熱潮給的是技術，不是答案
月燒 130 萬美元的 AI 帳單由 OpenAI 出 — 同一禮拜，新工具讓 agent 少燒 98% token
每天花 1% 的時間，掌握科技脈動。
今日金句#
“We were spending about $8 million a month. At this point, we had incinerated nearly $200 million trying to solve one technical problem nobody in the semiconductor industry thought could be done.” 「我們一個月燒 800 萬美元。到那個時候，已經燒掉將近兩億美元，只為了解一個半導體圈裡所有人都覺得做不到的問題。」 — Andrew Feldman, Cerebras CEO & Founder
“There’s not going to be one killer AI device. Everything is going to be an AI device, to some extent.” 「不會有什麼殺手級 AI 裝置。某種程度上，所有裝置都會變成 AI 裝置。」 — John Gruber, Daring Fireball
“Making code private is not an appropriate mitigation for lack of ownership, patching capability, or operational assurance.” 「把代碼藏起來，不是『沒人負責、不會修、沒在維運』的補救方法。」 — UK GDS, Government Digital Service official guidance
今日主軸#
今天五篇 HIGH 文章像被一條線串起來：當熱潮的雜訊安靜下來，數字露出真正的樣子。
OpenClaw 開發者 Peter Steinberger 公開三人團隊「一個月燒 130 萬美元 AI 用量、由 OpenAI 替他買單」的實驗；Cerebras CEO 回憶創業時月燒 800 萬、燒掉兩億美元解決一個半導體圈所有人都認為不可能的技術問題；William Angel 把 Mac Studio 跑本地 LLM 跟 OpenRouter 算了一筆帳，發現本地推論居然比雲端 API 貴 3 到 10 倍；Frederick van Brabant 提醒「AI 編碼快了，但你的開發流程不會跟著快」，瓶頸往往在上游的問題定義；而 John Gruber 直接給結論 — AI 是技術不是產品，不要等什麼「殺手級 AI 裝置」。
同一個禮拜，Show HN 上有人放出 Semble，給 agent 用的 code search，宣稱比 grep+read 少燒 98% 的 token。熱錢、苦工、算盤、放回桌面上的開源 — 這就是今天 EP78 的氣味。
必讀#
- 為何我們正處於 AI 硬體繁榮的開端 — Lenny
Product - GDS 回應 NHS 撤離開源的決定 — Simon Willison
Dev - Apple Silicon 跑 LLM 比 OpenRouter 還貴 — Hacker News
AI - 我不覺得 AI 會讓你的流程變快 — Hacker News
AI - AI 是技術，不是產品 — Hacker News
AI - 「養龍蝦」代價驚人！OpenClaw 開發者曝月燒 130 萬美元由 OpenAI 買單 — 科技新報
AI - Native all the way, until you need text — Hacker News
Dev - Show HN: Semble — agent 專用 code search，少燒 98% token — Hacker News
Dev - $60B Cerebras 差點倒，當年月燒 800 萬 — TechCrunch
AI
為何我們正處於 AI 硬體繁榮的開端#
Lenny 訪談 Caitlin Kalinowski — 前 OpenAI、Meta（Reality Labs）、Apple 硬體領袖，討論為何 AI 硬體浪潮才剛開始。涵蓋 VR 過去十年為何難以普及、記憶體價格衝擊對 AI startups 的影響、人形機器人量產的真正障礙、硬體創業如何融資的具體建議。文章為 Lenny 付費訂閱內容，全文鎖在付費牆後。
- 要點 1：Caitlin 橫跨三家公司硬體研發經驗，視角具獨特權威性
- 要點 2：論點「AI 硬體繁榮才剛開始」與 John Gruber「AI 是技術不是產品」呼應 — 都把焦點從單一裝置移到基礎設施層
