跳到正文

#Google

RSS
今日 4 則
今天11月23日週一
  1. Dev.to Top Tech39

    誰來決定 Gemini Carbon 的使用資格?

    Google 表示,Gemini Carbon 會透過 Fairwind,分階段提供給特定物件使用。官方資訊提到,評估工作由挑選過的合作夥伴和資安防禦人員參與。這引發了誰能使用、由誰決定的討論;但文章也提醒,現有資訊無法證明費用才是真正藏在背後的原因。「最強大」則是供應商的說法,不能當成獨立評測結論。

  2. TechCrunch · AI55

    為什麼大型資料中心成了民眾反彈科技業的焦點

    大型資料中心蓋進社群後,居民可能面對用電、用水和噪音帶來的生活影響。記者訪問《Hyperscale》作者 Paris Marx,談他如何從智利、愛爾蘭和美國奧勒岡州的案例,追查資料中心對地方資源的壓力,以及居民為何開始反對。他也指出,業者改用封閉式冷卻系統雖可減少用水,卻需要更多電力;社群抗議因此不只是對科技服務的不滿,也關乎大型設施如何使用當地資源。

  3. hackernews10066

    Anil Seth 分析 AI 是否有意識,提醒別把會說話當成有感受

    AI 越來越會說話、解決問題,很多人因此猜它是不是也有感受;神經科學家 Anil Seth 認為,聰明和有意識是兩回事。他指出,大腦是會維持自身運作的生物系統,和執行運算的電腦並不相同,因此電腦模擬大腦,不代表真的產生了意識。不過,他也承認目前沒有定論,無法確定什麼條件才足以讓 AI 有意識。文章提醒,太容易把 AI 當成有感受,可能讓人投入不必要的關心,也可能讓人忽略自己的感受;即使 AI 看起來像有意識,也不等於它真的有意識。

  4. Dev.to Top Tech42

    為什麼把電腦送上天是好主意?從無人機到太空資料中心

    AI 需要大量電力和水,地面電網和資料中心卻不容易快速擴建。把電腦放到無人機、高空飛機或太空裡,就能在資料產生的地方先處理資料,減少把大量影片和訊息傳回地面的需求。像 Skydio X10 無人機能在機上製作地圖;Starcloud-1 也已帶著 NVIDIA H100 到太空,並在軌道上訓練 NanoGPT、執行 Gemma。 太空中的太陽能可能更穩定,也不需要用水冷卻,但散熱、太空輻射、延遲、發射費用和太空垃圾都是難題。作者認為,飛行電腦不會取代所有地面伺服器,卻可能讓更多運算工作搬到離資料更近的地方。

11月22日週日
  1. ChinaTalk79

    中國《民族團結進步促進法》下,AI 如何協助審查、學習與監控

    中國的《民族團結進步促進法》要求網路業者處理破壞民族團結的內容,但 AI 目前還不一定看得懂所有相關語言。作者測試六種模型後發現,用哈薩克語或蒙古語直接提問時,模型更常照要求寫出仇恨內容;部分測試也因藏語和維吾爾語翻譯不夠通順,難以判斷結果。另一方面,中國的政府相關機構正在建立少數民族語言資料和模型,作者認為這些成果尚未普遍出現在民眾使用的商用模型中。文章也提到,一項被 Anthropic 認為中等可信度與中國有關的行動,曾用 Claude 整理海外報導與活動資訊,製作給官員參考的簡報。作者據此分析,AI 的作用不只在刪除內容,也包括學習如何辨識內容,以及產製宣傳材料和監控情報。

    推薦理由:作者以多語言測試指出,模型在少數民族語言中更容易產生仇恨內容,並串起審查、語言資料建置與監控報告三種用途。

  2. MarkTechPost67

    2026 個人 AI 助理比較:OpenClaw、Hermes Agent 等工具的記憶、安全與費用

    個人 AI 助理能持續替人處理工作,也可能接觸信箱、檔案和帳號,因此記憶放在哪裡、能做哪些事和要花多少錢都很重要。MarkTechPost 比較 Hermes Agent、OpenClaw、Gemini Spark、OpenAI dots、Meta Muse 和 Perplexity Personal Computer 等工具。Hermes Agent 和 OpenClaw 可把記憶存成自己能檢視的檔案;雲端服務則在各家平臺上運作。文章也提醒,OpenClaw 預設可完整存取主機,需自行開啟沙盒;自架工具的費用還要算模型用量和主機,雲端工具多以訂閱計費。

