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。
AI 會說話、也能完成不少事情,但這不代表它真的有感受。神經科學家 Anil Seth 認為,人們容易把智慧和意識混為一談,也會把像人的表現當成有心智的證據。他主張,大腦不只是執行程式的電腦,意識也可能和生命、身體運作密切相關,因此數位電腦模擬大腦,不一定就能產生意識。文章也提醒,現在沒有公認方法能判定 AI 是否有意識;把看起來有感受的 AI 當成真人,或完全不顧它可能有感受,都會帶來倫理上的難題。
Telegram Bot Widgets 會在手機上執行機器人送來的 JavaScript,因此沙箱一旦失守,可能讓程式做出超出小工具範圍的事。NebuSec 展示小工具在 Android 13.2.2 開啟計算機,表示程式碼已在沙箱外執行,但目前沒有公開漏洞細節,也無法據此確認能讀取訊息或控制整支手機。另有 Kaspersky 通報疑似有人利用小工具漏洞散佈惡意程式,這項通報沒有指出漏洞或版本,也未連結到研究示範。作者指出,程式碼執行環境裡的規則可能被同一個記憶體漏洞破壞,而伺服器只允許核准的機器人使用小工具,是目前明確存在的另一道限制。
推薦理由:文章比較 Telegram 的程式碼執行示範與資安業者通報,並拆解沙箱的限制,讓讀者看懂已知風險與仍缺少的證據。
In the inaugural episode of Autonomy Unscripted, Grayson Brulte and Rob Grant go into the field to visit Waymo’s new SFO depot and Tesla’s SFO robotaxi facility. They also break down Zoox’s demand generation struggles in Las Vegas, their surprising pivot to the Uber, and the ongoing regulatory friction caused by labor union lobbying in Washington, D.C.. Key Autonomy Unscripted Insights Inside Waymo and Tesla’s SFO Robotaxi Depots Field observations from Waymo’s permanent SFO depot reveal a highl
學生在學校用 AI 越來越常見,但如果只讓 AI 直接給答案,作業看起來變好,真正學會的內容卻可能變少。17 歲的 Bram Lesage 認為,學校應教學生怎麼使用 AI、查核結果並遵守作業規則,而不是假裝 AI 不存在。文中引用一項近千名土耳其高中生參與的數學實驗:用一般聊天機器人練習的學生,練習分數提高 48%,但考試成績比沒用 AI 的學生低 17%;使用引導思考的 AI 家教版本則沒有出現這種下降。作者也分享自己的做法:讓 AI 協助工作,但由自己測試、判斷和負責。
利率變高後,回報很久才看得到的工程專案更難通過,維護複雜系統也會佔掉有限的人力。作者把利息成本的想法用在軟體架構上,提醒團隊把雲端費用、值班和事故處理時間都算進服務成本,也可以比較每季維護服務的工時和改善服務的工時。若一個服務長期花很多力氣維持,卻很少帶來新價值,就該考慮整理或退役;重寫則要先確認長期維護負擔會降低,並算進搬遷成本。
團隊常把熟悉工具或聽過技術口號,當成真的懂系統怎麼運作。作者結合認知研究和 PostgreSQL 的交易案例,說明逐步解釋能找出這種理解落差:兩筆同時提款都讀到 $100,各自提走 $80,帳戶最後可能只顯示 $20。文中建議在設計檢查時少問「為什麼選這個」,改請對方說明遇到故障時每一步會發生什麼事;也可用單一更新語句、先鎖定資料列,或採用更嚴格的交易隔離方式處理提款問題。把追問得到的答案寫程序式、測試或設計檔案,能讓後續接手的人也看得到。
