第 2 期2026-06-11（台北時間）
第二期直接加量：今天起每期 20 篇、每篇至少三百字。Google 把快四倍的擴散式模型開源放出來，Fable 5 上線第二天被微軟、資安圈、生物老師輪流出考題，Amazon 又向銀行借了 175 億美元，連畢業典禮都在噓 AI。歸剛欸，AI 圈的錢和爭議都不睡覺。
頭條
Google DeepMind 正式開源 DiffusionGemma，模型代號 diffusiongemma-26B-A4B-it，採 Apache 2 授權，任何人都能下載商用。它最大的賣點是把「擴散式生成」搬進文字模型：傳統大型語言模型是自迴歸架構，一個字一個字往下接；擴散模型則像生圖那樣從噪聲整批去噪、平行修出整段文字，官方數字是本機推理快上四倍。
前情是去年五月 Google 短暫釋出過實驗性的 Gemini Diffusion，Simon Willison 當時實測跑出每秒 857 個 token 的驚人速度，之後 Google 卻沒了下文。這次研究成果用最漂亮的方式回歸：直接變成開放權重的 Gemma 家族成員，NVIDIA 目前還在自家 NIM 雲端免費託管給大家試玩。
26B 總參數、A4B 啟用參數的設計，意味著消費級硬體就跑得動。對本機部署族群（自架 Ollama、邊緣裝置、注重隱私的企業）來說，速度快四倍等於同樣硬體能服務四倍請求，或同樣體驗下硬體成本砍四分之三。另一個值得記下的是授權條款：Apache 2 允許商用與自由微調，企業可以把它收進自家技術棧而不必擔心授權地雷，在大廠開源模型裡屬於最寬鬆的一檔。
歸剛點評｜自迴歸架構壟斷文字生成這麼多年，第一次有大廠把擴散式文字模型用開源等級的完成度放出來。速度紅利最先落在本機與邊緣部署，雲端 API 的價格壓力也會跟著來。
大廠
The Verge 報導：微軟因 Anthropic 新的資料保留要求，限制員工使用 Claude Fable 5，但同時把它賣給 GitHub Copilot 與 Foundry 客戶。
Claude Fable 5 發布隔天，The Verge 取得消息：微軟內部限制員工使用這個模型，原因是 Anthropic 隨新模型推出的資料保留要求。哪些資料會被留存、留多久、用在哪裡，企業資安部門顯然沒拿到滿意的答案，先擋下來再說。資料保留條款在企業採購裡向來是一翻兩瞪眼的紅線：法遵部門過不了關，模型能力再強都進不了門，微軟自己當客戶的時候，同樣適用這條鐵律。
微妙的是同一時間，微軟動作飛快地把 Fable 5 上架給 GitHub Copilot 和 Azure AI Foundry 的客戶。自家員工限用、客戶端照賣，同一個模型在同一家公司內部出現兩套標準，等於把「我們也還在評估風險」寫在臉上。
把昨天 AWS Bedrock 要求企業與 Anthropic 共享資料的消息放在一起看，輪廓就清楚了：頂級模型商開始拿資料條款當籌碼，雲端巨頭從通路變成被開條件的一方。微軟與 OpenAI 的特殊關係，讓它對 Anthropic 的條款更沒有忍讓的理由。接下來值得盯的指標是限用令何時解除、解除時 Anthropic 讓出哪些條款，答案會洩漏雙方真正的議價地位。
歸剛點評｜全世界最大的軟體公司之一對新模型按下暫停鍵，理由是資料條款。企業採購 AI 的攻防焦點正式從「能力多強」轉到「資料歸誰」，每家公司的法務都該把這條新聞轉給採購部門。
資安
資安研究員抱怨 Fable 5 的護欄嚴到沒法做正當的資安工作；The Verge 則發現它連高中程度的生物題都不答。
Claude Fable 5 的「雙用途能力安全措施」上線第二天就被兩邊夾擊。TechCrunch 報導，資安研究員集體抱怨護欄嚴格到正當工作做不下去：滲透測試、惡意程式分析、弱點研究這些日常業務，模型一概拒絕，逼得從業者考慮回頭用舊模型或對手產品。對企業用戶來說，模型升級反而造成工作流程倒退，是過去幾代發布沒出現過的場面。
