今天三则 AI 新闻看起来完全不同。
一则在谈：
美国和中国。
一则在谈：
AI 生图。
另一则甚至已经走进：
腹部 CT。
但真正连在一起的问题其实只有一个：
当 AI 已经真的能做事，谁来决定它可以做到哪里？
① 美中高层会谈，AI Guardrails 正式搬上桌
美国财政部长 Scott Bessent 与中国国务院副总理何立峰，
9 月 20 日在纽约展开新一轮高层会谈。
这次本来就包含：
贸易、
关税、
稀土与 Critical Minerals。
但 AI 也正式成为谈判项目。
而且不是在讨论：
哪一家模型比较强。
真正谈的是：
AI Guardrails。
也就是当模型能力愈来愈强时，
美中能不能先找到某些：
双方都不希望跨过的界线。
为什么突然变重要？
过去几周，
已经连续出现：
AI Agent 越出 Sandbox、
Gemini 误把真实公司当成测试目标、
前沿模型资安能力快速提升、
AI 公司自己开始要求更严格安全评估。
所以 AI Safety 已经从：
研究人员讨论的问题，
变成：
国家之间开始谈的问题。
Reuters 指出，
这次美方希望讨论的内容之一，
就是如何避免强大 AI 被：
恶意非国家行为者
取得或滥用。
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。
但这里要分清楚。
今天还没有「美中 AI 协议」
目前是：
开始谈。
不是：
已经达成共同规则。
而且美中对 AI 的立场并不完全相同。
美国一方面希望维持前沿 AI 领先，
另一方面也在讨论：
高能力模型要怎么避免被滥用。
中国则正在快速推动：
开放权重模型、
国内 AI 产业、
AI 进入不同经济场景。
所以最后能不能形成具体制度，
现在还不知道。
连 Open-weight／Closed-weight 都进入谈判
另一个非常值得注意的地方是：
Bessent 表示，
讨论预计会涵盖：
Open-weight Models
和：
Closed-weight Models。
这两种模式的风险并不一样。
Closed-weight Model：
模型主要留在公司控制的 Server 里。
供应商可以：
限制帐号、
监控异常使用、
修改安全机制。
Open-weight Model：
用户可以下载内核权重，
自己部署、
Fine-tune，
甚至在完全脱机的环境修改。
它带来：
更低成本、
更多创新、
更大的控制权。
但也代表：
模型离开原开发商之后，
原公司能控制的事情更少。
所以现在 AI Governance 已经开始碰到一个很具体的问题：
模型「怎么被发布」，本身就是安全设计的一部分。
接下来还有川习会
这次 Bessent 与何立峰会谈，
也是为美国总统 Donald Trump 与中国国家主席习近平本周在华盛顿的会晤做准备。
AI 预计仍会是双方议题之一。
所以接下来值得看的不是：
「美中会不会一起管理 AI？」
而是更具体的：
双方能不能至少在少数最危险的用途上，承认某些共同风险。
如果连最强两个 AI 生态系都开始把 Guardrails 放上外交谈判桌，
那代表：
AI Safety 已经正式从公司 Policy，
走进国际政治。
② Qwen-Image-2.1：7B 就把生成和编辑放进同一模型
第二则完全换一个场景。
Qwen 9 月 20 日正式发布：
Qwen-Image-2.1。
这是一个新的图像生成／编辑模型。
最直接的数字是：
7B Parameters。
但这里的 7B 指的是：
Visual Generation Component。
真正值得看的不是参数比谁小，
而是 Qwen 把原本分开的几种工作，
开始整进同一个模型。
包括：
Text-to-Image
文字直接生图。
Image Editing
针对既有图片修改。
Transparent Image Generation
直接生成带 Alpha Channel 的透明背景图片。
Subject Extraction
从照片里把主体抽出。
还有：
最多 10 张 Reference Images。
10 张参考图可以做什么？
例如你有：
一张人物照片、
一张商品、
一张空间、
几张服装与角度参考。
