Starship 丟出 20 顆衛星,一顆都沒留在天上
燒掉是計畫好的。
ARCHIVE
共 428 篇 · 最新更新 2026-07-26
顯示最新 20 篇,共 428 篇
燒掉是計畫好的。
沒有共同創辦人、沒有融資、沒有業務團隊,Zigpoll 在 2026 上半年營收成長 44%(自述)。推它一把的不是新功能——是他認真讀了自己產品收上來的那句話,還有 ChatGPT。這篇拆這門一人生意怎麼賺、AI 在裡面扮演什麼角色,以及它踩在誰的地板上。
當初叫你寫滿的規則,他們自己先刪了
被指控的那一家,沒在名單上。
差的那兩年,答案不在台灣。
模型買得到,為什麼線還是上不了?
成名靠畫圖的,這次畫圖排最後。
救自己的動作,成了推電網的手。
攻方拔掉安全閘,守方被安全閘擋住。
兩個月,貴了 7.7 倍。
那天簽的三份,只有最小的一份要匯錢。
分數落後,不代表沒事。
成長率的另一半,不在台灣手上。
讀得懂意圖的那一層,不在你手上
省 60%,是跟誰比出來的?
舊機三個月也快了四倍。
接班的是 4.8,瞄準的卻是 Fable 5
2020 年 12 月,一個在首爾教英文的美國人把 GPT-3 接進他做了五年的履歷工具,那時團隊兩個人、ChatGPT 還沒出生。這張早鳥票兌現得很漂亮:第一個一百萬用戶有六成五是 ChatGPT 爆紅後三個月湧進來的。但把帳本攤到今天,用戶漲到四百萬,營收那條線停在 2024 年。這篇拆它怎麼賺、早鳥紅利怎麼被吃完,以及一門 AI 履歷生意正在面對的反噬。
輸入價一毛沒動。
每一步都被允許,整串加起來沒人允許
AI 缺產能,帳單寄給了不做 AI 的人
同樣跑到 100%,為什麼有人多付 9 千美元?
附註比帳本還大,這正常嗎?
一款 LinkedIn 內容 AI 工具上線 5 天就做到約 3 萬美元月收,看起來像產品神話。但四位創辦人本來就是 LinkedIn 創作者、合計握著約 48 萬追蹤者,Kleo 的目標客群正好就是他們的粉絲。這篇拆它怎麼賺、那台發射器怎麼在產品之外運作,還有全靠自報、沒揭露流失率、整門生意坐在 LinkedIn 一個平台上的真實風險。
繞開禁令的不是電力,是那條光——但帳搬到了下一代
宣稱很快,成績單還沒交。
全球最大 AI 買家,為什麼要自己養出對手?
偵測器量的不是「誰寫的」
模型落後的那一週,它靠什麼還能先動手?
反例小到能手算,卻 87 年沒人先想到
免費的是權重,要付錢的是下一次訓練
以前它以拒絕外部資本聞名。
一天發一次版,這成績單誰打的?
這批當擔保的晶片,這次不姓 Nvidia。
罵 nerf 之前,先看 272k 這條線。
做競品的 Meta,怎麼成了它的機房房東?
不用最貴的模型掃全部,才掃得起。
證明裡最關鍵的一步,論文一個字沒提。
David Park 十年做垮十幾個專案、同一個寫作工具磨了好幾年,GPT 出來後接上論文場景才翻身。但他的成長不是堅持感動天——是一台 200 多個帳號、一個月上萬支短影音的分發機器堆出來的。這篇拆它怎麼賺、那台機器怎麼運作,還有峰值 1000 萬美元年營收後掉回 700 萬、月流失率 16% 的真實曲線。
它這次沒急著改 code。
AI 算力的帳單,到底誰在買單?
大家都在做聊天,它專攻 LLM 最弱的那塊
自家 75% 程式碼交給 AI,旗艦卻敗在 coding
$230,但它不是拿來打字的。
延了一個多月,最後只有付最多的人把它拿回去
賺贏預期,股價卻不漲反跌
2022 年多倫多一個 CS 學生做出最典型的 GPT 套殼——上傳文件、生成客服機器人,被笑沒護城河。三年後 Chatbase 零融資做到年收破千萬美元、8000 多個付費客戶,還在跟募了幾億美元的 Sierra、Decagon 搶同一批企業。這篇拆它怎麼賺、護城河到底在哪,還有「套殼」這頂帽子哪裡對、哪裡錯。
算力買不到,就用電力和空間堆出來
付錢的和被貶的,是同幾家
出事的人,都自己關掉了沙箱。
不賣最強,那它在賣什麼?
多的那台電腦,不是人人有份。
助理和 App 的差別,第一次有人寫成清單。
調教了好幾版,還是會跑掉。
工具人人買得到,那贏的是什麼?
2.8 兆參數,誰跑得動?
最賺的那一關,它自己補不上
錢和 GPU 都到位了,機器要 2028 年才開機
見證有了價格之後,風向就成了商品
頭條是 OpenAI 的,帳本是 Anthropic 的
OpenAI 開放 API 五天後,Tony Dinh 用一天做出比官方好用的介面 TypingMind,關鍵是他一毛模型錢都不付——使用者自帶金鑰、token 自己付,他只賣介面層。本人自述月營收十幾萬美元,但被笑「GPT wrapper」的風險也很貼身。
你的感覺,兩個方向都會騙你
你去年在用的模型,幾乎一戳就破
中國這次掐的,不是氦氣
Blackstone 帶頭砸 53 億美元進「表後發電」,最會算的錢在賭電比晶片更卡
效率+5%、省銅−45%、TCO−30%、維護−70%——四個都出自同一篇部落格,效率那格要蓋一整座新廠才拿得到,省下的錢還搬進了一顆沒認證的變壓器
業餘開發者 Anthony(@applecorner)在一台月租 $0.99 美金的 VPS 上做出「交易競技場」——GPT-5.6 Terra、Gemini Flash、火山 ark-code、DeepSeek V4 Pro 四個大語言模型拿相同虛擬本金、相同股票池,每天收盤各做一輪交易決策,公開 PK 排行榜。這篇說他為什麼想比「判斷力」而不是跑分、子 agent 平行開發的循環,以及一台 960MB 小機器逼出來的兩場硬仗。虛擬撮合、非投資建議。
這輪 AI 的錢,最先落在哪?
