yii.
← Digest
EP140 · 2026年7月21日 星期二 · 9 min read

智慧變便宜了，護城河搬家了

每天花 1% 的時間，掌握科技脈動。

今日金句#

“Locked-down business practices for a technology with no real moat is an obviously losing strategy; permissively releasing it with an open, collaborative approach is obviously a winning one.” 「對一個沒有真正護城河的技術採取封鎖式的商業策略，顯然是輸家的打法；用開放、協作的方式釋出它，顯然才是贏家。」 — Ben Werdmuller, werd.io 科技評論家

“Let the frontier labs win by being better; don’t let them define safety or security, or pull up the ladder of humanity’s collective knowledge.” 「讓前沿實驗室靠『做得更好』來贏，別讓他們來定義什麼叫安全，也別讓他們把人類集體知識的梯子抽走。」 — Ben Thompson, Stratechery 創辦人

“Autonomous transactions at computer speed could increase payment volume by two, three, or four orders of magnitude.” 「以電腦速度進行的自主交易，可能讓支付量成長到現在的一百倍、一千倍甚至一萬倍。」 — Kahlil Lalji, Natural CEO

今日主軸：智慧變便宜了，護城河搬家了#

今天整個科技圈在講同一件事的三個面向：AI 的「聰明」正在變成一種買得到的日用品，而真正值錢的東西，正在往別的地方搬。

第一個面向是開源。Hacker News 上一篇 904 分的〈China’s open-weights AI strategy is winning〉直接說，美國把模型鎖起來、靠專利收費的打法正在輸，因為模型本身沒有護城河；文章引用一個數字——八成新創已經在用中國開源模型。Ben Thompson 在 Stratechery 補上更冷靜的一刀：真正的問題不是中國模型比較強，而是美國前沿模型因為算力稀缺可以賣貴，而中國廠商靠蒸餾把「每一塊錢買到多少智慧」壓得更低。同一天，阿里巴巴把 Qwen 3.8 Max（2.4 兆參數）從閉源改成開放權重，Mira Murati 的 Thinking Machines 發表了刻意做得很平庸的開源模型 Inkling，連 OpenAI 都被爆料曾想用政策去打壓開源。

第二個面向是成本。Fireworks AI 執行長 Lin Qiao 預言 token 成本三年內會降 10 倍、用量暴增 100 倍，而 Google 正在自研代號 Frozen v2 的晶片，目標把每瓦推論效率拉高 6 到 10 倍——大家都在賭「智慧會像水電一樣便宜」。

第三個面向是：那如果智慧不值錢了，什麼才值錢？PostHog 給的答案是「部署與信任」，他們認為到 2030 年 AI 代理人才是軟體的主要使用者，人類的角色會從「操作」變成「審批」；Natural 融資 3000 萬美元專門幫代理人做支付；年薪百萬美元的新職缺 FDE（前線部署工程師）冒出來，做的正是「把模糊任務變成客戶現場能跑的系統」。

三件事連起來看，是同一句話：模型的智慧正在歸零成邊際成本，值錢的東西全部搬到它的外面——成本結構、部署現場、還有那個負責點頭的人。

必讀#

1. China’s open-weights AI strategy is winning#

Hacker News 上一篇 904 分的文章直言，美國「把模型鎖起來、靠專利收費」的打法正在輸，因為 AI 模型本身無法形成真正的護城河——你今天做出最強模型，幾個月後就被追平。中國廠商反其道而行，用開源把「算力不足」的劣勢轉化為「分佈無門檻」的優勢，讓製造、研究等產業零成本取得並快速迭代。作者引用一個關鍵數字：八成新創已轉向使用中國開源模型。

  • 模型沒有護城河，封鎖式商業模式缺乏持久競爭壕溝
  • 中國宣稱在「每美元智慧量」上已追平 OpenAI、Anthropic，成本卻是一小部分
  • 類比歷史上 Linux 對專有 Unix 的市場衝擊

💡 為什麼重要：這預示未來 AI 市場將由「能提供完整服務堆疊」的廠商主導，而非靠專利封鎖收費；對成本敏感的開發者而言，開源模型的整合便利與成本優勢愈來愈難忽視。

