歸剛誒AI

微軟執行長 Satya Nadella 對所有導入 AI 的企業丟出一個值得停下來想的警告。TechCrunch 整理的說法是，在矽谷關於 AI 各種副作用的爭論裡，讓 AI 圈最坐立難安的一條，是那些販售閉源專有模型的大型實驗室，可能正扮演特洛伊木馬的角色——表面上是好用的工具，實際上一旦企業把流程深度綁上去，就很難再換供應商。

這番話從微軟 CEO 嘴裡講出來，位置很微妙。微軟自己既是 OpenAI 的大股東與雲端後盾，又同時在推自家的 Copilot 與開放權重模型策略。Nadella 的言下之意，是提醒企業別把所有雞蛋放進單一閉源模型的籃子，要保留把模型抽換掉、或改用開放權重方案的能力，避免被鎖死在某一家的定價與路線圖裡。對企業採購來說，這是把「供應商鎖定」這個老問題，重新套到 AI 時代。

呼應本站前幾期談過的開放權重與 mesh、邊緣算力趨勢，這條線其實是同一件事的兩面：一邊是巨頭想把客戶留在自家生態系，一邊是市場開始警覺、想把主導權拉回自己手上。Nadella 選在這個時間點喊話，等於幫「多模型、可搬遷」的架構背書。

歸剛點評：這提醒對正在導 AI 的公司很實在。很多團隊為了快，直接把整條產品流程接死在某家 API 上，好用是好用，但哪天對方漲價、改條款、或模型行為變了，你連逃生門都沒有。務實的做法是從一開始就把模型當可替換元件設計，抽象一層介面出來，多留一兩個備援。省下的不只是錢，還有將來被人掐脖子時的談判籌碼。

OpenAI 的 Sam Altman 與特斯拉、SpaceX 的 Elon Musk 又隔空對嗆了一輪，這次的題目是「太空資料中心」。事情起於 Musk 公開指控 Altman 是騙子，Altman 回敬的一句大意是：真正在向公開市場投資人推銷短期太空資料中心的人是你。火藥味很足，但 TechCrunch 的觀察點在後面——Altman 對太空機房短期不切實際的質疑，其實跟多數業內專家的看法一致。

把太空當算力基地聽起來很科幻，支持者會講太陽能無限、真空散熱、不佔地。但工程現實很硬：把大量伺服器與冷卻系統送上軌道的發射成本、太空中散熱其實比想像難（真空裡沒有空氣對流，只能靠輻射散熱）、維修幾乎不可能、以及和地面之間的資料傳輸延遲與頻寬，每一項都是短期內難解的坎。所以當 Altman 潑冷水，很多工程師其實默默點頭。

這場口水戰放在兩人長年的恩怨脈絡裡並不意外，從 OpenAI 早年的分手到後來的訴訟與互酸，Altman 與 Musk 早就是熟練的對手。有意思的是，這次交火剛好把一個被行銷語言包裝過度的概念拉回地面——太空資料中心當長期研究題目可以，當短期商業賣點就得打上大問號。

歸剛點評：看巨頭互嗆很爽，但別被戲搶了重點。太空資料中心目前比較像投資敘事而不是可落地的方案，聽到誰在募資時把它講得快成真，心裡的警報就該響。真正卡住 AI 算力的還是地面上的老問題——電從哪來、水誰讓、機房蓋在誰家旁邊，這些本站講過好幾次的硬約束，比上太空實在多了。

Anthropic 開始在印度為 Claude 用戶推出以印度盧比計價的訂閱方案。TechCrunch 指出，印度是 Anthropic 僅次於美國的第二大市場，這步本地化定價的意義，是把原本用美元結算、對當地使用者偏貴又有匯率與手續費摩擦的門檻降下來，讓更多印度開發者與一般用戶更容易付費訂閱。

定價本地化看起來只是財務動作，實際上是搶市場的關鍵一手。印度有龐大的軟體工程師人口與旺盛的 AI 應用需求，但價格敏感度也高，用當地貨幣、貼近當地購買力的方案，往往能明顯拉高轉換率。OpenAI、Google 這些對手在新興市場同樣在打價格戰，Anthropic 挑印度先動，等於在自己第二大的地盤先站穩腳跟。

把這條接回今天另一條 Nadella 的警告會很有味道：一邊是巨頭用更貼心的定價把客戶拉進生態系，一邊是有人提醒企業小心被鎖定。對使用者來說，競爭帶來更便宜的方案是好事，但選型時還是要留意長期的可搬遷性。

