歸剛誒AI

OpenAI 的二號人物、負責 AGI 業務的 Fidji Simo，宣布卸下全職職務，改當「兼職顧問」，消息由她本人在 X 上公布。這件事其實有伏筆：她今年 4 月就宣布因為一種神經免疫疾病要請幾週醫療假，那時她才剛接下這個重要位子沒多久，如今醫療假拉得比預期長，她選擇正式退出全職角色。

Simo 的資歷是 OpenAI 這兩年往企業與消費市場擴張的關鍵拼圖，外界普遍把她視為執行長 Sam Altman 之下最重要的營運大腦。她一走，留下的是一個在敏感時點出現的領導真空。TechCrunch 直言，這個空缺來得不是時候——OpenAI 正盯著可能的 IPO，同時要在企業市場追趕 Anthropic，最需要有人穩住營運節奏的階段，二號位子卻空了。

把這條跟今天另一條 OpenAI 新聞併著看更有意思：一邊被蘋果告硬體竊密、一邊高階主管因病退場，OpenAI 這個檔期的人事與法務都在承壓。企業客戶在挑供應商時，看的不只是模型分數，還有對方的組織穩定度，接連的動盪多少會被競爭對手拿去當談資。

歸剛點評：先祝 Simo 早日康復，這是健康問題不是宮鬥。但從公司治理角度看，OpenAI 把太多重擔壓在少數幾個明星高管身上的風險又露了一次餡。衝 IPO 的公司最怕的就是「關鍵人物依賴」，這個位子接下來由誰補、補得夠不夠快，比模型改版還值得盯。

AI 晶片熱潮又刷新了它在華爾街的最高紀錄。南韓記憶體大廠 SK 海力士在美國掛牌，一口氣募得 265 億美元，成為美國史上規模最大的外國企業 IPO。這個數字本身就是一則產業訊號：撐起這波 AI 資本市場的，除了算力晶片，還有記憶體，尤其是餵給 AI 加速器的高頻寬記憶體（HBM），而 SK 海力士正是這塊的龍頭之一。

募到的錢只是故事的一半。TechCrunch 指出，SK 海力士與三星同時被要求到美國興建新的晶圓廠。也就是說，資本市場給了南韓記憶體雙雄一大筆銀彈，但拿錢的附帶條件，是把先進製造的產能搬一部分到美國本土。這跟過去幾年美國推動晶片在地化、拉高關鍵零組件供應鏈韌性的路線是一貫的。

把資金與設廠壓力綁在一起看，這件事的重量就出來了：AI 硬體的競爭已經從「誰的晶片快」延伸到「產能放在哪個國家」。對台灣讀者來說更該留意——記憶體與晶圓代工的全球版圖若因為地緣政治重新洗牌，牽動的是整條供應鏈的訂單與投資流向。

歸剛點評：265 億美元不是拿來擴產能就好，背後夾帶的是「來美國蓋廠」的政治帳單。AI 這一輪的錢潮，越來越不只是市場在配置資源，還有國家在畫地圖。看 HBM 就知道，記憶體從冷門變成兵家必爭，SK 海力士這張成績單是最好的證明。

在外界不斷傳 OpenAI 與微軟要「分手」的當口，OpenAI 出面宣布，最新的 GPT-5.6 系列將繼續驅動微軟 Copilot 365 的整套辦公與生產力應用，並被定位為「首選模型」。這句話翻成白話就是：Word、Excel、PowerPoint、Chat 這些每天有上億人在用的工具，背後主力還是 OpenAI 的模型。

會需要特別發這則聲明，本身就說明了問題。過去一年，OpenAI 一邊自己做辦公助理、拓展企業業務，一邊又依賴微軟的雲端算力與通路，兩家從盟友慢慢變成在部分戰場正面對打的競合關係。市場一有風吹草動就猜他們要拆夥，這則「首選模型」的公告，作用是先把最重要的一條合作管線焊死，安撫兩邊的企業客戶別急著換供應商。