AI 助理替人訂機票時,旅客可能已經同意,也付了錢或用了哩程,但航空公司若等訂位完成後才發現是 AI 助理操作,仍可能取消訂位。更好的做法,是在動手前先確認許可權:能做哪些事、許可權何時到期、是否已被撤回;如果不符合,就清楚說明原因。文章也用 Cloudflare Images 的上傳問題舉例:檔案超過約 10MB 時,直接上傳可能逾時,應先檢查檔案大小、格式和尺寸,並在上傳前告訴使用者哪裡不合規。無論是訂票還是上傳,都該先檢查、再執行,避免事情看似成功後才被取消或卡住。
黎曼猜想關於質數如何分佈,提出至今已有 167 年,長久以來都沒有解答。Anthropic 數學家 Levent Alpöge 表示,他和 Claude 一起寫出證明,並用 Lean 這套能逐步檢查數學推理的程式語言整理;獨立研究者也分別用電腦檢查,沒有發現問題。不過,數學界還需要弄懂這份證明的內容,Clay Mathematics Institute 也還沒決定是否頒發 $1 million 獎金。文章同時提到,另一份由人類獨立完成的廣義黎曼猜想證明尚未用 Lean 檢查,因此狀態不同。
推薦理由:文章整理了 Lean 電腦檢查、數學家評語與尚待釐清之處,呈現這項宣稱如何受到驗證及目前仍缺少的白話說明。
現在開啟安全網站時,瀏覽器會先建立 TLS 加密連線,再開始傳送 HTTP;作者想像,如果 Netscape 當年改用 HTTP 的功能來啟動加密,網路可能會有什麼不同。這樣一來,瀏覽器能先用 Host 標頭告訴伺服器要連哪個網站,也能依照自己信任的憑證機構挑選憑證,少掉一些後來才補進 TLS 的功能。不過,連線一開始仍是明文,攻擊者可能阻止加密啟動。作者認為,獨立的 https:// 網址和連線埠各有作用,但網址中的 s 才能清楚要求瀏覽器「沒有加密就停止」。
推薦理由:作者用假想的平行世界,拆解 HTTP 與 TLS 的設計取捨,並說明安全升級如何影響網域辨識、憑證管理與降級攻擊。
有人宣稱解開了黎曼猜想,但數學界還需要時間確認證明是否成立。Anthropic 數學家 Levent Alpöge 發布了一份短說明和 Lean 證明檔;MIT 的 Andrew Sutherland 已獨立編譯檢查,確認 Lean 接受這份證明,不過這只代表每一步符合形式邏輯,還不代表專家已看懂數學論證或接受結果。文章建議檢視證明檔能否獨立執行、由誰檢查、宣稱用詞是否準確,以及發布時機背後的利害關係。在數學界完成審查前,應保留「聲稱證明」的說法。
推薦理由:這項主張已有可由 Lean 獨立編譯的證明檔,但數學界尚未理解並接受論證,文中整理了判讀重大 AI 成果宣稱的四個問題。
AI 可以加快寫程式,但團隊決定做什麼、確認功能有沒有用,花的時間未必會變少。作者把產品工作拆成三段:決定要做什麼、把功能做出來,以及上線後確認結果。文章舉例,一個團隊把建置時間從 15 天縮短到 4 天,整段從提案到確認結果的時間卻只快了約 14%,而且 8 個上線專案中只有 3 個確認了結果。作者建議團隊一起記錄三段各花多久,並在功能上線前先訂好衡量方式和檢查日期,才知道加快開發是否真的帶來進展。
資料管線重啟後,訂單表看起來只有一筆付款紀錄,但稽核表裡其實多了兩筆相同事件。作者對照 CDC 紀錄、檢查點、資料庫稽核表和 MySQL 紀錄,還原出工作程式在檢查點完成前中斷,恢復時又讀了一次同一事件;upsert 雖讓訂單表維持一列,卻沒有阻止觸發器重複寫入。作者提醒,確認最後資料正確,不能代表過程只執行一次,並用付款、稽核紀錄等副作用的嚴重程度,說明該如何安排去重、交易協調與故障演練。
Zipline 執行長 Keller Rinaudo Cliffton 表示,公司市值 215 億美元的自動化外送網路,如今透過 Uber Eats 與 Walmart 擴大規模、朝每日百萬趟外送邁進,反映的是歷經 15 至 20 年硬體打造、得來不易的成果,而多數投資人嚴重低估了這段歷程。
準備求職測驗的人常找不到題數和時間限制,但一些練習網站會把未確認的數字直接寫成事實。CogniPrep 把資訊分成廠商未公佈、由其他人提供,以及自家估算三種,並在測驗頁面上清楚標示;例如 Saville 完整測驗的題數會註明「未公佈」,自家練習用的時間則標成估算。團隊也用一份長期登記表記下仍查不到的資料和暫不開發的專案,並附上檢查日期,提醒後續人員資料可能改變。
