Palantir公司的软件原本是为了帮助英国国家医疗服务体系(NHS)改善医疗服务并减少延误而引入的,但最新报告显示,一些工作人员出于道德、隐私和信任方面的担忧,正在抵制使用该软件。
员工抵制情况严重
据报道,NHS的临床和非临床工作人员本周表示,他们的同事正在抵制使用Palantir的联邦数据平台(FDP)。该平台是2023年授予Palantir公司3.3亿英镑合同的一部分,旨在为医疗服务体系构建系统。FDP的设计目标是将NHS的各种系统连接到一个可搜索的数据库中,以帮助清理医疗积压问题。
即使在合同签署之前,英国与Palantir的关系就已经很紧张,隐私担忧以及对Palantir与美国政府密切关系的担忧一直是官员和公众关注的焦点。自系统采用以来,一些医疗委员会由于不愿使用该系统而推迟了实施,英国医学会甚至呼吁医生停止使用该系统,原因是Palantir最近在特朗普政府期间与美国移民和海关执法局在驱逐行动方面的合作。
道德和实用性质疑
据《金融时报》周四关于NHS抵制FDP的报告,这些都是NHS专业人员给出的原因,许多人表示他们对使用Palantir构建的系统感到不舒服。
据报道,一位官员在为拒绝使用该软件进行辩护时将Palantir描述为"在道德上破产",并指出他知道有同事在被迫使用该系统时故意放慢工作节奏。另一位工作人员指出,该系统实际上"对我们来说没有任何新功能",并表示他们更愿意绕过它工作,但每当必须使用时,他们也会感到一丝道德愧疚。
"每次登录这个系统都让我感到恶心,我知道我不是唯一有这种感受的人。"这名工作人员告诉《金融时报》。
政府态度与合同争议
尽管NHS内部对Palantir在医疗服务中的作用及其对英国公民数据的访问权限普遍担忧,但围绕最初合同授予缺乏透明度的问题似乎是英国政府官员推动该组织通过行使合同中的解除条款来终止交易的关键原因。
Palantir批评英国政府内部要求解除合同的推动是出于意识形态动机,但议员们对此予以否认。相反,他们认为这完全关乎合同授予以及Palantir接触的患者数据所发生的情况。
业务扩张持续
尽管面临推力,Palantir在英国政府中的角色并没有缩小:就在上周,有消息透露,金融行为监管局已与Palantir签署了一份为期三个月的试用合同,以帮助其理解庞大的金融投诉和数据湖。
这标志着Palantir在2026年英国政府版图的又一次扩张,尽管政府声称希望在技术采购方面变得更加自主,国防部在1月份公布了与该公司后续数据和软件协议的详细信息。
Q&A
Q1:Palantir联邦数据平台是什么?
A:Palantir联邦数据平台(FDP)是2023年英国政府授予Palantir公司3.3亿英镑合同的一部分,旨在将NHS的各种系统连接到一个可搜索的数据库中,帮助清理医疗积压问题并改善医疗服务。
Q2:NHS员工为什么抵制使用Palantir软件?
A:NHS员工抵制的原因包括道德、隐私和信任方面的担忧,特别是对Palantir与美国政府的密切关系以及该公司与美国移民执法部门合作的不满。一些员工认为该公司"在道德上破产"。
Q3:英国政府对Palantir合同是什么态度?
A:英国政府内部存在要求解除与Palantir合同的推动,主要原因是对合同授予缺乏透明度以及对患者数据处理的担忧。不过,Palantir在英国政府的业务仍在扩张,最近还与金融行为监管局和国防部签署了新协议。
好文章,需要你的鼓励
前OpenAI首席技术官Mira Murati创办的AI初创公司Thinking Machines Lab宣布推出"交互模型"技术。不同于现有AI的轮流对话方式,该模型采用"全双工"技术,能在接收输入的同时生成响应,实现类似真实电话通话的自然交互。其模型TML-Interaction-Small响应速度达0.40秒,优于OpenAI和谷歌同类产品。目前仍处于研究预览阶段,计划数月内开放有限测试,年内正式发布。
香港大学与哈尔滨工业大学联合发布的这项研究(arXiv:2605.06196)发现,大语言模型在扮演不同社会层级角色时,内部神经网络存在一条清晰的"粒度轴",从普通个人视角延伸至全球机构视角。这条轴是AI角色空间的主导几何方向,可被测量、被跨模型复现,并通过激活引导技术加以操控,为AI社会模拟的可信度评估和角色视角的主动调控提供了新工具。
澳大利亚各州及联邦能源部长在近期会议上达成共识,要求数据中心通过投资新建可再生能源和储能设施,完全抵消其电力需求。除昆士兰州外,所有州均支持该提议。联邦能源部长克里斯·鲍文表示,数据中心是新增能源需求的最大驱动力之一,应成为电网的助力而非负担。澳大利亚能源市场委员会将于7月前提交具体实施建议。数据显示,到2030年数据中心用电量预计将增至现在的三倍。
华盛顿大学研究团队发现,在AI数学推理训练中,将随机拼凑的拉丁文占位词(Lorem Ipsum)添加到题目前,能帮助AI突破"全部答错、训练停滞"的困境,在多个模型上平均提升推理得分2.8至6.2分。研究揭示了有效扰动的两个关键特征:使用拉丁语词汇避免语义干扰,以及保持较低困惑度确保AI能正确理解题目内容。