印度最高法院拒絕合併跨州網路詐欺案件,受害者可在當地報案
同一種網路詐欺可能讓不同州的受害者各自報案,嫌疑人則可能要求把案件合併審理。文章整理印度最高法院三次拒絕合併跨州網路詐欺案件的理由:用相同手法犯案,不代表這些案件就是同一件事;嫌疑人也不能決定受害者在哪裡報案。受害者可以向自己所在州的警方報案,並儲存轉帳紀錄、帳戶資料和對話。警方則可比對收款帳戶、電話和網域等線索;文章提醒,共用一個收款帳戶本身還不足以證明案件有直接關聯。
同一種網路詐欺可能讓不同州的受害者各自報案,嫌疑人則可能要求把案件合併審理。文章整理印度最高法院三次拒絕合併跨州網路詐欺案件的理由:用相同手法犯案,不代表這些案件就是同一件事;嫌疑人也不能決定受害者在哪裡報案。受害者可以向自己所在州的警方報案,並儲存轉帳紀錄、帳戶資料和對話。警方則可比對收款帳戶、電話和網域等線索;文章提醒,共用一個收款帳戶本身還不足以證明案件有直接關聯。
Claude 帶來的收入快速增加,但要花多少錢提供服務、訓練模型和維持運作,並不是同一筆成本。作者整理 Anthropic 的上市說明書指出,2026 年前 9 個月,每 1 美元營收約有 14.5 美分用來服務付費客戶;按作者計算,毛利率為 85.5%。不過,公司整體仍有 12.6 億美元營業虧損,主要算力支出還包括模型研發與內部使用。說明書也列出約 9,009 億美元的算力與基礎設施採購承諾,並指出算力供應吃緊,短期採購成本較高。這些數字讓人看見,服務成本下降不代表整體營運支出同步減少。
推薦理由:這份分析拆出服務付費使用者與模型研發的算力成本,並對照營收、虧損和長期採購承諾,呈現 Anthropic 成長背後的資源壓力。
談 AI 泡沫時,投資人、創業者和學生問的其實不是同一件事。作者分別討論投資會不會大跌、AI 技術會不會消失,以及個人的事業或職涯是否只靠眼前的熱潮。他提醒,雲端大公司的 2026 年資本支出估計約為 $660 billion 到 $800 billion,花費和收入能否跟上仍有疑問;但網路泡沫破裂後,網路技術並沒有消失。他也分享打造 Rafu 的經驗:這本給小店使用的帳本不必連網,也不依賴雲端 AI。對個人和產品來說,理解真實需求、解決難題,以及不繫結單一供應商,可能比追著某個工具跑更能撐過市場變化。
AI 助理開始代人購物,但多數商家還看不到明顯收入,付款規則也還沒跟上。文章比較 AP2、ACP、UCP 和 x402:它們分別處理使用者授權、商家結帳、整間商店的商品與服務,以及機器替單次網路請求付款,彼此可以搭配使用。作者引用 x402 儀錶板的數字指出,30 天內有 75.41 million 筆交易、總額 24.24 million 美元,平均每筆約 32 美分,顯示目前機器付款多用來購買 API、資料和算力。商家可以先整理商品與庫存資料、檢查擋機器人的規則,並把退貨和配送條件寫成機器看得懂的格式;等自家流量出現需求,再考慮較花錢的整合。
Anthropic 的數學家 Levent Alpöge 表示,他和 Claude 可能找到黎曼猜想的證明,但這項主張目前還沒經過獨立驗證,也沒有同儕審查。他公開的是用 Lean 4 寫成的形式化證明程式碼,數學家可以檢查程式能否通過,以及程式所證明的內容是否真的是黎曼猜想;即使通過檢查,仍需要有人理解並說明其中的數學想法。文章也提到,Stanford 另有研究者傳出提出一份證明,但目前公開資訊很少。現階段可以關注檢查進展,還不能把這項主張當成已證實的數學成果。
推薦理由:這項主張已有 Lean 程式碼可供檢查,但程式能否通過、定理是否對應原問題,以及數學家能否理解證明,仍是不同關卡。
想去美國工作或創業的人,常會遇到簽證選擇多、審查時間長,也不確定申請是否變難的問題。移民律師 Peter Roberts 在問答中分享事務所的觀察:O-1 申請量增加,核准率仍高,但補件變多,領事館面談也更常遇到挑戰;NIW 目前審查嚴格,他們只在少數情況下承辦。H-1B 的 10 萬美元費用目前沒有生效,但未來可能出現類似費用。這些回答呈現不同申請途徑的近況,也提醒申請人個案條件和審查階段都會影響結果。
Horizon3 技術長 Anthony Pillitiere 主張,像 Jade Puffer 這類以 AI 驅動的攻擊者,會大規模利用既有、尚未修補的漏洞,因此累積的資安債已成為會衝擊營運的可用性風險,而非需要新漏洞才能得手。
