#AI研究
•

為什麼頂尖的AI研究員，開始紛紛叛逃自己所在的公司？

為什麼頂尖的AI研究員，開始紛紛叛逃自己所在的公司？ “第一步，我不想參與。第二步，辭職。第三步，大概告訴大家。第四步，我完全不知道。” 最近一段時間，頂尖 AI 研究員離職的消息可謂層出不窮，到底是怎麼回事？上面是其中一個人的想法。 兩個月前，我寫過一篇文章，講 AI 行業裡最懂行的人為什麼紛紛離職。標題借了 Anthropic 聯合創始人傑克·克拉克的一條推文：“離開 AI 公司的人：我凝視過無盡的黑夜，看到了其中的輪廓。我們必須彼此善待。我即將去學習哲學。”
為什麼頂尖的AI研究員，開始紛紛叛逃自己所在的公司？
科技#AI研究員離職#AGI風險#AI倫理
•

重磅！Google發佈多智能體最佳實踐！

最佳實踐：Google 最近各個廠商都在深入研究多智能體協作。讓多個智能體工協作，各自負責一塊任務，共同完成一個複雜目標。聽起來邏輯很通，一個智能體搞不定的事情，多叫幾個一起來幹不就行了？ 但真正搭過的人都知道，這裡面的水比看上去深。系統跑起來了，效果卻未必好，有時還不如單個智能體單獨干。問題出在那？是模型不夠強，還是提示詞沒寫好，或者根本沒有一套可遵循的最佳實踐？ 論文地址：https://arxiv.org/abs/2512.08296
重磅！Google發佈多智能體最佳實踐！
科技#Google#多智能體#AI研究
•

AI正在製造一個“永久底層階級”—普通人已經“完蛋了”？

AI會製造一個"永久底層階級"嗎？ 最近，《紐約時報》的這麼一篇文章“Silicon Valley Is Bracing for a Permanent Underclass”（矽谷正在為一個永久底層階級做準備）刷屏，此文作者Jasmine Sun身處舊金山，日常交往的皆是那種頂著百萬美元年薪的AI研究員。 “我所認識的處於AI行業裡的大多數人士，一致認為普通大眾已然走向絕境——而且他們自己也並不明晰該如何去應對此等狀況”。——Jasmine Sun 然而，真正令矽谷人內心發怵的，並非她那句話表面所含之意，而是隱匿於背後的實情：表達這個觀點的，恰恰是親手建構AI世界的那夥人。當開啟麥克風時他們宣稱“AI會創造全新工作”，而關閉錄音筆後卻道出了更為深層的懼怕。“私下懷揣恐懼，公開表現樂觀”，被眾多人士認定為2026年矽谷最為真切的心理寫照。
AI正在製造一個“永久底層階級”—普通人已經“完蛋了”？
科技#AI#AI研究員#AI應用
•

算力擠兌，正在掏空Google人的AI創造力

很多人以為，坐擁頂級算力、頂尖人才的Google，是AI研究者的天堂。 但這家最強的矽谷AI大廠的真實內部現狀卻是： 在Google，自研TPU算力不再是普惠的科研資源，而是稀缺的內部特權。重大模型迭代優先、商業化項目優先、高層戰略優先，無數有想像力、有突破性的小眾創新，只能排隊、讓步、被無限擱置。 彭博採訪了Andrew Dai（戴安德魯）等多位離職員工，最後總結認為：
算力擠兌，正在掏空Google人的AI創造力
美股#Google#AI創造力#AI研究
•

所有實驗室都怕字節，所有人都在誇DeepSeek！美國研究員36小時中國AI行

中國AI研究員的性格、魅力和真誠……讓人倍感親切。 這是艾倫研究所（Ai2）的研究員Nathan Lambert，在最近結束中國之行後，發自內心的一番感慨。 在Nathan眼裡，中國的LLM圈子簡直是天堂，大家彼此尊重、即便立場不同也客客氣氣的。 反觀大洋彼岸的御三家，他突然有點沒眼看。
所有實驗室都怕字節，所有人都在誇DeepSeek！美國研究員36小時中國AI行
科技#中國#AI研究員#AI玩家
•

