跳到正文

現象與趨勢

正在發生的行業級變化:使用習慣遷移、能力湧現、社會影響與市場格局的觀察。

最新精選

第 1–20 條 · 共 85 條
11月22日週日
  1. Dev.to Top Tech83

    AWS Lambda 不再只有一種函式,作者整理 10 項無伺服器服務變化

    AWS 的無伺服器服務更新很多,現在說「Lambda 函式」已經不一定是在說同一種東西。作者整理了 Lambda、API Gateway 和 EventBridge 的 10 項變化:Lambda 分成處理事件的 Event Functions、接收 HTTP 請求的 Web Functions,以及隔離執行使用者程式的 MicroVMs;不同型別的執行時間與計費方式也不同。例如,Event Functions 的最長執行時間提高到 30 分鐘,但 Web Functions 仍是 15 分鐘。作者也提醒,新版 EventBridge 事件匯流排和舊版在功能與收費上有差異,遷移前應依自己的流量試算成本。

    推薦理由:作者整理 Lambda、API Gateway 與 EventBridge 的多項變化,並比較不同執行方式的時間限制與計費方式,能幫助團隊盤點架構和成本。

  2. Dev.to Top Tech79

    LinkedIn 的 2,000 萬人實驗發現,求職時中間圈的人脈最有幫助

    找工作時,天天聯絡的好友和完全不認識的陌生人,可能都不是最有用的人脈。LinkedIn 在 People You May Know 推薦功能上進行實驗,讓部分使用者看到較多不太熟的人,並分析超過 2,000 萬名會員的資料。研究發現,彼此有幾位共同朋友、平常卻很少聊天的人,較可能帶來新的工作機會;在科技和遠端工作較多的產業,這種較疏遠的人脈也帶來更多求職申請。文章建議先聯絡認識但少往來的人,詢問團隊或職務資訊。研究也引發未告知使用者就調整推薦的倫理疑慮;資料無法確認人脈是否直接介紹工作,結果也不一定適用於所有產業或地區。

    推薦理由:隨機調整推薦人選的實驗,讓研究者能分辨人脈和求職結果的關聯是否來自因果,也呈現推薦機制可能影響求職機會。

11月21日週六
  1. Latent Space88

    Claude 協助提出黎曼猜想證明,另一位數學家也公佈獨立證明

    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。

  2. O'Reilly Radar77

    Tim O’Reilly 分析矽谷如何從創造價值走向攫取價值

    矽谷曾靠解決使用者的問題創造價值,現在卻常把營收與股東回報放在使用者之前。Tim O’Reilly 回顧網路搜尋、平臺廣告和新創投資的變化,指出公司在市場成長放慢後,可能利用市場力量維持高利潤;AI 產業也面臨類似壓力,大筆投資和對未來需求的期待,可能讓公司急著回收成本。他主張,AI 的發展應重視使用者能否分享成果,並以開放介面、可攜性與互通協定,讓更多人能使用和改變這項技術。

    推薦理由:O’Reilly 從矽谷商業模式的轉變切入,分析 AI 如何延續價值攫取問題,並提出開放協定與互通機制的經濟觀點。

  3. Artificial Analysis61

    千禧年難題中,只有龐加萊猜想的證明目前獲得正式承認;另外兩項由 AI 協助提出的解答仍在等待獨立查證。Artificial Analysis 盤點了三項主張:Grigori Perelman 在 2003 年證明龐加萊猜想,並婉拒獎金;OpenAI 在 9 月宣稱用尚未發布的內部模型解出 Navier–Stokes 問題;Levent Alpöge 則表示,他今天與 Claude 合作找到黎曼猜想的證明。這些 AI 相關成果目前只能算暫定,其他五項千禧年難題仍未解決。

    推薦理由:這份盤點把已獲正式承認的證明,和兩家公司的待查證主張放在一起,呈現目前解題紀錄的不同可信程度。

11月20日週五
  1. The Decoder77

    Bloomberg 分析指出,中國受 AI 影響較大的職缺下滑更快

    中國的線上職缺在 2022 年 6 月後三年減少一半,而工作內容較容易由 AI 處理的職缺,跌幅更大。Bloomberg 整理的資料顯示,這類職缺比其他職缺多跌 10 個百分點;中國另有研究也發現新聘人數和職缺減少。有些公司把原本分開的工作合併,讓一個使用 AI 的人負責多人的工作;AI 生成的短劇也讓製作時間和成本大幅下降。不過,景氣放緩也可能影響職缺,現有資料還無法確定 AI 單獨造成了多少變化。美國與澳洲的資料也顯示,年輕人在 AI 影響較大的工作中較難找到工作,但研究者同樣提醒,不能太快把變化全歸因於 AI。