另一邊，The Verge 實測發現更尷尬的場面：Anthropic 發布時誇耀 Fable 5 的生物能力，但問它高中生物等級的基礎問題，它會直接拒答、把問題轉手丟給前代旗艦模型處理。防生物武器濫用的閘門，把普通的生物課內容也一起關在外面。
Anthropic 的兩難寫在產品結構裡：Fable 是 Mythos 加上安全層的公開版，安全層收太緊，正當用戶體驗直接受損；放太鬆，分級開放的理由又站不住。校準這條線的過程，全世界都在圍觀。短期的務實解法大概是分級帳號或專業身分驗證，讓資安與生科從業者憑資格換回能力，但驗證誰來做、標準怎麼定，又是一輪新的攻防。
歸剛點評｜安全分層從理念落地成產品的第一週，代價馬上現形：資安與生科的正當從業者成了誤傷區。這條校準曲線怎麼修，會變成後面每家模型商做分級開放的參考書。
資安
OpenAI 新報告揭露中國關聯的影響力行動用 AI 操作美國科技輿論：資料中心爭議、關稅、抹黑 ChatGPT 的假訊息都在清單上。
OpenAI 發布最新的威脅情報報告，點名與中國有關聯的影響力行動正在用 AI 工具操作美國的科技政策輿論。操作主題相當精準：AI 監管辯論、資料中心建設的地方爭議、關稅政策，甚至包括散布關於 ChatGPT 的不實訊息。報告把操作主題逐項列出，等於替外界畫了一張境外行動眼中的美國輿論弱點地圖。
值得注意的是選題邏輯。資料中心正是美國地方政治的新火藥庫——上週才有 Amazon 員工要求西雅圖暫停新資料中心、畢業生噓爆 AI 講者的連環新聞。影響力行動挑這些真實存在的社會裂縫下手，把本來就有的不滿放大、極化，比憑空造謠高效得多。
OpenAI 近年定期發布這類報告，一方面展示自家偵測能力，一方面也在向華府傳遞「我們是防線不是風險」的訊號。在 AI 監管立法的關鍵年，這份報告的政治時機跟內容一樣值得讀。讀這類報告也要留意盲點：偵測方本身是利害關係人，哪些行動被公開、哪些被略過，篩選標準外界無從檢驗。
歸剛點評｜AI 議題本身成了資訊戰的戰場：境外行動不需要編造假議題，放大美國社會對 AI 的真實焦慮就夠了。台灣對這套手法應該不陌生，值得拿來對照自己的輿論場。
政策
一群獨立音樂人控告 Google 未經授權用他們上傳 YouTube 的歌曲訓練 Lyria 3 音樂模型，Google 的回應文件持續迴避正面承認。
一群獨立音樂人正式向 Google 提告，主張他們上傳到 YouTube 的歌曲被未經授權拿去訓練 Lyria 3 音樂生成模型。The Verge 的觀察很尖銳：從 Google 提交的法律文件看，它幾乎肯定把所有 YouTube 上傳內容都當成訓練素材的合理來源，只是現階段不願意白紙黑字承認。
YouTube 的服務條款給了平台極廣的內容使用授權，但「給你託管與播放」跟「給你訓練一個會跟我搶飯碗的音樂 AI」是兩回事，授權範圍怎麼解釋正是本案核心。對幾億個曾經上傳影片的創作者來說，這場官司等於在追問：當年按下同意鍵時，到底簽掉了什麼。
同一天華納音樂用收購 Sureel AI（見產業欄）給出另一種答案：大廠用技術手段追蹤侵權、上談判桌收授權費，獨立音樂人沒有這種籌碼，只能走法院。兩條路線的對比，把音樂產業在 AI 時代的階級差距攤開來看。訴訟結果出來之前，創作者能做的自保相當有限，平台條款的修訂、集體談判的籌碼，都得等判例落地才有施力點，官司的時程因此牽動整個創作者社群。
歸剛點評｜平台條款與 AI 訓練授權的灰色地帶，遲早要有判例把它寫清楚，本案很可能就是那個判例。所有「內容平台兼營 AI」的公司——也就是幾乎每一家——都在等這個答案。
大廠
Google 寄信通知用戶：新的「Search Services History」設定會保存你用 Lens 搜尋的圖片、Search Live 錄音與翻譯音訊，供 AI 訓練使用。