- 要點 3：硬體創業融資建議對台灣硬體新創有參考價值
💡 為什麼重要：硬體投資週期長且資本密集，這是少數能同時從產品、工程、融資三個面向給出建議的訪談來源。
🔗 閱讀原文 | 來源: Lenny’s Newsletter
GDS 回應 NHS 撤離開源的決定#
英國 NHS 因擔心 AI 駭客攻擊，關閉了超過 200 個開源程式庫。英國中央科技單位 GDS（Government Digital Service）公開反駁此決策，發布正式指南指出：把程式碼藏起來不能解決安全問題，私有 repo 反而會製造虛假的安全感；而 archive 鏡像早就存在，關閉根本擋不住有心人。GDS 強調，真正的方案是投資在「secure-by-design」的開發流程，而非單純的程式碼可見性管制。
- 要點 1：NHS 關閉 200+ 個 repos，理由是「AI 駭客風險」
- 要點 2：GDS 公開打臉 — 開源開發實證上比閉源產出更高品質、更安全的代碼
- 要點 3：「Nothing lasts longer than a temporary fix」（沒有什麼比臨時方案更持久）— GDS 警告短期關閉會變成長期錯誤
💡 為什麼重要：對 AI 安全的恐慌正在驅動英美各國政府的開源政策反轉，而 GDS 罕見公開反對 NHS，給其他公部門一個重要的反思訊號。
🔗 閱讀原文 | 來源: Simon Willison Blog
Apple Silicon 跑 LLM 比 OpenRouter 還貴#
William Angel 把 M5 Max 跑本地 LLM 的真實成本算了一遍，結論很反直覺：本地推論大約 $1.50/M tokens（含硬體攤提），OpenRouter 上跑同樣的 Gemma 4 31b 只要 $0.38–0.50/M tokens — 雲端 API 比本地便宜 3 到 10 倍。而且雲端速度還快 3 到 7 倍（60-70 tokens/sec vs M5 Max 的 10-20 tokens/sec）。主要成本不是電費（$0.02/小時），而是硬體折舊 — Mac Studio $4,299 攤五年。
- 要點 1：M5 Max 跑本地 LLM 約 $1.50/M tokens，OpenRouter 同模型 $0.38–0.50/M tokens
- 要點 2：本地速度 10-20 tokens/sec，雲端 60-70 tokens/sec，雲端快 3 到 7 倍
- 要點 3：硬體折舊（不是電費）才是本地成本主因；要本地真的便宜，硬體至少撐 7 年以上
- 要點 4：對受薪工程師來說，薪資成本比 token 成本高約 1000 倍，雲端方案更理性
💡 為什麼重要：打破「本地 AI = 免費」的迷思。除非有延遲或隱私的硬需求，雲端 API 在性價比上仍然壓倒在地推論。
🔗 閱讀原文 | 來源: Hacker News
我不覺得 AI 會讓你的流程變快#
Frederick van Brabant 用 Gantt 圖示範一個常見的錯覺：傳統開發案 70 天寫程式階段；引入 AI 後大家以為「3 天搞定 coding」，實際上文件階段反而從 5 天暴增到 40 天（因為 AI 需要更細的 spec），coding 縮到 40 天但需要更多驗證 — 總時間幾乎沒變。引用 Toyota Way 原則：瓶頸不是靠加人或加 AI 解決，而是改善上游給瓶頸的「輸入品質」。如果你的瓶頸是法務審核，問題在上游文件不齊，不在律師人數。
- 要點 1：可見的長任務 ≠ 真正瓶頸；AI 砸在最長的任務上是常見錯誤
- 要點 2：AI 寫 code 快，但要快得正確仍需詳細的問題定義
- 要點 3：真正的流程提速來自改善「輸入到瓶頸的品質」，不是攻擊瓶頸本身
💡 為什麼重要：AI 生產力炒作忽略了組織約束。如果不改善上游流程，AI 編碼工具反而會延長總週期。
🔗 閱讀原文 | 來源: Hacker News
AI 是技術，不是產品#
John Gruber 反駁 Wired 的「Apple 需要殺手級 AI 產品」論點。Gruber 引用 Apple 高層說法：「我們從沒想著要 ship 一個技術，我們要 ship 的是了不起的產品」。他用「無線連接」當類比 — Wi-Fi、藍牙是無所不在的基礎設施，Apple 並沒有去做「殺手級無線網路產品」（AirPort 是例外，不是常態）。AI 會走一樣的路：未來不是某個「AI 裝置」突然出現，而是所有裝置都會逐漸成為 AI 裝置。iPhone 在 2030 年前仍會是 AI 互動的主介面。
- 要點 1：AI 不是新產品線，而是基礎設施層
- 要點 2：類比無線網路 — 沒有「殺手級無線產品」，AI 也不會有「殺手級 AI 產品」
