EP153 — 全都撞到了上限

每天花 1% 的時間，掌握科技脈動。

今日金句#

“SwiftUI is not truly bad. It’s mediocre. And that, in my opinion, is much, much worse.” 「SwiftUI 並不是真的爛。它是平庸。而在我看來，那糟糕太多了。」 — Yakov Manshin, iOS/macOS 開發者 · 來源

“For the first time I can remember, I’m not choosing my daily driver models on raw intelligence. I’m choosing them on speed.” 「我印象所及第一次，我挑每天在用的模型不是看它多聰明，是看它多快。」 — Martin Alderson, catchmetrics.io 共同創辦人 · 來源

“I fear the software industry is taking on a large amount of cognitive debt that we’ll have to pay back very soon.” 「我擔心軟體業正在借一大筆認知負債，而且很快就要還。」 — Ankur Sethi, 獨立開發者 · 來源

今日主軸：那條一直往上的線，今天全部頂到天花板#

過去半年科技新聞的預設語法是「又更多了」：更多參數、更多 agent、更多自動生成的程式碼。今天的新聞卻不約而同在講同一件事的反面 —— 那些我們以為可以一直加下去的東西，其實都有上限，而且比想像中低。NTT Research 與哈佛 CBS 的研究直接把數字算出來：多代理系統的最佳 agent 數是 16 個，超過就開始分裂成互相對抗的小圈子。Uber 在 92% 工程師都用 AI、AI 成本兩年漲六倍之後，把每個開發者的月額度壓在 1,500 美元。Martin Alderson 說模型智商已經到了「夠用就好」的平原，他現在改用速度挑模型。連 Anthropic 的 Project Glasswing 也是同一個形狀：AI 找漏洞的速度，已經超過微軟修漏洞的速度，微軟七月的 Patch Tuesday 一口氣補了六百多個。真正稀缺的資源換人了 —— 不再是能力，是消化能力的頻寬。

必讀#

Karpathy：Opus 5 花兩小時、5500 行程式碼把《魔戒》開頭渲染成 three.js — Hacker News AI
Anthropic 的 AI 抓漏洞快過微軟修補，Project Glasswing 揭「修補危機」 — 科技新報 AI
研究：企業導入 AI 代理人有黃金上限，最佳數量是 16 個 — 科技新報 AI
92% 工程師都在用 AI 後，Uber 開始給 AI「限額」 — InfoQ AI
SwiftUI 七年了：一個關於平庸的故事 — Hacker News Dev
我現在挑模型看速度，不看智商 — Lobste.rs AI
Kakehashi：讓 macOS 執行檔直接跑在 Linux ARM 上 — Hacker News Dev
工程師戀舊工具，其實是在戀信任感 — Hacker News Dev
退訂 Cursor：一個十年老用戶的離開理由 — Hacker News Tools
手打一遍 LLM 生成的程式碼，避免認知負債 — Lobste.rs AI
歐盟 AI 法案模型條款今日生效，布魯塞爾成全球最強監管者 — Euronews News
Remix 3.0 徹底重寫：放棄 React 執行期，改抱 Web 標準 — InfoQ Dev
oh-my-openagent：把任務路由到最適合的模型，67K stars — GitHub Tools
Sam Altman 與 AI 的「減速」辯論 — TechCrunch AI
63% 員工坦承誇大 AI 能力，職場「假裝很懂」成生存法則 — 科技新報 AI

1. Karpathy：Opus 5 花兩小時、5500 行程式碼把《魔戒》開頭渲染成 three.js #

Andrej Karpathy 說，用「畫一隻騎腳踏車的鵜鶘 SVG」測試 LLM 的時代正在過去。他改丟給 Opus 5 一段《魔戒》的開頭段落、一百萬 token 的預算（約 10 美元），要它做出 three.js 的場景。Opus 跑了大約兩小時，寫出 5500 行程式碼，用程序化的方式把那段故事渲染了出來。他形容成品有點粗糙但很好玩，真正讓他驚訝的是模型得自己決定各種多邊形資產在 (x, y, z) 的位置、還要寫出讓它們動起來的程式。

測試 LLM 的方式正在從「單張圖」升級成「給預算、給時間，看它能長出多大的東西」
這類任務的特點是沒有人會真的花時間手工做，但模型有無限的耐性，成本被壓到接近免費
Karpathy 想像的方向是「隨選的、用完即丟的超客製世界」，例如讓玩家以旁觀 NPC 的身分走進《魔戒》的故事

