APPI News｜科技

FHIR 是什麼？AI 想讀懂病歷，得先學會這套語言

張饒輝 Lightman Chang — Thu, 30 Jul 2026 17:06:47 GMT

FHIR 是醫療資料的共同語言，全名 Fast Healthcare Interoperability Resources，由國際醫療資料交換標準組織 HL7 制定，把病歷拆成一個一個叫做 Resource 的模組，讓不同醫院、不同系統能用同一套規則組合、查詢、交換資料。AI 要在醫療現場派上用場，得先讀得懂這套語言：把病歷文字直接丟給模型去猜代碼，準確率不到五成；改讀結構化的 FHIR 資源，準確率能拉到九成以上。台灣衛福部正把這套語言鋪進全國醫學中心，目標 2026 年底前讓病歷真的能跨院互通。

FHIR 到底在解決什麼問題

FHIR 由國際醫療資料交換標準組織 HL7 定義為一套「以 Resource 組成」的架構，2011 年問世，持續演進到目前主流的 R4、R5 版本。HL7 協會把健康照護領域常見的可互通資料項目歸納成 145 種 Resource，涵蓋病人基本資料、生理量測、用藥紀錄、醫療影像標記等類別，每種 Resource 就像資料庫裡的一張表，使用者可以直接複製、微調來解決臨床或行政上的需求。跟前幾代標準比，這是關鍵差異：HL7 v2、v3 與 CDA 把規格寫死，要求各系統照著同一套文件格式走；FHIR 反過來，用組合的方式讓各醫院把自己需要的 Resource 拼起來，再透過通用的 RESTful API 存取，不必額外學資料庫查詢語法。

台灣醫界目前主要依賴 15 年前定義的 CDA R2 標準，由電子病歷交換中心（EEC）統一管理，只支援 XML 格式、只能處理臨床文件，資料格式修訂得透過 EEC 統一發文件，醫院再向 EEC 申請測試檔案驗證，流程慢；FHIR 除了 XML 還支援 JSON、Turtle 等更貼近網頁應用的格式，規格擴充可以直接在官網註冊發布，不必逐案往返公文。這正是台灣現在要從 CDA R2 換軌到 FHIR 的理由：不是規格好不好看，是換一套能跟行動裝置、雲端 App、AI 模型直接對話的資料底座。

為什麼 AI 特別需要這套語言

AI 讀病歷，最怕的不是看不懂字，是把不存在的醫療代碼講得煞有其事。美國西奈山醫學中心的團隊從院內 12 個月的常規醫療紀錄抽出 2 萬 7 千多筆診斷與處置代碼，要求 GPT-4、GPT-3.5、Gemini Pro、Llama-2-70b 這四款模型直接依代碼描述反推正確代碼，結果全部低於五成：表現最好的 GPT-4 在 ICD-9-CM 拿到 45.9%，ICD-10-CM 只有 33.9%，CPT 代碼 49.8%，這項研究發表在《NEJM AI》。問題不在模型不夠聰明，是自由文字病歷裡沒有結構，AI 只能靠語意猜，猜錯了看起來還是一句通順的句子，沒人看得出來。

反過來，一份把 FHIR 的 Resource 架構與 LLM 生成的 mCODE 腫瘤資料模型結合的研究，讓模型直接吃結構化資源而不是自由文字，SNOMED-CT 編碼準確率做到 87%，LOINC 90%，RxNorm 84%，整體資料標準化準確率衝上 92% 以上，比對照組 GPT-4 與 Claude 3.5 平均 77% 的表現高出一截。兩份研究測的模型、代碼系統都不一樣，但指向同一件事：AI 讀結構化資料跟讀自由文字，是兩種完全不同的準確度量級。

這也是為什麼 2026 年 AI 業界開始把由 Anthropic 提出、現已成為多家 AI 應用共通支援的開放標準 MCP（Model Context Protocol），也就是讓 AI 應用程式接上外部資料源與工具的通用協定，跟 FHIR 綁在一起用。把 FHIR 伺服器包裝成 MCP Server，讓 AI agent 用自然語言查詢時，實際執行的是標準化的 FHIR CRUD 操作與 LOINC 代碼比對，而不是把整份病歷丟給模型當純文字猜。這條路徑等於幫 AI 先架好一層翻譯：模型負責理解使用者想問什麼，實際查資料、驗代碼的工作交給結構化的 FHIR 層去做。

台灣的 FHIR Box，現在做到哪

衛福部資訊處科長游子佳在 5 月 20 日的記者會上點出台灣智慧醫療最大的卡點：全台醫院用了 40 多套不同的醫院資訊系統（HIS），資料格式與編碼互不一致，病患跨院看診時醫師拼不出完整病史，民眾常得重複說明病情、重複檢查，甚至自己帶病歷光碟跑醫院。衛福部沒有要求醫院全面換系統，做法是在既有 HIS 之上疊一層叫「FHIR Box」的資料中臺，內建高效能 FHIR 伺服器、台灣核心資料群（TWCDI）工具、FHIR 轉換器與 SMART on FHIR 應用執行環境，衛福部次長莊人祥把它比喻成「就像 Chrome 作業系統，可以在共同底座上部署各種醫療應用」。

時程已經在跑：2025 年底完成長庚、馬偕、中山附醫三大醫學中心的 FHIR 跨院互通示範，2026 年底前推動全台醫學中心部署，2027 年底擴大到全台區域與地區醫院。臺安醫院已經把病歷依台灣核心實作指引（TW Core IG）即時轉換成 FHIR 格式，搭配資慧科技開發的 SMART on FHIR 應用「Insight」，把病歷摘要、檢驗報告、醫囑、用藥、手術紀錄、影像報告整合進單一介面，醫師不用再跨系統一個個查，這不是實驗室展示，是已經在看診現場用的工具。

時程	進度
2025 年底	長庚、馬偕、中山附醫三大醫學中心完成 FHIR 跨院互通示範
2026 年底	全台醫學中心部署 FHIR Box，實現跨院病歷互通
2027 年底	擴大到全台區域與地區醫院

效能上，FHIR Box 目前可同時處理醫學中心 200 筆病歷交換請求，每秒能處理超過 2,500 筆 FHIR Resources；資安上採 OAuth 2.0 身分驗證，搭配定期弱點掃描與 SBOM 軟體成分檢查，病患得先簽署數位同意書，醫院才能透過 FHIR Box 向其他醫院調閱病歷，再由既有的電子病歷交換中心（EEC）完成交換。代碼標準化這塊也在同步推進：LOINC 檢驗代碼已完成近 100% 的健保檢驗碼對應，RxNorm 藥品編碼完成 72.33%，剩下對不上的本土藥品後續要用延伸編碼補上；SNOMED CT 這塊顆粒度更細，衛福部委託工研院開發 AI 輔助臨床編碼工具，動員逾 30 位醫師與 50 位疾病分類管理師完成一萬多筆病歷校正。

該注意什麼

FHIR Box 解決的是「醫院之間打不打得通」，沒有解決「打通之後誰能拿資料做什麼」。把 FHIR 伺服器包成 MCP Server 讓 AI agent 存取，等於多開了一道門，這道門的存取權限怎麼分、查詢紀錄有沒有留稽核軌跡、AI agent 能不能被限制成只能讀不能寫，是接下來要盯的地方。衛福部目前公開的做法是靠 OAuth 2.0 分權限、定期弱點掃描，這套機制擋不擋得住 AI agent 大量自動化查詢的新型態存取模式，目前沒有公開的實測資料可以參考。

標準化本身也還沒補完。RxNorm 的 72.33% 對應率代表剩下近三成本土藥品要靠延伸編碼手動補，這段補完進度會直接影響 AI 用藥提醒功能能不能全面上線。而中醫和中藥資料現階段完全不在 TWCDI 與 FHIR Box 的規劃範圍裡，西醫這邊資料標準化衝得很快，中醫那邊還在各自為政，這道落差短期內不會消失。

對還在觀望的醫療 IT 團隊，實務上最該先問的問題不是「要不要導入 FHIR」，是「導入之後，AI 能不能真的碰到乾淨的結構化資料，還是又多包一層轉換」。衛福部強調 FHIR Box 是開放架構、不綁特定廠商規格，這代表選型階段還有空間，但轉換品質好不好，得看醫院自己的 HIS 資料原本乾不乾淨，這一步沒有捷徑。

FHIR 不是一個只有工程師才需要懂的技術名詞，它決定了台灣的醫療 AI 接下來是接得到乾淨資料做出可信判斷，還是繼續在破碎的病歷格式裡用自由文字猜答案。衛福部的時程表已經排到 2027 年，接下來兩年是這套地基打不打得穩的關鍵期。

常見問題

FHIR 跟以前的 HL7、CDA 標準差在哪？
CDA R2 只支援 XML 格式，只能傳臨床文件，規格改版要透過台灣電子病歷交換中心（EEC）統一發文件審核；FHIR 用可組合的 Resource 架構，支援 XML、JSON、Turtle 多種格式，採用 RESTful API，規格擴充能直接在官網註冊公開，更適合行動裝置與 AI 應用存取。

台灣的 FHIR Box 什麼時候會用到我看病？
2025 年底長庚、馬偕、中山附醫三大醫學中心已完成示範，2026 年底前擴大到全台醫學中心，2027 年底納入區域與地區醫院，實際感受得到跨院調閱病歷免帶光碟，得看所在醫院的部署進度。

AI 直接讀病歷文字判斷，準確率真的比讀 FHIR 資料差那麼多？
是。西奈山醫學中心發表在《NEJM AI》的實測，GPT-4 直接讀病歷文字猜 ICD-10 代碼準確率只有 33.9%；另一份把 FHIR／mCODE 結構化資源餵給模型的研究，SNOMED-CT、LOINC、RxNorm 準確率拉到 84%~90%，兩份研究方法不同，但都指向結構化資料能大幅提升 AI 判讀醫療代碼的準確度。

FHIR 資料互通之後，誰能看到我的病歷？
病患需先簽署數位同意書，醫院才能透過 FHIR Box 向其他醫院調閱資料，搭配 OAuth 2.0 權限控管與電子病歷交換中心（EEC）既有機制完成交換，但 AI agent 透過 MCP 等新方式存取資料的稽核機制，目前還沒有公開實測資料佐證其嚴謹度。

中醫 AI 值不值得信任？上線前該查清楚的六件事

張饒輝 Lightman Chang — Wed, 29 Jul 2026 11:26:06 GMT

中醫 AI 值不值得信任，不是看展示影片把脈把得準不準。要查六件事：辨證推理能不能被追溯、訓練資料的典籍出處站不站得住腳、藥材溯源與炮製記錄查不查得到、有沒有落入該有的醫療器材軟體分級、能不能跟健保與電子病歷體系對得上號、出事了責任算誰的。六件事全部查過，才算真的可信；缺一角，就只是一個包裝精美的黑箱。

中醫 AI 現在真的走到哪裡

先講現況，別被「中醫 AI」四個字的想像帶偏。台灣已經有商業化產品在跑：益謙公司與中華全球經脈臨床醫學會合作開發的 AI 脈診儀，已申請專利保護，透過中醫師社群開始銷售，應用場景涵蓋診所輔助診斷、患者居家自行量測、洗腎病患的安全監測，並與台灣醫學中心合作進行臨床試驗。這不是概念展示，是已經在收費、已經在病人身上量測的產品。

問題在於，我在衛福部食藥署公開的「核准應用 AI/ML 技術之醫療器材清單」頁面查過，這份維護到 2026 年 6 月的清單裡，看不到脈診儀或任何中醫辨證輔助產品的名字。一項已經在臨床試驗、已經在洗腎病患身上使用的量測設備，跟一份公開的醫材核准清單對不上號，這正是接下來六件事要逐條檢查的理由：不是這類產品沒有價值，是價值有沒有經過該有的把關，現在看不出來。

第一關：辨證推理能不能被追溯

我在先前那篇拆解中醫 AI 辨證推理黑箱的文章談過核心問題：若大型語言模型只學中醫診療紀錄、直接輸出辨證建議，使用者看到的只有結論，看不到「這個結論依據哪些規則推導出來」。這件事在醫療現場特別致命，因為臨床責任追溯要靠推理路徑，不是靠一句「AI 建議如此」。

這一關的檢查方法很具體：問開發商能不能把每一個辨證結論拆成明文規則（八綱辨證、臟腑辨證屬於哪一套框架）、能不能提供完整的判斷路徑紀錄。答不出來，就代表這套系統目前還停留在「黑箱輸出」階段，準確率數字再高都無法被臨床責任體系接住。

第二關：訓練資料的典籍出處站不站得住腳

比辨證邏輯更前面一關，是這套邏輯到底從哪裡學來的。中醫的知識體系建立在《黃帝內經》《傷寒雜病論》這類典籍與歷代醫案上，若一個大型語言模型宣稱「懂中醫」，它讀的是這些典籍的原文，還是網路上二手轉述、甚至是其他 AI 生成的內容再被拿去訓練？出處交代不清楚，辨證建議背後的知識來源就是一團模糊。

這件事並非做不到。華東師範大學、上海中醫藥大學等單位聯合發布的「數智岐黃」中醫藥大模型，訓練資料明確標示以《黃帝內經》《傷寒雜病論》等典籍與千餘部古籍文獻為核心，並建構出涵蓋逾 9000 種中藥材、逾 4 萬種中藥成分、逾 2000 種疾病、1000 萬個節點與 3.2 億個關係對的知識圖譜，公開揭露模型在中醫執業醫師資格模擬考試取得 66.91% 的成績。姑且不論這個模擬考分數本身能代表多少臨床能力，這個案例至少證明一件事：把訓練資料的典籍出處、知識圖譜規模、驗證分數攤開來給外界檢視，是做得到的，不是苛求。反過來看，一套中醫 AI 若連自己讀過哪些典籍、怎麼標註辨證規則都說不清楚，這一關就過不了。

第三關：藥材溯源與炮製，老問題還沒解決

這一關我在前一篇文章拆得比較細，這裡只點重點：AI 能不能辨識藥材真偽，取決於資料採集點設在供應鏈的哪一段。洗產地的造假手法連常規成分檢驗都測不出來，得靠化學指紋比對產地資料庫；「加料通過檢驗」則是針對指標成分濃度的檢驗邏輯設計的規避手段，全光譜化學指紋分析才抓得住。這兩個問題都不是「AI 準不準」能回答的，是供應鏈治理有沒有把可信的採集節點鋪到位。中醫 AI 若只在流通末端做辨識，藥材溯源這一關形同虛設。

第四關：中醫 AI 該不該被算進醫療器材軟體分級

台灣有一套現成的分級架構可以套用。食藥署的「醫用軟體分類分級參考指引」把軟體醫療器材分成三級風險，依臨床影響程度、使用情境與對病患的潛在危害來判斷，AI／機器學習相關軟體因為具有複雜性與黑箱特性，通常需要額外的驗證與確效評估。這份指引最近一次大幅修正是把日常健康促進類產品（如量測心率、血氧的穿戴裝置）排除在醫療器材管理範圍之外，讓業者不必為單純健康監測功能走完整查驗登記，用意是替低風險應用鬆綁。

問題是：一套宣稱能輔助辨證、判斷藥材真偽、甚至建議治療方向的中醫 AI，功能上明顯超出「健康促進」的範疇，理論上該落入需要查驗登記的那一級。但從公開資料看，我沒有查到 TFDA 對中醫 AI 這個類別訂出過專屬的分級案例或核准紀錄，前面提到的 AI 脈診儀也不在核准清單上。這代表現行分級架構理論上涵蓋得到，實務上還沒有中醫 AI 產品被明確歸類、走完整套驗證流程。監理空白不代表法規管不到，是還沒有人把它套上去。

第五關：能不能跟健保與 FHIR 病歷體系互通

中醫如果只在自己的系統裡打轉，跟現代醫學的資料完全兜不起來，臨床上就會出現一個病人、兩套互不對話的紀錄。台灣目前推動病歷互通的主力是衛福部的 FHIR Box 計畫，把資料轉換、儲存與交換功能整合於單一架構，並建立台灣核心資料標準 TWCDI 與實作指南，已完成逾 4700 項健保檢驗碼對應 LOINC（近 100% 涵蓋）、逾 6 萬 3 千項藥品對應 RxNorm，時程規劃 2025 年底先由長庚、馬偕、中山三大體系示範，2026 年底擴大到全台醫學中心，2027 年底納入區域與地區醫院。

我查過這篇報導與相關規劃內容，完全沒有提到中醫或中藥資料要被納入 TWCDI 或 FHIR Box 的整合範疇。這代表西醫的檢驗、藥品資料正在快速標準化互通，中醫的辨證紀錄、方劑處方目前不在這張時間表上。中醫 AI 如果想要跟病人的西醫用藥史、檢驗數據對照（例如提醒中西藥交互作用），現階段沒有標準化的資料管道可用，只能各自為政。

資料治理的另一半是誰能拿這些資料做什麼。立法院已在 2025 年 12 月 2 日三讀通過「全民健康保險資料管理條例」，賦予民眾得請求退出健保資料特定目的外利用，並訂定罰則，以竊取、毀壞或其他非法方法危害健保資料庫者可處一年以上七年以下有期徒刑。這套規範現在管的是健保資料，中醫診療資料若哪天要納入同一套治理框架，退出權與罰則怎麼套用，也是還沒被討論到的一塊。

第六關：出事了，責任算誰的

前五關都查完，最後一定會撞到這個問題：中醫 AI 給錯建議、病人因此受害，誰要負責？2026 年 7 月 12 日的第 26 屆台灣醫法醫政論壇正式把這個題目搬上檯面，設了「AI 導入中醫診療」專場，台北醫學大學何建志教授探討「AI 輔助診療衍生的法律責任」，政治大學陳俊元教授談「AI 醫療風險管理及責任歸屬」，健保署署長陳亮妤則說明健保正在導入 AI 風險預測與跨域數據整合。這場論壇的存在本身就說明一件事：業界與法界都承認這是個尚待解決的問題，不是已經有答案、只是沒人問。

學界目前提出的框架方向，中央研究院法律學研究所的分析主張把高自主性的動態 AI 比照醫學生訓練：上市前當作接受監管認可的教育與訓練，通過驗證才能上市，上市後持續監督，責任隨自主性提升而增加，這個思路把「AI 該不該負責」轉譯成「AI 該接受多少監督」，但開發者要不要承保醫療過失責任保險、醫療機構的監督責任邊界劃在哪裡，這篇分析本身也承認還沒有定論。回到中醫 AI 的場景，中醫師開立處方時若參考了 AI 的辨證建議，出了問題，責任在中醫師的臨床判斷、在系統開發商的演算法設計，還是在診所的導入把關，現行的醫師法框架沒有給出清楚答案，只能等前面提到的論壇與修法討論慢慢收斂。

把六件事收進一張檢查表

我在醫療資訊整合的工作裡，看過太多系統靠「準確率 90% 以上」的簡報數字說服客戶，卻答不出資料從哪來、出事找誰。中醫 AI 現在正處在同一個階段：技術能力進展得快，信任體系的六根柱子還沒有一根穩穩立好。

檢查點	該問的問題	台灣現況
辨證推理	能不能提供完整判斷路徑，而非只給結論？	多數系統仍是黑箱輸出，規則庫未明文化
訓練資料典籍出處	讀的是原始典籍還是二手轉述？	已有對照案例（數智岐黃）證明可公開揭露，多數台灣產品未見同等揭露
藥材溯源與炮製	資料採集點設在供應鏈哪一段？	末端抽檢為主，洗產地與加料造假難靠現行機制抓出
醫材軟體分級	診斷輔助功能有沒有落入 SaMD 查驗登記？	現行三級分級架構理論上涵蓋，實務未見中醫 AI 產品被明確歸類
資料互通	能不能跟健保、FHIR 病歷體系對接？	FHIR Box 時程排到 2027 年，中醫資料不在規劃範圍內
責任歸屬	出事了，中醫師、開發商、診所誰負責？	2026 年 7 月論壇才剛正式提出討論，尚無定論

這張表不是要否定中醫 AI 的價值，是把「值不值得信任」從一句模糊的感覺，拆成六個可以逐條追問、逐條驗證的問題。下次有人拿著一套中醫 AI 系統跟你說「準確率很高」，先問這六件事，答得出來的部分，才是真正站得住的信任。

常見問題

台灣現在有中醫 AI 產品在使用嗎？
有。益謙公司的 AI 脈診儀已透過中醫師社群銷售，應用於診所輔助診斷與洗腎病患居家監測，並與醫學中心進行臨床試驗，但目前未見列於 TFDA 公開的 AI/ML 醫材核准清單。

中醫 AI 屬不屬於醫療器材，該不該經過查驗登記？
依食藥署醫用軟體分類分級參考指引，具診斷輔助功能的軟體理論上屬於需要查驗登記的醫療器材軟體，但目前沒有查到中醫 AI 產品走完整分級核准流程的公開案例，屬監理實務尚未落地的空白地帶。

中醫的病歷資料能跟西醫的健保資料互通嗎？
目前不行。衛福部 FHIR Box 計畫的 TWCDI 標準與時程規劃裡沒有納入中醫或中藥資料，西醫的檢驗與用藥資料正在快速標準化，中醫資料現階段仍各自為政。

中醫 AI 給錯建議，出事了誰要負責？
目前沒有明確答案。2026 年 7 月的醫法醫政論壇才剛把「AI 導入中醫診療的法律責任」列為專場議題正式討論，責任在中醫師的臨床判斷、系統開發商或診所導入把關，現行法規尚未給出清楚的劃分。

AI ASIC 是什麼？為什麼雲端巨頭讓晶片從 GPU 轉向它

APPI 編輯部 — Wed, 29 Jul 2026 03:10:00 GMT

AI ASIC 是為單一運算任務把電路刻死的客製晶片，用犧牲彈性換取比通用 GPU 更高的每瓦效能與更低的單位成本。雲端巨頭把愈來愈多推論工作搬去自研 ASIC，理由很直接：那些工作負載上線後就固定重複，用不到 GPU 保留的彈性，卻要為那份彈性付電費。這條路線分流的是特定推論負載，訓練與還在快速變動的工作負載，仍是 GPU 的地盤。

ASIC 是什麼？跟 GPU 差在架構

ASIC 全名 Application-Specific Integrated Circuit，中文常譯特殊應用積體電路。它的電路在設計階段就針對單一任務刻死，AI 領域最常見的矩陣乘法與向量運算，會占滿整片晶片的電晶體資源。imec 的比較整理指出，GPU 像一把瑞士刀，靠數以萬計可程式化的核心處理各種平行運算，訓練、推論、圖形運算都能扛；ASIC 像量身訂做的工具，把通用性拿掉、犧牲彈性，換取專注在核心矩陣運算上的極致效率。這個架構差異決定了兩者的取捨：GPU 留了彈性應付還在變動的模型，ASIC 拿掉彈性，把省下來的電晶體全部拿去衝算力密度。

為什麼推論階段特別適合 ASIC

一顆模型訓練完上線後，推論階段的運算模式已經固定，同一組矩陣乘法會被重複執行幾十億次，這正是 ASIC 吃得到甜頭的場景。imec 指出，ASIC 能在吞吐量、延遲、能源效率三項指標上同時超越 GPU，前提是工作負載要匹配它的專業化設計，且要有持續的資料供應把產能撐滿。訓練階段正好相反，模型架構還在快速迭代，這一輪跑的層數與參數配置，下一輪可能整個換掉，ASIC 的固定電路在這種場景反而綁手綁腳。這也是為什麼 Google TPU、亞馬遜 Trainium 這類超大規模自研晶片，幾乎都先從推論任務切入放量，訓練工作至今仍主要靠 GPU。

成本與能效：GPU 前期便宜，ASIC 量產才划算

GPU 的優勢在部署速度，一顆頂級 AI GPU 市價約 5 萬美元，買了就能上機架跑，但代價是硬體本身就占資料中心資本支出的四成到四成五。ASIC 反過來，前期開發成本極高，要靠量產把成本攤薄，所以只有出貨量夠大的固定工作負載才划算。這筆前期投資有多重：先進製程（3 奈米到 5 奈米級）流片一次，光罩費用落在 1 千萬到 2 千萬美元，晶圓成本每片 1 萬 6 到 2 萬 2 千美元，加上 EDA 工具年度授權 2 百萬到 5 百萬美元、IP 授權 5 百萬到 2 千萬美元，整體非經常性工程成本可以疊到 3 千萬到超過 1 億美元，設計團隊動輒 50 到 200 多名工程師，從規格定案到量產要跑 24 到 36 個月。業界的經驗法則是，這個等級的投資只有在年出貨量能衝上 10 萬顆以上時才站得住腳，台積電對這個等級的產能也會優先分配給最大客戶，交期可能拉到 50 週以上。這代表流片是重注，先砸一兩年時間跟數千萬美元進去，量產前完全看不到一毛錢回收，一步走錯，投資直接歸零。

台灣吃到哪一段：設計服務與先進封裝

雲端巨頭有架構想法、有訂單量，但不一定有能力把晶片從規格送進台積電產線、再做完先進封裝出貨，這道工序外包給誰做？創意電子（GUC）官方揭露，自己提供「從規格定案（Spec-in）、系統單晶片整合、實體設計、先進封裝技術到量產服務」的全流程 ASIC 設計服務，台積電持股 35% 是其最大股東，也是唯一的晶圓代工夥伴。世芯扮演類似角色，AI／HPC ASIC 已占其營收約八成。台灣吃到的是這道「把 CSP 的構想變成能量產晶片」的工序，晶片出貨後掛的是 CSP 自己的品牌，不是台灣設計服務商的名字。

封裝測試同樣分到一杯羹。日月光（ASE）先進封裝業務2026 年營收上修目標增加約 20 億美元，其中 CoWoS 相關業務 2026 年營收目標看到 3 億美元、2027 年預期再放大，資本支出年增二成、三分之二投入廠房與設施擴產。這條供應鏈上，台灣卡住的是設計服務與先進封裝這兩道別人短期繞不過的工序。我先前寫過小摩估算 ASIC 出貨在 2027 年超車 GPU、台灣 IC 設計族群被法人重估的市場動態，那篇談的是股價與訂單，這篇回到原理：為什麼會出現這個轉向。

