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。
人工檢視暗網網站很花時間,網站也常常連不上,還可能遇到假網站或讓人暴露身分的陷阱。文章提出一套自動蒐集流程:讓程式透過 Tor 連線暗網,用不執行網頁程式碼的方式讀取文字,再交給大型語言模型整理搜尋詞,並從內容找出受害者、外洩資料和可能的攻擊者。例如,輸入「找出最近攻擊藥廠的勒索軟體事件」,模型會把問題改寫成多組相關關鍵字,讓搜尋更完整。這種做法可協助防禦團隊及早留意企業資料外洩或勒索威脅。
醫療 AI 助理要回答問題,除了找到資料,還得說清楚答案根據什麼,也不能把敏感內容隨手記進追蹤紀錄。作者分享以 Gemini、Google ADK 和 MCP 建置的開源平臺:三個 AI 助理分工規劃搜尋、查詢醫療資料,再整理有來源的回答,並標明資料無法證明的事。平臺用 OpenTelemetry 追蹤各步驟,但會排除問題文字、回答、病患資料和工具內容;Docker Compose 則讓開發者用一個指令啟動整套環境。
AI 需要大量電力和水,地面電網和資料中心卻不容易快速擴建。把電腦放到無人機、高空飛機或太空裡,就能在資料產生的地方先處理資料,減少把大量影片和訊息傳回地面的需求。像 Skydio X10 無人機能在機上製作地圖;Starcloud-1 也已帶著 NVIDIA H100 到太空,並在軌道上訓練 NanoGPT、執行 Gemma。 太空中的太陽能可能更穩定,也不需要用水冷卻,但散熱、太空輻射、延遲、發射費用和太空垃圾都是難題。作者認為,飛行電腦不會取代所有地面伺服器,卻可能讓更多運算工作搬到離資料更近的地方。
AI 助理能長時間反覆嘗試攻擊,伺服器若少了登入保護或檔案路徑檢查,就可能被利用。作者根據 Amazon 公佈的 Cairn 案例整理防護清單:其中兩次攻擊沒有成功,另一次利用 MONAI Label 的路徑穿越漏洞寫入檔案,之後取得 root 許可權。MONAI Label 0.8.6 已修補這個漏洞;文章也建議開啟驗證、限制服務可寫入的資料夾、避免以 root 執行服務,並留意長時間且重複的登入或請求。作者沒有親自重現攻擊,清單中的程式範例也只用小型合成資料檢查,偵測門檻仍需依實際流量調整。
推薦理由:文章把 Cairn 案例中的成功與失敗,整理成九項伺服器檢查做法,涵蓋修補漏洞、限制服務許可權與從紀錄辨認長時間嘗試。
駕駛警示系統要怎麼判斷人是真的閉上眼睛,還是隻是眨眼、說話或看向別處?作者做出 DriveSignal 桌面原型,讓使用者先同意開啟鏡頭,再用自己的眼睛資料校準。眼睛持續低於個人門檻時,畫面會分階段警告;若警告持續 5 秒都沒人確認,虛擬車就會亮起警示燈並模擬停靠路邊。使用者也能看見每個判斷的原因和時間。作者提醒,這只是桌面展示,尚未驗證疲勞、嗜睡或行車安全,也不會診斷身體狀況。
events.lat 的活動頁過期後,有些網址會改送首頁的 HTML,讓 Google 把彼此毫不相關的頁面當成重複內容。作者檢查預先產生的頁面後,發現正在舉行的活動也可能缺頁,場地頁的收錄門檻則和網站地圖設定不一致。修正後,已結束的活動和場地都有各自的頁面,並標示不需收錄;各處也共用同一個場地門檻。作者建議逐一比對網站連結與預先產生的頁面,並為有期限的內容安排結束後的頁面狀態。驗證仍在 Search Console 進行中,結果尚未確認。
翻譯看起來通順,也可能把房間號碼、金額或「核准前不要確認」這類重要內容弄錯。這篇教學用 React 和 TypeScript 製作翻譯編輯器,先列出 Chrome 語言偵測 API 找到的語言候選,讓使用者確認原文語言,再檢查所選語言組合是否可用,並在裝置上翻譯。翻譯結果會留在原文旁邊,使用者要另外按下接受才會套用;如果原文或語言選項改了,舊結果就會失效。文章也提醒,這個流程不會送出預約或把文字傳給雲端模型,翻譯是否準確仍要由熟悉該語言的人檢查。
