EP98 — AI 安全的帳單到期

每天花 1% 的時間，掌握科技脈動。

今日金句#

“The only way to solve the trifecta is to cut off one of the three legs.” 「要解開這個三角形，唯一的辦法就是砍掉其中一條邊。」 — Simon Willison, AI 安全研究者（談 OpenAI Lockdown Mode）

“Database launches on Supabase have grown over 600% in the past year, with over 60% of them launched by some sort of AI tool.” 「過去一年 Supabase 上的資料庫建立數成長超過 600%，其中六成是某種 AI 工具開出來的。」 — Paul Copplestone, Supabase 共同創辦人暨 CEO

“Your broken harness is actively making the model worse.” 「你那個壞掉的訓練環境，正在主動把模型變笨。」 — Auriel Wright, 前 Gemini 強化學習工程師

今日主軸：AI 安全的帳單到期#

吵了好幾個月「AI 到底安不安全」，這禮拜終於從嘴炮變成了事故報告。Meta 證實有人摸到它 AI 聊天機器人背後的密碼重設流程，把超過兩萬個 Instagram 帳號的驗證碼寄到攻擊者信箱——AI 不是被攻擊的對象，而是變成了攻擊面本身。同一週，多倫多大學展示了一隻用開源 LLM 打造、會自我進化的網路蠕蟲，五天感染半數隔離網路。對著這兩把「矛」，OpenAI 端出一面「盾」：Lockdown Mode，開了之後 ChatGPT 就不能上網、不能自己抓資料——等於承認只要 AI 能連網又讀得到你的祕密，它就守不住。安全研究者 Simon Willison 把它講白了：致命三角形要解，只能砍掉一條邊。諷刺的是，同一週讓安全變脆弱的那個 AI，也正在重建整個技術棧——Supabase 八個月估值翻倍到 100 億美元，六成新資料庫是 AI 開出來的。能力一路狂飆，安全在後面追趕，這就是 2026 年 6 月的兩張臉。

必讀#

Meta 證實數千 Instagram 帳號遭濫用 AI 聊天機器人入侵 — This Week in Security AI/Security
OpenAI 推出 Lockdown Mode 對抗 Prompt Injection — TechCrunch AI
Supabase 八個月估值翻倍到 100 億美元，六成新庫由 AI 開出 — TechCrunch Dev
多倫多大學展示可自我進化的 AI 蠕蟲 — 科技新報 AI/Security
Claude 真的讓 rsync 的 bug 變多了嗎？ — Lobste.rs AI/Dev
別再用 Conventional Commits 了 — Lobste.rs Dev
全球首支 AI 設計的疫苗：劍橋完成第一期試驗 — 科技新報 AI
系統設計圖解：延遲 vs 吞吐量 vs 頻寬 — ByteByteGo Dev
micropython-wasm：給 AI agent 的沙箱 Python 執行環境 — Simon Willison Dev
如何打造好的強化學習環境 — Latent Space AI

1. Meta 證實數千 Instagram 帳號遭濫用 AI 聊天機器人入侵 #

Meta 證實一場大規模帳號接管事件，至少 20,225 個 Instagram 帳號被攻陷。攻擊者利用密碼重設流程中的漏洞——系統未驗證所填電子郵件是否與帳號關聯，就把重設連結寄到攻擊者控制的信箱。聊天機器人本身運作正常，但周邊程式碼路徑的驗證缺失，讓 AI 輔助系統意外成了攻擊跳板。受害者失去整個帳號及其關聯帳號的控制權。

至少 20,225 個帳號受影響，含緬因州 30 人
根因是密碼重設未做跨系統 email 關聯驗證
AI 系統本身沒壞，壞的是它周邊的信任邊界

💡 為什麼重要：這是「AI 不是被攻擊的目標、而是變成攻擊面」最高調的真實案例。企業在 AI 帳號恢復流程上，必須補回嚴格的跨系統驗證，光靠模型對齊救不了。

🔗 閱讀原文 | 來源：This Week in Security

2. OpenAI 推出 Lockdown Mode 對抗 Prompt Injection #

OpenAI 推出 Lockdown Mode，開啟後停用即時網頁瀏覽、網路圖片抓取、Deep Research 與 agent 模式——等於用「自廢武功」換安全。安全研究者 Simon Willison 點出，這是切斷「致命三角形」（接觸私密資料、暴露於不可信內容、能把資料外送）中最容易截斷的一條邊：資料外送。關鍵是它用確定性機制、而非 AI 判斷來執行，避免被更巧妙的攻擊繞過。

