今天三則 AI 新聞看起來完全不同。
一則在談：
美國和中國。
一則在談：
AI 生圖。
另一則甚至已經走進：
腹部 CT。
但真正連在一起的問題其實只有一個：
當 AI 已經真的能做事，誰來決定它可以做到哪裡？
① 美中高層會談，AI Guardrails 正式搬上桌
美國財政部長 Scott Bessent 與中國國務院副總理何立峰，
9 月 20 日在紐約展開新一輪高層會談。
這次本來就包含：
貿易、
關稅、
稀土與 Critical Minerals。
但 AI 也正式成為談判項目。
而且不是在討論：
哪一家模型比較強。
真正談的是：
AI Guardrails。
也就是當模型能力愈來愈強時，
美中能不能先找到某些：
雙方都不希望跨過的界線。
為什麼突然變重要？
過去幾週，
已經連續出現：
AI Agent 越出 Sandbox、
Gemini 誤把真實公司當成測試目標、
前沿模型資安能力快速提升、
AI 公司自己開始要求更嚴格安全評估。
所以 AI Safety 已經從：
研究人員討論的問題，
變成：
國家之間開始談的問題。
Reuters 指出，
這次美方希望討論的內容之一，
就是如何避免強大 AI 被：
惡意非國家行為者
取得或濫用。
美方先前也提出，
需要注意具有：
生物、
核武、
Cybersecurity
等 Dual-use 能力的模型。
但這裡要分清楚。
今天還沒有「美中 AI 協議」
目前是：
開始談。
不是：
已經達成共同規則。
而且美中對 AI 的立場並不完全相同。
美國一方面希望維持前沿 AI 領先，
另一方面也在討論：
高能力模型要怎麼避免被濫用。
中國則正在快速推動：
開放權重模型、
國內 AI 產業、
AI 進入不同經濟場景。
所以最後能不能形成具體制度，
現在還不知道。
連 Open-weight／Closed-weight 都進入談判
另一個非常值得注意的地方是：
Bessent 表示，
討論預計會涵蓋：
Open-weight Models
和：
Closed-weight Models。
這兩種模式的風險並不一樣。
Closed-weight Model：
模型主要留在公司控制的 Server 裡。
供應商可以：
限制帳號、
監控異常使用、
修改安全機制。
Open-weight Model：
使用者可以下載核心權重，
自己部署、
Fine-tune，
甚至在完全離線的環境修改。
它帶來：
更低成本、
更多創新、
更大的控制權。
但也代表：
模型離開原開發商之後，
原公司能控制的事情更少。
所以現在 AI Governance 已經開始碰到一個很具體的問題：
模型「怎麼被發布」，本身就是安全設計的一部分。
接下來還有川習會
這次 Bessent 與何立峰會談，
也是為美國總統 Donald Trump 與中國國家主席習近平本週在華盛頓的會晤做準備。
AI 預計仍會是雙方議題之一。
所以接下來值得看的不是：
「美中會不會一起管理 AI？」
而是更具體的：
雙方能不能至少在少數最危險的用途上，承認某些共同風險。
如果連最強兩個 AI 生態系都開始把 Guardrails 放上外交談判桌，
那代表：
AI Safety 已經正式從公司 Policy，
走進國際政治。
② Qwen-Image-2.1：7B 就把生成和編輯放進同一模型
第二則完全換一個場景。
Qwen 9 月 20 日正式發布：
Qwen-Image-2.1。
這是一個新的圖像生成／編輯模型。
最直接的數字是：
7B Parameters。
但這裡的 7B 指的是：
Visual Generation Component。
真正值得看的不是參數比誰小，
而是 Qwen 把原本分開的幾種工作，
開始整進同一個模型。
包括：
Text-to-Image
文字直接生圖。
Image Editing
針對既有圖片修改。
Transparent Image Generation
直接生成帶 Alpha Channel 的透明背景圖片。
Subject Extraction
從照片裡把主體抽出。
還有：
最多 10 張 Reference Images。
10 張參考圖可以做什麼？
例如你有：
一張人物照片、
一張商品、
一張空間、
幾張服裝與角度參考。
