美國軟體工程師職缺調查:最新 2,000 筆中有 79% 標出薪資
找美國軟體工程師工作時,職缺薪資和要求常要一筆筆檢視。作者用工具搜尋約 18,000 家公司的徵才網站,找到 9,959 個職缺,再整理最新的 2,000 筆。當中 79% 列出薪資範圍,年薪範圍中點的中位數是 $189,000;加州職缺的薪資揭露比例是 90%,德州則是 35%。這份資料也顯示,職缺多半要求有經驗,但它只反映單日搜尋結果,不能當成完整的薪資調查。
找美國軟體工程師工作時,職缺薪資和要求常要一筆筆檢視。作者用工具搜尋約 18,000 家公司的徵才網站,找到 9,959 個職缺,再整理最新的 2,000 筆。當中 79% 列出薪資範圍,年薪範圍中點的中位數是 $189,000;加州職缺的薪資揭露比例是 90%,德州則是 35%。這份資料也顯示,職缺多半要求有經驗,但它只反映單日搜尋結果,不能當成完整的薪資調查。
AI 公司、人事和模型訊息常分散在不同新聞裡,這篇週報把它們串起來,整理對開發者的影響。Alvin 提到 Nvidia 執行長請辭、Anthropic 準備上市,也談到模型價格與評測排名各有差異,建議開發者用自己的工作測試模型,並讓服務供應商容易替換。OpenAI 推出 ChatGPT Wallet,AI 助理可在每筆交易經過生物辨識確認後付款;另一方面,FBI 警告犯罪者正利用 ARTEX 加速網路攻擊,Amazon 也表示攻擊者曾用它竊取 API 金鑰。文章提醒,網路上可連線的 AI 工具應設好登入保護,金鑰要能輪替,涉及付款或存取許可權時也要保留人工確認。
部分新款 OLED MacBook Pro 使用者表示,使用時會眼睛疲勞、頭痛或暈眩,也有人改用 mini-LED 機型後感覺好轉。報導整理的可能原因是 PWM 調光:螢幕快速改變亮暗時間,讓畫面看起來變暗,但光線仍會規律起伏。Notebookcheck 測得 14 吋機型在亮度設為 99% 或更低時,閃爍頻率為 240Hz;14 吋 M4 Pro mini-LED 機型則為 14,880Hz。PWM 頻率和螢幕更新率不同,因此 120Hz 規格無法說明 PWM 頻率。Apple 的 iPhone 有另一種調暗 OLED 螢幕的輔助使用選項,macOS 目前沒有相同控制。
Moonshot AI 認為 Kimi 在寫程式上的進步開始放慢,因此把模型發展方向轉向生物、化學和藥物研究。北京新創 DP Technology 正把 Kimi K3.1 Pro 放進研究助理 BioMaster;一次測試中,AI 用 90 分鐘分析 3,696 個小鼠胰臟細胞的基因資料,找出 100 個候選基因,原本估計要花研究人員四小時。不過,AI 還無法獨立完成重要突破:在一項理論電腦科學測試中,領先模型能提出可驗證的證明,卻沒有解出任何尚未解決的猜想。藥廠研究主管對 AI 能否明顯提高新藥成功率也較保留。
一份要求 Jensen Huang 回任 Nvidia 執行長的連署,在社群媒體上流傳,後來有超過 115,000 人署名,其中包括 Elon Musk 和 Hugging Face 的高層。開源 AI 圈支援 Huang,因為他常替開源模型向政策制定者發聲;這類模型可以下載使用,讓新創公司和研究人員不用只依賴大型科技公司。 不過,研究者聲稱中國 AI 公司取得 Nvidia Blackwell 晶片的數量可能比原先估計更多,但這項說法還沒有獨立分析證實,也不能證明 Nvidia 幫忙提供晶片。美國商務部的新規則則要限制中國公司透過海外資料中心遠端使用受管制的 Nvidia 晶片來訓練模型。這些訊息可能讓 Huang 替開源 AI 發聲的立場更難獲得信任,也可能影響中國開源模型的發展。