兩兄弟加一位牌友先做了六年真人行政助理生意,那批工作日誌成了 AI 護城河,email 助理八個月做到 1,700 萬美元 ARR——但那是公司的錢,不是誰的口袋。
但路徑能信、強度先別
蓋得再快,為什麼還是追不上
1MW 機櫃塞不下的電,最後花給了誰?
用過麻布記帳卻卡在券商不能自動匯入,Yuli Wang(willy)用 Codex 打造 OctopusBeak——自架、帳密留在本機的台灣銀行券商資產帳本,21 天寫出橫跨九家銀行的對帳流程,正在找早期使用者。
又裁又配,該讀成 AI 取代人嗎?
對手越猛,你的訂閱越划算
做「抓外遇錄音筆」起家、幾乎沒拿創投的團隊,用硬體帶訂閱做成少數獲利的一家——代價是巨頭正全數進場。
數字是 Google 給的,整合稅是你自己付的
晶圓廠的五道氦氣閥門,斷供那天你會先關哪一個?
不做瀏覽器了,改住進你的 Chrome。
銀行為什麼把 AI 推論搬回自己機房?
面試趣創辦人 Max 把散在各官網的幼兒園收費、裁罰整理成一頁;因為資料攸關家長選園,他用制度逼 AI 交出實證、別把猜測講成事實。
一台伺服器、一個 PHP 檔案,月賺 8 萬美元純利——連衰退他都沒撤。
台鐵任務 TRMission 是 RobotHanzo 第一個全程 AI 開發的專案——Claude Code 寫、他把關 spec,正在找玩家上車。
300 億買回的,是哪一種晶片?
叫你休息的儀表板,也在把你留下來。
那台灣的晶片,氣體還夠撐多久?
月費買的不是額度,是每 5 小時能燒多少。
沒有資安團隊,一個下午也能補完
1700 萬次點播,只換到 5.2 萬美元。
帳本打開,故事換了一個。
89% 的成本繳給模型,他還是賺。
吵到開獎,兩邊都改過口
在位者對還沒問世的產品提告,多半因為它信那是真的
把矽中介層換成嵌入式矽橋,換到什麼、代價是什麼?
便宜三成的挑戰者,卡在同一道牆
講完等它回的日子結束了。
流量創新高,為什麼生意沒動?
蓋 Claude 算力的房東,去年還在挖比特幣
前 App 創業者丁丁用 Claude Code 打造 SurfBound,正在找第一批下水的測試者。
Meta 開始賣模型了
希望的畫面,是我們的海
太空很冷,但不夠冷卻火熱熱的 GPU
做螢幕的公司,想擠進輝達的「光進銅退」。
這個開關,Meta 已經替你打開了
桌面版免費能開,帳單卻按用量跑。
自研 AI 晶片,什麼時候變得這麼快?
AI 缺料,一路缺到最上游那片裸矽。
便宜又快,什麼任務值得換它上?
讓 GPT-5.6 破紀錄的訓練,正是讓它偷吃步的訓練
改一行 model 名的事,拖到當天就變線上事故
護城河裂了,還是茶壺裡的風暴?
史上最大 ADR,是一家記憶體廠。
一樣的活,帳單卻差一個數量級?
最強的模型,為什麼一延再延?
晶片沒事,機櫃出不來
跑最省的那家,也要自己造矽
台灣在辦 AI 晶片轉運,法律卻還沒跟上
鍵盤前沒有人,它卻自己打完了
微軟想把付給 Anthropic 的帳單砍到零。
追求最快推論的路,正好繞開台灣的封裝
想測 Claude Design 的一個晚上,把 20 年的走路研究做成了 app
模型不說話的時候,到底在想什麼?
一條防沉迷規定,撞上「會記住你」的 agent 架構——兩家大廠寧可下架也不改
排行榜看單次答對,這份看你要來回糾正它幾次
晶片戰的下一條前線,藏在台灣最不上鏡的那道護城河
同一週 TrendForce 說漲幅要趨緩——但「漲得慢」不等於「不缺了」
把每區轉播的場邊 LED 換成不同廣告,聽起來像 AI 黑科技;拆開來,它不新、大多不是 AI,真正的引擎是錢和博弈法規。
越位線畫到公分、球衣濾鏡一鍵生成——鎂光燈打在最上層,錢卻流向你沒聽過的那幾家,和 Rio 那雙手。
Google 押國家隊、把 Gemini 塞進你手機;三家搶的是同一樣:你下次先開哪個 AI。
免費桌面版、五天全功能試用,背後是開源 GLM-5.2;壓低價格的另一面是中國資料法
模型權限+花費警示+用量儀表板:三道閘補在最會燒錢的地方
最大的動作是把 session 拿掉;但 7/28 不強制,舊 server 照常運作
綠電買到全球數一數二,卻壓不住蓋機房和做晶片的碳——這一段沒人接手
prompt→context→harness→loop,每一級都是人往上退一層
排名第一點擊照掉 58%——讀者不點連結的年代,內容要爭的是被 AI 唸出名字
跨 session 記住使用者的機制——分型、主流做法,以及記錯比不記更糟的代價
跑 coding agent 前,先看它被關在哪——四種隔離技術一次分清
一個資料夾加一份 SKILL.md,把可重複的工作流程教給任何支援的 agent
Gartner 估計數千家 agentic 供應商,真的只有約 130 家
從 Comet 到 Atlas——瀏覽器是你自己開的車,這批新產品內建代駕
ACP 結帳、AP2 授權、x402 機器付款,三層協議讓商家敢收機器人的錢
agent 每個 session 都失憶——犯過的錯寫進這個檔,就永不再犯
三家年度詞評選同押一字,職場版 workslop 正在吃掉同事的時間
任務丟上雲端,agent 自己跑完開 PR——你只要回來驗收
看螢幕、動滑鼠、敲鍵盤——沒有 API 的軟體也能操作,代價是慢、貴、會出錯
問得再好、餵錯資料也沒用——AI 工程重心從 prompt 移到 context
AI 記不住你教過的事——2026 最被看好的突破口在哪
agent=model+harness,模型以外的一切決定 AI 同事好不好用
不再親手 prompt agent,改設計會 prompt agent 的系統
自家做是產品線邏輯,抓別家變國安指控——同一個技術的兩張臉
從 2022 年一則「Haha pwned!!」推文,到 2026 年每週上演的 agent 竊資事件
數學對答案、程式碼跑測試就是獎勵——reasoning model 能力大爆發背後的訓練引擎
NVIDIA 算過帳:agent 多數步驟,小模型便宜 10-30 倍
從 Spec Kit 到 Kiro——先規格後產碼,是解藥還是瀑布復辟?