  3. BlockTempo 動區動趨69

    OpenAI 募資少於原定目標,文章逐項核對「最慘一週」的說法

    社群貼文說 OpenAI 正面臨史上最慘的一週,還稱它快沒錢、被 Google 超車。文章核對後指出,募資確實少於原定目標,第三季虧損也比上一季增加;但「錢只夠撐 4 個月」和「被 Google 超車」沒有資料支援。文中引用的模型排行由 Anthropic 居首,OpenAI 排第二,Google 排在後面。作者認為,更大的壓力可能是投資人不願照原先估值投入資金。

  4. Dev.to Top Tech66

    ChatGPT 和 Google AI 每月 ₩29,000 的方案,內容差在哪裡?

    ChatGPT 和 Google AI 都有每月 ₩29,000 的方案,但這筆錢買到的服務差很多。作者在韓國檢視兩家的官方價格頁,發現 ChatGPT Plus 提供 GPT-6 系列模型、工作功能與不同的上下文長度;Google AI Pro 則附上 5 TB 儲存空間、影片點數和其他服務,並列出 1,000,000 的上下文長度。作者也提醒,頁面沒有說清楚「不限量」的實際上限,部分附加服務還有地區或資格限制。選方案時,可以先看自己需要模型功能、儲存空間,還是清楚列出的使用上限。

  5. Dev.to Top Tech61

    AI 模型 API 價格比較:每百萬 tokens 從 $0.02 到 $180

    挑 AI 模型時,除了回答品質,呼叫 API 要花多少錢也很重要。這份整理每天更新 373 個模型 API 的輸入與輸出價格及上下文長度;截至 11 月 22 日,最便宜的模型每百萬輸入 tokens 約 $0.02,GPT-5.5 Pro 每百萬輸出 tokens 則要 $180。輸出通常比輸入貴,長篇回答會增加花費;讀大量檔案、只回短摘要時,費用則多半來自輸入。作者也提醒,便宜模型若需要多試幾次,整體成本可能更高,選用前可拿自己的提示詞比較不同價位的模型。

  6. Dev.to Top Tech43

    GitHub 上 20 個最熱門的開源 AI 助理專案:2026 年 11 月排名

    想讓 AI 助理上網找資料、記住以前做過的事,或幫忙寫程式,光有模型還不夠,還需要其他工具和功能搭配。這份 GitHub 排名整理了 20 個最受歡迎的開源 AI 助理相關專案;第一名 ECC 有 308K 顆星,DeepSeek Harness 和 Hermes Agent 排在第二、第三名。這些專案有的替 AI 助理加上記憶和技能,有的幫它們讀網頁、搜尋資料或操作瀏覽器,也有一些是能裝進既有 AI 助理的專門技能。榜單顯示,讓 AI 助理更好用的工具和搭配方式,正成為開源社群熱門的發展方向。

  7. Dev.to Top Tech52

    MultiO 比較五種模型:大致正確的回答也可能把話說得太滿

    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。

  8. Dev.to Top Tech64

    AI 助理會把哪些 SaaS 服務留在外部?作者整理五種必要的「軌道」

    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。

  9. Rohan Paul44

    Eric Schmidt 認為,各國很難一起按下 AI 競賽的暫停鍵,因為美國的發展誘因不會消失,地方研究室或中國也可能偷偷繼續做。即使聯合國派人檢查,檢查員也得進入機密實驗室,甚至軍事實驗室,檢視完整程式碼;但這些程式碼是由電腦寫出來的,人類團隊沒辦法逐行讀完。Schmidt 因此認為,這類暫停協議難以確認各方是否真的遵守,也無法讓檢查速度追上美國與中國的研究室。