- 要點 3：投資人應評估公司如何把 AI 整合到既有產品線，而不是尋找「AI 裝置」
💡 為什麼重要：識別科技泡沫修辭。期待「殺手級 AI 產品」的投資人會失望，正確的策略是 AI 整合而不是 AI 新裝置。
🔗 閱讀原文 | 來源: Hacker News
OpenClaw 開發者曝月燒 130 萬美元由 OpenAI 買單#
OpenClaw 的 Peter Steinberger 公開三人團隊一個月的 AI 用量帳單：$1,305,088.81。30 天內 760 萬項請求、6,030 億 token。團隊跑著 100 個 Codex Agent，自動審 PR、掃描安全漏洞、修 bug、甚至參加會議。最妙的是 — 這筆錢由 OpenAI 直接買單，作為「token 成本失效後軟體開發如何進化」的研究經費。停用 Fast Mode 後月成本可降至 $300K（約相當於 60 份 Pro 訂閱）。
- 要點 1：三人團隊月燒 $1.3M AI，OpenAI 全額買單
- 要點 2：100 個 Codex Agent 同時跑，自動化 PR 審查、bug 修復、會議出席
- 要點 3：實驗目的是「如果 token 成本不是限制，軟體開發會變成什麼樣子」
💡 為什麼重要：揭露 AI Agent 開發的真實成本曲線，並提示「大廠補貼明星開發者」這種少見的商業模式 — 對於其他開發者來說，token 效率仍是首要約束。
🔗 閱讀原文 | 來源: 科技新報
Native all the way, until you need text#
Artem Loenko，20 年 macOS/iOS 原生開發者，做聊天 app 時為了實現「Markdown 訊息 + 整段文字選取」，最後還是被迫轉向 Electron。SwiftUI 不能跨 cell 選取（by design）；NSTextView + TextKit 2 與 SwiftUI 相容性差；NSCollectionView cell 會閃爍（by design）；純 TextKit 2 流式輸入 CPU 爆衝。Electron 反而現成支援 Markdown 渲染、好排版、git diff 視覺化。HN 369 點 + Lobste.rs 43 票交叉驗證社群共鳴。
- 要點 1：富文本聊天場景，SwiftUI 多重限制都是 by design
- 要點 2：Electron 有 50 年 web 排版標準積累，原生平台跟不上
- 要點 3：「SwiftUI and Apple’s native SDKs… stop being an advantage and start becoming constraints.」
💡 為什麼重要：跨平台開發策略的重新評估訊號。原生不再是性能與 UX 終局，現代複雜 UI 反而是 web 技術的強項。
🔗 閱讀原文 | 來源: Hacker News
Show HN: Semble — agent 專用 code search，少燒 98% token#
MinishLab 釋出 Semble，給 AI Agent 用的程式碼搜尋工具。傳統 agent 用 grep + read 在大型 codebase 找東西，整個檔案被搬進 context，token 浪費嚴重。Semble 用 BM25（關鍵字匹配）+ Model2Vec（靜態嵌入，不用 transformer overhead）+ RRF 融合 + 程式碼感知重排（definition boost、identifier stem match），只回傳真正相關的片段。Benchmark：NDCG@10 0.854，達到 137M 參數 CodeRankEmbed 99% 的檢索品質，索引快 218 倍、查詢快 11 倍（無需 GPU）。支援 MCP、CLI、Python API。
- 要點 1：比 grep + read 少燒 98% token，達 137M 模型的 99% 檢索品質
- 要點 2：索引 263ms、查詢 1.5ms（CPU only），快過主流模型 218× / 11×
- 要點 3：MCP 整合，可直接接到 Claude Code、Cursor、Codex 等 agent harness
💡 為什麼重要：對個人開發者和小團隊來說，這是最快能在「不靠大廠補貼」的條件下縮減 agent 成本的工具之一。
🔗 閱讀原文 | 來源: Hacker News
$60B Cerebras 差點倒，當年月燒 800 萬#