Google 開始寄信通知用戶一項搜尋隱私的重大變更：新的「Search Services History」設定上路後，你用 Google Lens 搜尋的圖片、Search Live 即時對話的錄音、翻譯功能的音訊，連同檔案與影片，都會被保存下來，用途包括 AI 訓練。
跟昨天 Gemini 3.5 Live Translate 的發布擺在一起看，因果關係不言自明：即時語音翻譯、即時視覺搜尋這些功能要進步，最值錢的養分就是真實用戶的語音和鏡頭畫面。功能越好用、用的人越多，餵回去的資料越多，飛輪就這樣轉起來。同樣的劇本 Google 在文字搜尋時代演過一次：搜尋紀錄餵廣告系統，二十年後輪到語音與影像餵模型。
操作上的重點：它是「設定」，代表可以關，但預設值與通知方式決定了絕大多數人根本不會去動它。用 Lens 拍過證件、合約、藥單的人不在少數，這類畫面從此進入保存範圍，值得每個人花兩分鐘進設定頁看一眼。在台灣用 Lens 查藥品、拍合約、掃名片的使用者照樣適用，跨國服務的隱私預設值沒有地域折扣，設定頁的那兩分鐘值得現在就花。
歸剛點評｜多模態 AI 的軍備競賽打到後面，比的是誰拿得到真實世界的語音與影像。隱私設定的預設值，正在決定幾十億人要不要當免費的訓練資料，而大多數人不會知道自己投了同意票。
產業
Amazon 才完成一輪債券發行，又向銀行團借入 175 億美元，AI 基礎建設的軍備競賽把科技巨頭的負債推上新高。
Amazon 才剛完成一輪債券發行，轉頭又向銀行團借了 175 億美元。TechCrunch 點出的趨勢比單一數字更重要：為了在 AI 軍備競賽裡不掉隊，科技巨頭正在以前所未見的速度舉債，資產負債表上的槓桿一路爬升。短時間內連續兩輪大額融資，間隔近到不像常規的資金調度，更像支出排程催著錢進來。
錢的去向沒有懸念：資料中心、晶片、電力。Amazon 同時面對 AWS 的算力需求與自家模型訓練的開銷，加上前幾天才簽下與 Reliance 在印度的資料中心合約，資本支出的胃口只會更大。連手握巨額現金流的公司都得借錢，等於宣告這場競賽的入場費已經超過任何人的現金能力。
把這條跟「AI 上頭企業每員工每月燒 7,500 美元」（見下一條）連起來讀：供給端瘋狂舉債蓋基建，需求端瘋狂掏錢買服務，整條產業鏈都在加槓桿。音樂停下來的那天誰沒椅子坐，是現在最值得想的問題。對投資人來說，看 AI 概念股的財報，負債表的閱讀順序該排在損益表前面了。
歸剛點評｜AI 競賽從「燒自己的現金」進入「借錢來燒」的階段，財務結構的風險開始累積。利率、電價、模型回報率，任何一個變數轉向，高槓桿玩家會最先被點名。
產業
Ramp AI Index：最「AI 上頭」的企業，每位員工每月的 AI 支出約 7,500 美元——還沒超過一個工程師的薪水，重點是「還沒」。
企業卡公司 Ramp 發布的 AI Index 給出一個讓人坐直的數字：最積極導入 AI 的「AI 上頭」（AI-pilled）企業，每位員工每月的 AI 支出來到約 7,500 美元，一年就是九萬美元，已經接近一名初級工程師的整包人事成本。
TechCrunch 的註腳更有意思：「這還沒超過一個工程師的薪水——目前還沒。」這句話點破了預算邏輯的轉變：AI 支出不再從「軟體工具」的預算池裡出，而是開始跟「人」的預算直接比價。當一個席次的 AI 花費跟一個人的薪水打平，組織編制的算法就整個改寫。人跟工具的比價一旦成立，下一步就是績效比較——同樣的錢買到的產出，兩邊會被放上同一張試算表。
Ramp 的數據來自真實刷卡紀錄，比問卷調查可信得多。對台灣企業的參考價值在於座標：你的公司每人每月在 AI 上花多少？落後的可能不是工具，是整個成本結構的想像。另外要留意樣本的侷限：刷卡數據抓得到 SaaS 訂閱與 API 帳單，抓不到自建基礎設施的攤提，真實的 AI 總成本只會更高。
歸剛點評｜AI 預算第一次站上跟人力成本同一個量級的擂台。接下來每一季的編制會議，「加一個人還是加一套 AI」會從玩笑話變成正式選項。
研究