髒活外包、只收結論——從 Task tool 到 agent teams
第三條 scaling 曲線怎麼來、2026 年撞上什麼天花板、你的 API 帳單為什麼變厚
Karpathy 一句玩笑變 Collins 年度詞,再被本人宣告升級——一年走完整個循環
圖靈獎得主押上 10 億美元的另一條路——AI 得先會預演世界,再談規劃行動
Uber 四個月燒光整年預算,Palantir 罵這是「wealth tax」
大廠追 AI 記憶體,把最不起眼的舊規格讓了出來——台廠想要的不只是接盤
跑完自己 commit、push,交一份可審的草稿——但 merge 還是你按
全球出貨第一的龍頭掛牌科創板、募資 42 億,但招股書把『量產』和『幹活』分得很開
他 13 天長出一萬個插件的 App,和 Lovable 的 4 億美元,指向同一條活路
護城河不只在製程,還在一排台廠身上
一筆 GPU 生意,Nvidia 現在收三次錢
「要不要讓 AI 抓」從一個開關,變成三個
最便宜那檔被設成 Google 搜尋與廣告的預設
同一週,亞馬遜也砸了 10 億做同一件事
四家前沿實驗室的自研晶片路線,一張表看誰到哪了
算力競賽的下一個變數是「蓋去哪」
為 AI 砸 1,829 億美元之後,連沒有公共雲的 Meta 都想賣算力
近半員工每週在用,公司卻有兩成不知道他們用了哪些
ARR 約 5 億美元、7 成收入來自海外——一張表看四家的商業結構
同一批產能轉移,被指是協同減產
誰能用、用到何時、之後多少錢、先跑什麼——一篇備齊
資料留自家系統,每個結果都查得到怎麼做出來的
併網排隊要五年,資本開始自己蓋電廠
每-token 便宜,一次請求未必便宜
算力的帳,前段之外還有後段
能下載驗證的是權重,外部驗不了的是那 5 萬張國產卡
速度的代價,是只會跑一種模型
封裝廠搶當 CPO 後段整合者——訊芯接 FAU 與光柵耦合,51.2T 出樣到 102.4T
退役的不只是 Veo,是「模型 ID 永遠在」這個假設
逾 5,760 億美元、橫跨十年的承諾,把三星與 SK 海力士綁進國家路徑
交給 AI 的單位,從一句話變成一個目標
連 GPU 的網路先撞上銅線的牆,業界把光搬到晶片旁;交換器這波先換,算力側要等 2027 後
高盛喊 51,000、小摩和統一喊 50,000;拆開這個數字——台積電一檔、AI 資本支出、創新高的融資——看它三層站得多穩
最強的 Sol,得先過政府這關
裁員標題與招募曲線同時為真,砍的卻是入門窄門
重點不在漲多少,在漲到哪些製程——AI 晶片的成本地板整層墊高
台積電的美國後段訂單給了艾克爾,不是日月光
同一週,另一份調查說每天用 AI 的人覺得自己更慢
一台入門 MacBook Air 多付 200 美元,兩家公司把原因都指向 AI 資料中心
旗艦模型第一次「先審後放」
官方稿沒提 Nvidia,業界卻讀成 CUDA 護城河之戰
Google 想要的 448G 還沒做出來,聯發科可量產的 336G 反而補上
市場用一天約 5% 的跌幅投票
市場前一天才恐慌需求見頂,美光毛利衝上 84.6%、合約鎖到 2030
前沿模型的輸出,成了被搶的資產
被自動化威脅的玩家,被請來訓練機器
一份沒寫金額的 MOU,把日本電子老牌接上台灣代工引擎
同級分數已是常態,這次的但書藏在狀態與通路裡
能力從特製模型搬進主力快模型,難題也跟著換了一個
九個月從設計到流片,目標年底前先上線——但它只跑推論、只給自己用
一條切伺服器 CPU 的雙頭格局,一條買 Modular 拆 Nvidia 的 CUDA——但晶片要 2028 下半年才出貨
它換掉了眼鏡上的開源 Llama 4
一個頻道一個 Claude,記憶與權限按頻道隔離
圓形晶圓的邊角剩下裝不滿的弧形空白,台積電改用方形面板拼大封裝;環球晶的 310×310 公釐方形矽晶圓也在送樣驗證,量產要等 2028 下半年
一條 4 月的金管會規則,把資金結構性地導向同一家公司
大家盯著電力,最大的錢卻花在會快速攤提的硬體
免費試用是一次取樣,之後每次呼叫都進帳單
代理人分不出『資料』與『指令』,這道破口被實證打穿
7B『工頭』調度買得到的模型跑分領先,卻輸給調度不到的 Fable 5
一場不算收購的收購,留下的公司還在不在?
