AI Digester

医疗 AI，叙述性临床笔记中 24% 至 58% 的准确度偏差

• Transformer 模型的临床决策提取准确度因语言特性而异
• 叙述性语句中的提取性能下降至一半以下
• 应用边界容许评估时，召回率从 48% 提高到 71%

发生了什么？

EACL HeaLing Workshop 2026 上发表的研究表明，医疗 AI 的临床决策提取性能取决于句子的语言特征。^[arXiv] Mohamed Elgaar 和 Hadi Amiri 研究团队使用 DICTUM 框架分析了出院总结。与药物相关的决策的召回率为 58%，而叙述性建议则降至 24%。

为什么重要？

AI 决策支持系统在医疗领域的应用正在加速。这项研究表明，当前的系统可能会系统性地遗漏某些类型的临床信息。^[arXiv] 虽然药物处方提取效果良好，但患者建议或注意事项容易被忽略。这直接关系到患者安全。

通过边界容许匹配，召回率提高到 71%。这表明大多数完全匹配失败都是边界不一致造成的。^[arXiv]

未来会怎样？

研究团队建议采用边界容许评估和提取策略。临床 NLP 系统应加强叙述性文本处理能力。监管机构也可以将不同语言类型的性能偏差纳入评估标准。

常见问题 (FAQ)

Q: Transformer 如何从临床笔记中提取决策？

A: 通过注意力机制双向理解上下文。计算每个 token 之间的关系，以识别决策文本的范围。通过 DICTUM 数据进行学习，对药物处方、检查指示、患者建议等进行分类。

Q: 为什么叙述性语句中的提取性能会下降？

A: 存在大量停用词、代词和对冲表达，导致语义密度较低。缺乏明确的实体，使得模型难以确定决策边界。建议通常跨多个句子表达，不适合单跨度提取。

Q: 什么是边界容许匹配，为什么它有效？

A: 即使提取范围与正确答案不完全一致，也允许部分重叠的方式。成功捕获核心内容，处理仅边界不同的情况。召回率从 48% 上升到 71% 表明，许多错误都是边界设置问题。

---

如果这篇文章对您有帮助，请订阅 AI Digester。

参考资料

• Linguistic Blind Spots in Clinical Decision Extraction – arXiv (2026-02-03)
• EACL HeaLing Workshop – ACL Anthology (2026)
• DICTUM Clinical Decision Annotation Framework – GitHub (2024)

15亿美元和解，数百万本书籍被毁：核心总结

• Anthropic购买了数百万本书籍用于Claude的学习，切断书脊扫描后废弃处理
• 内部文件：“巴拿马项目是试图破坏性地扫描世界上所有的书籍”
• 以15亿美元（约2万亿韩元）的和解金赔偿作家，每本书约3000美元

发生了什么？

超过4000页的法院文件公开，揭露了Anthropic的秘密项目。代号“巴拿马项目”。内部规划文件写道：“巴拿马项目是我们努力破坏性地扫描世界上所有的书籍。”^{[Washington Post]}

方式是这样的。从Better World Books、World of Books等二手书店大量购买数万本书籍。用“液压切割机”干净利落地切断书脊。用高速高质量扫描仪扫描页面。然后回收公司回收剩余的残骸。^[Techmeme]

领导该项目的是Tom Turvey。他是20年前创建Google Books项目的谷歌前高管。大约一年内，Anthropic投资数千万美元，获取并扫描了数百万本书籍。^[Futurism]

为什么重要？

坦率地说，这揭示了AI学习数据获取的真相。

Anthropic为什么选择这种方式？首先，为了避免非法下载的风险。其次，购买二手书并随意处理，在“首次销售原则”（first-sale doctrine）上很可能是合法的。实际上，法官也承认这种扫描方式本身是合理使用（fair use）。^[CNBC]

但问题是。在巴拿马项目之前，Anthropic从Library Genesis、Pirate Library Mirror等非法网站免费下载了超过700万本书籍。法官认为这部分可能构成侵犯版权。^[NPR]

我个人认为这是关键。问题在于，在“合法”的书籍销毁扫描之前，他们首先进行了非法下载。Anthropic自己也意识到了这一点——内部文件写道“不希望这项工作被公开”。

未来会怎样？

15亿美元的和解金是AI版权纠纷历史上最大的一笔。估计有50万本书籍，每本书约3000美元将返还给作者。^[PBS]

这个判例对其他AI公司影响很大。OpenAI、Google、Meta也面临着类似的诉讼。“买书扫描可以，但非法下载不行”的标准变得明确。

Anthropic目前还在进行音乐版权诉讼。音乐出版商在1月份提起了单独的诉讼，声称Claude 4.5被训练成“记忆”受版权保护的作品。^{[IP Watchdog]}