對微軟而言，Copilot 是它把 AI 塞進每一份工作文件的核心賭注，模型供應的穩定度直接關係到產品體驗。對 OpenAI 而言，微軟的通路是它觸及大企業最快的一條路。兩家嘴上競爭、手上還是綁在一起，這種又愛又防的姿態短期內不會變。

歸剛點評：越是急著公開說「我們感情很好」，越代表底下有暗湧。GPT-5.6 當 Copilot 首選模型是既成事實，真正的看點是這段婚姻還能撐多久——當 OpenAI 的企業產品跟微軟的 Copilot 開始搶同一批客戶，今天的「首選」隨時可能變成明天的談判籌碼。

德國電信宣布跟 OpenAI 合作，目標是把自己從一家傳統電信商，改造成「AI 原生」的電信商。官方描述的範圍很廣，一次點名四塊：客戶服務、員工的日常工作流程、網路營運，以及語音服務的未來型態。等於是把公司從對外的客服到對內的維運，整條都用生成式 AI 重新鋪一遍。

電信業會是生成式 AI 很典型的落地場景。它每天處理海量的客服對話、帳務查詢與障礙申告，這些工作重複、可標準化，又長期苦於人力成本；網路營運則有大量的故障預測、流量調度可以交給模型輔助判斷。把 AI 塞進這些環節，理論上能同時砍成本、縮短處理時間，這也是為什麼電信商成了企業 AI 供應商眼中的大肥客。

對 OpenAI 來說，拿下德國電信這種等級的歐洲電信巨頭，是它在企業市場插旗的漂亮戰績，尤其現在它正被說在企業戰場落後 Anthropic。跨國電信商的導入案例可複製性高，一家做出成效，同業很容易跟進，這種示範效應的價值不亞於合約金額本身。

歸剛點評：「AI 原生電信商」聽起來像行銷詞，但電信業確實是少數導入 AI 立刻能算出帳的行業——客服省一秒、故障早一步發現，都直接反映在成本表上。真正要盯的是德國電信一年後敢不敢公布具體數字，願意攤開省了多少，才代表這套是真本事而不是簡報美學。

Anthropic 發了一則案例研究，主角是數位轉型服務商 UST，重點是把 Claude 帶進「實體 AI」的場景。所謂實體 AI，講的是讓語言模型的理解與規劃能力，延伸到機器人、生產線這類會跟真實世界互動的系統，而不是只待在聊天視窗裡回答問題。

這條路線的技術邏輯是這樣：大型語言模型擅長把人的模糊指令拆解成一步步的計畫，機器人則需要有人幫它把「去把桌上的杯子收好」翻譯成一連串可執行的動作。把 Claude 這種模型當成機器人的「大腦上層」，負責理解任務與規劃流程，底層再交給控制系統執行，是目前產業把 AI 推向實體世界的主流做法之一。今天另一篇熱門論文 UniClawBench 談的正是這類會主動操作日常工具的代理人怎麼評測，兩件事呼應著看，會發現整個檯面都在往「AI 動手做事」靠。

找 UST 這種系統整合商當夥伴也有講究。真正要把 AI 落到工廠或倉儲，缺的往往是願意把模型接進客戶既有設備、還能負責維運的整合商，模型本身反倒不是瓶頸。Anthropic 把案例攤出來，是在對外證明 Claude 不只會寫程式碼與文件，也接得住實體場景。

歸剛點評：語言模型走出螢幕、去指揮機器手臂，是這兩年最值得追的一條線。難點從來不在模型聰不聰明，而在真實世界很髒——燈光、雜物、意外狀況都會讓漂亮的規劃翻車。UST 這案子的看點在於它敢不敢公布失敗率，能穩定跑的比例，才是實體 AI 有沒有成熟的照妖鏡。

