AI 開始拼「便宜」，不只拼聰明

每天花 1% 的時間，掌握科技脈動。

今日金句#

“The thoughts of the ancient world, sealed in darkness for two millennia, are coming back into the light — a whole scroll at a time.” 「被黑暗封存了兩千年的古代思想，正一卷接著一卷重見天日。」 — Vesuvius Challenge 團隊，古卷解讀計畫

“The next jump in energy efficiency demands a fundamentally different computer, one where physics does the computing.” 「能源效率的下一次飛躍，需要一台根本不同的電腦——一台讓物理本身來運算的電腦。」 — Unconventional AI 研究團隊，Un-0 開發者

今日主軸：智慧變便宜的那一天#

過去兩年大家比的是「誰的模型更聰明」，今天的頭條卻不約而同指向另一個方向——把智慧做得更便宜。IBM 發表全球首款 0.7 奈米（7 埃）晶片，用 3D 堆疊架構把電晶體密度翻倍，同節點下能耗最多降 70%；一位前 Databricks AI 主管的新創 Unconventional AI 更激進，用一堆物理振盪器取代神經網路層，宣稱能把生成式 AI 的電費砍 1000 倍；General Intuition 則拿了 3.2 億美元，賭「用遊戲畫面訓練 AI」比真實世界資料便宜上百倍。同一天，赫庫蘭尼姆古卷被 AI 完整讀出、開源界出現 OpenKnowledge 想做「自己電腦上的 AI 筆記庫」、Patronus 拿 5000 萬美元做 agent 壓力測試——當模型能力逐漸拉平，誰能讓「一度電、一塊錢」算出更多，才是接下來真正的勝負手。

必讀#

1. AI 首次完整讀出兩千年赫庫蘭尼姆古卷 — Vesuvius Challenge AI
2. GLM 5.2：我為何用開源模型取代 Claude Code 裡的 Opus — Lenny AI
3. Meta-Harness 之夏：Omnigent 與統一 Agent 管理層 — Latent Space AI
4. Un-0：用耦合振盪器生成圖像，能耗目標砍 1000 倍 — Unconventional AI AI
5. IBM 發表全球首款 0.7 奈米晶片技術 — IBM Tools
6. Claude 正在搶下被 ChatGPT 壟斷的付費消費者市場 — TechCrunch AI
7. Context Engineering 讓轉換率提升 5 倍、啟用率翻倍 — PostHog AI
8. OpenKnowledge：開源、AI 優先的 Obsidian / Notion 替代 — GitHub Tools
9. General Intuition 的 23 億美元賭注：用遊戲訓練真實世界 AI — TechCrunch AI
10. Patronus AI 募資 5000 萬美元，打造壓力測試 AI Agent 的數位世界 — TechCrunch AI
11. 德國法院裁定 Google 須為 AI 摘要錯誤負責 — Simon Willison AI
12. Adobe 收購影像增強工具商 Topaz Labs — TechCrunch Tools

1. AI 首次完整讀出兩千年赫庫蘭尼姆古卷#

維蘇威火山公元 79 年爆發，把赫庫蘭尼姆一整座圖書館的紙莎草卷燒成碳，傳統方法一打開就碎。Vesuvius Challenge 團隊用歐洲同步輻射設施的高解析相位對比 X 光斷層掃描，搭配機器學習辨識碳化紙莎草上幾乎不可見的墨跡，首次「虛擬展開」並完整讀出 PHerc. 1667 號卷軸——一篇斯多亞學派的倫理論著，約 22 列古希臘文。另兩卷也辨識出書名與作者。

• 全部原始掃描數據、重建表面、轉錄本與程式碼以創用 CC 授權開源，是高品質公開電腦視覺資料集
• 墨跡與碳化紙莎草密度極接近，靠 ML 模型訓練分辨信號，是「眾包＋競賽招募研究者」的開放科學典範
• 傳統物理展開必然摧毀內容，虛擬展開讓古典文獻得以無損閱讀