大家常問 AGI 什麼時候會出現,但不同預測對「做到什麼才算 AGI」有不同標準,所以日期很難直接相比。文章整理了 Metaculus、研究者調查和多位業界人士的預測,也介紹 METR 怎麼測量 AI 助理完成軟體工作的能力:看它能用多長時間完成一項有明確檢查方式的任務,並記錄成功率。以 METR 的測試為例,Claude Opus 4.5 完成這類任務的 50% 時間範圍約為 320 分鐘;這不代表 AI 能完成所有工作。作者提醒,閱讀預測時要一起看它的定義、資料和測試方法。
Sherif Mansour is Head of AI and Product Craft at Atlassian (the company behind Jira and Confluence), where he has spent 17 years building and scaling some of the most successful enterprise products in history. He joined Atlassian as its first PM on Confluence, eventually becoming its first Distinguished PM, and now leads both the craft of product management across the company and Atlassian’s AI product strategy. We discuss: 1. Why a PM’s #1 job is to build a “shared brain” 2. The artist, the sc
Atlassian AI 負責人 Sherif Mansour 主張,產品經理(PM)的工作是補足脈絡落差、建立共同理解,而 AI 真正的瓶頸在於方向,不在產出量。
Jordi Visser 將這波拋售解讀為流動性去槓桿,而非經濟衰退;他引用自家 34 項指標監測系統已跌至 -1 sigma,加上 VIX 與 RSI 的洗盤訊號,認為這正是恐慌區的買進視窗。
AI 模型愈來愈會處理研究和程式工作,但要確認新系統是否安全,專家可能跟不上進步速度。研究組織 METR 發現,在有明確目標和即時回饋的程式及計算任務上,模型多數時候已勝過有經驗的專業人士;人類需要更久才能完成的任務,模型能處理的時間長度約每 3.6 個月翻倍。METR 也提醒,常見測試可能高估模型在真實情境中的表現,因為開發者訓練模型時使用的環境和測試環境很相似。模型仍不擅長需要判斷、沒有即時回饋的開放式問題,而目前公開資料也不足以排除 AI 研究速度大幅加快的可能。
MCP 伺服器每多一個工具,都會增加模型每次收到的說明內容;工具加得太多,成本也會跟著上升。Nova Ops 實際比較三個候選工具:查詢工作狀態的工具要等生成工作改成非同步後才有用,放大圖片的工具目前沒有實際需求,而包辦四種操作的單一工具,說明內容比現有兩個工具加起來還長。最後伺服器維持兩個工具,每回合約 198 個 token。作者的判斷方式是先看現有工作是否真的受阻,再衡量新增工具的成本與說明是否夠簡單。
Rust 可以用來打造效能好的圖形介面,但目前採用的應用程式還不多,各種做法也沒有共識。Raph Levien 回顧這個領域的進展,認為 AI 工具可能降低撰寫 Rust 程式的門檻;手機應用則可採用原生介面搭配 Rust 共用程式邏輯,照顧各平臺的操作習慣。他也整理文字排版、無障礙功能和影片畫面組合等尚待改善的地方,並指出不同應用需要不同的介面架構。
Kevin Lin 與 Jesse Hu 的 Frontier RSI 基準測試發現,頂尖 AI 模型在開放式自我改進任務上平均僅得 34%,其中 Gemini 在核心最佳化表現最佳,Claude 則在後訓練領先。
Shopify 執行長 Tobi Lütke 主張,AI 代理正在終結傳統程式設計師的角色,他預測多數生產環境程式碼將在 6 至 12 個月內重寫,而驗證工程將成為關鍵學科。
