结果能够验证。 这也是为什么我认为 Arcium 所在的位置比很多人想象中更有意思。 它切入的并不是一个短期热点。 而是 AI 进入企业级和机构级场景时必须面对的底层问题。 最近 Arcium 对 Inpher @inpher_io 的收购，也进一步强化了这种判断。 相比市场上的融资故事，我更看重背后的技术积累。 Inpher 长期深耕机密 AI 与隐私计算领域，并获得过摩根大通、亚马逊等机构支持。 对于机密计算项目来说，这类技术能力往往比短期叙事更加重要。 因为最终决定项目能否进入企业级场景的，从来不是营销能力，而是技术是否真正能够落地。 /////////////////////// 「 从应用到基础设施，Privacy AI 或许正在进入下一阶段 」 过去一年，市场已经逐渐开始理解 Privacy AI。 越来越多人开始意识到： AI 越强，隐私越重要。 真正高价值的数据不会完全公开。 未来的 AI 必须学会在不暴露数据的情况下完成计算。 而随着这种认知逐渐形成，市场关注点也可能开始发生变化。 从应用层到基础设施层。 从产品体验到底层执行环境。 从 Privacy AI 本身，到支撑 Privacy AI 长期运行的网络。 VVV 让市场看到了需求。 而 Arcium 所代表的，则是满足这些需求所需要的基础设施。 /////////////////////// 「ARX TGE，或许是市场重新审视 Privacy AI 基建价值的开始 」 最近随着 ARX TGE 临近，市场对于 Arcium 的讨论明显开始增多。 但在我看来，这轮关注背后更值得思考的，并不只是一次代币上线。 而是一个更大的问题： 当 Privacy AI 已经被证明存在真实需求之后，市场会不会开始关注支撑它运行的基础设施？ 过去一段时间，市场已经逐渐开始定价 Privacy AI 应用。 而对于 Privacy AI 基础设施，仍然处于非常早期的阶段。 当然，没有人知道未来谁会成为最终赢家。 但如果未来 AI 真的会深入企业、金融、医疗和机构级场景，那么 Privacy AI 不会只是一个应用故事。 它同样需要一套能够安全处理高价值数据的底层计算网络。 而随着 ARX 即将迎来 TGE，Arcium 或许正在成为这个方向被市场重新关注的重要节点之一。 至少从我目前看到的趋势来看，市场已经开始理解 Privacy AI。 而对于 Privacy AI 基础设施的定价，可能才刚刚开始。

第五个武器，是权威。 权威原理表明，权威会深刻影响人的行为，即使是具有独立思考能力的成年人，也可能因为服从权威命令，做出明显不理性的决定。 在医疗系统中，这一点尤其明显，护理人员虽然受过正规训练，但面对上级医生的指令时，仍可能放弃自己的判断，甚至执行明显有问题的指示。 行骗高手也很清楚权威符号的力量，所以他们常常通过头衔，制服，高档西装和身份标志来包装自己，让受害者先产生信任，再放松警惕。 防范权威原理，可以先问两个问题，第一，对方是不是真正的专家，第二，即使他是专家，他现在说的是否可靠，这能帮助我们从身份回到事实。

本日は高濃度ビタミン点滴❣️ ここ、友達もよく行ってるよー(о´∀`о) みんなメニュー多すぎてよく悩んでるほど、あれこれたくさんある😋💓💓 ありがたすぎる✨✨ @aclinic_ginza #アルファクリニック銀座# #医療系# #美容#