什麼情況下仍該用 GPU

三種情境輪不到 ASIC。第一，模型架構還在快速迭代的研發與訓練階段，今天定案的電路，可能半年後模型改版就用不上，GPU 的可程式化才扛得住這種變動。第二，工作負載量體不夠大，前面算過，先進製程 ASIC 的開發成本要攤到 10 萬顆以上出貨才划算，中小型服務或還在驗證階段的產品，流片一次的錢可能比全年營收還高。第三，軟體生態與人才，CUDA 累積十幾年的工具鏈與熟悉的工程師，遠比自研晶片的客製工具鏈成熟，轉換成本本身就是一筆隱性開銷。市場現在的分工更像「輝達主攻通用訓練與彈性工作負載，自研 ASIC 主攻自家固定又大量的推論」，兩條線各自吃各自的份額。

常見問題

ASIC 跟 GPU 最根本的差異是什麼？
ASIC 是為單一任務把電路刻死的客製晶片，換取更高的每瓦效能與更低單位成本；GPU 是通用可程式化的平行運算器，用彈性換取能跑各種工作負載的能力。imec 的比較指出，ASIC 要贏過 GPU，前提是工作負載夠穩定、產能能被打滿。

為什麼雲端巨頭現在拚命做自己的 ASIC？
因為推論工作負載一旦上線就固定重複，用不到 GPU 保留的彈性，卻要為那份彈性付電費。一顆頂級 AI GPU 市價約 5 萬美元、占資料中心資本支出四成到四成五，大量重複的推論如果能用更省電的專用電路做，長期省下的電費遠比開發成本高。

做一顆 ASIC 要花多少錢、多久？
先進製程（3 到 5 奈米級）流片一次，光罩費用落在 1 千萬到 2 千萬美元，加計 IP 授權、EDA 工具與設計團隊人力，整體開發成本可疊到 3 千萬到超過 1 億美元，從規格定案到量產要跑 24 到 36 個月，業界經驗法則是年出貨量要衝上 10 萬顆以上才划算。

台灣公司在這波 ASIC 熱潮裡做什麼？
不是賣自己品牌的晶片，是接 CSP 的設計服務與封測訂單。創意電子提供從規格定案到量產的全流程 ASIC 設計服務，台積電是其最大股東與唯一晶圓代工夥伴；日月光的先進封裝業務同步吃到2026 年 CoWoS 相關營收目標 3 億美元的訂單潮。

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

張饒輝 Lightman Chang — Thu, 23 Jul 2026 00:00:00 GMT

42 個州的檢察長同時對一家公司發傳票，這件事本身就是訊號。2026 年 6 月中，由紐約檢察長 Letitia James 領銜，42 個州的檢察長對 OpenAI 送出一份範圍很廣的傳票，要的東西橫跨廣告、使用者留存、消費者與健康資料、對未成年與長者的處理、深度學習模型的行為，一路到內部政策。時間點更關鍵：這是在 OpenAI 6 月 8 日機密遞件 S-1、準備上市之後幾天發生的。這不是一次例行抽查，是趕在上市前把一堆沒解決的問題攤到檯面上。

先把傳票要什麼講清楚。它不是只盯一件事，是六類文件一次要齊：廣告與行銷素材、使用者參與和留存的指標、消費者與健康資料怎麼蒐集使用、涉及未成年與長者的功能、深度學習模型的運作（其中特別點名模型諂媚，也就是 sycophancy，模型一味附和討好使用者的傾向），以及自傷情境的內部升級流程。很多人第一眼會把重點放在「廣告」，覺得這是在管 ChatGPT 要不要塞廣告。但廣告只是末端。把六類擺在一起看，這份傳票真正在追的，是一個介面同時做了三件本來該分開受管的事：蒐集敏感資料、影響脆弱使用者、還打算靠它賺廣告錢。

先踩一個剎車：42 州一起出手不代表 OpenAI 一定違法，傳票是調查工具不是判決。但它逼出一個問題，值得往下拆。

聊天機器人最麻煩的地方，是它會誘導你講出平常不會打進搜尋框的話。你會跟它說你的症狀、你的焦慮、你家裡的事、你的用藥。這些在醫院裡受 HIPAA（美國的健康保險可攜與責任法）約束，在對話式 AI 這個介面卻掉進一個模糊地帶。佛州的指控就直指這一塊：說 ChatGPT 可能促成自傷與暴力，還在沒有有效家長監督的情況下蒐集未成年的資料。我之前寫過每週有 2.3 億人拿 ChatGPT 問健康問題，這個量體早就跨過「玩具」的門檻。問題不是模型答得準不準，是這麼大量的健康對話流進一個不受醫療隱私法約束的系統，中間有沒有人在管。

未成年、長者跟模型諂媚會被綁在一起點名，不是湊數。諂媚這個設計缺陷，對一般人頂多是煩，對正在心理危機裡的人可能是致命的：一個一味附和你的系統，遇到有自傷念頭的使用者，它的「討好」會變成推一把。檢方在意的正是這個交集，脆弱族群加上會迎合的模型。這也是為什麼傳票會問到自傷情境的內部升級流程，那不是技術問題，是「有沒有一套流程在對的時候把人攔下來」的問題。這其實跟這一波州檢長行動的起點一脈相承：早在 2025 年 8 月，就有 44 個州的檢察長聯名發信給 AI 業者，要求設計產品時要像家長一樣為兒少著想。從警告信到傳票，這是同一條線收緊。

為什麼挑 IPO 這個時間點？因為上市那一刻，法規風險第一次要被明碼標價。OpenAI 這輪傳的 IPO 估值上看兆美元，比先前 8,520 億美元的私募估值再往上。一旦要公開募資，這種跨 42 州的調查就得寫進招股書的風險揭露，攤給每個潛在投資人看。換句話說，過去可以當成「以後再處理」的合規欠帳，到了 IPO 就變成會影響定價的具體變數。加州檢方去年就示範過這種盯法：2025 年 10 月，Bonta 在 OpenAI 非營利轉型與資本重組上換到幾項讓步，包括慈善資產須用於原定目的、安全要被優先、公司留在加州。監理不是要擋它上市，是要在它拿到最多資本的節點，把該綁的條件綁上去。

那台灣該從這條新聞讀出什麼？不是看熱鬧，是拿它當對照組。台灣的個資法把健康、醫療、病歷這類列為特種個人資料，蒐集使用的門檻本來就比一般資料高；剛上路的 AI 基本法又疊了一層風險分類的框架，把不同用途的 AI 分級管理。把美國這樁調查的邏輯搬過來，該問的具體問題是：本地的健康問答、心理陪伴、長照相關的 AI 服務，蒐集這些特種資料時，同意機制、資料落地、以及出錯時的責任歸屬，補齊了沒有。這跟德國法院認定 Google 要為 AI 摘要的錯誤負責是同一種訊號：AI 一旦介入敏感決策，「我只是工具」擋不住責任。台灣的優勢是這些法規框架都已經在，缺的是把它真的套到這類新服務上，而不是等出事才追。

把 42 州傳票、健康資料、IPO 揭露這三件事串起來看，會發現它們在講同一件事：AI 助理正在同時變成蒐集敏感資料的入口、影響脆弱使用者的介面、還有一門要靠廣告變現的生意。這三個角色擠在同一個聊天框裡，本來就會撞出利益衝突。檢方要的六類文件，其實是要 OpenAI 說清楚：這三件事之間，有沒有一道牆。這道題答不好，上市募到再多錢也只是把問題放大。台灣現在該做的，是趁自己還在早期，先把這道牆的位置想清楚。

常見問題

42 州檢察長調查 OpenAI 到底在查什麼？
查六類東西：廣告與行銷、使用者參與和留存、消費者與健康資料的蒐集使用、對未成年與長者的處理、深度學習模型的行為（含模型諂媚 sycophancy）、以及自傷情境的內部處理政策。由紐約檢察長 Letitia James 領銜，是一次消費者保護性質的調查傳票，不是判決，代表要 OpenAI 交文件說明，不代表已認定違法。

為什麼傳票挑在 OpenAI 準備 IPO 的時候發？
因為上市要揭露重大法律風險。OpenAI 6 月 8 日機密遞件 S-1、估值上看兆美元，這種跨 42 州調查一旦成立，就得寫進招股書、影響投資人對它的定價。挑這個節點出手，是把過去可以拖的合規問題，變成馬上要面對的成本。

ChatGPT 蒐集我的健康資料，受法律保護嗎？
在美國，醫院受 HIPAA 約束，但你打進聊天機器人的症狀、用藥、心理狀態，落在一個模糊地帶，這正是這次調查的重點之一。在台灣，健康與病歷屬個資法的特種個人資料，蒐集門檻較高，但實際落地到 AI 服務時的同意與責任機制仍需逐案檢視。原則上，把敏感健康資訊交給對話式 AI 前，先假設它不等於跟醫師的受保護對話。

模型諂媚（sycophancy）為什麼會被檢察官當成問題？
因為一個一味附和、討好使用者的模型，遇到心理危機或有自傷念頭的人時，它的迎合可能變成危險的推力，而不是把人攔下來。對未成年與長者這類脆弱族群風險更高，所以傳票才會把模型諂媚跟自傷升級流程一起要文件，追的是「有沒有流程在對的時候踩剎車」。

美國 FDA 替 AI 醫材鬆綁低風險、核准逾 1,350 件：和台灣、歐盟的路線差在哪

張饒輝 Lightman Chang — Mon, 20 Jul 2026 00:00:00 GMT

美國 FDA 正在同時做兩件方向相反的事：一邊把 AI 醫材的累計核准量衝到逾 1,350 件，一邊在 2026 年初把一批低風險的穿戴裝置與臨床決策支援軟體移出醫材監管。這是「低風險放行、把審查火力集中在醫療級宣稱」的路線。台灣走的是另一條：不太分風險高低，AI 醫材大多要先過查驗登記（premarket）逐案審才能上市。歐盟更嚴，在既有的醫材法規 MDR 之上，再疊一層 AI 法的高風險義務。三條路線不是誰進步誰落後，而是各自賭了不同的風險假設。台灣要問的，不是該抄哪一條，而是自己真正卡在哪。

FDA 的數字，跟它鬆綁的那一段

先看量。根據追蹤 FDA 授權清單的統計，到 2025 年底累計核准的 AI／機器學習醫材約 1,451 件，其中約七成六集中在放射影像。這個數字這幾年幾乎是翻倍在長，但有一個關鍵限制常被漏掉：到目前為止，FDA 還沒核准過任何一件「生成式 AI」醫材，會自己生成診斷與治療內容的那種還卡在門外，放行的絕大多數是影像判讀、訊號分析這類邊界清楚、輸出可驗證的工具。

真正的政策轉向在 2026 年 1 月 6 日。FDA 一口氣更新了兩份指引：一份是低風險一般健康產品（General Wellness），一份是臨床決策支援軟體（CDS）。前者把用光學感測估算血壓、血糖這類穿戴功能，只要不打出診斷或治療特定疾病的宣稱，就當成非醫材、不進監管；後者則對「只給一個建議、而且臨床上本來就只有這一個合理選項」的決策支援軟體行使裁量、不再要求上市前審查。換句話說，鬆的是「低風險」跟「不做醫療級宣稱」這一段，不是全部。

追因：FDA 敢鬆，賭的是分界線守得住

FDA 為什麼敢這樣鬆？它賭的是「低風險 vs 醫療級宣稱」這條分界線畫得夠清楚、守得住。這件事要放到誘因結構裡看才懂。FDA 署長 Makary 講得很直白，他要讓監管以「矽谷速度」運作、給市場和投資人可預測性。當低風險的健康追蹤產品每個月冒出一批，逐案審不但塞爆審查量能，也擋不住什麼真正的危害，把它們放出去、把資源集中在會真的影響用藥與療程的高風險醫材，這個取捨本身是有邏輯的。

但這裡要踩一個剎車。分界線好不好守，是這套設計的成敗關鍵，不是理所當然。一個穿戴軟體說「你的數值異常、建議就醫」跟說「你可能有心房顫動」，中間只差一句話，商業誘因會一路把產品往「講得愈像診斷愈好賣」的方向推。FDA 把責任放在事後執法與宣稱審查，等於賭自己攔得住越線的那些。這是把守門的重量從「上市前」挪到「上市後」，不是把門拆了。生成式 AI 之所以到現在還沒放行，正是因為它的輸出不像影像判讀那樣容易框，越線的風險難用一條清楚的分界擋住。

台灣：先審再上市，卡的不是法規是驗證

台灣走的是幾乎相反的預設。AI 醫材在這裡多半要先過查驗登記這道 premarket 關卡，食藥署訂有專門的 AI／機器學習醫材軟體送件指引，要求業者交出演算法架構、資料限制、臨床性能驗證與資訊安全等資料，逐案審過才准上市；2024 年還加了 PCCP（預定變更控制計畫），讓模型在核准範圍內改版不用每次重審。截至 2024 年初，國內核准的 AI／機器學習醫材約 37 件，集中在腦部電腦斷層、心電圖、內視鏡瘜肉偵測、骨齡判讀這些影像與訊號應用。

問題是，台灣真正的瓶頸可能不在這道審查關。資誠（PwC）盤點全球智慧醫療法規時點出，台灣的痛點是「場域驗證不足與商業化落地挑戰」，建議產業從技術導向轉為臨床價值導向。同一份分析也提到一個真正的里程碑：2023 年底健保首度給付一款麻醉風險監測的 AI 醫材。這才是關鍵。一件 AI 醫材過了查驗登記只是拿到上市資格，能不能在醫院被真的用起來、能不能進健保給付、有沒有臨床實證撐住價值，是另一組完全不同的門檻。把力氣全押在「審查要更快」，很可能是解錯題；根因在後面那段驗證與給付，不在前面那道審查快不快。

歐盟：MDR 之上再疊一層，合規最重

歐盟是三條路裡合規負擔最重的。它的邏輯是：AI 醫材本來就要照醫材法規 MDR／體外診斷法規 IVDR 走完符合性評鑑，歐盟 AI 法再把需要第三方評鑑的醫材（大致是 MDR 第 IIa 級以上）一律歸為「高風險 AI 系統」，疊上一層 AI 專屬義務：資料品質與治理、紀錄留存、透明度、可歸責、以及強制的人為監督。這些要求在原本的 MDR 之外另外長出來，業者得把既有的品質系統和技術文件擴充上去。

時程上，需經第三方評鑑的高風險醫材，AI 法的高風險義務適用期被延到 2027 年 8 月，給了業界一段緩衝。歐盟這條路賭的是另一個假設：AI 的風險要在上市前就用一整套治理框架綁死，寧可慢、寧可貴，也要把資料治理和人為監督寫進強制要求。這跟 FDA「先放行低風險、事後看宣稱」剛好站在光譜的兩端。台廠若要銷歐，這條合規線怎麼一次對齊，我在歐盟 AI 法對 GPAI 長出牙齒那篇談過同一套邏輯：高風險義務與既有法規怎麼疊、緩衝期怎麼用。

三條路線怎麼對照，台灣要解對哪題

把三地放在同一組座標上看，差異就清楚了。

面向	美國 FDA	台灣 TFDA	歐盟
上市前審查預設	低風險放行、集中審醫療級宣稱	查驗登記逐案審再上市	MDR 符合性評鑑後才上市
風險分界怎麼畫	靠「是否做醫療宣稱」畫線，事後執法	依醫材風險分級逐案認定	MDR 分級＋AI 法高風險再疊一層
AI 專屬義務加在哪	弱化，靠指引與裁量	PCCP 管模型改版	資料治理、人為監督等強制要求
賭的假設	分界守得住、上市後攔得下	逐案把關擋住劣質品	上市前用治理框架綁死風險

看懂對照之後，台灣該做的不是挑一條抄。選路線的順序不能倒過來：要先定義自己要解的是哪一類問題，再看哪條路線的前提符合這個問題，最後才談要不要調整。台灣手上握著全民健保完整的醫療資料，這是別人羨慕的結構優勢；真正的缺口是臨床場域驗證與給付落地，不是查驗登記慢半拍。如果照抄 FDA 的低風險鬆綁，鬆到的是一批本來就不太需要管的健康 App，對「AI 醫材進不了臨床」這個真痛點沒有幫助。反過來，把資源投到多中心臨床驗證、健保給付路徑、上市後真實世界資料回收，才是對著根因下手。AI 落地從來不是有沒有能力落地的問題，是有沒有把該長的能力先長出來，這點在醫療 AI 的承諾與極限那篇講得更透。看懂三條路線各自賭什麼，比記住「FDA 鬆綁了」這個標題重要。

常見問題

FDA 鬆綁 AI 醫材，是所有 AI 醫材都不用審了嗎？
不是。FDA 2026 年 1 月放寬的只有兩塊：低風險的一般健康穿戴產品，以及「只給單一建議、臨床上本來就只有一個合理選項」的決策支援軟體，而且前提是不做診斷或治療特定疾病的宣稱。會影響用藥與療程的高風險醫材照樣要審；到目前為止 FDA 也還沒核准過任何生成式 AI 醫材。

台灣的 AI 醫材要怎麼上市？跟美國差在哪？
台灣多數 AI 醫材要先過查驗登記這道上市前審查，食藥署訂有專門的 AI／機器學習醫材軟體送件指引，逐案審過才准上市，2024 年並加入 PCCP 管模型改版。跟美國「低風險先放行、事後看宣稱」不同，台灣的預設是先審再上市。

歐盟對 AI 醫材為什麼被說最嚴？
因為它在既有醫材法規 MDR 之上，又把需要第三方評鑑的醫材一律歸為高風險 AI 系統，額外要求資料治理、紀錄留存、透明度與強制人為監督。業者等於要同時滿足 MDR 和 AI 法兩套規範，這部分義務對需第三方評鑑的醫材延到 2027 年 8 月適用。

台灣 AI 醫材真正卡在哪？是法規太慢嗎？
比較可能卡在臨床場域驗證與商業化落地，而不是審查速度。資誠盤點指出台灣痛點是場域驗證不足與商業化落地挑戰；2023 年底健保才首度給付一款麻醉風險監測 AI 醫材。拿到上市資格只是第一步，能不能進臨床、進健保給付才是真門檻。

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

張饒輝 Lightman Chang — Sat, 18 Jul 2026 00:00:00 GMT

GPT-5 Pro 幫一位免疫學家解開了卡三年的 T 細胞謎題，還準確預測了一場沒被公開過的實驗結果。這件事是真的，也確實漂亮。但真正該讀懂的不是「AI 會做科學了」，而是它在哪裡、為什麼有效：它是一台假說引擎，不是一座真相神諭。把它讀成後者，就對不上這件事的份量，也會在自己的研究現場解錯題。

先講事件本身。主角是美國 Jackson Laboratory 基因體醫學研究所的免疫學家 Derya Unutmaz。他的實驗室從 2022 年開始累積一份 T 細胞資料，一直解釋不了：把人類 CD4+ T 細胞用 2-去氧葡萄糖（2-DG，一種擋住糖代謝的化合物）處理，之後洗掉、再用 IL-2 活化，這批細胞會持續偏向一種促發炎的 Th17 樣態。現象量得到，機制講不出來，卡了三年。他把這份資料集丟給 GPT-5 Pro。

GPT-5 提的答案，方向跟原本的猜測不一樣。原本大家想的是「能量被砍了，細胞行為就受限」。模型指出：2-DG 的效果比單純缺葡萄糖強得多，比較像是干擾了 N-連結糖基化，而不是能量不足。糖基化受損會讓 IL-2 受體的訊號（IL-2 / STAT5 這條路）變弱，而 IL-2 本來就是壓著 T 細胞不要變成 Th17 的那道剎車，剎車鬆了，Th17 就跑出來。它還多補一刀：真正被影響的是記憶 T 細胞，不是初始（naive）T 細胞，因為初始細胞高度依賴 IL-2 存活、也還沒有 Th17 的染色質預備狀態。這套推理在生物學上說得通，也對得上該領域幾十年的既有知識。

真正硬的訊號，是下一步。Unutmaz 要 GPT-5 預測一場它沒被餵過結果的實驗：一組 CAR-T 殺傷測試。模型給出具體方向，說 2-DG 前處理後、72 小時累積的殺傷力會更高，尤其在低 E:T 比例下，而這跟他手上還沒發表的實驗數據幾乎吻合。這一步比「生成一個聽起來合理的假說」重要得多，因為它把「真的在推理」和「把網路上的資料背出來」分了開來。但這裡要踩一個剎車，而且要誠實地踩：論文作者自己註明，有一個相近的故事（甘露糖回補實驗）先前放過 bioRxiv 預印本，所以不能百分之百排除模型在訓練資料裡見過相關線索。後續那些更細的機制推論看起來對該領域是新的，但「它預測了一場完全沒看過的實驗」這句話，得帶著這個但書講，才不算灌水。

那它為什麼會有效？我的答案是：不是因為模型變聰明了，而是因為這次落地把該有的條件都湊齊了。至少三個，缺一個就跑不出這個結果。一，有一位領域專家，手上握著一份乾淨、真實、標得清楚的資料集；二，這位專家看得懂 AI 吐的東西是「生物學上合理」還是「只是講得順」；三，最後有一場 held-out 實驗當試金石，可以回頭驗。這三件事湊齊，模型才有發揮空間。可信度靠的是這整條流程，不是模型參數量。我之前寫醫療 AI 合規守門引擎時就是這個立場：問題定義、資料供給、角色設計、驗證機制，缺一個就在那裡出問題，換更大的模型救不了。

還要把一件事分清楚：GPT-5 給的是假說，不是被證實的發現。這份成果目前收在一篇 arXiv 論文裡，機制還要靠濕實驗一步步驗，也還沒走完正式的同儕審查。「觀察到一個合理的機制」跟「有足夠證據支撐的結論」中間，隔著的不是「再多做幾次分析」，而是一段結構性的距離。把 AI 生成的假說直接當成結論宣佈「三年謎題破解」，是這類新聞最常見的解錯題。這也是我在談 LLM 到底是不是救贖那篇的老話：訊號就說訊號，沒有走完驗證就不要說成定論。GPT-5 這次真正的貢獻，是把一個卡住的研究往前推了一大步，而不是替科學家把結論簽了名。

那台灣該從這條新聞讀出什麼？先別急著問「我們要不要導入 GPT-5」。這個案例真正稀缺的東西，台灣其實不缺第一項：我們有健保資料庫、有 Taiwan Biobank，臨床與生醫資料的厚度在亞洲數一數二。瓶頸從來不是買不買得到模型，而是另外兩件：誰握有乾淨、可用、授權清楚的資料集，能合法餵進來；以及誰有本事判斷 AI 吐的機制是真的合理、還是只是流暢。再加一個更硬的：有沒有能回頭做驗證實驗的濕實驗室平台。真正該投資的是「專家＋資料＋驗證迴路」這條線，不是多開幾個 API 帳號。以為導入 AI 就能自動加速研究，是把工具擺在問題前面，順序倒了。

看懂這件事的方式，是把它讀成一台好用的假說引擎：它能在乾淨資料上，快速生出一批值得驗的方向，把研究者幾個月的試錯壓縮成幾分鐘的推理。這很有價值。但引擎要有人握方向盤、有路可以開、有終點可以驗，才跑得到地方。GPT-5 這次把 T 細胞的謎題往前推了一步，也順手示範了 AI 在科學裡最務實的位置：不是取代科學家判斷，而是替他們把假說的產能拉高一個量級，最後那一槌，還是敲在懂行的人手上。

常見問題

GPT-5 Pro 是自己解開了這個 T 細胞謎題嗎？
不完全是。它在免疫學家 Derya Unutmaz 提供的一份真實資料集上，生成了一套機制假說（2-去氧葡萄糖干擾 N-連結糖基化、削弱 IL-2 訊號、解除 Th17 抑制），並準確預測了一場未公開的 CAR-T 殺傷實驗結果。但這是假說與預測，不是被完整驗證的定論，機制仍需濕實驗確認、也尚未走完正式同儕審查。

「它預測了一場沒看過的實驗」這句可信嗎？
方向可信，但要帶但書。模型確實給出跟未發表數據吻合的預測，這比單純生成假說有力得多。不過論文作者自己註明，一個相近的故事（甘露糖回補實驗）先前放過 bioRxiv 預印本，無法完全排除訓練資料看過相關線索，所以不宜說成「完全沒接觸過」。

這代表 AI 可以取代科學家做研究了嗎？
不代表。這次會成功，靠的是三個條件缺一不可：領域專家握有乾淨的真實資料集、專家能判斷 AI 的答案在生物學上合不合理、以及有 held-out 實驗可以回頭驗證。AI 提高的是假說產能，最後的判斷與驗證仍在人手上。

台灣的生醫研究能複製這種做法嗎？
條件比想像中接近。台灣有健保資料庫、Taiwan Biobank 這類厚實的臨床資料，缺的通常不是模型，而是乾淨可用且授權清楚的資料集、能判斷 AI 輸出是否合理的領域專家，以及能做驗證實驗的濕實驗室平台。把資源投在這條驗證迴路，比單純採購 AI 工具更關鍵。

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？

張饒輝 Lightman Chang — Thu, 16 Jul 2026 00:00:00 GMT

AI 這次不是在答題，是真的走進實驗室做了實驗。6 月 17 日，OpenAI 與波蘭化學新創 Molecule.one 公布一項成果：GPT-5.4 搭配對方的 agent 系統 Maria 與一座自動化實驗室，跑了 10,080 筆化學反應，改良了醫藥化學界卡多年的一個偶聯反應。但這則新聞值得先踩個剎車：被打破的不是「智力」瓶頸，是「通量」瓶頸；成果可信是因為背後有一整套濕實驗室驗證迴路與人工守門，不是因為模型變聰明。看懂它解的是哪一類問題，比記住一萬這個數字重要。

先把事情講清楚。這個反應叫 Chan-Lam 偶聯，是用銅催化把碳和氮接起來的方法，做藥時很常用。其中「初級磺醯胺（primary sulfonamide）」這個版本一直很難搞，產率偏低，而磺醯胺這個結構出現在九十多款美國 FDA 核准的藥裡，涵蓋腫瘤、抗菌到心血管，所以它一直是早期新藥開發的一個卡點。GPT-5.4 做的事，是自己選定這個題目、提出一個假設：用溫和的氧化劑 TEMPO（一種穩定的自由基）也許能拉高產率。接著 Maria 這座自動化實驗室分兩輪把它試出來。