管理多個地點的 Google 商家檔案時,批次改營業時間可能會蓋掉店家後來自行更新的內容。OpenGMB 可以一次修改同一位客戶最多 100 個地點,送出前會重新讀取 Google 上的資料;如果發現有人改過同一欄,就跳過該地點並標出衝突,不會寫入舊資料。修改也要先通過規則檢查並由有許可權的人核准,核准後還要另外套用。系統每晚也會比對檔案,提醒使用者檢視在 OpenGMB 以外做的修改。
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。
很多波士頓大學生熟悉的地方只有校園附近,附近社群的店家、公園和地標卻少有人去。作者在週末做出 Out of Bounds,讓學生到店家和景點打卡,集滿印章就能解鎖社群;打卡可用手機定位確認,也能拍照交給 Gemini 判斷是不是在正確地點。遊戲還把校際競爭搬上地圖:到別校的地盤打卡可拿 2 倍分數,本週印章最多的學校就能佔下該區。這種玩法把探索城市變成一場校園競賽,鼓勵學生離開熟悉的生活圈,認識波士頓不同社群。
寫給 AI 助理的規則常塞滿「絕對不要這樣做」,但規則太多,模型可能反而漏掉真正重要的細節。這次測試讓 Gemini 3.8 Flash 修改一套付款程式:一組提示詞列出 25 多條禁令,另一組則提供一份示範正確寫法的程式碼範例。前者做了 3 次才通過 20 項檢查中的 16 項;後者一次就全數通過,執行速度快 2.85 倍。結果顯示,直接示範希望 AI 助理怎麼寫,可能比一再提醒它不能做什麼更有效。
Chrome Releases 的 Feedburner 訂閱內容會延遲更新,而且使用 HTTP 傳送時,網路上的人可能竄改或刪除安全更新。作者實測後發現,在 Blogger Feed 網址加上 ?redirect=false 可以取得較新的內容;要求 gzip 壓縮並儲存 ETag,再用 If-None-Match 查詢,內容沒變時就能收到很小的 304 回應,減少重複下載。作者也發現 If-Modified-Since 的結果不穩定,Feedburner 本身仍可能落後數小時甚至數天。
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。
客服郵件常把前面的對話一再貼進新回覆,送進模型後,token 數可能比實際新內容多很多。作者用一組 10 封郵件的測試發現,原本只有 487 tokens 的新文字,連同引用內容計算後變成 5,068 tokens;他示範用程式移除純文字郵件中的引用區塊,再把各封信的內容交給模型。這能減少摘要工作的輸入量,但遇到 HTML 郵件、不同語言的引用格式,或穿插在引用中的回答時,簡單規則可能漏掉內容,需依實際郵件格式檢查。
AI 資料中心需要大量電力,電力來源也會影響排碳量。一個氣候團體追查 Anthropic 已簽約資料中心的供電來源,估計到 2028 年,約 87% 的電力來自天然氣、11% 來自煤炭;排碳量中間估算為每年 3,200 萬噸,高於加州電廠 2024 年的 3,110 萬噸。這些是根據用電量和效率假設推算的數字,範圍約為 1,700 萬至 3,800 萬噸,並非實際測量。Anthropic 表示正在尋找地熱、風力和太陽能電力;團體指出,新增美國再生能源合約會降低估算中的燃氣與煤炭佔比。
AI 助理要使用很多工具時,每次都把所有工具的引數說明放進請求,會耗掉不少 token。Google 在 Gemini API 的 Interactions API 預覽 Tool Retrieval,讓模型先看到工具名稱和簡短說明,需要時再載入完整引數。伺服器端會由 Gemini 搜尋並載入工具;用自己的工具清單則要多一次 API 往返。這項功能沒有額外費用,但搜尋會產生按輸入 token 費率計算的用量,載入的工具說明也會繼續計費。Google 尚未公佈節省 token 或準確度資料。