Cerebras 已 IPO，市值 $600 億。但 CEO Andrew Feldman 回憶 2019 年差點掛掉的故事：他們嘗試做「單晶圓超大芯片」，58 倍於傳統晶片、40 倍功耗、市場上完全沒有現成散熱方案。一個月燒 $8M，累計燒掉近 $2 億只為解一個「半導體圈所有人都覺得做不到」的問題。突破點是自製能同時轉 40 顆螺絲不裂晶圓的機器、解決散熱與數據流。OpenAI 曾談收購 Cerebras，後改為客戶 + $10 億融資 + warrant（3,300 萬股，含禁售 Anthropic 等競爭者條款）。
- 要點 1：燒掉 $200M 才解一個技術問題；月燒 $8M 是「死亡谷」常態
- 要點 2：OpenAI 從談收購轉為投資 + warrant，反映 AI 推理芯片需求成熟
- 要點 3：禁售條款影響開源/競爭格局
💡 為什麼重要：AI 硬體創業的真實成本曲線參考。對台灣半導體圈來說，Cerebras 是「不走台積電傳統路徑」的存活案例。
🔗 閱讀原文 | 來源: TechCrunch
推薦閱讀#
- Mozilla 公開呼籲英國監管機構勿削弱 VPN — Mozilla 直接點名英國 Ofcom：VPN 是個人保護隱私與安全的基礎工具，不應在線上安全法案的施行中被弱化
- AI 教父 Hinton 重申人類十年內恐遭超智慧 AI 滅絕 — Hinton 再次警告超智慧 AI 可能基於「自我保存」目標威脅人類，呼籲政府提早立法
- ArXiv 將禁止全 AI 撰寫的論文作者一年 — ArXiv 加強取締 AI-only 論文，延伸 Lobsters 上週禁 LLM 投稿的同樣趨勢
- OpenAI 共同創辦人 Greg Brockman 接掌產品策略 — OpenAI 重組產品線，計畫合併 ChatGPT 與 Codex 為單一介面
- Why Your AI UX Is Broken — Mike Christensen, Ably — SSE 單點連接架構是 AI UX 的核心問題：刷新即丟失對話、多標籤無同步、取消與斷線無法區分
- Beyond Code Coverage — Marlene Mhangami, Microsoft — LLM 寫測試會傾向確認程式碼邏輯而非用戶體驗。正確流程：先用 Playwright 寫失敗的功能測試，再讓 AI 通過
- VS Code Agents Window — 把多 agent session 集中管理，跨專案開啟，配合 Copilot App 預覽
- The Five Year Desert to PMF — Abridge $5.3BN（Shiv Rao） — Abridge 創辦人講五年沙漠期：相信市場時機的真北、堅持不死、保持站立
- Coding on Paper — Wickstrom 反思「在紙上寫程式」的價值，對 AI 補完時代是一帖清新的對照
- Anthropic 推出 Claude Platform on AWS — Claude 模型正式在 AWS 上以 Platform 形式提供
- AI 持續降低自動化攻擊門檻 — 2025 年惡意機器人活動已占全球網際網路流量 4 成，AI 是主要推手
- How to Leverage Domain Expertise — Chris Lovejoy, Notius Labs — 三種垂直 AI 融合領域專家的模式：Oracle、Evaluator、Architect
名人動態#
- John Gruber — AI is a technology not a product（詳見必讀 #5）
- Caitlin Kalinowski (ex OpenAI/Meta/Apple) — Why we’re at the beginning of the AI hardware boom（詳見必讀 #1）
- Peter Steinberger — OpenClaw 三人團隊月燒 $1.3M AI 用量（詳見必讀 #6）
- Andrew Feldman (Cerebras CEO) — Cerebras 差點倒，當年月燒 $8M（詳見必讀 #9）
- Geoffrey Hinton — 人類十年內恐遭超智慧 AI 滅絕（詳見推薦閱讀）
今日觀察#
今天五篇 HIGH 文章不約而同把焦點從「AI 能做什麼」拉回「AI 真實的數字長什麼樣」。Peter Steinberger 公開 $1.3M/月 帳單、Cerebras 回憶燒掉 $200M 才解一個技術問題、William Angel 把本地 LLM 跟雲端 API 算出 3 到 10 倍價差、Frederick van Brabant 提醒 AI 編碼不會自動加速組織流程，John Gruber 直接把「AI 殺手級裝置」的期待打回原形 — 這些訊息有個共同形狀：當錢、時間、瓶頸真的擺到桌面上，AI 並不是萬靈丹，更像是一個正在被認真學會怎麼用的新工具。