    推薦理由:多項中國與海外資料都顯示,年輕人及工作內容較易由 AI 自動化的職位受到影響,但景氣變化也可能造成部分下滑。

  2. Rohan Paul72

    Uber 工程師使用 Claude Code 時,即使模型支援 100 萬個 token,工作階段也會在 400K 個 token 時被壓縮。從 2 月到 8 月,每週 AI 助理請求量增加到原來的 9.4 倍,每週活躍使用者增加到 7 倍,但整體 AI 支出自 4 月以來大致持平。Uber 也讓 AI 助理透過命令列工具連到中央 MCP 閘道,避免一開始就載入 100 多種工具的說明,因為這些說明會先佔用 50K 到 70K 個 token。文中提到每千次請求的成本比高峰時低近 34%,每個工作階段的成本比 6 月高峰時低 52%,但沒有說明任何單一預設設定省下多少。

    推薦理由:Uber 的案例呈現 AI 程式工具用量大增、總支出仍大致持平的情況,也說明工具描述佔用上下文時,團隊如何改用集中式 MCP 閘道。

  3. Lobste.rs (Engineering Discussion)70

    Wikimedia 說明搜尋與 AI 助理如何改變讀者流量

    只看瀏覽量,已經不容易知道有多少真人在閱讀 Wikimedia 的內容。Wikimedia Foundation 表示,搜尋引擎帶來的真人瀏覽正在減少,搜尋摘要、AI 助理和社群平臺也會直接提供內容,讓部分讀者不用進入網站;同時,自動化程式的流量增加,讓真人瀏覽的變化更難算清楚。為了看懂這些變化,團隊提出四個觀察面向,包括內容能見度、讀者後續行動、流量來源是否過度集中,以及長期趨勢是否改變。Wikimedia 也指出,手機網站較依賴搜尋流量,瀏覽量相對穩定的手機 App 則顯示,直接與讀者建立連結可能有助於維持接觸。

    推薦理由:Wikimedia 說明搜尋摘要、AI 助理與自動化流量如何改變讀者來源,也整理出超越瀏覽量的四個觀察面向。

  4. Tom’s Hardware AI & Computing78

    AI 資料中心用電需求增長,電網擴建速度成為瓶頸

    AI 資料中心越蓋越多,電網可能來不及供電。IEA 的《World Energy Outlook 2026》估計,全球資料中心目前有 120GW 的供電容量,到 2030 年底還會增加 120GW,其中 75% 用於 AI。IEA 也追蹤了 93 座正在興建或擴建的大型 AI 工廠,預計完工後合計可達 50GW,約等於再增加一個英國的用電需求。電費會不會因此上漲,取決於電網是否需要擴建,以及費用由誰負擔;IEA 表示目前還看不出資料中心增加和電價上漲之間有明確關係。另一個難題是供電來源:資料中心的購電協議近半來自再生能源,但實際發電仍有近 60% 來自燃煤和天然氣。發電廠和輸電工程都需要時間,輸電工程尤其可能拖得更久,讓供電成為 AI 基礎建設擴張的限制。

    推薦理由:IEA估計資料中心用電容量將大幅增加,但電網工程往往比建置速度慢,凸顯供電瓶頸與成本分攤的難題。

  5. hackernews10076

    IEA 指出,全球建築的冷房需求首次超過暖房需求

    全球建築需要的冷房服務已首次超過暖房服務,但這不代表冷氣耗電量已高於暖氣。IEA 在《World Energy Outlook 2026》中指出,冷氣在把熱移出室內時,提供的冷房效果可能大於所用電力;暖氣則仍消耗更多能源。依 IEA 的主要情境,全球建築冷房用電到 2035 年將增加 1,700 TWh,達到每年 4,700 TWh。冷氣集中在最熱時段運轉,也會讓電網尖峰負載增加;冷氣普及則讓更多人能在炎熱時維持舒適。