💡 為什麼重要：這是 AI／電腦視覺解決人文難題最動人的案例之一——技術不只追求商業效率，也能把被封存兩千年的人類思想重新帶回光裡。

🔗 閱讀原文 | 來源：Vesuvius Challenge

2. GLM 5.2：我為何用開源模型取代 Claude Code 裡的 Opus#

作者把 Z.AI 的開源權重模型 GLM 5.2 實際接進真實程式庫，執行架構稽核、UI 重設計與 45 分鐘自主除錯，總花費僅 3.36 美元（約 600 萬 tokens），表現與 Claude Opus 相當，且第一次嘗試就成功匹配既有設計系統。文章詳述如何在 Cursor 與 Claude Code 中接入。

• 開源權重模型在實戰程式任務上正逼近頂級閉源模型，成本卻低一個數量級
• 可直接掛進 Claude Code / Cursor，遷移門檻低

💡 為什麼重要：對重度用 AI 寫程式的人來說，「能力夠用＋便宜十倍」的開源選項正在改變預設工具鏈。

🔗 閱讀原文 | 來源：Lenny’s Newsletter

3. Meta-Harness 之夏：Omnigent 與統一 Agent 管理層#

Databricks CTO Matei Zaharia 推出開源 meta-harness 框架 Omnigent，要把 Claude Code、Codex、Cursor 等各種 AI agent 整合進統一、安全、可擴展的系統。Latent Space 同時盤點 Conductor、Vercel Eve 等同類方案，指出超過 1000 家 AI 原生新創正各自重新發明「標準化 agent 管理層」。

• agent 工具爆炸後，下一個瓶頸是「怎麼統一管理、安全執行多個 agent」
• Omnigent 開源，強調跨 agent 可攜性與安全沙箱

💡 為什麼重要：重點正從「agent 會做什麼」轉到「怎麼把一群 agent 管好」。

🔗 閱讀原文 | 來源：Latent Space

4. Un-0：用耦合振盪器生成圖像，能耗目標砍 1000 倍#

前 Databricks AI 主管創辦的 Unconventional AI 推出 Un-0，用物理啟發的 Kuramoto 耦合振盪器取代傳統神經網路層生成圖像：初始化振盪器相位、課程條件引導、讓系統自然演化，最後把相位解碼為像素。CIFAR-10 上 FID 8.76（1943 萬參數）、ImageNet 64×64 上 FID 6.74，與早期主流模型相當。

• 解碼器僅占 13% 以下參數，多數運算由振盪器動力學完成——「讓物理做運算」
• 目標相比 GPU 系統實現約 1000 倍能效，模型權重與訓練腳本已開源

💡 為什麼重要：當 AI 推理電費成為資料中心主要成本，這種「換一種運算基質」的路線若成立，會從根本改寫 AI 的經濟學。

🔗 閱讀原文 | 來源：Unconventional AI

5. IBM 發表全球首款 0.7 奈米晶片技術#

IBM 公布全球首款 0.7 奈米（7 埃）晶片技術，採用首創的 nanostack 3D 架構垂直堆疊並錯開電晶體，密度是 2021 年 2 奈米晶片的兩倍，每平方毫米近 100 億個電晶體；同節點下性能提升 50% 或能耗降低 70%。預計 5 年內進入生產，可再縮放至少十年。

• 用 3D 垂直堆疊突破水平微縮的物理極限，回應「後摩爾定律」困境
• SRAM 微縮達 40%，搭配 ASML 高 NA EUV 光刻，鎖定生成式 AI 與雲端負載

💡 為什麼重要：AI 算力的盡頭是能源，70% 的能效改進對資料中心成本與環境都意義重大。

🔗 閱讀原文 | 來源：IBM

6. Claude 正在搶下被 ChatGPT 壟斷的付費消費者市場#

儘管 ChatGPT 整體市佔領先，數據顯示越來越多「付費」消費者轉向 Anthropic 的 Claude。TechCrunch 分析此趨勢反映用戶對 AI 安全、對齊與倫理的重視，以及 Anthropic 以憲法 AI 定位的有效市場區隔，顯示 AI 市場不再是贏家通吃。