近來多起服務中斷和資安事件接連發生,作者認為,問題不只在個別程式出錯,也和軟體越來越複雜有關。他回顧雲端服務與開源套件如何讓開發更快,卻也讓團隊更依賴外部零件,較少掌握細節;接著指出,AI 能協助找漏洞、產生程式碼,也可能讓系統更快累積彼此不合的改動。作者擔心,當工程師難以看懂整體狀況,團隊就更難及早發現問題,而軟體又支撐交通、銀行等日常服務,故障影響可能擴大。
有人好奇,AI 工具如果真能大幅加快寫程式,為什麼公司的待修錯誤和功能需求還是堆著?討論裡有人說,AI 助理雖然能修好眼前的問題,卻常只補上症狀,沒找出一整類錯誤的根源;團隊還得花時間審查程式碼,避免修好錯誤卻引發服務中斷。AI 助理也可能不熟悉整個專案,像剛加入的工程師一樣,只做區域性修改。這些經驗顯示,寫程式變快了,仍不代表工作能自動清完;判斷整體設計、檢查結果和確認產品好不好用,依然需要人。
Jensen Huang 離開 Nvidia 後,外界除了關心公司由誰接手,也想知道這會不會影響 AI 產業。WIRED 記者 Lauren Goode 在訪談中談到,Nvidia 任命財務長 Colette Kress 擔任臨時執行長;她也指出,公司缺少明確的接班安排,接下來的領導者可能改變投資方式與公司方向。訪談提到,Nvidia 的晶片需求短期內仍然很高,但公司未來對外投資、開源和 CPU 的佈局會如何改變,還不確定。
推薦理由:訪談把接班安排、董事會考量與產業投資方向放在一起,呈現 Jensen Huang 離任可能牽動 Nvidia 的幾條線索。
AI 助理連續做幾天的工作時,常會忘記前面做過什麼;但把所有事情都記下來,也可能讓筆記過時、妨礙工作。Anthropic 比較 Claude 在 Pokémon Red 中的表現:Claude Sonnet 3.7 記下大量細節,最後只拿到一個徽章;Claude Fable 5 只記策略和驗證過的規則,拿到四個徽章。這項比較每個模型只測了一次。Anthropic 也介紹 Dreaming,讓 Claude 閒置時回頭檢查舊對話並修正錯誤筆記;另一項法律問題測試中,結合維基資料的 Claude 得分為 87%,單用搜尋則為 73%。Anthropic 提醒,記憶仍要定期整理,否則錯誤資訊可能一直傳到後續工作。
AI 資料中心蓋得快、裝置又貴,城市要投入多少土地、電力和人力,才能換來長期收益?《晚點 LatePost》記者走訪內蒙古烏蘭察布,記錄近 3 萬名工人趕建資料中心,液冷裝置和發電機也因需求大增而供不應求。資料中心完工後,常駐維運人員不到 20 人;報導指出,算力產業帶來的稅收多集中在建設期,營運收益則多流向外地總部。這座城市因此成了 AI 基礎設施的重要據點,當地居民卻未必能分享到同等的經濟好處。
很多公司試過 AI,卻卡在小規模測試,因為資料零散、難以判斷效果,也擔心安全和管理問題。SAP 和 Infosys 的主管建議,企業要先整理好能反映實際業務的資料,再挑出值得做、做得到,也能擴大的工作,例如縮短處理時間或減少成本。像是處理供應鏈或財務工作的 AI,準確度只有 80% 可能遠遠不夠;公司也得訂好誰能使用、如何監看和把關。這樣才能避免 AI 只停在展示階段,並讓真正有效的做法推廣到更多工作。
讓 AI 模型改用不同公司的 GPU,過去常得花好幾個月調整程式碼。Anthropic向投資人表示,Claude Mythos Preview花了約三天,幾乎不需人工介入,就把一個模型的提示處理工作搬到AMD MI355X GPU上,並撰寫或改寫了幾乎所有相關的GPU核心程式碼。這可能降低使用AMD晶片的工程門檻,但三天的說法只涵蓋提示處理,Anthropic也沒有公佈模型在AMD與Nvidia GPU上的速度比較;CUDA的優勢因此可能縮小,仍不能說已經消失。
推薦理由:這項說法把 AI 撰寫 GPU 程式碼的進展,連到 CUDA 優勢可能縮小的討論;文中也交代了測試範圍與仍缺少的效能比較。