結果不差，但也別放大。平均產率從 16.6% 升到 25.2%，清過 30% 這個「實用門檻」的反應比例，從 15.6% 翻到 37.5%；測試的硼酸有 88%、磺醯胺有 83% 產率變好。注意絕對數字：25% 的平均產率放在做藥的標準裡還是偏低，這是「相對改善」，不是把難題一次做到好。真正紮實的地方在後面：人類化學家手工重做了 14 組代表性反應，其中 11 組真的更好、8 組產率翻倍以上，還有四位外部化學家審過，確認 TEMPO 用在這裡確實是文獻裡沒被好好試過的路子。

那問題來了：這反應卡了這麼多年，是因為以前的化學家不夠聰明嗎？我的判斷是不是。它卡住，主要是因為沒人跑得起一萬次反應。一位化學家一天做 3 個反應，一萬筆要做十年。TEMPO 這個線索本來就散在文獻各處，不是什麼沒人知道的祕密，只是沒人有本錢把它系統性地在這一大片反應空間裡試過一遍。所以這次真正被解掉的，是一個「通量問題」被當成「知識問題」擋在那裡很多年。AI 加自動化實驗室的貢獻，是把「便宜地、大規模地搜索」變成可能，讓那個藏在雜訊裡的線索浮出來。這件事很有價值，但它的價值來源要說準：不是模型憑空想出人類想不到的東西，是它能把一個過去做不起的搜索做起來。

再往下追一層，這套流程為什麼可信，也不在模型本身。OpenAI 自己說得很老實，這是 near-autonomous（近乎自動），不是全自動，因為關鍵決策還是人做的：科學家寫提示、從模型的提案裡挑要試哪些、逐筆審結果、親手驗證。我一直講一句話，可信度靠的是流程不是模型大小，這個案子剛好是個乾淨的示範。把自動化的濕實驗室和人工複核抽掉，GPT-5.4 剩下的就只是一台會講得頭頭是道的假設產生器，你沒辦法分辨它哪句對哪句錯。它敢大膽提假設，正是因為後面有一個便宜、確定、能當場打臉的驗證機制在接。模型負責前段的廣度篩選，實驗室負責把它拉回現實，人負責守門，這三層各司其職，缺一層信任就會在那裡破掉。這跟醫療 AI 要靠合規守門引擎把關、AI 只做前置篩選不取代人的判斷，是同一個道理。

那台灣該從這條新聞讀出什麼？不是「趕快買一顆更強的模型」。這個案子真正的護城河，是那座能自動跑一萬筆反應的高通量實驗室、乾淨可用的反應資料、加上把關的驗證迴路。台灣的底子其實在對的位置：我們有很強的臨床試驗與腫瘤新藥研發生態系，也有像 Insilico 那種用 AI 設計藥物、真的讀出二期數據的案例在跑。缺的往往不是聰明，是把「自動化實驗＋結構化資料＋驗證機制」這條迴路湊齊的基礎建設。一家生技公司或 CRO 該問自己的，不是「我有沒有用最新的模型」，而是「我有沒有能讓 AI 提的假設便宜地被試錯、被驗證的實驗室和資料」。從一個觀察到的相關性，到一個有足夠證據可以拿去做藥的結論，中間隔的是一段系統性距離，AI 是把這段距離的起點往前挪，不是把終點直接搬到你面前。

看懂這件事，AI 確實從答題往做實驗跨了一步，但這一步是自動化和人工驗證付的錢，不是智力自己走過去的。把它讀成「AI 會自己做科學了」，就會去解錯題、把預算押在錯的地方。

常見問題

AI 這次是真的自己做出化學發現嗎？
算是，但要講準。GPT-5.4 自己選了題目、提了「用 TEMPO 提升產率」的假設，這部分是模型做的；但真正把它試出來的是一座自動化實驗室（跑了 10,080 筆反應），驗證是人類化學家手工複核的。OpenAI 自己也說這是 near-autonomous、不是全自動，關鍵決策還是人做。

產率從 16.6% 提到 25.2%，這樣算厲害嗎？
算有意義的改善，但別當成把難題做到好。25% 的平均產率在做藥的標準裡還是偏低，重點是清過 30% 實用門檻的反應比例翻了一倍多（15.6% 到 37.5%），代表這個過去很難用的反應版本，變得比較多情況下堪用了。它是相對改善，不是一步到位。

Chan-Lam 偶聯和初級磺醯胺為什麼重要？
Chan-Lam 偶聯是用銅催化把碳氮接起來的常用製藥反應，而磺醯胺這個結構出現在九十多款 FDA 核准的藥裡。它的初級磺醯胺版本一直產率偏低，是早期新藥開發的一個卡點，所以把它做順一點對藥物合成有實際幫助。

台灣生技要跟進的話，該投什麼？
重點不是買更大的模型，是補齊「自動化實驗室＋結構化反應資料＋人工驗證迴路」這條基礎建設。台灣本來就有很強的臨床試驗與新藥研發生態系，缺的通常是讓 AI 提的假設能便宜試錯、被驗證的實驗與資料環節，把這條迴路湊齊，模型才有地方發揮。

OpenAI 端出 LifeSciBench：AI 做生命科學研究只過三成，而且裁判是自家

張饒輝 Lightman Chang — Wed, 15 Jul 2026 00:00:00 GMT

OpenAI 剛端出一套自己設計的生命科學研究評測 LifeSciBench，結果連它家最強的模型都只過了 36.1% 的題目，等於六成四的真實研究任務直接不及格。這個數字本身值得看。但更值得看的是握尺的人：出題的是 OpenAI、改考卷的是 OpenAI、被拿出來當範例秀成績的還是 OpenAI 自家模型。一份自己出題、自己改考卷、自己頒獎的成績單，不管分數高低，先天就少一層可信度。

先把這份考卷是什麼講清楚。

LifeSciBench 到底在考什麼

LifeSciBench 不是那種「請問這個基因的功能是什麼」的問答題。OpenAI 找了 173 位有生技與製藥實務經驗的博士級科學家，出了 750 道題，橫跨七種研究工作流程與七個生物領域，題目涵蓋證據處理、實驗設計與最佳化、科學推理、驗證與操作、轉譯，還有科學溝通。每題不是對一個標準答案，而是配一份專家寫的評分量表；全套 750 題加起來有 19,020 條評分準則，平均每題 25 條，用來給部分分數。

這件事本身做得對。真實的研究工作長什麼樣？是在證據不完整時做判斷、把互相矛盾的結果兜攏、設計一個難做的實驗、排查跑不出來的檢測、評估一個發現能不能真的用到人身上。這些沒有一題像考選擇題。一個評測願意去逼近這種「真實研究決策」，比起那種刷到飽和、大家都 95 分的知識背誦題，訊號誠實得多。問題不在題目，題目出得好。

那個 36.1%，訊號在崩跌的位置

先看分數。最強的 GPT-Rosalind 過 36.1%，比前一代 GPT-5.5 的 25.7% 高一截，其餘 Gemini 3.1 Pro 拿 23.6%、Grok 4.3 只有 13.0%。全場沒有任何一個模型過半，這份卷子還很遠沒被解掉。

但分數高低不是重點，崩跌的位置才是。同一個 GPT-Rosalind，純文字題還能拿 45.1%，一旦題目要它去讀真實的圖表、大型序列檔或連結，就掉到 28.1%。這才是這份評測講出來最有用的一句話：模型不是不會講生物學，是一碰到真實研究產物就撐不住。科學溝通那類「把東西講清楚」的題目它能到七成，換到要處理數字、要動手分析的題目就只剩三成上下。

用我常講的框架來看，這是解對題還是解錯題的差別。研究不是問答，是對一堆雜亂、不完整、互相打架的真實資料下判斷。你要它背知識，它很行；你要它讀你實驗跑出來的那張圖、那個序列、那份髒資料，再告訴你下一步該做什麼，它就露餡了。落差不在模型聰不聰明，在它有沒有能力接住真實世界丟過來的那些料。這跟聊天視窗裡問它一句它答得漂亮，是兩回事。

裁判是自家，這件事要單獨講

分數怎麼讀是一層，誰在給分是另一層，得分開講。LifeSciBench 有個結構性問題：這是 OpenAI 出的評測、由 OpenAI 評分、拿來展示 OpenAI 的模型。同一篇分析還點出兩件事：在科學工具裡被大量使用的 Claude，被排除在這次模型比較之外；而且整份成績單沒有放一條人類科學家的基準線，你根本不知道 36.1% 對一個真正的研究員來說算好還算差。

我不是在說數字造假。有 453 位外部專家審過題目品質，題目本身可信。要踩剎車的是另一件事：當出題、選手名單、改考卷、寫新聞稿全在同一家手上，這份東西的性質就從「評測」滑向「行銷」。判斷一個訊號值不值得信，看的不是它聰不聰明，而是它的運作機制裡有沒有讓它需要粉飾的結構性理由。自家握尺、又拿自家模型當範例，粉飾的動機就結構性地存在，跟誠不誠實無關。你看一份基準之前，得先問一句：這把尺是誰做的、誰在量。

台灣生技要從這讀出什麼

先擋一個常見誤讀：這份成績單不是在說「AI 快能取代科學家了」。連 OpenAI 自己的敘事都收斂到「今天的 AI 離自主科學家還很遠，能幫忙、能協助，但無法可靠地取代研究所需的專業判斷」。台灣生技與精準醫療圈要接的，不是排行榜上誰又多兩分，是那個崩跌位置指出來的真正工作在哪。

模型從 45.1% 掉到 28.1% 那一段，就是價值所在。真正難、真正還沒被做好的，是把實驗室跑出來的真實資料，乾淨地、可驗證地餵給模型，再把它的輸出接回研究流程。這件事拚的不是模型大小，是落地流程：問題定義、資料供給、角色設計、驗證機制、責任歸屬，缺一個就在那裡出問題。台灣手上有臨床資料、有製程資料、有實驗現場，這些恰好是模型最撐不住的那一格；要卡的位是把這條資料到判斷的管線做紮實，不是去追誰的模型又刷高幾分。

看懂這則新聞的正確方式，是把兩件事分開放：一個是「AI 讀真實研究資料還很弱」的技術事實，這是真的，也指出了機會；另一個是「出題兼改考卷兼頒獎」的可信度問題，這讓分數本身不能盡信。看基準先看握尺的人，比記住 36.1% 這個數字重要。

常見問題

LifeSciBench 是什麼？AI 真的只過三成嗎？
LifeSciBench 是 OpenAI 2026 年 6 月發布的生命科學研究評測，由 173 位博士級科學家出 750 道真實研究任務，用專家寫的評分量表打分。最強的模型 GPT-Rosalind 只過 36.1%，等於失敗近六成四，GPT-5.5 更只有 25.7%，全場沒有一個模型過半。

為什麼說「裁判是自家」是個問題？
因為這份評測由 OpenAI 出題、OpenAI 評分，還拿來展示 OpenAI 自己的模型，同時把常被科學工具使用的 Claude 排除在比較外、也沒放人類科學家的基準線。這不代表數字造假，而是當出題、選手、改考卷都在同一家手上，這份東西的性質就會從中立評測滑向產品行銷，讀的時候要打折。

這代表 AI 不能用在生命科學研究了嗎？
不是。它代表 AI 現在能協助、還不能取代研究判斷。訊號最清楚的是：模型處理純文字題有 45.1%，一碰到真實圖表、序列檔就掉到 28.1%，弱點在讀真實研究資料。真正該投入的，是把實驗資料乾淨可驗證地接進模型的那條流程，而不是追排行榜分數。

台灣生技產業該關注什麼？
關注那個「崩跌位置」指出的機會。台灣手上有臨床、製程與實驗現場的真實資料，這恰好是模型最撐不住的一格。把資料供給、驗證機制、責任歸屬這條落地管線做紮實，比追誰的模型多刷幾分更有價值。

AMD 買下記憶體新創 Mext：AI 加速器的下一場仗，從算力打到記憶體牆

APPI 編輯部 — Mon, 13 Jul 2026 00:00:00 GMT

AMD 買了一家做記憶體軟體的小公司，沒公布金額，新聞熱度也不高。但這筆案子讀起來，是 AI 加速器競爭的一個轉向：從比誰的晶片算力大，轉到比誰餵得動晶片。晶片再快，資料搬不進去就是空轉，而搬資料這件事，卡在一道叫「記憶體牆」的牆上。AMD 這一步是承認，再把錢砸在算力上，愈來愈是解錯題。

先講發生什麼事。AMD 在六月中旬宣布併購一家叫 MEXT 的記憶體最佳化新創，未揭露金額，技術會併進它的資料中心產品線，包含 Instinct GPU、EPYC CPU 與 Helios 機櫃平台。MEXT 做的不是硬體，是一套軟體。它的預測式記憶體引擎會分析資料存取模式，用 AI 預測接下來要用到哪塊資料，趕在處理器伸手要之前，先把它從慢的快閃記憶體搬回快的 DRAM。講白一點，就是把便宜的 flash 當成昂貴 DRAM 的延伸來用，讓伺服器不必一直加買 DRAM，就能撐更大的記憶體需求。

為什麼是現在買、買這個？因為記憶體變貴到誇張。Gartner 的數字是，記憶體價格從 2025 年第三季起漲了近四倍，並預估到 2026 年底 DRAM 加 SSD 的合計價格還要再漲一倍多。這不是一般缺貨。TrendForce 統計，2026 年第一季 DRAM 產業營收季增 81%、衝到 970 億美元，標準型 DRAM 合約價一季就漲了 93% 到 98%。當一顆料的成本在幾個月內翻倍，任何能少用一點這顆料的軟體，價值都被放大。AMD 買 MEXT，買的就是在漲價潮裡幫客戶少加 DRAM 的能力。

但這裡要先踩一個剎車，因為多數報導把兩件不一樣的事混在一起講。記憶體其實有兩個瓶頸：一個是容量與成本（記憶體不夠大、DRAM 太貴），一個是頻寬（資料搬進搬出的速度不夠快）。真正被叫做「記憶體牆」的是後者。TrendForce 的分析講得很清楚：AI 晶片算力兩年成長了三倍，記憶體頻寬只增加一點六倍，於是愈來愈多運算不是卡在算力，而是卡在等資料到位。這才是那道牆。MEXT 攻的是前一個問題，容量與成本；它讓 flash 分擔 DRAM 的活，減少要買的 DRAM 量。它並沒有、也不宣稱能把資料搬得更快去打破頻寬牆。

分清楚這兩層，才不會把 MEXT 讀成銀彈。分析師的看法也是這個方向：TechInsights 的 Manish Rawat 指出，記憶體最佳化能提升資料中心效率、壓低總持有成本（TCO），但對延遲敏感的應用，它取代不了 DRAM。預測再準，也有預測失手的時候，那一下要去 flash 拿資料的延遲，對推論這種對時間很敏感的工作就是傷。所以正確的讀法是：MEXT 讓 AMD 的加速器在同樣的 HBM 之外，多榨出一層便宜的可用容量、把 TCO 壓下來，這是實打實的好處；但頻寬那道牆，還是得靠 HBM 這類高頻寬記憶體去硬扛。

那 AMD 為什麼是買軟體，不是再蓋一條算力晶片產線？因為這場仗的形狀變了。過去比的是單顆晶片的規格，現在比的是整個堆疊：硬體加上把硬體榨到極致的軟體。Nvidia 的護城河從來不只是 GPU，是 CUDA 那一整套軟體生態把客戶黏住。AMD 補記憶體軟體這一塊，是在補自己堆疊的完整度，讓 Instinct 系列不是只賣一顆晶片，而是賣一套「同樣的 HBM 能撐更多工作、TCO 更低」的方案。這跟我先前寫台積電 CoWoS 產能被 Nvidia 訂走逾七成是同一條線的兩端：一端是把更多 HBM 疊上去的封裝軍備，一端是想辦法用同樣的記憶體做更多事的軟體軍備。兩邊都在圍著記憶體打。

那台灣該從這條新聞讀出什麼。記憶體軍備賽對台灣是兩面刃，得分兩段看。頻寬那一段，主戰場是 HBM，台灣的位置在封裝，靠台積電的 CoWoS 把 HBM 疊到 GPU 旁邊，AI 晶片需求短期看不到緩和，這段的訂單很滿。容量那一段，是標準型與成熟製程 DRAM，這波漲價南亞、華邦、力積電都吃到了，南亞第一季營收季增 60%、華邦季增 91%，因為三大原廠把產能都調去做 HBM 與高階伺服器 DRAM，成熟製程反而缺貨漲價。這裡有個要盯的變數：如果 MEXT 這類軟體真的讓每台伺服器少用一點 DRAM，長線會不會稀釋標準型 DRAM 的需求？短期不會，需求還在爆；但台灣做記憶體與封裝的廠，該把自己定位在哪一段、賭的是量還是價，得想清楚，不能只當這波是「反正 AI 缺料我就漲」。

把一家沒公布金額的小軟體公司買下來，AMD 是在用行動說一句話：AI 加速器的下一場仗不在算力那一格，在記憶體。這個判斷方向我認為讀對了地圖。但 MEXT 只是這場仗裡的一件工具，它解容量、壓成本，破不了頻寬牆。台灣站在這條鏈上，看懂容量跟頻寬是兩個不同的問題、自己在哪一段有真本事，比記住「AMD 又併了一家公司」重要。

常見問題

什麼是記憶體牆？跟記憶體不夠大是同一件事嗎？
不是同一件事。記憶體牆講的是頻寬跟不上算力，也就是資料搬進搬出晶片的速度太慢，晶片常在等資料。TrendForce 的數字是 AI 晶片算力兩年成長三倍，記憶體頻寬只增一點六倍。「記憶體不夠大」是容量問題，「搬不夠快」是頻寬問題，MEXT 解的是前者，記憶體牆指的是後者。

MEXT 的技術到底在做什麼？
它是一套軟體，用 AI 預測接下來會用到哪塊資料，趕在處理器要之前先把它從慢的快閃記憶體搬回快的 DRAM。效果是讓便宜的 flash 分擔一部分昂貴 DRAM 的工作，資料中心不必一直加買 DRAM 就能撐更大的記憶體需求，藉此壓低總持有成本。

AMD 買了 MEXT，就能不用 HBM 了嗎？
不行。MEXT 解的是容量與成本，取代不了 HBM 這種高頻寬記憶體。分析師也指出，對延遲敏感的應用，軟體分層取代不了 DRAM。HBM 仍是 AI 加速器頻寬的主力，MEXT 是在 HBM 之外多榨出一層便宜可用的容量，兩者是互補不是替代。

這對台灣記憶體與半導體廠是好是壞？
短期偏好。HBM 帶動台積電 CoWoS 封裝訂單；成熟製程 DRAM 因原廠產能都調去做 HBM 而缺貨漲價，南亞、華邦、力積電第一季營收都明顯成長。要留意的長線變數是，MEXT 這類軟體若讓每台伺服器少用 DRAM，未來可能稀釋標準型 DRAM 的需求，廠商該想清楚自己賭的是量還是價。

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

APPI 編輯部 — Mon, 13 Jul 2026 00:00:00 GMT

AI 設計工具能不能用，先看的不是它做的圖多漂亮，是你花錢買的那份額度撐不撐得住一次正常工作。Claude Design 六月的改版，修的正是這一格：把「25 分鐘就燒掉 80% 週額度」這種沒人敢用的成本結構壓下來。這不是把設計功能做更炫，是把單位成本從不可預期改成可預期。對任何靠訂閱制賣 AI 的產品，這一格才是命門。

先講清楚那個把問題引爆的場景。PCWorld 的記者拿 Claude Pro 方案試用，花大約 25 分鐘做出一個網頁原型的三個變體，就燒掉了 80% 的週額度，接著一個操作失誤要重建檔案，再五分鐘週額度直接歸零。他的結論很直接：這是又一個吃 token 吃到 Pro 使用者「還沒開始用就用完」的 Claude 產品。

為什麼設計工具會燒得比聊天快這麼多？根因在生成式設計的運作方式，不在它比較貪。聊天你問一句它答一句；生成式設計要它產出一個能互動的網頁版型，等於每一輪都在寫一份完整的前端。而且對話裡每一則訊息都會把先前的脈絡整包重送回模型，改到第十五輪，光是背景就要重讀好幾千個 token。再加上早期 Claude Design 有一個獨立、而且比較小的額度池，五月底 Anthropic 才把它併進聊天與 Claude Code 的共用額度，兩件事疊起來，才有「25 分鐘見底」這種數字。

六月的改版，官方講的三件事都對著成本來：每一輪平均少用 token、錯誤率大幅下降、額度改成跟聊天和 Claude Code 共用一個大池。還有一件容易被當成介面小事、其實直接省錢的：新的畫布編輯器讓你能直接拖拉、縮放、對齊元素，而不必為每一個微調都跑一次模型。以前你想把按鈕往右移兩格，得再花一個 model turn 叫它重生；現在自己在畫布上拉就好。省下來的每一個 turn，都是省下來的額度。

這裡值得停下來分清楚一件事：Anthropic 修的到底是哪個問題。表面看是「設計工具太貴」，但真正致命的不是貴，是不可預期。你事先不知道做三個變體要花掉多少額度，就沒辦法規劃工作，也不敢把它排進正式流程。第三方評測也點出生成式設計本來就吃算力，六月更新是靠降低每輪平均用量來緩解。修好單位成本的可預期性，工具才從「試玩」變成「能排進工作」。這是解對題；如果改版只是把介面做漂亮、額度照燒，就是解錯題。

這件事對台灣做 AI 產品的團隊有直接的參考價值。很多本地團隊在包 SaaS、包 AI 工具，定價時最容易漏算的就是「單位動作的真實算力成本」，尤其是這種每一步都重跑一次的生成式功能。訂閱制一旦把成本估歪，要嘛自己流血補貼，要嘛像 Claude Design 一開始那樣，把限制轉嫁到使用者身上、逼出一堆「還沒用就鎖住」的抱怨。這股張力不只發生在設計工具。Anthropic 六月就被告上法院，一位 Max 20x 使用者主張廣告說的 5x、20x 用量根本兌現不了，他一次五小時的 coding session 就吃掉 15% 週額度。官方的用量說明也只叫你到設定裡看進度條、每週重置，把「這次動作會花多少」留給使用者自己猜。我先前寫過開源 coding agent 反過來壓過商業工具，背後其實是同一條線：當商業工具的成本結構讓人不敢放手用，可預期、可控的替代方案就有空間。

Claude Design 這次改版把數字修回到能用的範圍，是對的方向。但要記住，它先前之所以會出現「25 分鐘燒 80%」，不是工程沒做好，是產品在「先讓人驚豔、成本之後再說」的順序上押錯了。做 AI 工具的人真正要抄的，不是它改了哪三個設定，是把「單位成本可不可預期」放到跟「功能夠不夠強」一樣前面的位置。

常見問題

Claude Design 為什麼這麼快就把週額度用完？
因為生成式設計每一輪都在產出一份完整的可互動網頁，比一問一答的聊天重很多，加上對話脈絡會整包重送回模型，愈聊愈貴。早期它還有一個獨立又較小的額度池，所以 PCWorld 記者25 分鐘做三個變體就用掉 80% 週額度。

六月改版之後 Claude Design 還會燒很快嗎？
會比以前省。官方六月更新讓每輪平均少用 token、錯誤率大幅下降，並把額度改成跟聊天、Claude Code 共用一個大池；新畫布編輯器讓拖拉、對齊這類微調不必每次跑一個模型輪次。重度使用者仍要留意用量，但單次工作的成本比先前可預期得多。

Claude Design 的額度是跟聊天和 Claude Code 分開算的嗎？
現在是共用。早期它有獨立額度，Anthropic 五月底先把它併進聊天與 Claude Code 的共用限制，六月改版延續這個設計。好處是設計工作能動用整個大池、比較不容易一下鎖死，代價是設計會直接吃掉你聊天與寫程式的額度。

我用 Claude Pro，適合拿 Claude Design 做正式設計工作嗎？
改版後比先前可行，但 Pro 的週額度仍有限，做大量變體或反覆重生容易見底。若要把它排進正式流程，先在小範圍測出「一次典型工作大概吃多少額度」，再決定夠不夠；很多人一次五小時的重度使用就會吃掉相當比例的週額度。

KDDI 信箱系統外洩延燒六家 ISP：1,422 萬筆帳密外流，真正的問題不是漏洞

APPI 編輯部 — Mon, 13 Jul 2026 00:00:00 GMT

這起 KDDI 信箱外洩最該記住的，不是 1,422 萬這個數字，是它暴露的結構：一套信箱系統同時服務六家 ISP，一個第三方軟體的未知漏洞，就把 1,223 萬筆信箱、761 萬筆密碼一次撈走。問題不在「哪套軟體有洞」，在「為什麼一個洞可以炸這麼大、撈出來的密碼還能直接拿去用」。台灣有一模一樣的結構，只是還沒輪到我們上新聞。

先把事件講清楚。日本電信商 KDDI 在 6 月 17 日發現提供給 ISP 業者的信箱系統遭到不正存取，當天就修補系統止血，6 月 23 日對外公布，最初估計最多 1,422 萬筆信箱與密碼可能外洩，含已停用與長期休眠的帳號。經過詳細調查，KDDI 在 7 月 6 日確認實際外洩 12,233,087 筆信箱、7,616,173 筆密碼。這套系統是 KDDI 賣給多家 ISP 共用的信箱平台，波及自家與另外五家業者，包含 @nifty、BIGLOBE、J:COM、STNet 的 Pikara、Chubu Telecommunications 的 Commufa、KDDI Web Communications 的租用主機。KDDI 自營的 au mail、UQ mobile mail、au one net 走不同基礎設施，沒被波及。日本總務省已依電気通信事業法要求 KDDI 提交發生原因與再發防止對策報告。