• 付費族群開始用「安全與對齊」做選擇，而非只看模型熱度
• 企業端的多模型策略正在成形，單一供應商依賴下降

💡 為什麼重要：消費市場的分化，意味著「信任」正成為和「能力」並列的產品護城河。

🔗 閱讀原文 | 來源：TechCrunch

7. Context Engineering 讓轉換率提升 5 倍、啟用率翻倍#

PostHog 團隊打造 AI Wizard，把原本兩小時的 SDK 整合縮短到一行 CLI 指令、8 分鐘完成。他們發現最大改善來自「給 agent 更多 context」而非強化推理，這就是 Context Engineering 的核心；結果轉換率提升 5 倍、使用者啟用率翻倍。

• 實戰證明「餵對脈絡」比「換更強模型」更能提升產品數據
• 把 onboarding 摩擦交給 agent 自動化，是 SaaS 啟用率的新槓桿

💡 為什麼重要：Context Engineering 從概念變成可量化的成長手段，對做產品的人是直接可抄的打法。

🔗 閱讀原文 | 來源：PostHog

8. OpenKnowledge：開源、AI 優先的 Obsidian / Notion 替代#

OpenKnowledge 是本地優先的 Markdown 編輯器與 LLM Wiki，提供類似 Notion 的所見即所得編輯，但檔案留在本機；內建 MCP 支援、Skills 與 agent 式搜尋，並能用 Git/GitHub 做團隊協作分享。以 TypeScript 為主、GPL-3.0 授權，提供原生 macOS 應用與 Web/CLI。

• 「資料本地、AI 加分」路線，兼顧隱私與 AI 增強
• 原生支援 Claude 整合，適合已在 Claude 生態的知識工作者

💡 為什麼重要：對天天在 Obsidian／Notion 裡工作的人，這是一個不用把整個大腦交給雲端、又能用上 agent 的開源選項。

🔗 閱讀原文 | 來源：GitHub

9. General Intuition 的 23 億美元賭注：用遊戲訓練真實世界 AI#

General Intuition 募得 3.2 億美元（估值約 23 億），用數百萬小時遊戲畫面訓練 AI，押注遊戲中的動作與視覺回饋能讓 AI 養成接近人類的物理直覺，再遷移到真實世界機器人任務。遊戲引擎提供無限可重複、低成本、高度多樣的訓練沙盒。

• 遊戲模擬資料可能比真實世界資料收集快 10-100 倍、便宜得多
• 用遷移學習把遊戲習得的特徵接到現實任務，鎖定具身智能與機器人

💡 為什麼重要：又一個「把訓練成本壓下來」的路線——資料的便宜，和算力的便宜一樣關鍵。

🔗 閱讀原文 | 來源：TechCrunch

10. Patronus AI 募資 5000 萬美元，打造壓力測試 AI Agent 的數位世界#

前 Meta 研究員創立的 Patronus AI 完成 5000 萬美元 B 輪（累計 7000 萬，過去一年營收增長 15 倍），開發「數位世界模型」在模擬環境中複製網站與內部系統，讓 agent 做強化學習壓力測試，揪出「取巧捷徑」行為。任務從 10 小時到 10 週不等，聚焦軟體工程與金融，客戶幾乎涵蓋所有前沿 AI 實驗室。

• agent 越複雜，傳統測試越抓不到它的取巧行為，合成世界成了必備驗證層
• 競爭對手主要是各大實驗室的內部評估團隊，而非人類標註公司

💡 為什麼重要：當 agent 開始替人做事，「怎麼確認它沒亂來」變成一門剛需生意。

🔗 閱讀原文 | 來源：TechCrunch

11. 德國法院裁定 Google 須為 AI 摘要錯誤負責#

德國法院近期裁定 Google 須為其 AI 摘要產生的錯誤資訊負責，安全專家 Bruce Schneier 表示支持，認為 AI agent 應被視為部署企業的代理人，企業不該藉 AI 失誤脫責，否則會製造「用 AI 取代人力卻規避責任」的惡性誘因。