個人 AI 助理能持續替人處理工作,也可能接觸信箱、檔案和帳號,因此記憶放在哪裡、能做哪些事和要花多少錢都很重要。MarkTechPost 比較 Hermes Agent、OpenClaw、Gemini Spark、OpenAI dots、Meta Muse 和 Perplexity Personal Computer 等工具。Hermes Agent 和 OpenClaw 可把記憶存成自己能檢視的檔案;雲端服務則在各家平臺上運作。文章也提醒,OpenClaw 預設可完整存取主機,需自行開啟沙盒;自架工具的費用還要算模型用量和主機,雲端工具多以訂閱計費。
想用 Google 找網頁連結,又不想換掉原本的預設搜尋?可以在 Chrome 新增一個獨立的網站搜尋捷徑,指定一個沒用過的關鍵字,例如 gw。輸入 gw,再按空白鍵或 Tab,就能輸入要查的內容;原本的預設搜尋設定會保留。文章也提供用 JavaScript 組出 Google Web 搜尋網址的做法,讓加號、&符號和引號都能正確留在搜尋內容裡。如果搜尋結果開成平常的 Google 頁面,可以檢查捷徑是否設好,以及 Google 是否選了 Web。
從頭訓練大型語言模型很花錢,但多數小團隊不必自己做這一步。這篇指南先說明模型如何從大量文字學習,再整理幾種省成本的做法:用 LoRA 或 QLoRA 微調已有的開放權重模型,或用 RAG 在回答時查資料,完全跳過訓練。文章也比較 DeepSeek、Kimi、Qwen 等開放權重模型,以及 OpenAI、Anthropic、Google 的封閉模型,並說明 Kiro 是負責串接模型的開發工具,不是模型製造商。
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。
把公開廣告資料整理成付費報告前,團隊的 AI 審查只看了資料集說明,沒讀資料來源的使用條款。團隊後來讓不同角色分別檢查條款、付費證據和其他風險,再互相質疑;每個點子也必須附上條款原文和有人付費購買同類產品的證據。重跑原本的點子時,審查在 457 秒內指出商業轉售可能違反條款,也發現沒有付費需求的證據。不過,同一個模型擔任多個角色時,仍提出了錯誤異議,顯示審查流程本身也需要檢查。
ChatGPT 和 Google AI 都有每月 ₩29,000 的方案,但這筆錢買到的服務差很多。作者在韓國檢視兩家的官方價格頁,發現 ChatGPT Plus 提供 GPT-6 系列模型、工作功能與不同的上下文長度;Google AI Pro 則附上 5 TB 儲存空間、影片點數和其他服務,並列出 1,000,000 的上下文長度。作者也提醒,頁面沒有說清楚「不限量」的實際上限,部分附加服務還有地區或資格限制。選方案時,可以先看自己需要模型功能、儲存空間,還是清楚列出的使用上限。
讓 AI 回答 CSV 試算表問題時,直接把資料列交給模型可能洩漏內容,也可能算錯;讓模型執行任意程式碼還會帶來遠端程式碼執行風險。作者打造 AskGrid,讓模型只讀取欄位名稱和資料型態,並把問題轉成固定格式的分析要求,再由 Pandas 執行允許的運算,附上計算過程。作者也用自動測試找出三個問題,包括把訂單編號誤認成負數金額,以及模型把「前三名」理解成列出全部群組。修改提示詞後,測試中的意圖判斷與數字結果都達到 100%;這些結果來自文中的測試案例。
挑 AI 模型時,除了回答品質,呼叫 API 要花多少錢也很重要。這份整理每天更新 373 個模型 API 的輸入與輸出價格及上下文長度;截至 11 月 22 日,最便宜的模型每百萬輸入 tokens 約 $0.02,GPT-5.5 Pro 每百萬輸出 tokens 則要 $180。輸出通常比輸入貴,長篇回答會增加花費;讀大量檔案、只回短摘要時,費用則多半來自輸入。作者也提醒,便宜模型若需要多試幾次,整體成本可能更高,選用前可拿自己的提示詞比較不同價位的模型。
