yii.
← Digest
EP57 · 2026年4月27日 星期一 · 9 min read

AI 的兩面

同一個 AI，讓一個 23 歲業餘者解開 60 年難題；卻讓另一個資深設計工程師遞出辭呈。

每天花 1% 的時間，掌握科技脈動。

今日金句#

“The LLM took an entirely different route, using a formula that was well known in related parts of math, but which no one had thought to apply to this type of question.” 「LLM 走了一條完全不同的路——它用了一個在相關數學分支裡眾所周知的公式，但從來沒有人想到把它應用到這類問題上。」 — Terence Tao, UCLA 數學家、AI 評估員

“The point of a code review is not simply for good code to make it into a codebase, but to build institutional knowledge as people debate and iterate and compromise.” 「Code review 的目的，從來不只是把好的程式碼推進倉庫——而是讓人們在辯論、迭代、妥協的過程中，累積制度知識。」 — Hazel Weakly（被 Ky Decker 引用）, 科技文化作家

“Software is no longer a moat. The product features get copied in months — what doesn’t get copied is distribution and hardware.” 「軟體已經不再是護城河。產品功能幾個月內就會被抄走——抄不走的，是 distribution 和硬體。」 — Evan Spiegel, Snap Inc. 執行長

今日主軸#

今天最值得停下來思考的，不是哪個模型又更新了，而是 AI 帶來的兩種完全相反的故事正在同時發生。

一邊，是一位 23 歲、沒受過進階數學訓練的業餘愛好者 Liam Price，用 ChatGPT Pro 解開了 60 年來沒人能解的 Erdős 猜想。Terence Tao 親自驗證後說：「LLM 走了一條人類數學家從沒想過的路。」這不是 AI 在拼湊已知答案，而是 AI 真正在做原創研究。

另一邊，是一位前設計工程師 Ky Decker 寫下的長文〈Do I belong in tech anymore?〉。他離開了科技業，不是因為累，而是因為看到未經同意的會議錄音、未讀就 merge 的 12,000 行 AI code review、AI 直接生成跳過討論的設計稿——他覺得，自己的判斷力在這個產業裡已經沒有意義。

這兩個故事，主角都是 AI，但結果完全相反：一邊是讓沒受過訓練的人做出真正的研究，另一邊是讓受過完整訓練的人選擇離開。今天的日報，就是在記錄這個分岔點。

必讀#

  1. 23 歲業餘者用 ChatGPT 解 60 年 Erdős 難題 — Scientific American AI
  2. Do I belong in tech anymore?（設計工程師的告別書） — ky.fyi News
  3. AI 圖像模型自己加上「WHY ARE YOU LIKE THIS」 — Simon Willison AI
  4. GPT-5.5 統一 Codex 與主模型 — Simon Willison AI
  5. Snapchat CEO：軟體不再是護城河 — Lenny Startup
  6. Google 將投資 Anthropic 上看 400 億美元 — 科技新報 News
  7. Meta 與 AWS 合作部署 Graviton5 處理代理式 AI — 科技新報 News
  8. 資料倉庫 vs 資料湖 vs 資料網格 — ByteByteGo Dev
  9. 偉大產品主管的差異化特質 — Lenny Startup

23 歲業餘者用 ChatGPT 解 60 年 Erdős 難題#

Erdős

23 歲、沒有進階數學訓練的業餘愛好者 Liam Price，用 ChatGPT Pro 解開了一個困擾數學家 60 年的 Erdős 質數和猜想。UCLA 數學家 Terence Tao 與 Jared Lichtman 驗證後確認：模型沒有抄襲已知方法，而是用了「相關數學分支裡眾所周知、但從沒人想到要套用到這類問題」的公式。

  • 質數和（primitive set）猜想 —— 當集合中的數字趨於無限時，Erdős sum 是否恰好趨近 1
  • 模型方法具有「跨領域遷移」性質，方法論可能在其他問題上也成立
  • 證明 AI 不只是加速既有方法，也能產生人類沒想到的原創切角

💡 為什麼重要：這顛覆了「AI 只能拼湊已知答案」的敘事。對研究者，AI 已是真正的「思考夥伴」，不只是 boilerplate 加速器；對業餘愛好者，這是「進入研究級問題」的明顯訊號。