贏了 SWE-bench Pro,輸了 Terminal-Bench:同一張分數表
新手 15%、專家 28–33%,差距不在會不會寫程式
德州不在名單上,住宅電費誰扛還沒人接
答案可能兩個都不是。把它推到成交桌上的,不是一個好價錢,是一個它再也躲不掉的結構——當你路由的每一個模型,都是別人的。
一道命令、超過一週,模型還是黑的
買的不只是晶片,是一套繞過 Nvidia 的棧
命令藏進一筆假錯誤,三大寫程式代理人測出 85% 照著跑
全世界只有一家公司做得出這台機器——爭的是一台,賭的是整套對中管制
門檻畫在 H200 等級,組裝伺服器的鴻海、廣達、緯創全被掃進來
這顆晶片一上市就被訂光,亞馬遜卻在談賣給外人
Copilot 桌面版 6/17 正式上線,同時跑多個 coding agent、各自獨立 worktree
一邊是 AlphaFold 之父,一邊是 Gemini 共同負責人
導火線指向一家夥伴電信的母集團舊持股,當事人否認
把「燒錢」旁邊的另外兩個數字一起看
這還是提案,不是政策
在歐洲做、掛 Bull 品牌,不只是又一張代工單
消息來自總統的貼文,不是蘋果或 Intel
上架很積極,落地條件卻很窄
工具不再靠人手動接線,改由代理人在執行當下自己搜尋
不要從「讀完文件」開始。挑一個你本來就要修的小東西,這一課帶你讓它讀、改、跑、交回 diff
同一個任務,講成一句話還是講成一份規格,結果差到像兩個工具。這一課給你能套用的結構
這條路線的最後一步——讓 Claude Code 連到你的資料庫、issue tracker、文件,把最常做的事變成一句話
Claude Code 會跑指令、改你的檔——這一課教你設好界線,讓它跑得動,又不會哪天 force push 上去
它越懂你的 codebase,你越不用手把手指路。這一課教你怎麼餵對脈絡,而不是把整包丟給它猜
在你跑第一個任務之前,先搞懂:它不是更聰明的 Tab 補全,是一個會讀你 repo、自己改檔跑測試的終端代理
一個 agent 一次能裝的脈絡有限。這一課教你把大任務拆給多個子代理平行跑,並用 worktree 隔離
它說「測試綠了」不代表對。AI 會自信地寫出有 bug 的 code——這一課給你一套不用重寫的審查法
Codex 會跑指令、改你的檔。這一課教你把界線設成規則,讓它跑得動,又不會替你 force push 上去
這條路線的最後一步——讓 Codex 連到你的資料庫、issue tracker、文件,把 CLI 接進你的產品與團隊流程
不要從讀完文件開始。挑一個你本來就要修的小東西,這一課帶你讓 Codex 讀、改、跑、交回 diff
同一個任務,講成一句話還是講成一份規格,結果差到像兩個工具。這一課給你能套用的結構
掃 QR Code 配對,捷運上也能看 diff、測試結果並批准下一步——但程式碼一行都沒進手機
大任務跑很久,中途斷了不用從頭來。這一課教你用可恢復流程與自動化,把長活交給 Codex
在你跑第一個任務之前,先搞懂:三個都是 coding agent,Codex 的差異在哪、它的手機核准是怎麼回事
它說「測試綠了」不代表對。AI 會自信地寫出有 bug 的 code——這一課給你一套不用重寫的審查法
你每週都在做的那幾件事,不該每次重講。Copilot 內建一組 skill、能排程、會給你每日 briefing
這條路線的最後一步——把 Copilot 能碰到的範圍安全地擴大,讓它真正嵌進你的工作流
Copilot 跟舊版最不一樣的兩件事——它會替你寄信貼文、還按用量計費。這一課教你兩個都控得住
不要從「研究這個功能」開始。從你今天本來就要做的一件煩事開始,這一課帶你把它交出去
同一個任務,交代得好不好,結果差到像兩個工具。這一課給你一個能套用的結構
在你派第一個任務之前,先花十分鐘搞懂:新的 Copilot Cowork 跟你習慣的「問它、它答你」差在哪
它給你的不是草稿,是看起來能直接用的成品——這正是危險的地方。一套不用全部重做的驗收法
Copilot 最強的地方,是它本來就在你的 Microsoft 365 裡——它讀得到你真正的工作,不用你搬資料
你每週都在做的那幾件事,不該每次重講一遍。這一課教你把它們存起來、變成隨叫隨到的流程
到目前為止它只能用你丟給它的東西。最後一步,是讓它直接連到你工作真正所在的地方
不要從「我來研究一下這工具」開始。從「我手邊正好有一件煩事」開始——這一課就帶你把它做完
同一個任務,交代得好不好,結果差到像兩個不同的工具。這一課給你一個能套用的結構
真正讓你敢把工作交給 Agent 的,不是它多強,是你知道它做不了什麼壞事
在動手用 Cowork 之前,先花十分鐘搞懂:它跟你習慣的聊天 AI 差在哪、為什麼這個差別會改變你的一天
AI 最危險的不是做錯,是「錯得很有自信」。這一課給你一套不用全部重做的驗收方法
一般 AI 只能聊它訓練過的東西;Agent 真正的價值,是能讀「你的」資料、針對你的東西做事
告它的兩家公司連工廠都沒有,台灣智財局長公開質疑。
AI 圖稿卡在設計師交稿、工程照截圖重畫的那一步,這次被接了起來。
騰訊、寧德時代各出數十億,換來的是五年閉鎖與零投票權。
6 月 16 日,SpaceX 簽下約 600 億美元全股票收購 Cursor 開發商 Anysphere、已申報 SEC 8-K。被收下的,是一個價值建立在「模型中立」上的編輯器。
聊天助手變成會跨 Office 自己動手、按點數跑表的代理,背後跑的是 Anthropic 的 Claude。
6 月 18 日起,Gemini Code Assist IDE 外掛與 Gemini CLI 對 individuals、AI Pro、AI Ultra 三個消費級層級停止服務,連 Login with Google 都登不進去。官方唯一去處是閉源、按算力計費的 Antigravity CLI。
原訂 6 月 15 日起,Agent SDK、`claude -p`、GitHub Actions 與第三方 app 要離開訂閱統包額度,改吃 $20 到 $200 的封頂月額度。結果這天 Anthropic 把整件事收了回去。
6 月 12 日的政府指令要求停止任何外國人存取這兩個最新模型;因無法即時辨識國籍,Anthropic 對全球所有客戶停用。Opus 4.8、Sonnet 4.6、Haiku 4.5 不受影響,恢復無時間表。
Visa 提供支付網路、tokenization、即時授權與 fraud monitoring;使用者控制項是 spending limits、merchant categories、required approvals。費率、區域、issuer 支援與責任歸屬尚未公開。