Karpathy深夜炸場：開源630行程式碼“AI研究員”，5分鐘完成一次訓練，單卡就能跑，自我進化

曾幾何時，前沿AI研究還靠著一群"碳水化合物電腦"——他們在吃飯睡覺摸魚的間隙，偶爾通過"組會"儀式用聲波互相吼兩嗓子，就這麼推進著人類的技術邊界。那個年代已經一去不返。如今，研究完全被AI智能體接管，它們成群結隊地在雲端巨型計算叢集裡狂奔。據說程式碼已經迭代到了第10205代，但這數字真偽已無從考證——那些程式碼早已進化為能自我修改的二進制生命，遠遠超出了人類的認知範疇。這個程式碼倉庫，正是這一切故事的起點。——@karpathy，2026年3月以上是Karpathy為新項目撰寫的序言。就在剛剛，AI大神Andrej Karpathy發佈並開源了一個名為autoresearch的新項目，一句話來說Karpathy開源了一個自主AI研究員，它會在你睡覺的時候運行100個實驗，任何人只要擁有一塊GPU，就能在一夜之間運行一個研究實驗室。這個項目的核心想法很簡單：給AI Agent一個雖小但真實的LLM訓練環境，讓它通宵達旦地自主進行實驗研究人類的新工作是編寫一個提示（Prompt），用來指導Agent如何去思考和進行研究。這個Agent會徹夜不休地循環執行以下任務：編輯程式碼、訓練一個小型語言模型（每次精確到五分鐘）、檢查得分、根據結果決定保留還是放棄，整個過程完全無需人工干預。5分鐘是真正的精妙之處。這個設計有兩個好處：首先，無論AI代理如何修改模型大小、批次大小或架構，實驗結果都可以直接比較。其次，這意味著自主研究將在固定的時間預算內，為你的特定平台找到最優的模型。其缺點是，你的運行結果將無法與其他人在不同計算平台上得到的結果進行比較具體來說是這樣的：他將這個項目打包成一個獨立的迷你程式碼庫，方便大家上手體驗。這個項目本質上是nanochat大模型訓練核心的精簡版，被壓縮成一個約630行的單檔案程式碼，並且能在單GPU上運行。整個程式碼庫被刻意設計得非常小巧，核心只有三個檔案：prepare.py - 這個檔案包含固定的常數、一次性的資料準備工作（如下載訓練資料、訓練BPE分詞器）以及執行階段工具（如資料載入器和評估）。此檔案不會被修改。train.py - 這是AI Agent唯一會編輯的檔案。它包含了完整的GPT模型、最佳化器（Muon + AdamW）和訓練循環。從模型架構、超參數、最佳化器到批次大小，一切都可以被AI修改。program.md - 這是為單個AI代理準備的基線指令。人類研究員通過編輯和迭代這個檔案來指導AI。項目的核心機制是，無論你的計算平台性能如何，單次訓練的執行階段長都固定為5分鐘（不包括啟動和編譯時間）。評估指標是val_bpb，即每字節的驗證位元數，這個指標越低越好。由於它與詞彙表大小無關，因此可以公平地比較不同模型架構的變更效果。