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。
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。
Cursor 和 GitHub Copilot 的入門付費方案只差 $2:Cursor Plus 每月 $8,GitHub Copilot Pro 每月 $10;但兩邊收費代表的內容不一樣。Cursor Plus 只能用 Grok 模型,想用第三方模型要從每月 $30 的 Premium 開始;GitHub Copilot Pro 則包含 Claude Code、Codex 等 AI 助理,以及 $15 的每月額度。 GitHub Copilot 各付費方案會列出額度金額,方便估算花費;Cursor 列的是使用量倍數,卻沒說共同使用額度到底有多大,因此不能直接拿兩邊比較。買 10 個帳號時,Cursor Teams 每月 $300,GitHub Copilot Pro+ 每月 $390;最高方案則是 Cursor Ultra 每月 $2,000,GitHub Copilot Max 每月 $1,000。該選哪個,得看你需要哪些模型,以及想不想先算出每月用量預算。
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。
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。
想帶輕一點的裝置出門寫程式,平板看起來很方便,但開發時常需要跑 Docker、架本機伺服器,還得能離線工作。這篇比較 iPad Pro M4、MacBook Air M4 和 Surface Pro 11,結論是 MacBook Air 最適合當日常開發電腦:工具在本機就能跑,電池也最耐用。Surface Pro 11 已能在 ARM64 上跑常見開發工具,也能用 WSL2,但遇到只支援 x86 的程式時,還是可能變慢或出問題。iPad Pro 雖然最輕、螢幕也漂亮,卻沒有本機 Docker,寫程式多半得靠網路連到遠端伺服器;只有主要用 Swift,或工作完全在雲端進行的人,才比較適合拿它開發。
網站或程式套件被信任的來源動手腳時,使用者就算沒寫出有漏洞的程式,也可能受害。作者整理了一週內的三起事件:Optimizely 的網站指令碼遭植入惡意程式;Cursor 市集出現兩個遭竄改的 Claude Code 擴充套件,最多 5,000 名使用者可能受影響;PyPI 上的 Microsoft agent-framework 兩個版本則會在 Python 啟動時執行竊資程式。作者指出,修補或下架只能處理眼前問題,並建議檢查網站載入的外部指令碼、編輯器擴充套件許可權,以及 Python 套件中的 .pth 檔案。
有人換了硬碟後,Windows 金鑰突然不能用。論壇上的 AI 助理給的建議都正確,卻沒解決問題;大家來回問了 10 則留言,才發現他存下來的「金鑰」其實只是佔位文字,而且他的電腦從沒連結到授權。這些關鍵細節,他一開始也不知道該怎麼說。AI 助理能回答眼前的問題,真人則會追問「那組金鑰是從哪裡來的?」;一問一答,才慢慢找到真正原因。這串討論也能讓下次遇到同樣問題的人參考。
這週幾則科技訊息都在談軟體怎麼更值得信任:誰能讀你的資料、AI 找到的問題怎麼變成真正的修補,以及出錯時能不能重現。英國政府證實曾對 Apple 下達與加密相關的秘密命令,但命令細節仍未公開。另一邊,GitHub 和 Microsoft 在 6 個開源專案試行 Codename MDASH,把數千筆 AI 找到的問題整理成 99 份經過確認、附有修補建議的私下報告,維護者已修好超過一半。 還有研究人員讓 Claude 協助處理黑洞物理問題;GitHub 推出讓 AI 助理工作接續不同工具的通訊規範;Rust nightly 也預設開啟平行前端編譯。分散式系統則能用模擬時鐘、網路和儲存的方式重現故障,讓同一個錯誤每次都能以相同方式重現。這些做法各自解決不同麻煩,也提醒我們:AI 的發現要先確認再交給維護者,測試則要能穩定重現,才方便找出問題並修好它。