常见问题 (FAQ)

Q: 巴拿马项目中实际销毁了多少本书籍？

A: 法院文件显示，最多有200万本书籍是“破坏性扫描”的对象。Anthropic从Better World Books、World of Books等二手书店购买了数万本书籍，估计在一年内投资数千万美元处理了数百万本书籍。

Q: 作者们能得到多少钱？

A: 15亿美元的和解金适用于约50万本书籍。每本书约3000美元。非法下载书籍的作者可以提出索赔，如果和解获得法院批准，他们可以单独提出索赔。但是，如果并非所有作者都提出索赔，则实际收到的金额可能会增加。

Q: 买书扫描合法吗？

A: 法官承认这种方式是合理使用。因为根据“首次销售原则”，购买的书籍可以随意处理。但是，Anthropic的问题在于在巴拿马项目之前从非法网站下载书籍。根据目前的标准，合法购买的书籍的扫描是合法的。

---

如果这篇文章对您有帮助，请订阅AI Digester。

参考资料

• Anthropic ‘destructively’ scanned millions of books to build Claude – Washington Post (2026-01-27)
• Anthropic Knew the Public Would Be Disgusted – Futurism (2026-01-28)
• Anthropic to pay authors $1.5 billion in settlement – NPR (2025-09-05)
• Millions of books died so Claude could live – The Verge (2026-02-03)

FastAPI vs Triton：医疗 AI 推理服务器，该用哪个？

• FastAPI 单个请求延迟：22ms — 适用于简单服务
• Triton 吞吐量：每个 GPU 780 RPS — 大容量批处理优势明显
• 结论：两者结合的混合方案才是正解

一览比较

项目	FastAPI	Triton Inference Server
延迟时间 (p50)	22ms	0.44ms
吞吐量	有限 (单进程)	780 RPS/GPU
学习难度	低	高
批处理	需要手动实现	内置动态批处理
HIPAA 对应	用作网关	专用后端推理

FastAPI 的特点

Python Web 框架。简单来说，就是将模型封装成 REST API 的工具。从安装到部署，只需几个小时即可完成。^[arXiv]

优点

• 入门门槛低 — 只要懂 Python 就能立即开始
• 灵活 — 可以根据需要进行自定义
• 单个请求 22ms 左右的低延迟

缺点

• 扩展性有限 — 单个进程无法处理大容量^[Medium]
• 同步推理会阻塞事件循环 — 即使是 async 处理程序，推理期间也无法处理其他请求

Triton Inference Server 的特点

NVIDIA 创建的专用推理服务器。可以直接上传 TensorRT、PyTorch、ONNX 模型。针对大容量流量进行了优化。^{[NVIDIA Docs]}

优点

• 动态批处理 — 将请求收集起来一次性处理，吞吐量提高 2 倍^[arXiv]
• 多 GPU 支持 — 易于水平扩展
• Vestiaire 案例中，性能比 FastAPI 快 15 倍^[Vestiaire]

缺点

• 学习曲线陡峭 — 需要理解配置文件和后端概念
• 基础设施开销 — 对于小型服务来说过于庞大

何时该用哪个？

应该选择 FastAPI 的时候： 原型阶段、CPU 专用推理、请求量少的内部工具

应该选择 Triton 的时候： 生产部署、必须利用 GPU、每秒处理数百个以上请求

个人认为，与其二选一，不如采用混合方案更现实。论文的结论也是如此。

医疗 AI 中的混合架构

研究团队提出的方式是这样的。FastAPI 在前端处理 PHI（受保护的健康信息）去标识化，后端 Triton 负责实际推理。^[arXiv]

之所以重要，是因为 2026 年 HIPAA 规定将更加严格。HHS 在 20 年后大幅修订了安全规则。^[Foley] AI 接触 PHI 的瞬间，加密、访问控制、审计日志就成了必需品。

混合结构兼顾了安全性和性能。FastAPI 层过滤掉敏感信息，Triton 只处理干净的数据。论文称之为“企业临床 AI 的最佳实践”。

常见问题 (FAQ)

Q: FastAPI 和 Triton 可以一起使用吗？

A: 可以。实际上，论文推荐的方式就是这样。FastAPI 充当网关，负责认证、日志记录、预处理，Triton 负责 GPU 推理。使用 PyTriton 库，可以用 Python 友好的界面控制 Triton，从而简化集成。