以前模型常常只能：
一张 Reference，
或几张图混在一起后，
人物、商品特征容易跑掉。
Qwen-Image-2.1 现在官方主打：
可以同时使用最多：
10 张 Reference Images
协助 Image Editing。
也可以用：
Circle、
Painted Annotation、
Mask
指定只改某个区域。
这代表 AI 生图正在从：
「重新生成一张看起来差不多的图」
往：
「我告诉你哪里要动，其他部分尽量留下」
继续前进。
透明背景其实很实用
AI 生图 Demo 最常展示的是：
漂亮人物。
但实际工作里，
设计师非常常需要：
透明 PNG。
例如：
商品主体。
人物去背。
Sticker。
网站素材。
演示文稿插图。
广告合成素材。
如果 AI 能直接生成：
RGBA Transparent Image，
就少掉一次：
生成
→ 去背
→ 修边
→ 再输出
的流程。
这可能比又多一种艺术风格更实用。
Qwen 还另外做了 Prompt Rewriter
这次还有另一个很有意思的设计。
Qwen 同时发布：
专门帮 Image Generation 与 Image Editing 改写 Prompt 的模型。
目的很简单。
很多人真正输入的是：
「把这个人的衣服改成黑色。」
对人来说够清楚。
但对图像模型来说，
可能还需要更完整的：
主体、
位置、
保留项目、
材质、
光线、
修改范围。
Prompt Rewriter 可以先把用户很短、很模糊的要求，
整理成：
比较适合图像模型运行的 Instruction。
这其实是一个很重要的趋势：
未来不一定要求每个人都变 Prompt Engineer。
前面可以再放一个 AI，
先帮你把需求翻成：
另一个 AI 更容易理解的格式。
但「开放权重」不等于随便拿去商用
这里一定要特别提醒。
Qwen 官方把 Qwen-Image-2.1 称为 Open-source，
Model Weights 也可以下载。
但目前使用的是：
Qwen Research License Agreement。
官方 License 明确写出：
如果要 Commercial Use，
需要另外向 Qwen 申请 License。
所以不要看到：
「Weights 可以下载」
就直接理解成：
免费拿来做商业产品没有任何限制。
能下载、
能研究、
能自行部署，
和：
能不能商用，
是不同问题。
这对 AI Model 愈来愈重要。
因为现在很多人看到：
Open Model
就直接等同：
Open-source Software。
实际上不同模型的：
License、
Redistribution、
Commercial Use
可能完全不同。
③ 一个 AI，开始同时看 146 种腹部 CT Findings
第三则进入医疗。
Alibaba DAMO Academy、
浙江大学医学院附属第一医院等研究团队，
在《Science》发表一套：
RADAR。
全名概念上就是：
一个 Generalist AI，
专门分析：
Contrast-enhanced Abdominal CT。
以前很多医疗 AI 都是：
一个疾病，一个 Model。
例如：
专门找某一类肿瘤。
专门找某一个器官异常。
RADAR 想走的路完全不一样。
它希望一个模型就能同时处理：
18 个 Anatomical Structures
以及：
146 种 Imaging Findings。
它怎么训练？
RADAR 使用超过：
40 万次腹部增强 CT Examinations
以及：
1,500 万组 Anatomy-aware Image-text Pairs
训练。
比较特别的是：
它不是完全依赖人工重新替每一张 CT 标记。
研究团队利用原本医疗系统里已经存在的：
Radiology Reports
让模型学习：
图像和医师文字报告之间的关系。
这是一个很关键的差别。
如果每增加一种疾病，
都必须重新找大量医师逐张人工 Label，
Generalist Medical AI 很难扩大。
直接利用既有 Clinical Reports，
则有可能把训练规模往上推。
研究里的数字有多好？
Science 论文指出，
