42 州檢長聯手傳票 OpenAI：廣告、健康資料、未成年，IPO 前最硬的一道法規關卡
為什麼是 42 個州同時出手，而且挑在 IPO 遞件後？因為上市那一刻，法規風險第一次要被定價。
#生成式AI
42 篇文章
GPT-5 Pro 解開卡三年的 T 細胞之謎，還預測了一場沒看過的實驗：該讀懂的不是 AI 會做科學了
GPT-5 Pro 幫免疫學家解開卡三年的 T 細胞謎題，還預測了沒公開過的實驗結果。但把這件事讀成『AI 會做科學了』，就解錯題了。
肝指數 GOT、GPT 正常，肝就沒事嗎？看懂健檢報告最被誤會的兩個數字
肝指數 GOT、GPT 是『肝發炎指標』而不是『肝功能指標』，正常不代表肝沒事。肝癌初期、肝硬化緩解期都可能數字正常。教你看懂紅字原因與高風險族群該加做什麼。
AI 從『答題』走進實驗室：GPT-5.4 跑一萬筆反應改良了卡多年的偶聯反應，但它解的是哪一類問題？
AI 真的自己做出化學發現了嗎？讀準一點：GPT-5.4 提假設、自動化實驗室跑一萬筆反應、人工逐筆驗證，三者缺一都不成。被解掉的是『沒人跑得起一萬次』的通量問題，不是智力問題。台灣要接住這波，缺的不是模型，是實驗室與資料。
OpenAI 端出 LifeSciBench：AI 做生命科學研究只過三成，而且裁判是自家
AI 連自家出的生命科學考卷都只過三成，這件事該怎麼讀？分數是一回事，出題兼改考卷兼頒獎的是同一個人，又是另一回事。
Claude Design 改版修掉「25 分鐘燒掉 80% 週額度」：AI 設計工具的成本可預期性成了產品命門
PCWorld 記者拿 Claude Pro 試用 Claude Design，25 分鐘做出三個變體就燒掉 80% 週額度。真正致命的不是貴，是不可預期。六月改版修的正是這一格。
AI 證出數學定理、還用 Lean 4 逐行機器驗證：AI 做研究的產物第一次能被查證
AI 拿奧數金牌很亮眼，但那是自然語言、靠人工評審判對錯。用 Lean 4 逐行驗證的證明才解掉了難題：不用人幫忙也知道它是對的。這才是 AI 可信度第一次有的工程解法。
Gemini 3.5 Pro 帶 200 萬 token 脈絡逼近 GA：超長脈絡到底在哪些場景才真的有用
200 萬 token 是量產最長脈絡，但廣告脈絡不等於可用脈絡。長脈絡真正划算的只有幾類場景，其餘知識庫問答用 RAG 更省更準。這篇給一個先分清楚任務類型的選型判準。
微軟一個月修掉約 200 個漏洞、含多個零時差：當找漏洞的成本被 AI 拉崩，企業的修補排程要改什麼
200 這個破紀錄的數字不是新聞重點，它為什麼會破紀錄才是。找漏洞的成本被 AI 拉崩，企業該改的不是修補手速，是那套假設漏洞會慢慢來的排程。
MiniMax M3 把『智慧成本』打到地板：開源權重、百萬脈絡、原生多模態一次到齊
上海 MiniMax 6/1 推出開源權重的 M3，前沿級 coding、百萬 token 脈絡、原生多模態一次到齊，定價只有西方旗艦零頭。但對台灣團隊真正的訊號不是又一個跑分新王，而是自架可行性與選型的成本結構被重寫。
Anthropic 估值衝上 9,650 億美元、傳機密遞件 IPO 超車 OpenAI：前沿大廠的資本訊號台廠怎麼讀
多數人看到的是估值排名。我看到的是：前沿模型公司正在變成算力與供應鏈的金融槓桿體，估值撐起的其實是一張一張算力預購合約。台廠該讀的是配額流向，不是誰比較貴。
ChatGPT 開賣廣告位：OpenAI 上線自助 Ads Manager，AI 助理正式變成廣告載體
AI 助理原本值得信，不是因為它聰明，是因為機制上沒有騙你的理由。廣告生意種下的，正好是那個相反的理由。要盯的是誘因，不是那格 banner。
Anthropic 砸 1.5 億辦 Claude Corps、派 1000 人進非營利：是公益，也是把 Claude 鋪進組織的長線
為什麼一家前沿模型公司要花 1.5 億去教非營利組織用 AI？把它讀成純慈善會漏掉一半：同一筆錢也在把 Claude 鋪進 400 家組織的日常，順便養一批以 Claude 為工具母語的早期職涯人才。
Together AI 再募 8 億美元、估值衝 83 億：開源模型代管成 AI 基建下一個吸金焦點
為什麼投資人搶的不是下一個大模型，而是一個租 GPU、代管開源模型的平台？因為開源模型正在把模型本身變成商品，價值移到了『誰能把它跑起來』那一層。
Apple 新 Siri 借 Gemini 的腦、卻在歐盟和中國缺席：把核心助理外包給對手模型的取捨
