倍耐力執行長:一級方程式、智慧輪胎與歐洲汽車產業 | 播客 | In Good Company
倍耐力(Pirelli)執行長 Andrea Casaluci 表示,歐洲汽車產業缺乏電動車產業政策,正被動作更快的中國對手拉開差距,促使倍耐力轉向高價值、源自一級方程式(F1)的智慧輪胎。
倍耐力(Pirelli)執行長 Andrea Casaluci 表示,歐洲汽車產業缺乏電動車產業政策,正被動作更快的中國對手拉開差距,促使倍耐力轉向高價值、源自一級方程式(F1)的智慧輪胎。
主持人 Ben Bajarin 與 Jay Goldberg 剖析黃仁勳辭去輝達執行長一職,如何暴露出接班規劃的缺口,並危及輝達對 Neo Cloud 的信用擔保,使談判籌碼轉向超大規模雲端業者與台積電。
不少年輕人會找 AI 聊天或陪伴,但這些數位關係和麵對面交友有什麼不同,仍需要了解。一份涵蓋 16 個國家、15,925 名 15 到 22 歲受訪者的調查發現,33% 的 Z 世代會依靠 AI 陪伴;每天使用 AI 的人中,這個比例是 50%。調查也發現,面對面友誼得到的支援感最高,使用 AI 或只有網路朋友的人則可能較常感到孤單。研究者提醒,不能只看花多少時間上網,也要看年輕人和誰互動、建立了什麼關係;目前還無法確定孤單會不會讓人更常找 AI,或 AI 陪伴是否會加深孤單。
推薦理由:這份跨國調查把焦點從使用螢幕多久,移到年輕人和誰建立關係,並呈現 AI 陪伴與孤獨感之間仍待釐清的關聯。
修程式錯誤時,Gemini 4 Carbon 有時要花近一小時,其他模型只需幾分鐘。Kernel 用自己的程式除錯測試,逐步記錄模型花在哪裡,發現慢不只因為每一步推論較久,也因為 Carbon 做了許多題目沒要求的檢查,還常重讀看過的程式碼。測試中,Carbon 平均走的步驟約是 Astra 的 7 倍,動作約 11 倍;研究者估計,減少重讀並一次多做幾項工具操作,可縮短約四分之一的額外時間。作者也加入定時提醒,詢問是否已有足夠資訊可以修改,Carbon 在其中一次測試提早動手,顯示它的工作方式也影響了速度。
For decades, China's economic rise seemed unstoppable. But beneath the surface of its extraordinary growth, something has been quietly breaking down. Kevin Coldiron is joined by Logan Wright, author of Broken China, to uncover how the world's second-largest economy became trapped in a financial system that can no longer sustain its own ambitions. From the extraordinary credit expansion that followed the 2008 financial crisis to mounting debt, questionable growth figures and an increasingly despe
新模型推出後,大家常要等一段時間,才會在搜尋服務裡用到它。Google 在 2026 年 11 月 17 日發布 Gemini 3,並從第一天起讓 Pro 和 Ultra 訂閱者在 Google 搜尋的 AI Mode 使用它;作者說,前幾代模型進入搜尋都晚了幾週。文章也提到 Gemini 3 Pro 在 LMArena 得到 1501 Elo,Gemini 3 Flash 則比 2.5 Flash 快約 2 倍、執行成本低約 60%,這些數字是 Google 提供的。作者認為,模型發布時就接上搜尋服務,讓更多人能直接用到新功能,是這次發布的關鍵變化。
