加藤貴博(Jimoty 株式會社社長)後篇〜「股票上市」「TOB」以及「Jimoty Spot 的暖心故事」大公開……
Jimoty 社長加藤貴博暢談從上市、遭 TOB 收購下市到與 CCC 結盟的來龍去脈,並表明將以與地方政府合作的實體門市「Jimoty Spot」為核心,追求不依賴補助金的永續擴張。
Jimoty 社長加藤貴博暢談從上市、遭 TOB 收購下市到與 CCC 結盟的來龍去脈,並表明將以與地方政府合作的實體門市「Jimoty Spot」為核心,追求不依賴補助金的永續擴張。
Lean 和 Mathlib 社群確認一份黎曼猜想證明通過多種程式檢查,但作者發現,程式裡有個叫 anyGeometry 的條件,對任何輸入都直接回傳 True。作者追查程式碼後確認,這個條件出現在 24 個檔案中,也被用來建立一些假設;不過,他還沒查完它是否真的一路影響最後的定理。程式檢查能確認證明符合寫好的定義,卻不會判斷定義本身是否真的表達了數學上的幾何條件,因此目前的發現還不能單獨判定整份證明是否成立。
推薦理由:文章對照程式碼與驗證紀錄,說明形式證明能檢查推導是否符合定義,卻無法判定定義是否承載了名稱所指的數學內容。
作者檢查自己收錄 4,323 筆資料的 AI 工具目錄後發現,一筆資料不一定代表一家公司或一個產品:有些只是同一家公司旗下不同頁面,還有不少連到 GitHub Pages 等平臺。把 GitHub 和 GitHub Pages 算在一起,目錄裡最多的「廠商」其實是 GitHub,共有 184 筆;另有 337 筆把平臺或聯盟行銷網址當成工具的官方網站。目錄裡還有許多介紹文字和標籤容易讓人誤會。作者因此認為,4,323 筆代表的是清單專案,不是 4,323 個產品;若能替每筆資料標明所屬公司,讀者會更容易看清目錄實際收錄了什麼。
詳細網頁版與參考連結:https://podcast.david888.com/post/2026-11-22 今日科技圈見證數學史里程碑:Lean 社群在 24 小時內完成 1,700 萬行黎曼猜想形式化證明驗證。同時 AI 界掀起現實檢驗,GPT-6.2 在 SimpleBench 排名驟降,本地極限量化 Inkling-2-Mini 亦遭實測質疑;資安面聚焦 GPGME 記憶體漏洞、冰島主機商 1984 遭襲與 FBI 資料庫風暴;系統開發則迎來 Valkey 淘汰跳錶改用 B+ 樹、Zero C# 挑戰無 GC,以及純 CPU 工業視覺追蹤實戰。 相關連結: Inkling-2-Mini in 5.4 GB Memory RCE in Gnupg LLMs can read and write executables byte by byte from a hex dump jingyaogong / minimind (68,146 ⭐) Show HN: Zero C# – C# without a runtime or GC Lean verification of th
Brienne Barker 與病毒學家 Vincent Racaniello 指出,腺病毒蛋白 7 會阻止 TRIM25 對 RIG-I 進行 K63 泛素化,從而阻斷幹擾素誘導,同時抑制 RNA 與 DNA 的感測。
AI 寫論文的新聞常讓人分不清哪些工作由 AI 完成、哪些仍由人參與。作者依序整理 Sakana AI 的四篇 AI Scientist 研究,說明系統從自動產生研究想法、實驗和論文,走到安排現有程式開發 AI 助理分工;其中一篇 AI 生成的論文通過 ICLR 工作坊審查,但送審稿由人挑選,通過後也依事前約定撤回。系列研究的範圍仍限於能在電腦上進行的機器學習研究。作者指出,論文生成能力雖有進展,引用和實驗結果仍可能出錯,評估方式也可能被系統改動,因此判讀成果時要看誰寫、誰評,以及人在哪些步驟參與。