針對 Business 帳號與符合資格的個人帳號
用確定性控制（非 AI 評估）切斷資料外送路徑
CISO 強調是給高風險族群，功能權衡可接受

💡 為什麼重要：它把 prompt injection 從「無解的玄學」拉回「可工程化的問題」。代價是承認：只要連網又讀得到祕密，預設的 ChatGPT 守不住你的資料。

🔗 閱讀原文 | 來源：TechCrunch

3. Supabase 八個月估值翻倍到 100 億美元，六成新庫由 AI 開出 #

Supabase 完成 5 億美元 F 輪（GIC 領投），投後估值 105 億美元，八個月內從 50 億翻倍。過去一年資料庫建立數成長超過 600%，其中六成由 AI 工具（含 Claude Code）開出。開發者用戶八個月翻倍到近千萬。新推的 Multigres 把 Postgres 包成「作業系統」，提供讀取複本、容錯移轉、連線管理。

投後估值 105 億美元，8 個月翻倍
60% 的新資料庫由 AI 工具觸發建立
開發者用戶近 1,000 萬，Postgres 成 AI 時代首選

💡 為什麼重要：這是「AI 寫 app」對下游基礎設施需求的直接證據。當非專家也能靠 AI 快速做應用，可靠又好用的託管 Postgres 需求就爆發——整個開發棧正在被 AI 優先重構。

🔗 閱讀原文 | 來源：TechCrunch

4. 多倫多大學展示可自我進化的 AI 蠕蟲，成根本性新威脅 #

多倫多大學與劍橋團隊展示一隻由開源 LLM 驅動、會自我進化的網路蠕蟲，能自動辨識設備弱點、即時生成入侵策略，跨 Linux、Windows、IoT 傳播，不依賴使用者互動或單一固定漏洞。它會寄生在被入侵設備上、挪用算力支援自身推理。隔離測試中約五天感染半數網路。團隊已通報政府與科研機構，並刻意隱匿部分技術細節。

開源 LLM 驅動，跨平台自適應傳播
5 天感染隔離網路半數設備
消費級設備 AI 推論能力越強，風險越高

💡 為什麼重要：傳統靠補單一漏洞的防禦思路被打破。未來每台聯網設備都可能同時是攻擊者與受害者，零信任、網路分段、主動威脅搜獵不再是選配。

🔗 閱讀原文 | 來源：科技新報

5. Claude 真的讓 rsync 的 bug 變多了嗎？一份嚴謹的統計分析 #

針對「AI 開發是否降低代碼品質」的普遍焦慮，一位作者用 DuckDB 把 rsync 整個發行歷史的漏洞數據全撈出來，採嚴重度加權的「每 10 次 commit 漏洞數」搭配排列檢定（permutation test），判斷 Claude 輔助版本的 bug 率是否異常。最關鍵的是——報告裡所有數字、圖表都由 Python 腳本自動填入，連作者都無法手動竄改，杜絕 AI 幻覺與人為偏誤。

用統計檢定取代軼事爭論
全程自動化模板，數字不可手動竄改
提供可重現的方法論，供開源專案評估 AI 貢獻

💡 為什麼重要：結論是哪一邊其實次要，真正的訊號是——AI 寫 code 的爭論終於從「我覺得」走向「我算給你看」。這是這場辯論該有的成熟方式。

🔗 閱讀原文 | 來源：Lobste.rs

6. 別再用 Conventional Commits 了 #

作者主張 Conventional Commits 把「類型」（feat/fix/refactor）放在「作用域」前面是設計錯誤，應該反過來。實務上，無論是開發者、除錯者還是事故應變者，第一關心的都是「改了哪一塊」而非「怎麼改的」。把次要資訊放最前面，等於沒兌現它「提供語義」的承諾。

