第 20 期2026-06-29（台北時間）
第二十期。今天的主線藏在一個老問題的新答案裡：AI 到底取代了什麼、又取代不了什麼。中國智譜開源 GLM-5.2，號稱在抓資安漏洞上追平 Anthropic 旗艦 Mythos，把美國的出口管制照得有點尷尬——你管得了晶片，管不了一份 MIT 授權的權重。另一頭，福特花三年回聘三百五十名「灰鬍子」老工程師，收拾 AI 品管留下的爛攤，用十億美元的代價證明有些判斷力模型學不走。資本市場則把美光捧成「下一個 Nvidia」，HBM 記憶體完售到年底，市值一度壓過 Meta 與 Tesla。Suno 一邊發錢扶植獨立樂手、一邊夾帶「只准說好話」條款；檢方把 ChatGPT 對話搬上法庭，卻換來一場流審。從實驗室到法院到國庫，AI 的邊界今天被很多人同時用力推了一把。
開源
中國智譜 AI（對外品牌 Z.ai）把開源權重模型 GLM-5.2 推上檯面，最早六月十三日先給 GLM Coding Plan 付費會員，六月十六日再放出權重與發布說明，授權採 MIT，任何人都能下載、在自家硬體跑、微調、拆開看內部。引爆討論的是資安測試公司 Semgrep 的一篇評測：在 IDOR（越權存取）漏洞偵測上，GLM-5.2 拿到 39% 的 F1 分數，壓過 Claude Code 的 32%，而且每找到一個漏洞只花約 0.17 美元。把一個開源模型拿來跟 Anthropic 的旗艦 Mythos 並論，等於說中國這邊用「免費下載、自己架」的方式，逼近美國那套「閉源、按量收費」的頂規能力。爭議也在這裡。多位開發者跳出來潑冷水，指出流傳的「追平」數字來自 Semgrep 單一窄測試，並非兩個模型正面對打的全面跑分，把一個情境的勝負講成整體平手，是過度解讀；Next.js 作者 Guillermo Rauch 等人都提醒別被單一 benchmark 帶風向。對企業來說，開源權重能自己架在內網跑，省掉把程式碼送上雲端的疑慮，誘因很實在；同一把刀反過來，網路犯罪者也能拿同一套模型做攻擊面探勘。這條線跟我們前幾期追的「前沿模型政治化」其實是一體兩面——華府忙著管 Mythos 誰能用、在哪用，中國這邊用開源直接把門檻拆了。美國想靠管制卡住中國模型擴散，GLM-5.2 用一份貼上 GitHub 的 MIT 權重，證明這道牆有多難砌。
歸剛點評｜開源模型最狠的地方，是它不跟你比「誰最強」，比的是「誰夠用又免費」。GLM-5.2 就算只在某個資安情境贏一場，對想省錢的資安團隊也夠香了。華府想用出口管制圍堵中國 AI，但你管得了晶片，管不住一份貼到 GitHub 的權重——這才是真正讓人頭痛的地方。
產業
福特過去三年回聘約 350 名資深工程師（多為退休舊員工與供應商老手），收拾自動化品管與 AI 工具留下的爛攤，預期今年省下十億美元，並拿下 J.D. Power 新車品質主流品牌第一。
TechCrunch、Bloomberg 報導，福特過去三年陸續回聘約 350 名資深工程師，當中很多是退休的舊員工，也有從供應商挖來的老手，外界稱他們「灰鬍子」（gray beard）。原因是福特先前砸下的自動化品管系統與 AI 工具表現不如預期，品質問題累積到讓公司付出數十億美元代價。問題的根源在交接斷層。有經驗的老工程師在把幾十年的判斷力寫進系統之前就先離開了，訓練資料裡缺了這些工程直覺，AI 工具非但沒接住，反而把弱輸入放大——本該被攔下的設計瑕疵一路放行。回聘的老手現在主持強制性的品質檢討會，逐一拆解問題，還反過來重寫 AI 工具的邏輯，讓它在出包前先攔下來。福特預估這批人今年能幫公司省下十億美元，而且在最新的 J.D. Power 新車品質調查裡，福特拿下主流品牌第一。這條新聞戳破一個流行假設：以為導入 AI 就能自動產出高品質。福特高層自己認帳，說當初天真地以為「只要把 AI 放進去就會有好產品」。跟我們追的 AI 取代人力敘事對照，這是個難得的反向案例：模型沒把老師傅的判斷力學走，公司只能把人請回來。