WWDC 2026 上 Apple 把新 Siri 建在 Google Gemini 之上，還因法規在歐盟、中國缺席。該讀的不是功能多炫，而是單一供應商依賴，加上落地範圍被治理與合規綁住。
GPT-5.6 還沒公開就先被下注：模型發布變成賭盤標的，選型別被謠言牽著走
為什麼一個還沒公開發布的模型，賭盤能開到六十幾萬美元？因為不確定性被商品化了。但賠率不是路線圖，跟著它調整選型是把工程問題交給賭客投票。
Anthropic 一口氣拿下 NAVER、三星、LG：開首爾辦公室、用「在地資料控管」整套端走韓國企業市場
Anthropic 6/17 開首爾辦公室，一口氣拿下 NAVER、三星 SDS、LG CNS、Nexon、Hanwha。拿下一個國家的企業市場靠的不是模型強，而是在地辦公室、資料主權、國家安全合作、in-region data 整套打包。台廠導入前沿 AI，in-region 資料控管會是談判與選型的關鍵籌碼。
美國一紙出口管制令讓 Claude Fable 5、Mythos 5 全球下線：把關鍵流程綁單一雲模型的風險浮上檯面
把模型關掉的不是 Anthropic 的商業決定，是它頭上的政府；理由跟你買它做什麼、付多少、合約怎麼簽都無關。這才是單一供應商風險真正抖的地方。
微軟自研 coding 模型、Foundry 收進逾 11000 個模型：平台層「去單一供應商」對企業選型的訊號
以前一家公司配一顆模型：Google 是 Gemini、OpenAI 是 GPT。現在三大雲全走 multi-model，模型正在商品化；企業未來買的不是模型，而是切換模型的能力。
「AI 健康答案贏過醫師」怎麼讀：OpenAI 自評勝出，但每週 2.3 億人已在問才是重點
OpenAI 說新模型的健康答案贏過醫師，但分數全在它自家內部跑、未公開外審。真正的重點不是它贏了幾項，是每週 2.3 億人已在用 ChatGPT 問健康。AI 取代的不是醫師，而是 Google 搜尋。
創投把錢從聊天機器人搬到『世界模型』：Odyssey 募 3.1 億，實體 AI 的護城河在哪
為什麼 Amazon 和 AMD 投的不是下一個 ChatGPT？答案可能是：聊天模型正在商品化，而世界模型要真實世界資料、感測器、機器人、模擬環境，護城河更深。
DeepSeek 傳募 74 億美元、估值上看 590 億，騰訊與 CATL 入列：中國 AI 資本這盤棋，台廠供應鏈該怎麼讀
大部分人看到 74 億美元。我看到的是投資人結構變了：騰訊、寧德時代進場，代表 AI 不再只是網路產業，而開始變成能源、製造、平台共同投資的基礎設施。
NVIDIA 把 agent 護欄做進開源平台：OpenShell 加 Nemotron 3，17 家軟體大廠一起賭『自我進化』的 agent
NVIDIA 把安全、網路、隱私護欄做成 runtime（OpenShell），配上為長任務調過的 Nemotron 3 Ultra。真正要看的是治理被往工具層下沉，不是模型跑分。
AI 服務禁用與中斷已成常態：4 個讓工作流維持韌性的準備原則
最強 AI 模型被比照核彈等級管制禁用，加上各版本服務持續出現錯誤率攀升，正在揭露一個更根本的問題：工作流對單一 AI 服務的過度依賴。本文從備援設計、容錯邏輯、管制趨勢應對、Prompt 跨模型可移植性四個面向，提出可執行的準備原則。
OpenAI 用真實對話重放測新模型：上線前 benchmark 為何總跟現實對不上
OpenAI 拿約 130 萬則真實對話重放、餵給待上線的新模型測試，比合成測題更早抓到行為漂移。上線前驗收該從跑分搬回真實情境，企業導入 AI 也一樣。
Android 17 的 Gemini Intelligence：5 項讓手機 AI 從輔助升級為主動代理的能力
Android 17 把 Gemini AI 整合進系統層級，推出 Gemini Intelligence 功能套件。本文拆解五項核心能力、硬體門檻，以及裝置端 AI 推論對使用者隱私與實際使用的意義。
OpenCode 超車：開源 coding agent 為何反壓商業 IDE 成為最多人用的工具
LogRocket 六月榜單上，開源的 OpenCode 把 Cursor 擠下第一。這不是又一個更花俏的工具，而是開發者在用腳投票：要的是不被單一 IDE 綁死的可組合工作流。這篇用台灣小團隊的選型情境，拆三條路線的設計前提。
