第 10 期2026-06-19（台北時間）
第十期，今天 AI 一邊走進醫院救孩子，一邊在搶電、搶人、搶話語權。五條主線整理如下。
- AI 走進醫院：OpenAI 的 o3 替波士頓兒童醫院 18 個查不出病因的孩子找到診斷，登上 NEJM AI，院方累計已解開 40 多件懸案。同一天它又把 ChatGPT 的健康回答找醫師重新校準，半夜問 AI 健康問題拿到的會更像衛教窗口。
- 開源大爆發：中國 Z.ai 用 MIT 授權釋出可能最強的純文字開源模型 GLM-5.2，Lightricks 也開源了能生影片配音的 LTX-2。兩者正好接住第九期『海外閉源模型隨時可能被斷線』的警鐘，給想自己抱回機房的團隊一條後路。
- 資本還在燒：推理服務 Baseten 傳募 15 億美元、估值 130 億，世界模型新星 General Intuition 傳募 3 億。熱錢同時押基礎設施與前沿應用，賭的是 AI 用量只增不減。
- 政治全面開打：FERC 幫資料中心開搶電快速通道，Sanders 提 7 兆基金要大廠交半數股票給全民，Amazon 員工因反對蓋資料中心面臨解雇。算力擴張的代價，電、土地、社區安寧都有人在承擔。
- 一條離家很近：中國壓力下，台灣正擴大造無人機，自用之外連美軍的單都想接。AI 自主系統成了國防與製造的交會點，也是少數能把地緣風險轉成訂單的方向。
頭條
波士頓兒童醫院的遺傳科醫師手上，有一批拖了好幾年都查不出原因的孩子。6 月 18 日刊在 NEJM AI 的研究說明，團隊把 376 件這樣的未解病例丟給 OpenAI 的 o3 Deep Research 模型重新跑一遍，最後替其中 18 個孩子找到了確切的診斷，分布在神經發育、神經肌肉、不明原因猝死與早發性精神病等幾類疾病。這些都是先前一線醫師與專科團隊看過、卻沒能定案的案子。
模型做的事，是把每個孩子的臨床表現、基因定序找到的變異，和全世界已發表的醫學文獻三邊兜在一起，提出「這個變異可能對應哪一種罕病」的假設清單，再交回給醫師判讀。罕病難就難在，關鍵線索常常散落在一篇冷門論文裡，資料其實不缺，缺的是時間——忙碌的醫師沒辦法讀遍所有文獻。AI 一次把這些線索掃過、列出可能性，等於替醫師把大海撈針的前段做掉。
放大來看，波士頓兒童醫院說，AI 在更廣泛的使用裡已經幫他們解開 40 多件過去無解的罕病案例，省下大約 6 萬小時的工時，並把超過 700 萬美元的人力成本挪去做別的事。要強調的是，最後拍板的還是醫師，AI 給的是假設而非結論，錯誤的方向同樣會被列出來，需要人去刪去驗。
對台灣的家庭，這個方向值得關注。罕病確診常常是一場跑遍醫院、等上好幾年的長征，孩子拖著沒有名字的病。把 AI 當成「文獻假設產生器」接進臨床流程，不會取代醫師，但能把確診的時間從幾年壓到可以期待的範圍。誰先把這套流程接進健保體系與醫學中心，誰就能讓更多家庭早一點等到答案。
歸剛點評｜罕病確診常拖好幾年，AI 把「讀遍全世界文獻」這段苦工壓成幾分鐘，醫師再來判讀。它影響的是真實的孩子與家庭，也是少數能說清楚「AI 到底救了誰」的案例。台灣醫學中心該認真評估怎麼把這套接進來。
產品
OpenAI 推出 GPT-5.5 Instant，主打改善 ChatGPT 在健康與身心問題上的回答品質：更強的推理、更會看上下文、講得更白話，並請醫師參與評測。同一週 OpenAI 也端出罕病診斷研究，健康成了它的重點戰場。
OpenAI 6 月 18 日說明 GPT-5.5 Instant 在健康與身心領域做了哪些調整。重點放在三件事：回答前先把使用者的處境想清楚、用一般人聽得懂的話講、遇到該就醫的狀況會明確提醒去看醫生，而不是含糊帶過。為了確認改了之後真的有變好，OpenAI 找了醫師一起設計評測題目、打分數。
會特別強調這塊，是因為愈來愈多人把 ChatGPT 當成第一個問健康問題的地方。半夜身體不舒服、看完醫生有聽沒有懂、不知道某個檢查數字代表什麼，很多人會先丟給 AI。問題是健康問題答錯的代價很高，講得太篤定會誤導人、講得太保守又等於沒講，過去模型常在這兩端擺盪。
GPT-5.5 Instant 的做法，是讓模型先確認情況再回答，例如先問清楚症狀多久、有沒有其他狀況，再給對應的建議，並在該轉診時把話說明白。對台灣使用者，這代表深夜那個「要不要掛急診」的問題，得到的回應會更接近一個謹慎的衛教窗口，而不是一段安撫人心卻沒重點的話。