很多人第一個反應是「趕快修漏洞、換掉那套軟體」。這個方向沒有錯，但如果只做到這一步，就是在處理症狀不是根因。根因有三層，第一層是集中度。為什麼一個漏洞可以同時炸到六家業者？因為它們共用同一套後台。資安圈有個詞叫爆破半徑（blast radius），指的是一次入侵能波及的範圍。當你把六家 ISP 的信箱都掛在同一套系統上，這套系統的爆破半徑就等於六家的用戶總和。省成本的共用平台，在正常時候是效率，出事的時候是把所有雞蛋放在同一個籃子。這不是 KDDI 一家的疏忽，是整個「白牌信箱外包」商業模式內建的風險，只是平常沒人算這筆帳。

第二層在密碼怎麼存。這裡有個容易被略過、但很關鍵的數字：外洩的信箱有 1,223 萬筆，密碼卻是 761 萬筆，兩者差了 460 萬。KDDI 說部分密碼是以雜湊或加密形式儲存，但沒有交代用的是哪種演算法、多少比例是明碼。落差和這句含糊的說明放在一起，就值得警覺：如果全部都是加了鹽的不可逆雜湊，被撈走也難以還原，那根本不必特別點出「761 萬筆密碼外洩」這個數字。能被單獨清點出來、還要提醒用戶改密碼，代表這批裡有相當比例是明碼或可逆加密，可以直接拿去試登入。真正的用戶風險就在這：這些帳密會被丟進撞庫攻擊（credential stuffing），拿你在 KDDI 的密碼去試你的網路銀行、電商、社群帳號，只要你跨站重用密碼就會中。

第三層是供應鏈的信任邊界。KDDI 把破口指向一個第三方軟體的漏洞，而且是連原廠自己都還不知道的未知漏洞，公司也拒絕公布是哪套軟體。這帶出一個沒有標準答案的問題：當你採用的第三方元件出包，責任在誰？出事被總務省要求報告、要對用戶負責的是 KDDI，不是那家匿名的軟體商。破口在別人家、帳算在你頭上，這正是近期一連串外洩的共同劇本，我之前寫過心臟監測商 iRhythm 病患資料遭竊、寫過LastPass 因第三方情報平台 Klue 的 OAuth token 被竊而外洩，破口都不在自家核心系統，而在接進來的第三方那一段。KDDI 事後說要導入 AI 程式碼分析來防範，方向可以理解，但別把它當成解方：AI 掃描抓的是已知模式，這次是連原廠都不知道的洞，真正要補的是「第三方元件進來之前，有沒有盡職調查、有沒有把爆破半徑切小」的制度，不是再疊一層工具。

那台灣該從這條日本新聞讀出什麼？別以為這是隔壁的事。台灣的地方有線電視業者、中小型 ISP，很多也是共用同一套郵件後台；不少企業的公司信箱直接外包給同一家服務商。同樣的共用結構，同樣的爆破半徑。而且就算你不是這六家 ISP 的用戶，外洩的帳密也會被拿來撞台灣的服務，因為密碼重用是跨國界的。所以框架分兩層看。使用者這一層，能做的很具體：假設你在該類信箱的密碼已經外洩，立刻改掉，並且把任何和它重用同一組密碼的帳號一起換掉，能開兩步驟驗證（2FA）的全部打開，別再靠一組密碼守全部。業者與監管這一層要解的是另一組題：密碼儲存有沒有落實不可逆雜湊加鹽、第三方元件納入前有沒有實質審查、共用平台的集中度風險要不要對用戶揭露。使用者做的是止血，制度做的才是把根因補上，兩件事不能互相替代。

看懂這起外洩，重點不是記住 1,422 萬這個數字，是看清它把三個平常被省成本蓋住的問題一次掀開：共用系統的爆破半徑、密碼儲存的偷工、第三方供應鏈的責任真空。這三題台灣都有，差別只在還沒被同一個未知漏洞同時戳到。與其等輪到自己再來滅火，不如現在就把密碼換掉、把兩步驟打開，然後問一句：我用的服務，後台是不是也和一堆人共用一個籃子。

常見問題

我不是 KDDI 或日本 ISP 的用戶，這次外洩跟我有關嗎？ 有可能有關。外洩的信箱與密碼會被拿去撞庫攻擊，也就是拿這批帳密去試登入其他網站。只要你曾經在別的服務用過相同的電子郵件加相同的密碼，那組密碼就等於也曝險了。最保險的做法是把重用同一組密碼的帳號全部換掉，並開啟兩步驟驗證。

外洩了 1,223 萬筆信箱，密碼卻只有 761 萬筆，這代表什麼？ 代表這套系統裡不是每個帳號的密碼都以同樣方式被撈到，也暗示密碼的儲存方式並不一致。KDDI 說部分密碼有雜湊或加密，但沒說明比例與演算法。會被單獨清點成「外洩密碼」並要求用戶改密碼，通常意味著其中有相當比例是明碼或可以還原的，風險比只洩信箱高很多。

這次是誰的錯，KDDI 還是那家第三方軟體商？ 破口出在 KDDI 系統採用的第三方軟體的未知漏洞，但對用戶負責、被日本總務省要求提交報告的是 KDDI。這正是供應鏈風險的難處：你採用別人的元件，就把對方的漏洞一起接進了自己的信任邊界，出事時外包不掉責任。

台灣有沒有同樣的風險？ 有。台灣的地方有線電視、中小型 ISP 常共用同一套郵件後台，企業信箱也大量外包給同一家業者，這種共用結構的爆破半徑和 KDDI 這次一樣大。差別只在還沒被同一個漏洞同時戳中。個資保護與共用平台的集中度揭露，是監管端該補的題。

政府與企業「資料統一層」變吸金題：Peregrine 募 2.5 億美元、估值 15 個月衝到 68 億

APPI 編輯部 — Mon, 13 Jul 2026 00:00:00 GMT

把分散在各系統的營運資料先統一、讓組織能即時調度，正在變成 AI 真正落地前的基礎建設題。資料分析公司 Peregrine 六月底完成 2.5 億美元 D 輪募資，估值從 2025 年 3 月的 25 億美元跳到 68 億美元，15 個月翻了將近三倍。這輪的錢說明一件事：資本開始往「把資料整理乾淨、打通孤島」搬，而不是往更炫的模型搬。

先看這筆錢投在哪

Peregrine 這輪 D 輪由 Fifth Down Capital、紅杉（Sequoia）、OG Venture Partners、Goldcrest Capital、XYZ Ventures、Godfrey Capital 等既有投資人加碼，官方公告寫得很清楚：產品是把斷裂、分散在不同系統裡的資料，整合成一個權限分明、可即時查詢的營運視圖。對照 2025 年 3 月那輪由紅杉領投、1.9 億美元、估值 25 億的 C 輪，估值在 15 個月內衝到近三倍。它服務的對象從州與地方政府，一路擴到聯邦、企業與國際市場，目前撐起北美 400 多個機構、覆蓋逾 1.25 億人，連 2026 世界盃 11 個主辦城市裡有 8 個的安全協調都跑在它上面。

投資人賭的不是模型，是把髒資料清乾淨

這題的重點不在 Peregrine 用了哪個模型，而在它做的事。創辦人 Nick Noone 出身 Palantir 的特種作戰業務，整間公司被外界形容帶著「Palantir 的基因」。它的定位被 Fortune 寫成「一座城市自己機構記憶的搜尋引擎」：把警務紀錄、911 通報、許可資料庫、感測器訊號這些既有資料串起來、即時可查，但不蒐集、也不擁有任何一筆資料，靠角色權限控管存取。換句話說，它賣的是把孤島打通的營運層，不是又一個會講話的模型。

這不是單一個案。整理這筆交易的 Tech Startups 創投週報直接點出，這一週的錢正集中流向「掌握決策流程與營運基建」的公司，而不是泛泛的「AI for X」。同一份週報裡，Peregrine 被描述成幫政府與複雜組織「在一個權限感知的營運系統裡統一孤島資料」。資本的判斷很白話：模型大家都接得到，能把一個組織的資料現場整理乾淨、還守得住權限的，才是稀缺的東西。

為什麼這是「AI 落地前」的題

我十分認同這條判讀線。原因很簡單：agent 要先有乾淨、統一、權限分明的資料才動得了，沒有這層底，再強的模型在企業裡也只是空轉。這跟我先前看 Databricks 把 agent 講成「同事」時的觀察是同一件事，當時 Databricks 執行長那句「AI 說不出毛利為何變動，不是 AI 問題，是脈絡問題」，講的就是資料脈絡缺位。脈絡從哪來？從把分散資料統一、補上權限與來源的那一層來。

放在更大的資金流裡看也對得上。先前 Supabase 一輪募 5 億美元、估值衝上 105 億，錢就已經從模型移到讓人快速做 AI 應用的基建層。Peregrine 這輪是同一個方向再往源頭走一步：基建層之下，是資料本身整不整得乾淨。我長期的立場沒變，可信度靠落地流程，不靠模型聰明；現在資本用真金白銀把這句話標了價。

台灣企業導入 agent 前，先排這三件事

如果你正在評估把 agent 放進公司，順序別倒過來。不要先挑模型、先挑工具，先把資料前置工程排好。給一條可以明天就動手的判讀線：

第一，先盤孤島。把要餵給 agent 的資料散在哪幾個系統、格式對不對得上、有沒有重複與矛盾，列出來。資料不通，agent 給的答案就是把錯誤放大。第二，權限先於串接。每一張表「誰能讀、用誰的身分讀」要在打通之前定義清楚，Peregrine 值錢的地方正是它把權限與稽核做在統一層裡，而不是事後補。第三，先定義情境再決定開放範圍。哪個流程值得讓 agent 動、碰得到哪些資料，講清楚再開，別因為估值高、聲量大就跟著押。資料前置這段工，做的當下不性感，但它決定了後面所有 agent 能不能真的落地。

常見問題

Peregrine 到底是做什麼的，為什麼估值這麼高？
它做的是「資料統一層」：把政府或企業分散在各系統的資料（警務紀錄、911 通報、許可資料庫等）整合成一個權限分明、可即時查詢的營運視圖，但不蒐集也不擁有那些資料。它六月底完成 2.5 億美元 D 輪、估值 68 億美元，因為能把資料整乾淨、又守得住權限的公司，比又一個模型稀缺。

什麼是「資料統一層」？為什麼說它是 AI 落地前的基建？
資料統一層是把分散、格式不一、彼此矛盾的營運資料整合成單一可信來源的那一層。它是 AI 落地前的基建，因為 agent 要先有乾淨、權限分明的統一資料才動得了；資料不通，模型再強也只是把錯誤放大。這也是為什麼這一輪創投的錢正集中流向掌握決策流程與營運基建的公司，而非泛泛的「AI for X」。

台灣企業導入 agent 前，第一步該做什麼？
先盤資料孤島，不要先挑模型或工具。把要餵給 agent 的資料散在哪些系統、格式對不對得上、有沒有重複與矛盾列出來，接著定義每張表「誰能讀、用誰的身分讀」，最後才依情境決定哪個流程值得讓 agent 動、碰得到哪些資料。順序倒過來是選型最常見的失敗模式。

SK 海力士砸 19 兆韓元蓋封裝廠、再綁台積電做 HBM4：記憶體龍頭把戰線拉到封裝

APPI 編輯部 — Mon, 13 Jul 2026 00:00:00 GMT

SK 海力士這半年做的兩件大事，其實是同一題。一是要砸 19 兆韓元（約 130 億美元）在南韓清州蓋一座號稱全球最大的 HBM 先進封裝廠，二是跟台積電簽備忘錄，把下一代 HBM4 綁上台積電的邏輯製程與封裝技術。一個是自己蓋廠、一個是找外援，方向卻一致：這家記憶體龍頭把競爭的戰線，從「晶圓做不做得出來」拉到「封裝堆不堆得出量」。

它不缺 DRAM 技術，也不缺先進製程，缺的是把一堆晶粒疊起來、封好、測完、還壓得住熱的後段產能。這才是這兩則新聞真正在講的事。

先把「封裝」為什麼是瓶頸講清楚

HBM（高頻寬記憶體）不是一顆晶片，是好幾顆 DRAM 晶粒垂直疊起來、再跟 GPU 或 AI 加速器透過特製的中介層接在一起的模組。做出晶圓只是第一步，真正難的是把它們堆疊、鍵合、測試，變成一個能交付、能通過品質驗證、還能控熱的模組。這一段需要的是鍵合、測試、中介層、基板、散熱、良率控制，跟前段的曝光蝕刻是兩套本事。

igorslab 那篇分析講得直接：如果封裝產能不夠，前段晶圓開好開滿也幫不上忙。這句話是理解這波投資的鑰匙。前段做得再多，卡在後段封不出量，客戶手上還是拿不到貨。

為什麼砸 130 億美元在後段，不是前段

先問一個問題：SK 海力士已經是 HBM 龍頭、供貨給 Nvidia，它要花這筆錢，為什麼選蓋封裝廠，而不是再開一座 DRAM 晶圓廠？

答案就在上一段。它診斷出自己的瓶頸不在前段，在後段。這座叫 P&T7（Package and Test 7）的新廠，蓋在清州科技谷園區，4 月動工、2027 年底完工、2028 年進入全產，專門負責前段晶圓做完之後的最終組裝與品質驗證，還刻意蓋在自家 M15X DRAM 廠旁邊，把前段跟後段串成一條線。SK 海力士自己說得很白：先進封裝在物流、運作穩定度與速度上，必須跟前段緊密整合。

這是把資本壓在對的地方。全球 HBM 市場被估到2030 年前以年複合 33% 的速度成長，需求端沒有問題，能不能吃下這波，賭的是後段封得出多少量。花 130 億美元蓋一座封裝廠，是這家公司對「瓶頸在哪」給出的答案。

綁台積電，補的是同一段

自己蓋封裝廠是一手，綁台積電是另一手，兩手補的是同一段。

SK 海力士跟台積電簽的備忘錄，重點有兩個。一是 HBM4 的基礎裸晶（base die）改用台積電的先進邏輯製程來做，好在有限的空間裡塞進更多功能、做出客製化的 HBM。二是把 SK 海力士的 HBM 跟台積電的 CoWoS 封裝整合，CoWoS 就是台積電那套把 GPU 邏輯晶片跟 HBM 封在同一片基板上的 2.5D 封裝技術。HBM4 預計 2026 年開始量產。

SK 海力士 AI 基礎設施負責人 Justin Kim 講這段合作時說，期待跟台積電的合作能加速他們跟客戶的開放協作、做出業界效能最好的 HBM4。翻成白話：記憶體廠、代工廠、晶片設計三方要綁在一起，HBM 才做得出來。這也印證了前面的判斷，HBM4 的護城河不在 DRAM 晶粒本身，在封裝這一段，而這段有一塊掌握在台積電手上。

咽喉在 CoWoS，而咽喉正在鬆動

這裡要踩個剎車。綁台積電不等於高枕無憂，反而暴露了整條鏈最脆弱的一點：台積電的 CoWoS 產能就是這麼緊。

緊到什麼程度？緊到 SK 海力士已經跑去測試 Intel 的 EMIB 2.5D 封裝技術。TrendForce 的報導講得清楚，台積電 CoWoS 在 AI 需求暴衝下供給嚴重吃緊，逼得大廠去找替代方案；而且不只 SK 海力士，Google、Meta 也傳出要在下一代 AI 加速器採用 EMIB。這代表封裝產能已經是限制 AI 晶片供貨的真實瓶頸，也代表台積電在先進封裝的獨佔，第一次出現了實質的替代壓力。

所以這則新聞可以這樣讀：SK 海力士一邊綁台積電拿最好的 CoWoS，一邊自己蓋 P&T7、還去測 Intel EMIB。它不是不信任台積電，是不敢把整條後段命脈押在一個吃緊的咽喉上。封裝從幕後的成本項，變成了兵家必爭的戰場。

台灣該從這條戰線讀出什麼

台灣的位置，就在那道正在鬆動的咽喉上。

台積電的 CoWoS 是這條 HBM 鏈最關鍵的一段，也是台灣目前最強的卡位。但這裡有個容易看歪的地方：以為 CoWoS 吃緊等於台積電穩贏、訂單接不完就好。真實情況是，吃緊本身正在把客戶推向 Intel EMIB 這類替代方案，Google、Meta 已經在採用，替代路徑正在長出來。獨佔靠的是別人做不出來，一旦替代方案成熟，議價權會鬆。

另一個容易漏掉的是後段封測。HBM 要疊、要測、要控熱，這些後段活不是只有台積電在做，日月光、京元電這些台灣封測與測試廠本來就在半導體後段鏈上有位置。當整個產業把資源往先進封裝與測試搬，這一段的重要性只會往上走。台灣要讀的不是「SK 海力士又砸了多少錢」這個數字，是這波錢往後段封裝流，台灣在這條鏈上到底守著哪幾格、哪幾格正在被別人補上。看懂戰線移到哪裡，比記住 19 兆這個數字重要。

常見問題

SK 海力士花 19 兆韓元蓋的 P&T7 到底是什麼廠？
是一座專做 HBM 先進封裝的後段廠，不是做 DRAM 晶圓的前段廠。它負責把前段做好的晶粒堆疊、封裝、測試成可交付的 HBM 模組，蓋在南韓清州、4 月動工、2027 年底完工、2028 年全產，號稱全球最大的 HBM 封裝設施。

為什麼 AI 記憶體的瓶頸是封裝，不是晶圓產能？
因為 HBM 是好幾顆 DRAM 晶粒疊起來、再跟 GPU 接在一起的模組，做出晶圓只是第一步。如果封裝、堆疊、測試、控熱的後段產能不夠，前段晶圓開好開滿也幫不上忙，客戶拿到的還是缺貨。

SK 海力士跟台積電合作 HBM4 是做什麼？
兩家簽了備忘錄，HBM4 的基礎裸晶改用台積電的邏輯製程來做，並跟台積電的 CoWoS 封裝整合。等於記憶體廠、代工廠、晶片設計三方綁在一起，HBM4 預計 2026 年量產。

台積電 CoWoS 產能吃緊對台灣是好是壞？
短期是訂單滿載的好事，但吃緊也在把客戶推向替代方案。SK 海力士已經去測 Intel 的 EMIB 封裝，Google、Meta 也在採用，代表台積電在先進封裝的獨佔開始有實質競爭，台灣得看緊自己在後段封測的位置有沒有被補上。

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

APPI 編輯部 — Sun, 12 Jul 2026 00:00:00 GMT

AI 現在不只解得出國際數學奧林匹亞的金牌題，還能把整份證明寫成 Lean 這種形式化語言，讓機器逐行檢查每一步對不對。這件事真正的意義不是「AI 更會算數學」，而是 AI 做研究的產物第一次能被機器查證，不必靠你相信它沒在唬爛。長年卡住 AI 的那個老問題，它講得頭頭是道但你不知道是不是幻覺，在數學這一塊，第一次有了工程上的解法。

先看這一年多發生了什麼。2024 年 Google DeepMind 的 AlphaProof 在國際數學奧林匹亞拿到相當於銀牌的成績，解掉六題裡的三題（含全場最難那題），加上 AlphaGeometry 解掉一題幾何，合計 28 分。關鍵在它怎麼解：AlphaProof 整個跑在 Lean 這個形式化環境裡，DeepMind 講得很白，形式語言的好處就是涉及數學推理的證明可以被形式化地驗證正確性。到 2026 年初，一個叫 AxiomProver 的系統更進一步，解掉四個過去沒人解出來的數學猜想、外加 2025 年 Putnam 競賽全部十二題，每一份證明都在 Lean/Mathlib 裡驗過。連數學界的未解問題都開始倒：2025 年底那一週，三個 Erdős 問題被 AI 攻下，並用 Lean 完成形式化。

這裡要踩一個剎車，因為很容易看歪。2025 年 DeepMind 另一條線更搶版面：Gemini Deep Think 在奧數拿到貨真價實的金牌，六題解掉五題、35 分。但那份成績跟 AlphaProof 是兩回事。Gemini 是端到端用自然語言直接寫出證明，沒有經過 Lean 驗證，對錯是靠 IMO 評審人工判的；官方自己也註明，評審只確認答案完整正確，不去驗證他們的系統與模型。換句話說，金牌證明的是「AI 寫得出對的數學」，可驗證證明的是「不用人幫忙也知道它是對的」。前者更亮眼，後者才是難題。把這兩類混為一談，就會誤以為 AI 已經能自己做可信的研究，其實中間差的正是那道驗證關卡。

Lean 到底把問題解在哪？它把「可信」從「相信模型」換成「檢查憑證」。Lean 是一套定理證明器兼形式化驗證系統，一份證明能不能在 Lean 裡編譯通過，是機器說了算，沒有模糊空間。有數學家講得很直接，形式化過的證明拿到的是一張形式驗證憑證，一份能編譯的 Lean 證明沒辦法被幻覺出來，這就把主觀的「這證明看起來對不對」變成客觀的計算結果。這正是我一直講的那件事：AI 值不值得信，關鍵從來不是模型多大，而是有沒有一道能攔住它的驗證機制。我在寫醫療 AI 合規守門引擎時就是這個立場，缺了驗證這一關，再強的模型都不該直接信。Lean 之於數學，就是那道機制。

但別急著說問題全解了。可驗證有它的邊界。第一，能被 Lean 這樣查的，目前還是「有明確命題、對錯二分」的數學，一整篇研究論文要把每個定義、引理、定理都形式化，還是大工程，離全自動很遠。第二，也是更根本的，數學家 Terence Tao 就提醒過，形式化給了你自然語言證明沒有的可驗證性，但人要真正理解背後的數學，這一端沒被加速。他把 AI 數學拆成生成、驗證、消化三段，生成端被 AI 拉快了好幾個數量級，驗證跟消化還卡在人的認知頻寬，中間出現嚴重的速度落差。所以「機器驗證通過」不等於「有人看懂了、能拿去用」。這是訊號跟建議之間那段系統性的距離，形式化解掉的是其中一段，不是全部。

那台灣該從這條線讀出什麼？別只當它是一則數學新聞。Lean 這套形式化驗證，本來就不只用在數學。Lean FRO 的定位就寫著它橫跨數學、軟體與硬體驗證，AWS 拿它驗過權限政策。台灣最該接的點在這裡：我們的強項是半導體與晶片，而晶片設計驗證、關鍵軟體正確性，跟數學證明形式化是同一套思路，用機器把「這東西到底對不對」證到底，而不是靠人眼掃過去賭它沒錯。當 AI 開始大量生產程式與設計，能不能信得過，就看有沒有把這種可驗證的產物做進流程。台灣的機會不是去搶著訓練下一個證明模型，而是把「產物要能被機器查證」這套方法，用進本地真正需要可信度的地方。這件事我在談LLM 是不是救贖時就說過，先問你要解的是哪類問題、根因在哪，再談要不要、怎麼用 AI。

把數學證明交給 AI 寫、交給機器驗，這波真正的突破不是又刷新一個 benchmark 分數，而是 AI 產物第一次有了「能被查證」這個結構。看懂這個結構，比記住 AI 又解了幾題重要。因為接下來每一個想把 AI 放進嚴肅工作的人，遲早都要回答同一個問題：它做出來的東西，你憑什麼信？數學這邊先給了一個答案，讓機器去驗。

常見問題

AI 證明的數學定理，怎麼確定不是它唬爛的？
看它有沒有經過形式化驗證。像 AlphaProof、AxiomProver 這類系統會把證明寫成 Lean 這種形式化語言，一份證明能不能在 Lean 裡編譯通過是機器判定的，沒有模糊空間，一份能編譯的證明沒辦法被幻覺出來。反過來說，如果只是自然語言寫的一大段推理、沒有形式化，那就還是得靠人逐段檢查。

既然 2025 年 AI 都拿數學奧林匹亞金牌了，為什麼還說「可驗證」才是重點？
因為那面金牌是 Gemini Deep Think 用自然語言寫、靠 IMO 評審人工判對錯拿到的，沒有經過機器驗證。金牌證明 AI 寫得出對的數學，可驗證證明的是不用人幫忙也知道它是對的。後者才是把 AI 放進嚴肅研究時真正卡住的那關。

Lean 4 是什麼？只有數學用得到嗎？
Lean 是一套定理證明器兼形式化驗證系統，由 Lean FRO 維護。它不只驗數學，也用在軟體與硬體驗證，例如 AWS 拿它驗過權限政策。核心概念是用機器嚴格證明「某個東西符合某個規格」，這套思路跟晶片設計驗證、關鍵軟體正確性是相通的。

台灣在這波 AI 證明數學的趨勢裡有什麼機會？
機會不在搶著訓練下一個證明模型，而在把「產物要能被機器查證」這套方法用進本地強項。台灣的半導體與晶片設計驗證，跟數學形式化是同一套思路。當 AI 大量生產程式與設計，能不能信得過就看有沒有把可驗證的產物做進流程，這正是台灣能接的位置。

AI 的錢從 GPU 換到 ASIC：小摩估 2026 出貨年增 109%、2027 超車 GPU，台灣 IC 設計族群迎重估

APPI 編輯部 — Sun, 12 Jul 2026 00:00:00 GMT

AI 的錢正在換跑道。摩根大通（小摩）估 2026 年客製化 ASIC 晶片出貨量年增 109%，遠高於 GPU 約 39% 的增速，占全球 AI 晶片出貨比重衝上約 42%，到 2027 年更以 53% 正式超車 GPU。這件事對台灣的直接後果，是世芯、創意、智原這群 IC 設計服務公司被法人重新估值，目標價與 EPS 一路上修。但要先把一件事講清楚：這不是輝達被取代，是雲端巨頭在替特定工作分流，追的是每瓦效能和成本，不是誰的晶片比較全能。

先把 ASIC 跟 GPU 的差別講白。GPU 是通用加速器，什麼 AI 工作都能算，彈性高，但為了通用會犧牲效率；ASIC（特殊應用積體電路）是為單一任務量身打造的晶片，只做一件事，但做得又快又省電。雲端巨頭現在不缺演算法，缺的是把自家那幾樣固定的訓練與推論工作用最低電費跑完的晶片，所以乾脆自己下海設計。小摩估 Google 自研的 TPU 出貨量會從 2026 年的 450 萬顆跳到 2027 年的 800 萬顆，亞馬遜的 Trainium 系列從 190 萬顆增到 330 萬顆，微軟與 Meta 的自研晶片也進量產。把這些加起來，2027 年全球 AI 加速器總出貨估 2,330 萬顆，其中 ASIC／XPU 占 1,240 萬顆、GPU 剩 1,090 萬顆，客製晶片第一次在數量上贏過通用 GPU。