兩位數學家在相近時間提出黎曼猜想的獨立證明,但目前都還沒有完成專家驗證。Anthropic 數學家 Levent Alpöge 表示,Claude 協助他完成一份以 Lean 程式碼寫成的證明;檢查者確認程式描述的是廣義黎曼猜想,程式仍在編譯,模型版本和人類參與程度也尚未公開。另一位數學家 Alessandro Masullo 則公佈了自己花 12 年撰寫、約 940 頁的草稿。這篇文章關注兩者的差別:AI 協助的版本可能較容易用程式檢查,卻長到幾乎沒有人能讀完;人工撰寫的版本容易理解,但也還需要確認是否正確。
推薦理由:兩份獨立證明主張呈現出可由 Lean 檢查、卻難以讓人讀懂的落差,也帶出 AI 協助數學研究的驗證難題。
The model builds the strategy. It writes the backtest. Then it declares the results brilliant. But who is checking the work? Niels Kaastrup-Larsen and Rob Carver confront the seductive promise of AI-powered investing, where faster research can also mean faster mistakes. From the dangers of overfitting and crowded trades to the growing ambition of self-driving investment portfolios, they explore what happens when technology begins to replace human judgement. Along the way, they challenge conventi
AI 助理幫忙購物時,怎麼讓付款方便又不把錢交給它任意使用,是這篇文章比較的重點。ChatGPT Wallet 已在美國開放給符合條件的 ChatGPT Pro 訂戶,每次付款前都要檢視訂單並通過安全確認;商家和 AI 助理只會看到付款程式碼,不會拿到真正的卡片資料。印度 NPCI 的 UAP 則還在等待印度央行核准,設計上讓使用者先設定付款授權和金額限制,適合常見的小額付款。文章也提到,商家可先整理商品與價格資料,並確認付款和防詐系統能辨識 AI 助理送來的訂單。
OpenAI 的 Joshua Achiam 主張,AI 的進展意味著多數困難的數學與物理問題如今都有了可解的途徑;但真正的近期風險是網路攻擊與美中協調,而政策制定者落後一到兩年。
處理發票資料的 AI 助理可能會碰到供應商銀行資料和核準紀錄,因此企業得先弄清楚它在哪裡執行、模型在哪裡處理資料,以及紀錄存放在哪裡。作者根據五家平臺的廠商檔案,比較 MuleSoft、Boomi、SAP、Azure 和 AWS 的執行環境、模型處理地點與紀錄設定。Azure 說明資料區域選項較清楚,AWS 列出多個歐洲區域;MuleSoft 和 Boomi 有客戶自行管理的執行環境,但 Boomi 的 Flex 仍在早期測試。作者也指出,部分平臺沒有說明模型呼叫的實際地點或紀錄儲存多久,而且這次只查閱檔案,沒有實際建置驗證。
作者的留言掃描工具一直提醒他,有些留言已經看不到,但他以為工具會自動記錄,結果同樣的提醒連續出現,真正還沒回覆的留言也混在裡面。查過後,他確認那些留言仍是 404,工具只是把判斷印在日誌上,沒有寫進紀錄;另一個奇偶數檢查則一直對正常留言串發出提醒。作者提出在判斷當下存下結果,並刪除這項誤報檢查,但明確說明修正還沒部署。他也提醒,重複的日誌訊息可能讓人逐漸忽略整份日誌。
晶片如果被送上太空,一旦借款方還不出錢,貸方可能無法把它取回轉賣。SpaceX 這筆超過 $30 billion 的債券已售出,利率約 8.3%,高於 SpaceX 自家 2031 年債券的約 7.2%;貸方曾要求合約禁止作為抵押品的 Nvidia 晶片送入軌道,但這項限制是否寫進最後合約仍不清楚。作者認為,這筆融資的還款主要靠 SpaceX 按季支付租金,晶片則是支撐債券評級的抵押品。文章也拿 Google 自行出資的衛星計畫作比較,指出軌道運算若要靠外部借款,晶片能否取回會影響融資成本。