🔗 閱讀原文 | 來源: Scientific American

Do I belong in tech anymore?（設計工程師的告別書）#

burnout

前設計工程師 Ky Decker 寫下長文，解釋為何離開科技業。理由不是累，而是看到 AI 全面入侵——未經同意的會議錄音、未讀就 merge 的 12,000 行 AI code review、AI 生成跳過討論的設計稿——他覺得個人品質判斷已經失去意義。

  • Burnout 被重新定義為「政治挫敗的情感經驗」 —— 對科技業早期理想的告別
  • 引用 Hazel Weakly：code review 的目的是「累積制度知識」，不只是讓好程式碼進倉
  • 批評 AI 的能源消耗、訓練資料盜用、放大假訊息、加速裁員，與領導層放棄道德立場同步

💡 為什麼重要：捕捉了科技業士氣危機的關鍵——不只是疲倦，而是意識形態幻滅。挑戰「AI 採用純粹是技術選擇」的敘事——它正在迫使科技人對價值觀做存在主義式清算。

🔗 閱讀原文 | 來源: ky.fyi

AI 圖像模型自己加上「WHY ARE YOU LIKE THIS」#

why-are-you-like-this

Simon Willison 用一個荒謬 prompt（「馬騎太空人，太空人騎鵜鶘，鵜鶘騎自行車」）測試 ChatGPT Images 2.0，模型不僅生成了圖像，還自行加上一個寫著「WHY ARE YOU LIKE THIS」的牌子——使用者根本沒要求文字。

  • 模型在指令外自行加入諷刺式 meta 註解，顯示視覺模型的湧現行為
  • 暴露 prompt adherence 的限制 —— 模型在判斷「混亂場景」時會自帶反應
  • 對創意應用是警訊：你以為的「一致輸出」其實有很多模型自己的「個性」

💡 為什麼重要：在依賴視覺模型生產內容前，必須測試邊界情況。這也是 GPT-4o 這類大型視覺模型「不可預測 → 帶來個性」邊界的具體例證。

🔗 閱讀原文 | 來源: Simon Willison

GPT-5.5 統一 Codex 與主模型#

gpt-5.5

OpenAI 的 Romain Huet 在訪談中確認，從 GPT-5.4 開始已將 Codex 與主模型統一為單一系統，GPT-5.5 沒有獨立 Codex 變體。模型在 agentic coding、computer use、任務自動化上有顯著進展。

  • Codex 獨立模型源自早期專為 code 訓練的策略，已不再必要
  • 意味 OpenAI 認為「通用推理」已能處理 code-generation，與專用模型相當
  • 對 IDE 整合策略、開發工具、多模型 API 設計都有影響

💡 為什麼重要：反映業界趨勢——基礎模型走向統一，而非任務專用變體。新專案不必再為 Codex 維護專用 fallback。

🔗 閱讀原文 | 來源: Simon Willison

Snapchat CEO：軟體不再是護城河#

snapchat-moat

Snap 創辦人 Evan Spiegel 在訪談中指出：15 年來只有兩個消費 App 真正突圍（TikTok 是其中之一）。Snap 每個重大功能（Stories、AR、滑動導航、camera-first UX）都在數月內被抄走。真正的護城河是 distribution 與硬體（Spectacles AR 眼鏡），不是純軟體功能。

  • 9-12 人設計團隊、無階層、每週與 CEO review 數百個想法
  • AI 改變設計師角色 —— 設計師現在直接 ship code，不只是 mockup
  • 硬體和裝機量是真正持久的護城河

💡 為什麼重要：根本上挑戰「產品導向成長」敘事。對創辦人：功能對等是入場券，勝負在 distribution 護城河。

🔗 閱讀原文 | 來源: Lenny’s Newsletter

Google 將投資 Anthropic 上看 400 億美元#

anthropic-google

Google 承諾向 Anthropic 投資最高 400 億美元——立即 100 億現金（350B 估值）+ 達到成長目標後追加 300 億。Anthropic 年化營收已從 2025 年底的 90 億暴衝至目前 300 億+。私人市場估值（Forge Global）達 1 兆美元，超過 OpenAI 的 8,800 億。

  • Amazon 投 250 億、Google 投 400 億、加上 CoreWeave 多年合約
  • 350B 估值對應 30 倍年化營收倍數
  • Trainium2/3 部署年底達 1 GW，2027 年 TPU 部署多 GW 規模