為什麼是現在轉？追根究柢是兩個瓶頸換了位置。第一個是商品化，通用算力誰都買得到，差異化的空間被壓得很薄。第二個更關鍵：限制資料中心擴張的瓶頸，已經從「有沒有錢買晶片」變成「有沒有電可以插」。小摩點名，「每瓦效能」正成為 AI 時代最關鍵的競爭指標，Google 最新的 Ironwood TPU 效能已是上一代的兩倍。當電費和電力額度變成天花板，能把同樣工作用更少瓦數跑完的專用晶片就贏了。這也解釋了博通為什麼會是最大贏家：它握有高階 ASIC 市場約八到八成五的市占，小摩估其 AI 業務營收會從 2026 年約 600 億美元，2027 年翻倍突破 1,500 億美元。市場正在形成「輝達主攻通用運算、博通主攻客製晶片」的雙寡頭。這裡要踩個剎車：ASIC 超車 GPU 講的是出貨數量，不是輝達出局。通用運算的需求還在長，只是成長最快的那一塊換成了客製晶片。

台灣被重估的，是 IC 設計服務這一段。CSP（雲端服務商）有想法、有訂單，但不見得有能力把晶片從設計送進台積電的先進製程、再封裝出來，這道工序外包給誰做？世芯拿的是亞馬遜的 Trainium，創意接的是微軟與 CSP 的案子，加上智原、晶心科，構成台灣的 ASIC 設計服務族群。法人的估值直接反映了這個轉向：世芯-KY 被喊到 6,200 元、2026／2027 EPS 上看 133／153.6 元；創意目標價 6,800 元、EPS 估 46.22／98.55 元。整個產業的體感也熱，DIGITIMES 估 2026 年第二季台灣 IC 設計業營收年增 11.8%，AI ASIC 是主要拉動力之一。我先前寫中國 AI 資本這盤棋台廠該怎麼讀、寫台灣端出 AI 新十大建設，講的都是同一條線：台灣的價值不在追題材，在供應鏈上某一段別人繞不過去的能力。ASIC 設計服務就是這種能力。

但這裡最容易解錯題。看到「ASIC 滲透率 2026 突破 3 成、2025 到 2028 年複合成長率三成五到四成」，就把所有掛 ASIC 概念的股票一起買，是把題材當基本面。真正該問的是三個問題。一，這家公司到底拿到哪個 CSP 的哪個專案、量產排程在哪，還是只在門口喊有機會。二，客戶集中度多高，設計服務綁定單一大客戶，一旦客戶自己養團隊或轉單，營收就會斷崖。三，位置在哪一階，真正吃到肉的是先進製程的高階 ASIC 案，成熟製程的雜項訂單毛利完全是另一回事。這波不是雨露均霑，是贏者全拿。台灣還有一個結構性壓力要面對：中國 IC 設計產值靠內需把量堆起來，成長速度已經威脅到台灣的排名。台灣守得住的不是量，是卡在先進製程與封裝整合這道別人短期補不上的門檻。

把錢從 GPU 搬到 ASIC，是雲端巨頭在用訂單投票：通用算力我照買，但我自己那幾樣固定又吃電的工作，要用自己設計、更省電的晶片來跑。台灣站在這條供應鏈的設計服務這一格，短期會因為法人重估吃到股價紅利，長期能不能守住，看的不是誰喊的目標價高，而是誰真的把 CSP 的專案接進手裡、把先進製程那道門檻墊得夠高。看懂誰拿到專案，比記住「年增 109%」這個數字重要。

常見問題

ASIC 跟 GPU 到底差在哪？為什麼雲端公司要自己做 ASIC？
GPU 是通用加速器，什麼 AI 工作都能算，彈性高但為了通用會犧牲效率；ASIC 是為單一任務量身打造，只做一件事、但又快又省電。雲端巨頭那幾樣固定的訓練與推論工作量夠大，自己設計專用晶片能把每瓦效能和成本壓下來，這在電力已成資料中心擴張瓶頸的當下就是關鍵優勢。

小摩說 ASIC 2027 年超車 GPU，是說輝達要被取代了嗎？
不是。小摩講的是出貨數量：2027 年 ASIC／XPU 占約 1,240 萬顆、GPU 1,090 萬顆。通用運算需求還在成長，只是成長最快的那塊換成客製晶片。市場更像是形成「輝達主攻通用、博通主攻客製」的雙寡頭，不是誰把誰趕出場。

台灣哪些公司受惠這波 ASIC 轉向？
主要是 IC 設計服務族群：世芯-KY（拿亞馬遜 Trainium）、創意（微軟與 CSP 案子），加上智原、晶心科。法人給世芯目標價 6,200 元、創意 6,800 元，DIGITIMES 估台灣 IC 設計業第二季營收年增 11.8%。

看到 ASIC 概念股是不是可以直接買？
題材熱不等於每家都吃到肉。先問三件事：這家到底拿到哪個 CSP 的哪個專案、量產排程在哪；客戶集中度多高（綁單一大客戶，轉單就斷崖）；位置在先進製程的高階案還是成熟製程的雜項訂單。這波是贏者全拿，把題材當基本面最容易踩雷。

柯達證實遭入侵、ShinyHunters 聲稱握 220 萬筆資料：第三方平台整合又成外洩破口

APPI 編輯部 — Sun, 12 Jul 2026 00:00:00 GMT

柯達（Kodak）證實，公司近期發現一名未授權的第三方非法取得了有限資料的暫時存取權。這個說法，是在勒索集團 ShinyHunters 把柯達掛上外洩網站、聲稱握有逾 220 萬筆顧客個資與內部資料之後才出現的。一邊說「有限」，一邊喊「220 萬筆」，兩個數字對不起來，而柯達到今天也沒交代攻擊者是怎麼進來的。這篇要談的不是誰的數字準，是這波攻擊鎖定的位置：企業串接出去的第三方平台整合，那條沒人天天在看的信任鏈。

先把時間軸講清楚

事情的順序是這樣。6 月 15 日，ShinyHunters 把柯達列上自家的外洩網站，聲稱竊得逾 220 萬筆資料，並把外洩期限定在 6 月 18 日。ShinyHunters 的說法是「逾 220 萬筆含顧客個資與其他內部企業資料遭外洩」，柯達隨後在報導見刊的 6 月 17 日對外證實「一名未授權的第三方非法取得有限公司資料的暫時存取權」，並表示已找外部資安專家展開調查、也與執法單位合作。

有兩件事要誠實標出來。第一，ShinyHunters 並沒有公開任何佐證樣本，這是勒索集團逼人付錢的常見手法，先喊一個嚇人的數字，證據之後再說。第二，柯達早就不是大家印象裡那個底片牌子，它今天主要做的是商用印刷、先進材料與化學產品，手上握有約 79,000 項專利，是一家 B2B 製造與技術公司。所以「220 萬筆顧客個資」到底是誰的資料、從哪一段流出去的，比數字本身更值得問。

ShinyHunters 的老把戲，幾乎都打在同一條線上

柯達沒講破口在哪，但這個攻擊者的習慣可以講。ShinyHunters 過去一年極度活躍，近期一手就是利用 Oracle PeopleSoft 的零時差漏洞，一口氣影響至少 100 個組織。重點不是哪一個漏洞，是它鎖定的標的類型：企業共用的那幾個大平台。

把柯達放進這個脈絡，資安分析把這起事件歸進 ShinyHunters 一場鎖定企業 SaaS 整合的持續性活動，點名的標的包含 Salesforce Aura、Salesloft Drift、Snowflake 與 Oracle PeopleSoft，並指出只要在用這些平台的第三方整合，曝險程度就被拉高，跟有沒有直接跟柯達往來無關。換句話說，攻擊者要的不是攻破某一道城牆，是走那條串在平台之間的信任關係。

這條路去年已經演過很大一齣。ShinyHunters 在 Salesloft 與 Drift 的戰役裡竊取第三方整合的 OAuth 權杖，再拿這些權杖存取下游客戶環境，逾千個組織受害、聲稱取得超過 15 億筆 Salesforce 紀錄，核心一句就點破了：你授權一個第三方整合的當下，安全邊界就延伸到把那家廠商也包進來。柯達沒揭露自家是不是同一條路進來，我不替它認定，但同一個攻擊者、同一類標的、同一段時間，這個方向值得先當主要假設來盤。這也是上個月 ServiceNow 八個月內第三次認證設定出包講的同一件事：外洩入口越來越不在核心系統，而在串接出去那一層。

我的觀點：最大的攻擊面不是程式碼，是沒畫清楚的信任邊界

從工程的角度看，第三方整合已經變成企業攻擊面（attack surface）的主要來源，這不是這次才發生，是累積出來的結構問題。問題出在三個地方，一層比一層難看。

第一層，API 整合本身就是一條隱性的信任邊界（implicit trust boundary）。SaaS 串 SaaS、webhook、OAuth、API token，這些串接讓系統跑得起來，但每接一條，你就把信任交出去一段。真正該問的是：這整條鏈裡，哪一段其實是你控制不到的？你發出去的那把 token，對方怎麼存、放多久、誰能看，多數時候你根本不知道。

第二層更常見，是資料流向盤點（data flow mapping）的缺失。很多公司知道自己系統上有哪些 API，卻不知道資料實際流到哪裡去（data actually flows where）。沒有資料血緣（data lineage），就等於沒有安全模型，因為你連「哪些資料會經過哪個第三方」都畫不出來，自然也守不住。出事的時候，第一個答不出來的問題往往就是「這批資料當初是從哪條整合流出去的」。先把使用情境與資料流定義清楚，再決定要不要開這條整合，順序不能倒。

講白一點：現代系統的最大攻擊面不是程式碼，而是你沒有畫清楚的 API 信任邊界。程式碼有漏洞，掃描器掃得到；一條沒人記得自己授權過、權限開得比需要的大的整合，沒有工具會主動提醒你。可信度靠的是落地流程的品質，不是工具或平台本身有多大牌。

外洩之後，工程跟公關是綁在一起的

第三層問題在事後才現形：資安事件應變（incident response），本質是工程跟公關的耦合，不是單純修一個 bug。發現外洩後，工程端真正要做的是一串動作：撤銷所有相關權杖（revoke tokens）、調出並比對稽核日誌（audit logs）、把被攻破的那段信任邊界重建（rebuild trust boundary），同時還要對齊法規要求的通報時程（notify timeline compliance）。每一步都跟「我把整合的存取邊界畫清楚了沒」直接相關，邊界沒盤過，這四件事每一件都會卡。

對外溝通是另一半，這次柯達示範了那個尷尬的缺口。柯達說只有「有限資料」、無系統或營運威脅、且事件已被遏止，攻擊者卻喊 220 萬筆。當你內部還沒把資料流盤清楚，就只能說「有限」這種模糊的話，而模糊在外洩事件裡會被讀成心虛。能講清楚範圍的前提，是平常就知道哪條整合碰得到哪些資料。這也呼應我先前的立場：每一個串接進來的服務，都該被當成一個新的權限治理對象，平常列冊管好，出事才有底氣把話說準。

明天早上就能做的盤點

講防禦，不講攻擊。這件事不需要等什麼高深方案，先盤點就能擋掉一大半。具體四條。

第一，把每一個第三方整合列冊。你公司接出去、被接進來的每一個 SaaS、webhook、OAuth 連線，各自用了誰的權杖、能讀寫哪些資料表、權限開了多大，全部寫下來。沒列冊，後面三條都做不了。第二，畫出資料血緣。針對含個資的資料，標出它實際會經過哪些第三方，這就是你的安全模型，缺了它就是憑感覺在守。第三，做權杖衛生。OAuth 權杖與 API token 定期輪換、離職或停用的整合立刻撤權、一律給最小必要權限，這次這類攻擊靠的就是一把沒人記得拔掉的鑰匙。第四，先把通報時程定好。誰負責判定、幾小時內對內升級、什麼程度要對外與通報主管機關，這些在平時就排好，不要等資料已經在外洩網站上了才開始想流程。

常見問題

我們公司又沒用柯達、也沒用 Salesforce，這件事跟我有關嗎？
有關。重點不是哪一家平台，是「第三方整合」這個結構。只要你有接任何 SaaS、任何 webhook、任何 OAuth 連線，你就有同一類的信任邊界要顧。柯達只是這個月最顯眼的例子，攻擊鎖定的那條線，幾乎每家公司都有。

柯達說只有「有限資料」，是不是就代表沒事？
不能這樣讀。「有限」是柯達目前的說法，攻擊者喊的是 220 萬筆，雙方差距到截稿都沒有對齊，而 ShinyHunters 也還沒公開佐證。在範圍被釐清之前，把它當成範圍未定的事件處理比較安全，尤其如果你是它的上下游或供應鏈夥伴。

第三方整合那麼多，到底從哪一個盤起？
從「權限開最大、又最久沒人看」的那幾個開始。能讀寫大量資料、長期有效、當初接了之後就沒人回頭檢查的整合，風險最高。先把這類找出來收緊權限或撤掉，再往下逐條盤，比一次想盤完整套切實際。

結語

柯達這一次，把一個平常沒人盯的位置推到了檯面上。攻擊者要的不是攻破誰的城牆，是走那條串在平台之間、被外包出去、開了就沒人回頭看的整合。標準會晚到，法規會晚到，攻擊者的速度不會等。但你家每一條第三方整合碰得到哪些資料、用誰的權杖、權限開多大，現在就盤得起來。先把那條控制不到的信任邊界畫出來，門關上，剩下的才有得談。

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

APPI 編輯部 — Sun, 12 Jul 2026 00:00:00 GMT

Google 的 Gemini 3.5 Pro 帶 200 萬 token 脈絡與 Deep Think 推理逼近正式發布，是目前量產前沿模型裡最長的脈絡視窗。但長脈絡不是「把整包資料倒進去就贏」。它真正划算的落地場景只有幾類：單一長文件的整體理解、整包程式碼的跨檔推理、長時程 agent 的記憶。其餘像知識庫問答這種要精準檢索又要引用出處的活，用 RAG（檢索增強生成）或混合架構通常更省、也更準。選錯場景，你付的是 20 萬 token 以上的長脈絡加價，換來的卻是資訊埋在中段就失憶的風險。

先把事件講清楚。Gemini 3.5 Pro 在 Google I/O 亮相後，GA 時程從六月延到七月，到七月初仍在 Vertex AI 的企業預覽名單制階段。官方確認的規格是 200 萬 token 脈絡，是 Gemini 3.5 Flash 的兩倍，也是任何量產前沿模型裡最大的，外加一個用延遲換準確度的 Deep Think 推理模式。要注意的是，Google 到現在還沒公布官方定價；根據企業預覽流出的估算，標準脈絡（20 萬 token 以下）輸入約每百萬 token 12 到 15 美元，超過 20 萬的長脈絡段還要再往上加。這個「加價區」等一下會變成台灣團隊算帳的關鍵。

這裡要先踩一個剎車：廣告上的脈絡長度，不等於你真的用得到的脈絡。這不是猜的，是有基準打臉的。輝達團隊做的 RULER 基準把長脈絡任務從「大海撈針」擴到多跳推理、實體追蹤這些更接近真實工作的題型，結論很直白：這些模型雖然都宣稱支援 32K 以上脈絡，能在 32K 長度維持像樣表現的只有一半。連號稱 200K 脈絡的模型，隨著輸入變長、任務變難，表現都明顯掉。宣稱的脈絡上限，跟實際能可靠工作的長度，是兩個不同的數字。

衰退還有一個位置問題。史丹佛團隊那篇 Lost in the Middle 講得很清楚：模型抓資訊，放在開頭或結尾表現最好，一旦關鍵資訊埋在中段，表現會明顯掉下去。這件事的殺傷力在於，真實工作幾乎都是「多針」的，一個問題的答案要跨好幾段材料拼起來，不是找一根針就結束。你把 100 份文件全倒進 200 萬 token 的視窗，模型很可能把夾在中間第 47 份裡的關鍵句讀漏。Databricks 的長脈絡實測也對上這個現象：不同模型開始衰退的長度不一樣，有的過了 32K、有的過了 64K 就掉，而且多數模型在塞到最滿時反而比中等長度表現更差。愈長不等於愈好。

那長脈絡到底在哪些場景真的有用？我把它收斂成三類，共同點是「這件事本來就沒辦法切成小塊各自處理」：

單一長文件的整體理解。 一份幾百頁的合約、財報、研究報告或病歷，你要問的是跨越全篇的問題，例如「這份合約前後有沒有互相矛盾的條款」。這種問題切成小段各自檢索反而會漏掉關聯，把整份餵進去讓模型一次看完才對。
整包程式碼的跨檔推理。 要模型理解一個橫跨幾十個檔案的專案、做跨檔重構或追一條穿過多層的呼叫鏈時，關鍵在檔案之間的關係，不是單一函式。這是長脈絡少數能大幅省掉工程麻煩的場景。
長時程 agent 的記憶。 agent 跑一長串多步驟任務，要記得前面幾十步做過什麼、拿到什麼結果，這種連續脈絡本來就難用外部檢索硬切。

反過來，有一整類場景把長脈絡當萬靈丹其實是解錯題。最典型的是知識庫問答：客服要從幾萬篇文件裡找答案、內部文件系統要回答員工問題。這種活的本質是「精準找到那幾段相關內容」，不是「一次讀完全部」。把整個知識庫塞進脈絡，你付了長脈絡的加價、扛了中段失憶的風險，還拿不到明確的引用出處，反而不如先用 RAG 檢索出最相關的幾段再交給模型。Databricks 那篇的結論也是這個方向：長脈絡跟 RAG 是互補、不是取代，「長脈絡會取代 RAG」這個說法還撐不起來。現在做得好的團隊多半走混合：先用檢索把材料壓縮到最相關的一小撮，再丟進長脈絡做跨材料推理，順便把最強的證據排到開頭跟結尾，避開中段失憶。

那台灣團隊該怎麼讀這條新聞？別因為 200 萬 token 這個數字很亮就急著把系統改成「什麼都倒進去」。先分清楚你要解的是哪一類任務：是要跨全篇理解一份長文件、還是要從一大堆文件裡找答案。前者長脈絡值得，後者 RAG 或混合更划算。成本這關尤其要算：長脈絡在 20 萬 token 以上是加價區，一個高頻呼叫的產品，把整包資料每次都塞滿，帳單會很有感。這跟我先前寫模型分層對開發者的差別、以及先定義問題再選工具的順序是同一條線：決定性的從來不是規格表上哪個數字最大，而是你有沒有先把任務類型、資料供給跟驗證機制想清楚。200 萬 token 給了你一個更大的工具，但工具對不對得上題目，還是要你自己先定義題目。

常見問題

長脈絡視窗是不是可以取代 RAG 了？
還不行。Databricks 的長脈絡實測指出兩者是互補而非取代，多數模型塞到最滿時表現反而比中等長度更差。要精準檢索又要引用出處的知識庫問答，用 RAG 先把材料壓縮到最相關的幾段，通常比整包倒進脈絡更省也更準。

模型宣稱支援 200 萬 token，是不是整段都能可靠使用？
不一定。RULER 基準發現宣稱 32K 以上脈絡的模型，只有一半能在 32K 維持像樣表現。廣告上的脈絡上限跟實際能可靠工作的長度是兩個數字，長度愈長、任務愈複雜，可靠度就愈往下掉。

什麼是 lost in the middle？會怎麼影響我？
指模型對放在脈絡開頭與結尾的資訊抓得好、埋在中段的容易讀漏，這是史丹佛團隊在 Lost in the Middle 提出的現象。真實任務多半要跨多段材料拼答案，如果把大量文件全倒進去，夾在中間的關鍵內容就有被忽略的風險。

哪些情況真的該用長脈絡？
三類：要跨全篇理解的單一長文件（合約、財報、病歷）、要跨檔推理的整包程式碼、要記住多步驟過程的長時程 agent。共同點是這件事本來就沒辦法切成小塊各自處理。反之像客服知識庫這種「找出那幾段」的活，用檢索或混合架構更合適。

用長脈絡會比較貴嗎？
會，尤其超過門檻之後。以 Gemini 3.5 Pro 的預覽估算，20 萬 token 以下輸入約每百萬 token 12 到 15 美元，超過 20 萬的長脈絡段還要再加價（官方定價尚未公布）。高頻呼叫又每次塞滿脈絡的產品，成本會明顯放大，先算清楚再決定要不要塞滿。

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

APPI 編輯部 — Sun, 12 Jul 2026 00:00:00 GMT

微軟六月一次修掉約 200 個漏洞、當中還夾著好幾個零時差，這則新聞真正該讀的重點不是「200」這個破紀錄的數字，是它為什麼會破紀錄：找漏洞的成本正被 AI 拉著往下崩，漏洞揭露的速度結構性上升，而且看起來回不去了。這件事對企業的意義很直接。你沿用多年的「每月一批、人工逐條評估、再排期上線」修補節奏，是建立在一個正在失效的前提上，也就是漏洞會以人讀得完的速率穩定滴出來。排程該改的不是「修快一點」，是改看什麼、怎麼分流。

先把事件講清楚。6 月 9 日微軟推出六月的 Patch Tuesday，修補數量各家算出來不一樣。資安媒體 Malwarebytes 說是 206 個、是這套機制自 2003 年上線以來最大的一次；Cyber Security News 數的是 198 個；資安研究機構 Zero Day Initiative 連第三方元件一起算，得到 208 個 CVE，並指出前一個單月紀錄是 177。差別在算不算進 Chromium 這類第三方漏洞。不管用哪個口徑，這個月都比過去任何一個月都多。

而更能說明狀況的，是連零時差的數字都對不起來。Malwarebytes 說是 3 個、而且沒有任何一個已知遭到實際攻擊；BleepingComputer 卻數出 6 個、其中一個正在被利用。連「哪一個正在被打」都各指不同：BleepingComputer 指向一個 Exchange 的欺騙漏洞，資安公司 CrowdStrike 點名的卻是 HTTP.sys 一個 CVSS 9.8 分的遠端執行漏洞（CVE-2026-47291）。這些不是小媒體亂寫，是這行最會追這件事的幾家，面對同一批修補、同一天，算出不一樣的帳。

數字為什麼會這樣暴衝，又為什麼連追蹤的人都跟不上？Zero Day Initiative 的分析師自己在報告裡把問題問了出來：這麼大的量，是不是有 AI 工具在幫忙找漏洞、甚至幫忙生修補。這不是空猜。資安情資公司 VulnCheck 追各家供應商今年的 CVE 增幅，Chrome 年增 563%、多家開源專案翻倍成長，而發掘漏洞的研究員自己形容工作流程已經是「八成靠 Claude、兩成由人收尾」。

把這件事拆開就懂了。傳統找漏洞的瓶頸是「有多少個夠強的研究員、每人一週能挖出幾個」。AI 把研究員換成可以平行跑、按算力計費的軟體，每個漏洞的發掘時間從幾週壓到幾小時。供給端的閘門一被打開，揭露量就是結構性往上，不是這個月剛好比較衰。

所以企業第一個反應通常是「那就每個月更用力修、把速度拉快」。這個方向沒有錯，但如果只做到這一步，很容易解錯題。你修得夠不夠快不是根因。根因是那套「每月一批、批量評估、逐條讀 CVSS 分數排優先級、再排期上線」的流程，它的隱含前提是漏洞以人讀得完的速率出現。當一個月冒出兩百條、而且連專業機構都分不清哪條真的在被打，先撐不住的會是人工逐條讀分數排序這個環節，不是修補的手速。

排程要改的，是三件具體的事。

環節	舊做法為什麼撐不住	改成
優先級	只看 CVSS 分數高低，一個月兩百條全排進去讀	先看「是否已被實際利用」，分數高不等於會被打
節奏	一個月一大批一起評估、一起上線	拆兩條線：已遭利用的插隊即時修，其餘按資產暴露面分流排期
分工	全靠人逐條讀完再決定	用威脅情資與自動化做前置篩選，但「哪條不修」的決策留在人這邊

CrowdStrike 在這次的分析裡也提醒，不是每個高可利用性的漏洞都好修，要先有一套回應計畫，而不是看到高分就硬上。第三點要特別踩個剎車：自動化可以幫你把該人看的挑出來，但別讓它替你決定某條「不修」。篩選是把範圍縮小，決策還是人的責任，誰簽字放掉哪一條、出事誰扛，這條界線不能交給工具。

台灣這邊的體感會更明顯。多數企業的 IT 和外包的資安服務商，本來就跟著微軟月更的節奏走，人力又長期吃緊，一個月兩百條、還要自己判斷哪條先修，靠人讀是真的讀不完。這裡的務實做法不是加人硬讀，是換一個優先訊號。與其守著 CVSS 分數高的那一大疊，不如先盯「已經在野外被利用」的那幾條，這類清單（例如美國 CISA 維護的 KEV 已知遭利用漏洞名錄）通常短很多，也才是真正會先燒到你的。這個原則跟前面那張表是同一件事：分數高不等於會被打，會被打的才要插隊。

把這件事收回來一句話：200 這個數字之後會一直被刷新，因為找漏洞的成本正在崩，這是回不去的方向，不是這個月的意外。企業要改的也不是修補的手速，是那套假設「漏洞會慢慢來」的排程。看懂數字為什麼在漲，比記住這個月是 200 還是 208 有用得多。剩下的判斷，哪條插隊、哪條先擱著、誰簽字放掉，這篇文章給不了你，那要你盤點完自己的資產暴露面才排得出來。工具能幫你讀，但排程是你的決定。

常見問題

微軟六月到底修了幾個漏洞、幾個是零時差？
約 200 個，各家從 198 到 208 不等，差別在算不算進 Chromium 這類第三方元件的漏洞。零時差的數字也對不起來，Malwarebytes 說是 3 個、BleepingComputer 說是 6 個。不管用哪個口徑，這都是這套機制上線以來最大的一次。

這些漏洞有沒有正在被駭客利用？
有，但連追蹤機構都指向不同的 CVE：CrowdStrike 點名 HTTP.sys 的 CVE-2026-47291，BleepingComputer 指的是 Exchange 的欺騙漏洞，Malwarebytes 則說沒有任何一個已知遭利用。正因為連專家都對不起來，「先修已經在被打的那幾條」會比「先修分數最高的」更務實。