• 把 AI 輸出的責任歸給部署企業，是 AI 監管的重要判例方向
• 直接衝擊所有用 AI 摘要／客服／建議的產品的法律風險評估

💡 為什麼重要：對開發者來說，這提醒「AI 講錯話，公司要扛」——責任設計要和功能設計一起想。

🔗 閱讀原文 | 來源：Simon Willison

12. Adobe 收購影像增強工具商 Topaz Labs#

Adobe 宣布收購經營逾 20 年、2025 年以技術獲艾美獎肯定的影像／視訊增強工具商 Topaz Labs，預計 2026 下半年交割。核心產品 Astra（AI 視訊升頻）、Wonder（影像修復）、NeuroStream（在消費級 GPU 上跑大型 AI 模型）將整合進 Firefly 與 Creative Cloud，同時保留獨立服務，劍指 Canva 與 DaVinci Resolve。

• NeuroStream 讓大型 AI 模型跑在消費級 GPU，是成本控制關鍵
• 大型軟體商加速併購專業 AI 工具，防禦新興競爭者

💡 為什麼重要：創意工具的 AI 軍備競賽進入併購階段，專業創作者的工作流會被重新整合。

🔗 閱讀原文 | 來源：TechCrunch

推薦閱讀#

• Databricks 為何押注開放前沿生態系統 — Matei Zaharia 與 Reynold Xin 介紹 Omnigent、湖倉交易分析與 Lakebase，主張 agent 時代資料庫與開放格式更重要
• Simon Willison 把 MDN 瀏覽器相容性資料轉成 SQLite — 把 mdn/browser-compat-data 轉成約 66MB SQLite，用 GitHub Actions 自動構建並可在瀏覽器中查詢
• 服務化架構中最常見的反模式與避免之道 — 多數反模式都源於「網路呼叫 vs 函式呼叫」的本質差異（毫秒對奈秒、逾時與部分成功）
• 與 NeetCode 談技術面試的真實樣貌 — 刷題文化的利弊、AI 輔助開發對面試流程的衝擊，以及如何在 AI 時代展現真實技術力
• AI 世代履歷：什麼都用 LLM 生成，反而讓面試官看不懂你 — 完美生成的履歷通用而無個性，只透露你用哪些工具，傳達不出真實的個人特質
• 大型語言模型 vs 小型語言模型：工程設計的根本差異 — 以 Apple 裝置端與雲端模型為例，比較大小模型在硬體、訓練與推論上的根本分歧
• Apple 因記憶體成本飆漲，調漲 MacBook、iPad 價格 — 記憶體價格暴漲推升硬體成本，Apple 調漲多款產品售價
• Amazon 再加碼 130 億美元投資印度 AI 基建 — Amazon 持續押注印度，投入 130 億美元建設 AI 基礎設施
• Netris 募得 1500 萬美元 A 輪，加速 AI neocloud 上線 — a16z 領投，協助 AI 新雲業者更快上線
• Zig 的新 @bitCast 語意與 LLVM 後端改進 — Zig 更新 bitCast 語意並改進 LLVM 後端
• 一個 Agent 還是多個？無亂象地編排 AI Agent — 多 agent 系統的架構模式，並實作一個 git 程式碼審查 agent

大神動態#

• Andrej Karpathy：提出 LLM 互動的「第三範式」——AI 從網站、桌面應用，演進為持久、非同步、具全組織工具與脈絡的 AI 夥伴（詳見影音精選）
• Simon Willison：德國法院 AI 責任判例評論＋把 MDN 相容性資料轉成 SQLite（詳見必讀 11、推薦閱讀）
• Matei Zaharia：推出開源 meta-harness 框架 Omnigent（詳見必讀 3）

