英伟达日前宣布,将与专注在临床环境中为医疗机构提供人工智能(AI)工具的初创公司Aidoc合作,共同开发一套新框架以促进并定义医疗行业中的AI应用方式。这一新框架将被命名为“引导式卓越弹性集成与部署蓝图”(BRIDGE),同时辅以指导方针,组织可以使用这些指导方针来确定如何更好地将AI服务集成至临床工作流程当中,最终有效改善病患的诊疗效果。

BRIDGE计划的目的在于帮助培养一种结构化方法,以从容应对目前存在的大量AI服务、系统和机会。考虑到人工智能领域的发展速度如此之快,不少AI解决方案并未考虑到集成、互操作性和一致性等方面的诸多关键因素。换句话说,在市场需求的有力推动之下,许多AI开发人员在学会“走”之前已经开始“跑”,进而导致生态系统呈现出产品丰富但却彼此孤立分散的境地。
如今,随着AI行业逐渐站稳脚跟,AI的内在价值也逐渐被人们所理解,也终于有时间能够以系统性、有组织的方式将前一阶段的工作成果归纳在一处。
近年来,也有其他类似的框架不断涌现。例如今年早些时候,在医疗AI领域投入大量精力的微软就宣布,将扩大其与2024年3月发布的可信与负责任AI网络(TRAIN)项目的合作。另一项重要举措是健康AI联盟(CHAI),该联盟得到了微软、亚马逊、谷歌、斯坦福医学院以及麻省总医院等行业巨头的支持。CHAI的愿景是“通过推动对可信、公平且透明的健康AI系统的应用,建立起「指导方针与护栏」,进而推动医疗保健质量的持续提升。”
而最新公布的BRIDGE框架,显然希望从更加具体的战术角度来扩大这一领域。
Aidoc首席转型官Demetri Giannikopoulos解释称,该公司“认为AI对于医疗保健在总体上是有利的……我们希望鼓励创新者继续从事这项重要的工作……特别是吸引到学术合作伙伴及各个领域的创新者。我们的目标是制定出一套中立的指导方针,以供人们依托于这些方针来部署自己的工作成果……并在部署之后协助其真正扩大规模并提供价值。”
从这份声明来看,英伟达对于医疗AI领域的兴趣正愈发浓厚。毫无疑问,该公司已经间接向领域中投资了数十亿美元,并且在医疗保健领域的服务设计与交付方面拥有宽广的护城河。例如,英伟达公司的硬件及MONAI平台正凭借AI技术发展为众多组织提供支持。此外,英伟达旗下的风险投资部门NVentures正悄悄为医疗保健初创公司投资数千万美元。依托于其在硬件领域的强大影响力以及在扩展行业解决方案方面的专业知识积累,英伟达显然正努力扩大其医疗保健方案与产品组合。BRIDGE框架的出现,将为该公司在医疗行业内扩大影响力提供新的机会。
英伟达医疗保健副总裁兼总经理Kimberly Powell解释称,BRIDGE提供了新的机会以调整AI实施的最佳流程与实践:“像Aidoc这样的公司拥有的关于最后一英里的专业知识有着无上价值,能够真正帮助到从事这一领域的其他参与者……我们英伟达能够为初创公司提供的最大帮助,就是引导其掌握技术并与行业内的更多合作伙伴建立联系,借此学习并运用最佳实践,帮助他们走好这最后一英里。”
事实上,这项技术的演变和进步确实前所未有。像BRIDGE这样的措施和框架最终将成为组织未来几十年内,在快速变化的生态系统当中相互学习并共同成长的重要指导方针与前进方向。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。