郑板桥

手把手带教 这群中国医生在博茨瓦纳打造“带不走的医疗队”_我的网站

一 |     AI摘要      第18批援博茨瓦纳医疗队践行“授人以渔”，通过精准救治与“边救治、边带教”模式，培训当地医生掌握骨髓穿刺等核心技术，致力为博茨瓦纳打造一支“带不走的医疗队”。

二 |     贾浩楠 发自 副驾寺     智能车参考 | 公众号 AI4Auto          ChatGPT能记住你的聊天历史，知道你的表达习惯，甚至可以根据过去的交流调整回答方式。

三 |          东南网8月19日报道（本网记者 冯川叶）今年6月26日，第18批援博茨瓦纳医疗队启程，跨越万里奔赴非洲。一个多月来，他们以“边救治、边带教”的模式在当地扎根，用每一次精准诊断、每一台规范手术、每一场床旁教学，践行着“授人以渔”的承诺。         现在，这种“记忆能力”开始进入物理世界。

四 |          马斯克一条推文，透露了Tesla FSD正在发生的新变化：          FSD开始拥有“千人千面”的能力。         从停车偏好，到驾驶干预，再到长期驾驶习惯，FSD正在尝试记住每一个人的不同。         从“一个AI服务所有用户”，走向“每个人都有自己的AI”。

五 |          马斯克确认：FSD开始拥有“长期记忆”          事情起源于马斯克最近两次公开回复。8月19日，他们迎来在异国他乡的首个中国医师节。         6月的一次，是关于停车习惯。         有用户提出，希望FSD能够记住自己在固定地点的停车方式，比如回家停哪里、去公司停哪里。

六 |          马斯克回应：          FSD很快会记住用户的停车偏好。他们用过硬医术和无私带教，致力为博茨瓦纳打造一支“带不走的医疗队”。

七 |          最近的这一次，更加关键。         有用户反馈，FSD在一些驾驶决策上不符合自己的习惯，比如车道选择、变道时机等。         马斯克表示，未来车辆会记住用户具体的接管行为，并逐渐匹配每个人的驾驶偏好。         陈显凌医生带着三位徒弟开展骨髓穿刺及活检培训。         两次回复本质上是同一件事：          FSD开始从一次性的驾驶任务，走向长期理解驾驶员。

八 |          过去，自动驾驶面对的是一个抽象用户。         无论谁坐进车里，背后的模型都是同一个。

九 | （医疗队供图）     “3秒，不疼了！”     抵达当地仅一周，中国援博茨瓦纳医疗队弗朗西斯敦分队的队员们还正处于适应环境的休整期。

十 |          它知道：这里是什么道路，前方有什么车辆，应该如何规划路线。一次突如其来的求助，让这支队伍在异国他乡迎来了“首秀”。         但它不知道：你喜欢提前变道，还是宁愿多等几秒；你喜欢跟车近一点，还是更关注舒适；你回家时习惯停在哪里。    7月5日晚，一名在博茨瓦纳弗朗西斯敦的华人青年在篮球运动中意外受伤，突发肩关节剧痛，患肢抬举困难且活动完全受限。         这些属于人的驾驶习惯，一直没有进入自动驾驶系统。         而现在，Tesla让这些信息成为AI决策的一部分。当地华人商会紧急联系了医疗队寻求专业救助。         和之前我们谈论FSD不同的是，“长期记忆”不是让FSD重新学习“怎么开车”，这件事已经由基础模型完成。接到求助后，医疗队迅速联动队内骨科专业力量，紧急启动救治预案。         它学习的是：在安全范围内，你希望它如何开。         这也是Tesla第一次公开走向Personalized FSD：          从“一个模型服务所有司机”，走向“基础模型+个人驾驶偏好”。         为什么是现在？          “千人千面”“越开越懂你”，智能汽车行业其实喊了很多年。