Claude Fable 5 開出「Mythos 級」新層級：模型分層對開發者到底差在哪
Anthropic 6 月 9 日把 Fable 5 推上「Mythos 級」，一個比 Opus 高一階的正式產品層。真正該看的不是 80.3 這種跑分，而是它在長任務、agentic coding 上的領先會隨任務難度拉開。這篇拆解這個分層對開發者選型的實際意義。
如何建立醫療 AI 合規守門引擎：從法規解讀到工程落地
從衛福部《醫療機構應用生成式人工智慧指引》到工程設計，拆解合規守門引擎的五道關卡、去識別化管線、Null Provider 可測性設計與守門服務的核心原則。
健檢報告紅字不等於生病：教你看懂常見異常數值的意義
收到健檢報告看到紅字，先別慌。本文詳解 GOT/GPT、白血球、尿酸、TSH 四項常見異常數值的意義，教你區分需要就醫與可觀察追蹤的情境，避免過度焦慮也避免輕忽。
我愛上一個不可能的可能，LLM是救贖？還是另一種沉淪？
LLM 進入醫療場景的想像令人著迷，但真正的問題不在於模型夠不夠強，而在於有沒有解對題。本文從問題定義、根因分析到落地設計，系統拆解 LLM 在醫療場景的可能與限制。
到底什麼是龍蝦？LLM 幫你解決了什麼？
「龍蝦」（Claw）是一類讓人與 LLM 對話的客戶端工具，不是比喻，是真實的工具名稱。本文拆解 Claw 工具的命名由來、比較主流開源選項，並分析在數位健康場景中，這類工具真正能幫你解決哪些問題。
人生在世，至少遇到 LLM 不會打從心底地從你不懂的地方佔你便宜
LLM 不持有商業誘因，不會因為你不懂而選擇性隱瞞或導向對它有利的方向。本文從誘因結構出發，拆解這個信任邏輯的成立條件與邊界，以及在健康資訊場景中，如何真正受益於這個特性。
GEO、AEO 是什麼？2026 SEO 升級 AI 搜尋策略完整指南
零點擊搜尋時代來臨，GEO（生成式引擎優化）與 AEO（回答引擎優化）是台中企業 2026 必懂搜尋新規則。了解 SEO 如何升級，讓內容被 AI 引用、建立品牌信任。
比誤診更難的是：AI 先說出了病人想相信的答案
生成式 AI 不只是把資料丟給使用者，而是把答案組裝成符合心理期待的敘事。這讓診間要面對的，已不只是錯誤資訊，而是一個被迎合過的判斷。本文從問題定義、根因分析到流程應對，系統性拆解這個比誤診更棘手的挑戰。
Mythos 來不要慌，ISMS + ISO 幫你扛？聊聊在 AI exploit 時代裸奔的體驗
Claude Mythos 帶來強大 agentic 能力，但 ISO 27001、CNS 27001 與 ISMS 框架能應對 AI exploit 時代的安全挑戰嗎？從問題定義出發，拆解框架的邊界與真正有效的防護思路。
AI短影音創業者的真實世界：題材、演算法與淘金邏輯
一場對話揭開AI短影音創業的真實運作：為何題材遠比品質重要、演算法如何分波測試、內容矩陣的風險與報酬，以及廣告之外的多元變現結構。
攻破圍棋百年聖殿！黑嘉嘉圍棋如何讓日本棋院點頭，做起AI圍棋生意？
黑嘉嘉圍棋如何從一個台灣直播平台，演變成讓百年日本棋院點頭合作的AI教育品牌？本文拆解圍棋人科技的轉型邏輯、AI對手系統的設計核心，以及用「職業棋士身份」而非「商業談判」打開日本市場的關鍵決策。
幼兒教育 AI 定位：該放哪裡才不會干擾孩子成長
幼兒教育導入 AI 的關鍵不在於能不能用，而在於放在哪個環節。AI 適合輔助大人備課與設計活動，不適合取代親子互動與教師引導。本文拆解幼兒發展核心，說明 AI 工具的正確定位與評估方法。
元智大學首創AI程式語言列全校大一必修9月全面啟動全台首所
元智大學宣布115學年起將AI程式語言列為全校大一必修課，畢業前並須再修3學分AI數位應用，成為全台第一所以制度化方式全面導入AI素養的大學。這個決定挑戰了高教長期把AI能力當課外選修的慣性，也直接衝擊台灣勞動力的AI準備程度。
健保署攜 Google Cloud 推糖尿病 AI，風險評估從 20 分鐘縮到 25 秒
健保署與Google Cloud 2024年6月合作啟動「AI-on-DM」計畫，以23年、2,300萬筆健保資料訓練糖尿病AI模型，將風險評估從20分鐘壓縮至25秒，是台灣首個政府主導的全國性預防性AI醫療整合。
調查台灣職場四成五員工曾安靜離職五成三已在浪潮中自我升級
104人力銀行2025年調查顯示，45%在職者曾安靜離職，38%認為主管沒有發現。同時超過五成員工已使用生成式AI工具，兩種截然不同的職場態度在同一企業內共存，考驗HR的判斷力。