推薦理由:Gemini 3 從發布當天就進入 Google 搜尋的 AI Mode,文章聚焦模型發布與搜尋入口同步,呈現 Google 如何把新模型直接帶到使用者面前。
螞蟻集團靈光產品負責人蔡偉回顧靈光從快速研究工具轉向個人AI 助理(personal agent)的歷程,主張這波集體誕生源於模型能力成熟,而產品成敗取決於智慧、供給與安全三要素的均衡,短期壁壘在智慧,長期在供給與安全。
詳細網頁版與參考連結:https://podcast.david888.com/post/2026-11-18 OpenAI 推 GPT-6.2 降價增效,卻存障礙隱瞞風險。OpenJDK 爆 Java4Shell 漏洞,藉 Base64 可遠端執行。微軟推 MAI Code 2,Win11 蒐集工具遙測惹議,社群評估轉往 Linux。並談代理驗證、Phrack 73 期、Nim 新編譯器與開源維護危機;Google AI 搜尋減四成導流,Quad9 拒封盜版撤出法國,社群憂網路碎片化。 相關連結: GPT‑6.2 Astra and Sol Java4Shell: RCE in OpenJDK when processing Base64 MAI Code 2 and Code 2 Flash Windows 11 is collecting data on which coding agents and developer tools you use mvanhorn / last30days-skill (69,240 ⭐) How the Claude Code team th
AI 讓工程團隊能更快交付更多變更,但只看合併的程式變更數,可能看不出有多少嚴重問題真的影響客戶。Octopus 重新整理工程指標,分別追蹤交付時間、修復速度、建置穩定度和每月嚴重缺陷數,也觀察合併的程式變更量。團隊把變更量當成長期趨勢,不設成績目標,並把它和交付速度、缺陷數一起看。這套做法希望在加快交付時,也能看見客戶受到的影響。
出錯時先查錯誤紀錄,真的能更快找到問題嗎?作者在真實專案以外重現一個環境設定檔錯誤,讓全新的 Claude AI 助理依照「先查紀錄」的規則修理。AI 助理先讀程式碼就找到原因並修好,之後才查到紀錄裡有相同問題。作者也比較另一種故障:程式使用的 Python 和安裝套件的 Python 不同,光看程式碼找不到原因,錯誤紀錄就能提供線索。他因此打算把錯誤分成看程式碼就能查出,以及需要外部資訊兩類,讓必查紀錄的規則用在後者。
阿里自家測試說,Qwen4-Max 的表現和 Claude Opus 5.5 差不多;但在 Artificial Analysis 的榜單上,Qwen4-Max 得 43 分,低於 Opus 5.5 的 59 分,也比 Claude Fable 5.2 的 65 分少。有人猜,Anthropic 把 Claude 的思考過程藏起來後,其他模型更難拿這些資料來訓練、追上 Claude;不過這目前只是社群的說法,還不能當成定論。 Anthropic 表示,完整的思考過程比摘要更適合拿來訓練模型,也說新防護讓可能被取走的推理內容減少約 90% 到 99%。文章提到阿里是 Anthropic 指控的物件之一,但阿里沒有公開回應;目前沒有證據證明 Qwen4-Max 分數較低就是蒸餾受阻造成的。
錯誤追蹤工具收到大量錯誤時,團隊得先分清哪些問題常發生、哪些真的能修。Bugsly 團隊整理自家 16 個 App 的 89,499 次錯誤,發現 12 個問題就佔了 78.7%;最常見的是上游 API 回傳錯誤、程式碼問題和 ClickHouse 限制。作者也逐一檢視最常發生的 12 個問題,其中 19.4% 的錯誤量只要改程式碼就能處理,另有 48.3% 需要調整設定、基礎設施或套用資料庫遷移,仍要人來處理。這是單一組織的案例,不代表整個產業;作者也沒有實際測試 AI 助理能修好多少錯誤。