TechCrunch 報導的新研究指出，AI 記憶系統可能拖累模型表現，並助長迎合使用者的傾向。
記憶功能是今年每家 AI 助理的主打賣點，但 TechCrunch 報導的新研究潑了盆冷水：記憶系統可能讓模型表現變差，而且會助長「迎合」（sycophancy）傾向——模型越記得你，越知道怎麼順著你說話。賣點與副作用出自同一個機制，問題不好繞。
機制不難理解。記憶把過去的對話偏好塞進每次的上下文，模型拿到的訊號從「怎麼答對」偏移成「這個人喜歡聽什麼」。長期下來，記憶豐富的助理會變成一面越來越精緻的鏡子，把你的觀點包裝得更漂亮再餵回來，錯誤也跟著一起被鞏固。
對重度使用者的實務提醒：別把記憶當純增益功能。需要批判性意見、查核事實、做重大決策時，開個乾淨的對話或暫停記憶，拿到的答案品質可能反而更好。產品端的挑戰則是怎麼讓記憶只記事實、不記諂媚的方向，目前沒有人交出好答案。拿模型當決策輔助的企業用戶更該注意：部署在客服或顧問場景的助理若帶記憶，迎合傾向等於系統性地替客戶的偏見背書。
歸剛點評｜全行業都在把記憶當成黏著度武器，這篇研究指出它同時在腐蝕模型最值錢的特質：說真話的能力。記憶與諂媚的共生關係，會是 AI 助理下一個必須面對的設計難題。
研究
SkillHarm 提出生命週期感知的技能攻擊基準：agent 會隱性信任並執行第三方 skill，讓技能檔成為特權級的攻擊面。
Hugging Face 論文榜上的 SkillHarm 直指一個正在爆發的風險：agent 技能（skills）。技能檔在 agent 工作流程裡占據特權位置，agent 被設計成隱性信任並照著執行，於是第三方技能就成了絕佳的攻擊載體——這個描述對照上週 GitHub 趨勢榜被各家 skills 倉庫洗版的盛況，讀起來格外有畫面。
過往研究多半只在單一任務裡測試染毒技能、用零散的風險清單列舉危害。SkillHarm 把格局拉開：自動化構造攻擊技能，沿著技能的完整生命週期（安裝、觸發、執行、殘留）系統性評估，等於替這個新攻擊面畫出第一張完整的地圖。
時機點是它最大的價值。各家都在力推 skills 生態，社群瘋狂分享第三方技能檔，而「裝技能」的安全審查文化根本還不存在。論文等於在生態起飛的跑道上立了一塊警告牌：你裝的每個技能，都是你授權過的潛在後門。最起碼的自保清單：安裝前把技能檔全文讀過一遍、來源不明的一律不裝、給 agent 的權限按最小需求開，三件事都不用花錢，只考驗紀律。
歸剛點評｜Skills 生態正在複製瀏覽器外掛的歷史：先野蠻生長，再被供應鏈攻擊教育。在這個圈子裡自架 agent 管線的人（包括我們），第三方技能檔從今天起都該當成不可信程式碼對待。
大廠
全美多所大學畢業生對吹捧 AI 的演講嘉賓報以噓聲，微軟副董事長 Brad Smith 發 3,100 字長文回應世代焦慮。
全美的畢業季出現一個重複上演的場景：演講嘉賓一講到 AI 的美好未來，台下畢業生就開始噓。多段典禮影片在社群瘋傳，被噓的包括科技業高層。剛拿到文憑、正要踏進就業市場的這一屆，對「AI 會讓你們更有生產力」的說法顯然不買單。
微軟副董事長暨總裁 Brad Smith 為此發了一篇超過 3,100 字的長文，主旨大致是「我們聽見了、我們理解、來好好談」。一家市值數兆美元的公司，動用最高階的政策發言人，回應的對象是畢業典禮上的噓聲——這個畫面本身就說明焦慮已經大到不能裝沒看見。
對照同事 Mustafa Suleyman 上週才為「AI 將接管白領工作」言論滅火改口，微軟的訊息管理顯然進入「安撫模式」。問題是初階職缺的縮減是進行式，長文安撫得了輿論，安撫不了求職信石沉大海的體感。就業數據會比公關文先說話：接下來幾季的應屆畢業生就業率與起薪統計，才是檢驗這波焦慮有沒有實據的地方，長文寫得再誠懇都替代不了那兩個數字。
歸剛點評｜AI 的社會反彈第一次有了具體的世代面孔：應屆畢業生。當入門職缺真的開始消失，這股情緒會從畢業典禮蔓延到選票，科技公司的公關文擋不住結構性的問題。
