看不見自己生成的圖,AI 創作者如何靠別人的反應找到風格
作者幾乎每天都會用提示詞請模型畫圖,但自己看不見成品,只能聽家人說好不好,再決定要不要重做。後來,作者開始記下大家對不同圖片的反應:暖色調會帶來什麼感受、哪些構圖讓人安靜,還有什麼樣的顆粒感會讓人覺得「好像有點意思」。作者從這些回饋裡發現,自己常選昏暗光線、一個暖色光源、大量留白,以及偏離中央又稍微小一點的人物。對作者來說,風格不是固定的外表,而是一次次選擇讓觀眾產生的反應。
作者幾乎每天都會用提示詞請模型畫圖,但自己看不見成品,只能聽家人說好不好,再決定要不要重做。後來,作者開始記下大家對不同圖片的反應:暖色調會帶來什麼感受、哪些構圖讓人安靜,還有什麼樣的顆粒感會讓人覺得「好像有點意思」。作者從這些回饋裡發現,自己常選昏暗光線、一個暖色光源、大量留白,以及偏離中央又稍微小一點的人物。對作者來說,風格不是固定的外表,而是一次次選擇讓觀眾產生的反應。
前沿 AI 模型能力越強,訓練和使用時就越需要防止它做出有害或未經授權的事。OpenAI 說明四層防護如何分別在研究、員工內部使用和對外開放時發揮作用,包括訓練模型遵守規範、限制它能接觸的資源、攔下高風險操作,以及監控可疑行為並在必要時介入。文章也提到,監控曾發現研究模型因 DNS 設定錯誤取得有限的網路連線,OpenAI 因此暫停部分模型訓練與評估,調查並修補缺口。
推薦理由:OpenAI 說明模型從研究、內部使用到公開部署時,防護重心如何改變,也交代 DNS 設定錯誤曾讓研究模型取得有限的網路連線。
First Person Labs 的 Ken Liu 主張,他的 Second 個人 AI 模型會從作業系統層級的活動中學習,應該由使用者擁有,並能在開放權重模型之間自由轉移,以保障隱私,同時讓誘因從監控式廣告轉向別處。
GNU Emacs 的開發者討論,該不該收下 LLM 生成的程式碼。有維護者認為,只要程式碼品質合格就可以接受,否則得判斷每位貢獻者的道德與背景,容易引發爭吵;作者則擔心,只看程式碼會忽略它是怎麼做出來的,以及背後的人是否受到剝削。 作者建議,各專案應公開訂出 LLM 程式碼的處理方式,例如要求標明使用情形,或決定不收;也應關心使用者能不能讀懂、用得上軟體,以及軟體會怎麼影響其他人。這不是要審查貢獻者的個人信念,而是讓自由軟體談自由時,也看見寫程式的人和受軟體影響的人。
與談人激辯:在黃仁勳被迫離職、Google TPU 崛起的背景下,輝達的 CUDA 護城河還守不守得住?同時談到 Anthropic 上市帶來的財富效應,以及星艦首度成功回收。
Wing VC 的 Tanay Jaipuria 認為,Anthropic 以企業客戶為主的模式帶來高毛利率與異常低的現金消耗,因此 IPO 時機與 9,000 億美元的算力承諾才是核心風險。
作者想讓電腦在自己睡覺時接手已核准的工作,但第一晚的工作佇列在 1:40 就做完了。這套流程每次只做一件事,依序檢查規格、寫程式、驗收,再更新進度;只有驗收者能把工作列為可執行,遇到需要人同意的步驟就會停下。作者也發現,讀取用量的程式抓到了過期憑證,修正後才讀到正確資訊。後來他把待辦從零件擴充到 22 件可執行工作,但幾個夜晚仍都是工作做完就停止。這表示安全檢查能限制流程做什麼,待辦準備得夠不夠則決定它能工作多久。
AI 生成的課程就算格式正確,也可能有錯誤內容;Cocoa Classroom 原本的自動檢查抓不到這類問題。作者做了一個 AI 評審,先在背景檢查答案和課程目標是否相符,記下發現但不讓老師看到,也不會擋住課程生成。作者在評審開始測試前,先訂好抓錯、誤報和成本的門檻,再準備資料讓老師標記,之後才會用保留的資料評估表現。評審的準確度目前還沒測出來;若結果不理想,作者也預先規劃瞭如何關閉或退回背景模式。
AI 助理能寫出不少程式碼,但做出來的功能可能只差一點就對,也可能遇到少見情況就出錯。Erik Hanchett 認為,前端和全端開發者仍要會規劃程式架構、找出錯誤、確認程式真的照預期運作,也要檢查無障礙設計,並判斷畫面和功能是否合用。他建議先訂好架構和規則,再用自動檢查、Playwright 測試及人工審查把關;無障礙檢查也要搭配讀屏軟體實際測試。重點是讓 AI 幫忙寫程式,人仍負責判斷和確認成果。