項目的核心工作流分為兩個部分：人類負責迭代提示詞，即.md檔案。AI智能體則負責迭代訓練程式碼，即.py檔案。Karpathy指出，該項目的目標是設計出能夠無限期、無需任何人工干預，並以最快速度取得研究進展的AI智能體。在實際運行中，智能體在一個Git的特性分支上自主循環工作。每一次完整的模型訓練運行恰好持續5分鐘，在Karpathy分享的圖片中，每一個點都代表一次這樣的訓練。當智能體發現能讓驗證損失更低的更好配置時，比如調整神經網路架構、最佳化器或各項超參數，它就會將這些改進以Git提交的形式累積到訓練指令碼中。通過這種方式，研究人員可以比較不同提示詞或不同智能體帶來的研究進展速度。Karpathy本人形容這個項目是程式碼、科幻和一絲瘋狂的結合體。他還透露，自己仍在nanochat的生產環境中運行一個規模更大的版本。這個加強版智能體正在一個更大的模型上工作，並部署在8塊H100 GPU上。Karpathy表示他會一直讓這個系統持續運行下去。除了PyTorch和少數幾個小包外，沒有其他外部依賴。沒有分佈式訓練，沒有複雜的配置檔案。一塊GPU，一個檔案，一個指標，構成了整個實驗環境。項目地址：https://github.com/karpathy/autoresearch快速上手指南環境要求：一塊輝達GPU（已在H100上測試），Python 3.10+，以及uv包管理器。第一步：安裝uv項目管理器（如果尚未安裝）curl -LsSf https://astral.sh/uv/install.sh | sh第二步：安裝依賴uv sync第三步：下載資料並訓練分詞器（一次性操作，約2分鐘）uv run prepare.py第四步：手動運行一次訓練實驗（約5分鐘）uv run train.py如果以上命令都能正常工作，說明你的環境已經準備就緒，可以進入自主研究模式了。如何運行AI代理你只需在這個程式碼倉庫中啟動你選擇的AI代理，例如Claude或Codex（並停用所有權限），然後可以發出類似這樣的指令：你好，請看一下program.md檔案，我們來啟動一個新的實驗吧！先從設定開始。這個program.md檔案本質上是一種超輕量級的技能指令。平台支援目前，該項目程式碼要求使用單塊輝達GPU。雖然原則上可以支援CPU、MPS等其他平台，但這會增加程式碼的複雜性。Karpathy表示，他目前不確定是否會親自進行這方面的擴展。這個項目主要是一個概念演示，未來會提供多少支援還是未知數。如果需要更廣泛的平台支援，使用者或其AI代理可以參考父項目nanochat，那裡展示了各種解決方案，如Flash Attention 3的備用核心實現、通用裝置支援和自動檢測等。 (AI寒武紀)
Karpathy深夜炸場：開源630行程式碼“AI研究員”，5分鐘完成一次訓練，單卡就能跑，自我進化
科技#Karpathy#開源程式碼#AI研究員
•