Hugging Face 執行長 Clem Delangue 在 TechCrunch 的訪談與 Podcast 裡把話講得很直白：開源 AI 正在爆發，而且比以往任何時候都更重要。他的公司這幾年長成了 AI 界的 GitHub——一個讓開發者上傳、下載開源模型與資料集的地方，如今大約半數的財星 500 大企業都在用。

Delangue 反覆看到同一齣戲上演：企業一開始圖方便，直接租用封閉的商用模型 API，用一陣子之後開始算帳，發現長期把核心能力綁在別人身上，成本、資料主權與客製彈性都受制於人，於是轉向自建、自己掌握模型。他把這總結成「企業不想再租 AI」，想把 AI 變成自己養在家裡的資產。

這個觀察跟今天另一條新聞形成有趣對照：德國電信選擇跟 OpenAI 深度綁定，走的是「租」的路線；而 Delangue 描述的是越來越多公司想「買房自住」。兩種路線會長期並存，差別在企業把 AI 當成一次性外包，還是當成要長期經營的核心能力。對想省成本又怕被鎖死的公司，開源這條路的吸引力確實在變強。

歸剛點評：Delangue 是賣鏟子的，說開源好當然有立場，這點要先打折。但他戳中的痛點是真的——把整間公司的智慧押在單一供應商的 API 上，哪天對方漲價或改政策，你只能挨著。開源模型追上封閉模型的差距越小，「自己養一個」的帳就越划算，這是接下來兩三年企業採購最實際的分岔路。

歐盟對 Meta 下了一道很硬的指令：關掉自動播放（autoplay）與無限滾動（infinite scroll），否則就準備面對鉅額罰款。這是依據歐盟的《數位服務法》（DSA）而來，Ars Technica 指出，這可能逼 Meta 對旗下平台做出很大幅度的改動。

自動播放和無限滾動是社群平台留住你眼球的兩大法寶。影片一支接一支自動放、動態消息永遠滑不到底，設計上就是要讓人失去「該停了」的自然斷點，盡量延長停留時間。監理機構近年把這類手法歸為「成癮式設計」，認為它們刻意利用人的心理弱點、對未成年人尤其有害，因此想從法規層面強制平台拿掉這些開關。

把這條跟今天 Instagram 負責人 Mosseri 談 AI 內容的新聞放在一起看，會看到同一個張力：平台一邊主張「使用者自己有選擇權」，一邊靠著這些讓人停不下來的機制賺取注意力。歐盟這次的態度是不接受「使用者自己會節制」的說法，直接要求把成癮開關關掉。真的執行，等於動到 Meta 的核心互動設計與廣告曝光模式。

歸剛點評：這是監理機構第一次認真對「介面設計」本身開刀，過去罰的多半是資料濫用或內容問題，這回瞄準的是「你怎麼把人黏住」。Meta 大概會拖、會上訴、會找折衷版本，但方向已經很清楚——把使用者當成需要保護的對象，而不是任平台優化的指標。歐盟一開這個頭，其他地區跟進只是時間問題。

微軟自家的 2026 年永續報告揭露了一個尷尬的數字：2025 年公司碳排放在「未採取特定干預」的情況下增加了 25%，總量來到約 3,400 萬公噸。報告直白地把原因指向業務擴張，而任何看懂這幾年產業的人都知道，撐起這波擴張的正是 AI 資料中心的瘋狂長大。

AI 的算力是靠電堆出來的。訓練與服務大型模型需要成排的 GPU 全天候運轉，這些機器要供電、要散熱，背後對應的是龐大的電力消耗與碳足跡；蓋新資料中心用的水泥、鋼材本身也帶著可觀的隱含碳排。微軟早年高調承諾要在幾年內做到負碳排，如今卻在自家報告裡承認排放不減反增，等於承認 AI 這頭巨獸把減碳的時間表輾了過去。