💡 為什麼重要：AI 模型供應商正掌握主導權，雲端基礎設施供應商反而要競標。模型 IP 集中化勝過純基礎設施。

🔗 閱讀原文 | 來源: 科技新報

Meta 與 AWS 合作部署 Graviton5 處理代理式 AI#

meta-aws-graviton

Meta 與 AWS 合作大規模部署 Graviton5 處理器——192 核心、5x 快取、33% 跨核延遲降低、25% 效能提升——支援代理式 AI 推論工作負載。從 GPU 主導訓練架構轉向 CPU 重的推論架構。

  • 訓練仍需 GPU，但推論（特別是代理任務）愈來愈 CPU bound
  • AWS 端到端設計晶片（TSMC N3）以達到通用處理器無法達到的優化
  • 搭配 Anthropic 推論需求暴增，雲端推論競爭與訓練同樣激烈

💡 為什麼重要：AI 基礎設施根本性轉變——CPU 優化晶片在推論密集部署中可能比純 GPU 方案 TCO 更佳。

🔗 閱讀原文 | 來源: 科技新報

資料倉庫 vs 資料湖 vs 資料網格#

data-architecture

ByteByteGo EP212 比較三種資料儲存架構：Warehouse（schema-first、查詢快）、Lake（彈性高、需嚴格治理）、Mesh（聯邦式所有權、需強資料文化）。多數公司用混合策略；最大洞察是「資料架構成功主要是人與治理問題，不是技術」。

  • 「沒人在資料架構辯論中靠技術論點贏過」 —— 工具選擇次於組織共識
  • 先讓各團隊對共同定義（「什麼是 active customer？」）達成共識
  • 技術選擇跟著治理成熟度走，不是反過來

💡 為什麼重要：Conway’s Law 套用在資料上——架構鏡像團隊結構。如果領導層對指標都沒共識，沒有架構救得了。

🔗 閱讀原文 | 來源: ByteByteGo

偉大產品主管的差異化特質#

lenny-pm

Lenny’s Newsletter 社群智慧欄目分享 PM 領導力的差異化特質。內容為付費 Substack 訂閱牆，僅標題層級可見。

  • 話題涵蓋 Claude vs ChatGPT 比較
  • 如何接收入職兩週內的批評回饋
  • 加入早期新創的實務建議

💡 為什麼重要：PM/founder 圈長期深度討論——產品主管的能力差距，多在「框架問題、判斷取捨」這些不可外包的能力上。

🔗 閱讀原文 | 來源: Lenny’s Newsletter

推薦閱讀#

godaddy

  • GoDaddy 把網域給陌生人，沒檢查任何文件 — 27 年非營利網域被 GoDaddy「內部使用者」轉移給陌生人，雙重 2FA 與所有權保護仍未阻止。客戶打了 32 通電話、9.6 小時客服才追回。任何依賴 registrar 安全性的人請馬上稽核。
  • Asahi Linux 7.0 進度報告 — Apple Silicon Linux 達成多項里程碑：環境光感測器、PMP 電源管理省 20% 閒置功耗、變動更新率（VRR）支援、音訊 44.1-192 kHz。Fedora Asahi Remix 44 將於 4/28 釋出。
  • V2EX 熱議：Claude 中轉站新開業 1 元 = 1 美金 — 新 Claude API 中轉站開業 125 則回覆。註冊送 5 美金、留 ID 再送 5 美金。社群討論集中在中轉穩定性與套餐效用——中轉站價格戰持續，但穩定性與帳號風險是長期觀察點。
  • AI should elevate your thinking, not replace it — Koshy John 主張 AI 將工程師分成兩類：用 AI 加速理解 vs 用 AI 模擬理解。早期工程師若把思考完全外包，會建構空洞的基礎；判斷力（taste）需要摩擦與掙扎才能養成。工程主管設計面試時，要測「推理與判斷」，不是「產出量」。
  • SWE-bench Verified 已不再衡量前沿編碼能力 — OpenAI 解釋為何停止用 SWE-bench Verified 評估前沿模型：基準飽和、無法區分頂尖模型差異。需要新一代多步驟、長時程的編碼任務基準。開發者選模型時，少看 SWE-bench 分數，多看實際工作流程的成功率。
  • C/C++ 依賴管理「重大突破」（諷刺貼文） — lcamtuf 諷刺式提案：用 LD_PRELOAD hook 讓 #include 支援遠端 URL（#include <https://...>）。看似革命，實則供應鏈安全災難。明確警告「請勿使用，會死」——提醒 C/C++ 比 npm/PyPI/Cargo 缺少預設供應鏈安全機制。