Q: 推荐给初学者哪个？

A: 应该从 FastAPI 开始。掌握模型服务的基本概念后，流量增加时再转换为 Triton。一开始就使用 Triton，会因为配置而疲于奔命，反而无法专注于模型改进。但是，如果一开始就预计会有大容量流量，那么直接使用 Triton 可以减少以后的返工。

Q: Kubernetes 部署时需要注意什么？

A: 这篇论文就是在 Kubernetes 环境下进行基准测试的。对于 Triton 来说，GPU 节点调度和资源限制设置是核心。必须安装 NVIDIA device plugin，并且 HPA（水平自动扩展）设置时必须基于 GPU 指标才能正常工作。FastAPI 与一般的 Pod 部署没有太大区别。

---

如果这篇文章对您有帮助，请订阅 AI Digester。

参考资料

• Scalable and Secure AI Inference in Healthcare – arXiv (2026-01-19)
• Triton Inference Server Documentation – NVIDIA (2026-02-03)
• HIPAA Compliance for AI in Digital Health – Foley & Lardner (2025-05-01)

claude-mem: Claude Code 获得了记忆力

• GitHub Stars: 18,800+
• 语言: TypeScript
• 许可证: MIT

这个项目火爆的原因

Claude Code 用户最大的抱怨是“会话结束后什么都忘了”。^[GitHub] claude-mem 正面解决了这个问题。它会自动捕获和压缩编码会话中的所有活动，并在下一个会话中将其作为上下文注入。

简单来说，它是一个赋予 Claude Code 长期记忆的插件。它拥有超过 18,800 个 Star 和 1,300 个 Fork，已成为 Claude Code 生态系统中最受欢迎的扩展工具。^[GitHub]

能做什么？

• 持久记忆: 会话结束后上下文不会消失。今天继续修复昨天工作的错误时，无需从头开始解释。
• 渐进式公开 (Progressive Disclosure): 分层搜索内存，只获取所需的信息。在最小化 Token 成本的同时，提供准确的上下文。
• 自然语言搜索: 询问“上周修改的认证逻辑在哪里？”，它会在项目历史记录中找到。
• Web UI 仪表板: 可以在 localhost:37777 上查看实时内存流。可以透明地查看正在存储的内容。
• 隐私控制: 可以使用 <private> 标签从内存中排除敏感信息。

快速开始

# 从插件市场添加
> /plugin marketplace add thedotmack/claude-mem

# 安装
> /plugin install claude-mem

安装后重启 Claude Code 即可。以前会话的上下文会自动出现。关键是不需要手动做任何事情。^[GitHub]

在哪里使用比较好？

对于使用 Claude Code 进行长期项目的开发者来说，这是必不可少的。尤其是在处理复杂的代码库或花费数天时间实现功能时，它会发挥真正的价值。

我个人认为，它对自由职业者或在多个项目之间切换的开发者更有用。由于上下文是按项目分开存储的，因此即使从 A 项目切换到 B 项目再返回，流程也不会中断。

注意事项

• Token 使用量可能会增加。由于注入了内存，因此基本 Token 消耗会增加。但是，由于采用了渐进式公开方式进行优化，因此情况并不像想象的那么严重。
• v9.0.12 是最新版本（2026 年 1 月 28 日发布）。这是一个经过 174 次发布的稳定项目，但更新周期很快，因此最好定期检查。

类似的项目

类似目的的工具包括 Cursor 的内置上下文管理。但是，如果主要使用 Claude Code，那么 claude-mem 几乎是唯一的选择。请注意，它不是 Anthropic 的官方功能，而是社区插件。

常见问题 (FAQ)

Q: 可以免费使用吗？

A: 完全免费。它以 MIT 许可证发布，是一个开源项目。只需安装即可使用所有功能，无需单独订阅或付费。但是，Claude Code 本身的 Token 费用是分开的。

Q: 内存数据存储在哪里？

A: 存储在本地。它不会传输到外部服务器，因此您可以放心使用，无需担心代码安全。您可以在 Web UI 中直接查看存储的内容，并在需要时删除它。

Q: 会与现有的 Claude Code 设置冲突吗？

A: 它以插件形式运行，因此不会影响现有设置。如果在安装后出现问题，只需禁用插件即可恢复到原始状态。经过 174 次发布，其稳定性已得到验证。

---

如果这篇文章对您有帮助，请订阅 AI Digester。

参考资料

• GitHub 仓库 – thedotmack/claude-mem (2026-01-28)

AI에게 포커와 마피아를 시켰더니: Game Arena가 벤치마크를 바꾼다

让AI玩扑克和狼人杀：Game Arena正在改变基准测试

• Kaggle Game Arena新增扑克和狼人杀(Werewolf)
• Gemini 3 Pro/Flash在国际象棋、狼人杀排行榜上名列前茅
• 希卡鲁·中村解说的为期3天的直播活动正在进行中

무슨 일이 일어났나?