這跟今天另一條 Sunrun 把運算節點放進民宅的新聞遙遙呼應——整個產業都在為 AI 的能源胃口找出路，有人蓋更大的資料中心、有人試著把算力分散。無論哪條路，AI 對電與碳的需求都是真實且龐大的成本，過去被漂亮的模型分數蓋住，現在帳單開始浮上檯面。

歸剛點評：科技巨頭喊淨零喊得比誰都響，一遇上 AI 軍備競賽就先把承諾放旁邊。25% 這個數字最誠實的地方，是微軟自己白紙黑字寫進報告，沒法賴。AI 好用是真的，但它的電費與碳帳單也是真的，接下來該追的是——這些公司是真的去補綠電，還是只買碳權把數字洗乾淨。

一家做太陽能與家用儲能的公司 Sunrun，用一個很反直覺的方式跨進了 AI 資料中心生意：它不自己蓋一座大樓，改成付錢給既有客戶，把運算單元放進他們家裡。這個叫「分散式 AI 運算」的試點計畫，會在住家內擺設多個運算節點，讓一戶戶民宅變成 AI 算力網的末梢。

這個點子的巧妙在於它同時解兩個難題。傳統資料中心要大片土地、要拉專線供電、還常被在地社區以噪音耗電為由反對；而 Sunrun 手上剛好有一批裝了太陽能板與儲能電池的家戶，這些屋頂本來就在發電。把運算節點放進這些家，等於借用了現成的分散式電力，還省下集中蓋廠的土地與併網成本。對屋主來說，則是多了一筆把自家空間與餘電租出去的收入。

當然，這條路也有現實考驗：一堆散在民宅、由不同人管理的節點，網路延遲、資安、維修與穩定度都比集中式機房難搞得多，能跑哪類 AI 工作也有限制。但它跟今天微軟碳排暴增那條新聞放在一起，剛好代表產業面對 AI 能源壓力的兩種相反思路——一邊繼續往大蓋，一邊試著化整為零。

歸剛點評：把資料中心拆進民宅聽起來很科幻，但它戳中的痛點很實在：AI 缺的不只是晶片，還有電跟地。Sunrun 這招能不能規模化還很難說，延遲跟資安是硬傷。不過這種「別人的屋頂就是我的機房」的想像力，本身就說明 AI 的能源焦慮已經逼得大家開始亂拳出招了。

Instagram 負責人 Adam Mosseri 在 Lenny Rachitsky 的 Podcast 上談到 AI 內容氾濫的問題，態度很明確：他不打算幫使用者過濾掉平台上的 AI 生成內容。他的說法是「我不認為我們應該過濾掉 AI 內容」，但補了一句——如果你不喜歡，「你就不該讓它出現在你的動態裡」。言下之意，是把篩選的責任推回給使用者自己。

這套邏輯的關鍵在演算法怎麼運作。Instagram 的動態消息是由推薦系統根據你的互動（按讚、停留、追蹤）決定要餵你什麼，Mosseri 的意思是：你點過、看過越多 AI 內容，系統就餵你越多；反過來，你不去互動，它自然會少出現。他把這描述成一種使用者透過行為就能調節的自我選擇。

問題是這套說法迴避了平台本身的責任。演算法要放大什麼、AI 內容該不該標示清楚、農場帳號用 AI 大量灌水怎麼辦，這些是平台的設計選擇，不全是使用者能左右的。這也是為什麼同一天歐盟直接對 Meta 的成癮式設計開罰——監理機構顯然不買「使用者自己會選」這套。跟今天 Pangram 那份 LinkedIn 到處是 AI 內容的報告一起看，平台把關與否的張力更明顯。

歸剛點評：Mosseri 這番話漂亮地把球踢給了使用者——你不爽 AI 內容？那是你自己滑出來的。但演算法是平台寫的、放大機制是平台調的，說「你自己選」有點像餐廳說「你嫌油是你自己點的」。平台想維持 AI 內容帶來的流量，又不想扛審核成本，這種話術以後只會更常聽到。