Mojang 可能利用網路上的 Minecraft 伺服器掃描資料,找出並封鎖違規伺服器。作者原本只是維護一個會搜尋 Minecraft 伺服器的網站,後來發現 Mojang 曾查詢伺服器描述,也比對到部分被封鎖的伺服器。作者請朋友架設只有受邀者能加入、描述文字稍有爭議的私人伺服器,並表示這些伺服器一週內也遭到封鎖;不過,他也提醒,無法排除 Mojang 是因其他原因封鎖。後來 Mojang 邀請他掃描更多伺服器,他因處理檢舉信太累而關閉服務,並拒絕交出資料與程式碼。
推薦理由:作者比對掃描紀錄、封鎖清單與私人伺服器遭停權的案例,呈現 Mojang 如何透過第三方資料處理違規,以及這種做法帶來的隱私疑慮。
大型軟體能不能交給 AI 自己一路做下去?作者從 10 月初開始,讓 Claude 從頭打造名為 SWB 的瀏覽器,只告訴它哪些網站要能使用,不介入技術決定。不到兩個月後,SWB 已能日常瀏覽部分網站,也有自己的 JavaScript 引擎,但複雜的網頁應用程式還不太行。早期多個 AI 助理同時改相同程式碼,造成衝突;改成一次處理一項工作後,進度變得順利。作者沒檢查程式碼,因此這次實驗呈現的是使用體驗與開發過程,不能據此判定程式碼品質。
推薦理由:作者讓 AI 助理從頭打造瀏覽器,並記錄工作流程與遇到的協作問題,呈現大型軟體專案全程交由 AI 開發的實際經驗。
Rust 做桌面和手機介面有機會跑得更快,但要做出好用的介面,還有不少難題。Raph Levien 回顧 Rust GUI 的發展,指出文字排版和無障礙功能已有可用的工具,影片等內容如何交給系統流暢合成、介面如何配合手機平臺,仍需要更多工程投入。他也建議把介面拆成規格清楚的小模組,讓 AI 協助開發時更容易處理,並讓不同應用選擇適合自己的做法。
Nvidia 執行長黃仁勳離職後,團隊可能會擔心產品和供應是否受影響。作者整理公司公佈的接班安排與財報,並提醒,媒體報導的離職原因尚未獲 Nvidia 證實,應視為報導而非定論。文章指出,目前產品藍圖仍照常推進;對開發者來說,更實際的問題是程式有多少部分繫結 CUDA 或特定硬體。作者建議趁此檢查更換供應商時會遇到多大困難,因為許多 AI 團隊都依賴 Nvidia,轉換成本可能不低。
團隊常把 AI 助理的執行紀錄拿來除錯,但如果客戶或稽核人員也得檢視,只有放在自家帳號裡的紀錄就不太夠用。Langfuse 和 AgentOps 適合團隊追查問題;Langfuse 每月 $29 起,AgentOps Pro 每月 $40 起。若要讓外部的人也能查驗,可看 ASQAV 和 Zambo:前者 Pro 每月 $39、年繳,保留紀錄 1 年;後者每月 $29,會替工具呼叫留下收據,任何人都能重新核對內容有沒有被改過。 不過,收據只能證明存下來的結果沒有被動過,不能證明答案正確,也不能拿來除錯。若既要追查 AI 助理出了什麼問題,又要讓外部的人確認紀錄,就得分別準備這兩種工具。
AI 回答有時不是全錯,而是方向大致正確,細節或語氣卻說得太滿。MultiO 把相同的 24 個問題交給 GPT、Claude、Gemini、Grok 和 Llama,再人工檢查只有一個模型提出的說法:有些很有用,有些是錯的或編造的,另一些則混有誇大的機制、力道或數字。像模型談到馬拉松訓練時,整體安排大致可用,但每小時 60–90 g 碳水對初次參賽者可能太多。作者建議,遇到只有一個模型提出的資訊,除了查證,也要特別留意最強烈的形容詞和最精確的數字。
