AI 熱評:你需要閱讀程式碼嗎?RAG 已死?Skills 殺死 MCP?
GitHub Podcast 討論了關於閱讀 AI 生成程式碼、RAG 是否已過時以及 Skills 與 MCP 的關係等熱門觀點。文章指出,閱讀 AI 生成程式碼仍需審查,RAG 仍具價值,Skills 與 MCP 各有定位,建議結合標準與實踐共同使用。
GitHub Podcast 討論了關於閱讀 AI 生成程式碼、RAG 是否已過時以及 Skills 與 MCP 的關係等熱門觀點。文章指出,閱讀 AI 生成程式碼仍需審查,RAG 仍具價值,Skills 與 MCP 各有定位,建議結合標準與實踐共同使用。
Epoch Brief 於 2026 年 9 月 12 日釋出,提供 AI 產業趨勢、硬體競爭、GDP 影響及 GPT‑6 Astra 評測等多元洞察。 - AI 晶片競爭:華為 Ascend 950 與 Nvidia H100 相比,算力僅為其一半,且受出口管制限制,預估 2026 年 AI 計算量不到 Nvidia 的 4%。
企業 AI 領域的下一個真正限制是硬體利用率而非模型智慧,正如航空業的生存取決於飛機在空中的時間。GPU 的成本按日曆小時累積,擁有更多 GPU 並不能保證業務成功,企業經濟效益正日益取決於硬體在任意時刻的利用率。從模型質量競爭轉向算力基礎設施部署後,如何保持硬體持續運轉已成為決定投入成敗的關鍵。
DeepSeek 於 4 月 24 日發布旗艦 DeepSeek V4 模型後,在 OpenRouter 上的 token 佔有率在六個月內實現翻倍,其中很大一部分增長由 Agentic 工作負載驅動。
summary_zh: 作者指出,AI 產業正面臨「偏差正常化」風險,企業與開發者過度依賴 LLM 輸出,可能導致安全漏洞與意外行為。 - 概念來源:此術語源自社會學家 Diane Vaughan 的「偏差正常化」概念,最初用於解釋美國航天挑戰者號災難中警示被忽視的過程。