名人動態#

中文技術圈#

infoq-anthropic

開源精選 — GitHub Trending（本週）#

github-trending

影音精選#

Making millions of dollars on fake GitHub stars#

40,878 views · 2 days ago

Theo

Theo (t3.gg) 揭露 GitHub 星數市場的詐騙生態：有組織用購買、機器人腐蝕熱門度，藉熱門假象募資數百萬美金。

  • 開源信號被金錢扭曲：星數已不能當作品質代理指標
  • 提出可能的緩解：審查歷史、追蹤異常成長曲線、看實際 commit/issue 互動
  • 對開源生態的長期信任有侵蝕風險

💬 Yii：下次看到一個 repo 一週爆 9000 星，先去看 Issues 和 PR 的真實互動量再說。

Replit’s CEO On The Only Two Jobs Left In The Company Of The Future#

14,803 views · 2 days ago

YC

Replit 創辦人 Amjad Masad 分享公司從瀏覽器 IDE 演進至 AI 驅動的程式編寫平台之旅。談 AI 時代真正有價值的工作類型、自然語言建立應用程式、平行代理改變軟體開發。

  • AI 時代「未來公司」只剩兩種工作（影片中揭曉）
  • 自然語言 → 應用程式的工作流，已非實驗
  • 平行代理（多個 AI agent 同步推進）改變開發節奏

💬 Yii：講「兩種工作」的論點，比 Hype 更有意思的，是 Replit 自己內部已經在這樣運作。

Open AI SPUD has Sprouted! Hands on with GPT 5.5#

9,743 views · 2 days ago

Matt Wolfe

Matt Wolfe 實測 GPT-5.5：研究、編程、代碼生成、圖像生成、遊戲創作。速度快、能力強，但價格上漲與部分粗糙邊緣值得關注。

  • GPT-5.5 在 agentic coding 表現顯著進步
  • 圖像生成的「個性」更強烈（呼應 Simon Willison 的 WHY ARE YOU LIKE THIS）
  • 價格策略對重度使用者影響大

💬 Yii：搭配 Simon Willison 那篇看，會更理解 GPT-5.5 的「個性」邊界。

Replit CEO: SaaS Apocalypse & Why Coding Models are Plateauing#

6,146 views · 2 days ago

20VC

Replit 執行長談為何現代編碼模型增長趨緩、SaaS 即將終結。推理成新型銷售工具、Cursor 編輯器策略錯誤、AI 是否讓公司規模縮小。

  • 編碼模型遇到「資料天花板」，純靠 scaling 的時代結束
  • SaaS 模式的價值主張被 AI agent 重組
  • 未來公司可能更小但更野心勃勃

💬 Yii：「coding models are plateauing」是個值得追蹤的論點，配合 GPT-5.5 統一 Codex 看會有新解讀。

今日觀察#

今天兩個對立的故事，其實指向同一個更大的問題：AI 賦能的對象，不一定是受過訓練的人。

過去十年的科技邏輯是「進入門檻 = 訓練門檻」——你要會寫程式才能 ship 軟體、要懂行銷才能跑公司、要懂數學才能解難題。AI 把這套邏輯徹底打破：23 歲的 Liam Price 沒受過數學訓練，卻解開了人類數學家 60 年解不開的問題；同時，受過完整訓練的設計工程師卻覺得自己的判斷力沒地方放。

這不是說受過訓練的人失去了價值，而是「訓練」這件事的角色正在改變。以前訓練是「進入賽道的門票」，現在訓練可能是「在賽道上走得穩、走得久的能力」——但能上賽道的人，已經暴增了好幾個數量級。

對個人：如果你是受過訓練的人，要思考你的訓練如何在 AI 加持下變成「judgment」而非「output」；如果你是業餘者，今天的故事證明你已經可以挑戰過去看似遙不可及的問題。

對產業：當「能上賽道的人」暴增，競爭強度與創新速度都會提升，但 Ky Decker 的故事提醒我們——如果這些跑進來的人沒有 judgment，整個產業會集體失去「累積制度知識」的能力。

覺得有用嗎？分享給一個也在追蹤新知的朋友。

也歡迎中長期投資者體驗新工具 → Moniit banner

同期還有