AI 程式助理能寫出更多程式碼,但這些程式碼不一定更快變成正式發布的軟體。文章整理多項研究,指出超過 500,000 名 GitHub 開發者的提交量增加 240%,專案數增加 80%,發布量則增加 30%;其他實驗對 AI 是否能加快工作,也得到不一致的結果。多出的程式碼仍要花時間檢查、測試和修正,文章因此建議團隊改看通過審查與部署的變更,讓 AI 在開發過程中提供回饋,並把工作切成較小批次。
AI 助理讓新人更快寫出程式修改,但每個提案仍要有人檢查,決定哪些值得採用。Angie Jones 曾讓 Block 的 10 位新人在陌生程式碼中使用 AI 助理解決客戶問題;她也分享 Goose 的做法:先討論問題和設計,再動手改程式,維護者也會用 AI 助理整理問題、檢查程式碼和做安全掃描。 Jones 認為,開發者除了學會使用 AI 助理,也要懂得怎麼打造可靠的 AI 助理,例如限制它能做什麼、能讀取哪些客戶資料。像 MCP 和 A2A 這類共同標準,能讓開發者在工具改變時仍有基礎可依循;而新人熟悉怎麼讓 AI 助理開始工作,資深工程師則能協助判斷哪些修改適合推出。
使用 AI 編輯影片時,費用可以按每次操作、影片時數,或上傳分鐘數計算。按次收費容易對照模型成本,但使用者可能因為重做也要付費而不敢多試;按影片時數收費比較好懂,不過各家算的是上傳、錄影還是剪輯後的影片,可能不同。Cutora 選擇按上傳分鐘數計費:每個專案裡的檔案都算,取消或失敗的上傳不算,重新剪輯、匯出和加入音樂音效也不扣分鐘。這讓使用者能放心反覆調整,但重做多次會增加 Cutora 的成本。
在印度做購物 AI,光是換成在地品牌或加上聊天介面,不一定能讓顧客買得更好。Tej Pandya 提出一套評估方法,建議先挑一種明確任務,例如找出尺寸合適、含運費不超預算,而且能送到指定 PIN code 的鞋子,再檢查商品是否有貨、價格和退貨條件是否可靠。測試時也要和顧客原本會用的購物網站、搜尋引擎或全球 AI 助理比較,並算進客服、退款與人工處理的成本。語言、在地商品和配送服務都可能成為優勢,但要用實際成果證明。
Apple HomeView 是一臺搭配 iPhone 或 iPad 使用的智慧螢幕,能播放照片輪播、控制智慧家庭,也能直接播放 Audible 等支援的 App。作者覺得它的金屬外殼很有質感,桌上型和壁掛型價格都是 $299;但螢幕太小,畫面外型也像放大版 Apple Watch,而且沒有 App Store,YouTube 也不能直接使用。操作時常需要附近有一支已解鎖的 iPhone,語音功能則仰賴 Siri。它能應付簡單的看照片、聽音訊需求,但作者仍希望未來能有螢幕更大的版本。
AI 助理執行工具後,怎麼確認留下的紀錄沒有被改過,又怎麼分清楚「沒檢查」和「驗證失敗」?AER-1 作者提出四項判斷依據:規格能讓外部開發者自行實作、有固定測試資料、獨立驗證者通過測試,並被其他規格當成參考。作者也示範重新計算一筆工具呼叫紀錄的 SHA-256,結果和收據相符;這只能表示儲存的內容沒被改動,不能證明工具結果正確。AER-1 目前是 IETF 草案,還不是 RFC,也不代表 IETF 已達成共識。
Cerebras 執行長 Andrew Feldman 將公司 IPO 歸功於 10 到 15 倍的速度優勢,以及近期拿下 AWS、Microsoft 與甲骨文等客戶;他同時建議新晉富豪慢慢分散資產,並以徹底透明化來壓低人才流失率。
AI 助理能接手部分資料整理和工作流程,但有些服務仍得向外租用,像是付款、電話、聯絡資料和身分驗證。作者把這些服務比喻成軌道,整理出五類依賴,並用 ACP、AP2、x402 和 ChatGPT Wallet 說明付款方式各有不同:有的用授權指令留下紀錄,有的要求使用者每次核准。文章也提醒,供應商提供 AI 助理介面,不代表企業軟體已被取代;規劃時還得考慮人工核准、外部服務費用,以及誰負責資料和規則。
