yii.
← Digest
EP119 · 2026年6月29日 星期一 · 10 min read

AI 退潮日：大廠把人請回來

每天花 1% 的時間，掌握科技脈動。

今日金句#

“Mistakenly we thought that by just introducing artificial intelligence… that would produce a high-quality product.” 「我們誤以為只要導入人工智慧，就能產出高品質的產品。」 — Charles Poon, Ford 副總裁

“It’s our loop, we work the same way we always have, now we recruit agents to join the team.” 「這是我們的迴圈，我們還是用一貫的方式工作，只是現在多招募了 agent 加入團隊。」 — Jon Udell, 軟體協作專家

今日主軸：AI 的現實校正日#

今天有三條彼此獨立的新聞，指向同一件事：AI 不是萬靈丹。Ford 重新聘回 350 名資深工程師，因為自動化品管系統在製造前漏掉了設計缺陷，瑕疵直接流進產線；AWS 執行長 Matt Garman 公開把「用 AI 取代初階員工」稱為「最蠢的想法」，警告砍掉人才養成鏈條會讓整個系統自爆；國際清算銀行（BIS）則警告 AI 投資過熱疊加創新高的全球公債，正在埋下新一輪金融脆弱性。另一條對照線同樣耐人尋味：開源的 GLM-5.2 在資安漏洞檢測（IDOR）基準上以 39% F1 贏過 Claude Code 的 37%，成本只要約六分之一，而 Anthropic 的出口禁令正催生亞洲模型替代潮——閉源霸權的護城河，在某些很實際的任務上沒有想像中深。把兩條線連起來看：當「AI 取代一切」的敘事降溫，價值正回到「人的判斷力」與「誰能用更低成本把事做好」。

必讀#

  1. 開源 GLM-5.2 在資安基準上贏過 Claude Code — Semgrep / HN AI/Security
  2. 我用 Claude Code 幫自己的 MRI 看第二意見 — HN AI/Health
  3. AWS CEO：用 AI 取代初階員工是「最蠢的想法」 — 科技新報 AI/Career
  4. Ford 把 350 名資深工程師請回來 — TechCrunch AI/News
  5. RAG vs Graph RAG vs Agentic RAG：三大架構怎麼選 — ByteByteGo AI/Dev
  6. BIS 警告：AI 投資過熱 + 高債務埋下金融危機風險 — 科技新報 News/Finance
  7. OpenAI Codex 負責人談 AI 時代產品工作的新形態 — Lenny’s AI/Product
  8. AI agent 應該加入我們的迴圈，而不是主導它 — Simon Willison AI/Dev
  9. Gemini 3.5 Flash 內建電腦使用能力 — Google AI/Tools
  10. Anthropic Claude 正搶下 ChatGPT 的付費用戶 — TechCrunch AI/Business
  11. Databricks 前 AI 主管：他要把 AI 電費砍 1000 倍 — TechCrunch AI/Hardware
  12. General Intuition 32 億美元賭注：用遊戲訓練 AI agent — TechCrunch Startup

1. 開源 GLM-5.2 在資安基準上贏過 Claude Code#

Semgrep 做了一組專測 AI 抓不抓得出 IDOR 權限漏洞的基準，結果開源的 GLM-5.2 拿到 39% F1，贏過 Claude Code（Opus 4.6）的 37%，而成本只有約六分之一。GLM-5.2 採 750B 總參數、40B 活躍參數的 MoE 架構，支援百萬 token 上下文。不過研究強調這只是「單一任務、單一資料集」，其他開源模型表現都不佳，Semgrep 自家多模態產品仍以 53-61% 領先。

  • GLM-5.2 39% F1 > Claude Code 37%，成本約 1/6（每漏洞 $0.17）
  • 750B/40B MoE + 1M token 上下文，適合跨檔案安全審計
  • 優勢侷限 IDOR 單一漏洞類型，不代表全面超越閉源模型