歸剛點評｜AI 取代人力的故事講太多了，福特這案例提醒一件事：你能自動化的是流程，自動化不了的是幾十年踩坑換來的判斷。把老師傅當成本砍掉，省下的薪水最後用十億美元的品質代價還回去。對任何想用 AI「優化人力」的公司，這是一張很貴的帳單。
資金
美光六月二十四日盤後交出 Q3 財報，HBM4 高頻寬記憶體完售到今年底，股價今年漲逾三倍，市值一度超越 Meta 與 Tesla，分析師目標價集體喊到 1,500 美元以上。
TechCrunch、TheStreet 等多家報導，華爾街正把美光（Micron）當成 AI 硬體的下一檔大魚。美光六月二十四日美股盤後公布二○二六財年第三季財報，這是近年最受矚目的大型股重評價之一。股價今年以來漲幅超過 324%，六月二十二日收在約 1,211 美元，週四市值一度超越 Meta 與 Tesla，週五回落但仍與兩者相當，逼近 1.27 兆美元。美光的籌碼是 HBM（高頻寬記憶體）。每一顆 Nvidia AI 晶片旁邊都要貼著 HBM，而全世界能量產的只有三家公司，現在供不應求。HBM4 產能已經完售到二○二六年底，定價權強到記憶體業界罕見。美光因此從過去那種景氣循環的大宗商品廠，翻身成 AI 基礎建設的戰略供應商。華爾街預估它這季毛利率衝上 81%，等於成本之上加價 432%。分析師目標價幾乎集體翻倍到三倍，Needham 喊 1,550、UBS 1,625、Stifel 與 TD Cowen 都喊 1,500。美光是今年標普 500 表現第三強的股票，只輸給同樣吃記憶體紅利的 SanDisk 與 Western Digital。記憶體漲價的帳，最後會轉嫁到你下一台電腦、手機上——TechTimes 把它形容成一種「AI 記憶體稅」。需要提醒的是，這些天價多半建立在「完售」的當下盛況上，記憶體向來大起大落。
歸剛點評｜Nvidia 賺的是算力，美光賺的是「算力的隔壁」——再強的 AI 晶片沒有 HBM 餵資料就是空轉。當瓶頸從晶片本身移到記憶體，全世界三家供應商就握住整條供應鏈的咽喉。風險是這種完售盛況把循環股當成長股在估值，現在的天價，也可能是下一輪庫存修正的起點。投資與否請各自判斷，我這裡只擺事實。
產業
AI 音樂平台 Suno 六月二十五日推出 Spark 育成計畫，給獨立創作者數千到數萬美元補助與行銷資源，但合約裡藏了「Good Vibes Only」條款，要求永久不得公開批評 Suno。
Variety、Billboard、Music Ally 報導，AI 音樂平台 Suno 六月二十五日推出名為 Spark 的藝人育成計畫，鎖定十八歲以上、未簽約的獨立歌手、詞曲作者與製作人。入選者可拿到數千至數萬美元不等的補助金，外加行銷預算、Suno 詞曲創作營邀請、作品回饋，行銷支援還能客製到網紅推廣、廣告投放、視覺設計、活動與媒體曝光。創作者保有作品的創作與商業權利，也能自選發行商。看起來很大方，但合約裡有一條標題叫「Good Vibes Only（只要好氛圍）」的條款引爆討論。參與者要同意「在合約期間及之後」永遠不得以任何方式、口頭或書面、直接或間接做出任何讓 Suno、Suno 員工或其產品服務「顯得負面」的言論。違反就算重大違約，Suno 有權終止合約。Music Business Worldwide 直接點名：只要你以後想評測 AI 工具、比較平台、或誠實談自己的使用經驗，這條封口令都會跟著你。一邊發錢扶植獨立音樂人，一邊用補助換創作者的長期沉默，這套操作在樂界踩到敏感神經。獨立樂評站 Saving Country Music 形容這計畫「特別邪惡」。把扶植和封口綁進同一份合約，等於用金援買口碑——拿了錢的人變成不能說壞話的活廣告。Suno 想擺脫「AI 罐頭音樂」標籤、轉型成串流平台的企圖，被這條款反過來攤在陽光下。