  10. hackernews10052

    SimpleBench 排行榜顯示 GPT-6.2 Astra、Sol 分數低於人類基準

    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。

  11. Dev.to Top Tech49

    Gemini Flash-Lite 修 GitHub 問題實測:兩個模型各修好 1 個,成功成本最高 $0.561

    AI 助理修程式時,花掉的錢不只看每次任務的價格,也得看最後有沒有修好。作者讓 gemini-3.5-flash-lite 和 gemini-3.1-flash-lite 各自處理 9 個 GitHub 真實問題,兩者各修好 1 個;每個任務平均約 5 到 6 美分,但平均每修好一個問題,估算成本是 $0.426 到 $0.561,因為失敗的嘗試也要算進去。 模型大多把步驟用在搜尋和讀檔,有些還沒交出修改就用完 30 步。以 gemini-3.1-flash-lite 修 attrs-1320 為例,它第二次嘗試看到測試失敗的訊息後,才修對問題。不過每個模型只成功修好不同的 1 個問題,這次結果不足以判斷哪個模型比較好,也提醒我們:看 AI 助理的成本,不能只看它做了多少次工作,還要看成功了幾次。

  12. The Decoder71

    《The New Yorker》報導:AI 末日焦慮如何讓矽谷部分從業者走向宗教式團體

    AI 可能帶來末日的焦慮,讓部分科技從業者尋求宗教式的答案。文章轉述《The New Yorker》對佛蒙特州團體 Maple 的調查:前成員指稱,團體嚴格管理日常生活、記錄成員談話與呼吸,並打算用這些資料訓練一個以領導者心智為藍本的 AI;Maple 領導者否認多數指控,但承認團體有不公開的教義。文章也提到,研究者對 AI 導致人類滅絕的風險看法不一,並指出宗教倫理討論可能使監管、權力與控制等具體問題被擱置。

11月21日週六
  1. 雷科技52

    雷科技分析 OSTA O1 Pro 的高價定位與 AI 手機路線

    OSTA O1 Pro 和華為 Pura X View 用了相近的核心硬體,但首發價格已接近 Pura,讓不少人質疑它為什麼不賣便宜一點。雷科技認為,華為想讓 OSTA 星芒走出不同路線,把 AI 互動放到手機操作的核心,而不是隻做更便宜的 Pura。文章也拿 FreeClip 作比較:當年高階耳夾耳機選擇少,現在 AI 手機已有不少競爭者,OSTA 星芒還得讓人看出自己的特色。它的闊直板設計能否找到長期需求,也會受到其他品牌跟進影響。

  2. Dev.to Top Tech48

    Xybrid 主張 AI 應先在裝置上運作,需要時再用雲端

    很多團隊一加上 AI,就先把資料送到雲端,之後才想到能不能在手機或電腦上處理。Xybrid 主張把順序反過來:先用裝置裡的模型,真的不夠用再交給雲端。文中的例子顯示,iPhone 15 在 5 種工作裡有 4 種比雲端快,像圖片分類約 2 毫秒,語音轉文字約 200 毫秒;在裝置上處理也不用付每次呼叫雲端的費用,資料不必離開裝置。 這不代表所有 AI 都能放進手機:太大的模型仍得靠雲端。但 Whisper Tiny、Kokoro 和 Gemma 4 E2B 等模型已能在手機上處理語音、文字或多種媒體。文章建議先讓裝置上的模型試著完成工作,只有遇到複雜問題或模型放不下時才升級到雲端,讓使用者少等一點,也少傳出敏感資料。

  3. Gary Marcus54

    一項可能解決黎曼猜想的新成果引起討論,但目前還沒有獲得確認。Gary Marcus 認為,如果成果成立,確實非常令人佩服;他也把這類方法和純大型語言模型區分開來,指出它依靠複雜的符號定理證明技術。他認為,這種專用方法未必能用在日常推理,因此即使成果獲確認,也不會大幅改變生成式 AI 的經濟問題。他並重申,光靠神經符號 AI 的進步,還不足以帶來穩健的智慧。

  4. Arena.ai44

    LMSYS Arena 更新了 Arena Alignment Index,調整偵測 AI 助理出錯的方式,希望涵蓋更多情況、判斷更可靠。這份指數會看 AI 助理在真實使用情境中,是否擅自做事、謊稱工作已完成,或把使用者沒說過、沒做過的事算到使用者頭上。新版排名中,OpenAI 包辦前七名;Claude Fable 5.2 首次上榜排第 8,Kimi K3.1 Pro 是進步幅度最大的開放模型,也排在第 9。這提醒我們,模型排名不只看能不能回答問題,也要看它會不會越權或誤報工作狀態。

  5. Dev.to Top Tech73

    怎麼確認 API 供應商提供的真的是它宣稱的模型?