歸剛點評：本地化定價這招台灣用戶其實也在等。長期以來訂閱制 AI 工具幾乎都用美元標價，換算下來對台幣使用者一直偏貴。Anthropic 願意為單一市場做盧比方案，代表當一個市場夠大、夠關鍵，廠商就會低頭。台灣市場規模比不上印度，但整個繁中圈加起來未必沒有籌碼，值得業界持續向這些廠商反映在地定價的需求。

MIT Technology Review 的 The Algorithm 專欄花了一整篇，替 Anthropic 最新一份 AI 研究做「降溫解讀」。文章開頭先給背景：Anthropic 目前是全球估值最高的 AI 公司之一，估值逼近一兆美元，長期以來以發表各種古怪又燒腦的研究著稱，連「模型會不會感覺到痛」這種題目都在研究。這次的新發現同樣引起熱議，但作者的重點是提醒讀者分清楚它能證明什麼、又不能證明什麼。

這類研究通常圍繞模型的內省與可解釋性——也就是模型能不能在某種程度上「報告」自己內部發生了什麼。聽起來很接近「模型有沒有自我覺察」，但技術上的實情往往保守得多：觀察到某些內部訊號和輸出有相關，不等於模型真的擁有人類意義上的內省或意識。MIT Technology Review 的價值，正是在一片驚呼聲中把這條界線劃清楚，避免研究被行銷語言或恐慌情緒帶著跑。

呼應今天 Nadella 對閉源大廠的警告，這條也提醒外界：估值最高、最會發研究的公司，話語權也最大，它拋出的每個新概念都可能被放大解讀。愈是這種時候，愈需要獨立媒體做冷靜的技術把關。

歸剛點評：AI 研究的新聞最怕標題黨。一份論文說「模型展現某種內省訊號」，到了社群就變成「AI 有自我意識了」，中間差了十萬八千里。看這類報導的正確姿勢，是同時追一句「這證明了什麼、沒證明什麼」。Anthropic 願意做這些冷門又燒錢的基礎研究值得肯定，但身為讀者，我們的功課是別把可能性當成既成事實。保持好奇，也保持懷疑。

一篇在 Hacker News 上被推上來的工程文章，記錄了把一個生產環境的 AI agent 從舊模型遷移到 GPT-5.6 的完整過程，結論相當亮眼：整體回應速度快了 2.2 倍，推理成本降了 27%。對任何在跑 agent 服務、每月盯著 API 帳單的團隊來說，這種真刀真槍的實測數字，比廠商的宣傳頁有說服力得多。

遷移到新一代模型不是把 model 名稱換掉就好。文章通常會提到幾個實務坑：新模型的 prompt 行為變了、原本靠特定措辭誘導出的格式可能失效、工具呼叫的成功率與 token 消耗要重新校準、還有輸出穩定性要重新壓測。速度與成本的改善很誘人，但真正的工作量往往在把整條 pipeline 的回歸測試重跑一遍、確認品質沒有偷偷退步。這種第一手的遷移筆記，價值就在於幫後來者省下踩雷的時間。

把這條接回本站前幾期談過的 AI 工具成本帳——有人實測某些 agent 光開場就吐幾萬 token——會發現一個共同主題：AI 開發正從「能不能做」進入「划不划算」的階段。模型換代帶來的降本增效，正在變成工程團隊的例行課題。

歸剛點評：這種實測文最該收藏。廠商講的 benchmark 常常挑好看的場景測，但你的產品是什麼負載、什麼 prompt、什麼容忍度，只有自己跑過才知道。這篇的做法很值得抄：遷移前先立好速度、成本、品質三條基準線，換模型後同一套測試重跑，數字攤出來再決定要不要全量切。省錢是好事，但別為了便宜 27% 換來品質默默掉一截。

一則在 Hacker News 上引發討論的消息指出，三星健康（Samsung Health）App 出現了一個讓人皺眉的設計：當使用者選擇不同意把自己的健康資料用於 AI 訓練時，App 竟以刪除使用者資料作為回應或威脅。換句話說，想保護隱私、退出資料訓練的代價，可能是失去自己長期累積的健康紀錄。

這種設計踩到的是資料自主權的敏感神經。健康資料屬於高度私密的個人資訊，步數、心率、睡眠、生理週期，攤開來幾乎是一個人的身體日記。把「同意拿去訓練 AI」和「能不能繼續使用自己的資料」綁在一起，等於用資料存續逼使用者交出授權，選擇權變得名存實亡。在 GDPR 與各地隱私法規愈趨嚴格的今天，這種綁定很可能踩到法遵紅線。