歸剛點評｜補助本身不壞，壞的是把「不准批評」寫進合約。當一家公司要靠條款買沉默，通常代表它知道有些話經不起被說出口。對創作者，這是一筆要算清楚的帳：拿幾萬美元，賠掉的是往後一輩子對這個工具誠實發言的權利。
監管
帕利塞茲大火縱火案中，檢方把被告與 ChatGPT 的對話（生成火焰圖、問「我為何總是憤怒」）當呈堂證據，但陪審團以 10 比 2 傾向無罪僵持，法官宣告流審，十月重審。
The Verge、CBS 等報導，二○二五年元旦凌晨引發帕利塞茲大火、造成十二人死亡、燒毀逾六千棟建物的縱火案，被告 Jonathan Rinderknecht 受審。檢方端出的一項關鍵證據，是他與 ChatGPT 的對話紀錄：他用 ChatGPT 生成火焰圖像，問過機器人「我為什麼總是這麼憤怒？」，並多次發表對貧富差距、富人毀掉世界的激烈言論。檢方據此主張他想對社會「復仇」。辯方對這項 AI 證據強力反擊，主張這些 ChatGPT 對話被斷章取義，被告只是代罪羔羊。爭點在於，聊天機器人裡的情緒宣洩，到底能不能當成犯罪動機與意圖的證明？人對著 AI 打的字，往往比對人說的更私密、更誇張，把它原封不動搬進法庭，證據力與隱私邊界都還沒有清楚的判例可循。六月二十六到二十七日，陪審團在三項重罪上全數僵持，最終以 10 比 2 傾向無罪，法官宣告流審，重審訂在十月十九日。對檢方是一記重擊。跟我們前幾期追的德國法院判 Google 要為 AI 摘要錯誤負責放在一起看，AI 留下的數位足跡正快速變成法庭攻防的新戰場——而法律對「人跟 AI 說的話算不算數」這件事，明顯還沒準備好。
歸剛點評｜你對 ChatGPT 打的每個字，都可能在某天被投影到陪審團面前。這案子真正的看點不在被告有沒有罪，而在司法系統第一次認真面對 AI 對話這種證據：它私密、容易被剪輯、又缺乏脈絡。在判例補上之前，最務實的自保是記住——跟 AI 聊天不等於對著日記說話，那是會被存檔、會被調閱的。
研究
美國 Ames 國家實驗室用融入物理的 AI 模型 DuctGPT 探索無稀土永磁材料；賣點是讓 AI 懂底層科學、能反推新材料，但研究本身從未證明能取代現有 NdFeB 磁鐵，部分媒體標題誇大了。
TechXplore、Ames Lab 官網報導，美國能源部 Ames 國家實驗室的科學家提出一套用 AI 驅動的永磁材料設計路線圖，目標是繞過對稀土金屬的依賴。核心工具 DuctGPT 是一個生成式 Transformer，原本發表在《Acta Materialia》，最早是為了篩選核融合與航太用的耐高溫、抗輻射又有延展性的難熔合金而設計的。DuctGPT 的關鍵在於把物理建模納進來：不光靠舊資料訓練，AI 對底層科學有理解，能據此推理出新材料，還能一併考慮生產成本與零件來源。把這套思路轉用到永磁，就是想讓 AI 在材料空間裡反推出不靠稀土、又能達標的配方，對國防、再生能源、運輸與電子業的供應鏈安全都有意義。要潑一盆冷水。多家專業媒體（如 Rare Earth Exchanges）指出，那些「AI 找到無稀土磁鐵」的標題誇大了研究內容——這份研究從頭到尾沒有展示出能取代 NdFeB（釹鐵硼）磁鐵的成品，它交出來的是一套方法論與路線圖，手上並沒有一塊現成的磁鐵。跟我們追的 AI 科學發現熱潮對照，這是個健康的提醒：AI 加速的是找方向，而成品還隔著漫長的實驗驗證。
歸剛點評｜AI 做科學最容易被新聞標題帶飛。Ames 這套東西真正有價值的地方，是讓模型「懂物理」、能據此推理，而手裡其實還沒有一塊能上產線的無稀土磁鐵。看到「AI 突破」四個字先冷靜，問一句：它交出來的是方法，還是成品？
資安