要提醒的是，再會講的 AI 也不是醫師，它沒看到你本人、摸不到你的身體、調不出你的病歷。把它當成查資料、整理問題、想清楚要問醫師什麼的助手很好用；真有狀況，該掛號還是得掛號。OpenAI 自己也把「明確提醒就醫」寫進這次的改動裡。
歸剛點評｜半夜身體不舒服先問 AI 已經是常態，OpenAI 把健康回答的品質當成正面戰場在打，還拉醫師進來評分。對天天用 ChatGPT 的台灣人，這直接關係到你問健康問題時拿到的是衛教還是空話。
開源
中國 AI 實驗室 Z.ai 先在 6 月 13 日把 GLM-5.2 給了付費寫程式用戶，6 月 16 日直接以 MIT 授權釋出完整開源權重。這是一個總參數約 7,530 億的 MoE 巨獸，檔案 1.51TB、支援百萬 token 上下文，被 Simon Willison 評為大概是目前最強的純文字開源模型。
Z.ai 這次分兩步走。6 月 13 日先把 GLM-5.2 開放給訂閱寫程式方案的用戶用，6 月 16 日再把完整權重以 MIT 授權公開，任何人都能下載、商用、改造。獨立評論者 Simon Willison 看過之後說，這大概是現在最強的純文字開源權重模型。
規格本身很嚇人：總參數約 7,530 億，採用混合專家（MoE）架構，每次推論只啟動其中一小部分，所以跑起來沒有總參數聽起來那麼重；完整檔案 1.51TB，支援百萬 token 的超長上下文。要注意它只吃文字，看圖的能力 Z.ai 另外放在 GLM-5V 系列，而那個系列目前沒有開源。
MIT 授權是這件事真正的重點。它幾乎沒有附加限制，企業可以下載回自己機房部署、接自己的資料、做商業產品，不必把資料送出去、也不用看別人臉色決定哪天斷線。對在意資料落地與成本的團隊，這種等級的開源權重等於把頂規模型的選擇權交回自己手上。
延續本站第九期講過的 Anthropic 因一道出口管制全球下線的案例，GLM-5.2 正好是另一端的答案：當閉源模型隨時可能因政治因素被關掉，一個能自己抱回家、授權又乾淨的強力開源模型，就是最實際的後路。台灣團隊值得認真測它在中文與程式任務上的表現，至少先養成可切換的架構習慣。
歸剛點評｜當閉源模型會因政治因素被斷線，一個 MIT 授權、能自己抱回機房的頂規開源模型就是真正的避險。GLM 出自中國實驗室，資料落地與信任要自己評估，但它把『不被單一供應商掐住』從口號變成可執行的選項。
產業
Amazon AI 主管 Peter DeSantis 向彭博證實，AWS 正在洽談把自研 AI 晶片 Trainium 賣給其他資料中心。源頭是執行長 Jassy 四月致股東信裡的盤算：若把晶片業務獨立出來、同時供應 AWS 與第三方，年營收規模上看 500 億美元。
過去 Amazon 的 Trainium 晶片主要自己用，撐自家雲端 AWS 的 AI 算力。Peter DeSantis 這次告訴彭博，公司正在和其他資料中心洽談直接把 Trainium 賣出去，目前還在很早的階段。這條線的源頭，是 Jassy 四月那封年度股東信裡寫的：自家晶片搶手到他開始認真想對外賣。
那個被反覆提到的 500 億美元怎麼來的？Jassy 的算法是，假設 Amazon 的晶片業務獨立成一家公司，把今年產出的晶片同時賣給 AWS 和外部第三方，年化營收大約就是這個量級。Amazon 手上其實藏了一門巨大的晶片生意，過去都被內部消化掉了。
真正的看點在 Nvidia。整個 AI 算力市場長年被 Nvidia 的 GPU 與 CUDA 生態綁住，買家苦於缺貨又貴。Amazon 若把 Trainium 拿出來外賣，等於在 Nvidia 的地盤旁邊開第二家店，給資料中心多一個選擇。Google 的 TPU、微軟的自研晶片也在走類似的路，雲端三巨頭都想擺脫對單一供應商的依賴。
對台灣的半導體與伺服器供應鏈，這是值得盯的訊號。雲端大廠自研晶片愈賣愈開，代工、封測、散熱、機櫃這些環節的訂單結構會跟著變。誰能同時接到 Nvidia 與這些自研晶片陣營的單，誰的位置就最穩；押錯邊則可能在下一波洗牌裡被邊緣化。
歸剛點評｜雲端大廠自研晶片從自用走向外賣，是在 Nvidia 的金礦旁邊開分店。對台灣供應鏈，這牽動代工、封測、散熱的訂單怎麼分配，押對陣營很重要。
產業
準備在第四季 IPO 的 OpenAI，一週內連挖兩名重量級人物：Transformer 共同發明人、Gemini 共同負責人 Noam Shazeer 從 Google DeepMind 跳槽，前川普政府 AI 政策官員 Dean Ball 也將於 7 月 6 日加入領導新團隊 Strategic Futures。