資金

AI 代理新創讓自家 Agent 操盤 1 億美元募資，當成產品活廣告

為企業打造 AI 代理的新創 Lyzr，用自家的 AI 代理跑完一輪 1 億美元募資，把整個過程當成產品有效的證明。這是 AI 代理從輔助工具走向自主執行商業任務的一次高調示範。

為企業打造 AI 代理（AI agent）的新創 Lyzr，玩了一手很敢的行銷：它用自家的 AI 代理，跑完了一輪高達 1 億美元的募資。公司的說法是，這正好證明產品是真的能用——連募資這種高度依賴人際、判斷與談判的任務，都能交給自家的代理去操盤。

所謂 AI 代理，指的是能自主規劃並執行多步驟任務的系統，而不是只會一問一答的聊天機器人。理論上它可以自己拆解「募一輪錢」這個大目標：整理投資人名單、發信約會議、追蹤進度、彙整條件。Lyzr 把募資這個場景搬出來當招牌，聰明之處在於它挑了一個結果可量化、又跟每個創業者切身相關的任務——能募到一億，比任何 Demo 都有說服力。

當然要打點折扣。募資背後一定還有人類創辦人在拍板關鍵決策，代理實際做了多少、人補了多少，外人看不到，這種「AI 自己完成」的敘事本來就有行銷成分。但它反映的趨勢是真的：AI 代理正從寫程式、查資料的輔助角色，往「替你把一整件商業任務跑完」的方向推，今天熱門論文裡談主動式代理的 UniClawBench、談長任務記憶的 Proactive Memory Agent，都在幫這條路補地基。

歸剛點評：讓 AI 幫自己募資當活廣告，這招話題性滿分、可信度打折。真正值得記的是「AI 代理跑完整件事」正在變成新創的標配敘事，那一億美元反倒是其次。等哪天有人願意公開代理實際接手了幾成、出過哪些包，我們才會知道這波是真本事還是好故事。

OpenAI 放出一份 PDF，內容聲稱它的旗艦模型 GPT-5.6 Sol Ultra 產出了一項數學證明，對象是圖論裡的「循環雙重覆蓋猜想」（Cycle Double Cover Conjecture）。這是一個提出數十年、至今懸而未決的著名難題，消息一出立刻登上 Hacker News 熱門並引來數學社群圍觀。

先把猜想講白一點：它大致是說，在任何一種沒有「橋」的連通圖上，都能找到一組迴圈，讓每一條邊剛好被兩個迴圈覆蓋到。聽起來單純，但它跟圖論裡許多深層結構有關，數十年來吸引大量頂尖數學家嘗試，始終沒有被完整證明。若真的被解開，本身就是純數學界的大事。

真正的重點在驗證，而不是宣布。AI 產出的數學證明過去多次出現「看起來對、細看有洞」的情況，模型很會寫出格式漂亮、語氣自信的推導，卻可能在某個關鍵步驟悄悄跳過或出錯。所以這份 PDF 現在只能算「待驗證的宣稱」，接下來要靠數學家逐行檢查、最好能用形式化證明工具（如 Lean）機器驗證，通過了才算數。這也呼應今天另一篇 Linear Attention 論文的精神——AI 能力的進展，最終要攤在可複現的檢驗上。

歸剛點評：如果這份證明扛得住同儕逐行檢查，那是 AI 從「幫人算」跨到「自己證」的里程碑，值得放鞭炮。但在數學家點頭之前，先把興奮壓一半——模型最擅長的就是把話講得斬釘截鐵，越是漂亮自信的證明越要當心。這條新聞真正的結局，要等驗證那一關揭曉。

