关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
继两个月前通过副主任医师职称考试后，夸克健康大模型又通过了12门学科的主任医师笔试评测，并且夸克已经把该「主任级AI医生」能力全面集成至夸克的AI搜索中，这意味着夸克进一步实现了每人都能有个AI医生的愿景，还是那句话，我就感觉到快。
从数据上看，夸克在这轮测试中67.7%的准确率比第二名高出了近30个百分点，领先不可谓不大，但我真正关心的不是数据，而是相比于五月那轮副主任医师测评，夸克通过推理难度高出几个级别的主任医师考试，到底能为医学领域做多大的实事。
健康大模型不是夸克开创的概念，目前市面上的同类产品以TO B为主流，商业化路径十分明确，不是说这样不好，而是这些大模型性质，决定了它们难为大众所用。
在让AI做题蔚然成风的环境里，大模型的能力边界是一回事，这种能力最后究竟能不能投入到市场变成公共服务，又是另外一回事了。
比如在AI医疗这个母题上，中国最亟待解决的是医疗资源的分配问题，这与其他国家的处境是截然不同的。比如在移动互联网时代，有很多APP和账号都在尝试跑通线上问诊，也不乏类似丁香医生这种已经搭建了一个成熟体系的账号跑出来，但这种模式，仍然没有改变问诊背后在消耗「人」的本质。
搜索引擎当然也尝试干过这事儿，结局也很明显，传统搜索早已被清扫进了历史垃圾堆里，而新兴如小红书这样「人传人」式看病不仅高度依赖经验，准确率也难以保障。
夸克披露了一个很值得细品的数据，就是在产品上搜索医学类考试题目的人数已经突破200万，考虑到非医学生做这种动作的可能性并不大，所以从纯度上讲，中国医学生已经有超过半数在用夸克学习了。
这当然很大程度上能说明，夸克在医学领域数据库的参考价值起码是得到专业人群认可的，不过这不是重点，重点在于夸克通过主任医师评测的考试，证明了其拥有了接近主任医师级别的的思维，AI已经可以完成医学领域的智能化延伸了。
如果你觉得这个说法过于抽象的话，不妨看看前段时间量子杂志刊登过的一篇报道：
美国的一个物理学团队想让AI帮忙设计一款引力波探测器，在没有任何预设的前提下，AI输出的结果让一票物理学家一脸懵，因为这东西实在不符合常理，牵头的领导当时还把这个结果定性成了「一团糟」。
结果过了几个月，研究人员才发现AI的思路，其实是基于几十年前俄罗斯物理学界的一些理论构建出来的，研究越深入，就越能证明AI给出的这套方案，居然是效率最高的...
这就是智能化延伸的能力，AI发展到今天，早已经跳出了「有问必答数据库」 的那套叙事，它如今最大的价值，是给有局限性的人类提供无数可能的思考角度，就像当初世界围棋大师们都看不懂AlphaGo的路数，但后者最终总能赢下对局。
说回正题，在智能化延伸能力的基础上，夸克的推理能力，已经可以取代绝大多数医学上的机械性重复工作，比如分析血常规、看CT影像等等，只要喂料够多，那最终的准确率一定不会比真人医生低。
更重要的是，这种延伸背后是千万级DAU的搜索入口，单是医疗领域，夸克的升级也能直接覆盖到2000万体量的用户群体，实打实影响着每一位正在用AI辅助问诊的人。
当然，这只是个开始，夸克的质变，也是建立在整个行业大模型能力都在突飞猛进的背景上的，AI要想真正参与到医疗体系里，要经历的步骤还有很多。
不过还是希望AI厂商们能更多向类似务实的方向上靠拢，有时候做慢而正确的事，最终的收获，要比想象中多很多。
从数据上看，夸克在这轮测试中67.7%的准确率比第二名高出了近30个百分点，领先不可谓不大，但我真正关心的不是数据，而是相比于五月那轮副主任医师测评，夸克通过推理难度高出几个级别的主任医师考试，到底能为医学领域做多大的实事。
健康大模型不是夸克开创的概念，目前市面上的同类产品以TO B为主流，商业化路径十分明确，不是说这样不好，而是这些大模型性质，决定了它们难为大众所用。
在让AI做题蔚然成风的环境里，大模型的能力边界是一回事，这种能力最后究竟能不能投入到市场变成公共服务，又是另外一回事了。
比如在AI医疗这个母题上，中国最亟待解决的是医疗资源的分配问题，这与其他国家的处境是截然不同的。比如在移动互联网时代，有很多APP和账号都在尝试跑通线上问诊，也不乏类似丁香医生这种已经搭建了一个成熟体系的账号跑出来，但这种模式，仍然没有改变问诊背后在消耗「人」的本质。
搜索引擎当然也尝试干过这事儿，结局也很明显，传统搜索早已被清扫进了历史垃圾堆里，而新兴如小红书这样「人传人」式看病不仅高度依赖经验，准确率也难以保障。
夸克披露了一个很值得细品的数据，就是在产品上搜索医学类考试题目的人数已经突破200万，考虑到非医学生做这种动作的可能性并不大，所以从纯度上讲，中国医学生已经有超过半数在用夸克学习了。
这当然很大程度上能说明，夸克在医学领域数据库的参考价值起码是得到专业人群认可的，不过这不是重点，重点在于夸克通过主任医师评测的考试，证明了其拥有了接近主任医师级别的的思维，AI已经可以完成医学领域的智能化延伸了。
如果你觉得这个说法过于抽象的话，不妨看看前段时间量子杂志刊登过的一篇报道：
美国的一个物理学团队想让AI帮忙设计一款引力波探测器，在没有任何预设的前提下，AI输出的结果让一票物理学家一脸懵，因为这东西实在不符合常理，牵头的领导当时还把这个结果定性成了「一团糟」。
结果过了几个月，研究人员才发现AI的思路，其实是基于几十年前俄罗斯物理学界的一些理论构建出来的，研究越深入，就越能证明AI给出的这套方案，居然是效率最高的...