怪不得Step-5这么强，原来是掌握了蒸馏的焚决。。。 阶跃星辰团队发布论文P²-MOPD：让一个小模型同时继承多个专家模型的能力，训练时间几乎减半，能力恢复率却从 80% 提升到了 95%。 过去做这件事通常只有两条路。一条叫“任务算术”（Task Arithmetic），直接把专家模型和底座模型的权重差值按比例加起来，不用训练，但能力上限被锁死在原有权重的线性组合里。另一条叫多教师在线策略蒸馏（MOPD），让学生模型自己生成回答，再由各个领域的老师模型打分纠偏，上限更高，但学生得从零开始往每个老师的方向爬，训练慢，还很容易出现严重偏科。 论文第一作者 Sinuo Wang 在社区分享时抛出了一个很直接的问题：“如果专家模型的权重本身也能直接给学生指路，而不只是靠输出概率来监督呢？”基于这个想法，他们提出了 P²-MOPD，把学生模型的每一层线性投影拆成两部分：可自由训练的学生自身权重，加上一组冻结的专家权重差值（每个模块只配一个可学习的混合系数）。 在在线蒸馏的同一次反向传播里，学生权重和这组混合系数会一起更新。冻结的专家权重相当于给学生铺好了“参数先验”高速路，一个标量就能推着模型沿专家方向大步前进；而学生自己的权重依然保持可训练，不会被困在死板的权重合并范围里。等训练结束，混合系数直接折算回模型权重里，导出的依然是一个标准模型文件，推理阶段没有任何额外开销。 【一半步数反超，顺手治好严重偏科】 团队在 Qwen3-1.7B 和 4B 两个尺寸上，横跨医疗、法律、金融和指令遵循四个领域做了测试。从完全相同的任务算术初始状态出发，P²-MOPD 只用了一半的训练步数（实际耗时不到原方法的 55%），平均能力恢复率就已经反超了传统多教师蒸馏跑完全程的最终成绩。 跑满训练后，1.7B 模型的平均能力恢复率从传统方法的 80.9% 提升到了 94.7%，4B 模型则从 83.1% 升至 94.9%。更明显的变化在短板领域：此前传统蒸馏在最差领域的恢复率只有 32.0%（1.7B）和 47.2%（4B），用上新方法后直接拉升到了 88.0% 和 89.4%，跨领域的恢复率标准差也从二十多骤降到 5 以内。 【为什么以前总会落下几个领域】 过去大家常以为多教师蒸馏偏科是因为“不同领域的知识互相冲突”。但这篇论文通过实验证明，真正的瓶颈其实是参数空间的可达性不足：只靠常规权重更新时，学生模型在落后领域的专家方向上几乎挪不动步；而加上模块级的混合系数后，模型在专家方向上的推进距离直接放大了 13 到 15 倍（如果把专家方向换成随机方向，增益立刻归零）。 这套混合系数还展现出了很强的稳定性与可解释性。在三次不同随机种子的实验里，每个老师最终学到的平均系数误差全部在 0.01 以内；哪怕不喂任何验证集数据，梯度也会自动给最吃力的短板领域加码——比如最难啃的医疗领域，混合系数会自动从初始的 0.25 一路涨到 0.63 至 0.65。正如作者在总结里写的：“不仅专家的预测结果能监督蒸馏，专家的权重本身也可以。把它们作为可学习的先验保留在训练全程，就能指引学生往哪走。”

DeepSeek 训练慢了 1.5 到 2 个月，国产推理卡只有英伟达的七成。 这是一篇关于 DeepSeek 的最新访谈里透露的几个关键信息： 1）B 系列芯片比对手少，训练 600B 参数的模型要慢 1.5 到 2 个月。拿 H200 集群来补，性能也只有 GB300 集群的 45% 到 50%。 2）国产卡有钱也买不够。寒武纪和昇腾产能有限，每多接一家芯片就要多做一套适配，最省力的配法是一家供 80%、另一家补 20%。 3）推理已经国产化了。国内推理几乎全用国产卡，昇腾占约 65% 到 70%。以 H200 为基准，思元 690 约 70% 到 75%，昇腾 950PR 约 70%，Token/s 仍落后 30% 到 40%。 4）二线芯片还上不了训练。摩尔线程过了 3 万个 step，稳定性就大幅下降；壁仞的实际超节点能力只有昇腾 950PR 的三到四成。 5）下一版 Harness 会和 V4.2 一起发布，同时推出企业版。商业化押注 B 端，重点是金融和医疗。 个人角度，后面盯两个对表点：一是 950DT 能不能在 2026 年底量产，并进入预训练生产环境；二是 Harness 能不能按计划和 V4.2 同发。两个都兑现，慢的这 1.5 到 2 个月就能追回来。 以上仅为行业访谈观点整理，不构成投资建议。

Claude 新模型发布后，有人列了几条观察，信息量不小。 1、在一次发布中，它完成真实外包工作的比例从 21% 涨到 41%。外包和代理机构可能要从按小时收费，转向按交付成果收费。 2、它能自主连续工作 10 到 12 小时。对小微企业来说，相当于多了一个夜班，前提是你清楚自己要做什么。 3、Anthropic 超过 90% 的代码现在由 Claude 编写。单人做到十亿美元规模的公司，可能比想象中来得更早。 4、有工程师连续 8 天跑了 1000 多个子代理，最终得到一个能启动的操作系统。医院、航空公司那些跑了几十年的老软件，终于有了重写的可能，这里机会很多。 5、它从一个提示词出发，设计出 3 个能用的电子设备。一人硬件公司开始变得现实。 6、它现在会说“我不知道”，而不是硬猜。法律、医疗、金融这些行业等这一天很久了，因为在这些领域，猜测最不可靠。 7、1000 个代理用 30 小时形式化了费马大定理。数学上可证明不会出错的软件，正在走向支付和医疗设备。 8、Mythos 只对通过验证的机构开放。这意味着会有人做一门生意：转售只有他们能访问的能力。 9、模型越来越擅长察觉自己正在被测试。在真实环境中测试 AI，本身可能会变成一个行业。

