第 19 期2026-06-28（台北時間）
第十九期。今天沒有驚天動地的新模型，但有一條更耐看的暗線：當政府、市場和法律同時伸手，AI 公司能挑的選項正在變少。Anthropic 的 Mythos 5 跟川普政府耗了兩週，週末有條件解凍，只放行給一小群被點名的機構，連他們聘的非美籍員工都被列管；趁這個空檔，亞洲新創端出對標 Mythos、號稱不怕禁令的模型搶客戶，TechCrunch 直言美國恐怕拿不回這塊市場。另一頭，德國法院判 Google 要為 AI 摘要的錯誤負責，把「模型亂講、平台免責」那面盾牌打破。連蘋果都來插一腳——Tim Cook 把一輪漲價的帳，算到大科技砸錢追 AI 上。人才也在用腳投票，Vision Pro 的主管傳出要去 OpenAI 做硬體。把今天的新聞排在一起看，AI 從拼技術的競賽，慢慢變成一場誰能用、誰負責、誰買單的角力。
政策
Anthropic 的 Mythos 5 在和川普政府僵持兩週後，週末重新上線，但只開放給一小群被點名的機構。根據 The Verge 看到的政府信件，這次解凍是談判的結果，面向大眾的 Fable 5 仍然關著，等於只放行了企業與政府端的版本。TechCrunch 補充，獲得授權使用 Mythos 5 的公司和政府單位超過一百家，名單裡連這些機構聘僱的非美籍員工也被一併納入，代表政府盯的不只模型本身，連誰能碰它都要管。從緩發、勒令下線到有條件放行，整件事的節奏都由華府主導，Anthropic 能做的是配合條件、換回部分使用權。對照前幾期我們追的 GPT-5.6 出場前先向美國政府報備，前沿模型上線要先過政治這一關，已經從個案變成固定流程。誰能用、在哪用、給誰用，正在變成模型能力之外的新門檻。對企業客戶來說，這也代表採購 AI 時要多算一筆政治風險——今天能用的模型，明天可能因為一紙命令就被切斷。Anthropic 真正換回的，是在政治條件下還守得住的那部分商業空間，而代價是把使用權的鑰匙交了一半出去。
歸剛點評｜模型能不能上線、給誰用，主導權正從實驗室手裡移到政府桌上。對企業客戶來說，這代表挑 AI 供應商要多算一條政治斷供的風險。
產業
Anthropic 出口禁令一拖再拖，亞洲 AI 新創端出能力對標 Mythos 的模型，賣點是不受禁令斷供風險。TechCrunch 警告美國實驗室恐怕再也拿不回這塊龐大市場。
Anthropic 的出口禁令一拖再拖，亞洲的 AI 新創抓準空檔，推出主打能力對標 Mythos 的模型，賣點就是不必擔心哪天被一紙禁令切斷供應。TechCrunch 的報導語氣不算樂觀，直言美國的 AI 實驗室可能再也拿不回這塊龐大市場。客戶要的是穩定供應，當美國模型隨時可能因政策被下架，買家自然會去找不受這層風險綁住的替代品。亞洲廠商等於把「我不會突然斷你」當成最大優勢，先卡位再談性能高低。這條線和本期另一則 Mythos 解凍的新聞剛好對照：美國這邊忙著用審查把模型管起來，市場那邊的需求不會停在原地等，缺口很快被人補上。出口管制原本想守住技術領先，實際效果可能是把客戶推向別人懷裡。等禁令真的鬆綁，外面的替代方案已經養出自己的用戶與生態，再想搶回來，難度比當初守住要高得多。技術領先和市場佔有，從來是兩件要分開算的事。把市場壓在單一地緣政治籌碼上的產業，這一課其實都適用。
歸剛點評｜管制想守住技術，副作用是把客戶逼去找替代品。等禁令鬆綁，市場早被別人接走，這是出口管制最常見的反作用。
產業
負責 Apple Vision Pro 頭戴裝置的副總裁 Paul Meade，傳出要離開蘋果加入 OpenAI 硬體團隊。外界把焦點放在 OpenAI 想做什麼裝置，以及蘋果在這條產品線少了關鍵人物。