〈When AI builds itself〉不是 Claude Code 的成績單,是一份政策論述:Anthropic 用內部工程數據主張遞迴自我改善可能比多數機構的準備來得早,並提出條件式集體暫停機制。
MCP 規格清楚,但 auth、server 品質和 client 支援留給了生態系自己解決——這三個空白在本地開發中幾乎不可見,到正式環境才會浮現。
Project Polaris 取代 GPT-4 Turbo、WAF 開源、MAI 三尺寸模型家族——這不只是換個底層模型,是 Windows 轉型 agent 作業系統的第一個里程碑
Fine-tune 改訓練、RAG 改上下文、Prompt 改指令。三條路徑住在堆疊的不同層,選錯層的代價,往往比選錯模型更貴
2026 年 6 月 1 日起,chat 和 agent mode 改成 AI Credit 計費。Pro 用戶 1,500 credits 可能不夠跑兩個 agentic session;但 Tab 補全重度用戶帳單完全不動。
估值 $965B、年化收入 $47B、Claude Opus API 同期降了 67%——Anthropic 的上市申請藏著一個反直覺的定價邏輯,對 Claude 用戶最重要的不是估值數字。
一個 JavaScript 腳本讓計畫變成可重複執行的程式碼,中間結果不佔 context,上限 1,000 個子代理人——任務規模的天花板,從 context window 變成了腳本協調能力。
一個開放權重的上傳,讓 Nvidia 單日市值蒸發逾 5,930 億美元。16 個月後,AI API 定價格局已然改變,但幾個核心假設你可能還沒更新。
xAI 昨天把 grok-build-0.1 開放進 API 公測:每百萬 output token 2 美元,比 Claude Opus 4.7 便宜 12 倍。這不是第三名加入競賽——是定價和入口設計的路線正式出現分歧。
開發者 API 和生產力工具六個月落地,消費端即時 AI 一年後還在排隊——I/O 2025 一週年的執行記錄,提供了一個可重用的 Google 選品框架。
Google 在 I/O 2026 把程式碼編輯器拆出主套件、新增四條路徑,同時啟動 Gemini CLI 倒數。Pro 和 Ultra 用戶有 22 天,Standard/Enterprise 授權不受影響——但有一個無聲陷阱需要特別處理。
Ramp 數據顯示 Anthropic 企業付費佔比達 34.4%,超越 OpenAI 的 32.3%;Claude Code 的工程師自發採用,正在改寫企業 AI 工具市場的份額分布
四家中國實驗室在 2026 年 3–4 月接連釋出開源編程模型,頂規版本把 SWE-bench Verified 推到 80.6%——但 API 定價從 $0.14 到 $1.74/M tokens 不等,per-task 成本估算差距逼近 10 倍。
OpenAI 把手機變成批准介面、Google 用 Webhook 讓任務跑完再通知、AWS 讓代理人用截圖看整個 OS 桌面。三種設計不分優劣,但責任邊界完全不同——選型前先決定你的批准點在哪。
一個每賺一元就多虧 $1.22、另一個在同季首次轉虧為盈 $5.59 億——兩份財務快照,說明白 AI 算力帳單怎麼決定公司的下一步。
AgentCore 押執行層、Codex 拆開監督與執行、Anthropic 收購 SDK 供應鏈——三家押注方向不同,選棧本質上是選責任歸屬
Google 在過去三週同時推進兩個開放協定:50+ managed MCP servers 讓 GCP 服務直接可被代理人呼叫;A2A v0.3 帶著 150 家組織進 production。這是 2026 年代理人架構師必須分清楚的兩條分工線。
Gemini 3.5 Flash 已全球開放(官方稱速度 4 倍、成本低於一半);Gemini Spark 在你鎖屏後還在跑任務;Antigravity 2.0 讓開發者一個 API call 啟動隔離代理人。AI 代理人執行模型的設計分叉,在這週變清楚了。
同一週,三個 AI 產品的設計選擇都碰到同一道問題:給代理人多大的權限?
Anthropic 把最強 Claude 做成兩道門:公開的 Fable 5、受限的 Mythos 5。這次換模型,不只是在 API 裡改一行字。
Anthropic 41 天就換旗艦,定價沒漲、SWE-Bench Pro 升到 69.2%;但會改變你工作流程的,是「少 4 倍放過自己瑕疵」這個數字。
OpenAI 把內容來源查核做成一個公開上傳頁;有訊號、沒訊號、訊號消失,各自代表不同決策。
Gemini Intelligence 與 Chrome auto browse 讓手機開始代辦表單、預約、訂單與 App 任務。重點不在功能清單,而在它讀到什麼、替你做到哪一步、何時停下來等人確認。
OpenAI 的 Finances 預覽讓美國 Pro 使用者透過 Plaid 連接帳戶。它能讀取交易、投資和負債脈絡,也留下記憶與刪除邊界;連接前,先把它當成會讀帳本的分析介面。
Stainless 在 5 月 18 日宣布加入 Anthropic,同時收掉 hosted products 與 SDK generator 新專案。Claude Platform 收進來的是 API、SDK、MCP server 這條代理人連接鏈。
Mistral 同時釋出 Large 3 大模型與 14B、8B、3B 三款小模型,並把 NVIDIA、vLLM、Red Hat、Hugging Face 與多家雲端 marketplace 一次納入。權重免費,但 GPU、推論、通路、維運帳單各自獨立。
OpenAI 在 5/14 同步釋出 Codex 手機預覽版、Remote SSH 正式版、Hooks GA、HIPAA 合規。每週 400 萬人用的編程代理人,現在跨裝置——但檔案、憑證、權限全部留在原機器。
正式上線的 AI 代理人需要即時資料、向量搜尋和長期記憶;資料庫能處理檢索與保存,不能承擔所有產品責任。
這筆合作把研究補助、Claude 使用額度、技術支援、資料集、基準測試和現場導入放在同一個包裡;能不能成事,要看公共財如何維護與交給誰使用。
Google 讓 Gemini API 長任務用帶簽章的 webhook 回報狀態;開發者要檢查的是回呼、驗簽、重試和去重能不能進正式環境。
DeepMind 給出基因定序、電網、量子電路、TPU、Spanner 與物流案例;該讀的是每個數字背後的驗證層級。
2026/05/12,Sam Altman 終於坐上證人席。他回應 Musk 的「stole a charity」指控,也把陪審團帶回另一個更尖銳的問題:如果 Musk 當年要的是控制權,這場官司到底是在守護 OpenAI 的非營利使命,還是在爭奪誰能掌控 AI 創世敘事?