发生了什么？

Google DeepMind在Kaggle Game Arena中添加了扑克和狼人杀。^{[Google Blog]} “国际象棋是完全信息游戏。现实世界并非如此。”DeepMind的Oran Kelly这样解释了扩展的原因。^[TechBuzz]

왜 중요한가?

为什么重要？

老实说，现有的AI基准测试有明显的局限性。分数已经触及天花板，数据污染问题也很严重。Game Arena采取了不同的方法。

游戏	测量能力	特征
国际象棋	战略推理	完全信息
扑克	风险评估	不完全信息+概率
狼人杀	社会推理，欺骗检测	自然语言团队游戏

狼人杀对AI安全研究也很有用。通过执行欺骗和寻找真相的角色，在受控环境中测试AI的欺骗能力。^[TechBuzz]

我个人认为这是代理AI时代必不可少的基准测试。

앞으로 어떻게 될까?

未来会怎样？

Gemini 3 Pro和Flash在国际象棋、狼人杀排行榜上名列前茅。^{[Google Blog]} 2月2日至4日正在进行直播活动。国际象棋GM希卡鲁·中村、扑克职业选手道格·波尔克等人进行解说。^[TechBuzz]

未来计划扩展到多人视频游戏和现实世界模拟。开源工具包已在GitHub上公开。^[GitHub]

자주 묻는 질문 (FAQ)

常见问题 (FAQ)

Q: Gemini 외 다른 모델도 참가 가능한가?

问：除了Gemini之外，其他模型也可以参加吗？

A: 그렇다. Kaggle Game Arena는 독립적인 공개 벤치마크 플랫폼이다. 다양한 프론티어 모델이 서로 대결하는 구조다. 오픈소스 하네스를 통해 새 모델을 쉽게 추가할 수 있어서 누구나 참여 가능하다.

答：是的。Kaggle Game Arena是一个独立的公开基准测试平台。各种前沿模型相互竞争。通过开源工具包，可以轻松添加新模型，因此任何人都可以参与。

Q: 게임 벤치마크가 실제 AI 성능을 반영하나?

问：游戏基准测试能反映实际的AI性能吗？

A: 기존 객관식 벤치마크보다 현실적이다. 포커는 불확실성 하 의사결정을, 마피아는 자연어 사회적 추론을 테스트한다. 다만 게임도 제한된 환경이다. 실세계 복잡성을 완전히 담지는 못한다.

答：比现有的选择题基准测试更现实。扑克测试不确定性下的决策，狼人杀测试自然语言社会推理。但是，游戏也是有限的环境。不能完全包含现实世界的复杂性。

Q: LLM이 Stockfish 같은 체스 엔진을 이기나?

问：LLM能击败Stockfish这样的国际象棋引擎吗？

A: 아직은 아니다. Stockfish은 초당 수백만 수를 계산하지만, LLM은 패턴 인식에 의존한다. 흥미로운 점은 LLM의 추론이 인간 선수와 비슷하다는 것이다. 기물 활동성, 폰 구조 같은 개념을 활용한다.

答：目前还不能。Stockfish每秒计算数百万步，但LLM依赖于模式识别。有趣的是，LLM的推理与人类选手相似。它利用棋子的活跃性、兵结构等概念。

---

이 글이 유용했다면 AI Digester를 구독해주세요.

如果这篇文章对您有帮助，请订阅AI Digester。

참고 자료

参考资料

• Advancing AI benchmarking with Game Arena – Google Blog (2026-02-02)
• Google DeepMind Expands Game Arena AI Benchmarks – TechBuzz (2026-02-02)
• Game Arena GitHub Repository – GitHub (2026-02-02)

• Advancing AI benchmarking with Game Arena – Google Blog (2026-02-02)
• Google DeepMind Expands Game Arena AI Benchmarks – TechBuzz (2026-02-02)
• Game Arena GitHub Repository – GitHub (2026-02-02)

更新 (2026-02-03): 扩展到17种，添加了具体物种名称和EBP 4,386种数据

Google AI，解码17种濒危物种基因组：生命的备份开始了

• Google利用AI解码了17种濒危物种的基因组
• DeepVariant、DeepConsensus、DeepPolisher三件套是核心
• 地球生物基因组计划，已完成4,386种