OpenAI 已經祕密遞件申請 IPO，目標第四季掛牌，上市前正在補強陣容。周三 Noam Shazeer 宣布離開 Google DeepMind，他是 2017 年那篇奠基性論文《Attention Is All You Need》的共同作者，Transformer 架構的發明人之一，也當過 Gemini 的共同負責人、創過 AI 角色扮演公司 Character AI。
Sam Altman 在 X 上說，Shazeer 是「從 OpenAI 最一開始我就最想合作的人之一」，還補了一句「只花了十年」。這句玩笑話的潛台詞是，OpenAI 追了這個人很久。對一家準備上市、要向投資人證明技術實力的公司，把 Transformer 的發明者掛進名單，是很有份量的招牌。
另一手是 Dean Ball。他去年在白宮短暫任職，參與發布美國的 AI 行動計畫後離開，回到偏自由意志主義的智庫 Foundation for American Innovation 當資深研究員。他在 X 上說 7 月 6 日將加入 OpenAI，領導一個叫 Strategic Futures 的新團隊，名字聽起來就是管長期策略與政策布局。
一週內同時拿下頂尖技術人才與前政府政策人脈，透露 OpenAI 上市這場仗要打兩條線：技術上維持領先讓投資人埋單，政治上補強和華府打交道的能力。延續第九期 Anthropic 與白宮的角力，前沿 AI 公司現在比的早就包含誰在華府有人、誰能在監管風向裡站穩。
歸剛點評｜上市前同時補技術招牌與政治人脈，看得出 OpenAI 知道這場仗一半在實驗室、一半在華府。把 Transformer 發明人掛進名單是給投資人看的硬實力，挖前白宮官員則是補監管時代的生存能力。
資金
TechCrunch 報導，AI 推理服務新創 Baseten 接近敲定一輪 15 億美元募資，估值約 130 億美元，距離上一次大額募資只隔幾個月。資本對「把模型跑起來」這門生意的押注，明顯還沒退燒。
Baseten 做的是 AI 推理（inference）服務，幫企業把訓練好的模型實際部署、跑出結果、扛住流量。TechCrunch 報導它快談定一輪 15 億美元的新募資，估值來到約 130 億美元。值得注意的是，這距離它上一次的大額募資才幾個月，募資節奏快得不尋常。
會這麼搶，是因為市場焦點正從「訓練模型」轉向「跑模型」。前幾年資金都砸在訓練更大的模型上，但模型訓好之後，真正天天燒錢、也天天賺錢的，是每一次使用者送出請求、模型即時回應的那個推理環節。誰能把推理跑得又快又便宜又穩，誰就握住了 AI 落地後的金流。
這股熱度被稱為「推理淘金熱」。前一天才有同類消息：世界模型新創 General Intuition 傳募 3 億美元、估值約 20 億。一邊是基礎設施層的推理服務，一邊是應用層的世界模型，資本兩頭都在加碼，顯示大家賭的是 AI 用量會持續暴衝、對算力與部署的需求只增不減。
對台灣的新創與投資人，這個訊號要冷靜讀。推理這門生意的護城河多半在工程效率與成本控制，不是講故事就能贏；估值衝得快，遇到用量不如預期或大廠自己下海做，回檔也會很快。看到「幾個月又一輪」這種節奏，更該問的是單位經濟算不算得過來，而不是跟著喊熱。
歸剛點評｜資金重心從『訓練模型』移到『跑模型』，因為推理才是 AI 落地後天天進帳也天天燒錢的環節。Baseten 幾個月又一輪的節奏很猛，但護城河在工程效率，估值衝太快回檔也會快，看熱鬧前先問單位經濟。
政策
美國聯邦能源管理委員會（FERC）要求電網營運商給資料中心一條併網的快速通道，讓這些吃電大戶能更快接上電網。問題是，這道命令解決了排隊速度，卻沒處理發電量本身不足的缺口。
FERC 下令要電網營運商替資料中心的併網申請開快速通道。背景是 AI 資料中心對電力的胃口大到驚人，一座大型園區的用電可能抵得上一座小城市，而傳統的併網排隊流程動輒數年，跟不上 AI 蓋資料中心的速度，於是政府直接出手插隊。
但 TechCrunch 點出關鍵問題：快速通道只解決了「排隊」，沒解決「總量」。把資料中心往隊伍前面挪，電網能接的電並沒有變多，發電與輸電的實體瓶頸還在。當有限的電被優先撥給資料中心，排在後面的住宅、工廠、其他產業可能被往後推，電價與供電穩定都會受影響。
這碰到的是 AI 時代最硬的物理限制：電。模型再強、晶片再多，沒有足夠的電都跑不起來。美國現在用行政命令幫 AI 搶電，等於把「AI 優先」寫進能源分配，背後是一場資料中心與一般用電戶搶插座的角力，誰排前面是政治決定。