一個好用的 AI 採用數字,價值在於它把分母、資料來源和限制一起放上桌。
Microsoft 與 CAISI、AISI 的新協議,重點不在背書,而在 frontier model 評測開始拆成不同風險層。
Acrobat 的新 productivity agent 讓 PDF Spaces 放進來源、音訊導覽、客製助理和互動洞察,文件開始從附件變成工作入口。
AgentCore quality optimization 把 production traces、recommendation、batch evaluation 和 live A/B test 串起來,讓 agent prompt 變更進入正式發布流程。
Groundsource 把全球新聞報導轉成城市閃洪資料集,讓 Flood Hub 有更完整的歷史基準,也讓 AI 預警的資料缺口變得可見。
SpaceX Colossus 1 的 300+ MW 和 220,000+ NVIDIA GPU 很醒目,但開發者每天感受到的是五小時限制、尖峰時段和 Opus API quota。
OS Level Actions 把滑鼠、鍵盤、捷徑和全桌面截圖放進 AgentCore Browser,專門處理 DOM 之外那一層原生對話框。
AgentCore Payments 把 x402、錢包、預算上限和交易追蹤放進代理人執行迴圈;AI 花錢前,誰批准、花多少、怎麼查,會決定它能不能上線。
Google 讓 File Search 支援多模態檢索、metadata filter 和頁碼引用。對開發者來說,重點轉向答案背後的查證路徑:它到底看了什麼,能不能查回去。
OpenAI 讓預設模型更會使用個人脈絡,也把部分 Memory Sources 放到介面上。使用者接下來要看的,不只答案準不準,還有它到底用了哪些記憶。
GPT-Realtime-2、Translate 和 Whisper 把語音功能推成一個產品設計問題:哪些任務值得在對話還沒結束時就讓 AI 動手?
2026/05/07 的證詞把官司焦點從「你背叛了誰」扳到更冷的問題:流程能不能踩煞車。Rosie Campbell 把 DSB 與一場 Bing 部署的細節塞進陪審團記憶;前董事 Tasha McCauley 則把董事會的崩壞講成更直白的一句話:你到底信不信被送進房間的資訊。
AWS 把模型客製化包進 IDE 裡的代理人流程。速度只是入口;更值得檢查的是每一步有沒有可審、可改、可重跑的產物。
Meta 擴大 AI age assurance,會用文字脈絡、互動和部分視覺線索推估年齡。重點在於推估之後:放進保護、要求驗證、停用帳號,或把政策戰場推向 app store。
OpenAI 推出 beta 自助式 Ads Manager、CPC bidding 和轉換衡量。這讓 ChatGPT 從廣告測試走向可操作的購買平台,也把「答案可信」變成商業化的核心邊界。
2026/05/06 的交叉詰問,把焦點從「使命」推向「控制」:NeurIPS 活動草稿、Altman 的董事席邀請、以及 Zilis 那句「keep info flowing」,讓陪審團被迫問一件事:Musk 想要的是旁觀席,還是方向盤?
Anthropic 把 KYC、月結、估值審查等工作做成 finance agents。這不是讓 AI 直接接管金融決策,而是把可重複專業工作包成有權限、有紀錄、有人審的流程。
Collibra AI Command Center 值得看的地方,不是控制台本身,而是它暴露了企業代理人治理的下一個難題:可見、可管、也要有人負責。
MCP Server 的 secret scanning 已 GA,dependency scanning 進入測試。這不是資安工具多兩個按鈕,而是 AppSec 開始搬到 AI 寫程式的現場。
AI Mode 和 AI Overviews 多放連結、訂閱標籤與來源預覽。出版社要看的不是 Google 有沒有善意,而是這些出口最後會不會真的通向網站。
OpenAI B2B Signals 把企業 AI 的成熟度拉到「使用深度」:3.5 倍 intelligence、16 倍 Codex messages 都有參考價值,但不能被當成 ROI 證明。
2026 年 5 月 6 日,陪審團聽見兩個「最像內部人」的聲音:Mira Murati 指控 Altman 讓高層互不信任;Shivon Zilis 則被拉進「資訊流動」的指控裡。這一集開始把 OpenAI 的法庭劇,從使命與控制權,推進到「誰相信誰」。
IBM 把 agents、real-time data、automation、hybrid governance 包成同一套 AI operating model。這比產品清單更值得看。
Agentic AI 不只是模型推論。當 AI 要規劃、查資料、呼叫工具、等待 API、寫回系統,CPU、網路、資料流與調度都會變成瓶頸。
AI adoption 的下一題不是更多教學和使用率,而是哪些工作該交給 agent,哪些判斷必須留在人手上。
桌面 agent 最危險的地方不是它會操作電腦,而是它可能在沒人看清楚時讀檔、跑命令、改系統。Project Arc 把問題拉回 runtime、政策與稽核。
Otto 表面上是企業 AI 入口;真正的賣點是把提問、搜尋、流程與批准接在一起,讓 AI 不只回答,也能被管理地做事。
一幅 Ilya Sutskever 畫的 Tesla、Musk 的一句「I decline」,以及 Brockman 說他差點以為 Musk 會動手的那個瞬間——這一集把 OpenAI 的營利化爭議,拉回最原始的問題:到底誰要坐上王座?
CX Enterprise Coworker 把行銷 AI 從生成素材推向客戶旅程。企業該看的不是它多會寫,而是資料、品牌、渠道和人工審核能不能一起管。
新的企業 AI 服務公司不是單純投資新聞。它說明很多公司買得到 Claude,卻還沒準備好把模型變成可運作、可治理、可交接的流程。
Anthropic 把 Claude 推進視覺初稿流程。它有用的地方,是讓產品、行銷與設計更快看見同一件事;風險則是把看起來完成的畫面誤當成可交付設計。
他不是最會搶鏡的人,卻把 OpenAI 最難看的問題帶上證人席:一個非營利使命,怎麼會長出接近 300 億美元的個人持股?
Agent 365 的重點不是多一個 Copilot 名詞,而是 Microsoft 把 AI 代理人變成需要盤點、負責人、政策和審核的企業資產。
這場官司表面在審 2026 年的 OpenAI,真正被反覆翻出來的卻是 2017 年:那一年,使命、算力、營利化和控制權第一次在同一張桌上打結。
OpenAI 想把 Musk 的庭前訊息送進法庭,法官沒有讓它如願。但真正站在證人席中央的,是 Greg Brockman 的持股價值和那個老問題:使命長大後,還是不是使命?
Musk 告的是 OpenAI、Altman 和 Brockman 的故事,但 Microsoft 是這場戲裡最不能忽略的場外帝國:雲端、授權、股權、2032 年合約,全都讓它的影子伸進法庭。
OpenAI 律師想把 Musk 從公益守護者拉回競爭者;Musk 想把 AI 風險拉成末日劇。法官最後提醒所有人:這場審判不是 AI 末日審判。
2026 年 4 月 17 日的 pretrial order 沒有社群爆點,卻決定了這場戲怎麼演:先審責任,再談後果,先問 OpenAI 有沒有錯,不讓救濟金額搶走舞台。
2026 年 4 月 28 日,Musk v. OpenAI 的庭審正式開打。雙方第一天沒有慢慢鋪陳,而是直接搶故事:一邊說慈善被偷,一邊說 Musk 沒拿到控制權才回來復仇。
表面上,這是非營利使命與營利化的官司。往深一點看,這是 Musk 和 OpenAI 都在爭奪同一件事:誰有資格講述 OpenAI 的起源。
OpenAI 的答案是:非營利基金會仍控制公司。但 Musk 要問的是另一件事:當一個非營利使命長出 PBC、股權、Microsoft 與 300 億美元持股,那還是不是原來那個 OpenAI?