作用域比類型更重要，順序該對調
搜 commit log 時大家先找模組、再看類型
以使用者實際工作流為中心，而非形式規範

💡 為什麼重要：看似瑣碎的提交規範，每天都在影響團隊導航代碼與追蹤事故的效率。這是一篇逼你重新檢視「為規範而規範」的好文。

🔗 閱讀原文 | 來源：Lobste.rs

7. 全球首支 AI 設計的疫苗：劍橋完成廣效冠狀病毒疫苗第一期試驗 #

劍橋大學首次用 AI 設計疫苗並完成第一期人體試驗。團隊用機器學習分析全球監測系統蒐集的多種冠狀病毒基因序列，找出整個病毒家族的共同特徵，設計出「超抗原」。39 名受試者證實安全並引發免疫反應，強度為「適度」。第二期規劃招募 200 人，團隊同時在研發流感、禽流感與伊波拉疫苗。

39 人第一期試驗，安全且有免疫反應
AI 找出病毒家族共通特徵，不必追著變異株跑
第二期擬招募 200 人

💡 為什麼重要：AI 從「加速既有流程」走向「設計出人類沒想到的解法」。對新興傳染病防禦，這是從被動追趕轉向主動預防的關鍵一步。

🔗 閱讀原文 | 來源：科技新報

8. 系統設計圖解：延遲 vs 吞吐量 vs 頻寬 #

ByteByteGo 用圖解釐清三個常被混淆的指標：延遲是單一封包傳輸的延遲（毫秒）、吞吐量是實際每秒成功傳輸量、頻寬是連結理論最大容量。重點是低延遲不等於高吞吐量——擁塞、丟包、協議開銷會讓實際吞吐量遠低於理論頻寬。比喻：頻寬是高速公路寬度、吞吐量是實際車流、延遲是單車從 A 到 B 的時間。

三者獨立，需不同優化手段
盲目加頻寬解決不了延遲問題
邊緣運算重延遲、AI 推論重吞吐量

💡 為什麼重要：搞錯這三者，性能優化就會用錯力。對做後端、行動端、即時應用的工程師都是該收藏的基本功。

🔗 閱讀原文 | 來源：ByteByteGo

9. micropython-wasm：給 AI agent 的沙箱 Python 執行環境 #

Simon Willison 發布 micropython-wasm 0.1a2，可在 WebAssembly 沙箱中安全執行 MicroPython 程式碼，新增 CLI 介面。他探索程式碼沙箱多年，認為 WASM + MicroPython 終於滿足所有需求：輕量、安全、不需 Docker。此版本作為 Datasette Agent 的沙箱外掛基礎，讓 LLM 工具能安全執行使用者或 AI 提供的 Python。

WASM 沙箱執行 Python，免 Docker
作為 Datasette Agent 的程式碼執行外掛
讓 agent 安全跑任意 Python 程式碼

💡 為什麼重要：當 agent 越來越會「自己寫 code 自己跑」，安全沙箱就是剛需。這是把 agent 能力與安全邊界縫在一起的務實一步。

🔗 閱讀原文 | 來源：Simon Willison

10. 如何打造好的強化學習環境（壞環境正在毀掉你的模型）#

前 Gemini RL 工程師 Auriel Wright 指出，RL 裡的「環境」是資料生成器而非靜態資料集——模型靠互動產生自己的訓練資料。壞掉的訓練環境（harness）會系統性生成垃圾資料：緩存陳舊、獎勵駭客（reward hacking）、狀態污染、隨機崩潰，單一漏洞就能污染整個 episode 的梯度方向。她強調大型實驗室對環境供應商最大的抱怨，就是「沒人仔細讀軌跡資料」。