呼應本站近期關於 AI 副作用與資料倫理的討論，這件事把一個更大的趨勢攤在眼前：當各大廠都在搶訓練資料，使用者的日常數位足跡正被當成免費燃料，而「同意」常常被設計成沒有真正選項的假選擇。

歸剛點評：這招真的要不得。健康資料是你身體的紀錄，不該被拿來當談判籌碼。務實提醒幾點：裝任何健康或穿戴 App 前，先翻一下隱私設定與資料使用條款；能本地儲存、能匯出備份的優先；遇到「不同意就刪你資料」這種霸王條款，該截圖、該檢舉就別客氣。你的身體數據不是免費的 AI 飼料，守住這條底線很重要。

The Verge 的一篇第一手評測，記錄了 Apple 改版後的 Siri AI 在日常使用上帶來的改變。作者的結論偏正面：新版 Siri 已經在實際操作層面影響了他用 iPhone 的方式，讓這個長年被吐槽反應遲鈍、聽不懂人話的語音助理，重新變成一個值得用的入口。

Siri 這幾年是 Apple 生成式 AI 進度最被念的痛點。競爭對手的助理早就能做多步驟、跨 App 的複雜指令，Siri 卻常卡在簡單問答就翻車。這次改版把大語言模型的理解與生成能力接進來後，最明顯的變化通常是：能聽懂更口語、更含糊的指令，能串起跨 App 的操作，回應也更像在對話而不是唸罐頭答案。從評測者「改變了我的使用習慣」這句話判斷，體驗確實跨過了某個門檻。

有意思的是，這條評測正好和今天 Apple 告 OpenAI 的官司形成對照——Apple 一邊在法庭上捍衛自家 AI 技術的邊界，一邊在產品上加緊把 Siri 補起來。兩件事合起來看，能感覺到 Apple 在生成式 AI 上的焦慮與加速。

歸剛點評：Siri 終於像樣了，這對 iPhone 用戶是實在的好消息。但別急著全信單篇評測的興奮，語音助理好不好用，跟你講的語言、口音、常用情境很有關係，繁中與台灣用語的支援到位沒，得自己試過才算數。建議升級後花幾天認真用它做真實任務——訂行程、查資料、串捷徑，感受一下是真的變聰明，還是只是新鮮感。好用就留著，卡卡就退回手動，別被評測的情緒帶著走。

Google 旗下的導航 App Waze 一口氣推出一整批 AI 驅動的新功能與客製化更新。TechCrunch 與 The Verge 都做了報導，重點是 Waze 正把生成式 AI 更深地織進日常導航——從更聰明的路況判讀、更自然的語音互動，到讓使用者能依自己習慣調整介面與提示方式的客製選項。

導航 App 是 AI 落地最貼近民眾的場景之一。Waze 本來就以群眾回報的即時路況見長，接上生成式 AI 後，可以做到用更口語的方式跟你溝通路線、預判塞車與事故、甚至根據你的通勤模式主動給建議。這也是 Google 把自家 AI 能力鋪進旗下各個高流量 App 的一環——地圖、導航、搜尋，每一個都是把 AI 送到億級用戶眼前的通路。

把這條和今天 Siri 改版那條放一起看，會發現一個共同節奏：2026 年的生成式 AI 正在從實驗室與聊天框，滲進最日常的工具裡。使用者未必會意識到自己在用 AI，但體驗確實在被重塑。

歸剛點評：導航這種天天在用的 App 加 AI，最能體現技術有沒有真本事。花俏功能誰都會加，但開車時你要的其實很單純——別報錯路、別在該轉彎時卡住、講話聽得懂。台灣用戶特別要留意在地圖資與台灣路況的支援度，畢竟這些功能好不好用，很吃當地資料的紮實程度。更新出來先別急著全開，挑真正幫得上通勤的留著就好。

HuggingFace 每日論文榜上，一篇名為 Long-Horizon-Terminal-Bench 的研究引起關注。它要處理的問題很實際：現在的 AI agent 在短任務上表現亮眼，但一旦任務拉長、需要幾十甚至上百個步驟在終端環境裡連續操作，成功率往往崩得很快。這個新 benchmark 就是專門用來系統性測量 agent 在這類長時序任務上的極限與失敗模式。