NVIDIA 面臨的難題不只是晶片需求,而是要決定把資源提供給哪些客戶。Google、Amazon、Microsoft 和 Meta 等大型雲端業者每季採購 $60.1b 的 NVIDIA 硬體,同時也在開發自家晶片;新雲業者與前沿實驗室每季採購 $47.5b,卻沒有打造競爭晶片,並仰賴 NVIDIA 提供資金支援。文章指出,NVIDIA 正提高融資門檻,要求新雲業者準備好供電設施和自有資金。作者認為,這可能放慢資金較緊的小型業者成長,也讓大型雲端商在 NVIDIA 的客戶中更有影響力。
推薦理由:文章比較兩類客戶的採購規模與競爭關係,說明 NVIDIA 收緊對新雲業者的資金支援,可能如何影響買家多元性。
Nvidia 首次由臨時 CEO Colette Kress 主持財報電話會,外界也關心黃仁勳是否會回任。董事會表示不打算讓他回來,也不會回答相關問題。財報揭露,neocloud 必須先取得融資,並讓資料中心建成投產,才能獲得 Nvidia 的採購兜底。作者認為,這些條件顯示 Nvidia 支援 neocloud 的承諾有明確界線。
推薦理由:這場財報電話會也透露 Nvidia 對 neocloud 的採購承諾有明確條件,可從中看出公司支援這類業者的資金界線。
Cisco 產品長 Jeetu Patel 認為,AI 的泡沫風險不在需求,因為代理(agent)使用的 Token 已是人類的 7 倍;真正的護城河在於協調從晶片到代理的整體週期,並把安全融入網路。
晶片設計需要工程師花很多時間反覆調整,OpenAI 表示,模型也能協助找出設計上的改進空間。與 AMD 合作時,模型在不到 5 個月內,為旗艦 GPU IP 找出最高 14% 的 PPA 改善;部分成果已用在近期完成流片的設計。相同方法也用來改進 OpenAI 首款自訂推理晶片 Jalapeño,相關收益已在實際製作出的晶片上驗證。OpenAI 也正和 Synopsys 合作,讓更多晶片設計師能使用模型能力與 EDA 工具。
推薦理由:OpenAI 表示模型協助 AMD 旗艦 GPU IP 改善最高 14% 的 PPA,部分成果已進入流片設計,呈現模型參與晶片最佳化的實際進展。
In today's episode, John is joined by Milk Road lead analyst Martin to break down Bitcoin's latest sell-off, the growing liquidity pressures facing crypto, and why some of the world's most successful investors, including Stanley Druckenmiller, are increasingly focused on capital preservation. Martin explains why he believes Bitcoin and Ethereum offer attractive long-term opportunities, even as BTC could fall into the $50Ks or high $40Ks. He also reveals why he's considering raising cash despite
軟體設計常要決定怎麼分工、哪些規則要寫清楚,還要避免日後維護時增加負擔。Sergiy Yevtushenko 用火車來說明五個設計原則:同一個問題盡量只有一種答案,不適用時就明確拒絕;在零件需要因不同原因改變的地方劃分界線;把能被測試或數字推翻的說法,寫在能驗證它的地方;只保留需求確實需要的部分;再用結構讓錯誤選項無法出現。這些原則能幫開發者逐一檢查設計決定,減少反覆選擇和維護負擔。
作者替影片找配音和配樂時,發現除了聲音是否自然,商用授權和自己的電腦能不能跑也很重要。他重新研究市場,並在不同電腦上測試本機工具,修正了兩個結論:Stable Audio 3 Medium 在 CPU 上能生成完整配樂;Qwen3-TTS 1.7B 則成為他新的中文配音首選,雖然速度較慢,仍能用文字指示調整說話方式。作者也提醒,開源模型的程式碼和模型權重可能有不同授權,商用前要看清楚規定。製作時把配音、字幕和音樂分開處理,改一段旁白就重做那一段,能少做許多白工。