以前模型常常只能：
一張 Reference，
或幾張圖混在一起後，
人物、商品特徵容易跑掉。
Qwen-Image-2.1 現在官方主打：
可以同時使用最多：
10 張 Reference Images
協助 Image Editing。
也可以用：
Circle、
Painted Annotation、
Mask
指定只改某個區域。
這代表 AI 生圖正在從：
「重新生成一張看起來差不多的圖」
往：
「我告訴你哪裡要動，其他部分盡量留下」
繼續前進。
透明背景其實很實用
AI 生圖 Demo 最常展示的是：
漂亮人物。
但實際工作裡，
設計師非常常需要：
透明 PNG。
例如：
商品主體。
人物去背。
Sticker。
網站素材。
簡報插圖。
廣告合成素材。
如果 AI 能直接生成：
RGBA Transparent Image，
就少掉一次：
生成
→ 去背
→ 修邊
→ 再輸出
的流程。
這可能比又多一種藝術風格更實用。
Qwen 還另外做了 Prompt Rewriter
這次還有另一個很有意思的設計。
Qwen 同時發布：
專門幫 Image Generation 與 Image Editing 改寫 Prompt 的模型。
目的很簡單。
很多人真正輸入的是：
「把這個人的衣服改成黑色。」
對人來說夠清楚。
但對圖像模型來說，
可能還需要更完整的：
主體、
位置、
保留項目、
材質、
光線、
修改範圍。
Prompt Rewriter 可以先把使用者很短、很模糊的要求，
整理成：
比較適合圖像模型執行的 Instruction。
這其實是一個很重要的趨勢：
未來不一定要求每個人都變 Prompt Engineer。
前面可以再放一個 AI，
先幫你把需求翻成：
另一個 AI 更容易理解的格式。
但「開放權重」不等於隨便拿去商用
這裡一定要特別提醒。
Qwen 官方把 Qwen-Image-2.1 稱為 Open-source，
Model Weights 也可以下載。
但目前使用的是：
Qwen Research License Agreement。
官方 License 明確寫出：
如果要 Commercial Use，
需要另外向 Qwen 申請 License。
所以不要看到：
「Weights 可以下載」
就直接理解成：
免費拿來做商業產品沒有任何限制。
能下載、
能研究、
能自行部署，
和：
能不能商用，
是不同問題。
這對 AI Model 愈來愈重要。
因為現在很多人看到：
Open Model
就直接等同：
Open-source Software。
實際上不同模型的：
License、
Redistribution、
Commercial Use
可能完全不同。
③ 一個 AI，開始同時看 146 種腹部 CT Findings
第三則進入醫療。
Alibaba DAMO Academy、
浙江大學醫學院附屬第一醫院等研究團隊，
在《Science》發表一套：
RADAR。
全名概念上就是：
一個 Generalist AI，
專門分析：
Contrast-enhanced Abdominal CT。
以前很多醫療 AI 都是：
一個疾病，一個 Model。
例如：
專門找某一類腫瘤。
專門找某一個器官異常。
RADAR 想走的路完全不一樣。
它希望一個模型就能同時處理：
18 個 Anatomical Structures
以及：
146 種 Imaging Findings。
它怎麼訓練？
RADAR 使用超過：
40 萬次腹部增強 CT Examinations
以及：
1,500 萬組 Anatomy-aware Image-text Pairs
訓練。
比較特別的是：
它不是完全依賴人工重新替每一張 CT 標記。
研究團隊利用原本醫療系統裡已經存在的：
Radiology Reports
讓模型學習：
影像和醫師文字報告之間的關係。
這是一個很關鍵的差別。
如果每增加一種疾病，
都必須重新找大量醫師逐張人工 Label，
Generalist Medical AI 很難擴大。
直接利用既有 Clinical Reports，
則有可能把訓練規模往上推。
研究裡的數字有多好？
Science 論文指出，