想讓 AI 助理上網找資料、記住以前做過的事,或幫忙寫程式,光有模型還不夠,還需要其他工具和功能搭配。這份 GitHub 排名整理了 20 個最受歡迎的開源 AI 助理相關專案;第一名 ECC 有 308K 顆星,DeepSeek Harness 和 Hermes Agent 排在第二、第三名。這些專案有的替 AI 助理加上記憶和技能,有的幫它們讀網頁、搜尋資料或操作瀏覽器,也有一些是能裝進既有 AI 助理的專門技能。榜單顯示,讓 AI 助理更好用的工具和搭配方式,正成為開源社群熱門的發展方向。
Ghostscript 處理字型時有一個記憶體漏洞,攻擊者可用特製檔案突破安全限制,讓執行檔案的程式跑出指定指令。研究者確認,這條路徑出現在 Debian 13 的網路列印、Roundcube 郵件附件縮圖,以及多個網站的檔案上傳與預覽功能;部分情況不必登入,收到附件後只要檢視郵件就可能觸發。研究者也列出一些只追到程式處理路徑、尚未確認實際執行的服務。Ghostscript 10.08.0 已修補此漏洞,Debian、Ubuntu、WordPress 和 Roundcube 也發布了各自的修補或緩解措施。
推薦理由:研究者追出 Ghostscript 漏洞如何經由列印、縮圖與檔案匯入等路徑觸發,並整理已確認的執行案例與修補狀態。
Mermaid 圖表一複雜,常會出現文字擠在一起、方框排得很死板的問題。diagram-design 提供 45 種 HTML 和 SVG 圖表樣式,可搭配 Claude Code、Cursor、Codex 和 GitHub Copilot 使用,讓 AI 助理做出更好讀的技術圖表。文章也整理了不用綁信用卡的官方 API 選項,例如 Google AI Studio 每天有 1,500 次免費請求,OpenRouter 的免費模型約每天可用 200 次;若要使用 Claude 3.5 Sonnet,則可透過 Google Cloud 或 AWS 的雲端額度。
傳統程式要人先寫好每一條規則;機器學習則是讓電腦看過許多例子,自己找出規律,再拿來猜新資料的答案。它有三種常見做法:看過正確答案後學著預測、自己從資料裡找出分組,或靠獎勵和處罰反覆嘗試。文中的小程式只看過幾間房子的大小和房間數,就能把新房子分成「小公寓」或「大房子」。不過,例子太少、有偏見,或新資料和練習時看過的差很多,都可能讓模型猜錯;用它的結果前,還是得仔細檢查。
Android 11 以上會限制 App 檢視手機裡安裝了哪些套件,讓測試工具不容易直接開啟指定的 App。作者分享 Peerbeta 的 Kotlin 做法:Android 13 以上用 IntentSender,Android 11 和 12 則需要開發者提供啟動頁面的完整類別名稱;如果沒有這項資料,就請測試者手動開啟並提交截圖,再由人員檢查。Android 8 到 10 仍可使用一般啟動方式。這些方法讓測試工具不必申請 QUERY_ALL_PACKAGES,也能記錄 App 是否成功開啟。
Gemini 會依照使用者描述的需求推薦 App,但如果商店頁面只寫「最棒的記帳工具」這類口號,模型就難以判斷它適合誰。文章整理 Google Play 在 2026 年 10 月 13 日公佈的搜尋與推薦功能,並建議把 App 解決的問題、適用物件、價格和離線功能寫清楚,也補上平板畫面、確認 App Links,並留意評論中反覆出現的問題。修改後可以一次調整一項,記錄商店頁面的瀏覽和安裝變化;Google 尚未公佈 Gemini 或 Ask Play 的專用流量報表。
