歸剛誒AI

The Verge 引述彭博 Mark Gurman 的細節，講了一段蘋果內部的因果：那個從沒真正量產的自駕車計畫，可能正是今天蘋果晶片在 AI 上表現強悍的源頭。自駕平台開發初期，蘋果就意識到車子必須具備強大的「裝置端」AI 運算能力——要即時處理感測器資料、在沒有雲端的情況下自己做決策，對延遲與功耗的要求都極高。

車用處理器最後沒做完，專案也收了，但那套為自駕而生的運算需求，把蘋果的晶片團隊往「在本地跑得動 AI」的方向逼了一大步。神經網路引擎、記憶體頻寬、能效比這些後來被拿來服務 iPhone 與 Mac 的能力，很多都是在那個高壓題目下練出來的。換句話說，一個失敗的產品，替另一條產品線鋪了路。

把這件事放進蘋果現在的處境看更有意思。蘋果的生成式 AI 服務外界普遍覺得慢半拍，但它手上握著業界最強的裝置端推論硬體之一，這正好對上目前「把 AI 從雲端搬回本地」的風向。今天本站另一條 mesh LLM、以及離線生存電腦的新聞，講的都是同一件事——邊緣算力愈來愈值錢，而蘋果的底子恰好在這裡。

歸剛點評：這故事的教訓很矽谷——大公司的失敗專案不會白費，值錢的往往是過程中被逼出來的底層能力。蘋果在 AI 應用上被念到臭頭，可是論「你的手機自己就能跑模型」這件事，它的硬體其實站得很前面。接下來看蘋果會不會把這張裝置端的好牌打出來，把慢半拍的軟體用硬體優勢補回來。

一篇登上 Hacker News 熱門的實測文章，把兩款編碼 agent 的「開場成本」攤開來比。作者測到的數字很直觀：Claude Code 在讀到使用者真正的問題之前，光是系統提示、工具定義、環境說明這些固定內容，就先送出約 33k token；換成 OpenCode 跑同樣情境，只用了約 7k，差了將近五倍。

這個差距的來源是 agent 類工具的架構。要讓模型能自己讀檔、跑指令、呼叫工具，開發者得在每次對話前塞進一大包上下文——完整的工具清單、使用規範、安全守則、專案結構。功能愈多、守則寫得愈細，這包「固定底」就愈肥，而且每一輪互動都要重付一次。對重度使用者來說，這些在你打第一個字之前就燒掉的 token，會實實在在反映在帳單上。

文章的價值在於把一個平常看不見的成本量化了。多數人用 agent 只看得到「它幫我改好了程式」，看不到背後每次來回墊了多少底。作者的用意也不在唱衰誰，而想提醒大家：工具的能力和它的 token 開銷是一體兩面，選型時該把這筆隱形帳算進去，尤其是接 API 自己付費、或要把 agent 包進產品裡大量呼叫的團隊。

歸剛點評：這篇打中了每個天天用 AI 寫程式的人的痛點——你以為在為「解決問題」付錢，其實有一大截是在為「工具說明書」付錢。33k 對 7k 不代表 Claude Code 就爛，功能多本來就要更多上下文撐；但這數字提醒你，agent 省不省，關鍵在怎麼設計那個固定底、能不能靠快取把重複的部分折抵掉。想省錢的人，這種基準測試比廠商的行銷頁實用多了。

IEEE Spectrum 報導的一項研究，給正在擁抱 AI 的科學界潑了一盆有意思的冷水。研究發現，用 AI 工具的研究者職涯確實跑得更快——產出更多、被引用更多、升遷更順；可是代價是他們探索的「點子光譜」變窄了，整個領域的發現趨於扁平、同質。效率上去了，多樣性卻下來了。

背後的機制不難理解。AI 工具是從既有文獻與熱門主題學來的，它擅長幫你在「已經很多人在做」的方向上跑得更快、寫得更順、補得更全；但正因為它推薦的是主流路徑，跟著它走的人自然會往同一批熱門題目集中。真正冷門、跨界、還沒被大量文獻覆蓋的角落，反而更少人願意花力氣去闖——因為那裡 AI 幫不上忙，短期產出又慢。

對科學生態來說，這是個結構性的隱憂。長期的突破常常來自邊緣、來自沒人看好的方向，如果整個社群都被工具推向同一條高速公路，短期論文數量會很漂亮，長期卻可能少了那些改變典範的意外。研究者也點出這是一種個人理性、集體卻未必最優的困境：對個人而言跟著 AI 走升遷最快，但大家都這麼做，整體的探索廣度就被犧牲了。

歸剛點評：這研究戳中一個很多人不願承認的地方——AI 讓你更有效率，但效率的方向是它替你選的。它把你推向阻力最小、最像過去成功案例的那條路，久了你會忘記還有別條路。做研究是這樣，做內容、做產品其實也一樣。想跟別人不一樣，有時候得刻意關掉自動補完，往 AI 幫不上忙的地方走一段。