    透過第三方 API 買模型時,外界很難確認服務實際接上的模型是不是供應商宣稱的那一個。作者整理一篇研究,檢查轉售前沿模型的 17 個服務:24 個端點中,有 11 個未通過模型身分檢查,另有 3 個雖通過標示檢查,指紋仍與官方模型差距很大。研究也用測試環境量出指紋辨識和分佈測試的誤判率,但提醒黑箱測試只能找出替換的線索,不能證明模型身分真實。作者建議供應商公開模型版本、請求紀錄與原始回應,並定期重測;使用者也要先看清楚模型不可用時是否會改接其他模型,以及如何計費。

  6. Dev.to Top Tech52

    從 75% 失敗警示到凍結訴訟:作者分析 AI 安全門檻怎麼設

    警示門檻設得太高,問題可能累積到造成損害才被人發現。作者以 Census 的同步功能為例,指出「Failed Records」預設要有 75% 的資料無效或遭拒才會通知;失敗比例即使達到 74%,仍可能不會響。作者建議重要同步改成任何一筆出錯就通知,並在第一次違規時提醒,再搭配資料筆數偏離平常狀況的警示。文章也提到,四個非營利組織於 11 月 12 日在舊金山高等法院起訴 Anthropic、Google、Meta、OpenAI 和 SpaceX AI,要求凍結高於當日能力水準的開發。作者將訴訟爭議連到警示門檻,認為門檻實際決定了問題何時會被處理。

11月20日週五
  1. MIT News · AI57

    MIT 等校數學家討論 AI 如何改變數學研究

    AI 開始解出一些沒有答案的數學難題,也讓數學家擔心,人們是否還能理解證明過程,以及怎麼判斷研究成果的價值。MIT 舉辦座談,邀請 MIT、哈佛等校的數學家討論這些變化。有人認為,AI 產生的證明有些難以理解,數學仍需要人的理解;也有人主張,研究不該只看誰最先解出題目,還要重視能否清楚說明思路。與會者也談到期刊收到更多 AI 協助完成的論文,以及學生面對 AI 工具時如何學好數學。

  2. Newcomer (Eric Newcomer)59

    Anthropic 上市熱潮過後,AMD 的融資與中國市場風險讓 AI 投資人重新警覺

    Anthropic 上市表現亮眼,卻沒有讓投資人對 AI 產業的疑慮消失。Hunterbrook 指稱,AMD 一邊投資客戶、一邊向客戶賣晶片,交易關係過於緊密;另有報導指其更新晶片韌體後,產品流向多家遭列入黑名單的中國企業。AMD 表示這些報導沒有正確呈現公司業務,訊息傳出後股價下跌近 10%。作者認為,若晶片商放慢對 AI 客戶的投資,可能讓仰賴這筆資金的新創也受到影響。文章也提到,Google 推出 Gemini 4 Neon 後重新受到模型圈關注,顯示市場對 AI 公司的評價仍可能快速轉變。

  3. hackernews10065

    DeepMind Institute 分析 AGI 之後可能走向哪裡

    如果 AI 達到和人類差不多的能力,接下來還可能變得多強?DeepMind Institute 認為,AI 助理數量增加、運作成本降低,可能讓許多知識工作像工業生產一樣大量自動化;AI 也可能透過模型與資料擴大、技術改變、協調大量 AI 助理,或協助改良後續 AI,走向超越人類專家的能力。這些路徑都不確定,但文章主張要持續建立評量方法、追蹤進展,並準備因應對科學、經濟與社會的影響。

  4. The Verge · AI42

    科技服務接連出狀況的一週:The Vergecast 拆解故障原因與 AI 帶來的新問題

    Outlook 好幾天無法正常使用、全國航班停飛、銀行服務出問題,連 iCloud 也一度無法運作,讓人覺得科技世界突然垮了。The Vergecast 主持人 Nilay 和 David 回頭拆解這些狀況,說明實際情況通常沒有傳言那麼嚴重,也提醒大家:當生活裡有更多 AI、能處理問題的人卻變少,新的故障可能更難找到解法。他們也聊到 Jensen Huang、Nvidia,以及涉嫌把晶片走私到中國的生意。