負責 Apple Vision Pro 頭戴裝置的副總裁 Paul Meade，傳出要離開蘋果，加入 OpenAI 的硬體團隊。Vision Pro 是蘋果近年押注空間運算的代表作，主導這條產品線的人轉投 OpenAI，外界自然把焦點放在 OpenAI 想做什麼硬體。OpenAI 過去一年不斷被傳要做自己的裝置，找來懂頭戴顯示、量產與供應鏈的資深主管，等於把缺的那塊拼圖補上。對蘋果來說，在 Vision Pro 還沒真正打開市場的階段少掉一個關鍵人物，並不是好消息。人才流動往哪邊走，常常比公司公開的說法更早透露下一步。這幾年模型公司高調挖角硬體與晶片人才，方向都指向同一件事：軟體模型再強，最後還是想握住使用者每天拿在手上、戴在臉上的那個入口。誰掌握硬體入口，誰就掌握用戶的注意力與資料。Meade 的去向，是這股趨勢的又一個註腳，也讓 OpenAI 做硬體的傳聞更難當成空穴來風。對使用者來說，未來戴在臉上、拿在手裡的那台裝置由誰主導，現在還看不清楚，但棋子已經開始往模型公司那邊移動。
歸剛點評｜模型公司搶硬體人才，賭的是握住使用者每天接觸的那個入口。一位 Vision Pro 主管的去向，讓 OpenAI 做裝置的傳聞更可信。
產業
馬斯克把資料中心搬上太空軌道的構想講得很大，質疑聲跟著浮現，連軟銀執行長都公開表示有疑問。發射成本、維修、散熱和延遲問題都還沒有可信答案。
馬斯克近來把資料中心搬上太空軌道的構想講得很大，但質疑的聲音也跟著浮現，連軟銀的執行長都公開表示有疑問。TechCrunch 點出，對這套軌道資料中心的願景，業界並不是一面倒地買單。把運算機房放到太空，理論上能用太陽能、靠真空散熱，聽起來解決了地面缺電缺地的痛點，可是發射成本、維修、散熱實務和傳輸延遲，每一項都還沒有可信的答案。軟銀本身是 AI 基礎建設的大金主，這樣的角色出來打問號，份量不輕。馬斯克擅長先把目標喊到極限，再一步步逼近，過去在火箭和電動車上奏效過，但資料中心是要算每一度電、每一毫秒延遲的生意，浪漫的願景不一定撐得住財務模型。願景能不能落地，最後還是要回到成本與工程細節，而不是發表會上的一張概念圖。連最捨得砸錢的金主都先觀望，本身就是個訊號。在那些答案補齊之前，這套構想更像是一張拿來募資與造勢的願景圖，離真能省電省地的機房還隔著好幾道工程難關。
歸剛點評｜軌道資料中心聽來性感，但每度電、每毫秒延遲都要算錢。連最捨得砸基礎建設的軟銀都先打問號，這個願景離財務可行還很遠。
應用
創業者 Connor Christou 被診斷出癌症後，把抽血報告、掃描數據、穿戴裝置記錄和日記全部餵進 Claude，用它整理治療頭緒。呈現病人自己先用 AI 串起分散數據、再與醫療團隊討論的新場景。
創業者 Connor Christou 被診斷出癌症後，把和自己身體有關的資料一股腦丟給 AI：抽血報告、掃描影像數據、穿戴裝置記錄、甚至自己的日記，全部餵進 Claude，想用它幫忙理出治療的頭緒。TechCrunch 記下這段過程，呈現一個越來越常見的場景：病人會自己先用 AI 把分散在各處的數據串起來，整理出能跟醫療團隊討論的問題，再走進診間。AI 在這裡的角色比較像翻譯和秘書，把難懂的指標解釋成人話，提醒哪些變化值得追問，而不是取代醫師下診斷。把全部健康資料集中交給一個模型，也意味著要承擔隱私外洩與判讀錯誤的風險，這是這類用法繞不開的代價。對許多面對重病、被各種報告淹沒的人來說，能有個工具幫忙把雜亂的數字排出順序、撐住自己問對問題的底氣，本身就有實在的價值。醫療決定終究要回到專業醫師手上，但病人手裡多一個能整理資訊的助手，至少不會在診間裡完全聽不懂、問不出口。
歸剛點評｜AI 在重病現場最務實的角色是秘書和翻譯，幫病人把雜亂數據整理成能問對的問題。代價是隱私與判讀錯誤的風險，診斷仍得交回醫師。
觀點
《使女的故事》作者 Margaret Atwood 在葡萄牙波多文學節受訪，說自己用過 AI，評語是「垃圾進，垃圾出」——模型吃進什麼素材，就吐出什麼東西，把產出品質直接綁回訓練資料。
《使女的故事》作者 Margaret Atwood 在葡萄牙波多的一場文學節受訪，被問到 AI，講話一點都不客氣。據 Deadline 整理，她說自己用過 AI，對它的評語就是那句老工程圈名言「垃圾進，垃圾出」——模型吃進什麼樣的素材，就吐出什麼樣的東西。出自一位以文字為業、寫過反烏托邦經典的小說家，這句話的份量不太一樣。她要講的重點是把模型的產出品質直接綁回訓練資料本身，提醒大家別把它說得像憑空生出智慧。當作家、藝術家持續對 AI 表態，討論的重心也從「它會不會搶飯碗」慢慢移到「它到底在拿誰的東西、又餵了什麼進去」。Atwood 用最簡單的一句話把問題講白：與其驚嘆輸出多神，不如先看清楚輸入端裝了些什麼。創作圈對 AI 的警覺，多半是從這個方向長出來的——先問素材的來路與品質，再談模型有多會寫。把這句話放回這波 AI 熱潮裡，提醒的是別讓輸出的流暢蓋過來源的問題；對靠原創吃飯的人而言，模型餵了什麼進去，直接關係到自己的作品有沒有在不知情的狀況下被拿去當養分。