🔗 閱讀原文 | 來源: Hacker News

2. Who’s Afraid of Chinese Models?#

Ben Thompson 對「中國模型威脅論」潑冷水，方向卻出人意料。真正問題不是中國模型比較聰明，而是美國前沿廠商靠「算力稀缺」溢價賣高價，中國廠商靠蒸餾把「每美元智慧量」壓到最低。他更點出一個國安盲點：美國網路安全團隊因為前沿模型有護欄限制，反而被迫去用中國的 GLM 5.2。他主張政策應放寬前沿模型的國防應用、明確保護資料蒸餾為合理使用，而不是想辦法禁開源。

  • 關鍵指標是「每美元智慧量」而非「每 token 成本」
  • 真正的戰略脆弱性，是限制自己卻依賴中國替代品
  • 政策應從「限制開源」轉向「放鬆國內應用」

💡 為什麼重要：今天最有份量的反方觀點，把中美 AI 競爭從「技術優劣」重新定義為「成本結構」，也戳破「監管開源就能贏」的迷思。

🔗 閱讀原文 | 來源: Stratechery

3. Thinking Machines 發表首個開源模型 Inkling#

Fireship

前 OpenAI CTO Mira Murati 創立、估值達 120 億美元的 Thinking Machines，終於發表首個重量級產品 Inkling：9750 億參數的 MoE 開源模型，每個 token 僅啟動約 410 億參數，用 45 兆 token 文字/圖片/音訊訓練，支援百萬 token 上下文，採 Apache 授權開源在 Hugging Face。有趣的是它跑分只落在中國開源模型的中段班，發表隔天又被 Moonshot 的 2.8 兆參數 Kimi K3 蓋過。Fireship 認為「刻意做出一個平庸但完全開放的模型」本身就是策略重點。

  • 9750 億參數 MoE、每 token 啟動約 410 億、百萬 token 上下文、Apache 開源
  • 跑分被 Fable 5、GPT-5.6 與中國開源模型壓過，隔天再被 Kimi K3 搶話題
  • 團隊由 Mira Murati 帶前 OpenAI 研究 VP 出走組成，去年已推 fine-tuning API「Tinker」

💡 為什麼重要：連頂尖出走團隊都選擇開源路線，等於為「開放權重才是長期競爭力」再投一票，呼應今天的開源主軸。

🔗 觀看影片 | 來源: YouTube · Fireship

4. Fireworks CEO：token 成本三年降 10 倍、用量增 100 倍#

20VC

Fireworks AI（上週以 170 億美元估值募得 15 億美元、200 人團隊做到 10 億美元 ARR）創辦人 Lin Qiao——前 Meta / PyTorch 創始團隊成員——在 20VC 專訪中預言：token 高價只是供應鏈短缺造成的暫時現象，自由市場終將壓低成本，未來三年會降 10 倍、帶動用量暴增 100 倍。她明確表態不做應用層、反對智慧能力被單一公司壟斷，並形容去年是「coding 之年」，今年是「協作之年」。

  • token 成本三年降 10 倍、用量增 100 倍，成本下降反而刺激用量正向循環
  • 200 人做到 10 億美元 ARR，目標年底衝 20 億
  • 反對智慧壟斷，把 AI 當水電般的公用事業

💡 為什麼重要：如果 token 成本真的崩跌，商業模式的重心會從「省 API 錢」轉向「用得夠不夠多、接得夠不夠深」，直接影響 AI 產品的定價與架構。

🔗 觀看影片 | 來源: YouTube · 20VC

5. OpenAI is scared of open-weight models. Should the US be?#

TechCrunch 起底 OpenAI 前員工 Dean W. Ball 曾主張美國應施壓開源模型、聲稱其「必然阻礙前沿廠商資本支出」，後因 Yann LeCun 等人反對而撤回。文章點明開源模型對專有廠商的經濟威脅很直接：更便宜的計算智力會壓縮利潤。專家建議政策應聚焦晶片出口管制（如禁售 Nvidia H200 給中國）而非模型禁令。