環境是資料生成器，品質決定訓練成敗
常見故障——緩存陳舊、reward hacking、狀態污染
修復需資深工程師檢查軌跡、重現崩潰

💡 為什麼重要：很多 RL 失敗被歸咎於「模型不行」，其實是環境壞了。隨著 RL 產業化，環境工程被嚴重低估，卻最影響最終性能——資料品質是下一個競爭優勢。

🔗 閱讀原文 | 來源：Latent Space

大神動態#

Simon Willison：本日雙更——詳述 OpenAI Lockdown Mode 如何切斷「致命三角形」（詳見必讀 #2），並發布 micropython-wasm agent 沙箱（詳見必讀 #9）
Paul Copplestone：Supabase 八個月估值翻倍到 100 億美元，揭露六成新庫由 AI 工具開出（詳見必讀 #3）

中文技術圈#

AI 伺服器戰局翻轉：CPU 爆缺貨，千億美元商機點火 — AI 伺服器時代，CPU 從配角變成供應瓶頸
AMD 不急推 AM6，AM5 平台一路支援到 2029 年 — AMD 延長 AM5 壽命，對 DIY 玩家是好消息
比 ZeroTier 更好？EasyTier 去中心化異地組網全平台部署 — 開源去中心化組網工具，ZeroTier 的有力替代方案
Apple 與 Google 聯手推出 Eclipsa Video HDR 開源標準 — 兩大巨頭難得合作，推開源影片 HDR 標準
Vue 3 史詩級更新：改進預設 Props 處理機制 — Vue 3 優化子組件 defineProps 預設值處理
macOS 儲存管理漫談：去重是節省空間的最好方法 — 透過去重技術優化 macOS 儲存空間

開源精選#

cpaczek/skylight — TypeScript | ⭐ 2.1K 用 RTL-SDR 即時把頭頂飛過的飛機投影到天花板，含太陽月亮星星 ISS 圖層與航向資訊。

jd-opensource/JoyAI-Echo — Python | ⭐ 729 京東開源，推進長音視訊生成前沿。

VAST-AI-Research/TripoSplat — Python | ⭐ 496 單張 2D 圖轉高品質、可變數量的 3D Gaussians。

tastyeffectco/sandboxes — Go | ⭐ 471 自架開發沙箱含預覽網址，一行指令、不需 K8s，專為 coding agent 設計。

Jane-xiaoer/xiaoer-videolab — JavaScript | ⭐ 454 工具列一鍵把當前頁影片抓到本地，yt-dlp 守護程式支援 1800+ 站。

Fullive-AI/Anima — Python | ⭐ 394 讓每個硬體都智慧——開源的硬體智慧 Agent OS。

jeff141/meatshell — Rust | ⭐ 323 輕量、低記憶體佔用的 SSH / 終端客戶端。

nevertoday/zhongguo-traditional-colors — JavaScript | ⭐ 270 中華傳統色演示、色卡瀏覽與顏色知識科普。

影音精選#

再訪田淵棟：估值 46.5 億美元的 RSI 與 AI 遞歸自我進化 #

硅谷101 · 近期 · 硅谷101

硅谷101 前往舊金山 RSI 辦公室，與前 Meta FAIR 研究總監田淵棟進行第二次深度訪談。他解釋為何押注「遞歸自我改進」——讓 AI 自動化科學研究本身。

田淵棟認為大公司組織的溝通速度已跟不上 AI 發展，是他離開 Meta 選擇 8 人精英小隊的核心原因
評論 OpenAI、Anthropic、xAI、Google 的前沿模型競爭
核心論點：大模型之爭，最終是組織架構之爭

💬 Yii 的話：這支跟今天的「rsync × Claude」是同一條線——大家都在問 AI 自己改進自己的極限在哪。RSI 是樂觀的那一端，但別忘了今天 Meta 帳號事件提醒的：能力跑得越快，邊界越要顧好。

本週 AI 新聞太瘋狂，我做了一張地圖來追蹤 #

Matt Wolfe · 近期 · Matt Wolfe

Matt Wolfe 用 Codex 建了一張視覺化地圖來整理本週爆量的 AI 新聞，從閉源到開源一次掃過。

閉源：GPT-5.6 與 Anthropic Mythos/Oceanus 的流出測試結果、ChatGPT 記憶「夢境」更新
開源追趕：Google Gemma 4 12B、Ideogram 4（目前最佳開源圖像模型）、Miso1 語音模型
一個神秘「紫色」影片模型在 Artificial Analysis 上排名頂尖