    推薦理由:文章釐清了冷房服務與實際耗能的差別,也整理冷氣普及如何推高尖峰用電,呈現舒適需求和電網負載之間的關聯。

  6. solidot75

    IEA 預估資料中心碳排到 2030 年將增加 70%

    資料中心用電快速增加,也讓供電來源和碳排成為能源規劃的難題。IEA 預估,到 2030 年資料中心用電量將是目前的兩倍,AI 資料中心每年還會多用 350 TWh 電力,超過英國一整年的用電量。報告也指出,中國 AI 資料中心所需電力約半數將來自燃煤發電;美國資料中心約 60% 的電力則將由天然氣供應。隨著化石燃料發電需求增加,IEA 預估資料中心碳排到 2030 年將增加 70%。

    推薦理由:IEA 把資料中心用電與各地供電來源放在一起看,呈現 AI 用電成長如何牽動碳排,並比較中國與美國的能源結構。

  7. Lobste.rs (Engineering Discussion)61

    Dave Täht 如何讓網路延遲改善受到重視

    視訊通話卡住、網頁載入很慢,可能和資料在網路裝置裡排隊太久有關,這種問題稱為緩衝膨脹。網路工程師 Dave Täht 花了數十年找方法改善壅塞,也努力向監管機關、科技公司和一般人解釋,為什麼延遲會讓上網變得不順。他透過演講、歌曲和生動的示範推動大家採取行動,也曾協助 Starlink 處理延遲問題。文章回顧他的工作如何幫助更多人理解網路品質,也讓減少延遲的改善能走進實際使用。

    推薦理由:文章從視訊卡頓和網頁載入變慢談起,說明 Dave Täht 如何讓緩衝膨脹問題受到重視,並推動改善網路延遲。

11月19日週四
  1. aihot85

    Anthropic IPO 將 AI 迴圈融資推上檯面

    AI 公司拿到投資後,常會把錢花在投資者提供的雲端和晶片服務上,外界因此擔心資金只是繞一圈又回到原處。TechCrunch 分析 Anthropic IPO 的資金關係:按每股 83 美元計算,Amazon 和 Google 的持股合計約值 3079 億美元;多家供應商也承諾參與 260 億美元私募,同時與 Anthropic 有供貨或合作安排。分析師認為,上市後 Anthropic 可從公開市場和公司債取得資金,供應商不必再像過去那樣出資扶持;但公司仍承諾支出 9000 億美元,主要用於算力和基礎設施。文章也提醒,若 Anthropic 在 AI 競賽中落後,公司的前景可能改變,而雲端供應商仍可能服務其他模型。

    推薦理由:文章用 Anthropic 的持股、採購與募資數字,拆解投資者同時也是供應商時,資金如何在 AI 業界流動。

  2. TechCrunch · AI86

    Anthropic IPO 將檢驗 AI 資金在投資者與供應商間迴圈的模式

    AI 公司向大型供應商採購算力,供應商又投資這些公司,讓同一筆資金可能在雙方之間反覆流動。Anthropic IPO 後,Amazon 和 Google 持有的股份大幅增值,其他基礎設施供應商也參與投資;Anthropic 則預計取得 IPO 與私募資金,未來可從公開市場投資者和公司債籌措資金。文章引述分析師指出,Anthropic 有大量現金,但仍承諾支付高額算力與基礎設施費用,能否負擔取決於營收成長,以及它能否在 AI 競爭中維持領先。

    推薦理由:文章整理 Anthropic IPO 前後的資金流向,呈現供應商同時投資並向公司提供算力服務,如何影響外界對 AI 融資模式的看法。

  3. Epoch AI Updates76

    Epoch AI 比較 Anthropic 與 OpenAI 的算力支出成長

    AI 公司花在算力上的錢增加得很快,但兩家的資料來源和完整程度不同。Epoch AI 整理 Anthropic 的財務申報與 OpenAI 的媒體報導,換算成每年支出速度後估計,Anthropic 過去 3 年每年約增加 4 倍,OpenAI 則約增加 3 倍。Anthropic 2026 年第三季的算力與基礎設施支出接近 $10 billion,換算成年約 $40 billion;OpenAI 的 2026 年約 $50 billion 是預測,並非已公佈的實際支出。文章也提醒,花費金額不能直接換算成運算能力,OpenAI 的資料較零散,兩家公司未來支出速度也未必會維持過去的成長幅度。