一篇新論文對「線性注意力」做了系統性的比較研究。背景是這樣：目前主流的自注意力（self-attention）讓每個 token 都能回頭查看整段上下文，威力強大，但計算成本隨序列長度呈平方成長，一旦上下文拉很長，訓練和推理都會貴到吃不消。線性注意力就是為了打破這個平方瓶頸而生的一票替代方案。

作者把 softmax 注意力，跟四種近期的循環式線性注意力架構——DeltaNet、Gated DeltaNet、Kimi Delta Attention、以及 Gated DeltaNet-2——全部改寫進同一套「循環記憶」的數學表示法。這麼做的好處是讓它們的差異變得一目了然：每種機制在記憶要保留多久、什麼時候該抹除舊資訊、什麼時候該寫入新資訊，各自做了不同的取捨。論文還進一步探討「跨層路由」，也就是不同層之間怎麼分工搭配。

這類研究的價值在於幫整個領域收斂共識。過去各家線性注意力各說各話、用不同符號描述，很難公平比較；把它們放進同一個框架，等於建立了一把共通的尺，讓後人知道在「長上下文、低成本」這個目標下，哪些設計選擇真的有效、哪些只是換了包裝。這跟今天談長任務記憶的 Proactive Memory Agent 其實是同一個大主題的兩面——都在跟「上下文一長，重要資訊就被沖走」搏鬥。

歸剛點評：注意力機制是現在所有大模型的心臟，能不能又便宜又長記性，直接決定模型能處理多長的文件、多久的對話。這種把眾多方案拉進同一框架的綜述看似不性感，卻是領域成熟的標誌——先有共通的量尺，才談得上真正的進步。做長文本應用的人，這篇值得收。

當 AI 代理要處理需要很多步驟、跑很久的任務時，會遇到一個很煩的毛病：跟決策有關的重要資訊，散落在越來越長的操作軌跡裡，時間一拉長，任務要求、環境事實、之前試過什麼、遇過什麼問題、還有哪些子目標沒完成，全都可能被埋進上下文視窗深處，甚至被擠出視窗之外，等到真正需要用的時候卻叫不出來。作者給這個失敗模式取了個名字，叫「行為狀態衰減」。

這篇論文的解法角度很有意思：它主張把記憶當成一種「主動介入」的機制，而不是被動的資料檢索。傳統做法是需要時才去翻歷史紀錄找相關片段（被動檢索），而作者設計了一個獨立的記憶模組，會主動判斷哪些資訊在接下來的決策裡會派上用場，適時把它推到執行代理面前，避免關鍵資訊在該出現的時候缺席。

為什麼這重要，看今天其他幾條就懂了。Lyzr 讓代理跑完一億美元募資、Anthropic 把 Claude 推進實體機器人，這些都是動輒幾十上百步的長任務，代理一旦「忘記」中途的關鍵狀態，整條規劃就會歪掉。記憶能不能撐住長任務，是 AI 代理從 Demo 走向真正可靠的關鍵瓶頸之一，這篇正是對著這個痛點開刀。

歸剛點評：模型越來越聰明，但「聰明」跟「記得住」是兩回事。人類做長專案會寫筆記、列待辦，就是知道腦容量有限；讓 AI 代理也學會主動整理與召回重點，比單純把上下文視窗塞更大更治本。做代理產品的人會知道，翻車往往是它忘了自己十步前決定過什麼，模型會不會反倒是其次。

藥物設計是生成式 AI 很被看好的應用場域，但過去多數方法有個共同盲點：它們生成分子時，通常只盯著特定的標靶蛋白或一般的分子性質，卻忽略了「疾病脈絡」會怎麼改變標靶的行為與治療結果。同一個蛋白質，在不同疾病環境下扮演的角色可能不一樣，只看標靶不看疾病，等於少看了一半。

研究者提出的 DrugGen-2 就是要補這個洞。它是一個生成模型，設計小分子時會同時參考兩樣東西：疾病的本體論（disease ontology，可以理解成一套結構化的疾病知識分類），以及目標蛋白的序列。技術上，它是拿預訓練好的 GPT-2 模型、再用一套精選過的資料集去微調而成。等於把語言模型「照著上下文生成」的本事，從產文字挪到產分子結構。