對台灣，這是很值得對照的預演。台灣土地與電力都緊張，AI 資料中心要落地，同樣會撞上供電與電網承載的天花板。美國的做法是讓資料中心插隊，台灣若要發展在地 AI 算力，得先想清楚電從哪來、怎麼在資料中心與民生工業之間分配，否則快速通道只是把搶電的衝突提早引爆。
歸剛點評｜AI 最硬的限制不是模型也不是晶片，是電。美國用行政命令讓資料中心插隊搶電，等於把『AI 優先』寫進能源分配。台灣電力本就緊張，這是一場遲早要面對的預演。
政策
參議員 Bernie Sanders 提出法案，要求年營收至少 2 億美元的 AI 大廠一次性繳出 50% 股票，組成規模約 7 兆美元的主權財富基金，每年發 5% 股利給美國民眾，估計人均超過 1,000 美元。AI 巨頭大概都會跳腳。
Sanders 的法案核心很直接：凡是年營收達到 2 億美元以上的領先 AI 公司，要一次性繳出 50% 的股票，注入一個新設的主權財富基金。和一般課稅不同的地方是，他要公司繳的是股票而非現金，等於讓美國全民直接變成這些 AI 巨頭的大股東，基金規模估計約 7 兆美元。
錢怎麼回到人民手上？這個基金設定每年 5% 的股利，直接發給美國民眾，Sanders 估計人均一年能拿到超過 1,000 美元；公司若繼續成長，多出來的收益就拿去投教育、住房、醫療等公共服務。基金由新設的「民主 AI 獨立委員會」管理，七名委員由總統提名、參議院同意，採兩黨制。
Sanders 的理由是一句話：「當一項公共資源創造了財富，公眾就該分享這份財富。」他的論點是，AI 之所以強，靠的是全社會數十年累積的資料、公共研究與基礎建設，成果卻高度集中在少數公司與富豪手裡，所以該把一部分股權還給出了力的大眾。
這個方案幾乎不可能原封不動通過，AI 巨頭必然強烈反對，逼公司交股票在法律與憲法上也會有大戰。但它把一個愈來愈尖銳的問題擺上檯面：當 AI 取代大量工作、財富極速集中，社會該怎麼重新分配紅利。對台灣，這場辯論值得超前思考，因為 AI 帶來的就業與分配衝擊，遲早也會敲到我們的門。
歸剛點評｜AI 讓財富極速集中到少數公司，Sanders 用『全民變股東、每年領股利』把分配問題逼上檯面。法案大概過不了，但它問的『AI 紅利該怎麼分給社會』是台灣遲早躲不掉的辯論。
產品
Adobe 把 AI 助理鋪進整套 Creative Cloud 的計畫全面啟動，Photoshop、Premiere、Illustrator 都開始推出能對話的聊天機器人，使用者用講的就能下指令修圖、剪片、做設計。
Adobe 這次把 AI 助理直接做進旗艦軟體。Photoshop、Premiere、Illustrator 陸續推出對話式的助理，使用者不必記一堆工具列在哪、快捷鍵是什麼，直接用文字描述想要的結果，例如「把背景換掉」「把這段剪短一點」，助理就去執行。先以 beta 形式推出。
這對軟體操作是不小的改變。Photoshop、Premiere 這類專業軟體向來以難學出名，功能多到要花好幾年才摸熟，很多人卡在「我知道想要什麼效果，但不知道哪個選單做得到」。對話式助理等於在你和複雜介面之間放了一個翻譯，把意圖直接變成操作。
Adobe 的盤算是守住創作者這塊地盤。Midjourney、各種文字生圖工具正從外圍搶走「我只是想要一張圖」的輕量需求，Adobe 的反擊是讓既有的專業工具更好用，留住已經付費、靠它吃飯的設計師與剪輯師，不讓他們有理由跳出生態系。
對台灣的設計與影音工作者，短期是生產力工具，學習曲線變平、出活更快；中長期則要面對門檻被拉低後的競爭。當改圖剪片變成「會講話就會用」，純技術操作的價值會下滑，能談清楚需求、有審美與創意判斷的人，反而更值錢。把助理當加速器、把精力移到判斷力，是比較務實的調整。
歸剛點評｜專業軟體最大的痛點是難學，Adobe 用對話式助理在你和複雜介面之間放了翻譯。門檻被拉平後，純操作的價值下滑，能談需求、有審美判斷的人更值錢，台灣創作者該趁早把重心移過去。
產品
Adobe 替 Firefly AI 助理推出新功能，並重新設計 AI studio，讓使用者能在既有設計的基礎上編輯、生成新作品，工具會記住你創作過的東西長什麼樣。
Adobe 為 Firefly 推出一批新能力，同時把 AI studio 整個重新設計。新版的重點是「記憶」：它記得你之前做過的設計、用過的元素與風格，讓你能在原有作品的基礎上繼續編輯、延伸生成，而不是每次都從一張白紙重來。