💡 為什麼重要：這是能力評測的一次換檔。當單次輸出的品質差距縮小，比較有意義的問題變成「給它一大筆預算和兩小時，它能不能自己撐完一個複雜專案」。這也正是 agent 產品真正的戰場。

🔗 閱讀原文 | 來源: Hacker News

2. Anthropic 的 AI 抓漏洞快過微軟修補，Project Glasswing 揭「修補危機」#

Project Glasswing 是 Anthropic 四月公開的資安專案，開放未公開的 Claude Mythos Preview 給約五十個合作夥伴，目標是趕在攻擊者之前找出關鍵軟體的漏洞。成果驚人也麻煩：合作夥伴總共找出超過一萬個高危或嚴重等級漏洞，其中光 SharePoint 一個產品在四月就有 90 個「嚴重」與 141 個「重要」，Cloudflare 在關鍵路徑找出兩千個、400 個屬高危以上。ProPublica 取得的微軟內部會議錄音顯示，模型找漏洞的速度已經超過公司修補的速度。

微軟七月 14 日的 Patch Tuesday 一次推出逾 600 項修補，刷新紀錄（六月是逾 200 項）
前 NSA 首席 AI 長、現任 Anthropic 資深技術顧問 Vinh Nguyen 警告，Mythos 能把四個低危漏洞串成一條攻擊鏈，威力等同一個高危，現行分流策略會低估風險
五眼聯盟六月底罕見發表聯合聲明，警告 AI 足以發動大規模網路攻擊的時代可能在數月內、而非數年後降臨

💡 為什麼重要：防守方拿到強力工具，結果第一個被壓垮的是防守方自己。這說明資安的瓶頸早就不在「找不找得到」，而在修補流程的吞吐量，以及那套在 AI 還不會串連漏洞的年代訂下的嚴重性分級。

🔗 閱讀原文 | 來源: 科技新報

3. 研究：企業導入 AI 代理人有黃金上限，最佳數量是 16 個 #

NTT Research 的 Physics of Artificial Intelligence 實驗室與哈佛大學腦科學中心的團隊，設計了一個叫「Flag Game」的測試：每個代理人只看得到國旗的一小塊，必須靠彼此交流、廣播猜測、接受回饋，逐步拼出整面國旗。他們發現最佳代理人數是 16 個 —— 少於這個數字，系統蒐集到的證據不足以形成共識；超過這個數字，代理人容易分化成互相強化立場的小團體，最後變成對立陣營。

研究由哈佛 CBS 資深資料科學家 Elizabeth Pavlova 與 NTT PAI Lab 負責人 Hidenori Tanaka 共同提出，論文預計在 ICML 2026 的 AI4GOOD 工作坊發表
分散式多代理系統本來就需要共識機制，但代理人變多時，內部小團體會讓協作比獨立作業更難
結論是策略重點不在堆數量，而在代理人的品質與協作方式

💡 為什麼重要：多 agent 架構這一年被當成理所當然的擴充方向，這份研究第一次給了一個具體的數字上限，而且原因不是算力或成本，是溝通本身。要擴充之前，先想清楚它們怎麼達成共識。

🔗 閱讀原文 | 來源: 科技新報

4. 92% 工程師都在用 AI 後，Uber 開始給 AI「限額」#

Uber 公布內部 AI 使用數據：92% 的工程師每個月都會用 agent，新程式碼有 31% 由 AI 撰寫，自動生成單元測試的 Autocover 每月產出超過 5,000 個測試。但另一份帳單同樣驚人 —— AI 相關成本自 2024 年以來成長六倍，到 2026 年初，單一開發者的月成本已達 2,000 美元。Uber 因此推行「零增長技術棧」，把每位開發者的 AI 月額度限制在 1,500 美元。

衡量指標從「使用率」換成「淨程式碼品質比」，比較 AI 寫的程式碼與人寫的上線後熱修頻率
架構上是 Michelangelo 平台層 + MCP Gateway 上下文注入 + Minion/Shepherd agent + uReview 審查層
基礎設施端也在省，GOGCTunner 自動調整垃圾回收參數，已在 30 個關鍵服務回收 7 萬個 CPU 核心

💡 為什麼重要：這是大規模導入 AI 的公司第一次公開把成本治理擺到採用率前面。採用率逼近 100% 之後，能拿來比較的就只剩「這些程式碼上線後多常出事」，那才是真正的投報率。