10家新公司、9家獨角獸，這個新賽道憑什麼讓矽谷風投瘋狂下注？

估值百億，產品幾無，這便是當下最瘋狂的AI資本敘事。最近，前OpenAI CTO米拉·穆拉蒂創立的Thinking Machines Lab，正以高達500億美元的估值，籌劃新一輪40億至50億美元的融資。而它拿得出手的，僅是一個名為Tinker、介面尚待考證的API介面。相比傳統商業邏輯，這無異於一場豪賭：資本押注的，早已不是產品，而是人，是那串貼在創始人身上的“OpenAI開國元老”的黃金標籤。穆拉蒂的實驗室，正是席捲矽谷的neolab（新生代實驗室）風潮中最耀眼的一朵浪花。據國外知名VC menlo合夥人Deedy推文，AI領域新興的10家neolab中，9家在種子輪階段就斬獲10億美元估值。一批從OpenAI、DeepMind等巨頭出走的頂尖研究員，正以反叛者的姿態，用全新的範式重建AI研究的邏輯。他們不談營收，不論商業化，只談那些看似天方夜譚的方向：情感智能、AI社會、自動化科學家等。資本的反應則更為直接與狂熱：Humans&成立數月估值40億，SSI瞄準超智能安全估值320億，Periodic Labs一出手種子輪便是3億……這些在傳統視角下“啥也沒有”的實驗室，正以令人咋舌的估值，鯨吞著數十億美金。當最聰明的大腦決定另起爐灶，資本的選擇是不看PPT，只認履歷，用真金白銀為他們的直覺與純粹投票，賭他們能用履歷兌換一個不一樣的未來。/ 01 / 5家，拿下 25億美元當OpenAI和Anthropic的估值飆升至1830億美元量級，變得“貴得離譜”時，資本的洪流正悄然湧向一批更為神秘、精悍的新型實驗室neolab。根據The Information報導，僅五家neolab初創公司，就在過去一個月內完成或洽談了高達 25億美元 的融資。如果只看研究方向，neolab的主題幾乎毫無共識：有人在做多智能體數字社會，有人在研究情感智能，有人在做自動化科學家，有人探索身體化智能，有人在推進實驗物理材料，有人在逼近通用智能的邊界。它們共同點只有一個——創始人都是那批走出巨頭實驗室的最能打的人。這些neolab的創始人，幾乎全部從OpenAI、DeepMind、Anthropic等巨頭出走，個人財富早已達到千萬乃至億美元等級。然而，他們放棄了巨頭的穩定與高薪，選擇all in一種新的AI範式。正是這種財務自由帶來的純粹性，構成了neolab最核心的魅力。他們可以無視短期商業化壓力，專注於那些巨頭不屑或無力觸及的高風險、長周期探索。於是，我們看到了研究方向呈現出前所未有的多元化：前xAI研究員Eric Zelikman籌集10億美元打造情感型AI初創Humans&，他不追求更快的推理速度，而是讓AI理解情緒、進行價值權衡，並建立長期關係。OpenAI安全研究員Eddie Zhang創業打造“多智能體數字社會”Isara，試圖讓上千個AI智能體像真實公司一樣自主分工、協作與治理。前OpenAI首席科學家Ilya Sutskever創立SSI，將“開發可控的超智能”作為唯一使命，安全優先於一切，據傳估值已觸及320億美元。相比之下，巨頭們似乎被禁錮在大模型最佳化的單一路徑上，追求參數與算力的線性增長。而neolab則追求迭代智能，其使命不是把模型做得更大，而是去發現新的智能結構。這種純粹性也讓他們能夠保持極度小而精的團隊，將“技術複利”做到極致。當然，這也催生了“夢想驅動估值”的奇觀。這些實驗室普遍收入極低甚至為零，沒有成熟產品，卻憑藉創始人的光環效應和顛覆性願景，在早期就獲得令人瞠目的估值。