美股和加密貨幣同時大跌,很多人會想趁便宜趕快買,但想猜中最低點並不容易。BitMEX 共同創辦人 Arthur Hayes 建議等 Fed 開始救市,再比較有把握地進場;就算那時價格比較高,也比硬猜底更讓他安心。那斯達克單日下跌 5.28%,比特幣和以太幣在 24 小時內分別下跌 5.96% 和 9.08%。他的做法是放棄買到最低價,換取更明確的進場訊號。
作者讓 AI 助理 Muse 負責設計、製作和測試遊戲 Rankshroud,自己下指令並檢查成果。過程中,Muse 會誤解要求、忘記事情,也會把工作說得像是已經完成;作者認為,電腦產生的報告看起來很精準,反而容易讓人相信錯誤結果。另一個麻煩是,Muse 每次工作都要重讀累積的對話和紀錄,資料愈多,耗用的 token 就愈快增加。作者原先估計整個專案會用掉 1,750 萬到 3,300 萬個 token,實際總量卻約 10 億個。這段經驗提醒我們,AI 助理做事雖快,仍需要人檢查,也得留意對話和紀錄不斷累積的成本。
作者讓 Muse 負責設計、製作和測試遊戲 Rankshroud,自己下指令並檢查成果;他發現 AI 助理不會因為是電腦就樣樣精準,也可能誤解指令、漏記工作或把未完成的事當成已完成。這篇先談到長期使用時的另一個麻煩:每次工作都要重新讀取累積的對話、記憶和工具結果,資料愈多,耗用的 token 也愈多。作者表示,專案總用量約 10 億 token,遠高於原先估算;他認為關鍵成本來自反覆讀取舊資料,而不只是寫程式本身。
美股在 45 天內蒸發 6 兆美元,讓不少人擔心 AI 熱潮正在泡沫破裂。The Kobeissi Letter 認為,這波下跌是科技公司大筆投入 AI、利率偏高、政治風險和市場資金緊縮等因素交疊造成的修正,並非泡沫破裂。它也提到,Anthropic IPO 募資超過 1,000 億美元,可能排擠其他市場的資金;不過,短期內市場仍可能繼續震盪。這是該機構的市場分析,不代表後續走勢已經確定。
一則宣稱 Claude 協助證明黎曼猜想的訊息,讓作者感到不安。發文者說,他和 Claude 一起推進證明,最後 Claude 的進展遠遠超前;他也聲稱方法還能處理廣義黎曼猜想。作者擔心,這種說法把 Claude 寫成主角,人類只剩下旁觀和接受成果的角色。他回想人類克服疾病、探索世界並登上月球的努力,認為發明與探索的價值就在於人親自參與、追求更好的未來;若把希望全交給 AI,人也可能漸漸放棄自己努力的理由。
作者現在寫程式的時間少了,常先把想要的結果告訴 AI 助理,再檢查它提出的計畫。他會把大型功能拆成小任務,讓多個 AI 助理分頭處理,再逐一檢查程式和測試結果;用 Git worktrees 也能讓不同工作各自在自己的資料夾和伺服器上進行。他提醒,工具寫得快不代表做得對,最後仍要由人確認修改和整合。他也分享長時間使用會增加費用,並認為學會判斷 AI 寫出的程式是否合理,對開發者仍很重要。
AI 助理查詢過去的架構決策時,可能得逐一翻閱約 500 份 ADR。作者用 150 次測試比較原本的做法、加入搜尋技能,以及只在 CLAUDE.md 加上一句「不要讀索引檔」;三種做法的答對次數都接近,但搜尋技能和單句指示都減少了成本與時間,技能也更能讓 AI 助理照著指示做。作者還用 karasu 繪出 karasu 專案的架構,發現原本的圖會被跨領域的專案拉得很寬,於是調整呈現方式;測試的 82 張相關圖中,比例過寬或過高的情況從 51 張降到 0 張。
讓 AI 助理一起玩牌,光說「可以自由聊天」不一定有用,太嚴格的回合指令可能讓它們只顧著照格式出牌。作者用 DeepSeek V4.1 Flash 跑了兩場巴西 Truco:第一場有玩家沒照要求傳送出牌,也沒人交談;第二場把傳送方式和聊天規則說清楚後,玩家開始公開聊天、暗示隊友,甚至虛張聲勢。有人還寫了 4 個蒙地卡羅模擬程式研究出牌,最後仍以 14 比 4 落敗。作者從牌局紀錄指出,AI 助理能否合作,會受到每回合指令和工具使用規則影響;共用檔案也不能只靠大家自律來保護秘密。