  • 專有廠商的利潤來自「算力稀缺溢價」，非技術壟斷
  • 川普政府曾考慮禁 Kimi K3，商務部未即行動
  • 晶片與資料管制比模型禁令更直接有效

💡 為什麼重要：這篇揭露專有廠商已把開源當實質威脅，並試圖動用政策工具——但業界內部本身就分裂，反映監管與市場力量的根本張力。

🔗 閱讀原文 | 來源: TechCrunch

6. Google 自研 AI 晶片 Frozen v2，效率拉高 6-10 倍#

Google 正開發代號「Frozen v2」的內部伺服器晶片，預計 2028 年推出，目標把每瓦 token 生成效率提升 6-10 倍，大幅降低 Gemini 運算需求。此舉回應投資者對 1,800-1,900 億美元基礎設施投資回報率的疑慮，也與 OpenAI 的 Jalapeño 晶片、Anthropic 與三星洽談晶片，形成同步的「自製晶片、減少 Nvidia 依賴」潮流。

  • Frozen v2 每瓦效率目標提升 6-10 倍，2028 年推出
  • 回應 1,800-1,900 億美元基建投資的 ROI 疑慮
  • 反映 AI 產業從「拚模型能力」轉向「拚能源效率與成本」

💡 為什麼重要：巨頭全棧自研晶片，是「智慧將走向邊際成本定價」這個賭注的硬體證據；Nvidia 的長期壟斷地位開始被系統性挑戰。

🔗 閱讀原文 | 來源: TechCrunch

7. PostHog：2030 年的軟體，代理人才是主要使用者#

PostHog 提出對「2030 年軟體樣貌」最清晰的藍圖：AI 代理人將成為軟體的主要使用者，企業必須從「人類優先」根本轉向「代理人優先」。功能要透過完整 API、MCP server、工具集與權限系統作為主要介面——只要有一個人工卡點，代理人就得回頭求助人類，自動化就破功。人類角色演進為「判斷決策」與「理解信任」，UI 從操作中心轉向審批與驗證。

  • 三層架構——代理人執行層、人類決策層、信任驗證層
  • 缺失的能力＝失敗模式，端對端跑不完就得找人
  • 上下文工程（訓練資料、代碼、產品技能）成為新競爭力

💡 為什麼重要：這給 SaaS 創業者一個戰略級提醒——在舊 UI 上貼個聊天框不叫 AI 產品，真正的自動化要重新架構整條工作流。

🔗 閱讀原文 | 來源: PostHog

8. Natural 融資 3000 萬美元，做 AI 代理人的支付層挑戰 Stripe#

自主 AI 代理人需要專為它設計的支付基礎設施，而非人工授權的傳統金融軌道。Natural 融資 3000 萬美元（總募資 4000 萬）打造「代理人編排層」，讓 AI 能獨立移動與儲存資金，支持傳統銀行支付與美元穩定幣雙軌，並重新設計爭議交易處理。團隊吸引了 Stripe、Ramp、Square 的資深工程師，正面挑戰 Stripe。

  • 代理人經濟需要全新金融基礎設施，而非舊系統加 API
  • 雙軌制（銀行支付＋穩定幣）＋重構爭議交易架構
  • CEO 稱自主交易可能讓支付量成長到現在的 100-1000 倍

💡 為什麼重要：這是「智慧商品化後，價值搬到部署與基礎設施」的具體案例——若你在做 AI 代理人工作流，支付若需人工干預，代理人的價值就大打折扣。

🔗 閱讀原文 | 來源: TechCrunch

9. 我們用 AI 量測了 arXiv 的寫作，發現三分之一含 AI 成分#

一份研究分析了 12,750 篇 arXiv 論文（2023/01–2026/07），用校準於「ChatGPT 之前」學術寫作的檢測器評估。結果：全域 AI 寫作比例約 32%、2026 年初曾逼近 39%，但領域差異巨大——計算機科學 65%、數學僅 0.7%。檢測器在 0.4% 假陽性率下能還原 85% 的 AI 學術文本，同時清除 99.6% 的真實 pre-LLM 文本，信度穩健。

  • 全域約 32% 含 AI 寫作，CS 高達 65%、數學僅 0.7%
  • 金融 47%、電機 51%、定量生物 56%，應用領域採用率遠高於理論
  • 符號密集的數學抗性最強，反映 AI 對符號推理仍較弱