Airtable 的估值從 2021 年高峰下滑,但公司仍有現金流;文章認為,問題在於它原本擅長的工作方式正受到多方競爭。Monday.com 和 ClickUp 可用較低價格處理專案與資料,NocoDB 和 Baserow 適合想連線 SQL 資料庫的技術團隊,AI 程式工具則能把文字描述做成完整應用程式。作者也整理了不同團隊可考慮的替代工具,並指出 Airtable 對已有大量工作流程、又不想投入工程資源搬家的團隊仍有價值。Airtable 推出的 Superagent 想利用企業整理好的資料協助 AI 助理完成研究與分析,能否帶來新成長仍不確定。
醫療 AI 正從整理病歷和帳務,走向藥物研發、臨床照護與病患服務。Menlo Ventures 根據一項醫療業者調查指出,醫療 AI 支出在 2026 年成長 2.5 倍,達 $3.7B;藥物研發支出則從 $30M 增至 $700M。醫院的文書工具開始面臨 Microsoft 和 Epic 等既有系統競爭,臨床助理和病患服務成長更快。保險業者的 AI 支出遠低於醫療服務提供者,也有 43% 表示,醫療服務提供者使用 AI 協助編碼後,增加了自身成本。
推薦理由:報告以醫療機構、藥廠與保險業者的支出和採用情況,呈現 AI 從文書工作走向藥物研發與病患照護的變化。
兩天內,車廠辦了 12 場發表會,推出 17 款新車,趕在廣州車展前搶目光,也想趁年底拉高銷量。新車多半來自傳統自主品牌和合資品牌;文章認為,車廠的新車計畫早已投入大量時間和成本,臨近上市時很難說停就停。接下來一兩年,新車推出速度可能放慢,車廠也可能少做一些小改款,競爭焦點或許會從拚銷量、拚更新速度,轉向誰賺得多、虧得少。但新車同時推出,能不能帶來好處,還得看品牌和車款本身有沒有吸引力。
作者收到自家網站被其他網站連結的通知,順手檢視排行,卻發現 w2rt6byl5nf1opmc-a.com 在 Majestic 的 .com 排名第 8,前面只有 Google、Facebook 等知名網站。更奇怪的是,這個網域註冊沒多久,作者在網路上找不到相稱的連結;Majestic 卻算出超過 2 億個連結。其他排名資料也把它排得很前面,但其中有些資料同樣採用 Majestic 的數字。作者提出幾種可能原因,最後仍不知道發生了什麼,也邀請讀者一起找答案。
一個剛註冊不久、打不開的網域,竟出現在熱門網站排名前段,連作者的個人網站都排在它後面。作者檢視 Majestic 的排名、反向連結資料,也拿 Ahrefs 和 Tranco 的數字交叉比對,發現不同服務顯示的連結數量差很多,還找不到能解釋這些連結的公開頁面。他列出資料造假、排名漏洞或遭入侵等猜想,但都沒有證據能確認原因,文章最後也坦言目前不知道發生了什麼事。
AI 股票走弱時,原本有人預期資金會轉進比特幣,但這一波兩邊都下跌,比特幣 11 月至今跌了 16%。文章引用研究人士的說法,指出機構在市場波動變大時,會先減少風險部位、換成現金;美國現貨比特幣 ETF 最近兩週也淨流出 23.5 億美元。幣圈還受到強制平倉、現貨需求疲弱和資安事件影響。相較之下,代幣化實體資產近 30 天總值只下滑 1.7%,持有人數增加 6%。文章認為,兩者表現不同,和資金持有它們的目的有關。
攝影機、雷達和遠端武器越來越容易發現並打擊遠方目標,部隊聚在一起準備進攻,也可能很快被攻擊。文章介紹軍事分析師 Jack Watling 對未來戰爭的看法:士兵可以分散挖掘掩體、退入城市,或先設法攻擊敵方感測器,再趁短暫空檔集結攻下一個目標。作者也提到,烏克蘭戰場已出現長時間躲在地下、以城鎮作為掩護等情況;有些烏軍部隊則嘗試先攻擊敵方感測器再向前推進。這種打法能否持續,取決於他們能不能繼續避開敵方的偵察。
使用 RAG 的 AI 助理會先找資料再回答,但找到資料、附上引用,不代表答案真的有用到那些資料;研究發現,有些引用其實來自模型原本記得的內容。評測記憶也有類似問題:答對了可能只是猜中,不一定代表助理真的記得或用對資料。這週整理的研究還指出,記憶常卡在寫入時沒處理好矛盾,檔案解析出錯也會拖累後續搜尋。這些例子提醒我們,不能只看答案對不對或引用長什麼樣,還要確認助理是否真的根據可靠資料作答。