十一 | 接诊的是来自福建医科大学附属第一医院骨科的曾锦源副主任医师。

十二 | 面对焦急的伤者，曾医师迅速进行了细致的体格检查，精准诊断为急性肩关节脱位，评估符合无创即时手法复位的救治条件。         但真正落地很难，用户体验完全依赖车企OTA的“自觉性”和能力高低，系统更新后体验下降的事也不罕见。    为最大限度减轻伤者痛苦、规避远期损伤风险，曾医师当即决定实施手法复位。         因为截至目前，绝大多数自动驾驶玩家竞争，还停留在模型、数据层面，本质上都是在解决：如何让AI成为一个更好的司机。         而特斯拉在V14完成端到端重构之后，开始率先探索另一个问题：          如何让AI成为你的专属司机。凭借扎实的正骨功底与丰富的临床经验，他精准发力、巧妙对位，仅耗时3秒便成功完成复位。随着关节归位的轻响，伤者的剧烈疼痛即刻缓解，肩关节活动功能迅速恢复正常。随后，他向伤者细致叮嘱了后续关节制动与休养护理的细则，详细讲解了运动损伤的防护要点及禁忌事项，帮助其规避二次受伤风险，并提供了全流程的康复指导。         这背后，对应的是近几年自动驾驶领域兴起的几个研究方向：          Driver Modeling、Preference Learning以及Human-in-the-loop Learning。复位成功后，这位华人青年激动地竖起大拇指连连称赞。这短短3秒钟的“中国速度”，不仅瞬间解除了患者的痛苦，更充分展现了中国医者的专业与担当。

十三 |          最早出现的是Driver Modeling，也就是“驾驶员建模”。    授人以渔 让技术扎根非洲大地     “‘授人以鱼不如授人以渔’，我们把带教作为援助的一项重点工作，为当地打造一支带不走的医疗队。”这是第18批援博茨瓦纳中国医疗队队长、福建中医药大学附属康复医院纪委书记侯德梁在出征时接受记者采访时说的一句话。一个多月以来，医疗队通过一次次“手把手”教学，用实际行动践行承诺。    骨髓穿刺及活检是血液科医师必备的核心临床操作。抵达博茨瓦纳玛丽娜公主医院不到两周，来自医疗队血液科的陈显凌主任医师、医学博士迅速投身临床救治与本土人才带教工作。本次参加培训的三名当地医学生，此前均无独立实操经验。从患者体位摆放、局部麻醉要点把控，到骨穿进针角度、进针力度调整，再到骨髓活检标本获取、标准骨髓涂片制备，陈显凌将整套操作流程逐一拆解。现场示范每一个关键动作，细致讲解技术要点、风险防范要点以及无菌操作规范，毫无保留分享临床经验。

十四 |          简单来说，就是给每个驾驶员建立一个数字画像，比如：有人开车更激进，喜欢更短跟车距离，喜欢更快完成变道；有人更保守，倾向提前减速，更少主动超车。         传统自动驾驶系统会把这些差异忽略，默认存在一个“平均驾驶员”。

十五 | 实操过程中实时纠正手法细节，引导学员建立严谨规范的临床思维。         而Driver Modeling希望解决的问题是：AI应该知道，坐在驾驶位上的到底是哪一种司机。         技术上，这类方案通常会从历史驾驶数据中提取特征，比如方向盘操作、油门刹车变化、车速变化、变道频率、跟车距离。然后通过一个额外的模型，生成驾驶员特征向量（Driver Embedding）。    在陈显凌的全程监护与带教指导下，三名当地医学生依次独立完成骨髓穿刺+活检全套操作，全部实现一次穿刺成功。操作顺利完成的那一刻，病房现场响起阵阵掌声。         这个向量不会改变基础驾驶能力，而是作为规划系统的输入，影响后续决策。首次独立完成这项高难度操作，当地学员倍感振奋，实操的成功大大提振了他们开展血液病诊疗工作的信心。