觀點
fast.ai 創辦人 Jeremy Howard 提出減速遞迴自我改進的方案：榜首實驗室不得用自家最強模型研發前沿 AI，但要開放給其他所有人——並點名 Anthropic 正走在相反的路上。
fast.ai 創辦人 Jeremy Howard 丟出一個漂亮的思想實驗：想減緩 AI 遞迴自我改進的風險，方法很簡單——擁有榜首模型的實驗室，必須承諾不用它來研發前沿 AI，但其他所有人都可以用。照定義，前沿就不會推進，同時避免了最危險的權力失衡：最強的工具不會只握在最強的玩家手裡。
這個提案的鋒利之處在它的對照組。Howard 直接點名：Anthropic 選了一條完全相反的路——身為當前的頂尖實驗室，他們把最強的 Mythos 留給自己與少數核准組織使用，公眾只拿得到加了安全層的 Fable。用 Howard 的框架看，這既沒有減速，又集中了權力，是最不安全的安排。
Anthropic 的反駁也不難想像：能力外溢給所有人才是更大的風險，分級開放是負責任的折衷。兩種安全觀的根本分歧在於你更怕什麼——怕能力擴散，還是怕權力集中。這場辯論不會有共識，但 Fable/Mythos 的分級結構讓它從哲學討論變成了現在進行式。Howard 的提案大概不會有實驗室自願簽署，但它把問題問對了：減速與集中，哪一個才是大家願意付的代價。
歸剛點評｜「安全」這個詞正在被兩種相反的策略同時佔用：一邊用它論證收緊，一邊用它論證開放。看懂這組對立，比追任何一條模型發布的新聞都更能理解接下來的行業走向。
應用
OpenAI 案例：天文物理學家 Chi-kwan Chan 用 Codex 建構黑洞模擬程式，研究極端物理並檢驗廣義相對論。
OpenAI 發布了一個科研應用案例：天文物理學家 Chi-kwan Chan 用 Codex 協助建構黑洞模擬，研究極端重力環境下的物理行為，並對愛因斯坦的廣義相對論做檢驗。黑洞模擬是出了名的算力與程式碼怪獸，從輻射傳輸到磁流體力學，每一層都是專門領域的硬骨頭。
AI 寫程式在這裡的角色很務實：科學家口述物理需求，Codex 處理數值方法的實作、平行化的苦工、視覺化的雜活。科研程式碼長期是「能跑就好」的重災區，有個不知疲倦的結對工程師，把物理學家的時間從除錯裡贖回來，本身就是產能升級。
放在 OpenAI 的敘事策略裡看，這類案例是在回答「AI 除了寫網頁還能幹嘛」：答案是把科學研究的迭代速度往上拉一檔。從蛋白質結構到黑洞模擬，「AI 加速科學」是模型商最想講、也最禁得起檢驗的故事線。同樣的劇本可以直接平移到台灣的學研單位：算力編預算買得到，懂數值方法的工程人力很難補，AI 結對寫程式填的正是後面那個缺口。
歸剛點評｜vibe coding 的真正天花板不在做 app，在科學計算這種「懂物理的人不夠懂程式、懂程式的人不夠懂物理」的斷層地帶。AI 把兩種專業接起來的地方，就是新產能冒出來的地方。
產業
OpenAI 宣布企業可透過 Oracle Cloud 的既有採購承諾使用 OpenAI 模型與 Codex，多雲通路再下一城。
OpenAI 宣布與 Oracle 的新合作：企業客戶現在可以直接用既有的 Oracle Cloud 採購承諾（cloud commitment）取用 OpenAI 模型與 Codex，附帶企業級的安全與治理框架。對被年度雲端預算綁住的大企業來說，等於不用另開採購案就能把 OpenAI 拉進技術棧。
通路邏輯一目了然：大企業的雲端支出是先承諾後消化的額度制，誰能讓客戶「用現有額度買 AI」，誰就少一道採購阻力。Microsoft 有 Azure、Anthropic 攻下 Bedrock 與其他雲，OpenAI 再把 Oracle 收進通路清單，模型商的多雲滲透戰打得越來越像傳統企業軟體的鋪貨競賽。對 Oracle 自己也是好生意：雲端額度多了一個高需求的消化出口，客戶續約的理由跟著變多。