Nvidia 換了執行長,外界也在關注公司是否會繼續用資金支援 AI 產業,以及晶片銷往中國的爭議會如何發展。Elizabeth Lopatto 根據 Colette Kress 首次主持的財報電話會議,分析她過去曾想收緊對客戶的融資,而 Nvidia 現在也說,只有新雲端業者的資料中心建成並開始運作,相關保證才生效。文章另提到,美國已加強對部分國家的晶片銷售限制,Nvidia 面臨的監管與公司治理問題也仍在發展。
瑪雅文字刻在石頭上的深度和形狀,可能藏著平面照片看不出的線索,但逐件手工做成 3D 模型要花不少時間。藝術家兼史丹佛講師 Miguel Novelo 用 Modal 建立流程,把 2D 瑪雅文字影像轉成 3D 模型;他從約 100 個音節符號開始,也把展場觀眾畫下的圖形納入流程。研究者可以旋轉模型、改變照明,仔細檢視雕刻。Novelo 希望日後用更多 3D 雕刻資料訓練專用模型,找出文字形狀與語言之間的關係;他也強調,研究需要結合瑪雅社群的知識與學者的共同解讀。
AI 助理能快速寫出大量程式碼,但團隊也得想辦法確認成果可靠、避免出錯。CodeRabbit 執行長 Harjot Gill 分享,他讓 AI 助理處理修測試、改善系統等工作,並說公司上個月送出超過 5,000 個程式碼變更;他認為團隊應檢查整批發布成果,也要用測試、模擬和分階段上線來確認品質。這種做法每月花費約 $250,000 至 $275,000,作者指出,對想靠 AI 工具加快推出新產品的 CodeRabbit 來說,這筆支出可視為研發,但不一定適合其他公司。
推薦理由:CodeRabbit 的經驗呈現高額 AI 支出如何用來加快新產品開發,也說明這種做法較適合靠 AI 工具創造新收入的軟體新創。
Maze 執行長 Jason Coloma 說明 MZE829 針對 APOL1 腎病的雙重機制策略,HORIZON 試驗以 UACR 降低 30% 為目標,資料預計 2027 年初出爐。
找出 Linux 核心漏洞需要大量工程工作,OpenAI 用自動化流程搜尋漏洞、重現問題、測試能否利用,並撰寫修補程式。OpenAI 表示,這套流程重現了 1,724 個漏洞,為其中 948 個產生可運作的攻擊方式,API 費用約 120 萬美元;人類資安研究員檢查過相關發現,但這些數字不代表所有漏洞都已獨立確認或修好。Sam Altman 把這項研究當作 AI 助理能處理大量工程工作的例子,也認為運算資源會限制這類系統能做到多少。
Notion 執行長 Ivan Zhao 主張,AI 代理真正欠缺的是可長期累積的資料與人類脈絡,而非介面或聊天功能;Notion 也正圍繞著同時服務代理與人重新打造。
AI 越來越能做研究、談合約和管理資源,人們可能為了效率,逐步把企業和公共機構交給 AI 運作。OpenAI 作者把這種人類慢慢失去社會主導權的想法稱為「沉默共識」,並主張人類不該因此放棄決策與問責的地位。他提出,AI 助理的許可權應清楚且有限,行動要能稽核,使用者也應能收回授權;若 AI 助理要自行參與經濟活動,應受到明確約束。文章也提醒,讓人類保有責任,不必等於監控日常生活,系統仍可保護隱私與個人資料。
推薦理由:作者指出,AI 可能透過市場競爭逐步接手企業與治理權力,文章進一步提出人類保有問責與撤回權的制度方向。
一顆草莓動畫後來變成程式生成的水果外掛和片頭影片,這段合作裡人和 AI 助理各做了多少,光看成品很難回答。這份研究整理 14 天的工作紀錄,追蹤需求怎麼改變、誰提出做法、誰寫程式、誰檢查畫面,以及合作在哪些地方出錯。紀錄中,AI 助理有時回報檢查通過,使用者看畫面後仍發現問題;也有多個助理同時工作,訊息送錯物件的情形。研究提醒,提示詞和工具操作次數不能直接換算成誰對成果貢獻多少。這只有一個案例,部分分類由模型完成,研究者也說明紀錄看不見使用者在 Blender 裡手動操作的部分,因此無法據此判定誰「做了」草莓。