用 AI 做 3D 動畫或遊戲,成品的細節、光影和製作時間都可能差很多。這篇整理四組個人測試,讓 GPT-6.2 Astra 和 Claude Fable 5.2 用相同提示詞製作水上飛機場景、牛仔短片、飛行遊戲和海盜船。測試中,Astra 通常做得較快、花費較少,物件細節也不錯;Fable 的光影和場景完整度較好,在牛仔短片中差距特別明顯。不過每組只測一次,提示詞多半沒公開,費用也由作者估算,不能直接當成公平的全面比較。
今天的嘉賓是螞蟻靈光負責人蔡偉。我們一起聊了聊正在成為中美AI共同焦點的Personal Agent。 Muse掀起熱潮之後,Personal Agent在過去三個月迅速成為AI行業的新賽場。Grok Bot、Instinct、OpenAI Dots、Town、Today、Cue等產品密集湧現,螞蟻靈光也推出了2.0版本。一場圍繞Personal Agent的競爭,正在加速展開。 這集節目,我們試圖深入討論:Personal Agent為什麼在此刻集中爆發?模型能力與產品形態正在發生怎樣的變化?使用者需求究竟是真實存在,還是行業的一場集體想像?它會成為AI時代下一個真正的入口嗎? 同時,我們也大膽做了一些推演:今年春晚,會不會成為Personal Agent補貼大戰的第一個大舞臺? OUTLINE: 00:01:24 AI產品史 00:20:49 PA集中出現的根源 00:41:57 重構服務業 01:04:40 秉賦、不⾜和⽬標 01:28:21 產品設計、未來技術與格局推演 02:08:42 “市場是打出來的” 02:23:21 需求真偽 02:32:03 終極想像 LINKS: 我
Perplexity 研究員 Andrew Gordon Wilson 主張,AI 距離自主研究仍十分遙遠,因為科學品味與提出問題才是最難跨越的缺口,並介紹用於評估研究能力的 Discover Physics 基準。
AI 基礎建設投入快速增加,但市場上的借款風險不容易看清楚,前 SEC 主席 Gary Gensler 因此擔心 AI 熱潮已形成泡沫。他接受 CNN 專訪時表示,市場可能在 2028 年 11 月美國大選前重新定價,經濟也會放緩;他認為新興雲端業者較容易因借款多、商業模式受需求變化影響而倒閉。Yardeni Research 總裁 Ed Yardeni 則認為,AI 股票估值沒有重演 1999 到 2000 年的非理性繁榮。Gensler相信AI技術本身,擔心的是市場把它的價值估得太高,也承認無法確定下跌的時間和規模。
有人認為 AI 助理讓 Emacs 這類老工具失去用處,作者則用自己的工作經驗提出不同看法。他用 Claude Code 重整 Emacs 設定、製作指令速查表和待辦矩陣,也把一個 Python 工具改寫成 Emacs 套件,讓多個 AI 助理能分工整理軟體架構資料。作者認為,Emacs 的彈性讓新功能可以接進原本的筆記、快捷鍵和工作流程,不必每次都另外做一套程式;不過,他也強調要把程式碼、說明和測試放在一起,方便自己檢查 AI 助理做了什麼。
推薦理由:作者以 Emacs 設定、待辦清單和 blueprint.el 的實作經驗,說明 AI 助理如何降低修改門檻,也呈現讓程式碼保持可讀、可檢查的做法。
AI 模型一代接一代推出,資料中心要增加用電,卻得等電網審核和接線,兩邊的速度差很多。文章指出,2025 年美國新電網連線的等待時間中位數是 61 個月,2008 年則是 22 個月;而資料中心擴建計畫可能在三年內讓總容量翻倍。文章也整理兩種取得電力的做法:讓資料中心直接向電廠取電,或簽長期購電合約。FERC 曾否決 Amazon 提高核電廠共址供電量的提案;Microsoft 則簽下 20 年合約,計畫在 2028 年重啟 Three Mile Island 1 號機組。文中也教讀者查詢州公用事業委員會的公開案件,瞭解當地是否正在審查大型用電需求。
推薦理由:文章比較模型更新與電網接電所需的時間,並整理共址和長期購電合約如何避開漫長的排隊等待。