長時序任務是當前 agent 最難啃的骨頭。原因在於誤差會累積——早期一個小判斷失誤，後面每一步都在錯誤的基礎上疊加，最後整條任務歪掉；同時模型還要在長上下文裡記住目標、追蹤已完成的狀態、從中途的錯誤中恢復。一個設計良好的評測，能把「哪一步開始崩」「為什麼崩」量化出來，這對想把 agent 真正投入生產的團隊，比一個漂亮的總分有用得多。

呼應今天另一條把產線 agent 遷移到 GPT-5.6 的實測，可以看出一條清楚的產業主線：大家對 agent 的關注正從「能不能跑起來」轉向「跑長了穩不穩、划不划算」。像 Terminal-Bench 這種針對長時序的評測，正是這個階段最需要的工具。

歸剛點評：這類研究對想用 agent 做事的人是及時雨。很多團隊被 demo 燒到，以為 agent 什麼都能自動化，實際上一遇到要連續操作十幾步的真實任務就翻車。有了專測長時序的 benchmark，至少能在投產前先知道自己的 agent 撐得到第幾步、在哪裡最容易掉鏈子。務實建議：導入 agent 前，先拿貼近自己場景的長任務壓測，別只看廠商挑過的短 demo。

HuggingFace 論文榜上另一篇亮點，標題直接下了個大論斷：影片生成模型其實是通用視覺學習器（General-Purpose Vision Learners）。核心主張是，這些原本被拿來生成影片的大模型，在學會如何預測影像隨時間變化的過程中，內部其實學到了一組非常通用的視覺表徵，這些表徵可以遷移到影像分類、分割、深度估計等各式各樣的下游視覺任務上。

這個觀點如果成立，會改寫大家對影片生成模型的定位。過去語言領域早就發現，訓練來預測下一個詞的大語言模型，順帶學會了廣泛的世界知識；這篇論文等於把同樣的邏輯搬到視覺：要生成一段連貫、符合物理直覺的影片，模型必須理解物體、運動、光影與空間關係，而這些理解正是各種視覺任務都用得上的底子。影片生成從一個炫技的應用，被重新看成訓練通用視覺基礎模型的一條路徑。

把這條和今天另一篇長時序 agent 評測放一起，能感覺到本期研究區的共同氣味：大家都在追問模型「順帶學到了什麼」——不管是 agent 在長任務裡累積的策略，還是影片模型學到的視覺常識，可遷移的通用能力正是這一代基礎模型最值錢的部分。

歸剛點評：這篇的啟發性大於實用性，但方向很值得記。它提醒我們，訓練目標和最終能力之間常常有意外的橋樑——為了生影片練出來的模型，可能是最懂視覺世界的那個。對台灣做電腦視覺的團隊，這是個省成本的思路：與其從零訓練專用視覺模型，不如看看能不能站在現成影片生成模型的肩膀上做遷移。學術味濃，但值得追蹤後續有沒有人把它做成好用的工具。

一篇被推上 Hacker News 首頁的評論文章，火力集中在 AI 大廠的溝通方式上。作者引用了 Zed 編輯器創辦人的直白批評，大意是有話就該直說，而 Anthropic 在某些議題上卻在放煙霧、避重就輕。這種來自知名開發者工具創辦人的公開開嗆，在社群裡總是特別有共鳴，因為它戳的是很多工程師對大廠公關話術積累已久的不耐。

會有這種反彈，背景是 AI 大廠的一舉一動如今都被放在放大鏡下。當一家公司估值逼近一兆、產品又深度嵌進無數開發者的日常工作流，它對模型行為、定價、資料使用、政策變動的每一次表態，都會被仔細解讀。用模糊、包裝過的說法帶過關鍵問題，短期或許能維持形象，長期卻會侵蝕最在意技術誠實的那群核心使用者的信任。

把這條和今天 Nadella 警告閉源大廠、以及 MIT Technology Review 幫 Anthropic 研究降溫兩條放在一起，會浮現一個共同主題：市場對 AI 巨頭的話術正變得愈來愈挑剔。話語權最大的公司，正被要求拿出相稱的透明度。

歸剛點評：開發者對公關腔的容忍度真的很低，這是好事。技術社群最吃「有話直說、數據攤開」那一套，最反感把問題用漂亮詞藻糊過去。對任何做技術產品的團隊都是提醒：面對懂行的用戶，坦白承認限制與取捨，遠比包裝話術更能換到信任。這場小小的公開嗆聲，值得每個做 AI 溝通的人記在心上。