    推薦理由:這份比較整理了兩家公司算力支出的成長速度,也說明 OpenAI 的資料較零散,且 2026 年數字仍是預測。

  4. OpenAI News86

    OpenAI 說明 AI 模型如何改良自家與 AMD 晶片設計

    晶片設計要在速度、耗電和電路面積之間取捨,改動後也得確認功能沒有出錯。OpenAI 說明,GPT-4o 曾協助改良自家 Jalapeño 晶片的運算區塊;與 AMD 合作時,模型改寫描述電路的程式碼,工具再檢查功能並比較取捨。AMD 表示,部分修改已用在送交製造的設計中。OpenAI 也用兩款開源 RISC-V 處理器測試不同模型,GPT-6.2 Astra 在相近預算下平均分數最高。這些測試也有界線:從規格設計時,模型可能省略原有功能,因此評測未必完全反映量產設計的要求。

    推薦理由:OpenAI 以自家晶片、AMD 設計與開源處理器測試呈現模型改寫電路的成果,也交代了評測和實際設計之間的差距。

  5. The Decoder76

    Pangram 判定秘魯得獎小說 99% 由 AI 撰寫,出版社仍支援作者

    AI 偵測工具的判定,可能影響作者的名譽和文學獎結果。Pangram 將秘魯作家 David Silva Rojas 的得獎小說《Donde el agua trabaja》判定為 99% 由 AI 撰寫;墨西哥出版社 Almadía 表示,檢視作者提供的檔案後,仍支援這個獎項。報導也提到,Pangram 曾把作者的訪談、文章和 Instagram 否認宣告中超過 80% 的文字判為 AI 生成。美國作家協會提醒,不應只靠 AI 偵測工具做決定;這場爭議也讓人看到,工具判定與人工評審如何看待作品之間可能出現落差。

    推薦理由:這場爭議呈現 AI 偵測結果如何影響文學獎與作者名譽,也提醒評審判斷不能只看偵測工具的結果。

11月18日週三
  1. Tom’s Hardware AI & Computing76

    黃仁勳離開輝達前後發生了什麼?一文整理指控與風波時間線

    輝達的晶片需求與中國出口限制,讓公司同時受到商業利益和國安議題的關注。Tom’s Hardware 整理了相關報導,從美國限制 AI GPU 出口、各地調查疑似走私案件,到黃仁勳遭遇間諜與婚外情指控、宣佈離開輝達,以及外界要求他回任的訊息。文中部分內容仍是指控或調查中的說法,也列出輝達的否認與黃仁勳的回應;這條時間線呈現了公司面對的多重風波,但不代表所有指控都已獲證實。

    推薦理由:文章把出口管制、晶片走私指控與黃仁勳離職風波串成時間線,呈現輝達如何同時面對市場與國安壓力。

  2. Dev.to Top Tech83

    開放權重模型落後封閉模型多久?作者用資料比較能力、算力與授權

    開放權重模型的能力和封閉模型差多少,會隨時間、評量方式和授權條件改變。作者用 Epoch AI 截至 2026 年 10 月 30 日的資料追蹤模型分數,指出 2026 年開放模型平均落後約 6.7 個月;中國團隊推出的模型已連續 673 天保持開放權重領先。不同地區的差距也不一樣:美國和歐洲模型落後更多,而授權條件會影響模型能不能用在商業服務。作者認為,選模型時除了看能力,也要確認來源與授權是否符合自己的需求。

    推薦理由:作者把開放權重模型的能力差距拆成時間、算力、地區與授權來比較,呈現採用這類模型時需要衡量的實際取捨。

  3. Wired · Artificial Intelligence77

    超過三分之一的 Z 世代會靠 AI 陪伴

    不少年輕人會找 AI 聊天或陪伴,但這些數位關係和麵對面交友有什麼不同,仍需要了解。一份涵蓋 16 個國家、15,925 名 15 到 22 歲受訪者的調查發現,33% 的 Z 世代會依靠 AI 陪伴;每天使用 AI 的人中,這個比例是 50%。調查也發現,面對面友誼得到的支援感最高,使用 AI 或只有網路朋友的人則可能較常感到孤單。研究者提醒,不能只看花多少時間上網,也要看年輕人和誰互動、建立了什麼關係;目前還無法確定孤單會不會讓人更常找 AI,或 AI 陪伴是否會加深孤單。

    推薦理由:這份跨國調查把焦點從使用螢幕多久,移到年輕人和誰建立關係,並呈現 AI 陪伴與孤獨感之間仍待釐清的關聯。