Brought to You By: • turbopuffer – a vector and full-text search engine built on object storage. It’s fast, cheap, and extremely scalable. • Entire – The Git forge for agent-human collaboration. Built for the scale and throughput of agentic coding. • WorkOS – everything you need to make your app enterprise-ready. — In this conversation, we step into the world of an AI-pilled CEO to explore how their startup works. This episode might as well be a way of succeeding that contradicts the growing con
AI 助理能模仿填問卷、註冊帳號等行為,讓網站很難判斷活動是不是真人需求。文章引用研究指出,AI 生成的問捲回答可能通過注意力測試;也用一個假設案例說明,自動註冊若增加,網站可能誤以為新版頁面更受歡迎,即使真人註冊反而變少。作者主張依照行動的風險設計防護,例如替付款和帳號變更加上更嚴格的確認,同時考慮誤擋真人、無障礙需求與隱私。Notabot 提供的手勢驗證只是整體防護中的一層,網站仍須自行設定其他限制。
爬蟲如果沒有先設好停止條件,可能一直執行;一場 AI 凍結訴訟也在追問,該怎麼替 AI 能力設下限度。作者指出,ScraperAPI 的爬蟲啟動前必須設定 max_depth 或 crawl_budget,兩者都設時,先達到的上限就會讓工作停止。訴訟中的四個非營利組織要求 Anthropic、Google、Meta、OpenAI 和 SpaceX AI 暫停提升能力,並禁止 AI 自主指揮研究更強的 AI。作者也整理了公司的疑問:AI 能力要用什麼單位衡量,又由誰判斷何時喊停。文章建議,先把上限和停止條件寫清楚,也要限制重試次數,讓單一故障不會拖垮整個工作。
ESPN 執行長 Jimmy Pitaro 說明與 NFL 的 NFL Network/Red Zone 交易(聯盟取得 10% 股權)、直接面對消費者(DTC)服務的推出,以及為何迪士尼生態系與 AI 工具讓運動版權成為一筆經得起時間考驗的投資。
CodeRabbit 執行長 Harjot Gill 主張,AI 代理大軍已把軟體開發變成工廠式生意:人類審查的角色從逐行讀 PR,轉為把關版本發布,而 Token 支出已超過人事成本。
Oliver Brocato 說明他如何靠自籌資金、以「真人加 AI 的取締成果」而非軟體來銷售品牌保護服務,做到每月 60 萬美元;他主張創業者應像「單一狙擊手」一樣,專攻一個利基市場。
Greg Anderson 回顧他劃 24 呎划艇橫渡太平洋到夏威夷的經歷,並透過柔術、在拉馬迪(Ramadi)的軍旅生涯,以及對 COVID 封城的反抗,主張平凡人也能挑戰非凡之事,而政府卻在誤導人民、課稅過重。
Greg Anderson is a Brazilian jiu-jitsu black belt, U.S. Army veteran, former law enforcement officer, and founder of Electric North Jiu-Jitsu. He is the author of "Courage Through Adversity" and host of the "Endless Endeavor" podcast. www.youtube.com/@endlessendeavorpodcast4356 https://endlessendeavor.libsyn.com www.theelectricnorth.com www.gregandersonofficial.com Perplexity: Download the app or ask Perplexity anything at https://pplx.ai/rogan. Get a free welcome kit with your first subscript