開源專案 Strix 用自主 AI 代理模擬真實駭客：動態跑你的程式、找出漏洞、用實際 PoC 驗證，還能接進 GitHub Actions，發現新漏洞就擋下 PR。
登上 GitHub Trending 的 Strix（usestrix/strix）是一套開源的自主 AI 資安代理。它的定位是像真正的駭客那樣動手：實際跑你的程式碼、探索應用程式、找出弱點，再用能跑的概念驗證（PoC）把漏洞「證明」出來，而省去丟一份可能誤報的清單給你。技術上，Strix 用大型語言模型當自主操作員——會思考、規劃、執行工具、分析輸出、再迭代。它透過 HTTP proxy 攔改請求與回應，驅動瀏覽器去探 XSS、CSRF 這類前端路徑，開終端機跑指令測試，還附一個 Python 環境讓你寫客製 exploit。它用圖模型把多個專職代理編成工作流，分頭打不同目標並行跑，一個代理挖到新線索，其他代理就跟著調整，藉此在更短時間內擴大測試覆蓋。最有生產價值的是 CI/CD 整合：Strix 能跑在 GitHub Actions 與標準管線裡，一偵測到新漏洞就擋下 pull request，等於把資安左移到合併程式碼之前。它在 GitHub 上免費開放。跟同一天 GLM-5.2 的資安話題擺在一起看，AI 自動找漏洞正在從研究展示，變成開發者天天能用的工具——防守方拿得到，攻擊方一樣拿得到。
歸剛點評｜自動化滲透測試從「貴鬆鬆的顧問服務」變成「掛在 CI 裡免費跑」，對小團隊是福音：沒有資安預算也能在每次 commit 攔下低級漏洞。但同一套開源工具，紅隊跟壞人用的是同一份程式碼。AI 把攻防雙方的門檻一起拉低，接下來比的是誰跑得更勤、補得更快。
政策
世界經濟論壇本週刊文對比中美 AI 投資策略：中國二十年要導入約 1380 億美元國家創投引導基金押注 AI、量子；美國則提案砍國家科學基金會 55% 預算，另開 2.93 億美元、聚焦 AI 的 Genesis Mission。
世界經濟論壇（WEF）本週一篇分析，把中美兩種 AI 投資路線擺在一起對照。中國這邊，國家級的「創投引導基金」預計二十年內從地方政府與民間吸引近一兆人民幣（約 1380 億美元），鎖定 AI、量子科技、氫能儲存等前沿領域，等於由國家直接下場挑下一波技術贏家。美國走的是相反方向。白宮提案把國家科學基金會（NSF）的預算砍掉 55%，從 87.5 億美元降到 40 億；同時另起爐灶，推一個規模 2.93 億美元、聚焦把 AI 用到二十多項國家級挑戰的 Genesis Mission。一手收掉撐起美國創新七十五年的廣撒型基礎科研，一手押下小而集中、任務導向的 AI 賭注。WEF 的對比點出一個更大的賭局：北京賭國家主導的資本能精準挑出贏家，華府賭市場與少數任務型投資的效率。哪種模式跑得快還沒有答案，但對全球研究人才與新創來說，錢從哪裡來、附帶什麼條件，正在重新決定他們往哪裡去。跟我們追的前沿模型政治化、出口管制放在一起，AI 競賽的戰場早已超出實驗室，國庫的方向盤怎麼打，同樣是勝負手。
歸剛點評｜這是兩種國家級豪賭的對照組。中國的風險是政府挑贏家常常挑成大撒幣與產能過剩；美國的風險是砍掉基礎科研等於吃老本，短期省錢、長期可能把下一個十年的種子一起砍了。對台灣這種夾在中間的科技經濟體，看懂兩邊的錢往哪流、什麼領域被點名，比追單一模型發布更能預判風向。
觀點
技術作家 Jon Udell 不滿「human in the loop（人在迴圈裡）」這說法，認為它把主導權讓給了機器；他主張翻轉敘事——是我們的迴圈，我們招募 AI 進來協助，主導權始終在人。