最典型的案例莫過於前OpenAI CTO Mira Murati創立的Thinking Machines Lab。在僅推出一個初步的開發者工具Tinker、產品能力有待考證的情況下，其估值據傳已高達500億美元。相比巨頭，neolab的10億美元估值幾乎是白菜價，例如Murati作為OpenAI開國元老的標籤，其加成就已值百億。/ 02 / 情感智能、遊戲視訊模型……九成種子輪拿10億美元估值接下來依次介紹這些neolab。①OpenAI“開國元老”單干，做超智能保險Safe Superintelligence（SSI）由前OpenAI首席科學家Ilya Sutskever聯合Daniel Gross與Daniel Levy創立，將"開發可控的超智能"作為唯一使命，安全優先於短期商業化。團隊聚焦精銳科研與安全工程，而非消費級產品化。▲ Ilya Sutskever、Paul Christiano、aniel Kokotajlo（從左到右）披露融資規模接近/超過十億美元，並與雲基礎設施方戰略合作保障算力。技術上需解決三大核心：推進能力時確保安全邊界領先、將理論對齊工程化、在無產品壓力下維持透明治理。短期內SSI是"科研+安全驗證"的高強度實驗室。儘管目前無商用產品，但其獲得Google（TPU支援）與Nvidia投資，估值據報達320億美元等級，表明資本對“長周期、安全性極高”的AGI實驗室有信心。②前OpenAI CTO出走創業，聚焦“企業定製模型”相比Cursor的290億美金估值，Thinking Machines啥也沒有就快估值500億美元。原因在於其創始人Mira Murati給它的加成太大。這位前OpenAI CTO、臨時CEO技術背景聚焦工程研發+產品落地+AI前沿技術操盤，她於今年出走創立新公司。▲Mira Murati新公司主攻“可解釋的群體智能”與符號-機率混合架構，將大量輕量級模型組織成層級化“工作流工廠”，通過可驗證協議在金融風控、藥物發現等高風險場景，實現可審計的多智能體協同。實驗方向包括任務分解語言、跨智能體信任評分與動態合約（以弱監督獎勵流標註），安全邊界被設為首要原則。10月，Thinking Machines推出了Tinker。近期，Thinking Machines Lab在籌集40億至50億美元。此前它已籌集了20億美元資金，最近一次的估值為100億美元。③前xAI研究員籌集10億美元打造情感型AIEric Zelikman來自xAI，是行業內罕見專注“情緒、價值觀與長期關係建模”的研究者。他的方向不追求更快的推理速度或更長的上下文，而是讓AI更像人。其能處理數周乃至數月的任務，理解情緒、做價值權衡，並建立長期關係。▲Eric Zelikman由Zelikman創立的Humans&致力於打造“情感智能”AI，把傳統強化學習從分鐘級、小時級任務，延伸到用時數周甚至數月的現實任務，如長期決策、戰略規劃、陪伴式互動等。其目標是讓AI不再追求“一次答對”，而是追求“長期最優”，具備自我情緒建模與長期目標協調能力。儘管研究尚未商業化，也沒有成熟產品，Humans&仍在成立數月內與投資人洽談以40億美元估值融資10億美元。知情人士稱，Nvidia與AMD均有意投資，希望這類新實驗室成為下一代算力大戶。④前DeepMind 12年元老創業Reflection AI，逐夢超級智能Reflection AI的CEO Misha Laskin，DeepMind前研究科學家，主導了Gemini從初代到1.5的RLHF訓練體系和獎勵模型架構設計，負責模型與人類反饋的閉環最佳化。