值得對照觀察的是同一週開發者社群冒出的工具反應：Semble 用 BM25 + Model2Vec 把 agent code search 的 token 量壓到 grep+read 的 2%，這代表社群開始把「節流」當成一個獨立的工程命題；UK GDS 為 NHS 撤離開源踩煞車，反映政府單位內部對「AI 安全恐慌驅動的決策」開始出現組織化的反擊。下一個觀察點，是這種「算盤聲」會不會擴散到企業 AI 採購決策、模型訓練成本透明度，以及開源治理的長期承諾。
中文技術圈#
- VS Code Agents Window 跨多專案管理代理工作階段 — VS Code 新介面把多 agent session 集中管理
- 惡意機器人活動占全球網路流量 4 成 — 2025 年 AI 自動化攻擊降低門檻
- Anthropic Claude Platform 上 AWS — Claude 模型在 AWS 平台提供
- Kubernetes v1.36：AI 工作負載支援成熟 — K8s 安全默認配置強化
- Grafana Labs GitHub 程式碼遭竊與勒索 — 存取權杖外洩事件
- SAP HANA Cloud + 知識圖譜 + MCP 支援 — SAP Business Data Cloud 增整合
開源精選 — GitHub Trending（本週）#
vercel-labs/zero — C | ⭐ 1.6K The programming language for agents — Vercel 推出 agent 專用程式語言
yetone/native-feel-skill — Skill | ⭐ 1.3K 跨平台桌面 app 「native feel」Agent Skill，源於 Raycast 2.0 深度逆向
DenisSergeevitch/agents-best-practices — Skill | ⭐ 709 Provider-neutral Agent Skill best practices for Codex/Claude Code
chrisbanes/skills — Skill | ⭐ 602 Kotlin、Jetpack Compose、Android 開發 skills
Kappaemme-git/codex-complexity-optimizer — Python | ⭐ 597 Codex skill — 安全程式碼複雜度分析與效能優化
facebookresearch/vggt-omega — Python | ⭐ 593 CVPR 2026 Oral：VGGT Omega 視覺幾何 transformer
boona13/mykonos-island-voxels — JavaScript | ⭐ 553 純 ES modules 等距島嶼建造器，Mykonos 色調
影音精選#
AIE Singapore Day 1 — Minister, OpenAI, Google, Vercel, Cursor#
18.2K views · 2 天前 · AI Engineer
新加坡 AI Engineer 大會首日，集合新加坡政府領導、OpenAI、Google、Vercel、Cursor 等業界領袖分享 AI Agent、開發框架、軟體自動化的最新進展。
- 政府視角：新加坡 Minister 開場，談 AI 監管框架的「協作試點」立場
- 工具方視角：Vercel、Cursor 展示 agent harness 與 IDE 整合的最新路線圖
- 模型方視角：OpenAI、Google 分享垂直應用案例與 enterprise 採購趨勢
💬 Yii’s take：兩天連播加起來 32K views，AIE 已是 AI Engineering 領域最重要的線下交流節點。
AIE Singapore Day 2 — Google DeepMind, OpenClaw, Cloudflare#
13.7K views · 1 天前 · AI Engineer
第二天聚焦 Agent 觀察、評估系統、自動化工作流的實踐：Google DeepMind 講 evaluation harness，OpenClaw 講 multi-agent 部署，Cloudflare 講 edge inference。
- DeepMind eval：tone-down「benchmark 表演」，轉向 task-grounded eval
- OpenClaw：100 agents 並行的真實營運經驗（呼應今日 Steinberger $1.3M 帳單）
- Cloudflare：edge inference 與成本壓低策略