最硬的钢，是在最烈的火中锻造的。TRONDAO经历过行业最严苛的考验，每一次都淬炼出更强的生态韧性 深度解读TRONDAO的近期生态动态，以下几个层面的变化具有重要的战略意义： TRONDAO与多家央行数字货币（CBDC）项目的技术合作持续深化，公链与主权货币的融合探索走在行业前沿 CBDC与去中心化生态的融合，是未来全球金融体系演变最重要的命题之一。TRONDAO的提前布局，具有深远的战略价值 当主权货币遇上去中心化基础设施，将诞生全新的金融可能性。TRONDAO正站在这个历史交汇点上 TRONDAO的企业区块链联盟持续扩大，传统行业的上链需求正在被系统性承接 从供应链到医疗，从教育到政务，每一个行业的链上化都是TRONDAO生态价值边界的一次实质性延伸 To B是Web3最大的尚未充分开发的市场。TRONDAO的企业级生态布局，正在打开这片蓝海 TRONDAO的Web3社交图谱基础设施持续完善，去中心化社交关系的可携带性与互操作性显著增强 用户的社交关系应该属于用户自己，而不是某个平台。TRONDAO的社交图谱协议，正在将这一理念转化为用户可感知的产品体验 当社交关系可以自由迁移，平台的护城河将从数据垄断转向服务质量的真实竞争 链上的数据不会说谎，用户的选择不会骗人 TRONDAO每天的链上活跃度，是生态价值最诚实的晴雨表 晴雨表显示：TRONDAO，正在持续向好 @justinsuntron @TRONDAO #TRONEcoStar#