RADAR 在多中心、不同臨床情境下，
對 18 個解剖結構與 146 種 Imaging Findings，
維持了高診斷表現。
研究另外讓：
26 名 Radiologists
進行 Reader Study。
結果顯示：
加入 RADAR Assistance 後，
這些醫師的 Diagnostic Sensitivity：
平均提高約：
10%。
這個結果真正值得注意的地方不是：
「AI 打敗醫生。」
反而是：
AI＋醫生是否比醫生單獨工作更好。
為什麼 Sensitivity 很重要？
Sensitivity 可以簡單理解成：
真的有異常的人裡，有多少被抓出來。
醫療影像其中一個重要風險就是：
漏掉真正存在的病灶。
所以如果 AI 能協助醫師：
多發現一些原本可能漏掉的 Finding，
它的價值不一定是：
取代醫師。
而是：
當第二雙眼睛。
Emergency CT 也做了測試
更有意思的是，
研究還把 RADAR 放進超過：
27,000 個 Emergency CT Cases
測試。
即使模型並不是特別只為急診資料訓練，
研究報告的 AUC 仍達：
0.904。
另外在：
8 個 External Centers
測試時，
也維持約：
0.895 AUC。
這是在驗證另一個很重要的問題：
換一家醫院，模型還行不行？
因為醫療 AI 最怕的是：
在訓練資料上很好，
到了別家醫院、
別台 Scanner、
不同病人族群，
表現突然掉下來。
多中心 External Validation，
因此比單一實驗室數字重要得多。
但這仍然不是「你可以把 CT 丟給 AI 自己診斷」
這一點一定要講清楚。
Science 論文證明的是：
RADAR 在研究與臨床資料評估中有很強的能力。
它不等於：
一般使用者現在可以自己拿 CT，
讓 RADAR 取代放射科醫師。
Medical AI 真正進入醫院，
還要處理：
Clinical Validation、
Regulatory Approval、
Patient Privacy、
Hospital Workflow、
Liability、
Human Oversight。
而且 AUC 再高，
也不是：
每一個病例都一定判對。
所以今天真正值得看的不是：
「AI 終於可以當醫生。」
而是：
醫療影像 AI 開始從一病一模，往一個模型處理大量臨床 Findings 的方向走。
RADAR 已經把 Code 與模型釋出
研究團隊也已經公開：
RADAR Code、
Pre-trained Checkpoints
與相關研究資源，
讓其他研究單位能進一步測試。
這對醫療 AI 很重要。
因為研究如果只有 Paper 裡的結果，
外界很難知道：
換一套資料後，
模型到底還能不能維持表現。
讓其他團隊自己驗證，
才能慢慢知道：
哪些能力是真的 Generalize，
哪些只是原研究資料裡表現很好。
今天三則新聞，其實都在講「邊界」
把它們放在一起，
會看到一個很有意思的變化。
美中談 AI Guardrails
問題是：
國家層級的邊界在哪裡？
什麼 AI 能力大家都不希望被濫用？
Qwen-Image-2.1
問題是：
模型使用的邊界在哪裡？
能下載 Weight，
不代表所有商業用途都自動開放。
RADAR
問題是：
AI 判斷的邊界在哪裡？
研究裡可以做到 Expert-level Performance，
不代表醫療決策就可以完全把人拿掉。
AI 發展到下一個階段，
能力本身當然還是重要。
但愈來愈多真正困難的問題，
已經不是：
「AI 能不能做？」
而是：
「做到這裡之後，接下來誰負責？」
這可能才是 AI 真正進入現實世界後，
每天都會遇到的問題。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
AI 的下一場競賽，不再是模型，而是治理：為什麼這將影響每一位 AI 使用者？
AI 一分鐘教學｜2026/08/09：用 Qwen 整理多份文件前，先分成「已確認、矛盾、缺口」
AI 今日早報｜2026/09/02：印度據報準備讓 AI Agent 用 UPI 小額付款、ChatGPT 接上 Epic 病歷、歐盟追問 Google AI Search 退出機制