這解決了生成工具一個很惱人的毛病。多數文字生圖工具是「一次性」的，每次生成都像擲骰子，要它在同一個角色、同一套視覺風格上接著做，往往會跑掉、對不起來。對需要維持品牌一致性的商業設計，這種記不住前文的特性幾乎沒法用在正式專案。
讓工具記住專案的脈絡，等於把生成式 AI 從「玩具」往「能交付的生產工具」推。設計師最在意的就是一致性：同一個產品的不同素材、同一支廣告的不同尺寸，視覺要連得起來。Firefly 往記憶與專案延續的方向走，是衝著真正的商業使用場景去的。
對台灣的品牌與行銷團隊，這類功能愈成熟，內部自製視覺素材的可行性就愈高。過去要外包或養設計團隊才做得出的一整套視覺，未來可能由一兩個人帶著會記憶的工具就能維持風格產出。Adobe 與 Midjourney 在同一天都往醫療、設計的縱深走，這個賽道的工具迭代速度只會更快。
歸剛點評｜生成工具最大的弱點是記不住前文、每次重來，做不了需要一致性的商業案。Adobe 讓 Firefly 記住你的專案脈絡，是把它從玩具推向能交付的工具，台灣行銷團隊自製素材的門檻會再降。
產業
以文字生圖爆紅的 Midjourney，執行長 David Holz 展示了公司第一款硬體產品與全身超音波掃描的應用，還透露要在舊金山蓋一間 spa。他自己也承認，這方向跟生貓圖差很多。
Midjourney 過去是文字生圖的代名詞，使用者打幾個字就能生出精美圖像。執行長 David Holz 這次秀出公司第一款硬體產品，把觸角伸進醫療影像，展示全身超音波掃描的應用，還順帶提到要在舊金山開一間 spa。連他本人都說，這跟大家熟悉的「生貓圖 Midjourney」差很多。
一家純軟體的生圖公司，為什麼要碰硬體和超音波？合理的解讀是，Holz 想把 Midjourney 在影像生成與理解上的本事，從「畫出不存在的圖」延伸到「看懂真實世界的影像」。醫療影像是一個資料密集、又極需精準的領域，若 AI 真能輔助判讀，價值遠高於做幾張漂亮插圖。
這一步充滿不確定。醫療是高度監管、容錯極低的領域，一家以創意生圖起家的公司要切進去，得跨過認證、臨床驗證、責任歸屬等一連串門檻，spa 計畫更像 Holz 個人風格的延伸而非主線。把它看成創辦人對「AI 還能做什麼」的大膽試探，比看成成熟產品線更貼切。
放在同一天的脈絡裡，OpenAI 做罕病診斷、Adobe 強化醫療相關的視覺能力、Midjourney 跨進超音波，生圖與影像 AI 公司不約而同往醫療靠攏。對台灣，醫療影像本就是強項，這波趨勢提醒在地團隊：影像生成的技術紅利，正在從娛樂用途流向真正能救人也能賺錢的臨床場景。
歸剛點評｜生圖公司集體往醫療影像靠攏，因為『看懂真實影像』比『畫漂亮圖』值錢太多。Midjourney 這步很冒險、spa 計畫更像創辦人玩票，但方向對：影像 AI 的紅利正從娛樂流向臨床。
政策
The Verge 的 Decoder 播客請來資深 AI 記者 Hayden Field，從 Anthropic 的 Fable 5、Mythos 5 遭禁談起，討論一個愈來愈逼人的問題：當 AI 被認定太危險而該下線，到底是誰、用什麼標準在做這個決定。
延續本站第九期報導的 Anthropic 因白宮出口管制把 Fable 5、Mythos 5 對全球下線，The Verge 的 Decoder 播客找來資深 AI 記者 Hayden Field，把這件事攤開來談。她平常上節目，通常都是因為某個地方出了狀況，這次的核心提問很尖銳：當某個 AI 被貼上「太危險」、該關掉的標籤，這個判斷是誰做的、依據又是什麼。
問題的麻煩之處在於沒有公認的裁判。一個模型危不危險，可以從國安、從濫用風險、從商業競爭、從政治立場切入，每個角度給出的答案都不一樣。白宮、AI 公司、五角大廈、學界各有各的標準與利益，當這些標準互相打架，最後拍板的往往是手上有權力按開關的人，未必最懂技術。
Anthropic 的案例之所以關鍵，是它把這個抽象問題變成現場直播。一個被廣泛使用的模型，因為一道連業界都看不太懂的命令說關就關，等於示範了「太危險」這個標籤可以多模糊、又能多有殺傷力。標準不透明的時候，平台會傾向過度防守，寧可全關也不願承擔風險。
對台灣的開發者與企業，這場討論的實際意義是：你依賴的海外 AI，可能因為一個你完全參與不了、也看不懂標準的決定就消失。除了技術上預留替代方案，也該開始關注各國對 AI 的監管走向，因為決定你工具命運的，愈來愈是政策與權力，模型本身好不好反而是其次。
歸剛點評｜『AI 太危險』這個標籤誰來貼、依據什麼，現在沒有公認裁判，最後按開關的常是握權力的人而非最懂技術的人。對依賴海外 AI 的台灣團隊，工具的命運愈來愈由政策決定，得開始盯監管風向。