值得留意的是它用的還是 GPT-2 這種以今天標準看不算大的基礎模型。這說明在藥物設計這種高度專業的垂直領域，模型的「懂不懂領域」往往比「參數多不多」更關鍵——關鍵在於餵對資料、設計對條件，而不是一味把模型堆大。跟今天 CineMobile 把生成模型塞進手機的思路異曲同工，都在證明對的場景不必然要靠最大的模型。

歸剛點評：AI 設計藥物聽起來很未來，但真正難的一關永遠在後頭——電腦生出來的分子，還得進實驗室做濕實驗、動物試驗、臨床，一路九死一生。DrugGen-2 的意義在方法論：把「疾病脈絡」納進條件，讓 AI 生成的候選分子更貼近真實治療情境，能不能減少後段的白工，才是它值不值錢的地方。

手機上做圖生影（image-to-video）的需求越來越旺，尤其是大家想要那種電影感的運鏡——子彈時間（bullet time）、推軌變焦（dolly zoom）、慢動作之類的鏡頭語言。問題是，現在效果最好的擴散 Transformer（DiT）模型參數量都很大，加上要跑多步的迭代去噪，運算負擔重到很難在手機上順跑。CineMobile 就是來補這個缺口的。

它要解的核心矛盾很清楚：一邊是使用者想在手機上、當下就生成有電影運鏡的短片；一邊是主流生成模型太肥、太慢，塞不進行動裝置的算力與功耗預算。CineMobile 的做法是針對這兩個瓶頸——龐大的參數量與多步去噪流程——動刀優化，讓模型能在裝置端（on-device）直接運算，不必每次都把資料丟到雲端伺服器來回一趟。

在裝置端跑有幾個實際好處：不必上傳影像、隱私更好顧，沒有網路來回的延遲、反應更即時，也省下雲端運算的費用。這條「把生成式模型瘦身塞進手機」的路線，跟今天 DrugGen-2 用不大的 GPT-2 做專業任務是同一種務實精神——不是每個場景都需要動用雲端上最巨大的模型，把對的模型放到對的位置往往更划算。

歸剛點評：生成影片的戰場一直在拼誰的畫質炸裂，CineMobile 換了個題目：畫質炸不炸裂先擺一邊，重點是能不能在你口袋裡那台手機上即時跑出來。對短影音創作者來說，能不能離線、即時、免付雲端費，體驗差異是天壤之別。模型瘦身塞進裝置這條線，接下來會越來越熱鬧。

The Verge 主編 Nilay Patel 對擴增實境（AR）眼鏡的美好想像潑了一盆冷水，論點很硬也很技術：要做真正的 AR 眼鏡，你就得在眼睛旁邊放一台持續錄下你所見一切的相機，並且即時處理這些畫面，才能把資訊疊上去。他說沒有別條路可繞。

他點出的物理限制是關鍵。眼鏡的鏡腳（就是掛耳朵那截）空間極小，塞不進一顆既強大到能即時處理影像、又省電到能撐一整天的晶片——這兩個要求本身就互相打架。結論是：你只能把畫面資料送到雲端去算。要嘛接受眼鏡得靠雲端、持續上傳你眼前的一切；要嘛就得做成 Vision Pro 那種帶大電池、有份量的頭戴裝置。輕巧、獨立運算、又全天候，這個三角現階段是不可能同時滿足的。

這番話戳中的是整個消費科技對「輕便智慧眼鏡」的集體幻想。它同時牽出兩個真問題：一是續航與運算的物理天花板，二是隱私——一台掛在你臉上、無時無刻在錄、還把畫面傳雲端的相機，對你自己和身邊被錄到的人都是新的監控界面。今天歐盟才在管 Meta 的成癮設計，AR 眼鏡帶來的隱私難題只會更棘手。