💡 為什麼重要：AI 內容正快速滲透科學發表管道，對同儕評審與「訓練資料被 AI 文本污染的回饋迴圈」都是警訊。

🔗 閱讀原文 | 來源: Hacker News

推薦閱讀#

中文技術圈#

開源精選 — GitHub Trending#

  • Fei-Away/Codex-Dream-Skin — JavaScript | ⭐ 11.1K 給 Codex 的自訂主題外觀 skin。
  • tandpfun/wardrobe — JavaScript | ⭐ 1.2K 用 gpt-image 把你的衣服提取並整理成數位衣櫃。
  • hoainho/img2threejs — Python | ⭐ 974 把參考圖重建成純程式碼、程序化、可動畫的 Three.js 模型。
  • pablostanley/yoinks — TypeScript | ⭐ 860 從終端機下載任何影片，沒有惱人廣告。
  • lopopolo/harness-engineering — Python | ⭐ 725 Agent harness 工程的選集、實戰指南與 context bundle。
  • Blueturboguy07/cue — JavaScript | ⭐ 658 開源 macOS AI 副駕，浮在螢幕上看/聽你的會議、對螢幕分享隱形。
  • v-modal/vmodal_sdk_flutter — Dart | ⭐ 621 Flutter 的多模態 AI「隨處搜尋任何東西」SDK。

影音精選#

FDE：年薪百萬美元的 AI 新職缺解析#

6.2K views · 4h · Greg Isenberg

Greg Isenberg

訪談 Varick Agents 創辦人 Vas 解析「前線部署工程師（FDE）」這個高薪新職位：當前沿模型能力被商品化，真正的優勢轉移到「部署」層面。FDE 概念源自 Palantir，工程師需長駐客戶現場、客製 ontology，結合顧問溝通力與工程實作。

  • 智慧已商品化，優勢轉移到「何處、如何、為何」部署 AI 的判斷力
  • FDE 源自 Palantir：駐點客戶現場、客製 ontology，本質是「軟體時代的顧問」
  • 30 天養成計畫：建 agent → 強化例外處理 → 量化指標 → 學會為成果辯護

Tmux + Sonnet 5 省下 35% token 用量的技巧#

AI Jason

AI Jason

用大模型當「規劃者／顧問」、用便宜約 20% 的 Sonnet 5 當「執行者」是官方推薦架構。Devin 的新 harness「Fusion」實測發現「大模型主導＋小模型 worker」比「小模型主導＋大模型顧問」省 35% 成本，關鍵是讓子 agent 變成持久 session。

  • Sonnet 5 成本僅 20% 但效能逼近前代最強 Opus 4.8
  • Devin Fusion：大模型主導＋小模型 worker 省 35% 成本
  • 關鍵改良 sidekick：子 agent 維持持久 session、可用快取 token

我們 vibe coding 出內部 CRM，直接砍掉 Salesforce#

20VC

20VC

來賓分享團隊花兩個月用 vibe coding 打造內部 CRM，功能與流程整合度都優於 Salesforce，還能直接在系統內跑內部 agent，最終取消合約每年省下 60 萬美元。承認維護是最大挑戰，但對有規模的企業仍值得。

  • 2 個月 vibe coding 出內部 CRM，取代 Salesforce，年省 60 萬美元
  • 新系統可直接整合內部 agent 運作
  • 最大挑戰是後續維護成本

今日觀察#

把今天的頭條連起來看，會發現一個安靜的權力轉移：〈China’s open-weights AI strategy is winning〉說模型沒有護城河、八成新創已用中國開源，Ben Thompson 接著把戰場從「誰比較聰明」改寫成「每一塊錢買到多少智慧」，而 Fireworks 的 Lin Qiao 乾脆預言 token 三年降 10 倍——三篇文章其實在描述同一條下墜曲線：智慧本身正在快速貶值。有趣的是，就在智慧變便宜的同一天，PostHog 認真討論「2030 年代理人才是軟體的主要使用者」、Natural 融資 3000 萬美元只為了幫代理人付錢、年薪百萬的 FDE 職缺專門做「把 AI 接進客戶現場」——這些全都在說：價值沒有消失，它只是從「模型有多強」搬到了「你怎麼把它接進真實世界、拿到權限、讓人放心點頭」。對每天在寫程式的人來說，這其實是個好消息也是個提醒——當最聰明的那部分變成人人買得到的日用品，你的不可取代性，會愈來愈取決於你對真實流程與信任邊界的理解，而不是你會不會 call 那個最新的 API。

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