🔗 閱讀原文 | 來源: InfoQ

5. SwiftUI 七年了：一個關於平庸的故事 #

iOS/macOS 開發者 Yakov Manshin 用一篇長文盤點 SwiftUI 從 2019 年發表到現在的七年。他的結論是 SwiftUI 至今仍像永久的 beta：版面一致性與效能的老問題沒解決，資料流在 @State、@Binding、ObservedObject、@Observable 之間反覆換代，向下相容性差到開發者得靠一堆 shim 維生。他舉的例子很傷 —— 蘋果自家官方 SwiftUI 教學 Landmarks 的示範專案，下載下來在 Mac 上跑就是壞的。

他認為 SwiftUI 存在的理由不是蘋果想給好工具，而是被 React Native 與 Flutter 逼出來的防守動作，同時想救 Mac App Store
除錯得靠沒有文件的 Self._printChanges() 這類手段，才知道畫面為什麼重繪
他把這件事拉高到蘋果的文化轉變：從 Cocoa、Aqua、Auto Layout 那種不妥協的工藝，滑向「差不多能動就好」

💡 為什麼重要：對做行動開發的人這是一面鏡子 —— 官方框架的成熟度，直接決定你要花多少時間幫平台做 QA。這也解釋了為什麼跨平台方案的討論在 2026 年還沒結束。

🔗 閱讀原文 | 來源: Hacker News

6. 我現在挑模型看速度，不看智商 #

Martin Alderson 認為模型智商已經進入平原期：大約 Opus 4.6 那個級別，對寫程式、整理研究、做簡報、跑分析這些日常任務已經「夠聰明了」。所以他改用速度當第一篩選條件。他給了很具體的手感刻度：50 tok/s 明顯慢，100 到 200 tok/s 最舒服，超過 200 就快到比他略讀還快，反而沒有意義。

速度的邊際效益衰減得很快 —— 以一個 agent 回合為例，50 tok/s 時總共 65 秒（推論 40 + 工具 15 + 人審 10），拉到 250 tok/s 只降到 33 秒，模型快五倍、整體只快兩倍
瓶頸因此轉移到工具呼叫與人的審閱，這是 Amdahl 定律的教科書案例
開放權重模型（GLM-5.2、DeepSeek V4 Flash）把價格戰打進來，他預期 2027 年新一代 GPU 會把 500+ tok/s 變成常態

💡 為什麼重要：如果智商真的到了平原，那前沿模型的投資報酬會開始遞減，競爭軸線轉向速度與成本 —— 那是開放權重模型比較有機會的戰場。對使用者來說，今天就可以重挑一次每天在用的模型。

🔗 閱讀原文 | 來源: Lobste.rs

7. Kakehashi：讓 macOS 執行檔直接跑在 Linux ARM 上 #

Kakehashi 是一個用 Rust 寫的實驗性使用者空間層，讓 macOS ARM64 的 Mach-O 執行檔直接在 Linux aarch64 上原生執行 —— CPU 真的在跑那些指令，不是模擬。它實作了 BSD 系統呼叫的轉譯層與 freestanding 版的 libSystem.B.dylib，已經跑得動 7-Zip、支援 HTTPS 的 curl、clang 這些真實的 Darwin CLI 工具。

效能主要損耗在系統呼叫邊界。8,000 個檔案、240 MiB 的多執行緒壓縮測試約 118 秒，原生 Linux 是 22.5 秒，約 5.2 倍
帳算得過來的原因是價差 —— Linux ARM64 每分鐘約 0.005 美元，macOS runner 約 0.062 美元，差 12 倍，慢 5 倍仍然比較便宜
Apache 2.0 授權，不需要任何蘋果專有 SDK；需要 Rust 1.88+ 與 4KiB page size

💡 為什麼重要：CI 帳單裡最貴的一格通常就是 macOS runner。這個專案給了一條把部分 Darwin 工具鏈搬到便宜機器上的路，即使還在實驗階段，方向本身就值得盯。

🔗 閱讀原文 | 來源: Hacker News

8. 工程師戀舊工具，其實是在戀信任感 #

Stack Overflow 官方部落格解釋一個矛盾的數據：AI 工具的使用率從 76% 升到 84%，信任度卻從 40% 掉到 29%。文章的論點是，工具承載的其實是流程與可預測性 —— 你信任一把工具，是因為你知道它什麼時候會壞、怎麼壞。AI 工具變化太快又不可預測，所以信任建立不起來。