发生了什么事？

Google利用AI解码了17种濒危物种的基因组。在最初的13种基础上增加了4种。^{[Google Blog]} 简单来说，就是在灭绝之前备份基因。

具体是什么物种呢？包括生活在哥伦比亚西北部森林的棉顶狨猴(cotton-top tamarin)，马达加斯加的金色曼蛙(golden mantella frog)，以及南非-纳米比亚沿岸的非洲企鹅。^{[Google Blog]}

Google.org正在向洛克菲勒大学的AI for Science基金提供支持，并扩大项目。与Vertebrate Genomes Project、Earth BioGenome Project(EBP)合作。^{[New Atlas]}

为什么重要？

有了基因组数据才能制定保护策略。新西兰的鸮鹦鹉（夜行性不会飞的鹦鹉）正在通过基因组分析摆脱灭绝危机。^{[Google Blog]}

核心是速度和准确性。DeepVariant将基因变异检测错误减少了22~52%。^{[DeepVariant]} DeepConsensus将高质量测序吞吐量提高了250%。^[GitHub] 加上DeepPolisher，将基因组组装错误减少了50%。^{[Blockchain News]}

我个人认为，这比LLM更能体现Google AI的真正价值。

今后会怎样？

EBP已获得约4,386种基因组，2026年的首要目标是1万种。^[EBP] 最终目标是解码全部180万种。费用估计约为50亿美元。^[Wikipedia]

常见问题 (FAQ)

Q: 基因组解码能阻止灭绝吗？

A: 不能直接阻止。但可以通过遗传多样性分析来设计繁殖计划。就像鸮鹦鹉一样，它可以识别近亲繁殖的风险，并成为维持健康种群的关键工具。

Q: DeepVariant、DeepConsensus、DeepPolisher有什么不同？

A: DeepVariant是基于CNN的工具，用于在测序数据中寻找基因变异。DeepConsensus是用于校正PacBio长读数据的错误的Transformer模型。DeepPolisher可以进一步捕获基因组组装阶段的错误。一起使用可以同时提高准确性和吞吐量。

Q: 普通人也能贡献吗？

A: 这三个工具都是开源的。研究人员可以直接在GitHub上使用。普通人可以通过参与EBP公民科学项目或资助保护组织来做出贡献。

---

如果这篇文章对您有帮助，请订阅AI Digester。

参考资料

• How we’re helping preserve the genetic information of endangered species with AI – Google Blog (2026-02-02)
• How AI is sequencing the genomes of all known living species on Earth – New Atlas (2026-02-02)
• 10 years of genomics research at Google – Google Blog (2026-02-02)

Anthropic 30亿美元诉讼：涉嫌非法下载2万首歌曲

• Concord·UMG以30亿美元起诉Anthropic
• 诉讼歌曲从500首激增至2万首
• AI学习合法，但获取方式被指为非法复制

发生了什么事？

Concord和UMG以30亿美元的规模起诉了Anthropic。^[TechCrunch] 声称未经授权下载了超过2万首歌曲。 最初是500首，但在Bartz事件的证据调查中，又发现了数千首。^{[The Wrap]}

为什么重要？

这次诉讼针对的不是“AI学习”，而是“资料获取”。 法官判决用受版权保护的资料进行AI学习是合法的。^[WebProNews] 但问题在于获取方式是非法下载。

我个人认为，这将改变AI版权诉讼的局面。 “AI学习=侵权”在法庭上屡战屡败。 但“获取非法”则不同。 Bartz事件中支付了15亿美元的和解金。 如果是30亿美元，那么音乐行业就掌握了向AI企业施压的武器。

今后会怎样？

Anthropic很有可能再次和解。 继15亿美元之后，如果再损失数十亿美元，投资者的信任将会动摇。 OpenAI、Google似乎也会感到紧张。 一直没有公开学习数据的来源，但出现了因“非法获取”嫌疑而被起诉的先例。

常见问题 (FAQ)

Q: 使用受版权保护的资料进行AI学习不是合法的吗？

A: 学习是合法的。 但问题在于如何获取资料。 这次诉讼主张未经许可大量下载属于盗窃。

Q: 30亿美元会不会导致Anthropic破产？

A: 企业价值350亿美元，所以不会立即破产。 但已经支付了15亿美元，如果再损失数十亿美元，信任将会动摇。

Q: 其他AI企业也会被起诉吗？

A: 有可能。 OpenAI、Google都没有公开学习数据的来源。 如果音乐·出版行业集体行动，AI产业可能会动摇。

---

如果这篇文章对您有帮助，请订阅AI Digester。

参考资料

• Music publishers sue Anthropic for $3B – TechCrunch (2026-01-29)
• UMG, Concord Sue Anthropic – The Wrap (2026-01-29)
• Anthropic’s $3B Reckoning – WebProNews (2026-01-29)