💡 為什麼重要：閉源大模型在安全代碼審計的壟斷出現裂縫。成本敏感的安全團隊可評估部署開源 GLM-5.2，同時保護程式碼隱私——但需針對其他漏洞類型額外測試。

🔗 閱讀原文 | 來源: Semgrep

2. 我用 Claude Code 幫自己的 MRI 看第二意見#

一名工程師把 266MB 的 DICOM 檔（數百張 MRI 影像）丟給 Claude Opus 4.8，用約一小時生成詳細放射線報告。AI 採三層仲裁架構防止上下文偏誤，最後判斷為「輕微插入部肌腱炎、無明確撕裂」，與臨床診斷的 Grade III 部分撕裂存在明顯差異。作者強調這是「第二意見工具」而非最終診斷。

  • Claude Opus 4.8 處理 266MB DICOM，約 1 小時出報告
  • 多層 subagent 仲裁有效防止累積偏誤、提供獨立視角
  • AI 判斷偏保守，與臨床診斷有出入——信任差距仍未解決

💡 為什麼重要：AI 把「取得醫療第二意見」的門檻拉到接近零，有機會幫病人避開不必要治療，但醫療決策的責任歸屬與驗證流程仍待界定。

🔗 閱讀原文 | 來源: Antoine’s blog

3. AWS CEO：用 AI 取代初階員工是「最蠢的想法」#

AWS 執行長 Matt Garman 明確反對以 AI 取代初階員工，稱「整個系統會自己爆炸」，短期省下的人事成本將換來長期的系統性崩潰。他點出三大風險：人才培育鏈斷裂、組織創新力下降、成本結構失衡——而最熟悉 AI 工具的年輕員工，卻首當其衝被淘汰。Amazon 2026 年計劃招募 11,000 名實習生與應屆畢業生。

  • Garman 直言 AI 裁初階員工會讓組織「自爆」
  • Amazon 2026 反向招募 11,000 名新鮮人/實習生
  • 與 Stanford 研究呼應——AI 對入門級職位衝擊不成比例

💡 為什麼重要：這是大型科技公司首次公開質疑 AI 裁員的商業合理性，戳破「AI 解放勞動力」神話：砍人才梯隊＝砍掉未來競爭力。

🔗 閱讀原文 | 來源: 科技新報

4. Ford 把 350 名資深工程師請回來，因為 AI 品管漏接#

Ford 重新聘用 350 名資深工程師，原因是 AI 自動化品質系統無法在製造前識別設計缺陷，導致瑕疵流入生產。新策略走「混合模式」：資深工程師指導年輕員工、校準 AI 工具，聚焦「在零件進廠前就獵捕故障點」。此決策替公司省下「數百億美元」的保修與召回成本，並在 JD Power 初始品質調查中拿到高排名。

  • 350 名資深工程師回鍋，AI 漏掉的設計缺陷由人補上
  • 混合模式——人校準 AI、AI 輔助人，省下數百億美元
  • 高端製造證明「人機協作」優於「AI 全自動」

💡 為什麼重要：在品質攸關的領域，過度依賴自動化的代價極高。企業導入 AI 必須保留人類專家審核層——這對軟體開發同樣適用。

🔗 閱讀原文 | 來源: TechCrunch

5. RAG vs Graph RAG vs Agentic RAG：三大架構怎麼選#

ByteByteGo 完整比較三種 RAG 架構。Standard RAG 快速廉價但易失誤——向量檢索錯了就全錯；Graph RAG 用知識圖譜走 local/global 不同路徑，最適合法律、合規、生醫等結構化領域，但構建成本高；Agentic RAG 最靈活也最貴——推理代理分解子問題、多源檢索、二次驗證。關鍵差異：前兩者決定「模型知道什麼」，Agentic RAG 改變「模型能做什麼」。

  • Standard = 便宜但脆弱；Graph = 結構化領域王者；Agentic = 彈性但昂貴
  • 選型是「可靠性-成本-彈性」的權衡，不是技術優劣
  • 新應用先用 Standard 驗證，再依失誤模式逐層升級

💡 為什麼重要：對在做 RAG 的開發者，這是一張清楚的選型決策圖——高風險場景考慮 Agentic，文件檢索用 Standard，知識圖譜完備的行業適合 Graph。