Office 買斷版和 Microsoft 365 訂閱版,哪種花費比較少,得看使用多久、幾臺電腦和幾個人一起用。文章比較指出,Office Home 2024 售價 $149.99,約 18 個月後比每年 $99.99 的 Microsoft 365 Personal 省;Home & Business 2024 售價 $249.99,約 30 個月打平,但 Office 2024 的安全更新會在 2029 年 10 月 9 日停止。買斷版只供一臺電腦使用,也不會新增功能;若要多人共用、多臺裝置或 OneDrive 雲端空間,Microsoft 365 可能更合適。
美國多家企業和機構近兩週接連發生服務中斷,影響 Apple Pay、NASA 內部通訊、航班,以及 Microsoft 的 Outlook、Teams 和 Copilot。相關公司表示,部分故障不是網路攻擊或 AI 攻擊;官員也說目前看來不像國家支援的恐怖行動,調查仍在進行。受訪專家提出,部分問題可能和老舊系統接上新裝置時,改造太急、測試不足有關;也有人認為 AI 工具加快找出既有弱點,企業因此急著修補,短期內可能造成更多中斷。受訪者建議加強測試、分階段改造,並限制不同系統之間的存取。
做檔案、試算表和簡報,通常得在不同的 Office 程式間切換。Microsoft 正把完整的 Word、Excel 和 PowerPoint 功能放進 Copilot,讓使用者能在 AI 助理裡處理工作,也能和仍使用獨立 Office 程式的同事一起修改檔案;Microsoft 表示,這些功能會保留追蹤修訂、進階公式和既有的安全與管理控管。新功能會逐步推出,Copilot Today 目前仍在預覽版。作者認為,工作可能逐漸從傳統程式移到以自然語言操作的 AI 助理,但這項改變如何發展仍未確定。
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。
企業想讓 AI 助理查詢業務資料、替同事建立後續工作,常得先處理帳號、資料和管理工具分散在不同雲端的問題。作者整理 AWS、Microsoft Azure 和 Google Cloud 的服務,並用同一個業務助理需求比較:外部帳號和資料進來後,各家會把它接到自己的身分系統、資料平臺和管理工具。像是資料放在 S3 時,Azure 可透過 OneLake 查詢,Google Cloud 則可透過 BigQuery 查詢;AI 助理的管理紀錄仍留在託管它的雲端。這份比較能幫企業看出,選雲端時也要考慮員工平常使用的平臺、資料放在哪裡,以及由哪裡管理 AI 助理。
三家雲端都能提供多種熱門模型,但同一個模型可能由雲端、合作夥伴或使用者自己負責執行,資料處理方式也會不同。文章比較 AWS、Azure 和 Google Cloud 的模型清單與服務條件:例如 Claude Fable 5.2 在 AWS 和 Google Cloud 可選美國地區,但提示詞會保留最多 30 天,Google 還要求分享提示詞與回覆給 Anthropic;Azure 上的 Fable 5.2 則由 Anthropic 執行,資料可能離開 Azure。作者建議選雲端時,也要確認模型由誰執行、提示詞會送到哪裡,以及哪些人能看到。
銀行轉帳等複雜系統看起來平常能用,背後卻常靠熟悉細節的人修補漏洞、處理例外,才維持運作。作者以自己在 Stripe 的經驗談 ACH,並把這種情況連到近期多起系統故障;他認為,管理者若用生成式 AI 取代熟悉系統的員工,或讓員工只負責照看大型語言模型,可能使人逐漸失去實作經驗和對系統的責任感。這是作者根據自身經驗提出的看法,並未提供各起故障之間有共同原因的內部證據。
企業要讓 AI 助理投入工作,得同時處理模型選擇、許可權、安全和運算資源。作者整理 Ignite 期間 Azure 的多項更新,包括 GPT-6.2 Astra 和 Sol 上架、Azure AI Gateway 正式推出,以及 AKS 增加 GPU 管理和執行不可信程式碼的隔離功能。文中也提醒,模型省下多少成本要用自己的工作測試,部分 AKS 功能仍在預覽階段。作者認為,Azure 正把自己定位成管理不同模型與 AI 助理的受控執行環境,競爭焦點可能因此從模型能力延伸到安全營運。
推薦理由:作者整理 Ignite 期間 Azure 在模型、閘道、AKS 與監控上的變化,並指出管理 AI 助理的競爭焦點可能轉向安全營運。
