2026年10月底全球AI研究综述，涵盖医疗、工业及基础模型的多项实证分析

AI在电力与工业网络中的入侵检测及排程优化

十月二十六日刊出的研究利用纯Python建立了一百一十千伏变电站网络攻击模拟场。该模型基于Modbus协议，虽非真实电站且未运行实际控制器韧体，但团队设计了六种攻击情景，从七十二次独立模拟中产生了三千二百五十六个一秒观察窗的标记资料。在入侵二元侦测上，准确率约为百分之九十六；仅用网络特征时F1为零点八九一，加入电力过程特征后升至零点九三四。另一项关于工业网络数码孪生的研究，由北京航空航天大学团队提出。他们使用NS-3模拟通讯环境，在九成传送负载的硬件测试中，平均端到端延迟由四百二十三点六毫秒降至三百七十八点七毫秒。相关封包超出同步门槛的比率，由百分之三十九点八降至二十二点五。这些结果表明AI排程在特定模拟拓扑下能显著降低延迟，但尚未证明能在真实工厂普遍达标。

视觉语言模型在艺术解读与心理投射中的局限性与表现

多项研究探讨了AI在处理非结构化视觉数据时的能力边界。一项让五款视觉语言模型解读三百一十五幅儿童画作的研究发现，虽然同一画作的回复在语义上较接近，但不同模型对同一画作可能描述成不同语气的心理故事。研究强调，“语句相似不等于心理判断正确，更不能把模型回复当诊断”。在艺术风格识别方面，另一项研究让AI辨认五类波斯细密画风格，使用八百九十张图片进行训练。在五折交叉验证中，平均分类准确率达到百分之九十三点八五。热度图显示模型更关注中央人物与前景物件，但“热度只说明模型依据，不能证明它理解作品历史”。此外，在客家土楼短片讲解的比较中，六百零一名网上受访者的问卷显示，真人旁白的亲近感与清晰度评分均高于数码人版本（清晰度高零点三七五分），但两组辨别旁白身分的正确率都只略高于一半，说明当前数码人在情感传递上仍有差距。

遥感检测与医疗影像分析中的多模态融合及精度挑战

在目标检测领域，RedhDet模型旨在解决航拍影像中方向各异目标的定位问题。在新测的DIOR-R基准上，整体平均精度录得百分之六十六点四四。另一项针对铁轨表面瑕疵的研究，通过旋转方框和长条感受野技术，使新模型平均mAP五十达到百分之八十八点四七，较基准YOLO模型的百分之八十三点九一高出四点五六个百分点。在医疗影像方面，土耳其研究将冠脉造影影片与验血资料结合分析二百五十六段左前降支造影影片。测试组中，多模态模型辨别缺血的曲线下面积（AUC）为零点六二一，优于只用影片的零点四八二。然而，“多模态模型平衡准确率只有零点五九，仍有不少错判”，且资料来自单一中心，尚不足以取代压力导丝量测。另一项关于蒸汽疏水器的监测研究中，梯度提升模型整体准确率为百分之九十八点五三，但在移除带有标签线索的特征后，测试F1骤降至零点四九九九，显示高分对特征选择高度敏感。

AI在能源调度、无人机控制及太空相机中的应用模拟与验证瓶颈

多项研究展示了AI在不同物理系统中的模拟表现，但均强调需进一步实机验证。巴林团队测试无人机飞行控制，在五种航迹情境中，三维位置均方根误差约为零点五二至一点一米。相对单智能体方法，多智能体强化学习使误差缩小约百分之三十五至三十九。印度团队在微电网排程模拟中，发现加入营运方诱因的方案使购电成本降低百分之十二点九九。北京大学团队提出太空相机微振动影像位移的AI估算方法，在固定测试集中，神经网络将校正误差降至零点一三零像素。厄瓜多尔团队开发的医检用品供应链AI核查系统，在修订版中通过厂商矩阵给出判定，相关度由零点四一六升至零点五二二。这些案例共同表明，尽管AI在模拟环境中展现出优化潜力，但从“实验室环境”到“真实部署”之间仍存在巨大的验证鸿沟。

环境与能源：AI在粉尘预测与电网控制中的性能权衡

埃及研究团队于十月二十六日发表模型，利用开罗与阿斯旺的环境资料分析大气粉尘负荷。该FUSE模型结合多个分类器，在二零一九至二二年训练、二三测试中表现优异。与单一随机森林相比，FUSE的加权F1分数更高。