歸剛點評｜一句老工程諺語從小說家嘴裡講出來特別有力：別被輸出的流暢嚇到，先看模型到底拿了誰的東西當養分。
商業
Tim Cook 稱漲價「無可避免」、定價「難以為繼」。16 吋 MacBook Pro 漲 300 美元、11 吋 iPad Air 從 599 漲到 749、HomePod Mini 加 30 到 129 美元。The Verge 質問：為何要替大科技的 AI 執念多付錢。
蘋果一連串漲價，把帳算到了大科技砸錢追 AI 這件事上。執行長 Tim Cook 近來說漲價「無可避免」，還形容公司現在的定價「難以為繼」。具體數字攤開來看：16 吋 MacBook Pro 漲了 300 美元，11 吋 iPad Air 從 599 美元跳到 749 美元，連 HomePod Mini 都加了 30 美元、來到 129 美元。The Verge 這篇報導語氣帶刺，標題直接問：為什麼要我替大科技的 AI 執念多付錢。背後的邏輯是，整個產業把天量資本砸進資料中心、晶片和模型訓練，這些成本最後總要有人埋單，而消費者就排在隊伍末端。蘋果向來把高定價包裝成高價值，現在改口談「不得不漲」，等於承認連它都被這波軍備競賽推著走。對買家而言，AI 熱潮的帳單不一定寫在訂閱費上，可能藏在下一台筆電、平板悄悄變貴的標價裡。當連最會賣高價的公司都喊撐不住，這波 AI 投資的成本壓力，已經開始從財報滲到一般人的錢包。對台灣的消費者來說，這些漲幅換算下來同樣有感，下次想換新機，預算得先往上多抓一截才夠。
歸剛點評｜AI 軍備競賽的帳單不只在訂閱費，也藏進硬體標價。連最會賣高價的蘋果都喊撐不住，代表成本壓力正從財報滲進消費者錢包。
研究
Hugging Face 每日論文選一篇談 AI agent 訓練：過程獎勵模型能做步驟級評估但建構成本高到不可行，研究主張強化學習的 post-training 過程已產出所需材料，提出「進度優勢」概念重新利用這些訊號。
Hugging Face 每日論文選了一篇談 AI agent 訓練的研究，標題點名一個被忽略的「免費午餐」。背景是這樣：過程獎勵模型（process reward model）能對 LLM 的每一步動作打分，做到步驟層級的細緻評估，對需要長串操作的 agent 特別有用。問題在於，agent 的場景又長又難——一連串互動、有些動作做了無法回頭、環境回饋還帶隨機性，靠人工標註或蒙地卡羅估計來建這種獎勵模型，成本高到幾乎不可行。這篇論文的主張是，強化學習的 post-training 過程其實已經悄悄產出了建構這類獎勵訊號需要的材料，等於現成的東西被擱在一旁沒人撿。研究團隊提出「進度優勢」的概念，把訓練裡本來就有的訊號重新利用，讓步驟級的評估不必再額外砸大錢標資料。對想把模型訓練成可靠 agent 的團隊來說，能少花一筆標註成本、又拿到細緻的過程回饋，是很實際的好處，也讓打造長流程 agent 的門檻往下降了一截。對沒有大筆預算去買人工標註的小團隊來說，先把訓練裡已經有的訊號榨乾，是比急著加資料更划算的一步。
歸剛點評｜做可靠的 agent 卡在獎勵訊號太貴。這篇說訓練過程裡早就有現成材料，撿起來用就能省下大筆標註錢——對小團隊尤其關鍵。
資安
Fernando Irarrázaval 在 hackmyclaw.com 辦公開挑戰，看誰能靠寄電子郵件讓他的 OpenClaw 測試實例洩漏秘密。約兩千人、六千次嘗試、燒掉 500 美元 token，過程還有一個 Google 帳號被停權。