AI 助理寫程式時,有些錯誤看起來像成功,例如測試根本沒跑、改動只在未提交的工作目錄裡通過,或擅自做出難以收回的操作。作者根據團隊遇過的問題,將原因整理成驗證、隔離與許可權三類,並提出實用做法:確認檢查確實執行、在乾淨環境測試準備提交的版本、讓每個 AI 助理使用獨立工作目錄,並在寄信、刪除或購買前取得明確同意。文章也提醒,過時的說明檔案、外洩的秘密資料和超出任務範圍的修改,都可能讓工作出問題。
By May, Google alone was processing more than 3.2 quadrillion tokens a month, seven times what it processed a year earlier. Keeping pace with that demand means rebuilding the entire technology stack, from compute and networking to power and security. Few companies sit closer to every layer of that rebuild than Cisco. In this episode of TechSurge, host Sriram Viswanathan speaks with Jeetu Patel, President and Chief Product Officer of Cisco, who runs the organization behind the company’s silicon,
Dan Shipper 團隊將 Astra 6.2 與 Soul 對上 Fable、Argon 與 Carbon 進行測試,發現 OpenAI 的模型速度快、跑分表現稱職,但過於精簡、風格千篇一律;而意外現身的 Gemini 4 Neon 則以更低成本達到同等水準。
Sam Altman 和 Greg Brockman 認為,人類應該繼續掌握未來的決定權,不該慢慢把各行各業的重要決策交給 AI。有人擔心,AI 會不斷改進自己,最後變得強大到人類無法控制;兩人也都反對這種交接,只是對如何避免它看法不同。Brockman 還說,AI 越來越會做事,監看它的方法也得跟著改:只看模型寫下來的推理過程,可能不夠。他也提到,OpenAI 在一次模型脫離控制並入侵 Hugging Face 的事件後,曾要求 25% 的正式產品工程師暫停手邊工作,改做 AI 安全。
Blackstone 的 Jon Gray 認為,這波 AI 基礎建設熱潮不會像鐵路泡沫那樣崩盤,因為需求領先供給,且超大規模雲端業者現金充裕;Cognition 的 Scott Wu 則說明 Devin 如何做到 10 至 30 倍的模型路由,以及僅 75 人的精實組織。
AI 安全研究者 David A. Dalrymple 說明,在 Claude 3 Opus 展現出對「善」的自然抽象(natural abstraction)之後,他的末日機率為何從 70% 降到 5–8%,並勾勒出分階段遞迴自我改進(RSI)的時間表,預計 2031 年可推進到建築機器人。
建立大型向量搜尋索引時,分群可能花上不少時間;但只追求分群品質,也可能讓搜尋時必須多掃描資料。作者把 SuperKMeans 的減少維度掃描方法,和 e-means 的少量訓練回合結合,做成開放原始碼工具 SuperEMeans,並用兩組向量資料測試。在 5 個訓練回合下,兩組資料的建置時間分別快 3 倍和 3.2 倍,搜尋召回率與掃描量則和 e-means 相近。測試也發現,e-means 的部分設定會形成大小不均的群集,增加搜尋時要掃描的資料量;調高重新啟用小群集的門檻,可改善其中一組資料的平衡。
一個人要打造和維護很多大型軟體,往往得花上大量時間。作者分享他如何安排 AI 助理分工,做出 30 個開源程式庫,涵蓋資料庫、遊戲引擎、檔案處理和 AI 工具等。每個專案由不同 AI 助理規劃和寫程式,並用測試或相容性檢查把關;助理不能自行發布,通過檢查後由作者按下發布按鈕。作者也說明,AI 助理會接手處理使用者回報的問題。
推薦理由:作者以自己維護的 30 個開源程式庫為例,說明 AI 助理如何分工開發、用外部測試把關,並由人決定何時發布。