在 Google Sheets 查資料時,大小寫不同的程式碼常被當成一樣,查表可能因此拿到錯的價格,而且不會提醒你。這篇教學整理哪些函式會忽略大小寫,並示範用 EXACT 搭配 INDEX 和 MATCH 找出大小寫完全相同的資料;例如搜尋「ABC」時,可以找到程式碼「ABC」對應的價格,而不是清單中先出現的「abc」。文章也提供計算重複值、保留不同大小寫資料的方法,並提醒先清除多餘空格。
用 Next.js 搭配無頭 CMS 做網站,看起來能放在很多地方,實際上卻得顧好快取、內容更新和圖片處理;設定不合,網站不同主機可能顯示新舊不一的文章,流量一大也可能讓帳單暴增。文章比較 Vercel、Netlify、Kinsta、Cloudflare Workers,以及 Azure、AWS 和 Google Cloud 等選擇:代管平臺省下不少伺服器管理工作,但費用和功能各有差異;自己在大型雲端平臺架設,流量穩定且規模夠大時可能較省,卻得自行處理多臺主機共用快取。 例如網站有好幾臺主機時,編輯更新文章,預設設定可能只通知其中一臺,其他主機仍送出舊內容,因此需要讓它們共用同一份快取。挑選平臺時,除了價格,也要看團隊是否有能力維護這些設定,以及網站流量和內容更新方式。
AI 回答有時不是全錯,而是方向大致正確,細節或語氣卻說得太滿。MultiO 把相同的 24 個問題交給 GPT、Claude、Gemini、Grok 和 Llama,再人工檢查只有一個模型提出的說法:有些很有用,有些是錯的或編造的,另一些則混有誇大的機制、力道或數字。像模型談到馬拉松訓練時,整體安排大致可用,但每小時 60–90 g 碳水對初次參賽者可能太多。作者建議,遇到只有一個模型提出的資訊,除了查證,也要特別留意最強烈的形容詞和最精確的數字。
AI 助理可能回答錯誤、花費過高或繞遠路,但一般監控顯示服務正常,團隊就不容易找到原因。Dynatrace 完成收購 Arize 後,文章整理 AI 可觀測性如何串起模型呼叫、資料檢索、工具使用、服務狀況與業務結果;文中也說明 Arize AX 和 Dynatrace 平臺仍分開提供,Phoenix 仍是開源專案,整合時程尚未公佈。實作上可從原型階段開始記錄追蹤資料,用 OpenTelemetry 建立評估,再把正式環境中答得不好的案例加入測試,持續檢查品質變化。
設定檔看起來正確,網站實際送出的內容卻可能不同;作者用 curl 檢查自己的 Next.js 靜態網站,發現 Firebase Hosting 把頁面設成快取一小時,而圖片和圖示則可能被快取一年。另一個問題是網站地圖、結構化資料和 llms.txt 裡的文章網址少了結尾斜線,造訪時會先轉址。作者建議把網址格式集中在同一處管理,並在部署後檢查實際回應,確認設定真的生效。
AI 助理能接手部分資料整理和工作流程,但有些服務仍得向外租用,像是付款、電話、聯絡資料和身分驗證。作者把這些服務比喻成軌道,整理出五類依賴,並用 ACP、AP2、x402 和 ChatGPT Wallet 說明付款方式各有不同:有的用授權指令留下紀錄,有的要求使用者每次核准。文章也提醒,供應商提供 AI 助理介面,不代表企業軟體已被取代;規劃時還得考慮人工核准、外部服務費用,以及誰負責資料和規則。
單一資料中心的電力、散熱和空間可能不夠容納大型 AI 叢集,因此研究者提出 scale-across,讓不同建築、園區甚至不同地區的資料中心連在一起。它和機房內連線加速器、資料中心內連線機櫃的網路分工不同,目標是讓多個場址共同支援運算。Google 已提出面向整個園區的 Virgo 網路架構,Cisco 和 Marvell 也在開發相關技術。跨場址連線仍會遇到傳輸延遲、壅塞和封包遺失;AI 訓練需要加速器頻繁交換資料,延遲可能拖慢整個叢集,所以規劃時不能只看網路速度,也要一併考慮網路路徑和通訊方式。