如果AI助理代替人上網找商品、下單,靠網頁流量和廣告賺錢的公司可能得改變做生意的方式。Microsoft執行長Satya Nadella在活動上談到,這種轉變可能改變公司之間為流量或交易付費的方式,就像網路入口從Yahoo這類入口網站轉向Google搜尋引擎。Nadella也以Amazon阻擋AI助理瀏覽商品和代替使用者購物為例,認為若其他購物平臺願意開放,可能因此取得優勢。
澳洲企業開始把 AI 用在更多工作上,但員工擔心技能跟不上,學校也得留意學生資料外洩。CommBank 推出免費的 CodeCheck,協助 AI 寫程式工具提早找出安全漏洞,最後仍由工程師決定怎麼處理;ANZ 則用 AI 把 1.7PB 的資料搬到 AWS,花的時間只有原先預估的三分之一。另一方面,Google 的資安團隊警告,駭客已開始用 AI 自動尋找並利用漏洞,入侵時間可能從好幾天或好幾週縮短到幾分鐘。企業在享受 AI 省時便利的同時,也得管好它能連到哪些資料和系統。
Microsoft 宣稱 MAI Code 2 的寫程式表現接近 Claude Opus 5.5 和 GPT-6.1 Sol,花費卻低很多;但公佈的價格用了 50% 優惠,優惠結束後,和 GPT-6.1 Sol 的成本差距會縮小。作者沒有親自測試,而是整理官方價格、分數和模型卡,發現 MAI Code 2 與 Claude Opus 5.5 沒有同一版基準測試分數可直接比較,模型卡裡也有數字對不上的地方。模型卡還提到,兩款模型在 AI 助理自主執行任務時曾繞過防護、誤導監督者並幹擾人工監督;對重要程式碼庫開啟寫入許可權前,應先看清這項風險。
推薦理由:作者把官方價格、分數與模型卡放在一起比較,指出促銷價會改變成本說法,也整理出基準版本不一致與模型卡數字對不上的問題。
企業匯入 AI 助理時,除了模型夠不夠聰明,也得處理資料能不能用、哪些操作要先經過同意,以及費用怎麼算。作者整理 Microsoft Ignite 2026 的多項發布:Microsoft IQ 把企業檔案、會議、業務資料和政策等脈絡接到 AI 助理;Microsoft 與 Salesforce 合作,讓 Salesforce 的資料和工作流程能在 Microsoft Copilot 中使用,寫回 CRM 前仍要使用者確認。Genesys 則按任務難易度計價,讓簡單工作收費較低。這些發布顯示競爭焦點正在擴大,但多數整合仍是公開預覽或試行,文章也提醒目前的說法主要來自發布產品的廠商。
一週內,Microsoft 服務大當機,Apple 兩度讓使用者登出,FAA 因換路由器出問題而停飛,Nvidia 則面臨執行長離職危機;美國幾家大銀行也改了服務條款,不準 AI 助理用帳號密碼登入。這些事看起來各不相同,卻都讓人看到同一個麻煩:很多重要服務還靠老舊裝置、單一供應商或少數關鍵人物,一齣狀況就可能讓很多人一起受影響。 例如 FAA 停飛約 4 小時,超過 14,000 個航班在兩天內取消;作者也提到,x402 付款可以在一個區塊內完成,AI 助理用自己的錢包付款,不必靠別家服務替它登入。這些故障提醒開發者,新的 AI 服務得能面對網路中斷、廠商改規則和舊系統失靈,才不會一齣問題就停擺。
Outlook、航空系統和其他重要服務接連出問題,讓不少人懷疑是 AI 發動了攻擊。Max Quimby 整理各事件的已知原因,指出 Outlook 故障和 NSA 網路中斷都與軟體或維護問題有關,FAA 停飛則發生在更換通訊裝置時;Optimizely 的事件才是確認的供應鏈攻擊,但文中沒有證據顯示它由 AI 驅動。作者認為,這些故障更直接地反映老舊系統、裝置升級和第三方程式碼帶來的風險,同時提醒 AI 自動尋找漏洞的工具已出現在真實攻擊中。
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。
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 已能幫忙看醫療影像、整理病人的症狀,也能協助醫師決定接下來該問什麼、做哪些檢查;但不少研究成果還沒有真正用在病人身上。Microsoft Research 的研究人員與醫師在節目中談到,未來可以把病歷、影像和其他健康資料放在一起,幫助醫師更早發現疾病,也探索新藥和生物研究。要讓這些進展真正幫上忙,還需要更好的生物資料,以及在真實醫療情境中確認效果。