社會
三名 Amazon 軟體工程師本月在西雅圖市議會聽證會上，替限制資料中心擴張的提案作證，事後表示因此面臨懲處甚至被解雇。AI 帶來的環境與社區衝擊，正在自家員工身上引爆衝突。
事情發生在西雅圖。三名 Amazon 軟體工程師本月初到市議會的聽證會上作證，支持對資料中心擴張設限的提案，作證一開頭還引用了相關說法。據 The Verge 報導，他們之後表示因為這次發言面臨公司的紀律處分，甚至可能被解雇。
衝突的源頭是資料中心的代價。AI 熱潮讓科技公司瘋狂蓋資料中心，這些設施吃掉大量電力與水、佔地廣、還影響周邊社區的環境與電價。一邊是公司的擴張需求，一邊是員工身為在地居民對自家社區的擔憂，當員工選擇站到限制那一方，就和雇主的利益正面對撞。
員工因為公開立場面臨懲處，把一個敏感問題推到台前：科技公司員工能不能在自己住的城市，以公民身分公開反對雇主的擴張計畫。這牽涉言論、勞權與企業利益的拉扯，也讓 AI 基礎建設的社會成本，從遙遠的環境議題變成具體的飯碗問題。
放在同一天 Sanders 提案要全民共享 AI 紅利、FERC 幫資料中心搶電的脈絡裡，這則新聞補上了被忽略的一塊：AI 的算力擴張不是免費的，電、水、土地、社區安寧都有人在承擔。對台灣，資料中心若要在地落腳，與在地居民的協調同樣躲不掉，這是一堂提前上演的課。
歸剛點評｜AI 算力擴張不是免費的，電、水、土地、社區安寧都有人承擔。員工因公開反對雇主擴張而面臨解雇，把這筆社會成本變成具體的飯碗衝突。台灣資料中心要落地，同樣躲不掉與在地居民的協調。
資金
TechCrunch 報導，新創 General Intuition 正洽談募資 3 億美元、估值約 20 億美元。它用遊戲剪輯平台 Medal 每年 20 億支、來自千萬月活用戶的影片，訓練具身 AI 與世界模型。
General Intuition 做的是具身 AI（embodied AI）與世界模型，目標是讓 AI 學會理解物理世界怎麼運作、東西會怎麼移動。它的獨門資料來源很特別：遊戲剪輯平台 Medal 每年產生約 20 億支影片，來自 1,000 萬名月活躍使用者，等於一座海量的「世界如何運作」影像庫。TechCrunch 說它正談一輪約 3 億美元、估值約 20 億的募資。
用遊戲影片訓世界模型，邏輯其實通順。遊戲畫面裡充滿了物體運動、碰撞、因果關係，又有大量玩家操作的紀錄，是相對乾淨又便宜的世界互動資料。比起在真實世界蒐集機器人動作資料，這種來源量大、成本低，很適合教 AI 預測「接下來會發生什麼」。
世界模型被視為下一個重要方向。會聊天、會生圖的 AI 處理的是符號與像素，而世界模型要讓 AI 在腦中建立對物理世界的預測能力，這是機器人、自動駕駛、遊戲 NPC 真正智慧化的關鍵。前一天 Baseten 募 15 億押注推理基礎設施，這天資本又押世界模型，顯示熱錢正同時往基礎層與前沿應用兩頭流。
對台灣，這條線提醒兩件事。其一，資料的來源與獨佔性愈來愈值錢，General Intuition 的籌碼就是別人拿不到的 Medal 影片庫；其二，世界模型若成熟，會直接餵養機器人與自駕，而這些正是台灣製造業想升級的方向。看懂資本在賭什麼，比追逐單一熱門題目更重要。
歸剛點評｜世界模型要讓 AI 在腦中預測物理世界怎麼動，是機器人與自駕真正智慧化的關鍵。General Intuition 的籌碼是別人拿不到的 20 億支遊戲影片——資料的獨佔性愈來愈值錢，這點台灣製造業升級時要記住。
產業
Snapchat 母公司 Snap 又拆掉一個內部單位。新公司 Dotmo 由離開 Snap 的現職員工組成，專注 AI 影片生成的開發，分拆的主因是成本太高。
Snap 再次把一個內部團隊分拆出去。新成立的 Dotmo 由一批離開 Snap 的現職員工組成，主攻 AI 影片生成技術。TechCrunch 報導，這次分拆的直接原因是成本：AI 影片這條線太燒錢，Snap 選擇讓團隊帶著技術獨立出去，自己不再扛全部開銷。
這反映 AI 影片生成的殘酷經濟。訓練與運行影片生成模型需要海量算力，比文字、靜態圖貴上好幾個量級，對一家本業是社群 App、財務壓力不小的公司，硬養這樣一個高成本團隊很吃力。與其勉強內部燒錢，不如讓它出去獨立募資、自負盈虧。
分拆對雙方未必是壞事。團隊脫離母公司的預算限制與內部優先順序，可以更專注、也更容易拿到外部資金；Snap 則甩掉一塊重擔，把資源集中在核心業務上。代價是 Snap 等於承認自己沒辦法在 AI 影片這個熱門賽道直接競爭，只能用分拆換取一點關聯。