🔗 閱讀原文 | 來源: ByteByteGo

6. BIS 警告：AI 投資過熱 + 高債務埋下金融危機風險#

國際清算銀行（BIS）警告 AI 投資榮景難以為繼，存在過度投資風險，加上供應鏈瓶頸威脅就業。同時全球公債創新高，主權債市場被高槓桿避險基金主導，形成新的「財政-金融」連結風險；通膨預期反彈、資產估值過高正弱化債券市場，而 AI 融資高度依賴複雜債務結構。BIS 呼籲央行立即行動。

  • AI 投資泡沫 + 創新高公債 + 金融脆弱性同時出現
  • 主權債由槓桿避險基金主導，債券價值恐更頻繁劇烈下跌
  • AI 產業依賴便宜融資，融資結構抗性受直接衝擊

💡 為什麼重要：技術債之外還有「財務債」。AI 軟著陸的前提是全球央行政策協調，這對依賴便宜資金擴張的 AI 公司是直接警訊。

🔗 閱讀原文 | 來源: 科技新報

7. OpenAI Codex 負責人談 AI 時代產品工作的新形態#

OpenAI Codex 產品負責人 Andrew Ambrosino 指出，當 AI 讓「建構」變得近乎零邊際成本，軟體開發的瓶頸已從執行力轉向判斷力——「品味（taste）」成為最核心的職業技能。傳統產品流程被反轉：任何人都能 build，所以 PM 需要的不是執行能力，而是優先順序的判斷。他也強調時機關鍵性。

  • AI 民主化後，瓶頸從「執行」轉向「判斷與視野」
  • Codex 內部使用率近 100%，OpenAI 全員都在用
  • 產品成功 = 視野 × 優先順序 × 時機，而非純技術執行

💡 為什麼重要：與今天的 Ford、AWS 故事共振——AI 接手執行，人的價值落在判斷力。組織該投資的是策略判斷訓練，不是更多工程執行力。

🔗 閱讀原文 | 來源: Lenny’s Newsletter

8. AI agent 應該加入我們的迴圈，而不是主導它#

Simon Willison 引述 Jon Udell 的反思：「human in the loop」這說法暗示機器掌權、把人降為旁觀者；應改為「我們邀請 agent 加入我們的迴圈」——人類保持主導與決策權。Udell 主張 agent 產出的工作必須可審查，批評那種無法被人類檢視的自動提交大型 PR。

  • 把「人在迴圈」翻轉成「agent 加入我們的迴圈」——人主導
  • agent 輸出必須可審查，反對黑箱式自動 PR
  • 與 Ambrosino 互補——人的判斷力是不可替代的核心

💡 為什麼重要：這是一個關於 AI 輔助開發的哲學定錨。團隊若想保住程式碼審查與品質控制，就要明確劃分「agent 能做什麼、人把關哪些」。

🔗 閱讀原文 | 來源: Simon Willison

9. Gemini 3.5 Flash 內建電腦使用能力#

Google 把 computer use 直接內建進 Gemini 3.5 Flash：可感知、分析並跨瀏覽器/行動/桌面環境執行操作，成為完整 agent 平台。Google 採深度防禦策略——對抗訓練防提示注入、企業保護要求顯式確認、自動偵測間接注入並終止任務。支援長期自動化、連續軟體測試等場景。

  • 單一模型整合視覺理解 + 跨環境行動執行
  • 多層安全機制（對抗訓練 + 顯式確認 + 注入偵測）
  • 前代僅 Gemini 2.5 單獨提供，現升級為內建工具

💡 為什麼重要：AI agent 從「文字對話」邁向「完整電腦操作」。安全機制的完善度，決定企業願不願意真正把權限交給 AI。

🔗 閱讀原文 | 來源: Google

10. Anthropic Claude 正搶下 ChatGPT 的付費用戶#

Claude 的付費用戶與營收自 2026 年 1 月起成長約 75%，在 DataCamp 平台上已超越 ChatGPT 成為最熱搜名詞；Claude 課程需求 30 天內成長 18 倍，自主學習者對 Claude 的需求是 ChatGPT 的 3 倍。分析認為 Anthropic 拒絕大規模監控與自主武器應用的道德立場，在付費用戶間形成差異化共鳴。ChatGPT 仍保整體市場領先，但成長趨緩。