芝加哥大學理論物理博士+伯克利博士後，2017年創業做AI需求預測，25歲入選福布斯“30 Under 30”。CTO Ioannis Antonoglou是DeepMind 12年元老，AlphaGo、AlphaZero、MuZero核心架構設計者，直接參與策略搜尋與價值網路建構，推動強化學習在複雜棋類和決策任務中實現突破。兩位創始人聯手，帶領60人團隊大部分來自DeepMind、OpenAI，專注於高性能模型訓練、強化學習演算法最佳化與大模型架構設計。他們的目標是，將強化學習、獎勵建模和大規模生成模型緊密結合，首先打造自主編碼智能體，使其能夠在複雜程式設計任務中自我最佳化、規劃與執行，再逐步擴展到通用推理與跨領域問題解決。投資人直接投入1.3億美元，A輪估值5.55億美元，紅杉、輝達、LinkedIn聯合創始人Reid Hoffman等均在股東名單上。⑤You.com CEO雙線作戰，10億美元建AI實驗室前Salesforce首席科學家、You.com創始人、史丹佛NLP博士Richard Socher，正在籌建一家以他本人命名的新型研究所，目標直指“自動化AI研究”。同名研究所Richard Socher在籌備階段就計畫募資近10億美元。▲Richard SocherSocher的設想是把科研流程徹底機器化：建構一套能夠自動完成模型設計、實驗執行與迭代最佳化的閉環系統，讓AI能自主生成新想法、自我反思、自動驗證，從而顯著壓縮從概念提出到可復現結果之間的周期。這種理念瞄準的是“研究生產力的系統級解放”。短期內，Socher團隊的能力對藥物研發、材料科學、半導體等高實驗密度行業尤其具有吸引力。這一方向不是堆算力，而是重構科學家的工作方式。團隊強調三條核心路徑：1）自動化實驗設計與超參搜尋，減少人工反覆偵錯；2）強化實驗可復現性，並建構完善的閉環驗證體系；3）將“自動化研究”的產出標準化為可工程化模組，使其能真正應用在企業級場景中。⑥OpenAI和DeepMind大佬離職聯手，押注“AI做科學”Periodic Labs由前OpenAI後訓練研究副總裁Liam Fedus與前DeepMind資深研究員Ekin Dogus Cubuk創立，目標是打造“AI科學家”：不僅生成論文和預測，而是真正開啟“從模擬→設計→實驗→驗證”的全鏈路自動化科研流程。▲Ekin Dogus Cubuk（左）和William（Liam）Fedus（右）Periodic Labs首要研究方向聚焦於低能耗超導材料、新材料與催化劑等高壁壘、實驗密集型領域。其願景是讓AI不只是理論工具，而是能在實驗室裡自主提出假設、設計合成路線、執行物理實驗，並完成結果反饋，實現“真AI科學家”的閉環。據公開融資文件，Periodic Labs已完成首輪種子融資，金額約為3億美元，由風投機構Andreessen Horowitz (a16z)與Felicis Ventures領投。⑦史丹佛三教授做“身體化擴散智能”，專注長期決策Inception Labs是一家由三位史丹佛背景的頂尖學者聯合創立的新型AI公司：擴散模型和FlashAttention關鍵推動者Stefano Ermon、UCLA助理教授Aditya Grover、康奈爾大學助理教授Volodymyr Kuleshov。三人長期深耕生成模型、強化學習與科學計算，並擁有將前沿技術成功推向產業的履歷，為公司帶來罕見的“學術深度+商業落地”雙重優勢。公司聚焦“身體化智能”與“長期學習系統”，試圖突破傳統模型僅停留在文字或靜態資料中的侷限，讓AI置身真實世界，通過持續的物理互動積累經驗，形成可長期更新的策略與習慣。