同日分类的加权 F1 分数为百分之九十一点六五，曲线下面积为零点九三二四。

在预测门槛调整上，训练资料选出的门槛使召回率从预设的百分之五十三升至百分之六十八。中国三峡大学同日发表AI电网控制研究，处理太阳能并网电压波动。测试采用改造的IEEE一百二十三节点馈线，冻结测试集涵盖九十六日、四万六千零八十步。在无控制时电压越限率为百分之十五点六五一，常规Q-V下垂控制降至零点七零一，完整AI方法进一步降至零点一零六。然而，平均每日电能损失由二点零四兆瓦时升至二点一一兆瓦时。这表明在追求安全指标时需牺牲部分效率，且结果尚需现场验证。

医疗与工业检测：专用模型优势及非接触量测验证

十月二十六日跨院研究比较前列腺病理AI，涵盖六千二百六十八名患者、逾十万份活检。在资料充足时，专用模型表现追近甚至反超基础模型。院内验证一致性约为零点九一；外部队列中，专用模型为零点八七，基础模型分别为零点八六和零点八五。研究指出专用训练减少难辨组织错误，但基础模型能源消耗最高可达三十五倍。中国山西同日发表AI合约审计方法，针对重入等四类漏洞。实验显示重入漏洞F1分数由前代的百分之八十八点五升至九十二点二。论文表格中四类漏洞F1均高于前代，但额外运算成本限制部署。中国研究团队同日测试机械臂结合AI非接触量测盲孔，在三十次压克力工件测试中，三维位置平均误差为零点零三二二毫米，直径绝对误差为零点零五四四毫米。接近角达十五度以上时位置误差上升，目前仍属概念验证。

制造业与教育：预测模型局限及AI辅助教学成效

厄瓜多尔研究团队十月二十七日发表制造业排程研究，以一千八百四十二张订单建立离散事件模拟。随机森林在验证资料分类准确率为百分之一百，但在模拟排程中表现落后。未见过情境下，模型平均总加权延误为一点三四二，而较早到期先做规则仅为零点零二九。研究指出模型仅学会记住现有规则，未发挥适应作用。佛山大学同日发表动物生理教学研究，三百八十六名兽医学生参与随机分配试验。传统组实验课期末平均分是八点九零九，AI辅助组为九十四点二七，差异达统计显著。但后续课程分数无显著差异，且教学方法改动多环节，AI单独贡献未完全证明。

LLM评估与网络安全：标准化测试中的表现差异

十月二十七日研究以五十个泌尿急症情境测试六款LLM，九百个回应中三级分流准确率为百分之八十九点一一。Qwen描述性准确率最高为百分之九十四，Claude最低为百分之八十点六七。经调整后模型间差异无统计显著。土耳其研究比较二十二种用电预测方法，长短期记忆网络在二零二五年元旦平均绝对误差为七十九点八九兆瓦时。印度研究测试网络入侵侦测，KDD Cup 1999数据集准确率为百分之九十九点七三。但合成漂移测试中表现下跌幅度较小，实际部署仍待验证。这些研究共同显示，标准化基准测试的高分未必直接转化为真实场景的鲁棒性或临床/工业效益。

眼科多任务AI模型的性能权衡与局限

十月二十七日刊出的眼科研究尝试构建一套同时分析多种病理性近视资讯的AI系统。该研究采用三个公开眼底影像资料集，涵盖筛查、黄斑病变分级及屈光度估计等任务。在已知来源的保留测试集中，病理性近视筛查的曲线下面积分别为零点九八五与零点九九三。黄斑病变分级与人工标注的一致性指标达到零点九零七。然而，在估计屈光度时，该系统的平均绝对误差为一点二五九度，显著高于单任务模型的一点零零六度。在病灶解释版本中，轮廓重叠分数为零点四七二，高于对照模型的零点三九七。尽管定性展示图显示了病灶轮廓与模型注意力区域，但作者明确指出这些不能证明模型在所有眼疾上更准确。系统存在筛查错判和小型病灶辨认失败的案例，且完整多任务系统未在全新来源作外部验证。因此，其临床用途仍须进一步测试。