中文技術圈#

• 為什麼 GPT-5.5 連高考英語都能錯這麼多 — 開發者社群討論 GPT-5.5 在標準化測驗上的可靠性
• 給記憶一個歸處：我為什麼開始使用 Apple 手記 — Apple 手記應用的記憶保存使用心得
• DV/HDV 磁帶拯救計劃：用 AI 驅動十八年前的老設備 — 用 AI agent 技術讓十八年前的攝影設備復活，保存舊影像
• 派早報：豆包推出專業版、GTA VI 開啟預售等 — 當日科技與 AI 產品公告彙總

開源精選#

bozhouDev/codex-orange-book — HTML | ⭐ 1.9K 從安裝到實戰的 Codex 全鏈路使用指南（含可下載 PDF）

lyra81604/zhengxi-views — Python | ⭐ 1K 可溯源的基金經理投研 Agent Skill，按公開觀點原文打分（僅供研究）

overflowy/make-look-scanned — Go | ⭐ 415 讓 PDF 看起來像掃描件，支援 CLI 或瀏覽器 WASM

QwenLM/Qwen-AgentWorld — Python | ⭐ 479 通用 Agent 的語言世界模型

HKUDS/AgentSpace — TypeScript | ⭐ 414 人類＋Agent 同隊協作的單一工作區

samasante/liquid-glass — TypeScript | ⭐ 311 Apple 風 Liquid Glass 的 headless React 元件，零依賴、跨瀏覽器折射 DOM

m1ckc3s/claude-status-bar — Swift | ⭐ 307 Claude Code 的 macOS 選單列狀態指示器，含動畫圖示與計時

Th0rgal/open_oura — Rust | ⭐ 301 Oura Ring 逆向工程，本地同步、儲存與分析資料

benchflow-ai/awesome-evals — ⭐ 273 精選的 AI agent 建構與評估資源庫（論文、部落格、工具、基準）

krea-ai/krea-2 — Python | ⭐ 264 Krea 2 官方推論程式碼

影音精選#

Karpathy 眼中 LLM 互動的第三次範式轉移#

1d · Theo (t3.gg)

Theo 解析 Karpathy 對 Anthropic 把 Claude 整合進 Slack 的評價——Karpathy 認為這是 LLM 互動的第三次重大典範轉移：從網站、桌面應用，到「持久、非同步、具備全組織工具與脈絡的 AI 夥伴」。表面像個 Slack 機器人，背後代表 AI 真正「加入團隊」的架構轉變。

• Karpathy 定義第三範式：AI 成為具持久性、非同步、可存取全組織工具的自主實體
• 不只是聊天機器人，而是以自然語言融入工作流、處理多元任務
• 底層架構意涵比表面功能更值得深思

AI 時代真正值錢的 6 種技能#

15h · Greg Isenberg

Greg Isenberg 指出「學 AI」太模糊，並列出 AI 越強反而越值錢的六大技能：AI agent 管理與本地模型部署、建立流量分發、機器人硬體工程、策展與短影音、Builder+Distributor 一體、實體社群營建。每項都附可立刻開始的第一步。

• 六大抗替代技能隨 AI 能力提升而更有價值，應選「乘數型」而非「被取代型」技能
• 每個技能都有具體第一步：如用 Ollama 建日報 agent、48 小時 build+分發循環
• 核心：別學模糊的「AI」，學能跟 AI 互補放大的具體能力

OpenClaw 作者新計畫 Crabbox：解決百個 Agent 並行的 PR 瓶頸#

1.5d · AI Jason

AI Jason 介紹 OpenClaw 作者正在開發的 Crabbox，專為同時跑數十個 AI agent 的團隊設計，解決 PR 驗證與合併瓶頸。多 agent 並行時共享本地資料庫與埠號會造成環境衝突，傳統 work tree 隔離只解決程式碼層面，無法解決測試與 DB schema 衝突。