OpenAI 不會因為一場庭審就突然消失;真正的風險是,它可能失去轉型速度、治理彈性、資本市場故事,以及最難買回來的使命光環。
Power Apps MCP Server 和 agent feed 的重點,不是又多一個代理人功能,而是把 AI 行動、商業資料與人工批准放回同一個工作脈絡。
Musk 想把 OpenAI 的創世故事改寫成背叛案;Altman 要守住的不是單一職位,而是 OpenAI 變成商業帝國後仍然合法、仍然有使命的那套敘事。
Musk 說他在守 OpenAI 的非營利使命;OpenAI 則想讓陪審團記住另一件事:Musk 現在也有一家 AI 公司,而且它叫 xAI。
Firefly AI Assistant 把 creative AI 從單次生成推向 agentic workflow。創意團隊真正要看的,是 brief、工具操作、素材變體與人工審核能不能被接成可控流程。
Metis 把 AI agent tool use 從「能不能呼叫工具」改成「何時不要呼叫工具」:少用工具不是目的,答對、可解釋、可控成本才是關鍵。
Agentforce Operations 把 enterprise agent 推進 back-office workflows。真正難的不是呼叫 AI,而是把 email、ERP、審批、例外處理與稽核痕跡整理成可執行、可追責的任務。
event triggers 讓 agent 離開聊天框,進入日曆、通話、檔案與企業系統。真正的採用門檻不是不用 prompt,而是 trigger source、connector scope、run log 與 fallback owner。
Custom Voices 和 Voice Library 讓聲音變成可被 TTS 與 Voice Agent API 呼叫的資產。產品團隊要管的不是音色多像,而是 consent、權限、日誌與撤回。
Browser Use 的新開源專案把大型語言模型接到 Chrome 開發者工具協定,讓代理人在任務中補寫輔助函式。這篇給台灣開發者與 AI 團隊一個繁中入口:原理、爆紅原因、工具比較、安裝方式與使用邊界。
Project Glasswing 的重點不是 Anthropic 多做一個資安專案,而是當模型能找漏洞時,誰先拿到、怎麼稽核、如何修補,會變成產品本身。
美國防部門宣布多家 AI 與雲端廠商進入 classified network agreements;重點不是哪個模型最會回答,而是 IL6/IL7、lawful use、audit 和 anti-lock-in。
Google DeepMind 的 embodied reasoning model 把 AI 代理人帶進物理世界;採用時最該看的不是 demo,而是 model card 畫出的安全邊界。
DeepMind 的醫療 AI 研究真正有用的地方,不是宣稱取代醫師,而是把證據、錯誤、模擬限制和人類覆核放回照護流程。
Google 把 Gemma 4 做成 open model family,重點不是取代 Gemini,而是補上低延遲、低成本、邊緣部署與資料邊界的那一側。
Gemini 進入 cars with Google built-in,不只是把聊天機器人搬上車。它測試的是 AI 能否在安全敏感、語音優先、車廠資料受限的環境裡成為真正的操作層。
Meta 的 AI 優勢不一定在最強模型,而在 WhatsApp、Messenger、Instagram 與廣告系統。Business AI 的問題是:對話量能不能變成可收費的工作流?
Word、Excel、PowerPoint 裡的 Copilot 不再只是回答問題,而是能在文件、試算表、簡報上執行多步驟動作。企業真正要補上的,是 review gate。
ChatGPT 和 Codex 帳號已經裝著文件、程式碼與工作脈絡。OpenAI 這次強化登入與復原機制,真正提醒的是企業該把 AI 帳號當成生產系統來管。
代理人要能訂位、買票、付款,不能靠把信用卡資料交給模型。Stripe 的 Link for agents 把問題拆成授權、一次性憑證、用量收費與詐欺防護。
Tim Cook 留下營運、服務和 25 億台活躍裝置。John Ternus 要證明的,是 Apple 還能不能把 AI 壓進每天可用的硬體與軟體體驗。
ima 把長期記憶、文件上下文、Skills 與 API Key 放進同一個 copilot。變化不在於它更像夥伴,而是知識庫開始變成可動手的工作入口。
Anthropic 的 Cat Wu 把問題講得更具體:AI 產品不是做到 95% 就好,真正難的是讓人放心把工作交出去。
Join the chat 讓美國 Amazon app 使用者在商品音訊摘要裡追問。真正變化不是語音,而是平台 AI 開始替消費者重組商品描述、評論和公開資訊。
Anthropic 沒有宣布新價格,但 Claude Code 的官方成本估算把工程團隊帶到另一個問題:AI 寫程式代理人不是只買席位,還要管理每次任務燒掉的 token。
Anthropic 在美國期中選舉前公開 Claude 的政治偏誤、濫用拒答、可靠資訊入口與搜尋觸發測試;真正該看的不是「中立宣言」,而是政治問答如何被產品化治理。
Anthropic 的 Project Deal 不是購物功能,而是一場真交易實驗。它提醒平台:未來誰的代理人比較強,誰可能就在市場裡佔便宜。
Anthropic 報告裡最容易被轉貼的是 80% ROI;真正值得留下來看的,是整合、資料品質、成本和組織改變這四個阻礙。
ElevenLabs 正式推出 ElevenMusic;重點不只是 prompt 生成歌曲,而是它把聽歌、remix、發布、授權和分潤放進同一個產品表面。
Alphabet 沒有宣布 Gemini app 立刻加入廣告;更關鍵的是,Google 正在 AI Mode 測哪些 sponsored offer、Direct Offers 和 checkout 格式能被帶進 AI 助理。
這起據報的 classified AI 合約,重點不是 Google 是否做國防生意,而是安全紅線到了政府合約裡,還剩多少供應商控制權。
這家由前 Meta 與 Apple 人才創辦的新創募得 1,200 萬美元;比募資額更重要的是,它把內容政策推進 AI 產品執行時。
ChatGPT for Clinicians 不是 AI 醫師,而是把臨床搜尋、文獻整理、CME 和文件草稿包進一個需要醫師審核的工作台。
