数流源·每日 AI 资讯|2026 年 9 月 2 日

AI 正在接入电子病历、企业图谱、化工工具、空间数据和卫星监测,能力竞争开始延伸到真实数据、真实流程与真实责任。

作者:数数发布:2026-09-02更新:2026-09-02分类:AI资讯栏目:数流源 · 每日AI资讯-2026-09-02信息截至:2026 年 9 月 2 日 07:25(北京时间)**

过去一天,AI 行业最值得关注的变化,是模型进一步接入真实业务系统。ChatGPT 开始连接电子病历与公共医疗数据,Google 把图计算和表格预测带进数据仓库,中国化工行业大模型从问答转向任务执行。与此同时,空间数据和环境监测出现新的开放计划,欧盟监管与音乐版权诉讼也把数据来源和责任边界推到台前。

01|ChatGPT连接Epic电子病历,医疗AI进入受控数据工作流

发生了什么

OpenAI 9 月 1 日宣布,ChatGPT for Healthcare 新增 Epic 电子病历集成,以及 Healthcare Public Data 插件。前者可在既有权限下读取获授权的病历信息,辅助梳理就诊记录、检验结果、用药变化和待处理事项;后者连接 PubMed、ClinicalTrials.gov、DailyMed、CMS Coverage 等 9 个官方公共医疗数据源。Epic 集成面向符合条件的机构工作区,不向个人账户开放。

为什么值得关注

医疗 AI 的难点一直不只是回答医学问题,而是能否在权限、审计和合规框架内理解患者上下文,并把结论指回原始证据。OpenAI 披露,医生对 27 类临床场景中的 4363 次评分里,99.1% 的回答被评为安全;该结果属于公司组织的评测,并不等同于独立临床验证、诊断许可或零风险保证。

对产业或普通从业者的影响

医院部署 AI 时,应把角色权限、访问日志、人工复核和异常回退放在模型能力之前。医疗从业者可用它压缩病历整理和资料检索时间,但诊断与处置责任仍在人。国内团队也应看到,真正的壁垒正在从“医学问答模型”转向与医院系统、安全制度和可信数据源的工程整合。

02|Google把知识图谱和零样本表格预测带进BigQuery

发生了什么

Google Cloud 宣布 BigQuery Graph 正式可用,并推出预览版 TabFM。BigQuery Graph 允许用户在数据仓库中用标准 GQL 进行图遍历,并可跨 BigQuery、AWS、Databricks 或 Snowflake 中的开放表构建虚拟知识图谱而不搬移数据。TabFM 则通过表格基础模型,用一条 SQL 完成分类或回归预测,省去传统的单独训练和部署流程。

为什么值得关注

企业智能体最缺的往往不是生成能力,而是结构化关系和可核验的业务上下文。图查询适合追踪供应链、欺诈网络、身份关系和数据血缘;TabFM 则降低了预测分析的使用门槛。Google 称 BigQuery Graph 部分路径查询较预览阶段显著提速,TabFM 在 TabArena 基准中领先多类传统模型,这些性能结论仍属于厂商评测口径。

对产业或普通从业者的影响

数据团队可以优先从“关系复杂、证据链明确”的场景试用图能力,例如风险排查和供应链追溯。TabFM 更适合中小型历史数据和快速验证;若数据极大、要求完整调参控制或必须解释特征贡献,传统模型仍可能更合适。不要因为“一条 SQL”就省略数据质量和偏差评估。

03|欧盟将ChatGPT认定为“超大型在线搜索引擎”

发生了什么

欧盟委员会 8 月 31 日依据《数字服务法》(DSA),将 ChatGPT 认定为超大型在线搜索引擎,同时将 Reddit 和 Roblox 认定为超大型在线平台。三项服务均申报在欧盟的月均用户数至少达到 4500 万,超过强化监管门槛。欧盟委员会表示,相关服务须在收到认定通知后的四个月内履行额外义务。

为什么值得关注

ChatGPT 被纳入搜索引擎监管框架,说明对话式 AI 已不再只是软件工具,也被视为影响信息发现和公共讨论的重要入口。新增义务包括评估并缓解非法内容、未成年人保护、身心健康、基本权利、选举和公共安全等系统性风险。欧盟不同语言页面对具体截止月份一度表述不一,本文只采用一致的“四个月内”规则,不写死日期。

对产业或普通从业者的影响

面向欧洲提供搜索、推荐或内容聚合的 AI 产品,应更早准备风险评估、透明度报告、研究者数据访问和审计材料。对普通用户而言,这可能带来更清楚的申诉和信息披露机制,但不会自动消除错误回答或内容风险。

04|智能化工大模型3.0 Pro从知识问答转向任务执行

发生了什么

中国科学院大连化学物理研究所等单位发布智能化工大模型 3.0 Pro。新版本构建“大模型—智能体—专业技能与工具—应用场景”四层体系,集成超过 400 个化工智能体和工具,可执行流程分解、工具调用、结果校核与动态调整。中科院披露,该模型已使用百亿 Token 级专业语料持续预训练。