  • Claude 付費基數 6 個月成長 75%，付費段動能轉強
  • DataCamp 上 Claude 課程需求是 ChatGPT 的 3 倍
  • 「有所不為」的倫理立場意外成商業差異化優勢

💡 為什麼重要：付費 AI 市場出現「價值觀分化」——使用者不只看功能，也看安全與倫理立場。對新進者而言，「負責任 AI」是一個品牌切口。

🔗 閱讀原文 | 來源: TechCrunch

11. Databricks 前 AI 主管：他要把 AI 電費砍 1000 倍#

Databricks 前 AI 負責人 Naveen Rao 創立 Unconventional AI，採「振盪器架構」電腦設計，從根本重新想像計算方式。已釋出 Un-0 圖像生成模型，性能相當 Stable Diffusion。團隊宣稱可降功耗 1000 倍，目前處軟體模擬階段，近期將釋出硬體晶片設計圖。公司員工不到 50 人。

  • 振盪器架構（非標準半導體）目標降功耗 1000 倍
  • Un-0 模型已在軟體模擬上達 Stable Diffusion 等級
  • 能源已成 AI 擴展的終極瓶頸，硬體創新成新戰場

💡 為什麼重要：與 BIS 的泡沫警訊呼應——AI 成本（電力）正成為硬限制。若振盪器架構驗證成功，將重塑整個 AI 硬體生態。

🔗 閱讀原文 | 來源: TechCrunch

12. General Intuition 32 億美元賭注：用遊戲訓練 AI agent#

General Intuition 利用 Medal 平台數億小時的遊戲錄影訓練 AI agent，特色是取得精確的「動作標籤」而非僅推論視覺，藉此提升空間-時間推理。3.2 億美元投資用於擴展運算（與 CoreWeave 合作）與夏季 API 開放；定位是基礎設施供應商。實測顯示四足機器人僅用 8 分鐘真實數據微調即可導航陌生環境。

  • 用遊戲錄影 + 動作標籤訓練物理直覺，成本低數個量級
  • 四足機器人 8 分鐘真實數據即可 sim-to-real 轉移
  • 「基礎設施即平台」打造數據飛輪

💡 為什麼重要：替 AI agent 的物理世界訓練開了一條低成本新路。與 Google Gemini 互補——前者攻物理/機器人，後者攻軟體自動化。

🔗 閱讀原文 | 來源: TechCrunch

推薦閱讀#

大神動態#

  • Simon Willison：把「human in the loop」翻轉成「agent 加入我們的迴圈」（詳見必讀 #8）
  • Naveen Rao：前 Databricks AI 主管創立 Unconventional AI，振盪器架構要砍 AI 電費 1000 倍（詳見必讀 #11）
  • Max Stoiber：從 styled-components、Spectrum 到加入 OpenAI（Changelog #682）

社群熱門#

中文技術圈#

開源精選#

deepseek-ai/DeepSpec — Python | ⭐ 2.4K 訓練與評估推測解碼（speculative decoding）演算法的全棧程式庫。

bozhouDev/codex-orange-book — HTML | ⭐ 2.3K Codex 橙皮書：從安裝到實戰的全鏈路使用指南（含可下載 PDF）。

Pluviobyte/video-production-skills — Python | ⭐ 366 可重用的 AI 影片製作 skills 庫，涵蓋生成、重製、開場與 QA。

amplifthq/opentag — TypeScript | ⭐ 356 開源 @agent 提及：在 Slack/GitHub 標記後，把請求路由給 Codex、Claude Code。

benchflow-ai/awesome-evals — ⭐ 565 精選打造與評估 AI agent 的資源：論文、部落格、工具與 benchmark。

AlexandrosGounis/pdfx — TypeScript | ⭐ 496 PDF 標準的擴充，透過 metadata 在單一檔案內存放多個檔案。

影音精選#

FOMO 如何募得 9400 萬美元：17 人團隊的逆襲#

20VC · 2 天前

20VC

社交交易平台 FOMO 以 17 人團隊做到 60 萬用戶、40 億美元交易量，估值 5.5 億美元。創辦人 Paul Erlanger 拆解如何說服 Fred Wilson、Benchmark 與 Index 投資。