荔枝开花预测模型的特征重要性与验证需求

另一项十月二十七日刊出的华南研究，利用机器学习预测荔枝树的开花比例。团队整理了中国南部2009至2020年的田间与气象记录，涵盖四种荔枝品种。模型先分辨开花比例是否达到百分之七十五，再估计具体数值。分类模型在跨年度盲测的曲线下面积介乎零点七三至零点九零，回归模型的决定系数介乎零点六四至零点七三。研究通过SHAP分析发现，模型高度重视花芽露白日期及累积低温时数，树龄与空气湿度也是重要因素。但作者强调特征重要性不等于因果证明。由于不同品种开花比例分布差异明显，且模型依赖特定气象数据，研究仍需跨地区、跨品种和不同季节的田间测试，才能评估其在农业管理中的实际用途。

生成式AI对减少飞行意向的影响评估争议

瑞士研究测试了生成式AI能否帮助旅客考虑少搭飞机。在卢加诺进行的Treeps应用程式实验中，GPT-3.5聊天机器人结合用户分享与奖励积分提供建议。共有204名参与者随机分组，三个月后146人完成追踪。使用工具的一组流失率为百分之三十九，对照组为百分之十八。然而，按随机分组分析，研究未见工具对减少搭飞机意向有可辨识的平均效应。研究者指出量度的是自述意向，不是实际机票、航班或碳排放。虽然使用程度较高者减少飞行意愿较强，但使用程度本身并非随机分配。因此，作者认为仍需规模更大、追踪更完整的试验，才能评估其对实际出行行为的改变。

物理治疗时长预测模型的误差与观察性限制

一项研究利用人工智能估计长者接受不同物理治疗时间后的日常功能。模型分析连续的治疗分钟数，训练资料来自加拿大22,216人的社区护理记录。团队通过匹配测试估计替代结果，在院内保留测试中均方根误差为三点七九（线性回归为四点零九）；在家居护理资料中，平均绝对误差为二点二九（线性回归为三点六七）。论文展示了四条个别预测曲线，显示改善、平坦或高剂量时变差的情况。但作者强调这些仍是观察资料上的模型估计，不能证明哪个治疗时数对病人最好。由于高剂量个案较少，在较长治疗时间的推算更需要审慎。

苹果碰伤光谱影像识别的受控实验结果

韩国研究测试了人工智能用光谱影像辨认苹果碰伤。团队在87个富士苹果上制造三种撞击程度，拍摄了八百七十组高光谱影像，标注了一千六百七十六处碰伤。表现最好的混合三维及二维模型在测试组的方框F1分数为零点九八，碰伤遮罩Dice重叠分数为零点八六。研究影像显示部分早期和边缘碰伤在普通影像上较难看清，但模型能辨出。然而，未等于已在果场分拣线验证。团队还利用辨识特征估计撞击程度及内部碰伤面积，但这些结果只来自受控富士苹果资料，跨品种及实际物流仍需另外测试。

聊天机器人回答带状疱疹问题的质量排名比较

研究比较了五款聊天机器人在回答带状疱疹问题时的文字表现。药剂师和皮肤科医生设计了20条英文问题，评估100篇回答。在二十四分的病人教育适切度量表中，GPT-5中位数是十二点五；豆包十一分、DeepSeek十分；千问与Gemini均为九分。在五分整体质素量表中，GPT-5中位数为五分。豆包与DeepSeek为四分，千问与Gemini为三分。英文可读性因题目而异。但这些评分没有以独立临床标准核实每句事实或病人安全。研究仅测一种疾病，且未记录完整模型版本和设定。因此不能把这次排名当成其他病症的诊疗建议，仍须由医护核对。

结论

综合各项研究，AI在特定模拟环境或受控数据集下展现出显著的性能优势与优化潜力。例如，工业网络排程、电网电压控制及医学影像分析中，AI方案在准确率或效率指标上均优于传统方法。然而，这些成果多局限于实验室场景、单一中心数据或合成基准测试。

从“模拟”到“实机部署”，以及从“高分数据”到“真实鲁棒性”之间存在巨大鸿沟。多数研究缺乏跨品种、跨区域的外部验证，或未能证明因果效益与长期稳定性。此外，部分模型对特征高度敏感且能耗巨大。因此，当前AI技术尚不足以直接替代人工决策或独立应用于复杂现实场景，仍需更严格的实地验证与标准化评估。