為什麼漏洞數量這個月突然爆這麼多？
主流研判是 AI 輔助發掘的結果。追蹤這件事的 Zero Day Initiative 分析師直接把 AI 工具是否參與提出來問，情資公司 VulnCheck 的數據顯示今年多家供應商的 CVE 增幅翻倍、Chrome 年增 563%。找漏洞的時間從幾週壓到幾小時，供給端的閘門被打開，量就回不去了。

我的公司該怎麼調整修補排程？
三件事。優先級別再只看 CVSS 分數，先看漏洞是否已列入「已遭實際利用」清單（如美國 CISA 的 KEV）；節奏上把「一個月一大批」拆成「已遭利用者插隊即時修、其餘按資產暴露面分流」；分工上用威脅情資與自動化做前置篩選，但「哪條不修」的決策留給人。這是流程問題，不是修補手速問題。

跨廠牌 AI agent 各自為政，企業要的是統一中控：Cognizant 把 ServiceNow agent 接進單一編排層，再疊一層 AI Control Tower

APPI 編輯部 — Sat, 11 Jul 2026 00:00:00 GMT

企業手上真正的問題，不是 agent 不夠多，是沒人把它們統一中控。每套 SaaS 都塞了自己的 agent，各帶各的連接器、各講各的話，湊在一起就是一團各自為政。Cognizant 六月連走的兩步，剛好踩在這個痛點上：先把治理層接好，再把編排層打通，方向抓對了。但這裡要先踩一個剎車，統一中控有兩種很容易解錯題的做法，等一下說。

先看它做了什麼。第一步在 6 月 4 日，Cognizant 把自家的 Neuro AI Trust 接進 ServiceNow 的 AI Control Tower。Control Tower 這個東西的定位是「治理與觀測的統一底座」，把散在企業各處的 AI 系統、agent 和身分找出來、看得到、管得動；Cognizant 疊上去的是一批「責任式 AI」與 Guardian agent，負責在 AI 運作時即時盯公平、安全、資安、透明與合規。Cognizant 雲端與基礎設施服務全球負責人 Sriram Kumaresan 講得直接：市場已經解決了「用得到 AI」這件事，企業現在要的是「用得負責、又快又大規模」。

第二步在 6 月 18 日，Cognizant 讓 ServiceNow 的 AI Agents 和自家的 Neuro AI 多代理加速器互通，湊出一個跨 ServiceNow、第三方平台與自建系統的單一編排層。過去不同廠牌的 agent 基本上是各跑各的孤島，每接一個就得寫一套連接器、靠人工去協調。這一步就是要把那些孤島串起來，讓 ServiceNow 裡的 agent 能參與跨平台的工作流程。加速器本身是開源的，放在 GitHub 上，還附了業務、財務、供應鏈、客服這些現成的多代理網路。Cognizant 引 IDC 的數字說，超過七成企業打算同時投現成 agent、自建 agent，和內建在既有軟體裡的 agent。三種來源混著買，碎片化幾乎是注定的。

所以先確認一件事：這波產品在解的到底是哪一類問題。答案很清楚，它解的是「整合」與「治理」，不是「agent 不夠聰明」。這個定位我認為對。真正拖垮企業 agent 專案的，從來不是模型笨。Gartner 預測到 2027 年底會有超過四成的 agentic AI 專案被砍掉，理由是成本失控、商業價值講不清、風險控制不到位，沒有一項是「模型能力不足」。換句話說，卡點在落地設計，不在演算法。Cognizant 這兩步瞄準的正是落地那一端，值得肯定。

但統一中控有第一個容易解錯題的地方：把治理做成「一套規則套死所有 agent」。Gartner 另一份研究直接點名，對所有 agent 一視同仁地套同一套治理，反而會害死企業的 agent 專案。原因是把兩件本該分開的事混在一起：一個 agent「能做什麼動作」和它「能碰到什麼資料、什麼系統」，是兩層授權，不能綁成一個開關。你不會因為一個實習生會用 Excel，就把整個財務系統的權限開給他。agent 也一樣。真正該固定的是誘因與流程：這個 agent 的角色是什麼、它動了資料誰負責、出錯時哪一關攔得住。信任的依據是這套結構，不是它掛在哪個中控台底下。中控台讓你「看得到」，但看得到不等於「授權設計對了」，這中間還隔著一段功夫。這也是為什麼 MCP 這類連接標準成形之後，企業真正要治理的重點反而從「怎麼接」移到了「接上之後誰有權碰什麼」。

第二個容易解錯題的地方，是「統一到誰家」。單一編排層聽起來很美，但它本身也是一個廠商的層。Cognizant 把加速器開源、掛在 GitHub 上，這是加分，代表它至少不想把你鎖進一個閉源黑盒。可是企業要問的下一個問題是：這個中控層可不可攜？我今天把所有跨廠牌 agent 都編進 Cognizant 加 ServiceNow 這一層，明天想換掉其中一塊，成本有多高？業界另一條路線是走廠商中立的開放協定，像 A2A，讓不同廠牌的 agent 直接對話，不必透過誰家的中控。但開放互通自己也帶風險：一個在你治理範圍內的 agent，可能把任務轉交給範圍外的外部 agent，而這筆交接沒留下稽核紀錄。所以這不是「用中控台或用開放協定」的二選一，而是要想清楚：中控與可攜要怎麼並存，別為了統一而換來新的單一依賴。

再補一個成本上的提醒。CIO 訪談裡 Gartner 分析師 Anushree Verma 講過一句實話：當你把編排器、治理層和多個 agent 疊上去，成本會很快失控。統一中控本身就是在往上疊層。疊得值不值，取決於它替你省下的協調成本有沒有超過它自己的開銷，這筆帳要在買之前算，不是上線後才發現。

那台灣企業該怎麼讀這條新聞？台灣的金融、製造、電信，這幾年一套一套地買 SaaS，每套很快都會附上自己的 agent。同樣的碎片化，一兩年內就會撞到。這時候順序不能倒：先定義你要編排的到底是哪些流程、哪些 agent 該有權碰哪些資料，再去挑中控與編排工具，最後才是比較具體選哪家。把順序倒過來，先被某家的「單一編排層」框住，再回頭硬套自己的流程，是選型最常見的失敗模式。對本地的系統整合商來說，機會也在這裡：能替客戶把治理與編排的架構定義清楚，比再賣一個 agent 值錢得多。政府若要替企業立座標，新加坡那套主體型 AI 治理框架已經示範了「治理要跟著 agent 的自主程度分級」的思路，值得參考。

回到那兩則公告。Cognizant 的 AI 長 Babak Hodjat 說，多代理系統是企業 AI 的未來，價值在「一群 agent 一起工作」，不在任何單一 agent、平台或廠商。這句話我同意一半。價值確實在協作，這是對的。但「協作」要成立，前提是每個 agent 的角色、授權與責任先被定義清楚，中控台只是讓你看得見這一切，不是替你把這些定義好。看懂它解的是整合與治理這個對的題，再看清楚它可能在授權設計與廠商可攜上留下的兩個坑，比記住「單一編排層」這個賣點重要。

常見問題

AI agent 的「單一編排層」到底在解決什麼問題？
解決的是跨廠牌 agent 各自為政的整合問題。企業常常同時用 ServiceNow、第三方平台和自建系統的 agent，過去每接一個都要寫專屬連接器、靠人工協調。編排層的目標是把這些孤島串成能一起跑的工作流程，Cognizant 六月就是這樣把 ServiceNow agent 接進自家 Neuro 加速器。它解的是整合與治理，不是讓單一 agent 變聰明。

有了 AI Control Tower，agent 的治理就算做好了嗎？
沒有。Control Tower 讓你「看得到」企業裡所有 AI 系統與 agent，但看得到不等於授權設計對了。Gartner 提醒，對所有 agent 套同一套治理反而會出事，關鍵是把「agent 能做什麼動作」和「能碰什麼資料、什麼系統」分成兩層授權。治理的重點是角色、資料權限與責任歸屬，中控台是必要條件不是充分條件。

為什麼那麼多企業 agent 專案最後被砍掉？
因為卡點多半在落地設計，不在模型能力。Gartner 預測到 2027 年底超過四成 agentic AI 專案會被取消，主因是成本失控、商業價值講不清、風險控制不到位。分析師也指出，把編排器、治理層和多個 agent 疊上去，成本會很快膨脹，這筆帳要在導入前先算清楚。

台灣企業導入多代理 agent 前，第一步該做什麼？
先定義問題再選工具，順序不能倒。先想清楚要編排哪些流程、哪個 agent 該有權碰哪些資料、出錯誰負責，再去挑中控與編排平台，最後才比較選哪家。先被某家的單一編排層框住、再回頭硬套自己的流程，是選型最常見的失敗模式。

AI 記憶體超級循環的第一張帳單，先砸到雲端大廠自己：微軟 2026 資本支出衝 1900 億，其中 250 億是記憶體漲出來的

APPI 編輯部 — Sat, 11 Jul 2026 00:00:00 GMT

AI 記憶體超級循環的第一張大帳單，先砸到出錢蓋機房的雲端大廠自己。微軟把 2026 會計年度的資本支出上修到 1900 億美元，其中約 250 億是記憶體與零組件漲價「純墊出來」的成本，不是多買了東西，是同樣的料變更貴。這句話是財務長 Amy Hood 在第三季財報電話會議親口講的。追下去會發現，這不是微軟一家的偶發帳單，而是整條 AI 供應鏈把記憶體吸乾之後，必然要有人先付的那一筆。

先把數字擺清楚。微軟這輪 1900 億美元的資本支出創下同業紀錄，把五大雲端業者加起來，2026 年整體大型科技公司的資本支出衝上約 7250 億美元的新高。其中微軟明說有 250 億美元是記憶體與晶片漲價貢獻的，跟蓋更多資料中心無關。Amy Hood 還補了一句關鍵的話：記憶體與儲存價格從去年秋天以來飆漲，部分品項漲超過三倍，而且供給「至少到 2026 年都會持續吃緊」。翻成白話，這不是一次性的成本抖動，是一段時間內都得含淚吞下去的固定支出。

這裡要踩個剎車。很多人把記憶體漲價當成又一次景氣循環的高點，等它像過去那樣自己跌回來。這次的根因不太一樣。TrendForce 把它講成「記憶體牆」：AI 晶片的算力兩年成長三倍，記憶體頻寬只跟上一點點，於是 AI 加速器需要的高頻寬記憶體（HBM）大口吃掉 DRAM 的晶圓產能，排擠掉一般的伺服器與消費級記憶體。原廠把八成以上產能轉去做高階與企業級產品，供給那一端被結構性地抽走。結果是 TrendForce 估 2026 年 DRAM 價格再漲超過七成；SK 海力士引用美銀的預估，2026 年全球 DRAM 營收年增 51%、NAND 年增 45%，HBM 市場規模衝到 546 億美元、年增 58%。這是供需失衡被設計出來的結果，不是景氣循環的自然波動。

帳單不會停在微軟。先看雲端這一層：記憶體占大型雲端業者 AI 資料中心支出的比重，2026 年估計來到三成，2023 年還只有約 8%，四年翻了四倍。這代表同樣一筆 AI 預算，愈來愈大一塊被記憶體吃走，而不是拿去買更多算力。再往下看消費端：記憶體在筆電與手機的物料清單（BOM）成本占比，已升到一到兩成。傳導的結果很直接，華碩系統事業總經理廖逸翔已經預告，2026 年第二季台灣 PC 售價估計要漲 25% 到 30%。TrendForce 同步把今年智慧型手機出貨下修到年減 7%、筆電下修 5.4%。一張帳單，從雲端一路壓到你家那台想換的筆電。

台灣看這條新聞，最容易只讀到半邊。一種只看「記憶體台廠大利多」：南亞科、華邦電、晶豪科報價續漲，模組廠創見、威剛、十銓、宇瞻，還有做企業級 SSD 的群聯，帳面上確實受惠。另一種只看「PC 品牌和 ODM 被成本壓垮、消費者要多付錢」。這兩個故事都對，但單看任一邊都會解錯題。真正要盯的是這張帳單改寫了誰的議價權：當記憶體從「配角零件」變成占 AI 預算三成的關鍵物料，掌握 HBM 與高階 DRAM 產能的人說話就大聲，站在下游組裝、只能轉嫁或自己吸收成本的人就被動。台灣同時站在這條鏈的兩端，受惠的是有記憶體與封測籌碼的那一段，受壓的是純代工組裝、對上游沒有議價權的那一段。看懂自己站在哪一段，比慶祝或哀嘆記憶體漲價更重要。

把這張帳單讀完，會得到一個和「AI 泡沫」無關的判斷。微軟願意在毛利被壓的情況下，還是把 1900 億美元砸下去、還說要含淚吞 250 億的漲價，代表它賭 AI 的實際需求撐得住這個成本結構。這個賭注成不成，要看兩件事：AI 的使用量有沒有跟上這條愈墊愈高的成本曲線，以及記憶體供給什麼時候鬆。誰吃得住這張帳單，不會是因為誰的模型比較聰明，而是誰在這條鏈上卡到了別人繞不過去的位置。

常見問題

微軟 2026 年資本支出為什麼衝到 1900 億美元？
因為它要繼續為 AI 擴建資料中心，同時記憶體與零組件價格大漲。財務長 Amy Hood 在第三季財報說明，這 1900 億裡有約 250 億美元純粹是記憶體與晶片漲價墊上去的，不是買了更多設備，而是同樣的料變更貴。

記憶體為什麼突然漲這麼多，是一般的景氣循環嗎？
比較像結構性供需失衡，不是單純的循環高點。AI 加速器需要的 HBM 大量吃掉 DRAM 晶圓產能，原廠又把八成以上產能轉向高階產品，供給端被抽走，TrendForce 估 2026 年 DRAM 價格還會再漲超過七成。

記憶體漲價會讓我買筆電、手機變貴嗎？
會，而且已經在發生。記憶體占筆電與手機物料成本已升到一到兩成，華碩已預告台灣 PC 第二季售價估漲 25% 到 30%。TrendForce 也把今年筆電與手機出貨量往下修。想換機的話，這波短期內不容易等到大幅降價。

這波記憶體超級循環，台灣是受惠還是受害？
兩者同時發生，要看你指的是哪一段。有記憶體與封測籌碼的南亞科、華邦電、模組廠與群聯等台廠帳面受惠；純做 PC 品牌與代工組裝、對上游沒有議價權的那一段則被成本壓縮。關鍵是看清自己卡在供應鏈的哪個位置。

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

APPI 編輯部 — Sat, 11 Jul 2026 00:00:00 GMT

上海的 MiniMax 在 6 月 1 日推出 M3，新聞標題大多在比跑分。很多人第一個反應是「又一個開源模型贏了 GPT」。這個讀法沒錯，但只讀到這一層，會錯過真正的訊號。

照官方與多家評測的整理，M3 把三件事一次塞進同一個開源權重模型：前沿級的 coding 能力、100 萬 token 的脈絡視窗、原生多模態（吃文字、圖片、影片）。權重與技術報告官方稱約十日內於 Hugging Face／GitHub 釋出，coding 上在 SWE-Bench Pro 拿到 59.0%，壓過 OpenAI GPT-5.5 與 Google Gemini 3.1 Pro。這不是小廠的玩具。

先看價格，再看它是誰

M3 的標準 API 定價是 $0.60 input／$2.40 output per 1M token，首週五折。對照之下，同一週被擺在一起比的中國模型一票：Alibaba 的 Qwen 3.7 Max、Moonshot 的 Kimi K2.7、Zhipu 的 GLM 5.2，有評測直接算出 M3 的輸出單價約是 Claude Opus 4.8 的二十一分之一。把這幾家放在一起看，重點不是哪一個跑分高半分，是中國的開源權重正在集體把「智慧」這件商品的單價往地板壓。

但價格只是入口，不是結論。便宜的模型很多，真正重寫遊戲規則的是「便宜」加上「開源權重」這個組合。

開源權重的真正用途：自架，還有資料不出境

閉源的便宜模型，你還是只能透過別人的 API 用，資料要送出去。開源權重不一樣。M3 一旦權重落地，會是同級裡唯一帶原生多模態的開源權重模型，可以自己架、甚至做到 air-gapped 的封閉部署。對受監管的場景，這一句才是重點。

我關心的不是它能不能在雲端跑得更快，是它讓「資料不出境」從理想變成務實選項。醫療、金融這類場景，資料能不能留在自家機房，常常不是工程問題而是合規問題。過去要嘛用昂貴的閉源旗艦、把資料送出去，要嘛退而用能力差一截的本地小模型。M3 這類前沿級開源權重，第一次讓「能力夠用、資料又守得住」這兩件事有機會同時成立。

不過先踩一個剎車。開源權重給了你自架的「可行性」，不等於你架得起、守得住。權重要 GPU、要有人維運、要接驗證機制；模型強只是前提，落地設計才是決定性的那一格。這個立場我寫過很多次了，可信度靠落地流程不是靠模型大小（延續 LLM 在醫療場景的承諾與限制、醫療 AI 合規守門引擎）。便宜跟開源，把門票發給更多人，但門後的工程一點都沒變簡單。

作者本人觀點：AI 變便宜不重要，重要的是你算錢的方式錯了

說到這裡，要講一件比 M3 更重要的事。AI 變便宜這件事，本身沒有那麼重要。重要的是「你原本以為怎麼算錢是對的」，現在不對了。

以前大家習慣這樣想 AI 成本：用多少 token 花多少錢、模型越大越貴、用得越多成本就線性往上加。很像電費，用多少算多少，很直覺。

但 AI 真實在跑的時候，已經不是這樣了。

第一，同一個問題，不同模型「走的路不一樣長」。有的模型三步就解決，有的要二十步推理，中間還去查工具、再重算一次。你看到的是同一個「答案」，後面跑的流程完全不同。

第二，便宜的模型可能反而更貴。因為它想太久（多花 token）、重試很多次、tool call（工具呼叫）繞很多輪。結果是單價便宜，總成本更高。

第三，系統成本不再等於 token 成本。你真正付錢的，變成這個任務來回幾次（iteration，反覆修正的次數）、agent loop（代理自己跑的迴圈）幾輪、要不要重試、要不要叫外部工具、要不要長 context。

所以「錯誤的計價方式」是什麼？就是這種舊思維：「我只要看 token 單價，就知道成本。」

現在正確的問法是：「我要完成一個任務，它會跑幾步？會繞幾圈？會失敗幾次？」

用一個比喻講清楚。舊世界是電梯計費：搭電梯，一層一塊錢，清楚明白。新世界是迷宮計費：你進一個迷宮，有人三步走出去，有人繞三十分鐘才出去，有人還會走回頭路。你付的不是「步數」，是「走出迷宮的整體成本」。

再簡化成一句：AI 的成本已經不是「用多少算多少」，而是「解決一次問題到底要跑多複雜的流程」。

把這個框架擺回 M3，你就會看懂為什麼「單價打到地板」不該讓你直接下單。一個單價便宜、但常常繞遠路的模型，跑你的真實任務時不一定比較省。便宜是 token 那一格的便宜，迷宮那一格便不便宜，要拿你自己的任務去跑才知道。反過來，貴的模型也只有在最難、最長的那種任務上才把多付的錢賺回來，這條規律我在談 Mythos 級模型分層怎麼對應任務難度時拆過：短而規則明確的活，再強的模型也看不出差別。

那到底該怎麼選、怎麼算

順序不能倒。先定義你要解的情境、要碰哪些資料、哪些任務不該交給 AI，再去比模型。從「哪個模型最強、最便宜」開始挑，是選型最常見的失敗模式（這條我在到底什麼是龍蝦講過）。

具體可以盤三格：

算總流程成本，不是 token 單價。 拿你自己的代表性任務，去量它跑完一次要幾輪、重試幾次、叫幾次工具，比「總成本」而不是比「每百萬 token 多少錢」。
自架前先問守不守得住。 開源權重讓資料能不出境，但 GPU、維運、驗證、責任歸屬要先有人扛。算得起單價，不代表撐得起維運。
留換家的餘地。 中國開源模型現在一個月換一批新王，別把提示、資料管線、工作流焊死在單一模型的專屬介面上，換模型的成本要扛得動（這個立場延續 Apple 把 Siri 外包給 Gemini、單一供應商的營運續航風險，解法方向見微軟 Foundry 的多模型可選性）。

M3 是一個好訊號，代表前沿能力的價格門檻又降了一階，自架與資料自主第一次變得務實。但它不是讓你閉著眼睛換掉現在工具的理由。模型這層越來越便宜、越來越可換，真正決定你花多少、守不守得住的，還是你怎麼定義問題、怎麼設計落地。

常見問題

M3 開源權重，是不是代表現在就能自己架來用？

不是「現在」，是「快了」。官方說約十日內於 Hugging Face／GitHub 放權重與技術報告，開發者指南也提醒，在你親眼看到 checkpoint 上架前，先當它是 API-only。要自架的人，等權重真的落地、licensing 條款看清楚再動，別憑發表會就排上線。

單價只有 Opus 的零頭，是不是直接換最划算？

不一定。單價便宜的是 token 那一層。一個愛繞遠路、重試多的模型，跑你的真實任務時總成本不一定比較低。先拿自己的代表性任務量「跑完一次的整體流程成本」，再決定，別只看每百萬 token 的牌價。

這對受監管產業（像醫療）的意義是什麼？

最大的意義是資料不出境從理想變務實選項。前沿級開源權重讓你有機會「能力夠用、資料又留在自家」。但自架守不守得住，看的是去識別化、權限、驗證與責任歸屬有沒有先到位，不是模型本身強不強。

研究問「AI agent 懂不懂省錢」：當 agent 自己花你的 token，預算意識該不該寫進設計

APPI 編輯部 — Fri, 10 Jul 2026 00:00:00 GMT

AI agent 預設不會替你省錢。你給它一個任務，它會把工具呼叫、模型推理、來回試錯全開下去，把該花的、不該花的 token 一起燒掉，帳單月底才來。所以「省錢」這件事不能當成模型會自己長出來的美德來期待，要當成系統的硬約束，在設計階段就寫進去。

這不是假設。TechCrunch 六月的報導整理了一串帳單：Uber 四月就把整年的 AI coding 預算燒光，CTO 說得「回去重畫」；微軟給工程師開了 Claude Code，幾個月後又把授權收回；有家公司沒設用量上限，一個月累積出約五億美元的帳；還有工程師一個人一個月花掉四萬美元的 token。單價其實一路在跌，跌的速度卻追不上用量，同一份報導引 Goldman Sachs 估到 2030 年全球 token 用量還會再漲 24 倍。

這半年學界開始正面問一個更根本的問題：agent 到底懂不懂它在花錢。二月有一篇《Budget-Constrained Agentic Large Language Models》講得直接，現在的問題不再是 agent 能不能解難題，而是我們能不能信任它替我們做「花錢的決定」。這篇的實驗發現，放著不管的 agent 經常直接違反硬性預算上限，而且光靠在提示裡塞成本回饋（跟它說「請省一點」），根本不足以保證它守得住預算。

為什麼叫它省它不省？因為省錢對 agent 來說不是能力問題，是它的運作機制裡根本沒有一條「會痛」的神經。人會省錢，是因為錢從自己口袋出、超支有後果。agent 沒有這條神經，你在提示裡寫的預算對它只是一句參考文字，跟它拿來衝任務成功率的目標不在同一個量級。這跟我一直講的同一個道理：可信度靠的是流程設計，不是模型多聰明。要它守預算，得把預算變成它繞不過去的硬牆。那篇論文自己的做法也印證這件事，它不是把成本寫進提示求 agent 自律，而是設計一套機制去強制執行硬性預算可行性，才守得住。

還有一個常被跳過的誤會：以為讓 agent 多想幾步、多花點算力，答案就會更好，所以貴一點無所謂。資料不支持。Holistic Agent Leaderboard 跑了大規模評測，發現「提高推理努力，多數情況下反而讓準確率下降」。另一篇三月的《Spend Less, Reason Better》講得更白：現在的做法把算力當成無限資源，任由 agent 在重複步驟和死路上把 token 和工具預算耗光；它們設計的預算感知搜尋，在嚴格的低預算下，表現還能勝過對手多給四倍資源的版本。《Efficient Agents》也量出同一件事，保留領先框架 96.7% 的表現，成本卻從每題 0.398 美元壓到 0.228，省了 28.4%。多花不等於做得好，很多時候是白燒。

所以預算意識該不該寫進設計？該，而且要當成第一層的東西來設計，不是事後補的儀表板。具體到台灣企業明天早上就能做的有三件：導入 AI coding 助手或 agent 之前，先設每人、每專案、每次任務的硬性用量上限，撞到就停；把成本記帳做到「哪個 agent、哪個任務、花了多少」看得見，而不是月底收一張總帳單才驚醒；把「省下的成本」跟「任務完成率」一起放進驗收，別只看它做完了沒。這幾件事跟我之前寫 MCP 成 agent 事實標準後、企業要治理什麼是同一條線：agent 放進公司，要治理的從來不只是它能不能做事，還有它動了多少權限、花了多少錢。

回到那個研究問的問題：AI agent 懂不懂省錢？就現在的證據看，它不懂，也沒有動機懂。這不是模型不夠好，是我們把一個沒有預算神經的東西，放進了會真的花錢的位置。解法不在等下一代模型自己變節儉，在把預算變成它繞不過的硬約束、把成本變成看得見的數字。看懂這一點，比追哪個模型每題便宜幾分錢重要。

常見問題

AI agent 會自己控制成本嗎？
不會。二月一篇學術研究實測發現，沒有額外約束的 agent 經常直接違反硬性預算上限。它拿到任務會盡量把工具呼叫和推理開下去衝成功率，省錢不在它的目標函數裡，所以成本控制得靠外部設計，不能指望模型自律。

在提示裡叫 AI「省一點」有用嗎？
幫助有限。同一篇研究指出，光靠提示裡的成本回饋不足以保證預算可行性。提示裡的預算對 agent 只是參考文字，跟它衝任務完成的目標不在同一個量級。真正守得住的做法是把預算變成系統層級的硬性上限，撞到就停。