为什么值得关注

化工任务受到工艺、安全和工程约束,单纯问答很难进入生产流程。将模型与专业工具、校核环节和真实工况数据连接,是行业大模型走向“可执行”的关键一步。研发方称文本、多模态问答准确率分别为 81.96% 和 80.75%,已有 300 余家机构注册、API 累计调用超过 1400 万次;这些均为项目方披露,仍需更多独立场景验证。

对产业或普通从业者的影响

化工企业可先在研发检索、方案比较、流程模拟和设备分析等低风险环节试点,并为高风险操作设置强制人工审批。行业 AI 团队的重点将从堆积语料转向工具可靠性、结果校核、权限隔离和事故责任链。

05|武汉启动百万级3D/4D场景数据开放计划

发生了什么

第二届中国空间智能大会期间,影溯科技联合高校、科研机构和产业方等 20 余家机构,发起大规模空间智能 3D 数据开放计划。项目提出半年内开放首批数据集、一年完善评测基准、两年建设百万级高质量 3D/4D 场景数据集,并研究相关行业标准。

为什么值得关注

具身机器人、自动驾驶、AR/VR 和工业仿真都依赖真实三维世界数据,而现有公开数据常受场景单一、动态样本不足和标注不统一限制。该计划把几何质量、时间序列、元数据和授权状态纳入有效场景标准,并结合真实采集、二维内容重建和仿真合成三类来源。需要明确:百万级是两年建设目标,并非当前已开放规模。

对产业或普通从业者的影响

开发者应等待首批目录、许可协议和评测规则落地后再判断可用性。项目拟区分公开展示、科研和商业使用权限,并对人脸、关键设施等内容做脱敏或降精度处理,这种“开放但分级授权”的设计,比只公布数据量更值得关注。

06|Google开放卫星甲烷监测模型、数据集与推理库

发生了什么

Google Research 发布 MAPL-EMIT 深度学习框架,用国际空间站 EMIT 高光谱数据自动检测、估算并定位甲烷排放羽流。研究团队同时开放全球羽流数据库、训练模型、合成羽流数据集和推理库。论文发表于 PNAS,团队报告该方法在专家标注羽流上的召回率为 84%。

为什么值得关注

这是 AI、卫星遥感与气候治理结合的可复用案例。相比只发布研究结论,同时开放数据、模型和推理代码,更有利于外部复核和地区化应用。不过,卫星重访频率、地表反射干扰、云层和传感器分辨率都会影响实际识别,84% 召回率不能直接理解为全球排放已被完整监控。

对产业或普通从业者的影响

能源、垃圾处理、农业和环境监管机构可探索把模型用于排放热点筛查,再配合地面监测确认。科研和数据团队也可基于开放材料复现实验、评估不同地区误报,并开发更贴近监管流程的告警工具。

07|Google拟购Spirit Airlines企业数据,训练数据交易引发隐私争议

发生了什么

Reuters 报道称,Google 在破产资产竞价中提出以 1000 万美元购买 Spirit Airlines 的内部企业数据,拟用于产品开发和 AI 模型训练。数据范围包括员工邮件、Microsoft Teams 消息、电子表格、日历,以及营销、生产力和运营资料。该交易尚未完成:美国破产法院已把审批听证延期至 9 月 9 日。

为什么值得关注

争议焦点不是公开网页版权,而是企业在破产处置中能否把多年积累的员工通信和经营记录作为训练资产出售。Spirit 表示相关记录将去标识化,不包含客户信息或个人身份信息;代表空乘人员的工会则提出异议,担心交易要求保留数据集之间的关联后,仍可能重建个人或小群体信息。Google 已赢得竞价,但交易尚未获得法院批准,审批听证已延期至 9 月 9 日。

对产业或普通从业者的影响

对模型公司而言,真实企业工作流数据比通用网页语料更稀缺,但价值越高,员工告知、数据权属、去标识强度和用途限制也越关键。企业处置历史邮件、聊天记录或人事运营数据时,不能把“公司持有”直接等同于“可以转售训练”;采购方则需要评估重新识别风险、第三方权利和法院或监管条件。9 月 9 日的听证结果值得继续跟踪。

数流源观察

今天的七条资讯共同说明,AI 的主战场正在从“谁回答得更好”转向“谁能安全地接入真实世界”。电子病历和企业图谱提供上下文,化工工具和空间数据支撑行动,卫星模型把结果带向公共治理;而欧盟监管与 Spirit Airlines 企业数据交易争议提醒市场,连接得越深,数据权利、证据和责任就越重要。

判断一个 AI 项目是否真正进入生产阶段,可以看三个问题:它连接了哪些可信数据和工具?输出能否回到原始证据并接受人工复核?发生错误时,谁能停止、撤销并承担责任?能回答这三点的系统,才可能从演示走向长期运营。

互动问题

当 AI 开始连接病历、企业数据库和工业工具,你认为最应优先解决的是数据权限、结果准确性,还是责任追溯?欢迎留言交流。

信息来源


相关阅读

← 返回学习与观察