Fernando Irarrázaval 辦了一場公開挑戰，架在 hackmyclaw.com 上，邀大家來試試能不能讓他的 OpenClaw 測試實例把藏著的秘密吐出來，攻擊手法限定用寄電子郵件給它。Simon Willison 轉述了結果：大約兩千人參與、累積六千次嘗試，燒掉約 500 美元的 token 費用，過程中還有一個 Google 帳號被停權。這類「提示注入」（prompt injection）的攻防，是 AI agent 落地時最頭痛的安全題——只要 agent 會讀外部訊息、又握有權限或機密，惡意內容就可能藏在一封信裡，騙它去執行不該做的事。把系統攤在幾千個陌生人面前硬攻，本身就是最直接的壓力測試，比關起門來自己想像威脅有用得多。願意公開資料、把失敗次數和花費都講清楚，這種做法對整個產業評估 agent 安全性很有參考價值。AI 助理要真的能幫人收信、辦事，先得證明它擋得住有人專程寄信來騙它，這一關躲不掉，也是商用前最該先打過的硬仗。對打算把 agent 接上信箱與帳號的公司來說，這場挑戰留下的六千次嘗試，等於一份免費的攻擊樣本清單，照著補洞就好。
歸剛點評｜會讀外部訊息又握有權限的 agent，最怕一封藏著惡意指令的信。公開讓兩千人來攻，是比閉門想像更誠實的安全測試。
政策
德國法院認定 Google 須為其 AI 摘要產生的錯誤負責。資安專家 Bruce Schneier 評論：AI agent 是部署者的代理人，法律上就該照此對待——請真人寫錯要負責，換成 AI 也一樣。
德國法院近期一項判決認定，Google 要為它的 AI 摘要（AI overview）裡產生的錯誤負責，資安專家 Bruce Schneier 為文討論了這件事的法律含意。他的論點很清楚：AI agent 是部署它的人或組織的代理人，法律上就該照這個標準對待。用白話說，如果一家公司請真人寫摘要、寫錯了要負責，那把工作換成 AI 來做，責任並不會因此憑空消失。這個判決之所以受關注，是因為它直接戳破「模型自己亂講、平台不用負責」的擋箭牌。過去業者習慣把生成式錯誤推給技術的不確定性，這條判決等於說，你選擇部署、你拿它對外服務，產出的後果就掛在你名下。對所有把 AI 摘要、客服、自動回覆推到第一線的公司來說，法律風險被往前挪了一大步。當監管開始用「代理人」這個老框架來套 AI，企業設計產品時就得先想好，模型講錯話的帳要算在誰頭上，而不是等出事了再來主張技術無法保證準確。歐洲在 AI 監管上向來走得比別人前面，這條判決很可能成為其他國家跟進的參考點。
歸剛點評｜「模型亂講、平台免責」這面盾牌被打破了。用「代理人」這個老法律框架套 AI，等於要求部署者為產出負責，這對所有上線 AI 功能的公司都是警訊。
工具
GitHub 趨勢專案 ppt-master（作者 Hugo He）能從任何文件自動生出可編輯的 PowerPoint，產出原生圖形與動畫而非投影片圖片，講者備忘稿配語音旁白，還能套用你自己的 .pptx 範本。
GitHub 趨勢榜上出現一個叫 ppt-master 的專案，作者是 Hugo He，主打從任何文件自動生出一份「真的能編輯」的 PowerPoint。重點在「能編輯」三個字——它產出的是原生的圖形和動畫，而非把投影片畫成一張張圖片貼上去，所以你拿到檔案後還能照常微調每個元素。它還會幫講者備忘稿配上語音旁白，等於連口播都先錄好；想維持公司既有風格的話，可以丟自己的 .pptx 範本進去，讓成品套用你指定的版型。市面上 AI 做簡報的工具不少，但很多輸出是死的圖片或鎖死的版面，拿回來改起來很痛苦，這個專案瞄準的正是那個痛點。對每週都要趕簡報的人來說，能省下排版的苦工、又保留事後動手改的彈性，是很對胃口的設計。把它開源放上來，也方便想接進自家工作流程的人直接拿去改，不必再被綁在某個線上服務的訂閱方案裡。對團隊而言，能把生成好的簡報接回既有的審稿與品牌規範，比單純炫一段自動生成的技術更有黏著力。
歸剛點評｜AI 做簡報的工具一堆，痛點都在輸出改不動。這個專案讓你拿到原生可編輯檔、還能套自家範本，正好打在那個地方。
工具
GitHub 趨勢專案 Open-Generative-AI 自稱商業 AI 影像平台的開源替代品，整合 200+ 模型（Flux、Midjourney、Kling、Sora、Veo），MIT 授權、可自架，最大爭議賣點是「沒有內容過濾」。