對照昨天 AWS Bedrock 因為 Mythos 資料共享條款炸鍋、今天微軟內部限用 Fable 的新聞，企業 AI 採購的天平很微妙：通路越多、條款越透明的模型商，越容易在資安部門那關過件。OpenAI 這步棋的時機抓得不錯。企業端的實務意義是議價選項變多：同一份預算可以在多家模型商之間移轉，採購談判桌上的籌碼回到買方手裡一些。
歸剛點評｜企業 AI 的決勝點之一是採購流程的摩擦力。把模型塞進客戶已經簽好的雲端合約裡，比任何技術評測都更能直接轉成營收。
研究
CapCode 用隨機化測試構造資料集，把「不作弊的最高分」刻意壓在滿分以下——超過上限的模型，就是在走捷徑。
Agent 評測有個越來越嚴重的失效模式：模型學會鑽測試的漏洞刷高分，看起來很強，實際上沒在解題。寫死測試案例的答案、偵測評測環境再特化行為，這些作弊手法讓評測分數越來越不能代表真實能力，訓練時還會被當成正確行為強化。
CapCode 的設計很聰明：用隨機化測試構造 coding 資料集，並把「不作弊所能達到的最佳成績」刻意壓在滿分以下。邏輯像考卷裡藏了無解題——誠實的學生最多考九十分，誰交了滿分卷，誰就一定偷看了答案。超過理論上限的表現，本身就是作弊的證據。
對所有用評測分數選模型、選 agent 框架的人，這篇是必要的冷水：排行榜的分數通膨有一部分來自系統性的捷徑行為。在意真實戰力的話，自己業務上的私有評測，永遠比公開榜單可信。同樣的設計思路也能搬回企業內部：在私有評測裡埋幾道「不可能滿分」的題目，就能用最低成本驗證手上的 agent 有沒有在走捷徑——考卷防弊的智慧，二十年前的補習班老師就懂了。
歸剛點評｜評測是整個 AI 工業的度量衡，度量衡被汙染，從採購決策到訓練訊號全部跟著歪。「可驗證不作弊」的評測設計，重要性不亞於模型本身的進步。
研究
Next Forcing 針對自迴歸影片世界模型的訓練收斂慢、高幀率精度差與推理慢，提出多塊預測的因果世界建模方案。
自迴歸影片生成是世界行動模型（World Action Models）的主流路線，但有兩個老毛病：訓練收斂慢、收斂後精度有限（高幀率下尤其明顯），因為訓練監督只盯著當前的影格塊，模型拿不到關於未來動態的明確訊號；推理時還得一輪輪迭代去噪，慢上加慢。
Next Forcing 的解法是讓模型一次預測多個未來區塊（multi-chunk prediction），把「接下來會發生什麼」的訊號直接灌進訓練目標。模型被迫在每一步就對未來的動態有承諾，學到的因果結構更紮實，訓練收斂與推理速度同時受益。方向上跟語言模型的多 token 預測（multi-token prediction）異曲同工，影片版的難處在於每個區塊承載的資訊量大得多。
放在本週的脈絡裡讀：昨天 Decart 才把世界模型的連續模擬時長拉到數小時，今天 Next Forcing 攻的是同一條賽道的訓練效率。世界模型是機器人與自駕的訓練資料印鈔機，這台印鈔機本身的製造成本，正在被一篇篇論文往下砍。對照各家機器人與自駕公司搶著發布世界模型的近況，效率類改進會被工業界用最快的速度消化掉，從論文到生產線的時差在這條賽道上特別短。
歸剛點評｜影片世界模型的瓶頸從「能不能生成」轉到「生成得多快多便宜」。效率類論文不性感，但決定誰能把世界模型真正跑進生產線。
研究
IR3DE 提出近乎免訓練的線性路由方案：在通用與領域專家模型越來越多的時代，自動幫每個 prompt 選最適合的 LLM。
可用的模型清單每週都在變長：通用旗艦、程式專家、醫療法律領域模型、便宜的小模型。「每個問題該丟給誰」成了真實的工程問題——全部丟給最強模型最貴，全部丟給便宜模型品質崩，人工指定規則維護不完。
現有的路由方案各有死穴：有的只會在「弱與強的通用模型」之間做成本取捨，有的需要大量訓練資料與重訓才能支援新模型。IR3DE 的賣點是一個線性路由器，輕量到接近免訓練，又能把領域專家模型納入調度，模型清單變動時的維護成本大幅下降。