放在這天的資金新聞旁邊看格外有意思：一邊是 Baseten、General Intuition 拿到巨額募資往前衝，一邊是 Snap 燒不起只能把團隊推出門。同樣在 AI 影片與生成的賽道，口袋深、估值高的玩家加速擴張，資源有限的公司被迫退場。對台灣中小型科技公司，這是清楚的提醒：在重資本的 AI 賽道，沒想清楚錢從哪來就別硬跳。
歸剛點評｜AI 影片生成貴到一家社群公司養不起，Snap 只能把團隊推出門自負盈虧。同一天有人募巨資狂奔、有人燒不起退場，重資本賽道的分水嶺很現實：沒想清楚錢從哪來就別硬跳。
社會
交友平台 Match 的調查顯示，約 47% 的美國單身者對 AI 介入約會持負面態度，但不少交友 App 使用者願意接受 AI 幫忙潤飾個人檔案、提供聊天開場建議。對 AI 的態度，卡在反感與真香之間。
Match 公布一份單身者調查，約 47% 的美國單身者對「在約會裡用 AI」抱持負面看法。但同一批人裡，許多交友 App 的使用者並不排斥讓 AI 幫忙把個人檔案寫得更好，或在不知道怎麼開口時，給一點聊天的開場建議。態度明顯是分裂的。
這種分裂其實很好懂。約會的核心是真誠與信任，大家擔心的是對面那個人到底是不是真人、那些動人的訊息是不是 AI 代寫的，這會直接戳到關係的根本。但同時，寫自我介紹、想第一句話要說什麼，又是很多人真心覺得卡關、想要有人幫一把的環節。
界線落在「AI 幫我表達自己」還是「AI 代替我假裝成另一個人」。前者像請朋友幫你看看履歷、潤一下用字，大家接受度高；後者等於用 AI 製造一個不存在的人設去騙人，碰到的就是誠信底線。同一個工具，用在哪一端，觀感天差地別。
這份調查是觀察大眾怎麼接納 AI 的好樣本：人們會按場景、按有沒有觸碰核心價值來分，很少全盤接受或全盤拒絕。對台灣做面向消費者產品的團隊，這是實用的提醒——把 AI 定位成「幫使用者更好地做自己」會被歡迎，定位成「替使用者偽裝」則會踩雷，分寸決定產品的生死。
歸剛點評｜人對 AI 很少全收或全拒，多半按場景分：幫你『更好地表達自己』被歡迎，幫你『假裝成別人』就踩誠信底線。這份約會調查是觀察大眾接納 AI 的好樣本，做消費產品的台灣團隊該記住這條分界。
研究
兩篇 Hugging Face 熱門論文 iOSWorld 與 MyPCBench，提出評測「個人化智能」手機與電腦代理的新基準。它們指出現有測試多在沒有個人色彩的環境裡跑，和真實部署有落差，主張 AI 代理要能理解使用者的身分、歷史與偏好。
iOSWorld 與 MyPCBench 這兩套新基準，盯的是同一個缺口。一個好用的手機或電腦代理，應該認得操作它的是「你」——你的身分、你的使用習慣、你存在裝置上的歷史與偏好，而不是把每個使用者都當成一張白紙。論文指出，現在多數評測都在沒有個人脈絡的環境裡進行，模型在測試裡表現好，搬到真實裝置上卻常常水土不服。
差別在哪？舉例來說，你叫代理「把昨天那封信轉給常合作的廠商」，它得知道「昨天那封信」是哪封、「常合作的廠商」是誰，這些都藏在你的裝置與過往紀錄裡。一個只會執行通用指令、卻讀不懂你個人脈絡的代理，做起真正貼身的任務就會頻頻出錯。
這兩套基準的價值，是把「個人化」從一句口號變成可以打分的標準。有了能衡量的指標，研究者才知道模型在理解個人脈絡上到底進步了多少，廠商也才有共同的尺去比較誰家的代理更貼心。手機與電腦代理要從展示走向天天能用，這類評測是必要的基礎工程。
對台灣的應用開發者，這提醒了下一階段的競爭點。當大家用的底層模型差距縮小，能不能安全又準確地讀懂使用者的個人脈絡、把貼身任務做對，會成為產品好不好用的關鍵差異。同時，個人脈絡牽涉大量隱私資料，怎麼在貼心與隱私之間拿捏，會是繞不過去的設計課題。
歸剛點評｜AI 代理要從展示走到天天能用，關鍵是讀懂『你』的個人脈絡而不是把人當白紙。這兩套基準把個人化變成能打分的標準，也預告下一階段的競爭點：在貼心與隱私之間拿捏，台灣應用開發者該提早想。
資安
ServiceNow 在 Hugging Face 發表 MosaicLeaks，專門測試研究型 AI 代理在工作過程中會不會無意間洩漏該保密的資訊。當企業把愈來愈多敏感任務交給代理，這類資安評測變得很關鍵。
ServiceNow 發表的 MosaicLeaks，問的是一個很實際的問題：你交給研究型 AI 代理的機密，它守得住嗎？這類代理會幫你查資料、整理文件、跨多個來源彙整答案，過程中會接觸到大量敏感資訊。MosaicLeaks 就是設計來測它會不會在輸出、引用或對外查詢時，把不該講的內容說溜嘴。