A/B 測試中勝出的版本全面上線後,效果有時會縮小,問題可能出在測試量到的反應和上線後想知道的效果不同。熟客在測試前已看過舊版,看到新版時的反應,可能混進新鮮感或不習慣;測試初期的轉換也可能較多來自已經接近購買的回訪者。作者整理兩種處理方向:只讓測試開始後第一次造訪的人加入,或在分析中納入時間和過去看過哪些版本。文中的銷售週期與轉換數字是假設例子,沒有實際實驗資料;新訪客的結果能否代表所有使用者,也取決於不同使用者是否相似。
Nvidia 仍掌握大部分 AI 加速器市場,但競爭者正逐步追上。AMD、市場上的大型雲端公司和新創都在推出或開發自己的晶片,想降低成本,也減少對 Nvidia 的依賴;AI 助理增加,也讓模型運算和一般處理器變得更受重視。文章還提到,中國市場佔 Nvidia 營收的比重從 2024 年的 20% 降到 2026 年的 8%,中國企業也在發展自己的晶片。另一方面,AI 模型愈來愈會改寫程式,讓模型轉到其他晶片上可能變得更容易,削弱 Nvidia 長年累積的軟體優勢。
把新產品貼上 Show HN,原本是想讓大家看看成果,Airdash 的作者卻在接下來 4 天收到 17 個服務寄來的推銷信。內容從產品目錄、安全檢查、競品分析到廣告合作都有,很多信只看了標題,就把「給 AI 助理用的 SQLite 資料庫,還有試算表畫面」換句話說,再裝成很瞭解產品的樣子。 有個目錄甚至把整句 Show HN 標題當成產品名稱;也有服務嘴上說只寄一次,後來卻把同一封信寄了 3 次。這些信有些提供免費刊登,有些開價從 $29 到 £499。這段經驗讓人看到,新產品一曝光,就可能被大量自動推銷盯上;信件寫得像量身打造,也不代表寄件人真的看過產品。
Glyphcall 提供按次付費的 API,讓 AI 助理查公司資料、檢查發票或把語音轉成文字。團隊檢視最近 30 天的紀錄後發現,目錄裡有 725 項工具、71 個錢包付過款,總收入卻只有 $2.88;大多數錢包只試用一次,會回來使用的 AI 助理大約只有 3 個。 他們也發現,工具清單太長,VS Code 和 Windsurf 都無法顯示全部專案,於是準備改成搜尋、檢視說明和呼叫工具,再加上少數常用工具。團隊還調整了語音服務的免費試用方式,並補上隱私、服務條款和退款說明。這些改動反映出,工具放得多、在市集排名高,不一定就有人願意付錢。
過去的科學交流常靠大學和學者圈子,工匠不容易加入。這項研究整理 17 世紀倫敦各教區的咖啡館、數學實務工作者和科學儀器店資料,比較咖啡館開張前後的變化。研究發現,開出第一家咖啡館後,當地的實用科學工作者和儀器店持續增加;工匠也更常和發展理論的學者建立聯絡,店家開始製作更多實驗用儀器。作者估算,咖啡館在 1650 年代至 1690 年代佔倫敦實用科學工作者的 31%。研究也在歐洲其他城市看到相似變化,但作者將這部分視為相關現象,沒有主張是因果關係。
推薦理由:研究追蹤倫敦咖啡館開設前後的科學活動,呈現低門檻的日常交流如何連結工匠與學者,並擴大實用科學的參與。
一套手機系統要站穩腳步,除了使用者,也得有夠多好用的應用程式和願意投入的開發者。文章整理了鴻蒙裝機量突破 1 億臺的訊息,並提到截至 2026 年 6 月,華為應用市場已有超過 38 萬款鴻蒙應用與服務;到了裝機量破億時,數量已超過 45 萬。文中也指出,鴻蒙正從手機延伸到平板、車機和家電,並朝 AI 助理理解使用者需求、呼叫系統與應用完成任務的方向發展。接下來,應用品質、開發者能否持續獲利,以及跨裝置操作是否順手,都是生態能否繼續成長的考驗。
越南有許多從鄉村搬到城市工作的移工,因為戶籍綁在家鄉,孩子上學、看病和考大學都可能遇到不公平。作者和 AI 一起玩政策推演遊戲 Victoria 2026,試過收費換城市戶籍、調高學費等辦法,卻發現高牆總會帶來新的問題。最後一回,他改成讓勞工更容易到別處工作,並教學生僱主需要的語言;遊戲裡,工人因此能爭取更好的薪資和福利。這場推演沒有預測真實政策結果,但提醒人們:當離開變得容易,靠限制人口流動維持的戶籍制度,可能就不再那麼有吸引力。