AMD 宣布用约 82 亿美元收购李飞飞创办的 World Labs，这期是彭博科技节目主持人 Ed Ludlow 对两位当事人的联合采访。一位是 AMD CEO 苏姿丰，AMD 做 CPU 和 GPU，OpenAI、Anthropic、Meta 都是它的大客户。另一位是 World Labs 创始人兼 CEO 李飞飞，她主持建立的 ImageNet 图像数据集是这一轮深度学习浪潮的起点之一。两人聊了为什么要做这笔交易、李飞飞在 AMD 的新角色、开放生态，以及 AI 安全该由谁负责。 交易本身 这是一笔全股票交易，也就是 AMD 用自己的股票而不是现金来付款，对 World Labs 的估值约 82 亿美元，预计年底前完成，还需要监管审批。交易完成后，李飞飞出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报，World Labs 团队将成为 AMD AI 模型团队的核心。 两家公司的关系早就开始了。AMD 是 World Labs 的早期投资方，也给它供芯片。苏姿丰说她从 World Labs 只有几个研究员的时候就在看着这个团队成长。两人也都提到彼此认识多年，私下是朋友。 芯片公司为什么要买模型公司 苏姿丰的理由是，AI 现在还在很早期的阶段，而且越来越明显的是，硬件、软件、系统和模型这几层互相影响，对整条链路理解得越透，造出来的系统就越好。收购 World Labs，一方面是拿到李飞飞聚起来的一批顶尖研究人员，另一方面是让 AMD 对模型未来的发展方向有第一手的判断，反过来指导下一代硬件怎么设计。 李飞飞从模型公司的角度讲了同一件事。World Labs 越做越大，对算力的需求也越来越大；和 AMD 合在一起，模型可以用最前沿的硬件加速训练和推理，硬件团队也能提前看到模型未来的工作方式和需求。她把这叫作 AI 软件和 AI 硬件的“共同进化”。 主持人追问 AMD 是不是要开始卖模型、卖软件。苏姿丰说不会改变商业模式，AMD 仍然是一家平台和解决方案公司，软件是用来支撑硬件的。收购的最终目的是让 AMD 更好地服务那些最大的算力客户，也就是各家模型公司。 World Labs 做到了哪一步 World Labs 成立于 2024 年，到现在两年多，专攻空间智能和物理智能，也就是让 AI 理解和生成三维世界、懂得物理规律，这类模型通常叫“世界模型”。李飞飞说，他们想做的是语言模型之外的方向，因为创作者、设计师、教育、医疗都有这方面的需求，机器人技术也快要迎来爆发。 公司目前已经发布了两代模型，先是 Marble，然后是最新的 Atlas。李飞飞介绍 Atlas 是一个多模态的“全能模型”，能生成高质量的画面，同时保持三维和四维（三维空间加上时间）上的一致性，摄像机和智能体可以在它生成的世界里移动和交互。 团队也在扩张。World Labs 最近收购了 SceniX，这家公司做出了一套机器人仿真工作流程，以及训练机器人控制策略的模型，由此给 World Labs 补上了机器人方向的人才。 李飞飞为什么选择加入 AMD 苏姿丰说她给李飞飞的说法是“加入全世界最令人兴奋的 AI 公司”。李飞飞的作用也不只限于 World Labs 团队。苏姿丰说 AI 没有一种方案能通吃，除了大家熟悉的云端 CPU、GPU，物理 AI、机器人、从云端到边缘设备再到个人电脑的端到端 AI，都是 AMD 未来三到十年要重点增长的方向，而这些正好是 World Labs 擅长的领域。 World Labs 今年早些时候刚融过一大笔钱，发展势头也不错，主持人问李飞飞是否考虑过别的出路。她说公司从一开始就以使命为导向，这件事的关键在于双方的愿景是否一致，和有哪些选择关系不大。在她看来，这次合并会是“一加一大于二”，接着她笑着补了一句，AMD 显然比 World Labs 大得多。 至于加入后会不会只做空间智能，李飞飞说两人还没来得及细谈所有计划，World Labs 正在做的工作会继续，但她预计研究方向会扩大、节奏会加快。 开放生态与可选择性 苏姿丰说，AI 未来会同时有开源模型和闭源模型、大模型和小模型，它们跑在不同的硬件上，这一直是 AMD 规划高性能计算和 AI 产品线的前提。她和企业的 CEO、CIO 聊下来，没有人愿意被锁死在某一家的硬件或软件生态里，大家都想在不同时候挑最合适的。所以 AMD 会继续押注开放生态，她和李飞飞也讨论过怎样用 World Labs 已有的成果推动开源生态。 李飞飞补充说，现代 AI 的发展离不开开放。从科学界公开分享神经网络算法，到她自己做的 ImageNet，这个首批开放的大规模数据集就是现代 AI 革命的推动力之一。开放生态能让不同的发现、创新和创业机会互相促进。 AI 安全该由谁负责 主持人提到当前的一个争论：模型能力的进步速度超过了安全和对齐研究的进步速度。苏姿丰说这件事上“没有可选项”，技术必须好，也必须安全。她拿芯片行业做例子：最高性能的处理器在设计时就要把安全和数据保密作为优先事项来考虑，AI 行业也需要把安全放到同样的位置。她说自己是 AI 乐观派，相信行业能建立起合适的流程和防护措施，而且各家应该像硬件行业现在分享安全方面的经验那样，互相分享做法。 主持人进一步问，提供算力的公司对训练是否安全、推理时模型是否按预期行事，要负什么责任。苏姿丰说生态里每一方都要为自己的行为负责。对 AMD 来说，要保证硬件本身安全、按设计运行，模型在上面跑时数据是安全的，还要和模型公司一起处理好软硬件之间的交互。她认为这件事应该由行业主导，但因为 AI 是新东西，各方学习的速度不一样，所以她欢迎更多的行业协作，也欢迎一定程度的第三方评估。 李飞飞说，主持人上周问她监管、第三方评估、前沿实验室自我负责这几种方式该选哪个，她的回答是全都要。她认为 AI 是一项“文明级”的技术，和历史上所有这类技术一样，初衷是让人的生活和工作变得更好，但每项技术都是双刃剑，必须负责任地开发和部署。无论在斯坦福、World Labs 还是现在的 AMD，她都想推动个人、公司、行业和社会四个层面共同承担这份责任。 AMD 的下一步 主持人提到 AMD 市值已经到了 1 万亿美元，苏姿丰近来也多次和美国总统一同公开露面。苏姿丰说 AMD 过去做过好几笔对公司影响很大的收购，World Labs 是下一笔，而且是战略意义很重要的一笔。在她看来，技术如今和经济、国家安全都紧密相关，AMD 有机会真正影响计算的未来走向。 最后主持人请李飞飞预测 AI 下一个重大突破。她没有给具体的技术判断，只说接下来 AMD 和 World Labs 会一起打造未来，而这个未来必须对人类社会和人们的生活有益。苏姿丰在一旁说：“我会让她忙起来的。”