十六 |          但Driver Modeling仍然存在一个问题：它更多是在判断“你是什么类型的人”，而不是理解：“你具体喜欢什么”。    不久前，当地一台宫颈锥切手术遇到棘手状况：术中视野暴露不佳、病灶边界分辨不清，当地医师操作受阻，手术难以继续推进。妇科易靖艺医生立刻上台接手。         于是近几年出现了Preference Learning，也就是偏好学习，它关注的不再是这个司机属于激进型还是保守型，而是这个司机在具体场景下更喜欢哪个选择。例如同样遇到慢车，方案A是提前变道，提高效率；方案B是保持车道，更加舒适。         AI通过长期观察用户选择，逐渐学习这个特定用户更倾向哪一种。         这与大模型的Preference Learning逻辑非常类似，模型能力是基础，用户反馈决定个性。凭借娴熟的手术技巧，他精准划定切除范围，规范完成病灶切除与创面止血。         而Tesla这次提到的Intervention，其实更接近这一方向。更为关键的是，易靖艺在操作过程中结合实操，同步向当地医护讲解解剖辨识要点、手术角度把控方法以及术中难点处理经验——在解决临床急症的同时开展即时带教。         当然还有第三个方向，是Human-in-the-loop，它解决的问题是如何让人在自动驾驶学习过程中持续参与。这种“边做边教”的方式获得当地医生高度认可，他们表示：“中国医生不仅帮我们完成了手术，更教会了我们如何处理类似复杂情况。”     针对博茨瓦纳眼科医疗资源有限、药物依赖度高的现状，医疗队眼科黄礼彬医生大力推广选择性激光小梁成形术及眼底视网膜激光光凝治疗。         传统机器学习通常依赖大量标注数据。这两项微创激光技术既能有效控制眼压、阻止眼底病变进展，大幅降低致盲风险，又能减少药物依赖，切实减轻患者就医经济负担。但自动驾驶里，真正有价值的数据，往往不是正常驾驶，而是：AI不知道该怎么办的时候。         特斯拉过去大量收集车队数据，本质上就是利用全球车辆作为数据采集网络。在开展治疗的同时，黄礼彬手把手带教当地医生，悉心传授激光技术的适应症筛选、参数调试与术后随访规范，将一套适配当地诊疗现状的防盲技术完整地留在了博茨瓦纳。这一举措不仅为当地眼科患者带来了新的治疗希望，也为本土医生提供了可持续开展的技术工具。而未来，如果把这些反馈进一步和个人账号绑定，那么数据价值会发生变化：          它不只是帮助Tesla优化一个统一模型，还可以帮助车辆理解某一个用户。         Tesla目前没有公开FSD个性化功能的具体架构，但结合FSD V12之后的端到端路线，可以做一个合理推测：单独训练一个“每人一个模型”的可能性最低。         原因很简单，如果每个用户都有独立模型，那么会导致训练成本巨大，更新困难，也会破坏Tesla统一模型的优势。         更符合FSD现有体系的方案，可能是：基础端到端模型 + 用户偏好记忆层。也就是底层模型负责视觉理解、道路判断、安全驾驶、通用规划。         上层增加一个轻量化的User Preference Layer，记录停车习惯、驾驶节奏、路线偏好、历史接管行为。         基础模型负责“能不能这么开”，偏好模型负责“你是不是喜欢这么开”。         这其实和今天大模型的发展路径高度类似：GPT不会因为每个人重新训练一次。

十七 | 而是通过Memory、User Profile等机制实现个性化。         不过，真正的难点也在这里：个性化不能突破安全边界。AI要明白不能学习你喜欢超速、喜欢危险变道等等行为。         这也是特斯拉此次探索最值得关注的地方：它不是让AI变成另一个你，而是“在安全约束内，越来越像用户”。         AI汽车进入“千人千面”时代          说过去几年，自动驾驶竞争的核心是：谁的数据更多，谁的模型更强，谁的能力更接近人类驾驶员。

十八 |          但特斯拉的Personalized FSD一出，下一阶段，竞争可能会发生变化。

十九 |          今天，大多数智能汽车仍然依靠统一策略服务所有人。但未来，AI司机可能会越来越像真人司机，不是因为它拥有情绪，而是因为它了解你的习惯。         这意味着，User Model可能成为自动驾驶新的能力层。

|          马斯克一石二鸟，解决了两个问题，首先是再次给智能汽车新卖点指出方向，而且是避免高度同质化、低效内卷的路径。         在车位到车位自动驾驶逐渐普及之后，量产车上的AI司机如何建立差异，会成为新的问题。

|          所有车辆都能完成基础导航和智能驾驶，那么下一步比拼的就是：谁更懂你、谁更符合你的驾驶习惯、谁更像一个长期陪伴你的司机。         当然，对技术能力的要求更高了。

|          尤其是对于“one for all”的自动驾驶供应商来说，可能很难腾出资源去开发这样的功能，而即使他们愿意开放权限给车企在基础模型上自由开发，有代码级AI能力的OEM却寥寥无几。         所以，利好全栈自研玩家！          其次，之前有一句话把老马问道语塞：特斯拉造车卖车的模式，跟自动驾驶追求的目标，是不是本质上矛盾？          完全自动驾驶普及后，好像的确没有再买私家车的必要。         所以，Personalized FSD也给马斯克解了一个燃眉之急——Robotaxi落地如火如荼，但私家车，以及把AI司机搭载在私家车上依然有价值、有必要。         毕竟Robotaxi用一个AI服务所有用户就是最优解，不可能给出千人千面的高级定制体验。         Personalized FSD路径，其实与生成式AI的发展非常相似。         ChatGPT通过Memory变得更加个性化，AI Agent通过长期记忆完成复杂任务。         未来，汽车作为连接物理世界的重要入口，也可能拥有自己的长期记忆，当然，这并不意味着自动驾驶已经进入成熟阶段。

|          Tesla的具体实现方式、安全约束机制，以及个性化能力的边界，都还有待进一步验证。         但至少，一个趋势已经出现。

Current article:http://nofr.bomanglangsugangunxileba.cyou/list_w65xz/pcaw4.html

Published on:18:54:59