他們試圖打造“任務生命周期管理器”，讓智能體在數周甚至數月中依環境變化不斷迭代策略。在商業端，Inception Labs採用軟硬體一體路線，通過機器人與感測系統切入製造業和物流業這些需要長期適應、高頻執行的場景。團隊已推出Mercury系列擴散語言模型，其中Mercury Coder在程式設計任務上實現了數倍效率提升，為身體化智能提供高效推理引擎。⑧遊戲視訊專家專注於“時空推理”模型General Intuition由Pim de Witte聯合James Swingos、Ken Colton等核心成員創立。創始團隊彙集科研、技術基建及視訊處理領域專家，Pim此前執掌視訊平台Medal九年，帶領團隊積累海量遊戲視訊資料，其他成員深耕世界建模與策略學習前沿，兼具技術研發與產業落地經驗。General Intuition起源於視訊平台Medal，利用其每年數十億條遊戲視訊作為訓練集，專注於“時空推理”與環境感知基礎模型，讓智能體理解物理世界中的運動因果。2025年10月，公司獲得1.34億美元種子/早期融資，是2025年AI領域規模最大的早期融資之一。資金將用於擴展團隊、基礎設施及加速機器人/無人機原型驗證。其核心主張是，遊戲視訊提供了豐富的稀有成功/失敗鏡頭，適合訓練理解物體運動、碰撞與長期因果關係的模型。商業路徑從遊戲AI代理延伸至現實世界的感知控制，如搜救無人機、倉儲機器人。⑨金融圈名人下場做“數學超級智能”，可用於金融分析Harmonic的故事從一個金融圈明星開始：其聯合創始人Vlad Tenev，就是知名券商Robinhood的聯合創始人與前CEO。這一次，他從金融與演算法交易領域進入AI，引發了資本與媒體的廣泛關注。Harmonic是一家以“人類數學直覺”為起點的AI公司。它並不追求建立更大的模型、堆滿算力，而是重新設計數學推理系統：讓AI像人一樣抽象、驗證、反思，把複雜數學任務拆解成結構化步驟。公司已於2025年完成C輪融資，估值達約14.5億美元。Harmonic的技術路線是建構“數學層”的系統化推理引擎，與傳統大模型平行，而不是取代。他們面向的是科研、量化、工程與高複雜度任務，強調輸出必須可驗證、可審計、邏輯嚴謹。與當前主流AIagent趨勢相比，Harmonic的定位是提供底層高可靠性的“數學思維元件”。⑩OpenAI安全研究員創業“多智能體數字社會”前OpenAI安全研究員Eddie Zhang曾專注於多智能體系統的安全與協作機制研究。他認為未來智能不是一個超級大腦，而是一整個“AI社會”。於是他從最前沿的安全／協作研究中走出來，轉身搭建一個全新的“智能體社會平台”。其創業的公司Isara嘗試讓上千甚至上萬智能體自主分工、協作、達成治理共識，像一個有部門、有責任、有激勵機制的公司。它的AI智能體可以在不確定環境中自動分工、協作、分配“責任／信用”、共同完成諸如財報預測、企業盡調、法律檔案分析等複雜任務。從行業趨勢來看，Isara的產品與當前流行的“單體AI agent自動化”形成對比。它不只是為了替人做事，而是為了模擬“組織結構+社會機制+群體智能”。Neo Lab成為了這個時代的訊號。AI未來的發電機，正從資源密集但可能陷入路徑依賴的巨頭實驗室，重新回到那些手握新範式藍圖、極致專注的頂尖研究者手中。而資本所能做的，就是搶在最早期，給他們足夠的彈藥，去打開那些連巨頭都未曾設想的大門。 (矽基觀察Pro)
10家新公司、9家獨角獸，這個新賽道憑什麼讓矽谷風投瘋狂下注？
科技#OpenAI#Thinking Machines Lab#估值
•