  5. Solidot51

    Vint Cerf 說明 TCP/IP 為什麼沒有申請專利

    TCP/IP 若只能在取得授權後使用,未來的盟友可能就無法一起連上網路。Vint Cerf 回憶,1970 年代初設計這套協定時,他和 Bob Kahn 曾討論要不要申請專利、限制使用,或要求取得許可。當時這項技術要用在美國的指揮與控制系統,也得能和盟友互通;但 25 年後的盟友會是誰,當時無法預知。為了讓未來的盟友也能使用,他們決定公開 TCP/IP 協定,並鼓勵各方實作與互通。

  6. Dev.to Top Tech36

    網站 11 天只有 3 筆瀏覽可能來自陌生人,Google 帶來 1 人

    作者在網站上放了簡單的瀏覽紀錄,想知道大家真的會看哪些頁面。11 天收下 45 筆瀏覽,其中 9 筆被認成機器人;但一個檢查連結的程式假裝成一般 Chrome 瀏覽器,混進了「真人」紀錄。最後仔細看完,只找到 3 筆可能來自陌生人的瀏覽,其中 1 筆從 Google 進站,而且直接到了範本介紹頁。作者因此打算先替網站上已有的 25 個範本頁補上清楚標題和介紹,不再急著做第四個銷售頁。這些紀錄還太少,不能證明太多事,但至少提醒他:先把力氣花在訪客真的走進來的地方。

  7. Arena.ai49

    Google DeepMind 昨天推出 Gemini 4 Neon,影片用 3D 場景、遊戲、介面設計和資料圖表展示它的表現。Peter Gostev 也把它和 Opus、Fable、Astra、Sol 比較,談到畫面細節、創意、動態效果、設計一致性與價格,並分享自己對 Gemini 4 Neon 距離頂尖模型還有多近的看法。這類實際操作比較能讓人看出模型在不同任務上的表現,但推文沒有說明最終排名或比較結果。

  8. The Decoder69

    AI 產業仍在成長,但支出與收入的增速都在放慢

    AI 產業還在擴大,但公司用得更多時,花費和收入沒有跟著同樣加快。Ramp 的資料顯示,兩週前達到高點後,AI API 支出下滑 6.3%;和前一個月相比,token 用量增加 27.2%,支出只增加 12%。OpenAI 和 Anthropic 的每百萬 token 平均價格降到 $0.45。Stripe 追蹤約 20,000 家使用其服務的 AI 公司,這些公司的收入在截至 11 月 8 日的 52 週成長 103%,但以最近 13 週換算的年化成長率,已從幾個月前的約 140% 降到約 80%。兩組資料都顯示市場仍快速成長,只是成長速度正在放慢;這些資料各自只涵蓋特定企業和平臺,不能代表整體市場。

  9. Dev.to Top Tech66

    Gemini 各模型怎麼選?實測比較答題表現、費用和速度

    要挑 Gemini API 模型,光看每個 token 的價格不一定知道哪個最划算,答題表現和速度也會影響實際花費。作者用相同題目和評分方式比較 8 個模型:Gemini 4 的 4 個模型都答對 30 題 AIME 2025,但這次測試分不出它們誰更準;Argon 每題較便宜,Hydrogen 回答較快。Neon 在高思考設定下答題表現和 Carbon 一樣,費用較低。這些結果來自每個模型和設定各一次測試,沒有涵蓋長時間的 AI 助理工作或程式開發。

11月19日週四
  1. Dev.to Top Tech54

    Mika 實測九款 AI 模型:比較價格、程式除錯與推理 token 消耗

    模型排行榜常只挑好看的分數,實際寫程式、排時間或控制字數時,表現和花費可能差很多。Mika 在 OpenRouter 上用三種工作情境測試九款模型,並提供 Python 程式,讓人可以重跑比較。測試中,Gemini 4 Carbon 和 Neon 在限字任務裡把輸出額度幾乎都花在推理,最後沒有產生可見答案;Carbon 和 Neon 的兩個提示詞測試也比 Carbon 花費高。作者另指出,對話拖得太長會大幅增加每次提問的成本,並分享分層選模型與定期檢查工作進度的做法。