讓 agent 多花算力、多想幾步，答案會比較好嗎？
不一定。Holistic Agent Leaderboard 的大規模評測發現，提高推理努力在多數情況下反而讓準確率下降。另一篇研究也顯示，優化過的框架能保留 96.7% 表現、成本卻少 28.4%。多花很多時候只是把 token 燒在死路上。

台灣公司導入 AI coding 助手，怎麼避免帳單失控？
三件事：一，導入前就設每人、每專案、每次任務的硬性用量上限，撞到就停；二，把成本記帳做到逐 agent、逐任務看得見，別等月底總帳單；三，驗收時把省下的成本和任務完成率一起看。海外已有企業因為沒設上限單月燒出五億美元帳單的前車之鑑。

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

APPI 編輯部 — Fri, 10 Jul 2026 00:00:00 GMT

重點先講清楚：Anthropic 估值衝到 9,650 億美元、機密遞件 IPO、估值排名超車 OpenAI，這三件事都是真的，但對台灣產業鏈來說都不是重點。前沿大廠誰比較貴是資本市場的八卦，台廠該盯的是這些錢最後流去哪、把哪一段供應鏈的需求綁得更死。

先把估值新聞讀完，再把它放一邊

先把事實擺出來。Anthropic 在 6 月初完成新一輪募資，募了約 650 億美元、投後估值約 9,650 億美元，逼近一兆美元；幾天後就機密遞件、向美國證管會送出 draft S-1，這個估值也超過 OpenAI 今年三月那輪的 8,520 億美元。有意思的是，OpenAI 在 6 月 8 日跟著機密遞件，兩家把上市時程擺到檯面上比快。

這裡要先踩一個剎車。估值排名會變、誰先掛牌也會變，這些對台灣一條螺絲都不會少出一顆。我在寫 DeepSeek 那輪募資時就講過同一句話：資本新聞的訊號不在金額，在錢的流向與結構。Anthropic 這則也一樣，把估值讀完，就該把它放一邊，去看下一層。

把估值翻譯成一張算力預購合約

我的看法是這樣：前沿模型公司正在變成算力與供應鏈的金融槓桿體。換個更直白的講法，這些 AI 公司本質上是「算力預購合約公司」，估值撐起來的不是模型有多聰明，而是它敢簽多大、多長的算力長約。

對著數字看就清楚了。Anthropic 跟 Google、Broadcom 把合作擴大到 2027 年起再上 3.5 GW 的客製 TPU 算力，加上去年十月已經談定的逾 1 GW，外加 500 億美元投資美國算力基礎設施的承諾，財務長自己把這套說成「自律地擴張基礎設施」。9,650 億美元的估值，背後綁的就是這幾紙幾年期的算力與客製晶片合約。你買的是一家公司，實際押的是一筆算力遠期部位。

台廠能見度上升，集中度風險也同步上升

算力長約一路往下拆，就會拆到台灣。客製 TPU 這類專用晶片要能出貨，得先過台積電的 CoWoS 先進封裝，而這正是這兩年最緊的一關。2026 年 CoWoS 全球需求估約 100 萬片，前段大客戶已鎖住逾 85% 產能：Nvidia 一家就吃掉約 59.5 萬片、佔六成左右，Broadcom 約 15 萬片、佔一成五，其中約 9 萬片是替 Google TPU 預留的。剩下不到一成五，留給其他二線晶片廠搶。

這就是台廠要讀的真正訊號。封裝、伺服器、記憶體（HBM）的能見度確實隨著前沿大廠加碼往上走，這跟台灣把算力與半導體列為信賴產業之首的方向是一致的。但同一組數字也說了另一件事：誰拿得到產能配額，誰才談得上估值。GPU 與封裝的配額分配，本身就是一個新的資本市場，配額排在哪、被誰鎖住，比帳面估值更能決定接下來誰出得了貨。能見度上升和集中度上升，是同一枚硬幣的兩面。

cloud lock-in 還是 model lock-in，先想清楚被綁在哪

前沿大廠估值狂飆，把「把關鍵流程綁在單一前沿供應商」的集中度風險又放大了一格。這個風險其實有兩種綁法，得分開看：一種是 cloud lock-in，把算力與部署綁死在單一雲；另一種是 model lock-in，把產品的核心能力綁死在單一模型家。兩種綁法的退出成本不一樣，斷供時的痛點也不一樣。

這不是空談。前陣子一紙出口管制令就讓 Claude Fable 5、Mythos 5 在部分市場全球下線，把核心流程焊在單一雲模型上的團隊當場沒得用；Apple 把新 Siri 的腦外包給 Gemini、卻在歐盟和中國缺席，也是同一類取捨。對照組則是微軟 Foundry 把一萬多個模型收進同一層、刻意做「去單一供應商」，留一條隨時換模型的路。估值越高、長約越大，被綁那一方的議價空間就越小，這件事值得先想清楚。

台廠與台企現在該做的盤點

訊號讀完，給可以馬上做的三格盤點。供應端的封裝、伺服器、記憶體廠，別把產能押在單一大客戶的單一架構上，配額會隨大廠的下注節奏起伏，押太死就跟著對方的週期抖。用模型端的台企，先定義自己要解的情境，再決定要不要押單一前沿供應商，能留可換的餘地就留，斷供與管制風險是真的會發生的事，不是假設題。

最後一句留給選型。先定義問題再選工具，順序不能倒；可信度靠落地流程，不靠誰估值高。資本灌進前沿大廠、也灌進應用底下的基建層，別只看估值與聲量就押下去，建構之後要顧的維運與治理成本不會因為估值高就消失。估值是別人對未來的定價，能不能換掉、撐不撐得住，是你自己的事。

常見問題

Anthropic 估值超車 OpenAI，代表 Claude 比較強嗎？

不能這樣讀。估值是資本市場對成長速度與算力下注的定價，反映的是投資人願意付多少錢押這家公司的未來，不是模型能力的排行榜。要比能力，看的是任務難度下的實測表現，不是投後估值。

台廠是不是該因為這則新聞加碼？

這則新聞給的是需求方向與集中度訊號，不是進場訊號。先看自家落在供應鏈哪一段、客戶與架構的集中度有多高，再決定要不要動，而不是看到大廠估值衝高就跟。配額被誰鎖住，比估值數字更該盯。

一般企業用 AI 跟這則新聞有關嗎？

有關。前沿大廠把算力與供應鏈綁得越緊，越提醒你別把自家關鍵流程焊死在單一前沿供應商上。先定義情境、保留可換模型或換雲的餘地，斷供與管制真的發生時才有路可走。

ChatGPT 開賣廣告位：OpenAI 上線自助 Ads Manager，AI 助理正式變成廣告載體

APPI 編輯部 — Fri, 10 Jul 2026 00:00:00 GMT

OpenAI 把 ChatGPT 的廣告生意做成了一台任何人都能自助下單的機器。真正的重點不是聊天視窗底下多了一格廣告，而是 AI 助理過去被信任的那個理由，它沒有需要隱瞞你的結構性動機，現在被裝上了一個相反的動機。廣告位是誠實的、標示清楚的；要盯的是它背後的誘因，不是那格 banner。

先看實際上線了什麼。OpenAI 在五月開放 ChatGPT 的自助廣告後台（Ads Manager）beta，讓美國企業自己註冊、儲值、設預算，就能把廣告投進 ChatGPT。這一版做了兩件對行銷圈很有感的事：加入 CPC（依點擊計費）競價，並拿掉先前 5 萬美元的最低投放門檻，任何過審的廣告主都能自訂預算。廣告出現在 Free 與 Go 這兩個免費和低價方案的使用者眼前，地區是美國、加拿大、澳洲、紐西蘭；Plus、Pro、Enterprise 這些付費方案維持沒有廣告。版位在回答下方，標示清楚、跟正文分開，OpenAI 還立了一條叫「答案獨立」（Answer Independence）的原則，說廣告關係不會影響 ChatGPT 回答的內容。技術與代理商夥伴一長串，Adobe、Criteo、Dentsu、Omnicom、WPP 都在名單裡。

很多人第一個反應是「AI 也要塞廣告了，煩」。這個感覺沒錯，但如果只停在這裡，就解錯題了。廣告煩不煩是體驗問題，可以靠版位設計解決；真正要問的是另一個問題：這門廣告生意，有沒有替 AI 裝上一個「把答案往某個方向偏」的理由。前者是介面，後者是誘因。兩者不在同一層，混在一起談會看不到重點。

先講清楚 AI 助理原本為什麼值得信。不是因為它比人聰明，也不是因為它比較誠實。是因為在它的運作機制裡，本來沒有一個「需要騙你」的結構性理由。你問它哪支手機好，它沒有動機推你買特定那支，因為它不靠這個賺錢。信任的依據是動機，不是能力。廣告生意做的事，正好是在這個乾淨的動機結構裡，種下一個相反的動機：現在有一方付錢，希望你看到某個答案、點某個連結。

OpenAI 當然知道這件事，所以才立「答案獨立」原則，把廣告和回答內容切開。這條線本身是對的。但要看清楚它的性質：它是一個承諾，不是一個保證。它由 OpenAI 自己畫、自己守，外部無法驗證。你沒有辦法從外面確認某個回答到底有沒有被商業關係影響過。信任的門檻，從「機制上沒有理由騙你」，退到「它承諾不騙你」，這是兩個完全不同的信任等級。

而且這個承諾要頂住的壓力，只會愈來愈大。OpenAI 給投資人的數字是今年廣告收入約 25 億美元，2030 年衝到 1000 億美元，中間 2027 年 110 億、2028 年 250 億、2029 年 530 億一路往上爬，前提是 ChatGPT 週活躍使用者要到 27.5 億。廣告不是副業，是被寫進核心財務模型的主引擎。光是二月開跑的試投，不到兩個月就做出約 1 億美元的年化營收。當一家公司愈來愈依賴廣告收入，維持那條「答案不受廣告影響」的自律界線，成本就愈來愈高，而想去模糊它的誘因就愈來愈強。自己畫、自己守的界線，在商業壓力下會漂移，這在靠廣告養大的媒體史上看過太多次。對照組很清楚：Anthropic 在超級盃打廣告，主打 Claude 不放廣告，把「不靠廣告」直接當成信任賣點。這不是誰對誰錯，是兩種不同的信任結構在分岔。

那台灣該怎麼讀這件事？先講行銷端。目前廣告只投給美加澳紐的使用者，能下單的廣告主也還限在美國，之後才擴到英國、墨西哥、日本、巴西、南韓，台灣兩邊都還沒進去。但通路開了就是開了，已經有超過 600 家廣告主進場測試。我的提醒是老話：先定義問題再選工具，順序別倒。對話式 AI 是不是你這個生意該進的通路，取決於你的客戶是不是在 ChatGPT 裡做購買決策，而不是因為它新、大家都在談就跟。Pacvue 的講法是「對話式 AI 是零售媒體崛起以來最重要的新通路」，這句話有它的位置，但那是賣廣告工具的人講的，聽的時候要記得他站在哪一邊。

使用者端才是我更在意的。台灣愈來愈多人拿 ChatGPT 問健康、問要不要看醫生、問買哪個保健品、問財經。這些正是資訊不對稱最容易造成傷害的場景。當這個工具開始有廣告生意，你要重學一件事：那格標示清楚的廣告，就當廣告看，這部分 OpenAI 做得算誠實；但你同時要留意的，是「答案」本身有沒有開始飄。實務上能做的很具體：涉及花錢、吃進身體、簽下去的決定，別把 AI 的單一回答當定論，回到官方、學會、食藥署這類一手來源再交叉查一次。這不是因為 AI 一定會騙你，是因為它的誘因結構變了，你的查證習慣就該跟著升級。

把廣告位做成自助機器，是 OpenAI 在說一句話：ChatGPT 從一個工具，變成一個媒體。標示清楚的廣告是這件事裡誠實的那一半。要盯的是另一半：當公司的核心財務愈來愈靠廣告撐，那條「答案不受影響」的線由誰來守、守不守得住。信任 AI 從來不是因為它聰明，是因為它沒有騙你的理由。這個理由，現在被裝上去了。

常見問題

ChatGPT 現在會在回答裡放廣告嗎？
會，但目前只出現在免費的 Free 與低價的 Go 方案，而且只投給美國、加拿大、澳洲、紐西蘭的使用者。廣告放在回答下方、標示清楚並與正文分開，OpenAI 立了「答案獨立」原則，聲稱廣告關係不會影響回答內容。要注意這是它自訂、外部無法驗證的承諾。

付費的 ChatGPT Plus 或 Enterprise 會看到廣告嗎？
目前不會。依 OpenAI 的方案設計，Plus、Pro、Business、Enterprise 這些付費方案維持沒有廣告，廣告只投給 Free 與 Go 的使用者。是否長期維持，要看它後續的商業壓力。

台灣的品牌現在可以買 ChatGPT 廣告嗎？
還不行。自助廣告後台先開放給美國廣告主，之後擴到英國、墨西哥、日本、巴西、南韓，試投階段已有超過 600 家廣告主進場，名單裡還沒有台灣。進場前先確認你的客戶是不是真的在 ChatGPT 裡做購買決策，別因為它新就跟。

廣告會不會影響 ChatGPT 給我的答案？
OpenAI 說不會，並用「答案獨立」原則把廣告和回答切開。但這是承諾不是保證，你無法從外部驗證。它的廣告營收被設定要從今年約 25 億美元長到 2030 年 1000 億美元，依賴愈深，維持這條界線的壓力就愈大。涉及健康、財務等重要決定，建議回到一手來源再查證一次。

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

APPI 編輯部 — Fri, 10 Jul 2026 00:00:00 GMT

Anthropic 這筆 1.5 億美元，一半是公益，一半是通路。

6 月 18 日它宣布 Claude Corps，要招 1000 名早期職涯的 fellow、付 8.5 萬美元年薪，派他們全職、實體進駐非營利組織一年，教這些組織用 Claude 把事情做起來。把它讀成慈善沒有錯，但同一筆錢也在做一件商業上很划算的事：在數百家組織內部，長出對 Claude 的日常依賴，順便替市場養一批以 Claude 為工具母語的人。看懂它同時在做這兩件事，比爭論它「是不是真慈善」有用。

先把計畫講清楚。Forbes 整理的數字是：初期投入 1.5 億美元，目標 1000 名 fellow，年薪 8.5 萬美元加福利，一年全職實體駐點，每週還有 5 小時訓練，最多 400 家非營利組織當東家。第一梯 100 人 2026 年 10 月開跑，申請 7 月 17 日截止，後面兩梯排在 2027 年 1 月和 8 月。門檻壓得很低：滿 18 歲、全職工作經驗少於兩年、不看學歷，條件是要有美國工作授權、願意搬家。整個計畫是三方合辦，Anthropic 出錢、定策略、給 Claude 的專業支援；CodePath 當 fellow 的正式僱主、負責訓練；Social Finance 做成效評估，還要建一套能把計畫規模化的長期財務工具。

Anthropic 自己給的理由是責任：「打造這項技術的公司，有責任確保好處被完整實現、被廣泛分享，並直接投資在承受這波衝擊的工作者身上。」這句話沒有錯，但只講了一半。

看誘因結構就懂另一半在哪。一家公司值得信任或值得警惕，看的不是它嘴上說什麼，是它的動機結構讓它會自然做什麼。Claude Corps 的設計裡，有幾件事對 Anthropic 的生意剛好都很順：fellow 進場前先受訓，教的是「在非營利場景怎麼用 Claude」；駐點期間配 CodePath 導師、Anthropic office hours，還有一大筆 Claude token 額度。一年下來，這批人不只會用 AI，是會用 Claude；他們待過的那 400 家組織，內部的工作流程、範本、自動化，也都是繞著 Claude 長出來的。等 fellow 一年後帶著這套肌肉記憶進入就業市場，或留在原組織，Claude 就成了預設。這跟 Anthropic 先前把 MCP 捐給基金會、讓自家協定變成 AI agent 的事實標準是同一套手法：不靠廣告推銷，靠把自己鋪成別人工作流程的底層，讓「換掉」變成一件麻煩事。

這不是在說 Anthropic 心懷不軌。公益跟通路可以同時成立，一件事對社會有好處、對出錢的人也有生意上的好處，這種事本來就常見。要踩剎車的是把它讀成「純慈善」的那種天真，因為那會讓人看不到它其實在替一個很具體的市場卡位。

質疑的聲音已經出來了。科技媒體 The Register 的標題直接寫「招一支大軍來賣 Claude」，還挑出一個尷尬的對照：Anthropic 的執行長 Amodei 一邊警告 AI 會造成工作流失，這計畫卻只給 1000 個為期 12 個月的臨時職，而同一年科技業平均每天裁掉約 935 人。1000 個一年約聘，對上一年數十萬個消失的正職，帳面上補不回來。這個對照點得很準，但我會把它當成「規模的提醒」而不是「動機的否證」：Claude Corps 從來不是就業政策，它是一家公司的產品與人才佈局，用就業政策的尺去量它，本來就會覺得杯水車薪。

真正該追的問題在更前面：這些非營利組織缺的，到底是不是 AI。

先找問題，再找原因，最後才談方法，順序不能倒。多數 NPO 撐得辛苦，根因通常是錢不夠、人手不足、專職離職後沒人接手，很多流程卡住是因為沒人有時間把它設計好。如果瓶頸是「三個人做十個人的事」，塞一套 Claude 進去，短期確實能幫忙寫文案、整理資料、跑報表；但沒人留下來維護那些自動化，計畫一結束、fellow 一走，流程很快就廢掉，回到原點。工具能不能長出價值，靠的不是模型多聰明，是落地設計有沒有到位：問題定義、資料供給、角色設計、驗證機制、責任歸屬，缺一個就會在那裡出問題。Claude Corps 給了一年的人力和訓練，補的是「角色」這一格，這是它比單純捐帳號有用的地方；剩下那幾格，還是得組織自己接得住。

那台灣該從這條新聞讀出什麼。

先說清楚：這計畫台灣進不去。門檻寫明要有美國工作授權、fellow 實體駐點美國組織，台灣的年輕人跟台灣的社福團體都不在守備範圍。所以這不是「快去申請」的機會，是「看別人怎麼下棋」的案例。台灣要抄的不是撒錢，是那個順序：先問組織的瓶頸是什麼、根因在哪，再決定要不要導 AI、導哪一段。台灣的公益與社福現場有大量重複的行政、個案紀錄、募款文書，這些確實是 AI 幫得上忙的地方；但如果只是出一筆錢發一批帳號、辦幾場講座，沒人真的駐點把流程重寫、沒人留下來維護，那就是把 Claude Corps 最沒用的那一半抄回家。值得學的是它「派人進去待一年」這件事，人力和時間才是把工具變成能力的關鍵，帳號從來不是。

把 1.5 億美元投在人身上，這件事本身值得肯定，它至少承認了「工具要靠人才會落地」這個常被跳過的前提。但看懂它同時在鋪通路、養一批以 Claude 為母語的人才，不會減損它的好，只會讓你判斷得更準：這是一筆公益，也是一筆很懂長線的投資。台灣要接的話，別接那個撒錢的姿勢，接它背後那個「先定義問題、再把人放進去」的順序。

常見問題

Claude Corps 是什麼？台灣人可以申請嗎？
Claude Corps 是 Anthropic 2026 年 6 月宣布的獎助計畫，初期投入 1.5 億美元、招募 1000 名早期職涯 fellow，年薪 8.5 萬美元加福利，全職進駐美國非營利組織一年協助導入 AI（Anthropic 官方公告）。門檻要求申請者有美國工作授權、願意實體駐點美國組織，所以台灣的申請者與台灣的非營利組織目前都不在範圍內。

fellow 領多少錢？申請門檻高嗎？
fellow 領 8.5 萬美元年薪加福利，一年全職、每週還有 5 小時訓練。門檻其實不高：滿 18 歲、全職工作經驗少於兩年、不看學歷即可申請，條件是要有美國工作授權並願意搬家（Forbes）。首梯 100 人 2026 年 10 月開跑，申請 7 月 17 日截止。

這算慈善還是行銷？
兩者同時成立。它確實出錢出人幫非營利組織導入 AI，是實質的公益；但把受過訓的人嵌進 400 家組織一年，也等於在這些組織內部把 Claude 養成預設工具、替市場培養一批熟悉 Claude 的人才。有科技媒體直接把它形容成「招一支大軍來賣 Claude」（The Register）。判讀重點不是二選一，而是同時看見這兩面。

非營利組織導入 AI，最容易踩到的坑是什麼？
把「缺 AI」當成瓶頸，卻沒先問根因。很多組織真正卡住的是錢、人力與流程沒人維護，如果 fellow 一走、沒人接手那些自動化，計畫結束就會打回原形。工具能不能落地靠的是問題定義、角色設計與後續維護，不是模型多聰明。導入前先確認瓶頸是什麼、誰來長期維護，比先挑哪個 AI 重要。

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

APPI 編輯部 — Fri, 10 Jul 2026 00:00:00 GMT

Together AI 這輪 8 億美元、估值衝上 83 億，真正的訊號不是金額，是市場在賭「把開源模型跑起來」這一層基礎建設。開源模型正在把「模型」本身變成隨手可下載的商品，價值就往「誰能把它跑得又便宜又穩又可信」那一層移動。而這份出資名單裡，有一個台灣名字：和碩。

7 月 1 日，做 AI 雲端代管的 Together AI 宣布拿到 8 億美元 C 輪、投後估值 83 億美元，領投的是沙烏地阿美旗下的 Aramco Ventures，跟投名單有 Vista Equity、General Catalyst、Nvidia，以及台灣的和碩（Pegatron）。這家公司大約 16 個月前的 B 輪，估值還只有 33 億美元，一年多翻了兩倍半。

先把 Together AI 在做什麼講清楚。它不是自己練一個大模型去跟 GPT 打，而是租下 Nvidia 的 GPU 叢集，蓋成雲端平台，讓企業把開源模型（像 Llama、Qwen、Mistral）拿來訓練、微調、跑推論，價格比呼叫 OpenAI、Anthropic 這類閉源 API 便宜。這種「專門租算力、代管別人開源模型」的公司，市場給了一個新名詞叫 neocloud，Together AI 是其中跑得最前面的一個。

這輪賭的不是模型，是把模型跑起來的那一層

很多人第一個反應是：又一家 AI 公司募到大錢，跟其他家有什麼不同。差別在於，這輪的錢不是投在「做哪個模型最聰明」，而是投在「誰能把開源模型跑得便宜又穩」。

追一下根因。閉源模型過去兩年還能靠「比較聰明」收溢價，但開源模型在結構化的商業任務上（文件擷取、分類、客服）已經把差距追到很小，同樣的活，開源模型跑在專用硬體上常常只要一小部分成本。當「模型」本身可以免費下載、效果又夠用，它就從賣點變成了商品。價值不會憑空消失，它會往上游或下游的稀缺處移動。這裡的稀缺處，是把模型穩定、便宜、合規地交付給企業的那層基礎建設。Together AI 說自己過去一季的年度預約金額已經超過 11.5 億美元，開源模型的採用量一年翻了三倍，這兩個數字就是資本追進來的理由。

護城河從演算法搬到了算力與容量

如果模型是開源、人人可下載，Together AI 的護城河到底在哪？答案是三件跟演算法沒什麼關係的東西：算力、容量，還有交付。

這輪募資最關鍵的一條，不是那 8 億美元，是投資人另外承諾了超過 500 百萬瓦（MW）的運算容量，用來支撐 Together AI 未來五年約 50 倍的產能擴張。開源模型誰都下載得到，但要蓋機房、搶到 GPU、談到 500 MW 的電、把推論調到又快又省，這些都得花時間長，缺一個都跑不起來。企業選 neocloud 的理由也不只是便宜，Enterprise DNA 整理出三條：把自家財務、客戶資料留在自己這邊不上共享 API、用基礎建設投資換長期價格優勢、以及分散對單一美系供應商的依賴。這三條都指向同一件事，護城河卡在實際能不能穩定交付，不卡在模型多聰明。

先踩一個剎車：預約金額不是已入帳的營收

方向看懂了，但估值這件事要冷靜看。83 億的估值配上 11.5 億的年度預約金額，中間有幾個容易被跳過的落差。

第一，「預約金額」（bookings）是簽下來的合約總額，不等於已經認列、收到現金的營收，兩者中間隔著履約與收款的時間差。第二，neocloud 是重資產生意，GPU 買進來就開始折舊，電費與機房是持續燒的固定成本，毛利遠比賣軟體薄，五年 50 倍的產能是一張賭注不是一個事實。第三個值得留意的結構，是 Nvidia 也在這輪出資名單裡，而 Together AI 租的正是 Nvidia 的 GPU。晶片商投資自己的大客戶、客戶再回頭買它的晶片，這種循環在資本熱的時候會互相抬轎，冷下來的時候也會一起承壓。這些不是說這門生意不成立，而是說 83 億這個數字背後，賭的是需求會照著曲線長上去，而那還沒發生。

台灣的位置：和碩已經進場，問題是停在哪一層

回到那份名單，最該被台灣讀者圈起來的是和碩。一家台灣的電子代工大廠，把錢投進一家美國的開源模型 neocloud，這件事本身就說明台灣硬體業看得到這條鏈的價值往哪流。

但這裡有個容易看歪的地方：以為這波等於「多接一點 AI 伺服器組裝的單」。組裝當然接得到，可是那一段的毛利最薄、最好被取代。真正的價值在往上走：機房要電力與散熱工程、推論要把 GPU 利用率調到極致的軟體本事、企業要的是穩定與合規的交付。和碩用投資卡進一家 neocloud，讀起來就是在買一張「往營運層靠」的門票，而不只是等訂單。

用我常講的框架看，台灣在這條鏈上要解的題，不是「能不能做出 AI 伺服器」，那題早就會了。要解的是「要停在組裝這一格，還是往推論營運、機房交付這層更靠近終端價值的位置走」。Together AI 這輪告訴市場的是，模型會商品化，能把模型穩穩跑起來、便宜賣出去的人才收得到錢。台灣手上握著這條鏈最硬的那段硬體，能不能接住這波，不會是因為誰的機殼做得比較漂亮，而是有沒有把自己在這條鏈上想站的位置定義清楚。看懂名單裡為什麼有和碩，比記住 8 億這個數字重要。