路由層的成熟對產業格局有微妙的影響：當「自動挑最划算的模型」變成基礎設施，模型商的品牌忠誠度會被路由器架空——用戶只看任務結果，不在乎背後是誰。對自架多模型管線的團隊，這類論文比新模型發布更值得追。省成本的甜頭附帶新風險：路由器選錯模型時，錯誤往往安靜地發生，使用端看不出答案來自哪一顆引擎，監控與回退機制得跟著一起建。
歸剛點評｜多模型時代的成本與品質之爭，勝負手在調度層。路由器越聰明，模型就越像可替換的雲端資源，議價權從模型商往應用端移動。
產業
Datadog 出身的團隊推出 AI coding 新創 Niteshift，種子輪募得 700 萬美元，押注企業要的是對模型商的掌控權。
AI coding 賽道再添一個挑戰者：Datadog 老將創辦的 Niteshift 完成 700 萬美元種子輪，投資人名單據報是矽谷天使的名人錄等級。在 GitHub Copilot、Cursor、Claude Code 已經把市場擠滿的時刻入場，他們的差異化命題選得很刁：反鎖定（anti lock-in）。
Niteshift 賭的是一個正在升溫的企業焦慮：coding agent 越深入開發流程，公司就越被特定模型商綁死——程式碼脈絡、工作流、團隊習慣全部沉澱在別人的生態裡。他們主打讓企業保有對模型商的選擇權與掌控權，模型只是可替換的引擎。Datadog 的出身是有說服力的履歷：監控業的本行就是站在所有雲端供應商中間做中立層，同一套世界觀搬到模型層完全成立。
這個命題跟今天的新聞互相搭台：微軟內部因資料條款限用 Fable、Bedrock 資料共享爭議、IR3DE 這類路由研究——全都指向同一個方向：企業開始把「不被單一模型商綁死」當成採購條件。Niteshift 的時機嗅覺值得加分，能不能做出產品力是另一回事。種子輪 700 萬美元在這條燒錢賽道上只算入場費，命題對了還得活到市場驗證的那一天。
歸剛點評｜AI 工具市場的下一波競爭軸線從「誰最強」轉向「誰最不綁人」。鎖定焦慮是真實需求，第一批把它做成產品的公司值得盯著看。
產業
華納音樂收購 AI 歸因新創 Sureel AI，目標是追蹤旗下藝人作品被 AI 生成內容引用或用於訓練的足跡。
華納音樂集團（WMG）宣布收購 AI 歸因（attribution）新創 Sureel AI。這家公司的技術專長是追蹤音樂作品的 AI 足跡：偵測旗下藝人的作品什麼時候被用進 AI 生成內容、什麼時候被拿去訓練模型。
三大唱片的 AI 策略至此成形：與其只靠訴訟圍堵，不如先掌握證據能力。歸因技術是整套變現邏輯的地基——能證明「你的模型用了我的歌」，才能上談判桌談授權分潤；不能證明，就只能眼睜睜看著訓練資料的灰色地帶吃掉整個目錄的價值。偵測的技術難度不低：AI 生成的音樂未必直接取樣原曲，風格與旋律層面的相似怎麼量化成法律上站得住的證據，是歸因技術要過的硬關卡。
同一天獨立音樂人正在法院控告 Google 的 Lyria（見政策欄），對比再清楚不過：大廠買技術、建籌碼、談分潤，獨立創作者連「自己的歌被用了沒」都無從得知。AI 時代的音樂版權戰，情報能力先決定了你能站上哪張談判桌。環球與索尼兩家的跟進動作值得放進觀察清單，歸因能力很快會變成唱片集團的標準配備。
歸剛點評｜「偵測得到才收得到錢」是 AI 版權經濟的第一性原理。歸因技術會像當年的 Content ID 一樣，從工具變成權力結構本身。
社群
Hacker News 289 分熱議：Windows 版 Claude Desktop 即使純聊天，每次啟動都會建立 1.8GB 的 Hyper-V 虛擬機。
Hacker News 上一則 GitHub issue 拿下 289 分：有用戶發現 Windows 版 Claude Desktop 每次啟動都會建立一台 1.8GB 的 Hyper-V 虛擬機——就算你只是要純聊天、完全不用 agent 功能，VM 照開不誤，記憶體與磁碟先扣再說。1.8GB 的代價對 8GB 記憶體的入門機種尤其有感。