真正的瓶頸已經從「寫程式碼」移到「驗證程式碼」，生成快了十倍，審閱還是人的速度
AI 沒有製造新問題，是把原本被手寫速度掩蓋掉的破爛流程照出來 —— 為人工審查設計的 CI/CD，撐不住 agent 產出的 PR 量
建立信任的具體做法：明確的人類當責、把 prompt 與推理過程放進 PR、寫清楚的規格檔、把成功的模式沉澱下來重複使用

💡 為什麼重要：這篇把「要不要信 AI」轉譯成「你的流程能不能承受這個速度」，是個可以直接拿去改團隊規範的框架，而不是又一次的立場表態。

🔗 閱讀原文 | 來源: Hacker News

9. 退訂 Cursor：一個十年老用戶的離開理由 #

Jitbit 創辦人 Alex Yumashev 寫下他退訂 Cursor 的完整理由，而且開頭先承認 Cursor 曾經是先驅 —— inline diff、理解整個 codebase 的對話、tab 補全，這些現在人人都有的東西是他們先做出來的。問題出在維護：Cursor 的 VSCode 基底落後上游七到八個月，導致擴充套件相容性連環爆；每次更新後 agent 視窗都會自己跑回來；設定的位置與名稱每個版本都在搬家。

他認為根因是策略轉向 —— Cursor 正在從「程式編輯器」變成「企業級 agent 平台」，編輯器本身不再是重點
設定面板一個「五秒鐘就能修好的 CSS 問題」拖了四個月沒修，論壇提問沒人回、support 只回 AI 生成的罐頭答案
他的替代方案是回到 VSCode，直接在裡面用 Claude Code 或 Codex

💡 為什麼重要：AI 編輯器的差異化正在消失，留下來的競爭條件回到最基本的那些：更新頻率、相容性、有沒有人回你的 bug。這是所有工具最後都要面對的考題。

🔗 閱讀原文 | 來源: Hacker News

10. 手打一遍 LLM 生成的程式碼，避免認知負債 #

獨立開發者 Ankur Sethi 的工作流很反直覺：他讓 LLM 在對話裡生成程式碼，然後不複製貼上，一行一行自己打進專案。理由是打字的過程會強迫他理解每一行在做什麼，順手抓出幻覺與爛設計，也讓他對整個 codebase 建立空間感 —— 知道每樣東西放在哪，之後下指令給 agent 時反而更準。

他自己的估算是這樣比完全不用 LLM 快大約一倍，但明顯慢於直接接受 AI 的 diff
這其實是老派的學習法：資深工程師以前也會建議把書上的範例親手抄一遍
他明講取捨 ——「我重視理解勝過生產力」，並且打算一直這樣做下去

💡 為什麼重要：「認知負債」這個詞很好用：它把「現在省下的時間」和「以後沒人看得懂這段程式碼」放進同一個帳本。在團隊裡至少值得討論一次：哪些程式碼可以直接接受，哪些一定要有人真的讀懂。

🔗 閱讀原文 | 來源: Lobste.rs

11. 歐盟 AI 法案模型條款今日生效，布魯塞爾成全球最強監管者 #

歐盟 AI 法案中關於 AI 模型的規範正式具備法律效力，讓布魯塞爾成為全球第一個對生成式 AI 模型執行法律問責的主要司法管轄區。這改變了企業部署、測試與文件化 AI 系統的方式，也在美國尚未有聯邦層級規範之前，先立下了合規基準線。

報導由 Euronews 的 Luca Bertuzzi 撰寫，說明條款生效後的立即影響與開發者的合規義務
這是繼 GDPR 之後歐盟又一次的「布魯塞爾效應」—— 退出歐盟市場的代價通常高於合規成本
實務上會先反映在訓練資料的文件化與 model card 的揭露要求

💡 為什麼重要：一旦歐盟的要求變成事實上的全球最低標準，那些「先做再說、文件之後補」的團隊會最先撞牆。現在是回頭補訓練資料來源紀錄的時候。

🔗 閱讀原文 | 來源: Euronews

12. Remix 3.0 徹底重寫：放棄 React 執行期，改抱 Web 標準 #

Remix 3.0 beta 是一次從底層重來的改版，把專案從 React 生態遷移到 Web 平台的原生能力上，放棄 React 執行期、改用 Preact 的分支版本。架構也從函數式轉向命令式：狀態變成普通變數，用 this.update() 表示變化，並引入帶 src 的伺服器渲染片段 Frames 來做伺服器驅動的 UI。

