最近《哈佛商業評論》的一篇文章突顯了一個關鍵問題：通用型 AI 在醫療保健領域常常面臨挑戰，因為它缺乏上下文、細微差別和專業知識。 模型可以閱讀圖表，但仍然可能誤解關鍵信號在實踐中的實際含義。 結論很明確：AI 不僅需要更多數據，還需要高質量、經過驗證的、具領域意識的數據。 如果沒有強大的數據基礎設施，即使是強大的模型也可能產生危險的錯誤。 這就是新的基礎設施層的重要性所在。 像 Perceptron 這樣的分佈式生態系統旨在支持數據、模型和輸出可以持續評估、驗證和改進的環境。 AI 的未來不僅取決於對模型的訪問，還取決於其背後數據的質量以及用於驗證它們的系統。 🔗來源：