KeyFrame內部研究專用

硬核拆解:Midjourney Medical Scanner 是医学影像革命还是硅谷新骗局?

Why QQ·6月19日週五·8 min中文

三句話摘要

Midjourney Scanner 醫療掃描設備的工程分析:從硬件奇迹到醫學倫理陷阱。 Midjourney Scanner 不是騙局,但它是被高調包裝的肌肉脂肪透視儀,遠未達到全身醫療診斷能力,伴隨著巨大的數據損失和醫學倫理風險。 工程上的暴力美學:通過 50 萬微型傳感器環形掃描,用透射和散射聲波代替傳統反射成像,消除傳統超聲波依賴醫生手法的痛點,實現標準化全自動採集。

重點整理

重點
  • 1

    工程上的暴力美學:通過 50 萬微型傳感器環形掃描,用透射和散射聲波代替傳統反射成像,消除傳統超聲波依賴醫生手法的痛點,實現標準化全自動採集。

  • 2

    算力黑洞與數據災難:處理逆散射波動方程需要 R-Petaflops 級算力(相當於數千張高端 AI 顯卡),但月產 1ZB 級數據在現有存儲和網絡下物理上無法實現,意味著原始數據必須本地即刻丟棄,破壞醫學追溯價值。

  • 3

    營銷謊言與物理侷限:官方宣傳「全身掃描」實際上無法掃描大腦(頭骨阻擋)、肺部和腸道(氣體干擾),充其量只是高清腹部和四肢脂肪肌肉測量儀,絕非 MRI 替代品。

  • 4

    隱形的醫學倫理陷阱:透過將設備放入 SPA 館做「身體成分分析」規避 FDA 醫療審批,但亞毫米級掃描必然發現大量無症狀異常(40% 人群脊柱血管瘤、20% 人群腎臟結節),引發健康人過度恐慌和不必要的輻射治療、穿刺活檢。

實用技巧與重點

乾貨
  • 技術源頭:加州理工 Haitham Alhazmi 教授團隊 2026 年 4 月發表於 Nature Biomedical Engineering;Butterfly Network 超聲芯片技術
  • 硬件規模:50 萬個傳感器、環形排列、水池式設計
  • 掃描耗時:60 秒
  • 數據流量:17GB/秒(壓縮後)或更高
  • 單次掃描數據量:約 1TB(17GB × 60 秒)
  • 月度計畫數據量:1ZB(11 次掃描 × 1TB × 5 萬台機器)
  • 算力規格:R-Petaflops
  • 臨床適應症局限
  • 無法掃:大腦、頭骨內病變、肺部、含氣腸道
  • 可掃:腹部脂肪肌肉、四肢組織、肝臟結構
  • 過度診斷數據:40% 人群脊柱血管瘤、20% 人群腎結節(終身無症狀率 99%)
  • 規避策略:定位為「Wellness」健康監測而非醫療診斷,降低監管門檻

結論

結論

Midjourney Scanner 不是騙局,但它是被高調包裝的肌肉脂肪透視儀,遠未達到全身醫療診斷能力,伴隨著巨大的數據損失和醫學倫理風險。

完整解析

詳細

Midjourney 這家硅谷 AI 巨頭最近宣布推出 Midjourney Scanner,一台聲稱能在 60 秒內生成全身亞毫米級 3D 高清影像的設備。表面上看起來革命性——無需核輻射、無需躺 MRI 管子一小時,只要在金色水池裡泡一分鐘。但當我們從純工程視角拆解這台機器時,會發現幾個隱藏的深坑。

首先談技術底座。Midjourney 並未憑空創造黑科技,而是將兩項現有研究商業化。加州理工學院雷汉旺教授團隊 2026 年 4 月在頂級期刊上發表論文,證明了在水中用 512 個傳感器做環形超聲斷層掃描能清楚看到腹部脂肪和肌肉;Butterfly Network 則將超聲波傳感器集成到普通矽晶片上,Midjourney 的機器裡塞進了 50 萬個這樣的微型傳感器。這個設計的聰明之處在於用透射和散射聲波替代傳統反射成像,徹底消除了傳統超聲波極度依賴醫生手法的痛點,數據採集完全標準化自動化。

但工程上的「大力出奇迹」馬上碰到了現實。機器每秒鐘產生 17GB 壓縮數據流,掃描 60 秒就是 1TB 的原始數據。要把這些透射散射的聲波信號變成影像,需要解算名叫「逆散射問題」的極其複雜波動方程,計算量大到令人發指。Midjourney 為此動用了 R-Petaflops 級別的專用算力——相當於把幾千張頂級 AI 顯卡的計算能力全部砸在一台機器上,就為了你泡澡的這 60 秒鐘。如果按照官方計畫,在全球部署 5 萬台機器、每個月做 11 次掃描,月均數據量達到 1ZB 級別——這個數量級相當於全人類一個月的互聯網流量總和。在現有存儲成本和網絡帶寬下,這完全是不可能實現的。這意味著什麼?意味著你在 SPA 館掃完的絕大多數原始數據必須在本地立刻丟棄,只保留最終生成的 3D 模型。這在醫療領域是極度危險的——如果患者後來生病,醫生想追溯原始掃描數據檢查微小病變,抱歉,數據早就被銷毀了。

最致命的問題是,官方的「全身掃描」說法根本是營銷謊言。頂級醫學專家 Eric Topol 直接指出:超聲波無法穿透成年人堅硬的頭骨,所以大腦完全看不了。超聲波遇到氣體就會散射,所以充滿氣體的肺部、含氣的腸道也看不清。這台機器實際上只能清晰掃描腹部和四肢的脂肪肌肉,根本不是什麼能替代 MRI 的全身診斷工具。既然物理侷限這麼明顯,Midjourney 為什麼還要搞這麼大陣仗?答案很簡單:如果直接宣傳能看病,FDA 的審批能把他們拖死。所以他們把機器放進 SPA 館,改口說這是「身體成分分析」、「健康監測」,監管門檻瞬間從醫療審批降到了幾乎沒有。

但這裡藏著一個極其可怕的醫學倫理陷阱,叫「過度診斷」。當一台亞毫米級高清機器把你健康的身體掃一遍時,它一定會發現一些異常。40% 的人脊柱上都有血管瘤,20% 的人腎臟裡有小結節。醫學統計說,99% 的人帶著這些東西活一輩子都感覺不到。但當你在 SPA 館大屏幕上看到自己肝臟裡有個 3 毫米的陰影時,你會怎麼想?極度恐慌。你會衝去大醫院要求做有核輻射的增強 CT,甚至要求做穿刺活檢。大量完全健康的人因為這種無差別的高清掃描,被迫承受輻射風險、手術出血風險,不僅浪費醫療資源,還把自己嚇得半死。

最後,Midjourney 可能真實的圖謀是什麼?純軟件 AI 公司的護城河越來越淺,但如果他們能通過這種打擦邊球的 SPA 模式掌握全球最大、最清晰的人體內部 3D 數據庫,這個故事的性感度會遠超 AI 畫圖。他們是在用互聯網「先上車後補票」的思維,強行撕開傳統醫療的口子。未來隨著 CMOS 傳感器成本下降,這類設備一定會普及,但我們也必須重新定義「健康」的概念。在一個連身體裡每個像素都能被看清的時代,學會與自己身體裡那些無關緊要的瑕疵和平共處,可能會成為每個人必修的心理課。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。