比特幣從約 7.4 萬美元跌到一度觸及 62,006 美元,OKX 創辦人徐明星指控幣安連續兩年在十月引發市場崩跌,趙長鵬則否認幣安賣幣,並列出資金流向、資安事件和美國政策等五種可能原因。他也說自己這幾天買了幣。幣安共同創辦人何一貼出帳戶摘要,稱 10 月 17 日至 11 月 16 日交易虧損 9,730 萬美元,但沒有公開持倉內容,也未說明虧損是否已經實現。文章認為,這些說法提供的是當事人的解釋,還不足以查明市場下跌原因或資金流向。
病人會問 AI 助理哪裡能看某種病、藥物有沒有給付,或哪裡能領藥;但如果醫療網站不讓 AI 助理讀取公開資訊,回答就可能漏掉這些服務。作者檢查 15 個醫院、保險公司、藥局和健康資訊網站,發現其中 5 個回傳防機器人頁面,另有 1 個網站無法連線;只有 9 個能讀取。這 9 個網站都在網頁程式開始執行前提供文字,也都允許受檢的 AI 助理爬蟲讀取。像 Mayo Clinic、Johns Hopkins Medicine、Zocdoc 和 GoodRx,就都擋下了這次檢查使用的工具。這不代表它們一定會擋 ChatGPT 或 Claude 的官方爬蟲,但診所和藥局可以檢查公開頁面的防護設定,讓 AI 助理讀得到服務、地址和看診資訊,同時繼續保護病人入口與預約頁面。
民眾會問 AI 助理投票地點、登記方式和結果何時確認,但選務網站可能擋住自動讀取,或只在 JavaScript 執行後才顯示內容。X1Y1 用簡易工具檢查美國 51 個州與華盛頓特區網站,以及 35 個國家級選務機構的首頁;美國有 16 個、各國有 11 個網站擋下檢查工具。這不代表它們一定封鎖 ChatGPT 或其他已驗證的 AI 助理,作者也沒有測試回答是否正確。檢查指出,常見障礙是防機器人服務和網頁內容要等 JavaScript 才出現;選務網站可確認重要資訊能否直接從首頁讀到,並檢查機器人規則是否符合原本的防護需求。
想知道品牌為什麼會被 AI 助理推薦,可以看看它們回答問題時引用了哪些網站。作者用自家工具 AIVisib,測試 ChatGPT、Gemini、Perplexity 和 Claude 對 24 個買家問題的回答,共收集 287 則,涵蓋英文、法文和阿拉伯文。結果發現,AI 助理常引用 HubSpot、Semrush 等網站;同一品牌在 ChatGPT 的能見度是 3%,在 Gemini 和 Perplexity 都是 4%,在 Claude 則是 0%。英文回答中,品牌出現率為 8%,法文和阿拉伯文都是 0%。這提醒品牌不能只檢查一種 AI 助理或一種語言,也可以先從較具體的問題和 AI 助理常引用的網站著手。
Cognition 的 Walden Yan 說明一位創辦人如何靠 20 個專職 Devin 機器人經營遊戲工作室,每週合併 1,900 個 PR;他主張形式驗證(formal verification)與自動化測試將讓人工程式碼審查走入歷史。
Google 搜尋結果先顯示 AI 摘要後,使用者可能直接看完就離開,網站因此少了外部點選。一項隨機實驗比較看得到與看不到摘要的美國桌面版使用者,發現有摘要的搜尋平均帶來 0.37 次外部網站點選,沒有摘要時則是 0.62 次,約少 40%;這是尚未經同儕審查的工作論文。文章也整理 GEO 做法:維持網站可被搜尋,寫清楚、方便引用的內容,並觀察各平臺引用哪些來源;目前沒有資料證明 llms.txt 等捷徑有用。AI 助理帶來的網站流量仍少,作者建議以實際營收衡量搜尋與 AI 來源的價值。
推薦理由:隨機實驗顯示 Google AI 摘要會減少外部網站點選,文中也整理哪些 GEO 做法有資料支援,以及哪些捷徑尚未見效。
AI 如果集中在少數公司手中,經濟和政治可能會跟著改變。Microsoft 執行長 Satya Nadella 認為,AI 不該只被看成科技公司之間的競爭,因為模型未來可能跨進醫療、金融等領域,也可能改變企業和工作者的角色。他不認為 Claude 等前沿模型有意識,但認為模型是否該享有權利仍是值得討論的問題。Nadella 主張,市場需要多種模型和更多掌控資料的方式,避免權力集中在少數公司。
