AI领域动态：Midjourney医疗扫描与开源模型新进展

近期，知名AI图像生成领域的企业公布了一项极具突破性的跨界项目，推出全身体积超声CT扫描系统，并计划配套建设高端健康休闲场馆，这一消息引发全球科技与医疗行业的广泛讨论，既有对其创新方向的高度认可，也不乏对落地难度的深度质疑。

核心产品与落地规划

该企业公布的首款产品为全身体积超声CT扫描系统，同时宣布将在旧金山联合广场附近打造首个健康休闲场馆，命名为健康中心。

健康中心总面积约25000平方英尺，共四层，将配备热水浴缸、桑拿房、冷疗池、健身区域等休闲设施，同时计划安装9到10台扫描设备。目前租约已签署，设计工作正在推进，由曾参与蓝湖等知名休闲项目的建筑师团队负责设计，目标2027年底正式开放。

该企业表示项目完全自筹资金，暂无外部投资者，且已启动与监管机构的沟通工作，初期商业化路径将优先聚焦身体成分检测，该场景的监管与落地难度相对较低。

扫描系统技术细节

此次推出的扫描系统采用超声成像技术，替代了传统的磁共振、X射线或CT辐射方案，核心参数包括：

• 硬件配置：单芯片/系统搭载8960个换能器，40套系统组成环形阵列，总计358000个超声元件，环形直径70厘米
• 传播参数：声波在水中的传播速度约1481米每秒，单切片扫描产生约40GB原始数据，数据捕获速度达17GB/s
• 算力与重建：采用21台服务器进行图像重建，宣称算力可达2PFLOPS，单次扫描原始数据总量约806TB，设备升降速度为4厘米每秒
• 性能目标：目标实现60秒内完成数百层切片扫描，宣称内部组织细节分辨率可达0.5毫米

目前该系统仍为第一代原型版本，尚未正式面向消费者推出，研发团队规模约9人，至今已有约12人完成扫描测试。当前单次扫描耗时约20分钟，主要受限于带宽、算法、数字信号处理以及原型数据传输基础设施的瓶颈。该企业明确表示，目前展示的图像尚未引入AI辅助处理。

长期愿景与商业规划

该企业的长期目标是部署50000台扫描设备，实现每月10亿次全身体扫描，让全身体检成为普及性的健康服务。企业创始人表示，仅需不到12台满负荷运行的设备，总扫描量即可超过全球所有磁共振设备的总和。

产品迭代计划包括：2026年底推出第二代扫描系统，后续搭载定制芯片的第三代系统。未来版本将通过定制芯片、AI辅助、物理模拟以及更先进的计算基础设施实现性能大幅提升。

创始人预测该扫描系统未来可支持的应用场景包括：频繁的个人健康追踪、日常/每周/每月的身体扫描、预防性医疗、身体异常检测、身体成分分析、医生端专业审阅、AI辅助初判、数千种疾病的辅助诊断，以及长期的治疗应用。

该企业认为预防性影像可大幅降低医疗成本，通过早期发现疾病实现健康干预。同时宣称单扫描成本可比磁共振设备便宜数百到数千倍，单次扫描的边际成本近乎为零，但实际商业模型将结合健康中心的运营经济。目前讨论的定价模式包括会员订阅、单次预约、单独扫描服务、休闲套餐以及综合定价矩阵。

首个健康中心将作为用户行为测试实验室，验证用户是否希望结合休闲与扫描服务、健身与扫描服务、快速单次扫描，以及扫描的频率偏好。创始人估计全球扩张至数千家健康中心需约200亿美元的前期资本支出，推测回收期可能仅为6个月，但同时明确表示该预测存在不确定性。治疗类应用如肌腱肌肉修复、聚焦超声、无切口手术以及远程癌症组织破坏等，均属于长期规划，并非短期落地目标。

品牌愿景与技术选择理由

创始人将该企业定位为社区支持的研究型实验室，而非传统风险投资-backed的初创公司，依托现有图像生成业务的收入支持高风险研发项目，核心使命是推动积极的人类未来发展，而非仅局限于创意工具领域。