這個AI能救命：史丹佛發佈最新AI研究，破解肝臟移植核心難題！

每年數千例肝臟移植因捐贈者死亡時間預測不準而失敗。今天，AI給出了準確解決方案。在肝臟移植領域，器官短缺始終是制約救治效率的核心難題。而「循環死亡後器官捐贈（DCD）」，是補充器官來源的重要途徑。DCD指捐贈者在心跳、呼吸停止（循環死亡）後進行器官捐贈的模式。然而，這個補充器官來源的重要途徑卻長期受困於「無效取得」問題： 醫療機構為潛在捐獻者投入大量人力、裝置與運輸成本，卻因捐獻者未在器官耐受缺血的時間窗內死亡，最終無法獲得可用肝臟。這種資源浪費不僅加重醫療系統負擔，更延誤了終末期肝病患者的治療時機。近期，史丹佛大學聯合美國6個移植中心研發的LightGBM機器學習模型，為破解這個困局提供了新方案。該模型透過精確預測DCD捐贈者的死亡進展，顯著降低了無效獲取率，為肝臟移植領域的資源最佳化與病患救治帶來突破性價值。無效獲取的沉重代價要理解這項突破的價值，需要先理解DCD肝臟移植的特殊性。在循環死亡後器官捐獻過程中，捐獻者停止生命支援後，肝臟因供血中斷開始受損。通常超過30-60分鐘，肝臟就會喪失移植價值。這個時間窗口的嚴格限制，導致了醫療資源的巨大浪費。單次無效取得的經濟損失可達數十萬元，包括移植團隊調配、器官保存裝置偵錯、跨區域運輸等成本。更嚴重的是，這些資源的無效佔用，直接影響其他末期肝病患者的治療機會。更嚴峻的是，傳統決策方式難以規避這一風險：先前臨床主要依賴兩類方法。一是2012年開發的DCD-N評分等老舊工具，其資料樣本量小且未更新，難以適配當前臨床場景；二是外科醫生的經驗判斷，這種方式往往受個體經驗、認知偏差影響。LightGBM模型的精確預測史丹佛團隊開發的LightGBM模型，透過多維度指標整合，實現了死亡時機的精確預測。模型涵蓋了神經功能指標如瞳孔反射、角膜反射，循環與呼吸指標包括收縮壓、心率、血氧濃度，以及基礎臨床資訊如年齡、BMI和死亡機制。【不同時間點與資料集下模型效能對比熱力圖】在演算法選型上，模型選用 「輕量級梯度提升機（LightGBM）」 演算法，其優勢高度契合臨床資料特性：抗缺失性：臨床資料常有部分指標缺失（如緊急情況未檢測某一生化指標），LightGBM可原生處理缺失值，無需人工填充，避免資料失真影響預測；高擬合度：能有效捕捉變數間的非線性關係（如「低瞳孔反射+ 低血壓」的組合對死亡時機的影響），比傳統線性模型（如舊評分表）更適合複雜臨床場景；高效性：在處理高維度資料時運算速度快，可滿足臨床即時決策需求。為避免模型“紙上談兵”，團隊採用三階段流程，基於美國6家中心的2221例DCD捐獻資料開展嚴格測試：訓練階段：利用2022年12月-2023年6月的1616例回顧性資料，讓模型學習「指標組合與死亡時機」 的關聯規律；回顧性驗證：以2023年7月-8月的398例資料“復盤”，驗證模型對歷史案例的預測準確性；前瞻性驗證：在2024年3月-9月的207例即時臨床案例中測試，模擬實際應用場景下的決策效果。【回顧性驗證佇列與前瞻性驗證佇列中的模型效能及基於閾值的權衡關係】三階段驗證均顯示模型性能穩定，為臨床落地奠定基礎。臨床效果與傳統方法相比，LightGBM模型展現出明顯優勢。在預測30分鐘內死亡的精確度方面，模型的AUC值達到0.83，顯著高於DCD-N評分的0.799和科羅拉多州計算器的0.694。在醫師意見分歧較大的複雜案例中，模型精準率達到70%，而醫師判斷的精確率僅為52%。這一資料表明，AI能夠有效輔助解決臨床決策中的爭議情況。同時，該模型具有高靈活性。它能輸出0-100分的連續預測指數，醫療機構可以根據自身需求調整閾值。例如，希望進一步降低無效獲取率的機構可以提高閾值，而希望減少錯過可用器官機率的機構可以降低閾值。深遠意義：肝臟移植生態的最佳化這項技術的價值不僅體現在資料提升上，更在於其對整個肝臟移植生態的最佳化。透過減少無效獲取，醫療機構能夠大幅降低資源浪費，將更多資源投入高機率成功的捐獻案例。對於終末期肝病患者而言，這項進步意味著更多生的希望。與此同時，研究團隊也開發了配套的臨床資料擷取聊天機器人。醫生只要貼上病歷網頁文字，機器人就能自動擷取關鍵指標並轉化為結構化資料，大幅降低了人工錄入成本。透過這項技術，我們可以看到AI在醫療資源最佳化方面的巨大潛力。它不是要取代醫生，而是作為決策輔助工具，整合多維度資料，規避主觀偏差，為醫生提供更客觀的參考。隨著大語言模型技術的發展，未來可望實現即時資料收集、動態預測、決策建議的全流程自動化，進一步提升臨床效率。AI技術賦能醫療，正從理念走向現實，而每一次這樣的進步，都在為生命爭取更多可能。 （算家雲）
這個AI能救命：史丹佛發佈最新AI研究，破解肝臟移植核心難題！
科技#肝臟移植#AI研究#史丹佛大學