歸剛點評：科技公司很愛端出輕薄如普通眼鏡、卻無所不能的概念影片，Patel 這番話就是提醒你別被渲染圖騙了——物理定律不會因為行銷預算而讓步。真正該問的問題很簡單：你願不願意戴一台永遠在錄、還把你眼前一切傳上雲端的相機出門，它哪年上市反倒是其次。技術瓶頸會被慢慢突破，那個隱私的坎才是硬的。

AI 偵測公司 Pangram 發了一份報告，結論大概是很多人早就有感、但這次拿數據說話的事：社群媒體上到處都是 AI 生成的內容，而其中最誇張的平台是 LinkedIn。這個職場社交網站上的貼文，如今有相當比例帶著明顯的機器生成痕跡。

LinkedIn 會淪陷得特別嚴重有它的道理。這個平台的內容本來就偏向格式化——勵志小故事、職涯心得、產業洞察，語氣一致、結構可預測，剛好是生成式 AI 最拿手、也最容易被濫用來大量灌水的類型。加上平台文化鼓勵「刷存在感」，用 AI 一鍵生成一篇看起來很有見地的貼文、衝互動與能見度，誘因非常強，於是動態消息很快被這類內容稀釋。

把這份報告跟今天另外兩條放在一起，一張完整的圖就浮出來了：一邊是 Instagram 的 Mosseri 說 AI 內容你自己不看就好、把責任推給使用者，一邊是 Pangram 用數據證明 AI 內容早已淹到平台脖子。當機器生成的貼文多到偵測公司都要出報告示警，「你自己選擇不看」這種說法就顯得越來越站不住腳——你根本分不出哪篇是真人寫的。

歸剛點評：LinkedIn 一直是內容注水的重災區，AI 只是把注水的門檻降到了零。真正麻煩的地方在於你越來越難分辨螢幕另一頭到底是人還是模型，AI 內容多寡還是其次。當「像人寫的」變成幾秒鐘就能量產的東西，社群平台賴以運作的信任基礎會被慢慢掏空，這比任何單一貼文的品質都值得擔心。

教育新創 Ello 寫了一篇技術文章，分享他們打造一個給 5 歲兒童用的即時 AI 家教過程中踩過的坑。標題就點出核心難題：要在大約 1000 毫秒（一秒）內把話回出去。對成人的語音助理來說，慢個一兩秒還能忍，但面對幼童完全不行——五歲小孩的注意力極短、對話節奏很快，AI 只要慢半拍，孩子的注意力就飄走了，整段互動就崩了。

把延遲壓進一秒是一連串工程權衡的總和。一個語音對話 AI 的完整鏈路，通常包含把孩子的話轉成文字（語音辨識）、模型理解並生成回應、再把文字轉回自然的語音（語音合成），每一段都要花時間，串起來很容易就破秒。要壓到一秒內，得在模型大小、串流處理、各環節怎麼平行與搶跑之間反覆取捨，還得在「反應夠快」與「回答夠好」之間拿捏，不能為了快就講出敷衍或不對的內容。

這篇之所以值得看，是因為它把「AI 陪伴／教學」這個常被講得很夢幻的題目，拉回到冷硬的工程現實。它跟今天 CineMobile 追求手機端即時生成、線性注意力論文追求低延遲長上下文，其實是同一種焦慮的不同面向——當 AI 要走進即時互動的真實場景，延遲就從技術指標變成產品的生死線。給小孩用更是把難度直接拉到頂。

歸剛點評：大人常低估「即時」有多難。跟五歲孩子對話這種看似最簡單的場景，反而把延遲的殘酷攤得最開——慢一秒，孩子就跑掉了。這也提醒做 AI 產品的人：模型答得多聰明是一回事，答得夠不夠快、夠不夠及時，往往才是使用者留不留下來的真正關卡。