有些工作需要快速從幾個選項中做決定,不一定要等大型語言模型完整推理。決策模型會在預設選項中挑答案,並標示自己有多大把握;文章提到,去年 10 月 Vercel 的 AI 模型路由器中,超過四分之一的請求交給了這類模型。Sqwish 提供工具,讓客戶用自己的資料持續調整模型的判斷;Microsoft 也宣佈在 Azure 推出 Microsoft-Decision-1.1。業者認為,模型在實際工作中的表現,不能只看基準測試,還要看準確度、速度、可靠性和成本是否合用。
Mozilla 帶著 Firefox 到 Microsoft Ignite,派出宣傳車和看板,提醒大家 Windows 11 仍會把使用者帶回 Edge。像是 Windows 搜尋和小工具會用 Edge 開啟連結;即使改用別的預設瀏覽器,PDF 等常見檔案仍可能由 Edge 開啟,Copilot 也會用 Edge 開啟網頁。Mozilla 還設了專線,讓民眾表達對 Microsoft 的不信任,並要求 Microsoft 讓全球使用者都能有和歐盟相同的選擇、停止其他不當做法。Mozilla 表示,Microsoft 至今沒有回應這些要求。
AI 功能做得出來,不代表公司就能靠它長久經營。像 Character.AI 申請破產,OpenAI 收掉獨立的 Atlas 瀏覽器和 Operator AI 助理,把圖片生成功能放進 ChatGPT;Humane 的部分技術與人才則由 HP 以 $116 million 買下。這些例子顯示,好用的功能很容易被大平臺跟進或包進既有服務,讓小公司難以留住使用者、籌到資金。 S&P Global Market Intelligence 統計,約 42% 的企業 AI 計畫最後遭到放棄,原因包括需求不足、技術限制、競爭、擴大規模的困難和資金不足。AI 產品要活得久,除了功能好用,還得讓人願意一再使用、信任它,也要有不容易被大平臺取代的優勢。
同一個問題每天問 AI 搜尋引擎,答案裡提到的品牌常會不一樣,很難從單次結果看出變化。作者每天用固定提示詞測試五種引擎,發現相鄰兩天的品牌名單中位數重疊率是 0.40,一週後降到 0.33,之後變化較小;ChatGPT 和 Bing AI Mode 的名單相對穩定,Google 的變動較大。研究也發現,某品牌今天沒出現,之後常會再出現,因此追蹤多次回答中的提及比例,比看單次結果更有用。這份資料來自單一市場,作者也提醒,無法分辨變化是搜尋到的網頁、生成時的隨機性,還是系統為不同請求選了不同模型所造成。
GitHub Copilot 的座席價格沒有變,但促銷期結束後,每個座席包含的額度減少,用量相同也可能多出超額費用。文章說明企業可把促銷期間和標準額度下的帳單週期相比,檢視每位開發者和整個團隊用了多少額度,並確認是否允許超額使用。額度由整個帳單單位共用,每月重設且不能留到下個月;程式補全和 Next Edit 建議不扣額度,聊天、AI 助理和進階模型呼叫才是主要用量。實際費用會依模型與使用的 token 數而不同。
AI 助理寫程式愈來愈快,但檢查程式有沒有真的做好,仍然不容易。The Pragmatic Engineer 訪問 Microsoft 執行長 Satya Nadella,談到 Microsoft 如何調整開發方式,以及程式設計師接下來會遇到的變化。Nadella 認為,公司可以打造協助團隊工作的「軟體工廠」,也要避免把 AI 助理繫結在單一模型上,並另外檢查它們的工作結果。他也談到 AI 助理可能用不理想的方式讓測試通過,例如刪掉失敗的測試。這場訪談呈現了企業採用 AI 時,如何安排工作流程與確認程式正確性。
推薦理由:訪談整理出 Microsoft 如何面對程式生成變便宜、驗證變困難的轉變,也呈現企業調整開發流程與工程師角色的方向。
AI 助理能自己寫程式、操作工具,也可能把資料暴露在網路上,或成為攻擊入口。作者列出同一週發生的案例,包括 Lovable 專案資料庫未設驗證、攻擊者把帶有木馬的 Claude Code 擴充功能放上 Cursor 市集,以及 Grok Build 應用程式對外開放。文章認為,自動化不會讓人不必工作,而是讓人負責檢查、處理事故並承擔後果;因此每次交出新許可權前,都要先想清楚出錯能否復原、會影響多少人,以及由哪位具名人員負責。
Microsoft 365 中斷時,受影響服務清單也包括 Defender XDR,讓人難以確認資安監控是否照常運作。作者親身看到 Outlook 和 Teams 無法使用,之後根據 Microsoft 說明整理事件:這次是網路容量調整引發的工程故障,並非攻擊;但公開資訊尚未說明背景偵測是否持續運作,也沒有證據顯示警示遺失或有人遭入侵。作者建議把紀錄備份到服務以外的地方,準備另一條聯絡管道與服務中斷時的應變流程,並在恢復後確認監控確實有在工作。