Simon Willison 引述技術作家 Jon Udell 的一段話，點出一個用詞上的小反叛。Udell 說他不喜歡「human in the loop（人在迴圈裡）」這個流行說法，因為它把權威拱手讓給了機器——好像迴圈是 AI 的，人只是被塞進去確認一下的環節。他主張把敘事翻過來：是我們的迴圈，我們照自己一直以來的方式工作，現在多招募了 AI 進來幫忙，主導權始終在人這邊。用詞看似小事，卻框住了人怎麼想自己跟 AI 的關係。「human in the loop」這個工程術語原本描述的是自動化系統裡保留一個人類審核點，但它被廣泛挪用後，隱隱把人擺成配角——機器主跑，人在旁邊把關。Udell 想要的是「human agent in the loop」，強調人是有主動性（agency）的那一方，AI 是被招募進來的工具，主從關係不該顛倒。這種用詞上的較真，呼應了愈來愈多從業者對「AI 代理」熱潮的警覺：當所有工作流都被描述成「AI 自動跑、人類監督」，久了人真的會把自己當成系統的附屬。Udell 的提醒很實用——你怎麼描述一段協作，會回頭影響你在裡面把自己擺在什麼位置。跟福特把老師傅請回來的故事對照，兩件事講的是同一個底層焦慮：別在追自動化的路上，把人的判斷與主動性不小心讓了出去。
歸剛點評｜詞怎麼用，會悄悄決定你怎麼想。把「人在迴圈裡」改成「我的迴圈、我請 AI 來幫忙」，聽起來只是修辭，實際上是在守住一件事：誰說了算。在人人都在喊 agent 的當下，這提醒剛好戳中要害——工具再強，按下確認鍵、扛下後果的，還是人。
社群
資料科學家 DJ Patil 等人發起「Hack Your Summer」，給大學生、研究生與剛畢業者一個四週、高速度的實作衝刺，鼓勵年輕人在 AI 時代動手把東西做出來。
Simon Willison 介紹了他從前美國首席資料科學家 DJ Patil 那裡聽來的一個計畫：「Hack Your Summer」。這是一個為期四週、強調高速度產出的實作衝刺，對象是大學生、研究生與剛畢業的人，核心精神是趁暑假把想法快速做成能動的東西，而不停在只學或只想。這計畫踩在一個時間點上——AI 工具讓「從零做出一個可用產品」的門檻大幅降低，一個學生現在用 AI 輔助，幾週內就能端出過去要一整個團隊好幾個月的雛形。Patil 這類人想傳遞的訊息很直接：與其擔心 AI 會不會搶工作，不如趁現在工具最強、學習曲線最平的時候，逼自己動手累積真實作品。對焦慮「AI 時代我還能做什麼」的年輕世代，這種計畫給的是一條很具體的路：用四週時間，把「我會用 AI」變成「我用 AI 做出了某個東西」。能寫進履歷、能展示的，從來是後者。跟我們追的 AI 教育、人才議題擺在一起，業界的共識愈來愈清楚——AI 不會直接淘汰人，但會拉開「只會聊」跟「真的做得出來」這兩種人的差距。
歸剛點評｜對學生這是難得務實的建議。AI 把做東西的門檻砍到歷史新低，誰先動手把作品堆起來，誰就先一步把焦慮換成籌碼。四週不長，但足夠把「我懂 AI」這種空話，變成一個能點開來看的成品——在求職市場，後者才有重量。
開源
港大資料科學實驗室（HKUDS）的開源專案 Vibe-Trading 登上 GitHub 熱榜，主打「你的個人交易代理」，讓使用者用口語化指令操作交易策略；好玩之餘，真錢風險要先想清楚。
香港大學資料科學實驗室（HKUDS）的開源專案 Vibe-Trading 衝上 GitHub Trending，標語直接喊「你的個人交易代理（Your Personal Trading Agent）」。它的概念是把「vibe coding」那套——用自然語言描述需求、讓 AI 幫你生成——搬到金融交易場景，讓使用者用比較口語、直覺的方式表達策略，由 AI 代理去拆解成可執行的動作。這類「AI 交易代理」開源專案最近一波接一波，背後是 LLM 加上工具呼叫（tool use）的能力成熟到一個程度，讓「把模糊的人類意圖翻成結構化操作」變得可行。對散戶，吸引力在於降低門檻：不用寫複雜的量化程式，講人話就能搭出一套策略雛形。金融跟寫網頁不一樣，這裡每個動作都連著真錢。把交易決策交給一個你不完全看得懂內部邏輯的 AI 代理，誤判、過度交易、被市場波動掃到，賠的是真金白銀。開源讓人人都能架一套自己的交易機器人，這是工具民主化的好處，也意味著一堆沒風控觀念的人會把儲蓄交給一段半懂不懂的程式。當研究與學習的玩具沒問題，當提款機之前先想清楚誰來扛虧損。