  • 「金融超級 App」理論其實是錯的，聚焦社交驅動的鏈上交易才對
  • 17 人小團隊如何打出 9400 萬美元募資
  • 用社交而非功能堆疊建立護城河

創業前 8 個月零薪水的生存之道#

20VC · 1 天前

20VC

FOMO 共同創辦人分享：公司前 8 個月核心團隊全員零薪水，用股權換取成員的「創辦人心態」。

  • 把通常只給創辦人的股份比例，分給非創辦員工
  • 前 8 個月無薪，換來真正以主人翁身份投入的核心戰力
  • 打造「延伸創辦人團隊」的具體做法

印度為何能誕生最大的 AI 公司#

Y Combinator · 2 天前

Y Combinator

YC 在印度辦 Startup School，探討印度深厚的技術人才優勢，如何讓它在 AI 浪潮中脫穎而出。

  • AI 時代最重要的是「比所有人更深入理解技術」，而非傳統商業模式
  • 鼓勵年輕創辦人打破傳統教育框架、以獨立視角切入市場
  • 印度在技術深度上擁有的結構性優勢

AI 時代的教育者：探月學校十年沉浮#

硅谷101 · 2 天前

硅谷101

18 歲就預測 AI 將取代三分之一人類職業的王熙乔，放棄美國大學入學資格，回中國創辦探月學校。十年間歷經擴張失敗、政策衝擊與疫情。

  • 在 AI 能取代多數能力的時代，教育究竟該培育什麼樣的人
  • 從擴張、受挫到被迫在酒店與活動中心上課的真實歷程
  • 「培養內心豐盈的個體」這個理念能否撐過現實

今日觀察#

把今天攤開來看，最有意思的不是哪一條單獨的新聞，而是它們同時發生。Ford 把 350 名老工程師請回產線、AWS 的 Garman 嗆「用 AI 取代初階員工最蠢」、BIS 警告 AI 投資過熱埋下金融風險——三個完全不同的場景（製造、雇用、金融），講的卻是同一句話：把「判斷」外包給 AI 的代價，正在帳單上顯現。而對照組是 Semgrep 那篇——開源 GLM-5.2 在一個很窄的資安任務上贏過 Claude，提醒我們 AI 能力本身仍在猛烈進步、且正在商品化。這兩件事不矛盾：能力越便宜、越普及，「會不會用判斷力去包住它」就越值錢。對開發者來說，今天最該記住的或許是 Andrew Ambrosino 那句話的反面——當建構變便宜，稀缺的就是知道該建什麼、以及在哪裡該停下來讓人接手。

本月開源精選 — HelloGitHub vol.123#

每月更新，收錄有趣的入門級開源項目。按 Star 數排序。

D4Vinci/Scrapling — Python | ⭐ 66.9K 自適應網頁爬蟲框架，從單一請求到全規模爬取一手包辦。

aidenybai/react-scan — TypeScript | ⭐ 21.4K 掃描並修復 React 效能問題。

rerun-io/rerun — Rust | ⭐ 11K 視覺化、查詢、串流多模態機器人資料。

emdash-cms/emdash — TypeScript | ⭐ 11K 基於 Astro 的全棧 TypeScript CMS，WordPress 的精神接班人。

tinyauthapp/tinyauth — Go | ⭐ 7.6K 史上最小的 OpenID 認證授權伺服器。

earthtojake/text-to-cad — JavaScript | ⭐ 7.2K CAD、機器人與硬體設計的 agent skills 集。

HaujetZhao/CapsWriter-Offline — Python | ⭐ 5.8K PC 端離線語音輸入工具，高準確率、低延遲、支援熱詞與 LLM 潤色。

rvaiya/keyd — C | ⭐ 5.6K Linux 的按鍵重映射 daemon。

vllm-project/vllm-omni — Python | ⭐ 5.3K 全模態模型的高效推論框架。

smol-machines/smolvm — Rust | ⭐ 4K 打造與執行可攜、輕量、自包含的虛擬機。

alpha-liu-01/SpeedyNote — C++ | ⭐ 1.3K 高效能筆記 app，支援 PDF 匯入。

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