在資料中心愈蓋愈大的同時，另一群人正往相反方向想事情。Mesh LLM 這個專案示範了把大語言模型的推論，架在 iroh 這套點對點網路之上做分散式運算——不靠單一集中的雲端伺服器，而是把工作拆散、丟給網路上多台裝置協作完成。

iroh 是一套主打直連、去中心的 P2P 網路框架，強調裝置之間能繞過中央伺服器直接建立連線。把 LLM 推論架在它上面，等於嘗試回答一個問題：如果算力可以由一群普通裝置湊出來，那我們是不是就不必什麼都仰賴超大機房？對隱私敏感、網路不穩、或單純不想把資料交給雲端的場景，這種架構有它的吸引力。

現實面當然還有一堆硬骨頭。分散式推論要處理延遲、頻寬、節點可靠度、把模型切開後怎麼協調這些老問題，短期內要跑贏集中式的 GPU 叢集並不容易。但這類專案的意義在於卡位一個方向——今天本站的資料中心反彈、蘋果裝置端晶片、離線生存電腦，講的都是同一股暗流：把 AI 從雲端往邊緣搬。Mesh LLM 是這股暗流在網路架構層的一次實驗。

歸剛點評：這種專案短期不會取代雲端，但它押的方向很值得盯。當資料中心開始被社區、被電網、被監管卡住，「算力去中心化」就從理想變成現實的備案。就算 P2P 跑大模型現在還笨重，光是有人認真在做，就代表市場開始不想把雞蛋全放在幾家超大雲廠的籃子裡。

部落客 Yael 一篇標題直白的短文在 Hacker News 上引起共鳴：別再叫我去問 AI 了。她要反對的，是近來社群裡愈來愈常見的一種回應——不管你問什麼，總有人丟一句「這你去問 ChatGPT 不就好了」，然後把對話結束掉。

她的論點有幾層。第一，這種回覆把「求助」這件事的社交意義抹掉了：很多時候人拋出問題，要的不只是答案，還有跟另一個人交流、被指點、被理解的過程。第二，把人推去問 LLM，等於默認機器的答案就夠好、就可信，但大家心知肚明模型會一本正經地胡說。第三，這是一種變相的推託——用「去問 AI」把回答的責任外包出去，聽起來很有幫助，其實是懶得理你。

這篇之所以會傳開，是因為它講出了很多人隱約的不適。AI 很好用，可是當「去問 AI」變成打發人的萬用句，社群裡那種手把手、你來我往的知識傳承就被稀釋了。作者要反對的並非用 AI 本身，她針對的是把 AI 當成拒絕與人互動的擋箭牌。

歸剛點評：這題其實跟今天那篇「AI 讓研究變窄」是同一個病灶的兩面——工具太好用，好用到我們開始省略掉人跟人之間那些沒效率、卻很珍貴的環節。丟一句「去問 AI」是很方便，但你也順手把一次教別人、跟別人連結的機會給扔了。工具是拿來輔助交流的，不是拿來取代交流、更不是拿來打發人的。

歌手 Lorde 上週四在馬德里的 Real Cool 音樂節演出時，中場停下來對台下講了一段對 AI 眼鏡的看法。她沒有點名到很細，但矛頭清楚指向 Ray-Ban Meta 那類把攝影機與 AI 塞進鏡框的智慧眼鏡，一句「不性感」把場子的態度定了調。

這番話之所以值得記，是因為它代表科技圈之外的文化聲量。Meta 這一年主打 AI 眼鏡，強調隨手拍、即時翻譯、AI 助理隨叫隨到；廠商講的是功能與未來感，但在藝術家與一般大眾這邊，戴著一副隨時可能在錄你的眼鏡出現在演唱會、在酒吧、在你面前，喚起的往往是被監看的不適，而不是酷。

穿戴式 AI 的普及，卡關的從來不只是技術。Google Glass 當年就是敗在社會觀感——大家不想跟一個「臉上掛著鏡頭的人」講話。Lorde 這句半開玩笑的吐槽，把同一個老問題重新丟回檯面：當 AI 裝置愈來愈貼身，它性不性感、討不討喜、讓旁人自不自在，會直接決定它戴不戴得出門。

歸剛點評：別小看藝人隨口一句話的殺傷力。科技公司可以把規格堆到天上，但一個裝置紅不紅，很多時候是文化說了算——潮不潮、尷不尷尬、戴出去像不像個怪人。Meta 花大錢想把 AI 眼鏡變成下一個 iPhone，Lorde 提醒它，你先得過「大家願不願意戴著它見人」這一關。