歸剛點評｜「用講的就能交易」聽起來很爽，但金融市場專門懲罰這種爽。Vibe-Trading 技術上很有意思，展示了 AI 代理把意圖轉成操作的能力；可是把錢交給一個你看不透的黑盒，省下的是學習成本，賭上的是本金。當研究專案玩很好，當理財工具請先把風險寫在臉上。要不要實際拿錢去跑，是你自己的決定。
研究
GitHub 熱榜出現 Robbyant/lingbot-map，一個前饋式（feed-forward）3D 基礎模型，能從串流資料即時重建三維場景，對機器人、AR 與空間運算是底層能力。
登上 GitHub Trending 的 Robbyant/lingbot-map 是一個前饋式（feed-forward）的 3D 基礎模型，主打能從串流進來的影像資料即時重建出三維場景。「前饋式」的意思是模型一次推論就把結果算出來，省去傳統三維重建那種反覆迭代最佳化的漫長過程，速度上更貼近即時。把場景重建做成「基礎模型」是這幾年電腦視覺的重要方向——過去三維重建要針對每個場景慢慢算，現在改用一個預訓練好的大模型，看到新畫面就能快速吐出空間結構。串流輸入這點尤其關鍵，代表它瞄準的是會動的、連續的真實世界，處理的不再是預先拍好的靜態照片集。這種能力是機器人、自駕、AR 眼鏡與空間運算的底層地基——機器要在物理世界裡行動，第一步就是即時搞懂「我周圍長什麼樣、東西在哪」。開源出來等於把一塊原本各家自己練的關鍵積木公開，讓更多團隊不必從頭造輪子。跟我們追的具身智慧、機器人熱潮對照，2026 年的明顯趨勢是 AI 正從螢幕裡的文字，往外長進能感知三維空間的身體。
歸剛點評｜大家盯著聊天機器人，但機器人要真的會動，缺的是「即時看懂三維世界」這塊地基。lingbot-map 把重建從「慢慢算」變成「即時出」，是具身智慧能不能落地的關鍵之一。開源更是加速器——當底層積木公開，整個機器人生態的迭代速度都會被拉上來。
資金
Google.org 推出「AI for Science」影響力挑戰，以 3000 萬美元全球公開徵案，提供資金、工具與技術支援，協助研究者與組織用 AI 加速科學突破。
Google 的公益部門 Google.org 推出名為「AI for Science」的影響力挑戰（Impact Challenge），這是一個規模 3000 萬美元的全球公開徵案，要提供資金、工具與技術專業，協助研究者與組織用 AI 加速科學突破。徵案面向全球，鎖定那些有潛力但缺資源把 AI 用進研究的團隊。這筆錢放在 2026 年的大背景下別有意味。同一週，WEF 才在對比各國政府的 AI 投資路線、美國提案大砍國家科學基金會預算；當公部門的基礎科研經費往後縮，像 Google.org 這種企業公益基金，正好補上一塊「給科學家用 AI 的銀彈」。對許多實驗室，這種徵案是少數不必綁定商業回報、又能拿到算力與工具的管道。把這條跟前面 Ames 磁鐵、各種 AI 加速科學的進展擺在一起，方向很一致——2026 年的共識是 AI 對科學最大的貢獻在「當研究者的加速器」。誰出錢、用什麼條件出，會實際決定哪些領域被加速。企業基金補位的同時也帶來提問：當愈來愈多基礎科研的銀彈來自科技巨頭，研究的題目與方向會不會被悄悄牽著走，值得持續盯著。
歸剛點評｜政府在科研經費上往後退，科技巨頭的公益基金往前補，這個位移本身就是個訊號。3000 萬美元不算巨款，但它流向哪些題目，會透露 Google 認為 AI 該先加速哪塊科學。好處是錢進到缺資源的實驗室；要留意的是，當基礎研究愈來愈依賴企業善款，獨立性這筆帳得有人記著。