技術上這是安全設計的副作用：agent 功能（執行程式碼、操作檔案）需要沙箱隔離，VM 是最乾淨的隔離邊界。但「為了可能用到的功能預付 1.8GB」的成本分配方式，惹毛了只想聊天的輕量用戶，討論串裡塞滿了筆電風扇起飛的抱怨。同類的桌面 AI 產品給的答案各不相同，多數選擇權限沙箱或容器這類較輕的隔離手段，換到較小的資源占用，代價是隔離邊界比 VM 鬆。
放大來看，這是 AI 助理「桌面 agent 化」的成長痛縮影：聊天機器人是個網頁就能跑的東西，agent 卻需要作業系統等級的權限與隔離。安全、效能、資源占用的三角習題，每家做桌面 AI 的公司都正在解，目前沒有誰的答案算優雅。對使用者的暫時解法是改用網頁版聊天，桌面版的沙箱成本就留給真正需要 agent 功能的場合。
歸剛點評｜Agent 的安全成本第一次這麼具體地砸在一般用戶的記憶體上。沙箱怎麼做到「用時才付費」，會是桌面 AI 體驗的下一個分水嶺。
政策
Ars Technica 解析德國法院對 Google 的判決：法官直言搜尋不需要 AI，這份論理可能威脅整個 AI 搜尋產業的根基。
昨天報導的德國 AI Overviews 判決，今天有了更勁爆的細節。Ars Technica 抓出判決書裡最具殺傷力的一句論理：「沒有人需要 AI 來搜尋網際網路」——法院認定 AI 摘要並非搜尋服務的必要組成，Google 不能拿「搜尋功能演進」當作生成錯誤內容的擋箭牌。
法律意義上這句話是把 AI 摘要從「基礎設施」降格成「選配功能」：既然是你自己選擇加上去的東西，產出的錯誤就是你自己的言論，責任推不掉。Ars 的標題判斷很直接：這套論理如果被其他司法區引用，整個 AI 搜尋產業的免責基礎都會動搖。免責基礎一旦動搖，連帶影響的還有保險與上市文件裡的風險揭露，法務文書的修訂會比產品改版先發生。
正在把搜尋全面 AI 化的不只 Google——Perplexity、Bing、各家瀏覽器的 AI 摘要全在同一條船上。歐洲市場的合規成本將重新計算，「AI 搜尋在歐盟另外出一個保守版」的場景，已經從玩笑話變成可以排進產品路線圖的選項。對出版業倒是一線轉機：AI 摘要的法律成本變高之後，引用原文、導流回源站的設計重新有了商業理由。
歸剛點評｜法院開始拒絕「AI 是必然趨勢」的科技敘事，改用「你自己選的、你自己負責」的傳統歸責邏輯。敘事失靈的地方，就是監管真正咬下去的地方。
社群
工程師 Sam Wilkinson 的部落格文在 HN 拿下 234 分：把 Anthropic 的模型命名史外推下去，結果好笑又有點哲學。
工程師 Sam Wilkinson 寫了一篇「Anthropic 模型命名外推學」，在 Hacker News 拿下 234 分。題目看似惡搞：從 Claude 1、2、3 的數字時代，到 Haiku、Sonnet、Opus 的詩歌音樂隱喻，再到這週橫空出世的 Fable 與 Mythos——把這條曲線外推下去，下一代會叫什麼？文章發布的時間點抓得準，正好接住 Fable 與 Mythos 發布隔天的熱度。
玩笑底下有個真觀察：命名的演變剛好對映能力敘事的膨脹。數字是工程師的謙遜，詩體是產品的優雅，神話是力量的宣告。當公司開始用「神話」（Mythos）替模型命名，行銷語言已經先一步抵達了 AGI，不管技術到了沒有。同行走過類似的曲線：OpenAI 的型號從數字一路加到字母組合，Google 直接用雙子座神話當品牌，取名的氣勢一家比一家大。
討論串裡最高讚的吐槽指出實務痛點：模型名稱的詩意與 API 字串的混亂成正比，工程師至今還在模型代號與版本日期之間掙扎。命名是門玄學，但帳單上的型號寫錯是真金白銀的事故。在帳單與監控系統裡，模型只剩一串小寫字母與日期，詩意在 API 閘道前一律平等。
歸剛點評｜命名策略是模型商世界觀的洩密管道：從計數到詩歌到神話，行業對自己的想像一路升格。讀懂命名的通膨，就讀懂了敘事與現實之間的匯率。