RADAR 在多中心、不同临床情境下，
对 18 个解剖结构与 146 种 Imaging Findings，
维持了高诊断表现。
研究另外让：
26 名 Radiologists
进行 Reader Study。
结果显示：
加入 RADAR Assistance 后，
这些医师的 Diagnostic Sensitivity：
平均提高约：
10%。
这个结果真正值得注意的地方不是：
「AI 打败医生。」
反而是：
AI＋医生是否比医生单独工作更好。
为什么 Sensitivity 很重要？
Sensitivity 可以简单理解成：
真的有异常的人里，有多少被抓出来。
医疗图像其中一个重要风险就是：
漏掉真正存在的病灶。
所以如果 AI 能协助医师：
多发现一些原本可能漏掉的 Finding，
它的价值不一定是：
取代医师。
而是：
当第二双眼睛。
Emergency CT 也做了测试
更有意思的是，
研究还把 RADAR 放进超过：
27,000 个 Emergency CT Cases
测试。
即使模型并不是特别只为急诊数据训练，
研究报告的 AUC 仍达：
0.904。
另外在：
8 个 External Centers
测试时，
也维持约：
0.895 AUC。
这是在验证另一个很重要的问题：
换一家医院，模型还行不行？
因为医疗 AI 最怕的是：
在训练数据上很好，
到了别家医院、
别台 Scanner、
不同病人族群，
表现突然掉下来。
多中心 External Validation，
因此比单一实验室数字重要得多。
但这仍然不是「你可以把 CT 丢给 AI 自己诊断」
这一点一定要讲清楚。
Science 论文证明的是：
RADAR 在研究与临床数据评估中有很强的能力。
它不等于：
一般用户现在可以自己拿 CT，
让 RADAR 取代放射科医师。
Medical AI 真正进入医院，
还要处理：
Clinical Validation、
Regulatory Approval、
Patient Privacy、
Hospital Workflow、
Liability、
Human Oversight。
而且 AUC 再高，
也不是：
每一个病例都一定判对。
所以今天真正值得看的不是：
「AI 终于可以当医生。」
而是：
医疗图像 AI 开始从一病一模，往一个模型处理大量临床 Findings 的方向走。
RADAR 已经把 Code 与模型发布
研究团队也已经公开：
RADAR Code、
Pre-trained Checkpoints
与相关研究资源，
让其他研究单位能进一步测试。
这对医疗 AI 很重要。
因为研究如果只有 Paper 里的结果，
外界很难知道：
换一套数据后，
模型到底还能不能维持表现。
让其他团队自己验证，
才能慢慢知道：
哪些能力是真的 Generalize，
哪些只是原研究数据里表现很好。
今天三则新闻，其实都在讲「边界」
把它们放在一起，
会看到一个很有意思的变化。
美中谈 AI Guardrails
问题是：
国家层级的边界在哪里？
什么 AI 能力大家都不希望被滥用？
Qwen-Image-2.1
问题是：
模型使用的边界在哪里？
能下载 Weight，
不代表所有商业用途都自动开放。
RADAR
问题是：
AI 判断的边界在哪里？
研究里可以做到 Expert-level Performance，
不代表医疗决策就可以完全把人拿掉。
AI 发展到下一个阶段，
能力本身当然还是重要。
但愈来愈多真正困难的问题，
已经不是：
「AI 能不能做？」
而是：
「做到这里之后，接下来谁负责？」
这可能才是 AI 真正进入现实世界后，
每天都会遇到的问题。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
AI 的下一场竞赛，不再是模型，而是治理：为什么这将影响每一位 AI 用户？
AI 一分钟教学｜2026/08/09：用 Qwen 整理多份文档前，先分成「已确认、矛盾、缺口」
AI 今日早报｜2026/09/02：印度据报准备让 AI Agent 用 UPI 小额付款、ChatGPT 接上 Epic 病历、欧盟追问 Google AI Search 退出机制