创始人描述理想的扫描体验为“如同磁共振一样强大，如同休闲中心一样轻松”，不希望扫描过程如同传统诊所，同时希望健康中心本身即使没有扫描设备也具备吸引力。他本人希望通过高频次的健康反馈，让日常饮食与运动的健康效果可被量化追踪。

该企业认为扫描系统将成为AI赋能医疗的新支柱，AI需要快速、丰富且廉价的身体数据，未来的科技发展不仅依赖AI模型本身，更需要构建能让AI感知物理身体的新基础设施。选择超声成像作为核心技术的原因包括：磁共振难以同时兼顾速度与图像质量、扫描体验不佳（封闭舱体、长时间、高噪音）、超声可安全传递更高能量、无电离辐射可频繁使用、已广泛应用于临床场景降低监管门槛。

采用水浸方案的原因在于声波在水中的传播效率远高于空气，可实现全身体超声信号的有效耦合，这也是健康中心休闲属性的核心设计逻辑。垂直升降的扫描架构则是为了优化扫描吞吐量，相比让用户躺入爬出舱体的设计更便捷，支持更快的重复使用。

优先建设健康中心的理由包括：学习实际运营流程、测试扫描吞吐量、了解用户行为与使用意愿、优化定价与商业模型、收集真实用户数据、构建可复制的全球扩张模板。该企业能够推进该项目的核心优势包括：现有图像业务的稳定收入、无外部投资者的灵活决策空间、成熟的计算基础设施、跨AI、成像、传感器、可视化与系统工程的技术团队，以及创始人此前在硬件领域的创业经验。不直接以纯医疗设备启动的原因则包括：监管路径复杂、部分应用场景落地难度更低、身体成分检测为易切入的初期场景、诊断与治疗类应用需分阶段获取审批。采用云处理的原因在于原始扫描数据量极大，本地计算可处理流压缩与初步处理，依托企业的大型服务器集群完成高负载的图像重建工作，计划采用安全私有云工作流保障数据安全。

行业质疑与潜在风险

尽管项目的工程演示令人振奋，但仍存在诸多未解决的风险与质疑：

• 监管不确定性：创始人多次回避监管机构的明确声明，身体成分检测的监管路径相对清晰，但从该场景拓展至数千种疾病诊断的路径仍极不明朗，保险计费、临床 adoption与监管分类等核心问题尚未解决。
• 临床有效性未验证：目前仅展示了工程参数，暂无临床验证数据，未提供灵敏度、特异度等核心医学指标，未展示疾病检测的基准测试结果，也未提及同行评审的学术研究，“可检测身体异常”不等于具备临床可操作性的诊断能力。
• 技术对比的局限性：超声与磁共振测量的物理属性不同，创始人也承认磁共振在部分场景仍具备优势，当前的超声图像尚未全面超越磁共振，大腿部位的对比测试被明确称为“既公平又不公平”。
• 成本预测的推测性：“边际扫描成本近乎为零”的表述未涵盖设施、人员、监管、放射科审核、法律责任、清洁、会员运营与房地产等成本，6个月回收期的预测仅为推测，200亿美元的前期资本支出也面临巨大的融资与执行挑战。
• 吞吐量依赖未来升级：当前单次扫描耗时20分钟，60秒内完成数百层切片的目标依赖带宽、算法、数字信号处理与硬件的全面升级，目前的原型系统尚未达到工业级成熟度。
• 数据隐私与安全：扫描将产生极其敏感的全身体健康数据，压缩后可能上传至企业云集群，尽管创始人表示将采用安全私有云方案，但未提供具体的治理细节，健康数据的同意、存储、访问、删除与医疗责任等核心问题尚未深入讨论。
• 过度诊断风险：高频次的全身扫描可能发现大量模糊的异常体征，引发用户焦虑、不必要的后续检查与医疗成本，创始人也承认“标记异常体征”并非轻松的事，存在潜在负面影响。
• 临床流程不清晰：谁来解读扫描结果、用户将获得哪些报告、哪些数据将共享给医生、诊断与健康评估的法律边界、紧急异常的处理流程等核心问题均未明确。
• 混合运营的复杂性：医疗设备、休闲服务与高通量消费场景的结合将带来多重运营挑战，包括清洁消毒、感染控制、无障碍设计、隐私保护、应急协议、人员配置与医疗监督等。
• 品牌一致性挑战：该企业此前以图像生成工具闻名，此次跨界医疗与硬件领域将带来显著的品牌认知调整，创始人也承认未来6个月内公司可能会让部分用户感到困惑。