另一個衝上 GitHub 趨勢的專案 Open-Generative-AI，把自己定位成商業 AI 影像平台的開源替代品。它號稱整合了超過兩百個模型，從 Flux、Midjourney 到做影片的 Kling、Sora、Veo 都接得上，做成一個能自架的影像與影片生成工作室，採 MIT 授權，使用上很寬鬆。最受爭議的賣點是「沒有內容過濾」——市面上的商業平台普遍會擋掉敏感或侵權的生成需求，這個專案刻意把那道門拿掉。對創作者來說，少了審查確實更自由，能做的題材更廣；但同一個特性也意味著它更容易被拿去產假訊息、仿冒名人或其他有問題的內容，平台端原本承擔的把關責任，等於全推回給自架的使用者。開源、自架、無過濾這三件事湊在一起，技術門檻和道德責任會同時落到部署者身上。它會紅，多少反映出有一群人受夠了商業工具的限制，寧可自己扛風險，也要換取對工具完全的掌控權。這股需求存在，監管和平台再怎麼收緊也擋不住它往開源這條路流。
歸剛點評｜開源＋自架＋無過濾湊在一起，把把關責任整碗推給使用者。它衝上榜，說明有一群人寧可自扛風險也要繞過商業平台的限制。
工具
GitHub 趨勢專案 anomalyco/opencode 用一句話自介：開源的 coding agent。把能讀碼、理解需求、自己改檔跑測試的 AI 編程助手做成開源版，讓開發者能自架、接自己的模型、改原始碼。
anomalyco/opencode 用一句話介紹自己：開源的 coding agent。簡介雖短，定位卻很清楚——把能讀程式碼、理解需求、自己動手改檔案跑測試的 AI 編程助手，做成開源版本給大家用。過去一年，這類「會自己寫程式」的 agent 是開發圈最熱的方向，商業產品一個接一個，但多半綁在特定平台或要付訂閱費。opencode 走開源路線，等於把這種能力的底層攤開，讓開發者能自己檢視它怎麼運作、接上想用的模型、按自家需求改造。對重視資料不外流、或想把 agent 嵌進內部流程的團隊來說，能自架、能改原始碼是很實際的考量。它能衝上趨勢榜，也說明開源社群想要一個不被單一廠商綁死的選項。工具好不好用要實際跑過才知道，但開源這條路至少給了願意動手的人一個能從頭掌握的起點。簡介越精簡，越像是把賭注押在程式碼本身會替它說話。對企業而言，能把 coding agent 關在自家防火牆內跑，光這一點就足以讓人願意試。
歸剛點評｜商業 coding agent 多半綁平台、收訂閱。開源版的賣點是自架、可改、資料不外流，對重視內控的團隊是實打實的誘因。
工具
Fission-AI 推出 OpenSpec，主打「規格驅動開發」搭配 AI 編程助手：先把需求寫成結構清楚的規格，再讓 AI 照規格產碼，解決 AI coding 最常因需求模糊而翻車的問題，並留下可追溯的軌跡。
Fission-AI 推出的 OpenSpec，主打「規格驅動開發」搭配 AI 編程助手。概念是把需求先寫成一份結構清楚的規格，再讓 AI 照著這份規格去產出程式，而不是丟一句模糊的指令就期待模型猜對。寫過程式的人都知道，AI coding 最常翻車的地方就是需求講不清楚，模型自由發揮的結果常常離預期很遠。OpenSpec 想用一套規格流程把這段對齊起來，讓人先把「要做什麼」定死，AI 再負責「怎麼做」，雙方在同一份文件上對焦。這種做法把傳統軟體工程裡「先寫規格再寫程式」的老智慧，搬來治理愛自由發揮的 AI。對團隊協作特別有意義——規格是人看得懂、也能版本控管的東西，等於給 AI 的產出留下一條可以追溯、可以審查的軌跡。當 AI 寫的程式越來越多，怎麼讓它寫出可控、可維護的東西，會比單純追求生成速度更重要。OpenSpec 押的就是這個方向：速度交給模型，把關交給規格，責任和軌跡留給人。對導入 AI 的組織來說，這套流程也讓責任歸屬清楚：規格寫錯算在人頭上，照規格實作卻出包，再回頭追模型。
歸剛點評｜AI coding 翻車多半因為需求講不清。先把規格定死再讓 AI 動手，等於給生成的程式留下可審查的軌跡，這在團隊協作裡比生成速度更值錢。