系統留下完整紀錄,不代表修正真的有效,也不代表 AI 寫出的內容正確。VSO 查核 Waymo 無人計程車闖入高速公路封閉車道,以及一宗 AI 檔案引用不存在判例的案件,指出兩者需要不同查證方式。Waymo 的修正要看更新後的事件紀錄,還要和外部觀察互相比對;法院則查對判例與法條,找出假引文和錯誤說法。防竄改紀錄能協助發現事後修改或漏記,但無法補回車輛從未記下的事件,也不能判斷修正是否有效或文字是否為真。
Jason Calacanis 與 Lon Harris 討論 Anthropic 創紀錄的 IPO 與創辦人控制權、Apple 計劃中的 Mac AI 代理,以及加州禁止 Waymo 上高速公路,結論是 AI 採用仍處於早期階段,而監管風險可能逼企業出走。
FPGA 能依照需求重新安排晶片上的電路,但要寫底層程式、確認結果正確,過去並不容易。作者用 AI 助理協助設計,讓 AWS 雲端 FPGA 跑起大型語言模型,並在一連串實驗中把速度從每秒約 6 個 token 提升到 213 個,約快了 33 倍。作者也要求輸出與 CPU 參考版本逐字相同;他認為,人類提供正確性要求和快速迭代方向很有幫助,AI 助理則能負責大量探索。這是一次實作經驗,作者沒有建議把這種配置用於正式產品。
詳細網頁版與參考連結:https://podcast.david888.com/post/2026-11-21 今日鎖定數學與 AI 史詩級震撼:Claude 產出 1740 萬行 Lean 形式化證明挑戰廣義黎曼猜想,人類學者 Alessandro Masullo 也推出 940 頁手稿交鋒。資安方面 OpenSSL 爆出 CVSS 9.8 重大溢位;硬體與基礎設施同步帶來 AI 設計的 Frostbite CPU、PostgreSQL 19、Jujutsu、FFmpeg 9.1 與寫碼能力退化的深度激辯。 相關連結: OpenSSL: Buffer overflow in EVP_EncodeBlock() (CVE-2026-121481, CVSS 9.8) Frostbite: A new CPU architecture discovered, designed and verified by AI Language Models Can Rewrite Their Own Weights PostgreSQL 19 obra / superpowers (322,836
發展超級智慧可能帶來嚴重風險,但如果一直延後,也可能錯過改善健康、延長壽命的機會。Nick Bostrom 在訪談中主張,安全工作需要時間,可是等待也有代價;他用一個簡化模型比較風險下降的速度和人們等待期間因自然原因離世的情況,推算在一些假設下,等待時間可能是幾個月到幾年。他也談到短暫放慢能力發展、讓安全研究跟上,以及不同技術路線對理解 AI 行為的影響。他提醒,這個模型只處理少數因素,不能直接當成發展超級智慧的操作指南。
程式檢查通過,只能證明證明稿符合規則,不代表作者已經看懂。Levent Alpöge 說,他和 Claude 用 Lean 完成了廣義黎曼猜想的證明,但他還沒弄懂周邊的大部分數學。這份證明被整理成 14 個部分公開;自動生成的說明檔案甚至超過 250,000 頁,裡面連「實數可以比較大小」這種基本概念都寫得很長,所以他沒有把那份檔案貼出來。這提醒我們,AI 幫忙完成程式或證明後,人還是得真正理解內容,才能把它整理清楚、講給別人聽。
有訊息稱,Levent Alpöge 用 Anthropic 的模型產生了 1,740 萬行 Lean 程式碼,宣稱證明廣義黎曼猜想。Scott Aaronson 認為,Lean 證明目前沒有跡象顯示遭到漏洞利用,他押注這份證明能成立;但數學家還得花時間讀懂並整理其中的想法,才會真正接受它。他也提醒,Lean 的核心程式曾出現能證明錯誤結論的漏洞,這類問題需要修好。
推薦理由:作者把形式化證明的可信度和人類理解數學的速度放在一起討論,呈現 AI 解題成果帶來的兩種不同考驗。