行业反应与社区讨论

项目公布后在全球社交平台引发广泛讨论：

正面支持视角：部分用户认为这是AI初创公司跳出增量创新、探索高收益非共识技术的典型案例，称赞创始人的创新勇气，现场体验过demo的用户表示设备的直观体验远超仅观看演示内容，认为该项目标志着该企业从软件工具向物理世界传感与硬件领域的转型。

中立技术视角：技术爱好者总结了该项目的核心 tradeoff：无辐射、无磁铁、快速低成本的优势，与水浸舱体设计、分辨率低于传统影像设备的局限，同时讨论了超声成像的逆问题挑战、实时扫描的优化方向与探测器布局的技术细节。

怀疑批评视角：部分观察者指出，分辨率低于传统磁共振设备将限制其临床应用价值，水浸舱体的人体工程学与部署成本将成为大规模推广的障碍，超声成像的逆问题重建难度较高，演示效果难以直接转化为临床可靠的诊断能力。

竞争对比视角：有评论认为，该项目的雄心远超其他AI公司的增量硬件创新，对比仅聚焦可穿戴相机等窄场景的研发方向，该企业的跨界尝试更具颠覆性。

同期的社区讨论中，开源模型领域的热点为GLM-5.2成为首个在Terminal-Bench基准测试中得分超过80%的开源权重模型，超过所有其他开源模型，但有评论指出该基准的2.1版本相比2版本更易通过，跨版本对比可能存在偏差，同时社区也围绕“开源权重是否等同于本地可用”展开了激烈讨论。

同期其他重要AI行业动态

• 人才动向：知名AI研究者Noam Shazeer宣布加入OpenAI，离开谷歌，其作为Transformer、T5与Switch Transformer的合著者，稀疏MoE系统的先驱，此次动向被称为年度最重要的AI人才变动，OpenAI CEO对此表示高度期待，行业也讨论了谷歌内部团队变动对行业格局的影响。
• 模型与基础设施进展：开源模型VibeThinker-3B在小参数模型的可验证推理领域取得突破，性能接近DeepSeek V3.2、GLM-5与Gemini 3 Pro；Fal发布Kling 3.0 Turbo与O3升级，提升生成速度、降低成本、优化唇同步与运动稳定性，支持4K分辨率与15秒时长的视频生成；GitHub Copilot Auto模式引入自定义路由模型，根据任务复杂度选择最优模型。
• 代理与算法研究：PreAct项目将成功的智能体运行记录编译为可重复使用的状态机，将重复运行速度提升8.5至13倍；有研究提出将LLM作为环境工程师，利用自身失败经验重新设计训练环境；相关研究也讨论了智能体系统的验证与护栏建设，以及强化学习算法PPO在大模型时代的复兴机制。
• 其他行业动向：有评论指出中国开源AI文献在过去一年的高投资回报率；约翰·卡马克对视觉表示学习的时间差分方法提出详细批评；Xenova发布基于WebGPU的高速度模型推理方案；有讨论指出自动驾驶领域缺乏新的初创企业活动，尽管头部企业已证明其可行性；还有关于AI辅助开发、模型质量争议与政策讨论的相关话题。

总结与行业思考

从短期来看，该企业已打造出真实的全身体超声CT原型系统，并将通过旧金山的健康中心作为首个测试部署场景。从中期来看，项目的核心赌注是让高频次、低成本、体验友好的身体成像成为新的消费者健康行为。从长期来看，该项目若成功，将构建全球医疗成像基础设施，让全身体检成为常规化且可被AI分析的健康服务。

尽管工程演示令人兴奋，但临床验证、监管落地与商业可持续性的核心挑战仍未解决，从“酷炫的演示图像”到“安全可报销的临床诊断工具”的差距，仍是该项目能否成功的关键。

你的AIGC知识价值，正在被看见！塔猴AI达人星火计划，发布课程，赢现金激励！点击加入活动：https://www.tahou.com/article/206587263682970629

AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。