同一個工作交給不同模型,答案和費用可能差很多,光看基準分數不一定知道哪個適合自己的工作。作者整理 GPT-6.2 Astra 和 GPT-6.2 Sol 的價格與基準資料,並提供 .NET 10 範例,讓兩款模型用相同設定處理三種工作,再比較答案、花費和時間。文中轉述的測試顯示,Astra 在部分多步驟與資安相關基準較高;在一項程式開發基準中,兩者分數接近,但 Astra 每項工作估計花費較高。這些是廠商提供或轉述的測試結果,作者建議用自己的工作資料評估,再決定部署哪款模型。
Nvidia 這週一邊公佈亮眼財報,一邊面對外界要求黃仁勳回任的聲浪,還宣佈不再向中國出售 H200 晶片。TechCrunch 的 Equity 播客主持人討論了這些交錯的訊息:公司高層表示有能力繼續帶領 Nvidia,但科技界人士發起請願,希望黃仁勳回來。討論也提到,晶片可能先賣到馬來西亞等地,再由中國企業遠端使用;相關限制收緊後,若這類需求受影響,可能衝擊營收。至於黃仁勳是否回任、董事會如何應對,目前仍沒有定論。
預測專家 Peter Wildeford 估計,國會有 60% 機率通過 RSI 禁令,約 98% 機率會有人提出相關法案;同時他指出,規模達 100 億美元以上的網路事件,以及 AI 全面取代研發工作,各有三分之一到五成的機率,時間點約在 2028 年 3 月。
Lindy、Gumloop、Relevance AI 和 Bardeen 都用不同方式計算費用,有些收點數,有些還要按使用者人數收費,所以光看月費不容易比出誰划算。像 Gumloop 的 Pro 方案每月 $37,提供 20,000 點數,另收 8% 的流程安排費;Relevance AI 目前只列出企業方案,沒有公開價格。這些平臺的點數各有演算法,買之前要看清楚每點能做什麼,也要到各家網站確認最新價格。
AI 工具讓寫程式更容易,也讓更多人能做出產品,但不一定能讓每個團隊都更快。文章整理的研究顯示,用 Copilot 寫一個全新的 HTTP 伺服器,受試者快了 55.8%;另一項研究則發現,熟悉大型程式庫的開發者使用 AI 後慢了 19%。作者也提醒,產品做得快,仍可能沒人需要;文中引用的資料顯示,43% 的受調查新創倒閉案例提到產品和市場不合。文章最後提出先查證問題、用便宜方式測試,再決定是否開發的六步做法。
Vincent Racaniello 與 Daniel Griffin 聚焦美國再度升溫的傳染病威脅——先天性梅毒、喪失麻疹消除地位,以及持續擴大的螺旋蠅疫情——結論是公共衛生可及性下滑與錯誤資訊正在造成傷害。
想了解企業在徵哪些人,只看新創常用的求職平臺,可能會漏掉醫院、零售和製造業的大量職缺。作者整理約 3,300 個 Workday 求職網站,在 11 月 18 日的資料中找到 563,302 個職缺;註冊護理師有 16,280 個,超過軟體工程師的 6,870 個兩倍,只有 2.6% 的職缺標示可遠端工作。作者也說明,大型僱主的職缺數可能低於實際數量,因為部分網站只讀取最新的幾千筆資料。文中另介紹可搜尋 Workday 職缺的 API,並列出每次搜尋與每筆職缺的價格。
Grammarly 執行長 Shishir Mehrotra 說明 Superhuman Go 這個代理平臺,如何憑藉 Grammarly 在各應用程式內的既有版位與低於 100 毫秒的推論速度,補上 AI 的「最後一哩路」;他主張代理必須在使用者的遊標所在之處觸及使用者,而不是多繞一圈。
