中醫 AI 值不值得信任？上線前該查清楚的六件事
中醫 AI 可不可信，看展示影片的準確率沒有意義。六件事沒查過，就只是一個包裝精美的黑箱：推理能不能追溯、資料來源站不站得住腳、藥材溯源、法規分級、資料互通、出事誰負責。
科技
AI
GPT-5如何解開T細胞三年謎題？假說引擎不是神諭
GPT-5 Pro 幫免疫學家解開卡三年的 T 細胞謎題，還預測了沒公開過的實驗結果。但把這件事讀成『AI 會做科學了』，就解錯題了。
AI從答題走進實驗室：GPT-5.4跑萬筆反應解偶聯難題
AI 真的自己做出化學發現了嗎？讀準一點：GPT-5.4 提假設、自動化實驗室跑一萬筆反應、人工逐筆驗證，三者缺一都不成。被解掉的是『沒人跑得起一萬次』的通量問題，不是智力問題。台灣要接住這波，缺的不是模型，是實驗室與資料。
LifeSciBench是什麼？OpenAI生科評測，自家AI僅過36%
AI 連自家出的生命科學考卷都只過三成，這件事該怎麼讀？分數是一回事，出題兼改考卷兼頒獎的是同一個人，又是另一回事。
AI 用 Lean 證明數學定理，讓機器逐行驗證真假
AI 拿奧數金牌很亮眼，但那是自然語言、靠人工評審判對錯。用 Lean 4 逐行驗證的證明才解掉了難題：不用人幫忙也知道它是對的。這才是 AI 可信度第一次有的工程解法。
Gemini 3.5 Pro 200萬token脈絡：哪些場景真的有用
200 萬 token 是量產最長脈絡，但廣告脈絡不等於可用脈絡。長脈絡真正划算的只有幾類場景，其餘知識庫問答用 RAG 更省更準。這篇給一個先分清楚任務類型的選型判準。
MiniMax M3 把智慧成本打到地板：開源權重、百萬脈絡一次到齊
上海 MiniMax 6/1 推出開源權重的 M3，前沿級 coding、百萬 token 脈絡、原生多模態一次到齊，定價只有西方旗艦零頭。但對台灣團隊真正的訊號不是又一個跑分新王，而是自架可行性與選型的成本結構被重寫。
GPT-5.6發布日被下注：選型別被謠言牽著走
為什麼一個還沒公開發布的模型，賭盤能開到六十幾萬美元？因為不確定性被商品化了。但賠率不是路線圖，跟著它調整選型是把工程問題交給賭客投票。
ChatGPT健康答案贏過醫師？OpenAI自評的方法論陷阱
OpenAI 說新模型的健康答案贏過醫師，但分數全在它自家內部跑、未公開外審。真正的重點不是它贏了幾項，是每週 2.3 億人已在用 ChatGPT 問健康。AI 取代的不是醫師，而是 Google 搜尋。
AI 服務禁用與中斷已成常態：4 個讓工作流維持韌性的準備原則
最強 AI 模型被比照核彈等級管制禁用，加上各版本服務持續出現錯誤率攀升，正在揭露一個更根本的問題：工作流對單一 AI 服務的過度依賴。本文從備援設計、容錯邏輯、管制趨勢應對、Prompt 跨模型可移植性四個面向，提出可執行的準備原則。
OpenAI 用真實對話重放測新模型：上線前 benchmark 為何總跟現實對不上
OpenAI 拿約 130 萬則真實對話重放、餵給待上線的新模型測試，比合成測題更早抓到行為漂移。上線前驗收該從跑分搬回真實情境，企業導入 AI 也一樣。
Android 17 Gemini Intelligence：手機AI主動代理5項能力
Android 17 把 Gemini AI 整合進系統層級，推出 Gemini Intelligence 功能套件。本文拆解五項核心能力、硬體門檻，以及裝置端 AI 推論對使用者隱私與實際使用的意義。
Claude Fable 5 Mythos級：跟Opus差在哪、為何被說變笨
Anthropic 6 月 9 日把 Fable 5 推上「Mythos 級」，一個比 Opus 高一階的正式產品層。真正該看的不是 80.3 這種跑分，而是它在長任務、agentic coding 上的領先會隨任務難度拉開。這篇拆解這個分層對開發者選型的實際意義。
我與急診室醫生的一次閒談 - 他告訴我平常要注意什麼
急診室第一線觀察：台灣每年逾 750 萬次急診就診，多數原因有跡可循。了解急診常見成因、日常必備準備清單，以及判斷什麼情況才真正需要掛急診。
什麼是 AI 對齊？企業用 AI 節省成本前必須先搞清楚的核心問題
企業普遍把導入 AI 的問題定義為「如何省成本」，但這可能是在解錯題。本文拆解 AI 對齊的三層失敗模式，說明為何無法保證 AI 確實在做你以為它在做的事，以及企業需要先問的核心問題。
為什麼 AI 在醫藥領域最先落地的，常常不是最前端的科學發現，而是中後段流程？
AI 在製藥的落地，往往從臨床試驗管理、受試者篩選與法規送件開始，而非藥物發現前端。本文拆解背後的流程結構、資料條件與治理邏輯，說明這個順序為何不是偶然，以及如何判斷一個 AI 應用是否真正落地。
影像 AI 從單一任務走向附帶發現：乳房攝影讀出心血管風險
刊登於 European Heart Journal 的研究分析逾 12 萬張乳房攝影，顯示 AI 可從乳房動脈鈣化訊號推估女性心血管風險。這不只是一項新技術，而是醫療 AI 設計邏輯的轉變——從做好一件事，到順手讀出已存在的訊號。
如何評估中醫 AI 是否可信：診斷推理、藥材溯源、炮製管控的 3 層核心問題
中醫 AI 的可信度不只取決於準確率。本文分析三個關鍵層次：辨證推理是否透明可追溯、藥材供應鏈是否存在洗產地或加料通過檢驗等造假手段、炮製品質能否被數位化記錄，並提出評估可信度的系統性架構。