• 瓶頸已從「寫程式碼」轉移到「如何安全地把 agent PR 合併進主幹」
• 根本痛點：共享 Docker daemon、DB 實例與埠號，work tree 隔離不夠
• 推薦的 harness 模式：agent 自帶瀏覽器測試並在 PR 附上影片佐證

華爾街 7250 億 AI 大哉問：開源如何威脅 OpenAI 與 Anthropic#

18h · 20VC

20VC 圓桌討論：Google DeepMind 48 小時內痛失兩位頂尖科學家（諾貝爾獎得主 John Jumper 轉投 Anthropic）、DeepSeek 完成 74 億美元 A 輪估值達 500 億美元、華爾街開始追問「誰來為 AI 買單」、開源 AI 如何蠶食大廠市場中段。

• 頂級 AI 人才重視「只做自己想做的研究」的自由，人才遷徙加速
• DeepSeek 開源模式由中國政府補貼訓練成本，並非真正的開源精神
• 7250 億美元問題：AI 基建投資龐大，但商業化 ROI 與付費客群尚不明朗

OpenAI 與 Anthropic 做垂直整合根本沒道理#

12h · 20VC

ScaleVP 合夥人 Rory O’Driscoll 指出：OpenAI 與 Anthropic 能成功，正是因為把 3,000 億美元的 capex 外包給別人承擔；若現在走垂直整合，反而是自尋死路。點出 AI 大廠商業模式的核心矛盾：輕資產模型 vs 重資本基礎設施。

• 兩家公司的成功建立在「外包基礎設施成本」的輕資產模型上
• 垂直整合等於把外包成本內部化，現階段是高風險策略
• 挑戰「控制全棧才能勝出」的常見假設

Zynga 創辦人：現在正是打造消費者產品的最佳時機#

18h · Y Combinator

Zynga 創辦人 Mark Pincus 分享歷經五家公司淬鍊的創業心法：儘管投資人看冷消費者賽道，AI 時代反而讓重新發明消費者服務的機會空前龐大，優秀創辦人必須「全端思考」。

• AI 讓消費者賽道機會空前大，越是沒人投越該把握
• 「Proven, Better, New」產品框架：先殺掉壞點子才能聚焦好機會
• 創辦人要從用戶、產品到長期策略一手掌握

用 Fable 5 打造 Agent 控制的開源 AI 訊號地圖#

13h · Matt Wolfe

MattVidPro 展示完全 vibe-code 打造的 AI 訊號情報地圖：agent 持續掃描 AI 新聞，在視覺化地圖上即時生成節點與連結，點選時說明兩條訊息間的關聯洞察。整套系統開源，可自架在 VPS 或本機。

• 從宏觀到微觀一覽 AI 動態，並視覺化呈現事件間關聯
• 技術棧：開源 agent 部署於 VPS Docker，即時持續掃描
• 完全開源可自架，從靜態新聞地圖進化為即時動態版本

今日觀察#

今天最浪漫的新聞和最硬核的新聞，其實指向同一件事。Vesuvius Challenge 用 AI 讀出被火山灰封死兩千年的赫庫蘭尼姆古卷，靠的是把「幾乎看不見的訊號」從雜訊裡分離出來；而 IBM 的 0.7 奈米晶片、Unconventional AI 宣稱砍 1000 倍能耗的耦合振盪器、General Intuition 用遊戲畫面便宜訓練 AI，比的全是同一件事的另一面——怎麼用更少的能量、更低的成本，把運算榨出更多價值。過去兩年我們習慣問「哪個模型更聰明」，但當 GLM 5.2 用十分之一的成本逼近 Opus、當付費用戶開始為「信任」而非「熱度」選 Claude，模型能力本身正在快速商品化。真正稀缺的，變成了底層的能源效率、上層的 agent 管理紀律（Omnigent、Patronus），以及把資料留在自己手上的選擇權（OpenKnowledge）。對開發者和個別工作者來說，這也許是個提醒：當「聰明」變便宜，你的價值不在於會不會用最強的模型，而在於你怎麼把它組裝、約束、並接上真正值得解的問題。

---

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