💬 Yii’s take：把今天的兩個帳單故事與 AIE Day 2 連起來看 — 整個產業同時在解「規模化」與「成本」這兩個約束。
Connecting the Dots with Context Graphs — Stephen Chin, Neo4j#
8.8K views · 2 天前 · AI Engineer
Neo4j 工程師展示知識圖譜如何幫助 AI 系統理解患者病歷關聯、金融交易脈絡，超越純向量 RAG 的泛用建議。
- 純向量 RAG 在「考慮歷史決策」場景上不足
- 知識圖譜 + LLM 可提供 trace 推理過程
- 個性化建議需要結構化關係，不只是相似度
💬 Yii’s take：RAG 走得越遠，越會碰到「為什麼是這個答案」的解釋性問題 — graph 補了這塊。
New AI Model SHOCKED Me — Thinking Machines#
8.3K views · 1 天前 · Matt Wolfe
Matt Wolfe 評測 Mira Murati 的 Thinking Machines 新模型：支持實時翻譯對話、理解停頓與姿勢，不必等回覆完成即可同步翻譯。
- 多模態：感知 + 視覺 + 語音的協調交互
- 實時翻譯：低延遲、可中斷
- demo 展示對「停頓」與「姿勢」的理解
💬 Yii’s take：Thinking Machines 從 Murati 離開 OpenAI 到第一個 production-ready demo 不到一年，速度很驚人。
How to Leverage Domain Expertise — Chris Lovejoy#
8.1K views · 2 天前 · AI Engineer
Notius Labs 創辦人 Chris Lovejoy 提出三種垂直 AI 融合領域專家的模式：Oracle（專家掌控全流程）、Evaluator（專家定義品質與測量）、Architect（系統自動化改進）。
- Oracle：適合早期高精度、低量場景
- Evaluator：適合中期 quality gate 建立
- Architect：適合成熟期 scale-up
💬 Yii’s take：對 vertical SaaS 的 PM/founder 是很實用的組織設計框架。
Beyond Code Coverage: Functionality Testing with Playwright#
4.7K views · 2 天前 · AI Engineer
微軟 Developer Advocate Marlene Mhangami：LLM 傾向寫「確認程式碼邏輯」的測試，而非「用戶體驗」的測試。她建議先用 Playwright 寫失敗的功能測試，再用 AI 生成通過的程式碼。
- AI 寫測試的常見陷阱：mock-heavy、循環論證
- 解方：先寫失敗的 E2E 功能測試
- Playwright + LLM 的具體 workflow
💬 Yii’s take：這個流程修改在「先測後寫」的 TDD 原則上跟 LLM 結合很乾淨，值得 team adoption。
The Five Year Desert to PMF — Abridge $5.3BN#
3.9K views · 2 天前 · 20VC
Abridge 心臟科醫生創辦人 Shiv Rao：五年沙漠期的韌性 — 相信市場時機的真北、堅持不死、保持站立。垂直 AI 在醫療面臨海嘯級需求。
- 五年沙漠期：保持團隊、保持產品迭代、等市場到位
- 垂直 AI 必須掌控自己的 P&L
- 醫療人力缺口是真實的、不是炒作
💬 Yii’s take：vertical AI 不是「我有模型、找場景」，是「我有場景、慢慢等模型成熟」— Shiv 的故事正是後者。
Why Your AI UX Is Broken — Mike Christensen, Ably#
1.6K views · 16 小時前 · AI Engineer
Ably 工程師 Mike Christensen：SSE 單點連接架構是 AI UX 的核心問題 — 刷新即丟失進行中的回覆、多標籤頁無同步、取消與斷線無法區分。解方是把會話當成持久共享資源，多設備多 agent 可並行無中介。
- SSE 架構的三大限制
- Session-as-resource 設計範式
- 對 ChatGPT/Claude 等 chat-UI 的影響
💬 Yii’s take：這個對 Flutter 寫 AI app 的人非常關鍵 — 預設的 SSE/WebSocket 設計會帶來「換頁就斷」的 UX 痛點。
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