💬 Yii 的話：他用 AI 工具來整理 AI 新聞這件事本身就很 2026。如果你被這禮拜的資訊量淹沒，這支是不錯的索引。

YC 推出 Paxel：分析你的 AI 協作編程行為 #

Y Combinator · 近期 · Y Combinator

Y Combinator 推出免費工具 Paxel，分析你用 Claude、Codex、Cursor 的建構習慣，生成一份「建構者輪廓」。

涵蓋規劃、執行、工程、產品直覺等五個維度
在本地 Docker 環境執行，程式碼不離開你的機器
申請 Startup School 時可附上 Paxel token，YC 想找「真正會建構的人」

💬 Yii 的話：這個可以動手玩。15-30 分鐘就有報告，做產品的人拿來看自己的 AI 協作模式滿有意思——順便也是 YC 在收人才數據。

Hermes Agent Desktop 完整教學：真實變現應用案例 #

Greg Isenberg · 近期 · Greg Isenberg

Greg Isenberg 與 Alex Finn 完整螢幕分享 Hermes Desktop，展示 Sessions、Profiles、Artifacts、Skills、Cron jobs 等功能。

依任務選不同模型的省錢心法：Opus 4.8 做策略、ChatGPT 5.5 寫程式、本地 Qwen 做研究
為何從 OpenClaw 切換到 Hermes Desktop
最清晰的 AI 變現路徑：把 agent 對準 Reddit/X 上別人的真實問題

💬 Yii 的話：「依任務選模型」這套組合拳很實用，我自己做東西也是這個邏輯——沒有最強的模型，只有最適合這一步的模型。

Emergent：六個月打磨如何催生年收 1 億美元的 AI 公司 #

Y Combinator · 近期 · Y Combinator

Emergent CEO Mukund Jha 分享，他的 AI 無程式碼建構平台九個月突破 850 萬用戶與 1,000 萬個應用。

年化經常性收入已達 1 億美元
讓任何人不需程式知識就能建構可上線軟體
核心策略是「探索式實驗」，並分享前一個新創 Dunzo 的規模化教訓

💬 Yii 的話：又一個「讓不會寫 code 的人做 app」的故事，跟今天 Supabase 那條線完全呼應——底層工具便宜了，上層的應用爆發就跟著來。

「模型本身就是產品」——AI 架構的典範轉移 #

20VC · 近期 · 20VC

20VC 短片訪談指出，過去兩年業界逐漸意識到「模型本身就是產品」，拼湊 API 呼叫的抽象層與拖曳式 agent 建構器幾乎全失敗了。

把目標直接訓練進模型、端到端執行，已在幾乎所有測試情境勝出
對從頭訓練模型的公司極為有利
對只做「殼」的應用層，是個警訊

💬 Yii 的話：這個觀點值得做 AI 產品的人警惕——如果你的價值只是包一層 prompt，當模型本身越來越會做這件事，你的護城河在哪？

今日觀察#

把今天攤開來看，最值得玩味的不是任何單一新聞，而是「AI 安全」這件事在同一週同時長出了矛與盾，並且第一次有了具體形狀。Meta 那兩萬多個被自家 AI 弄丟的帳號、多倫多大學那隻五天吃掉半個網路的自進化蠕蟲，是矛；OpenAI 的 Lockdown Mode 是盾——而 Simon Willison 一句「砍掉三角形的一條邊」，等於承認了防守方暫時只能用「自廢武功」這種笨辦法。有意思的是，那份把 rsync 三十年 bug 數據全部跑統計、連數字都不准自己改的分析，給了整件事一個方法論的註腳：AI 帶來的問題，正在從「我覺得」被逼著走向「我算給你看」。而同一週 Supabase 估值翻倍、六成新資料庫由 AI 開出，又提醒我們——那個製造安全漏洞的 AI，也正是重建整個技術棧的同一隻手。對開發者來說，今天真正的好消息不是某個防線守住了，而是 AI 安全終於從一個玄學辯題，變成一個有受害者、有數據、有確定性解法的工程問題——能被工程化的東西，才終於能被解決。

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