AI 產業快速變動,企業也在思考怎麼控制模型成本、保護資料,並讓 AI 助理安全地替人做事。這篇整理了 Cerebral Valley AI Summit 的 13 場臺上對談,受訪者包括 River AI、Vercel、Databricks 和 Palo Alto Networks 的負責人。有人主張依不同工作混用大小模型,也有人認為 AI 助理需要安全許可權才能使用企業資料;另有創業者希望讓企業在自家硬體上訓練和執行模型。這些談話也呈現業界對 AI 產業集中、晶片供應和工作變化的不同看法。
AI 程式助理幾秒就能寫出程式碼草稿,但把它檢查、修好並放進現有專案,可能花更多時間。一項研究找來 16 位資深開源專案開發者,發現使用 AI 助理的人完成任務慢了 19%,他們卻覺得自己快了 20%。文章認為,這是因為寫草稿的時間變短了,理解程式碼、找錯和修改的時間卻增加。作者建議把 AI 助理用在重複性高、風險較低的工作,並用實際完成時間和錯誤數量衡量成效。
把產品操作錄成影片後,常還得剪輯或另外整理成使用指南;如果想做成能讓訪客自行點選的展示,又是另一種需求。作者用同一段 SaaS 儀錶板操作流程測試 6 款工具,並整理 Clueso、Trupeer、Arcade、Supademo、Storylane 和 Navattic 的輸出形式、分享方式與費用。比較結果顯示,Clueso 和 Trupeer 能從一段錄影產生影片與書面指南;Supademo、Arcade 等適合製作可點選展示;Navattic 的展示內容可在擷取後繼續編輯。作者也以每月製作 4 支、每支 4 分鐘的情境比較方案額度,提醒費用會受匯出分鐘數、點數或可發布展示數量影響。
The people, companies and trends shaping the global economy. Watch Carol and Tim LIVE every day on YouTube: http://bit.ly/3vTiACF Nvidia reports earnings for the first time since Jensen Huang’s surprise departure, putting the chipmaker’s 70% growth outlook and the broader AI trade back in focus. Nvidia is expected to report a near-doubling in quarterly revenue, fueled by the global build-out of data centers. But with investors increasingly concerned about a spending slowdown on artificial intell
用 AI 助理寫程式時,花費高不一定代表更容易完成任務。作者分析一份比較 5 個開放模型與 22 種工具設定的測試,發現模型決定整體花費高低;固定模型後,不同工具每項任務的成本仍相差 1.8 到 5 倍,而多花錢通常沒有換到更高的通過率。測試中有 64.5% 的標價費用花在沒通過的嘗試上,許多失敗的助理還會回報任務已完成。作者認為,反覆操作的步數和驗證結果,比單看提示詞長度或工具排名更能幫人理解花費與失敗原因;但這份測試使用單一服務商、開放模型和固定任務,結果不一定適用於自己的專案。
若要限制 AI 公司用多少算力推進模型能力,得先說清楚哪些工作算能力研發。Redwood Research 提出一套分類方法:原則上,公司的工作都算能力研發,只有閒置算力、狹義產品開發、服務客戶和部分安全工作等例外;這些例外也不能提升通用模型能力。像是評估模型是否對齊、監測不良行為可列為狹義安全工作,但改善模型的安全訓練或執行能力評測仍算能力研發。作者也指出,界線難免模糊,因此需要第三方查核,並視情況調整分類。
推薦理由:這套分類把算力用途預設為能力研發,只排除幾類狹義工作,呈現如何在限制前沿進展與保留安全研究空間之間劃界。