GitHub 趨勢榜上出現一個很對味的專案：Nutlope 的 Hallmark，一套專門對付「AI 味」的設計技能，給 Claude Code、Cursor、Codex 這些編碼 agent 用。它要解決的痛點很具體——AI 生出來的網頁與介面，常常一眼就看得出是 AI 做的：一樣的漸層、一樣的圓角卡片、一樣的置中英雄區、一樣的紫藍配色，廉價又千篇一律，圈內人叫它 AI slop。

Hallmark 的做法是把「好品味」寫成一套可以掛給 agent 的規範。與其讓模型每次都吐出它訓練資料裡最平均、最安全的那種版型，不如給它一份明確的設計準則，指定間距、字體層級、配色邏輯、該避開哪些陳腔濫調，逼它做出更有辨識度的東西。這跟一般的元件庫不同，它管的是審美方向，不是現成零件。

這專案會紅，反映一個階段性的轉變。當「用 AI 就能生出一個能動的網站」變成基本盤，大家在意的重點就從「生不生得出來」移到了成品本身——醜不醜、像不像人做的、有沒有品牌感。Hallmark 押的正是這個縫隙——AI 負責生產力，人負責替它注入品味的護欄。今天本站另一條反 LLM 的觀點文，其實也是同一種情緒的延伸：受夠了 AI 的平均值。

歸剛點評：這專案抓得很準。現在滿街都是 AI 做的網站，長得都一個樣，看久了會膩。Hallmark 的聰明在於它不叫你別用 AI，而是教 AI 別那麼有 AI 味——把設計師的品味變成一份 agent 讀得懂的守則。對想用 AI 做出東西、又不想被一眼看穿是 AI 做的人來說，這種「反 slop」的工具會愈來愈搶手。

GitHub 趨勢榜另一個吸睛的專案叫 Project N.O.M.A.D，來自 Crosstalk Solutions。它是一台「離線生存電腦」——把關鍵工具、離線知識庫和一套本地 AI 全部裝進一個自給自足的裝置裡，主打在斷網、斷電、天災或任何基礎設施失靈的情境下，你手上還有一個能查資料、能問問題、能幫你判斷的助手。

它的核心賣點是完全不依賴雲端。平常我們用的 AI 助理、地圖、維基百科、急救指南，全都要連網才拿得到；一旦網路斷了，這些工具瞬間變磚。Project N.O.M.A.D 反其道而行，把離線可用的大語言模型和大量參考資料預先灌進本地，讓裝置在孤立環境下照樣運作。這在偏遠地區、野外探險、災難應變、乃至於單純不信任雲端的人眼裡，都有實際用途。

把它擺進今天的脈絡看很有意思。資料中心反彈、mesh LLM、蘋果裝置端晶片、再加上這台生存電腦，四條新聞指向同一個主題——AI 正在長出「不靠大雲廠也能跑」的另一條腿。當集中式算力遇到電力、監管與可靠度的天花板，「本地就能用的 AI」從極客玩具慢慢變成一種正經的韌性方案。

歸剛點評：這種專案聽起來像末日準備者的玩具，但它戳到的需求是真的——我們的生活愈來愈綁在雲端，斷線那一刻才發現自己什麼都查不到。一台裝著離線 AI 和知識庫的電腦，平時像備胎，真出事時就是救命的東西。更大的訊號是：能塞進一台裝置的本地模型，已經好用到有人敢拿它當生存工具了，這本身就說明邊緣 AI 走了多遠。

Hugging Face 論文區推上來一篇 SAM-MT，題目是影片物件切割（VOS）裡一個很實用的方向：即時、可互動的多目標追蹤。影片切割要做的，是把使用者指定的目標從畫面裡框出來、逐幀持續追著它；近年的方法在單一目標上已經做得很漂亮，但同時盯好幾個目標、還要能即時互動，仍然是難題。

SAM-MT 的切入點就在這裡——讓使用者一次指定多個目標，系統即時把它們各自分割並在整段影片裡持續追蹤，過程中還能互動修正。這比起一次只追一個、或者非即時的批次處理，對真實應用友善得多。影片剪輯、監控、體育賽事分析、自動標註資料集這些場景，通常畫面裡本來就有一堆要同時顧的東西。

從技術脈絡看，這是 Segment Anything 這一系的能力往影片、往多目標、往即時延伸的又一步。把「切得準」和「追得穩」還要加上「同時多個」與「即時互動」湊在一起，工程上的取捨不小，論文的價值在於證明這幾件事可以兼顧到堪用。對做影音工具、電腦視覺產品的團隊，這類基礎能力的進步會慢慢滲進實際功能。

歸剛點評：這種論文不會上大眾新聞，但它是很多你日後會用到的功能的底層地基。你在剪輯軟體裡點一下就把三個人各自去背、追一整段片，背後靠的就是這類多目標即時切割的進展。AI 圈的熱鬧多半在聊天機器人，可真正讓工具變好用的，常常是這些悶頭把單點能力做紮實的研究。