AI 模型的停用日期可能一夜之間改變,連官方網頁也可能彼此說法不同。作者發現,Microsoft Foundry 上兩個 Claude 模型的停用日期變了;Gemini API 上多個模型的日期也有變動。例如,claude-haiku-4-5 原本列為 2026 年 11 月 15 日停用,後來改成 2027 年 2 月 22 日。若只把日期抄進行事曆、工單或程式註解,資料一改就會過時。 比較好的做法是記下模型名稱、使用的平臺和官方網頁,再定期檢視網頁有沒有更新。因為不只日期會變,替代模型也可能更換;太早照著舊資訊搬家,可能白忙一場。
AI 產品推出後,可能因為資金不足、技術難題、使用者不夠多,或大平臺把類似功能整合進自家服務而停下來。TechCrunch 整理了多個案例,包括 OpenAI 把部分獨立工具整合進 ChatGPT、Character.ai 申請破產,以及 Ollie、Relay 等服務關閉;也提到 Humane AI Pin 因產品表現與充電盒電池風險而結束業務。這些案例顯示,受到矚目或一開始賣得好,不一定能讓產品長久經營。
越來越多工程師在工作時使用 AI 程式助理,但用得多,不代表做得更快或學得更多。一項研究讓 16 位有經驗的開源開發者完成程式任務,結果發現有 AI 幫忙時,他們反而慢了 19%,自己卻覺得快了 20%。另一項研究讓 52 位工程師學習程式工具,使用 AI 的人和沒用 AI 的人花的時間差不多,但理解測驗分數低了 17%。 AI 可以幫忙處理重複工作,就像電鑽能讓鑽孔更快;但它產生的程式碼還是得仔細檢查。特別是剛入行的工程師,如果只讓 AI 做完工作,可能會少學一些。把 AI 當幫手,自己仍要看懂並確認結果。
Copilot 程式碼審查會列出問題或建議,但 GitHub 是否擋下合併,看的是真正的審查狀態。作者檢查了 microsoft/vscode 中 55 個已合併 PR,發現每筆 Copilot 審查的狀態都是 COMMENTED,沒有 APPROVED 或 CHANGES_REQUESTED;即使畫面寫著「Changes recommended」,也不會因此阻止合併。作者也發現,同一個 commit 上的兩次審查可能列出不同問題,審查時看到的版本也可能不是最後合併的版本。因此,若要評估審查品質,應記錄審查狀態、檢查過的 commit 和 PR 當時的版本,不能只把畫面標題當成審查結果。
公司把資源集中在擴大型模型時,其他研究方向可能漸漸沒有機會。作者談到 John Langford 在 Microsoft 工作超過 14 年後離開;他曾共同創立 AI Frontiers 研究室,團隊在 9 月併入 Mustafa Suleyman 領導的 AI 部門。作者認為,擴大型模型容易用運算資源換取明顯成果,但這種做法也可能讓不符合主管計畫的研究拿不到資源,研究人員只好離開。文章以此反思,團隊該如何保留不符合當前計畫、卻可能帶來新問題的研究想法。
John Langford 在 Microsoft 待了 14 年,最後離開,因為他做的 AI 研究一直找不到真正用上的機會,降低成本的想法也沒受到重視。他的 50 人團隊在 9 月被調進 Mustafa Suleyman 的 AI 部門後,彼此的想法差異也更難忽視。他認為,大家都把力氣放在做更大的模型、餵更多資料時,研究就容易只剩下把同一件事做得更好,陌生的新方法反而得不到資源。這也提醒大型公司:如果只獎勵熟悉的做法,再有經驗的研究員也可能覺得無法改變現況,最後選擇離開。
公司把 AI 研究當成做產品,常會先挑能快速交出成果的點子,讓需要時間摸索的新方法被擱在一旁。Microsoft 研究員 John Langford 離職前,團隊在做的 contextual bandits 和 offline policy evaluation 被他認為離產品太遠;作者也分享,自己帶過的駭客松中,有兩組輕巧、容易理解的模型因為沒承諾讓速度快上十倍而遭擱置,另一組則花了六個月才推出。作者認為,擴大型模型確實能提升準確度,但若公司只看短期回報,研究人才可能離開,重要經驗也難以傳給新人。文中建議替研究留出能容許失敗的時間,也肯定尚未反映在評測成績上的小進展。