这就是智能化延伸的能力，AI发展到今天，早已经跳出了「有问必答数据库」 的那套叙事，它如今最大的价值，是给有局限性的人类提供无数可能的思考角度，就像当初世界围棋大师们都看不懂AlphaGo的路数，但后者最终总能赢下对局。
说回正题，在智能化延伸能力的基础上，夸克的推理能力，已经可以取代绝大多数医学上的机械性重复工作，比如分析血常规、看CT影像等等，只要喂料够多，那最终的准确率一定不会比真人医生低。
更重要的是，这种延伸背后是千万级DAU的搜索入口，单是医疗领域，夸克的升级也能直接覆盖到2000万体量的用户群体，实打实影响着每一位正在用AI辅助问诊的人。
当然，这只是个开始，夸克的质变，也是建立在整个行业大模型能力都在突飞猛进的背景上的，AI要想真正参与到医疗体系里，要经历的步骤还有很多。
不过还是希望AI厂商们能更多向类似务实的方向上靠拢，有时候做慢而正确的事，最终的收获，要比想象中多很多。
比如我这里发现 AI 多写了一行「Keynote」文字，我想要去掉，就可以框选这部分，让他去掉就行。
这个案例里面我完全通过评论（ChatCanvas）功能，不断的调整一张图片，然后最后把它生成了一个动态视频。
调整过程非常精准，完全不需要你费劲巴拉的用文字去描述位置或者图片，点击评论回复问题运行就行。
说完简单的用法我们再来点复杂的。
ChatCanvas 不仅支持每张图片单独调整，其实也支持多张图片联动调整。
这个能力对于有设计能力的朋友来说非常重要，你可以直接在画板中完成拼图编辑组合工作。
这里我想做一张图，包含了最近的几个热梗，乌萨奇在东方明珠下面和蜜雪冰城然后被激光击中的画面。
这里我先找了三张素材图，画面中的主要元素，分别是乌萨奇、东方明珠和蜜雪冰城的饮料。
然后精彩的地方来了，我可以分别给这三张图添加评论，指出分别需要参考的部分以及新图片的风格和位置。
我在乌萨奇这里说了使用这个角色，然后在第二个评论饮料这里说明角色会拿着这个饮料，最后在东方明珠的图片部分指定了三个参考项的位置以及画面风格和比例。
见证奇迹的时刻朋友们，一张乌萨奇在上海偷喝蜜雪冰城，然后被击毙的图片就整好了，我还能让他变成视频。
昨天我发的内容说过，未来的软件设计将会从用户体验（UX）为中心转换为以 Agent 体验（AX）为中心。
一旦体验过真正的 AX，传统的 UX 会让人觉得“过时且低效”，你用完 Lovart 在用其他创意设计产品就会有这种感觉。
这个案例里面我完全通过评论（ChatCanvas）功能，不断的调整一张图片，然后最后把它生成了一个动态视频。
调整过程非常精准，完全不需要你费劲巴拉的用文字去描述位置或者图片，点击评论回复问题运行就行。
说完简单的用法我们再来点复杂的。
ChatCanvas 不仅支持每张图片单独调整，其实也支持多张图片联动调整。
这个能力对于有设计能力的朋友来说非常重要，你可以直接在画板中完成拼图编辑组合工作。
这里我想做一张图，包含了最近的几个热梗，乌萨奇在东方明珠下面和蜜雪冰城然后被激光击中的画面。
这里我先找了三张素材图，画面中的主要元素，分别是乌萨奇、东方明珠和蜜雪冰城的饮料。
然后精彩的地方来了，我可以分别给这三张图添加评论，指出分别需要参考的部分以及新图片的风格和位置。
我在乌萨奇这里说了使用这个角色，然后在第二个评论饮料这里说明角色会拿着这个饮料，最后在东方明珠的图片部分指定了三个参考项的位置以及画面风格和比例。
见证奇迹的时刻朋友们，一张乌萨奇在上海偷喝蜜雪冰城，然后被击毙的图片就整好了，我还能让他变成视频。
昨天我发的内容说过，未来的软件设计将会从用户体验（UX）为中心转换为以 Agent 体验（AX）为中心。
一旦体验过真正的 AX，传统的 UX 会让人觉得“过时且低效”，你用完 Lovart 在用其他创意设计产品就会有这种感觉。