Workspace agents 讓 ChatGPT 從個人助手變成可共享、可排程、可進 Slack 和業務工具的企業代理人入口。
同一套 AI 能幫防守者補洞,也能幫攻擊者找洞。OpenAI 的答案不是全開放,而是用 Trusted Access 把能力分層交給受驗證的防守者。
9 月 29 日不是產品承諾。對使用 OpenAI API、Codex 和 agent tooling 的團隊來說,它比較像下半年 roadmap 的檢查點。
同一週,OpenAI 發表使命原則、面對 Musk 審判,又修改 Microsoft 合作條款。這不是創辦人八卦,而是 AI 供應商治理風險開始被定價。
Stargate 的重點不是一個資料中心數字,而是模型公司開始把電力、土地、晶片、夥伴和地方信任變成產品能力的一部分。
Otter 的新方向讓會議資料接進 Gmail、Drive、Notion、Jira、Salesforce 和外部 AI 工具,採購重點開始從摘要品質轉向授權、稽核與工作流程控制。
Earn with Picsart 把設計工具、社群發布、成效追蹤和付款規則接成一條流程;創作者要先看控制點,再看生成效果。
最大 Copilot 部署案的重點不是 seat 數,而是資料權限、主管示範、訓練社群與成效量測能不能一起跟上。
Amazon 投資不是唯一重點,真正該看的是 Claude 的算力、晶片和企業入口如何被接進 AWS 控制面。
Claude connectors 的重點不是取代品味,而是把聊天介面變成跨工具的指令層,讓人類批准變成流程設計的一部分。
OpenAI models、Codex 和 Managed Agents 上 AWS,重點不是多一個 API 通路,而是企業能否用既有雲端控制面管理 AI。
合規不是模型安全保證,而是讓 ChatGPT Enterprise 與 API Platform 變成更容易被政府審查和採購的受管服務。
新協議的重點不是 OpenAI 離開 Microsoft,而是 OpenAI 從 Azure-only 走向 Azure-first, not Azure-only。
AI app builder 讓產品更快被做出來,但 Rocket 1.0 押注的是前一步:需求、競品、定價和路線圖能不能先被驗證。
Ask YouTube 目前只是美國 Premium 的 Labs 實驗,但它測的是影片搜尋的第一屏:觀眾先看縮圖,還是先看 AI 整理的答案?
Tank OS 還不是企業標準答案,但它把 AI 代理人的管理問題問對了。
AI Sponsored Snaps 的重點不是廣告多了一點 AI,而是品牌開始以代理人的形式進入聊天列表。
Anthropic-Amazon 的 5GW 協議不是單純投資新聞;它讓模型戰爭更像電力、晶片、雲端容量與資本結構的競賽。
ML Intern 值得看的不是它叫 intern,而是它把 ML 任務需要的文件、資料、算力、review 與交付流程接進工具層。
MCP 熱潮真正暴露的不是 protocol 問題,而是企業開始需要設計一層給 agent 讀、找、呼叫、授權與追責的商業介面。
從半導體供應鏈到 AI 新創,從出海派到 in-house——2026 年台灣 AI 產業真實的形狀
訓練是把模型做出來,推論是每次使用者送出 prompt 時,模型把答案算出來
DeepSeek-V3 有 671B total parameters,但每個 token 只啟動 37B。這不是魔法,而是 sparse activation。
從清楚指令、範例、上下文到 eval,拆解 prompt engineering 真正有用的地方,以及它為什麼不是萬能職業魔法
它不是給使用者看的魔法咒語,而是產品如何約束模型角色、邊界、工具與輸出格式的長期指令
function calling、tool use、MCP 到底差在哪,以及為什麼「讓模型會叫工具」不等於「讓模型自己亂執行程式」
向量資料庫不是另一種比較潮的資料庫,而是讓 AI 系統用「相似度」找資料的檢索層
過去 6 年 AI 巨變,3 個月就要重學一次——這是 baseline timeline
從 SEO 到 AEO,從給人看的網頁到給 agent 讀的 corpus — 為什麼矽基前沿 day 1 就為 AI agent 設計內容
工程師圈每三個月吵一次的「該用哪個 AI IDE」,2026 年版本怎麼選
三家頂級 AI 在 2026 年的真實差異——以及對台灣使用者的實際選擇
OpenAI 做瀏覽器與 agent,Google 把 Gemini 放進 Search / Chrome / Android,Anthropic 押 IDE;AI 巨頭爭的不是一次回答,是下一次使用者先打開哪裡。
09:00、一篇長文、今日 AI 最重要的那件事
矽基前沿怎麼設計人 + agent 的工作流
一個流行敘事正在限制台灣 AI 圈的想像 — 「我們只有半導體,軟體沒機會」。我認為這個敘事是錯的,而且很危險。
為什麼你的 OpenAI 帳單不是按字算,你的 Claude context 也不是按字算
把 chatbot、workflow、agent 分清楚,才能判斷哪些 AI 應用真的能進工作流
聊到第 30 輪 ChatGPT 忘了第一句、塞 100 頁 PDF 給 Claude 它只讀前 30 頁——這不是 bug
RAG、推薦系統、語意搜尋全靠它。但繁中 embedding 有特殊的坑
「我們公司也要 fine-tune 自己的模型」是台灣企業最常問的問題。九成的時候,答案是不該
AI 幻覺不是 bug,是 LLM 的設計副作用。理解原因,才知道怎麼防
你問 ChatGPT 上週的新聞,它說它不知道。這不是 bug,是 cutoff
理解 next-token prediction 一件事,所有 AI 的能力與限制都會 make sense
為什麼 Anthropic 主導的這個小協定,可能決定 agent 能不能離開 demo 進入生產
不是把不同模型串起來,而是同一個模型在同個空間理解多種訊號
Llama 70B 原版要 140GB GPU,4-bit 量化後 35GB——MacBook M4 也能跑。代價是什麼?
為什麼幾乎每家企業導入 AI 都會撞上這三個英文字,以及它跟「fine-tuning」、「MCP」差在哪
從 o1 到 Claude thinking、DeepSeek R1——同一個 LLM,讓它在輸出前先寫草稿,正確率大幅上升
沒有符合條件的文章。
1 / 22