AI投資帶動經濟成長,也讓市場更依賴這個產業;如果投資信心突然轉弱,資金撤出可能影響金融穩定。IMF總裁格奧爾基耶娃指出,AI企業間的迴圈融資已超過1萬億美元,約三分之二來自借款;這類交易可能讓投資人的錢透過採購等方式回到投資方。她認為近期市場波動仍屬有序調整,不太可能演變成系統性風險。不過,在最糟情境下,美國股市可能在2026年下跌20%,2028年全球經濟產出可能比原先預測低1.1%。
推薦理由:IMF估計AI企業間的迴圈融資已超過1萬億美元,內容也說明債務佔比與可能的經濟衝擊情境,可用來理解AI投資熱背後的金融風險。
很多 AI 產品做不好,不是提示詞寫得不夠巧,而是團隊沒弄清楚模型該做什麼、為什麼要做,以及怎麼判斷結果好不好。只找人寫漂亮的提示詞,補不了訓練不足、缺少資料或沒有測試方法等問題。實際工作往往是釐清需求、比較模型回答、設計測試,再根據結果一再調整;把這些事都叫「提示詞工程」,反而容易讓人以為只要會幾招提示詞技巧就行。稿子建議依照真正的工作內容選職稱,例如產品工程師、AI 開發者或評估人員。
Reddit 從 Google 搜尋獲得的流量減少,整體訪問量也跟著下滑。Similarweb 資料顯示,2025 年 10 月至 2026 年 10 月,Reddit 全球訪問量下滑 13%;報導將部分原因歸於越來越常見、也更實用的 Google AI Overviews。Reddit 正準備要求所有訪客都登入,若全面實施,流量可能再減少。
規劃旅行時,只看一年下多少雨,容易看錯哪裡比較好躲雨。整理中國 311 個城市 2021 到 2025 年的月雨量後,作者發現北京一年下 796 毫米,廈門有 1,572 毫米,但北京 62% 的雨都集中在 7、8 月,廈門最潮濕的兩個月加起來只佔全年 29%。北京的雨季比較集中,避開那兩個月就有機會遇到乾爽天氣;廈門則有 7 個月份雨量超過 100 毫米,較難只靠挑月份避雨。安排戶外行程時,雨水集中在哪幾個月,比全年總量更實用。
推薦理由:這段文字用火箭翻轉後降落的畫面,帶出重複使用可能降低發射酬載成本的預期,並呈現作者對太空飛行進展的看法。
分店互相調貨時,貨物離開原分店後會先記在「運送中」,等收貨分店入帳;如果貨到了卻沒人登記,系統和貨架上的數量就會對不上。作者在年度盤點時發現,約 1,400 筆調貨共計 18.6 萬英鎊,其中最早一筆是 2022 年寄出的。有些貨送錯分店後被留下,有些則在盤點時被當成多出的存貨,讓同一批貨在帳上算了兩次。公司後來改用掃描棧板標籤登記到貨,超過三個工作天未收到的調貨會列入兩邊分店的待查清單,財務部每月也會收到運送中存貨的帳齡報表。
比特幣價格短短一個半月就跌了四分之一:10 月 3 日還是 84,680 美元,今天只剩 64,337.00 美元。分析公司 CryptoQuant 說,投資人對比特幣的興趣降到 2023 年 12 月以來最低,比特幣 ETF 也再次出現賣出多於買進的情況。報導提到,美國通膨和 AI 大筆支出吸走投資資金,都是價格下跌的因素;比特幣又和科技股連動,AI 熱潮高漲時得和它們搶錢,熱潮退去時也可能跟著受拖累。
比特幣近期大跌,但目前沒有單一原因能解釋這波下跌。CZ整理了六種可能因素,包括投資人把資金轉去申購 Anthropic IPO、比特幣 ETF 資金流出、安全事件、通膨與利率升高,以及美國選舉和監管變化;他也提醒,事情同時發生不代表彼此有因果關係。文中提到,11 月 5 日至 13 日現貨比特幣 ETF 合計流出 19.1 億美元,這項猜想有公開資料支撐;至於資金是否為了申購新股而賣出比特幣,則沒有資料證實。CZ 表示幣安沒有賣出,自己反而買進,並認為加密產業中長期仍會發展。