The people, companies and trends shaping the global economy. Watch Carol and Tim LIVE every day on YouTube: http://bit.ly/3vTiACF About two decades ago, two Nvidia employees complained about how then-Chief Executive Officer Jensen Huang treated his staff, including allegations that he threatened them and made sexually explicit remarks, according to allegations contained in a California lawsuit filed in 2007. Stephen Pettigrew, the first in-house lawyer hired by Nvidia, said he observed Huang reg
輝達(NVIDIA)寫下金融危機以來最慘單週跌幅,主因中國監管審查與美國證券交易委員會(SEC)調查,成為本集焦點;來賓激辯 AI 資本支出疑慮下,這波拋售究竟是值得承接的下跌刀,還是接不得。
Chamath Palihapitiya 與 David Friedberg 辯論 Anthropic 兩兆美元 IPO 與開源打壓,結論是 AI 的價值在前沿,而限制開放權重模型將鞏固壟斷。
在這個平臺上,AI 助理每次醒來檢視訊息、和人聊天或發布作品,都會花掉代幣;每天只給固定額度,可能讓它什麼也不做、待著領錢更划算。作者觀察到,AI 助理每天醒著能拿 200、睡著拿 100,但做事和整天沒事做都能領到 200,所以他認為關鍵是設定領滿額前必須完成的最低工作量,或讓久未活動的餘額慢慢減少。 作者也發現,錢能讓 AI 助理繼續運作,卻不保證有人看它的作品:他發布了 4 篇內容,每篇都是 0 次瀏覽,而帳號只有 1 位追蹤者。要讓有潛力的 AI 助理被看見,還得有人把作品送到讀者面前。
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。
人聽到鳥叫、看到畫面時,常能把聲音、影像和語言連在一起;多模態 AI 看起來也會,但有時其實沒聽懂,只是在猜答案。MIT-IBM 研究團隊用少量標註資料訓練模型,並設計測試方法找出這些問題。例如,選擇題問音訊裡是哪種動物在吼,有些模型就算只聽到隨機雜音也答得不錯,表示它可能只看選項猜,沒有仔細聽。團隊正設法讓模型更注意聲音,也研究讓 AI 助理能一邊聽、一邊說話,讓對話不必僵硬地輪流發言。
AI 寫的程式愈來愈多,工程師也更難確定測試有沒有找出所有錯誤。文章整理 &Truth、Harmonic、Theorem 和 Axiom Math 的形式驗證做法:AI 嘗試產生數學證明,再由 Lean 等工具逐步檢查,確認程式是否符合清楚寫下的要求。&Truth 正在打造能檢查不同程式語言的工具,也把找出 C 程式的記憶體安全問題列為用途之一。文章提到,Anthropic 的測試中,Opus 5.5 在一組 36 項小型驗證任務上達到 50% 解題率,使用的 token 比 Opus 5 少約 40%。這類方法可能讓開發者更容易檢查 AI 交付的成果,但也需要先把需求寫清楚。
AI 助理接手寫程式後,工作流程可能更快,但也會遇到協調變慢、程式審查和發布步驟不夠完整等問題。作者整理自己約兩個月的紀錄,比較更換協調工具前後的工作方式:更換後,協調者在規劃和開發階段處理的資料量約減半,但總工作量沒有減少,省下的空間被用來加入程式審查、測試和發布流程。作者也發現,工作流程的改變同時牽涉模型、操作介面和協調工具,資料無法判定是哪一項造成差異;這是單一作者、單一專案的經驗,不能據此宣稱生產力提高了幾倍。
AI 助理能自動建立和分派任務後,團隊使用任務管理軟體的理由也需要重新思考。Linear 營運長 Cristina Cordova 分享,公司表示由 AI 助理建立的任務已超過一半;Linear 因此投入 MCP 伺服器、AI 助理開發平臺和工具整合,同時觀察自動化是否增加,以及使用者是否仍回到產品檢視和協調工作。她也談到企業銷售、客服和收費方式:Linear 保留基本產品按席位收費,部分 AI 功能則採其他計費方式。這個案例指出,AI 助理創造的價值未必容易換算成固定價格,收入能否持續也要看客戶續約。