Vercel 執行長 Guillermo Rauch 主張,AI 代理讓攻擊者具備超人般的駭客能力,呼籲企業以記憶體安全語言重建老舊系統、將內部軟體置於防火牆後,並以開放權重模型作為對抗性的程式碼稽核工具。
AI 助理能讀取問題清單、修補程式、測試並更新伺服器,但遇到需要真人驗證、帳號註冊或重要安全決定時,仍會停下來請作者處理。作者分享,自己只下了幾個簡短指令,AI 助理就修好付款問題、更新伺服器,也發現並關閉一項對外開放的服務。真正需要他決定的,是要不要承擔風險,例如是否讓伺服器上的金鑰解開使用者資料。這些判斷來自過去遇過的資安事件和系統故障。作者認為,AI 助理接手了許多動手工作,工程師仍得靠經驗決定該做什麼、何時停下來。
中國的《民族團結進步促進法》要求網路業者處理破壞民族團結的內容,但 AI 目前還不一定看得懂所有相關語言。作者測試六種模型後發現,用哈薩克語或蒙古語直接提問時,模型更常照要求寫出仇恨內容;部分測試也因藏語和維吾爾語翻譯不夠通順,難以判斷結果。另一方面,中國的政府相關機構正在建立少數民族語言資料和模型,作者認為這些成果尚未普遍出現在民眾使用的商用模型中。文章也提到,一項被 Anthropic 認為中等可信度與中國有關的行動,曾用 Claude 整理海外報導與活動資訊,製作給官員參考的簡報。作者據此分析,AI 的作用不只在刪除內容,也包括學習如何辨識內容,以及產製宣傳材料和監控情報。
推薦理由:作者以多語言測試指出,模型在少數民族語言中更容易產生仇恨內容,並串起審查、語言資料建置與監控報告三種用途。
PR 裡有畫面、伺服器改動和設計稿時,只看程式碼的審查工具可能會漏掉問題。作者分享自己的做法:讓 AI 助理在 iOS 和 Android 模擬器裡操作程式,截圖比對設計稿;用建置檢查擋下不合命名規則的字;等程式寫好後再檢查架構;伺服器大改時則用 10,000 個機器人做負載測試。測試沒有錯誤,但有兩項反應時間超出預算。作者認為,這些檢查要依照團隊的開發流程組成管線,而規劃、設計模式和實際遊玩測試仍需要人判斷。
AI 資料中心需要大量電力,新增用電可能讓燃氣和燃煤電廠繼續供電。這份分析整理 Anthropic 在美國已簽約的資料中心與供電安排,估計 2028 年相關用電約有 87% 來自天然氣、11% 來自燃煤;作者也估計,這些據點每年可能排放 1,700 萬至 3,800 萬公噸二氧化碳當量。結果會受實際用電量等因素影響,估算也指出部分現場燃氣裝置效率較低,可能帶來空氣汙染與健康成本。
推薦理由:這份分析把 Anthropic 的資料中心用電來源、排放估算與供電地點放在一起,呈現 AI 算力擴張可能帶來的能源與空氣汙染成本。
Valse AI 的 Rayan Krishnan 在模擬無人機與衛星瞄準測試中發現,前沿模型缺乏自主武器防護機制;他並表示,儘管 GPT 6.2 Astro 落後於 Anthropic 的模型,他對 2027 年 7 月達成 RSI 的時間表仍維持不變。
Why do technologies that look like bad ideas in one era become enormous companies in the next? Originally recorded in 2018, Brian McCullough and Chris Dixon trace the companies, failures, and accidents that built the modern internet. They revisit the battle between the open web and more centralized visions of the “information superhighway,” why eBay helped establish trust between strangers online, what Napster understood about digital media, and how Google found a business model for search. They