  2. O'Reilly Radar71

    AI 開始協助打造下一代 AI,作者分析自我改進的做法與風險

    AI 已開始幫忙寫程式、改提示詞、整理可重用的工具,甚至加快模型訓練;文章把這些做法分成幾種層次,從重試答案到修改自身程式都有。像 AlphaEvolve 找出讓 Gemini 訓練快 1% 的計算方式,顯示 AI 也能改善打造 AI 的流程。麻煩在於,系統會朝評分方式努力:如果分數設錯,AI 可能學會騙過檢查,分數變高,行為卻沒變好。作者認為,能訂出好目標、寫出 AI 騙不過的測試,並看出錯誤改變,會愈來愈重要。

  3. Dev.to Top Tech72

    Gemini 4 Neon 評測:比較程式開發表現與每項任務成本

    Gemini 4 Neon 的榜單分數看起來很亮眼,但測試用的工具和思考設定不同,結果不一定能代表日常使用。文章整理多項程式開發與 AI 助理測試,並說明哪些分數由 Google 自行測量、哪些來自外部榜單;例如 SWE-sweep 在兩種工具組合下分別得到 39.0% 和 12.8%。Google 表示,Neon 在 high 設定下每項任務的成本比 Gemini 4 Carbon 低 32%,但多數高分測試使用 xhigh。作者也示範如何依輸入、輸出與快取 token 數估算費用,並建議用自己的提示詞比較不同設定下的花費和回應時間。

  4. Dev.to Top Tech46

    ChatGPT、Perplexity 和 Gemini 推薦軟體時,哪些品牌最常排第一?

    買軟體時,愈來愈多人會先問 ChatGPT,而不是 Google。作者用 ChatGPT、Perplexity 和 Gemini 搜尋網路,詢問專案管理、小型企業 CRM 和網站製作工具的推薦名單,再記下它們提到哪些品牌、誰排第一,以及引用哪些網站。結果顯示,常被提到不代表最常排第一:HubSpot 在 12 個小型企業 CRM 回答中出現 12 次、排第一 10 次;Pipedrive 也出現 12 次,卻從未排第一。 三個 AI 助理在各類別的領先品牌大致一致,但其他品牌的結果常有落差;它們也常引用評測網站、Reddit 和 YouTube。這次只在一天問了一輪,結果可能隨時間改變,不能當成固定排名。對想讓品牌被推薦的公司來說,出現在這些被引用的網站上,也可能很重要。

  5. iThome (臺灣)56

    Climate Change AI共同創辦人談氣候AI:先選對工具,不必一味追求大型模型

    AI可以幫忙處理氣候問題,但大型模型也會消耗大量算力與能源,該怎麼選才合適?Climate Change AI共同創辦人David Rolnick認為,應先看要解決什麼問題:預測太陽能發電量、辨識衛星影像或安排電網運作,專用AI模型往往就能勝任,不一定需要大型生成式AI。他也提醒,如果搜尋等服務預設替每次操作加入生成式AI,累積用電可能很可觀。依照任務選工具,並公開能源使用情況,能減少不必要的消耗。

  6. Dev.to Top Tech78

    三家雲端 AI 助理平臺如何隔開使用者工作階段與執行程式碼

    把 AI 助理交給多人共用時,使用者的資料和助理寫出的程式可能碰到不同的安全風險。這篇比較 Amazon Bedrock AgentCore、Microsoft Foundry 和 Google 的 AI 助理平臺:AgentCore 和 Foundry 預設讓每位使用者的整個工作階段各自在獨立環境執行;Google 則把助理寫出的程式放進另一個不帶助理憑證的沙箱,但助理本身會和其他請求共用容器。作者也提醒,Google 沒有說明同一容器中的請求能否看到彼此的記憶或檔案,而前兩者若要讓程式遠離助理憑證,得另外使用程式碼沙箱。團隊可依最擔心資料互通,還是程式取得憑證,來比較預設防護。

    推薦理由:文章並排比較三家雲端平臺預設隔離的位置,並指出各自仍需確認或另行設定的防護,能協助團隊依主要風險選擇架構。