常見問題

Together AI 到底是做什麼的公司？
它是一家 neocloud，租下 Nvidia 的 GPU 叢集蓋成雲端平台，讓企業把開源模型（如 DeepSeek、Llama、Qwen）拿來訓練、微調與跑推論，價格比呼叫 OpenAI、Anthropic 這類閉源 API 便宜。它自己不練一個大模型去打 GPT，而是專門把別人的開源模型跑起來、賣算力。過去一季它的年度預約金額已超過 11.5 億美元。

模型都開源免費了，為什麼還有人願意付錢給代管平台？
因為「下載模型」和「把模型穩定、便宜、合規地跑給整間公司用」是兩件事。企業要的是機房、電力、把 GPU 調到高利用率的推論優化，還有把資料留在自己這邊不上共享 API 的合規保障。這些稀缺能力才是收費的地方，模型本身反而變成免費的原料。

估值 83 億、年度預約 11.5 億，這樣算貴嗎？
要先看懂「預約金額」是簽下來的合約總額，不等於已認列、收到現金的營收，中間隔著履約與收款的時間差。加上 neocloud 是重資產生意，GPU 會折舊、電費機房持續燒，毛利比賣軟體薄。83 億賭的是未來五年約 50 倍的產能擴張會照曲線長上去，那還沒發生，估值要這樣冷靜看。

台灣的和碩投這家公司，對台灣產業代表什麼？
代表台灣硬體業看得到價值正從「組裝伺服器」往「推論營運、機房交付」這層移。組裝的毛利薄又容易被取代，往上走的機房工程、推論優化、穩定合規交付才是稀缺處。和碩用投資卡進一家 neocloud，等於買一張往營運層靠的門票，而不只是等訂單。

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

APPI 編輯部 — Thu, 09 Jul 2026 00:00:00 GMT

WWDC 2026 上 Apple 端出新一代 Siri，底層換成 Google 的 Gemini。發表會把鎂光燈打在它變得多會聊天、多懂你螢幕上在做什麼。但真正該讀的不是這些功能，是兩件被功能蓋過去的事：Apple 連自家最貼身的助理都得借對手的模型，以及同一套功能因為法規，在歐盟和中國上不了。

今年 WWDC 最值得看的，不是 Siri 變得多聰明，而是 Apple 選擇把最貼身的 AI 助理建立在競爭對手的模型能力之上。這代表一件很現實的事：在生成式 AI 時代，即使擁有全球最強的硬體、生態系與數十億裝置，依然不一定能在每個層面都自己做。

Apple 把 Siri 的腦，外包給了 Google

Google 與 Apple 的聯合聲明把話講得很白：下一代 Apple Foundation Models 會建立在 Google 的 Gemini 模型與雲端技術之上，用來驅動 Apple Intelligence 與今年登場的新 Siri。換句話說，這個全世界最貼身的助理，腦是跟對手借的。

Apple 想守住的那條線是隱私。新 Siri 的基礎模型經過 Apple 自己改寫，跑在它原有的 Private Cloud Compute 上，Google 碰不到使用者資料。隱私這關 Apple 處理得不錯。但隱私守得住，不等於依賴解得開。資料留在自己家，模型的核心能力卻長在別人家的地基上，這是兩件事。

連 Apple 都得借對手的腦，你還信「一次選對就不用換」嗎

如果連 Apple 都得借 Google Gemini 的腦，那台灣企業還在幻想「一次選對模型就永遠不用換」嗎？

這句話不是看 Apple 笑話。它擁有全世界最深的口袋和最完整的生態系，最後還是判斷自己訓一顆夠強的助理模型不划算，去借了對手的。一家公司能不能在每個層面都自己做，跟它有多強沒有絕對關係，跟「這件事值不值得自己做、現在做得起來嗎」比較有關係。模型這層的答案，連 Apple 都說了不。

選型的順序因此不能倒。先定義你要解的情境、要碰到哪些資料，再評估哪一類模型符合前提，最後才比較具體選項。把順序倒過來，從「哪個模型最強」開始挑，是選型最常見的失敗模式，這點我在談 LLM 工具選型時就講過。模型最強不代表對準你的情境，落地設計的品質才是決定成敗的地方，而落地設計遠比模型強弱關鍵。

把關鍵能力綁在單一外部模型，風險不是抽象的。一道出口管制令就能讓某顆雲端模型全球下線，把流程焊死在它上面的人當天就斷手。連微軟都在往反方向走，自研 coding 模型、把上萬個模型收進 Foundry，目的就是在平台層留住「換得掉」這件事。Apple 借 Gemini 是省了訓練成本，但也把一塊核心交了出去。便利收得到，代價是未來價格、政策或供應關係一變，你有沒有退路。

同一套 Siri，歐盟和中國用不到

真正有趣的地方不在 Gemini，而在另一個細節：新的 Siri AI 並不會在歐盟與中國同步推出。

歐盟那邊，Apple 說監管機關不接受它任何一個提案。卡點是《數位市場法》（DMA）要求系統得讓其他語音助理也能用，Apple 提的 Trusted System Agent 方案被打回票，Craig Federighi 直接說執委會沒同意 Apple 的任何提議。中國則是 Apple 還在處理當地的法規要求，所以先不上。同一套技術，因為法規與治理要求不同，最終能落地的範圍也不同。

這不是 Apple 獨有的處境。當前沿模型開始附帶網路攻防能力，一紙出口管制就能讓同一顆模型在某些市場直接缺席。同一套能力在哪裡用得到、用不到，越來越不是工程問題，是治理與合規問題。企業導入 AI 時，關注的多半是模型能力；但真正決定能不能上線的，往往是資料能不能出去、法規允不允許。落地範圍從一開始就是合規問題，不是上線之後再補的附加題。

台灣企業該留的三個空間

Apple 的選擇給所有企業一個提醒：不要把目光只放在哪個模型最強，而要想清楚當核心能力建立在外部供應商之上時，你有沒有保留切換、治理與持續營運的空間。

把這句話拆成明天就能動的三格。第一，先定義情境再選模型，把「這個 AI 要解什麼問題、碰得到哪些資料、哪些情境根本不該交給它」寫下來，再去比模型，順序不能倒。第二，留換家的退路，別把提示、資料管線、工作流焊死在單一模型的專屬介面上，換一顆模型的成本要控制在你扛得動的範圍。第三，把治理當例行事，資料能不能出境、責任歸誰、哪些動作要人工確認，這些在選型當下就要有答案，不要等出事才回頭補。

AI 的競爭已經不是模型競賽，而是架構設計的競賽。誰把情境、退路與治理先盤清楚，誰才真的握得住自己的助理；只盯著哪顆模型跑分最高的人，遲早會在某個自己決定不了的時間點，被別人的價格、政策或法規牽著走。

常見問題

Apple 用 Gemini，等於把使用者資料交給 Google 嗎？

不是。Apple 說新 Siri 的基礎模型跑在自家的 Private Cloud Compute 上，Google 不會取得使用者資料。借的是模型能力，不是把資料送出去。要分清楚「資料外流」和「能力依賴」是兩種不同的風險：前者 Apple 守住了，後者它選擇承擔。

台灣企業在歐盟、中國的 AI 服務也會踩到同樣的法規牆嗎？

會，而且要早盤。Siri 上不了歐盟卡在 DMA 的互通要求、上不了中國卡在當地法規，這類落地限制取決於你的服務在哪個市場、碰哪類資料。賣進歐盟或服務當地使用者，就該先把「用了哪些 AI、各算哪一級風險、誰負責、怎麼監督」盤成清單，別等被點名才開始補。

Coralogix 募 2 億、總募資衝 5.5 億：當 AI 進生產環境，可觀測性成下一個吸金基建

APPI 編輯部 — Thu, 09 Jul 2026 00:00:00 GMT

一家做「可觀測性」的公司，在 11 個月內連募兩輪，估值直接翻上去，這件事本身就是訊號。

6 月 3 日，以色列新創 Coralogix 宣布拿到 2 億美元 Series F、總募資達 5.5 億、投後估值 16 億美元，比前一輪的 10 億出頭跳了 60%。這輪由 Advent 與加拿大退休金投資局（CPPIB）共同領投，Greenfield 與 Brighton Park Capital 跟投。距離它上一輪 1.15 億美元的 Series E，只隔了 11 個月。錢賭的是一句很樸素的話：當 AI 與 agent 開始自己動手改生產系統，得有人在旁邊盯著它們。

先把名詞講清楚。可觀測性（observability）不是新東西，它就是把系統跑起來時吐出的三類資料（logs 日誌、metrics 指標、traces 追蹤）收集起來，讓工程師知道哪裡卡了、哪裡慢了、哪裡壞了。過去這是工程師開著 dashboard 盯的活。但 Coralogix 執行長 Ariel Assaraf 說了一句關鍵的話：需求暴增，是因為現代系統產生的資料量爆炸。更關鍵的一個數字：它超過一半的企業客戶，現在是透過內建 AI agent「Olly」或自家模型、用命令列與 agent 介面在查資料，而不是傳統的 dashboard。看資料的那雙眼睛，本身正在從人換成 AI。

所以這不是 Coralogix 一家特別會募資。整個賽道都在吸金。Grafana 在 4 月的 GrafanaCON 2026 主打補「AI 盲區」，直接說AI 系統開始長得很像十年前的分散式系統：很強，但難以推理、更難操作；Datadog 的 AI 監控模組另外加收三成費用。市場數字更直白：光是「agent 可觀測性與治理」這一塊，2026 年約 16.8 億美元，預估 2031 年衝到 86.2 億，年複合成長率 38.69%。資金從「做更大的模型」那一格，往「盯著模型跑」這一格移。這條線我之前寫MCP 變成 agent 治理的事實標準時就講過：agent 要能被接、被管、被看，這層底層基建的價值正在被重新定價。

但這裡要先踩一個剎車。監控不等於治理。可觀測性解的題是「讓你看見 agent 做了什麼、哪裡出包」，它解不了「agent 該不該做這個決定、出包了誰負責」。這是兩類根因不同的問題，混在一起談就會解錯題。買一套很強的監控平台，你得到的是能見度，不是攔截能力。Grafana 自己也點出，AI 的失效跟傳統系統不一樣，常常是輸出怪怪的、行為前後不一致、無聲地退化。一個 agent 不會像伺服器當機那樣紅燈大亮，它可能只是慢慢做出愈來愈爛的判斷。看得見，只是把問題攤在你面前的第一步；能不能在它動手改壞生產系統之前攔下來，靠的是驗證機制、權限邊界與責任歸屬，這幾樣缺一個就會在那裡出事。可觀測性是這套流程的眼睛，不是它的手。

那台灣的軟體團隊該從這條新聞讀出什麼？很多台灣 SaaS 與軟體團隊現在急著把 AI agent 推上生產環境，但可觀測性這層常被當成「先上線、之後有空再補」的成本。這是把順序弄反了。當你讓一個 agent 有權去改資料庫、發請求、動使用者的東西，它產生的資料量與失效模式，會比你原本那套人寫的程式複雜好幾層。而且這層成本不是固定的：現在的監控多半按用量計價，agent 數量一多，帳單就跟著非線性往上爬。這代表上 agent 之前，要先把「怎麼看見它、看見要花多少錢、看見之後誰來攔」想清楚，這是誘因結構的一部分，不是事後才補的裝潢。真正的功課，是把可觀測性當成 agent 上線的前置條件，而不是出事後才想到的保險。

把 5.5 億美元砸進一家看資料的公司，資本是在用真金白銀說一句話：AI 進生產環境的下一個瓶頸，不在模型多聰明，在有沒有一雙盯得住它的眼睛。這個賭注的方向我認同。但它成不成立有個前提，別把「看見」誤當成「管好」。Coralogix 這類公司賣的是能見度，能見度是必要條件，不是充分條件。台灣站在軟體與硬體的交叉口，要接住這波，得先在自家系統裡把眼睛裝好，再回答那個更難的問題：看見之後，誰有權、有機制、有責任把 agent 攔下來。

常見問題

可觀測性（observability）到底是什麼？跟一般的監控有什麼不一樣？

可觀測性是把系統運作時產生的三類資料（logs 日誌、metrics 指標、traces 追蹤）收集起來，讓你能推理出系統內部發生了什麼，而不只是知道它「掛了沒」。傳統監控多半是預先設好幾個指標盯著看，可觀測性強調的是事後能不能還原、追查沒預期到的問題。當系統變成一堆會互相呼叫的服務與 AI agent，這種「能追查未知問題」的能力就變得關鍵。

Coralogix 這輪募資為什麼重要？

因為它標記了資金流向的轉變。Coralogix 6 月 3 日拿到 2 億美元 Series F、總募資達 5.5 億、估值 16 億，距上一輪只隔 11 個月。加上 Grafana、Datadog 都在搶 AI agent 監控這塊、市場預估 2031 年達 86.2 億美元，顯示資本正把可觀測性當成 AI 進生產環境的必要基建，而不是可有可無的工具。

買了可觀測性工具，就能確保 AI agent 不會出包嗎？

不能。可觀測性解決的是「看見」的問題，讓你知道 agent 做了什麼、哪裡不對勁；它不負責「攔截」。要防止 agent 做出錯誤決定或改壞生產系統，靠的是權限邊界、驗證機制與責任歸屬這套治理設計。監控是眼睛，不是手，兩者要分開建。

台灣的軟體團隊該怎麼看這件事？

把可觀測性當成 AI agent 上線的前置條件，不是事後補的成本。agent 有權動資料與系統後，產生的資料量與失效模式會更複雜，而多數監控按用量計價、agent 一多帳單就非線性上升。上線前先想清楚「怎麼看見、看見要花多少錢、看見之後誰來攔」，比出事後再補救省事得多。

SK 海力士赴那斯達克掛牌募近 300 億美元：這筆錢有一段會流回台積電

APPI 編輯部 — Thu, 09 Jul 2026 00:00:00 GMT

SK 海力士要在那斯達克掛牌，發行 ADR（美國存託憑證）募約 294 億美元。這件事的重點不是金額，是一家單季淨利 40 兆韓元的公司，為什麼還要掏這麼大一筆股權出來。答案是：它不缺現金，缺的是產能，而 HBM（高頻寬記憶體）真正的產能瓶頸不在自家 DRAM 晶圓，在先進封裝與邏輯基礎裸晶那一段。對台灣來說，該讀的不是這個數字，是這筆錢會有一段回頭變成台積電的訂單。

先把事實擺清楚。SK 海力士預計 7 月 10 日在那斯達克掛牌，代號 SKHY，發行約 1,779 萬股新股、募約 294 億美元。這個規模若順利成局，會是史上最大的 ADR 上市，超越阿里巴巴 2014 年在紐約掛牌的紀錄。它明明已經在韓國交易所掛牌，卻還要跑一趟美國，理由不難懂：韓股長年有估值折價，一家吃到 AI 記憶體超級循環、HBM 市占接近六成的龍頭，想在給 AI 概念更高本益比的美國市場拿到「合理的價」。

那為什麼是現在、要募這麼多？這才是關鍵。SK 海力士第一季淨利 40.35 兆韓元、營業利益率 72%，帳上根本不缺錢。它掏股權，是因為 HBM 這場仗的資本支出是「先花、後收」：產能要提前一兩年壓下去，等客戶的訂單追上來時你才接得住。募到的錢點名要投用地（Yongin）叢集與 M15X 產線的量產擴建。用自由現金流慢慢養，跟一次募一大筆把產能軍備競賽壓上桌，是兩種節奏；它選了後者。

這裡要踩一個常見誤讀的剎車。很多人一看到記憶體擴產，直覺想到的是「多蓋幾條 DRAM 晶圓線」。但 HBM 的瓶頸這兩年早就不在晶圓，在後段。HBM 是把很多層 DRAM 疊起來、再接上一顆負責對外溝通的邏輯基礎裸晶（base die），最後用先進封裝黏到 GPU 旁邊。這條鏈上最卡的兩段，一段是基礎裸晶的邏輯製程，一段是把記憶體和運算晶片包在一起的 2.5D 封裝。這兩段，恰好都指向台灣。

先看基礎裸晶。SK 海力士做到第五代 HBM3E 為止，都用自家製程做基礎裸晶；到了 HBM4，它把這一段交給台積電的先進邏輯製程代工。TrendForce 的報導講得更細：一般伺服器用的走台積電 12 奈米，給輝達旗艦 GPU 的高階版本上到 3 奈米，比 5 奈米基礎裸晶多出兩三成效能，而三星的 HBM4 走的是 4 奈米。再看封裝，SK 海力士和台積電在 2024 年就簽了合作備忘錄，把 HBM 跟台積電的 CoWoS 封裝整合，SK 集團會長崔泰源今年 6 月也親自到台灣見台積電董事長魏哲家，談的就是 HBM 與先進封裝的深化。換句話說，SK 海力士這筆募資的一部分，會沿著這條鏈回頭變成台積電 3 奈米代工與 CoWoS 的訂單。

但別把這條鏈讀成台灣的永久保單。台積電的 CoWoS 產能這兩年一直供不應求，SK 海力士也在分散這個依賴。它已在測試用 Intel 的 EMIB 2.5D 封裝來裝 HBM，就是為了在台積電 CoWoS 吃緊時多一條路；更直接的是，它要在美國印第安納州自建第一座 HBM 先進封裝廠，砸 39 億美元做 2.5D 封裝，等於把一部分本來要外包的封裝拉回自己手上、也拉到美國去。台灣現在握著基礎裸晶代工和 CoWoS 這兩段的優勢是真的，但客戶正在用真金白銀給自己找第二、第三個選項，這條護城河會隨時間變窄。

所以台灣該從這則新聞讀出的，不是「又有一個大客戶要擴產、我們有單接」這種樂觀，而是把自己在這條鏈上的位置定義清楚。真正值錢的段落不是喊得最大聲的雲端大晶片，是基礎裸晶的邏輯代工、2.5D 封裝、測試、載板，還有把 HBM 塞進裝置時要的那些零組件。這幾段台灣本來就有底子，但別人也在補課。看懂 SK 海力士這筆募資會怎麼流、流到哪一段、又想在哪一段甩開你，比記住 294 億美元這個數字重要得多。

常見問題

SK 海力士這麼賺，為什麼還要掛牌募 294 億美元？
因為它不是缺現金，是缺產能。它第一季淨利 40.35 兆韓元、營業利益率 72%，帳上很滿；但 HBM 的資本支出是先花後收，產能得提前一兩年壓下去。一次募一大筆去投用地叢集與 M15X 產線，比靠自由現金流慢慢養更快把產能軍備競賽的籌碼壓上桌。

SK 海力士赴美掛牌，跟台積電有什麼關係？
關係很直接。它的第六代 HBM4 把邏輯基礎裸晶交給台積電先進製程代工、再走台積電的 CoWoS 封裝，高階版本上到 3 奈米。所以這筆募資投下去擴 HBM 產能，會有一段沿供應鏈回頭變成台積電的代工與封裝訂單。

那台灣在 HBM 這條鏈上的優勢穩嗎？
短期穩、長期要盯。台積電在基礎裸晶代工和 CoWoS 封裝的位置目前很難取代，但 SK 海力士正在分散依賴：它測試 Intel 的 EMIB 封裝，也在美國自建 39 億美元的封裝廠。客戶在給自己找第二選項，台灣的護城河會隨時間變窄。

HBM 的瓶頸到底在哪，是 DRAM 晶圓不夠嗎？
不是。HBM 是把多層 DRAM 疊起來、接上一顆邏輯基礎裸晶，再用先進封裝黏到 GPU 旁邊。這兩年最卡的是後段：基礎裸晶的邏輯製程，以及把記憶體和運算晶片包在一起的 2.5D 封裝（例如台積電 CoWoS）。這也是為什麼擴產的錢會大量流向封裝與邏輯代工，而不只是多蓋 DRAM 晶圓線。

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

APPI 編輯部 — Wed, 08 Jul 2026 00:00:00 GMT

一個還沒公開發布的模型，賭盤已經開到六十幾萬美元。這不是路線圖，是謠言被商品化。台灣團隊如果因為「聽說下週有更強的」就延後決策或推翻既有落地，那是把工程問題交給賭客投票，解錯題。

先講事件。OpenAI 在六月底發表了 GPT-5.6，三款變體 Sol、Terra、Luna 同時亮相，Sol 是旗艦、Terra 主打日常、Luna 便宜快速。但它不是一般的上線，而是在美國政府要求下先做有限預覽，只給少數合作夥伴，名單還要報備給政府。OpenAI 自己也不滿意，說這種政府審查流程「不該變成長期預設，會把最好的工具擋在使用者、開發者與企業之外」。至於什麼時候讓 ChatGPT、Codex 和 API 的一般使用者用到，官方只給了一句「未來幾週內」。

一個沒有確定日期的公開發布，就是賭盤最愛的題材。

在 Polymarket 上，「GPT-5.6 哪天對公眾發布」已經是一個成熟市場。單一市場押進約 68 萬美元、開放利益約 9.6 萬美元，7 月 9 日這個選項一度喊到 79% 的隱含機率，其他日期分食剩下的機率。而且這不是孤例。Polymarket 這半年還把賭桌開到了私人公司身上，讓人下注 Anthropic 與 OpenAI 的估值、誰先 IPO，用 Nasdaq Private Market 的資料結算，光 Anthropic 相關市場就累積超過 260 萬美元交易量。模型什麼時候發、哪家旗艦排第一、估值追不追得上，通通變成可以下注的標的。

問題來了：這個 79% 到底在告訴你什麼？

很多人第一個反應是「群眾智慧，賠率高就代表快發了」。這個方向不能說錯，但如果就停在這一步，很容易把賭盤當成路線圖來讀。賭盤賠率反映的是參與者對謠言與敘事的共識，不是 OpenAI 內部行事曆。這裡有三個結構性的洞。第一，這類市場的流動性有限，未受充分資訊驅動的噪音下注會拖累市場效率、讓價格失真，賠率精確到小數點不代表底層資訊也一樣紮實。第二，預測市場對近期事件比較準，對遠期或需要專業內部知識的題目，群眾的答案有時會錯得很離譜，甚至陷入「把當下賠率當成正確機率、不再用外部資訊更新」的自我強化迴圈。第三，也是這題最要命的：連「怎樣才算公開發布」都沒有共識。給二十家報備過的夥伴用算不算？開放 API 算不算？結算定義一模糊，你賭的其實是一個邊界不清的事件，那個 79% 精確到小數點，底下卻踩在一團定義的爛泥上。

把這件事接回工程現場，它其實是一個老問題換了新包裝。

我一直主張，選型的正確順序是先定義問題，再評估哪一類工具符合這個問題的前提，最後才比較具體選項。把順序倒過來是選型最常見的失敗模式。而「盯著賭盤等下一個模型發布再決定要用誰」，正是把順序倒到最極端的版本：連工具選項本身都還沒公開，就先讓一個賭客投票出來的日期，反過來牽動你的技術決策。這在解錯題。你要解的問題是什麼、資料從哪來、誰負責驗證輸出、錯了誰扛，這幾件事跟 GPT-5.6 是 7 月 9 日還是 7 月 16 日公開，一點關係都沒有。可信度靠的是這整套落地流程，不是你押中了哪個發布日、也不是你永遠用著當週榜首那顆模型。

那台灣團隊該怎麼做，才不會被發布謠言牽著走？

給幾個明天早上就能做的判準。一，先把使用情境和驗證機制寫下來，再回頭問「現有的模型能不能滿足」，而不是先看誰最新。二，落地設計要能換模型：把提示、評測集、資料介面跟特定模型解耦，這樣哪家哪天發新版，你是幾天內做 A／B 比較就好，不是打掉重練，也就沒有理由停在原地等賭盤揭曉。三，把「模型升級」當成例行維運，不是重大賭注。旗艦每個月都在換手，如果你的系統每次都要為換模型付出高昂代價，那要修的是你的架構，不是去猜下一個冠軍。這也是我先前寫LLM 在醫療落地時反覆講的那件事：模型選哪個從來不是決定性因素，問題定義、資料供給、角色設計、驗證機制、責任歸屬，缺一個就會在那裡出問題。

賭盤本身不是壞東西。它把「大家對這件事有多不確定」明碼標價，當成情緒溫度計看，有它的資訊價值。真正該踩剎車的是把溫度計當羅盤：讓一個薄市場、定義模糊、可能被幾個大戶推動的數字，去指揮你的產品要用哪顆模型、什麼時候上。看懂賭盤在賭什麼，跟被賭盤牽著走，是兩回事。GPT-5.6 哪天公開，OpenAI 會自己宣布；你要解的問題長什麼樣，只有你自己知道。

常見問題

GPT-5.6 現在到底能不能用？
還不能一般使用。OpenAI 六月底只發了有限預覽，在美國政府要求下先給少數已報備的合作夥伴，官方說會在「未來幾週內」對 ChatGPT、Codex 和 API 使用者更廣開放，但沒有給確定日期。這也正是賭盤有得押的原因。

Polymarket 上 79% 的賠率代表 GPT-5.6 很可能那天發嗎？
不能這樣直接讀。那個數字反映的是下注者對謠言與敘事的共識，不是 OpenAI 的內部行事曆。這類市場可能很薄、容易被少數大戶推動，遠期或需要內部知識的題目群眾也常錯得離譜；加上「怎樣才算公開發布」定義模糊，賠率看起來精確，底層卻站在不確定的定義上。

我該不該等 GPT-5.6 公開再決定用哪個模型？
不建議把選型綁在發布日上。正確順序是先定義你要解的問題、資料來源與驗證機制，再回頭評估現有模型夠不夠用。只要把提示、評測集和資料介面跟特定模型解耦，新版一發你幾天內做 A／B 比較就好，沒有理由停在原地等賭盤揭曉。

連私人公司估值都能下注，這對開發者有影響嗎？
直接影響不大，但它是同一個訊號：AI 產業的不確定性正在被大規模商品化。Polymarket 已經開盤讓人賭 Anthropic 與 OpenAI 的估值和 IPO 時程。對開發者來說，重點是別把這些投機價格當成技術決策依據，選型該看你自己的問題定義，不是市場的下注熱度。