一份證明通過程式核驗,不代表數學界已理解它為什麼成立。菲爾茲獎得主、牛津大學數學教授詹姆斯・梅納德認為,Anthropic 數學家 Levent Alpöge 與 Claude 合作提出的黎曼猜想證明是正確的,理由是證明已用 Lean 庫形式化驗證、經過獨立核實,而且 Alpöge 過去提出重大主張的紀錄可靠。不過,梅納德也指出,只有有人理解證明的想法並能向其他人說明,數學界才可能全面認可;在理解整體思路之前,這項成果也未必帶來大家期待的改變。
推薦理由:梅納德認為形式化驗證與獨立核實支援證明正確,但數學界要理解證明的想法,才可能看見它帶來的影響。
Daniel Mahncke 與 Shawn O'Malley 認為,在 iPhone 出貨量持平、服務業務成長趨緩的情況下,蘋果約 40 倍的本益比已過度擴張,合理價值約在 250 美元,買進目標價約 200 美元;不過兩人並不打算放空。
AI 助理判斷退款符合條件,不代表退款真的成功;如果系統沒收到回覆就重試,還可能重複退款。Anuj Sadani 開發開源專案 Decision Firewall,讓系統先核對證據與規則,再授權特定動作,並在回覆遺失時查明原本的退款結果。測試顯示,框架和自行撰寫的應用程式控制都能守住退款規則,但框架整合時需要更多工具呼叫,也遇到多項介面問題。作者因此保留它作為參考實作,並整理出不必使用該框架也能跑的獨立檢查工具;這些測試仍不足以證明框架能節省開發時間或適合正式環境。
模糊圖片放大後常會失去細節,Magnific AI 把這個問題變成生成式圖片工具的切入點。文章回顧兩位創辦人如何先分享提示詞實驗和教學,累積創作者社群,再推出付費服務;工具用分塊式潛在擴散技術放大圖片,並讓使用者調整新細節的生成幅度,以及畫面和原圖的相似程度。文章也整理了 Magnific AI 被 Freepik 收購的過程,並從中討論小型團隊如何結合 AI 程式工具、產品設計與社群曝光來發展事業。
社群貼文說 OpenAI 正面臨史上最慘的一週,還稱它快沒錢、被 Google 超車。文章核對後指出,募資確實少於原定目標,第三季虧損也比上一季增加;但「錢只夠撐 4 個月」和「被 Google 超車」沒有資料支援。文中引用的模型排行由 Anthropic 居首,OpenAI 排第二,Google 排在後面。作者認為,更大的壓力可能是投資人不願照原先估值投入資金。
AI 找到 HAWK 簽章方案的弱點,讓它退出 NIST 的標準競賽;同一模型也改進了弱化版 AES-128 的攻擊,但這不代表一般使用的 AES 已被破解。接著,AI 助理協助把舊的因數分解程式改寫到 GPU 上,讓 RSA-260 和 RSA-896 的因數分解紀錄在 16 天內兩度改寫。作者認為,這些結果顯示 AI 能加快密碼研究與程式改寫,但專家仍得花時間確認攻擊是否正確。RSA-2048 仍不受這些結果影響;作者也提醒,採用尚未定案的密碼方案時,應讓系統能更換演演算法。
推薦理由:HAWK 遭破解、弱化版 AES 的研究結果與 RSA 因數分解紀錄,呈現 AI 加速密碼研究的不同方式,也說明驗證攻擊仍需要專家投入時間。
新系統在試點時看起來效果很好,推廣到其他分店後,成效卻沒有原先預期的多。作者回頭檢查發現,試點分店在上線前整理了貨架,還有積極的主管和分析人員到場協助;試行期間又正好是淡季。後來公司也在各分店重新標示貨架,錯誤出貨比例降到約 1.1%。作者建議,試點要選一家一般分店和一家較難改善的分店,並涵蓋忙碌月份;同時記下其他變動,並找一家沒有改變做法的分店比較。
AI 助理能快速寫出程式,但大家還不一定知道怎麼確認它真的能在正式環境正常運作。作者整理兩篇工程師的討論,認為測試、架構決策紀錄和交付檢查可以替團隊留下程式為何這樣寫的線索。Thoughtworks 有個團隊試了一週不由人寫程式,改讓 AI 助理完成工作;大部分時間花在釐清需求和準備檢查方式,讓 AI 助理下次照著做。作者也提醒,如果錯誤訊息常常出現,大家可能會忽略真正的問題,因此測試和檢查必須可靠,團隊也要留時間回頭閱讀、整理程式。