風險來自代理的運作方式。一個研究代理為了完成任務，可能同時讀內部機密文件、又上網查公開資料、還和其他工具往來。資訊在這些動作之間流動時，很容易發生它把內部機密當成一般素材，寫進回答、塞進搜尋查詢、或在引用來源時不慎曝光，使用者卻渾然不覺。
這正是 AI 代理熱潮底下被低估的一塊。大家忙著比代理多會做事、能串多少工具，卻很少認真測它會不會在過程中漏資料。MosaicLeaks 把這個盲點變成可以系統化檢驗的項目，讓開發者在部署前就能知道自家代理的保密能力有多可靠，而不是出事了才補。
對台灣的企業，這個提醒很直接。當你準備把法務、財務、研發這類碰機密的工作交給 AI 代理，先問它守不守得住秘密，和問它做不做得快一樣重要。導入代理前，把資料外洩納入評估清單、設好權限與審計，是避免把方便變成風險的基本功。
歸剛點評｜大家忙著比 AI 代理多會做事，卻很少測它會不會在過程中把機密說溜嘴。企業要把碰機密的工作交給代理，『守不守得住秘密』和『做不做得快』一樣重要，導入前就該把資料外洩納入評估。
開源
Lightricks 在 GitHub 開源 LTX-2，一個能同時生成影像與聲音的音視訊生成模型，並附上官方的 Python 推論套件與 LoRA 訓練工具，登上 GitHub 趨勢榜。在 Snap 燒不起 AI 影片的同一天，開源陣營端出能自己跑的選項。
Lightricks 開源了 LTX-2，這是一個音視訊（audio–video）生成模型，能同時產出畫面與聲音。它隨附官方的 Python 推論套件和 LoRA 訓練工具，意思是開發者不只能直接用，還能用自己的資料微調，做出特定風格或用途的版本，目前在 GitHub 趨勢榜上很顯眼。
附上 LoRA 訓練工具是重點。LoRA 是一種輕量微調技術，不必重訓整個大模型，用相對少的資料和算力就能讓模型學會新風格或新題材。對個人開發者和小團隊，這代表他們有機會在開源的影片模型上，做出貼合自己需求的客製版本，而不是只能用大廠給好的成品。
這跟同一天 Snap 因成本拆掉 AI 影片團隊形成有趣對照。商業公司算不過帳、選擇退場的領域，開源社群反而把工具攤開來給所有人用。閉源大廠燒巨資追求最頂的品質，開源路線則靠可自行部署、可微調、零授權費，在另一條軌道上累積能量。
對台灣的創作者與獨立開發者，開源音視訊模型把門檻拉低了一截。過去做 AI 影片得仰賴付費雲端服務、按用量計費，現在多了一個能自己抱回機房、依需求微調、不必看供應商臉色的選項。配合本期 GLM-5.2 開源權重，今天可說是開源陣營很有看頭的一天。
歸剛點評｜商業公司算不過帳退場的 AI 影片領域，開源社群反而把工具攤開給所有人用，還附微調工具。對台灣獨立開發者，這是能自己抱回機房、不必按用量付費的選項，配合 GLM-5.2 開源，今天開源很有看頭。
社會
Ars Technica 報導，面對中國的壓力，台灣正擴大無人機的生產與國防採購，這些投入除了自身防衛，也可能順勢打進美軍與海外市場。AI 與自主系統正成為台灣國防與產業的交會點。
在中國的軍事壓力下，台灣正擴大無人機的生產與國防採購。Ars Technica 報導，台灣的無人機支出計畫除了強化自身防衛，也可能把這條供應鏈延伸到海外，包括接美軍的訂單。無人機愈來愈倚重 AI 與自主導航，國防需求就和台灣擅長的科技製造接上了線。
這背後有清楚的戰略邏輯。現代無人機在偵察、目標辨識、自主飛行上大量用到 AI，是典型的軟硬整合產品，而台灣本來就有強大的電子與精密製造基礎。把國防需求轉化成產業能力，既補上自我防衛的缺口，又可能養出一個能外銷的新興產業，是一舉兩得的盤算。
對美軍的吸引力也說得通。美國正想擺脫對特定來源無人機與零組件的依賴，台灣的製造實力與民主供應鏈身分，剛好對上這個需求。地緣政治的緊張，反而為台灣的無人機產業開了一扇通往國際市場的門，把壓力轉成訂單。
放在本站長期關注的脈絡裡，這則新聞很具體地說明了，AI 的影響早就超出聊天機器人的範圍。當多數 AI 新聞繞著模型和晶片打轉，自主系統正悄悄改寫國防與製造的版圖，而台灣站在這個交會點上。對在地產業，這是少數能把地緣風險直接轉為產業機會的方向，值得認真投入。
歸剛點評｜當多數 AI 新聞繞著模型晶片打轉，自主系統正改寫國防與製造的版圖，而台灣剛好站在交會點上。地緣壓力反而替台灣無人機產業開了通往美軍與國際市場的門，這是少數能把風險轉成訂單的方向。