高密度資料中心需要大量電力與散熱裝置,電力轉換和冷卻系統也會佔用空間。作者根據 SemiAnalysis 走訪內蒙古 Galaxy 園區的報告,說明一座 5 MW 機房如何把電網的 10 kV 交流電直接轉成機櫃使用的 800 V 直流電,省去傳統機房中的低壓變壓器、不斷電系統和整流裝置。冷卻方面,液冷與氣冷伺服器共用一套水路,沒有中央冰水主機。這些設計已在當地實際運作,但能否用在其他地方,仍取決於氣候、備援需求和服務承諾;文章也提醒,內蒙古公佈的 25 GW 計畫容量不等於已建成容量。
AI 助理寫程式的速度很快,工程師可能來不及逐行讀完每次改動,但核准的人仍要為結果負責。作者提出,審查時可以把注意力放在三件事:這次改動想解決什麼問題、是否符合事先訂下的條件,以及過程中做了哪些架構和技術選擇。驗證 AI 助理可以逐項檢查條件並提供證據,審查者再判斷方向是否正確;團隊也要能說清楚系統為什麼這樣設計、可能在哪裡失敗。這讓人不必每次都讀完所有程式碼,也能理解改動並承擔責任。
AI 模型在日常推理題上不一定比一般人答得好。SimpleBench 收錄超過 200 題選擇題,涵蓋空間與時間推理、社交理解和容易讓人答錯的文字陷阱;網站列出的 9 位參與者人類基準是 83.7%。排行榜上,GPT-6.2 Astra 得分 77.3%,GPT-6.2 Sol 得分 69.9%,都低於這個基準。這些結果反映的是這套測驗中的表現,不能直接代表模型在所有任務上的能力。
找工作時,常會搞不清楚職缺是不是剛貼出來,還是早就掛了很久。作者每小時檢視僱主自己的徵才網頁,記錄職缺何時消失;在追蹤的 32,464 個已下架職缺中,有一半至少掛了 27 天。新職缺約有 13% 在 7 天內下架、44% 在 30 天內下架;目前仍開放的職缺裡,24% 已刊登超過 90 天。職缺下架不一定代表有人錄取,也可能是僱主撤掉或重新刊登,所以看到掛很久的職缺,可以先問招募人員是否還在徵人。
這是我們常看到的模式:AI 助理(無論是主 AI 助理或子 AI 助理)都無法可靠地編輯維基,因此需要另外安排一個 AI 助理負責所有編輯(我在這裡稱它為策展 AI 助理)
客服聊天機器人讓人不滿,問題不一定出在回答錯誤,也可能是找不到真人或帳單讓人意外。ChatSupportHQ 團隊整理了 13 家業者的 173 則 Trustpilot 一星評論,最常見的是業者客服難聯絡和帳單爭議;作者提醒,這些評論不能代表所有客戶。Gartner 調查中,87% 的受訪者認為使用生成式 AI 提供服務的公司應提供真人協助,只有 27% 在糟糕體驗後願意再試聊天機器人。文章也提到,轉接真人時若沒有帶上對話內容,客戶可能得重講一次。作者建議消費者購買前確認真人聯絡方式、轉接是否保留對話,以及每筆收費如何計算。
推薦理由:這則訊息聚焦 Lean 社群對黎曼猜想證明的認可,可瞭解形式化證明與 AI 在數學研究中的進展。
查證工具如果每次都硬要回答真假,證據不夠時也可能把錯誤說得很肯定。Footnote 是作者開發的 Chrome 擴充功能,可以檢查網頁上的句子或整頁內容;找不到足夠證據時,它會回答「不清楚」,意思是目前的證據無法判定,不代表說法是假的。它也會附上解釋、來源連結和能對照的原文段落,並提醒讀者注意頁面省略的背景。檢查只會在使用者提出要求後開始,擴充功能不會收集瀏覽紀錄。作者提醒,Footnote 使用 AI,仍可能出錯,不能取代親自閱讀來源。
語言模型的上下文視窗就像工作時能攤開來看的資料,近年變得越來越大,現在有模型一次能處理約 100 萬個 token,足以放進《戰爭與和平》這本小說。NVIDIA 研究團隊認為,視窗做得這麼大,常常既用不完又很花錢;在不少測試中,定期整理摘要、需要時再找相關資料,效果差不多。這表示模型要記住很多內容時,不一定得把所有資料一次塞進去。