路由建立在 Fetch API 上、控制器直接回傳 Web Response、事件系統統一成 on 屬性、非同步任務用 AbortController
Frames 的概念接近 HTMX 的片段更新，把「執行期而非打包器」當成事實來源
現有 Remix 2 應用的官方路線是遷移到 React Router v7，不是升級到 Remix 3 —— 那需要整包重寫

💡 為什麼重要：一個主流框架公開放棄 React 執行期，是這一年前端「抽象層太厚」反省的最強訊號。但對已經在用 Remix 2 的團隊，這代表要重新規劃路線，而不是升個版本就好。

🔗 閱讀原文 | 來源: InfoQ

13. oh-my-openagent：把任務路由到最適合的模型，67K stars #

oh-my-openagent 是給 OpenCode、Codex 等 agent 環境用的多模型調度框架，累積 67,051 顆星。它的做法是用 11 個各有分工的 agent 做路由：Sisyphus 當總指揮、Hephaestus 負責深度工作、Prometheus 做策略規劃，各自綁不同的模型，再由旗艦指令 ultrawork 一鍵啟動整套協作。

最有說服力的數據是它的 hash-anchored edit —— 用內容雜湊錨定要改的行，在 Grok Code Fast 1 上把成功率從 6.7% 拉到 68.3%，只是換了編輯工具
Team Mode 支援 5 個以上 agent 並行，配 tmux 即時視覺化；技能包括 hyperplan（5 個敵意評審）
內建 Exa 搜尋、Context7 文件、Grep.app 程式碼搜尋等 MCP，用完即收，避免上下文膨脹

💡 為什麼重要：hash-anchored edit 那個十倍差距值得單獨記住 —— 很多所謂的「模型不夠強」，實際上是編輯工具讓它一直改錯行。這是今天就能驗證的假設。

🔗 閱讀原文 | 來源: GitHub

14. Sam Altman 與 AI 的「減速」辯論 #

TechCrunch 的 Equity podcast 討論 Sam Altman 公開呼籲業界「調節 AI 發展速度」這件事，以及這個立場內部的矛盾。節目把兩種解讀都攤開來看：一種是真的出於安全考量，另一種是趕在監管落地之前的策略卡位 —— 而這兩種情境對市場與政策都有不同的後果。

節目的觀察角度是「公開主張減速」與「資本部署持續加速」之間的落差
這個落差通常比任何一方的公開說法更能反映真正的優先順序
文章發表於 8 月 2 日，約 1,179 字

💡 為什麼重要：判斷這類表態的方法很簡單：不看他們說什麼，看資本流向哪裡。當「該不該慢下來」成為公開辯論，通常代表監管已經近到必須先卡好位置。

🔗 閱讀原文 | 來源: TechCrunch

15. 63% 員工坦承誇大 AI 能力，職場「假裝很懂」成生存法則 #

GCheck 針對 1,500 名美國全職員工的調查顯示，63% 承認曾誇大自己的 AI 能力，Z 世代在履歷灌水的比例高達 80%，但真正達到專業水準的只有 34%。職場出現一整套「AI 演戲文化」：40% 開會時不懂裝懂、25% 偷偷用 AI 卻聲稱是自己做的、16% 對主管謊稱擁有不具備的技能。

造假的動機很現實 —— 76% 抱著「先騙到手再學」的心態，70% 認為「同行都在誇大」
企業端的驗證幾乎不存在：48% 確信雇主無法驗證這些技能，64% 表示雇主從未查證過
矛盾的是同一批人裡有 81% 承認做過反向抵制 —— 刻意堅持手工作業、誇大 AI 風險、否定 AI 效果

💡 為什麼重要：同時誇大能力又暗中抵制，這兩件事出自同一種恐懼。對主管來說，可行的解法不是加強懷疑，而是把驗證方式講清楚 —— 調查裡有 29% 表示，若事先知道哪些技能會被驗證，他們會誠實得多。

🔗 閱讀原文 | 來源: 科技新報

社群熱門#

微軟免費 AI 入門課：12 週 24 堂課 — 微軟這套系統化的免費 AI 教材今天衝上 GitHub 熱門榜第一。
AI 逆向工程技能路由包 — 給 Claude Code、Cursor 等 AI coding 客戶端用的逆向工程技能包，主打自動路由加按需自舉工具鏈。
AirLLM：4GB 顯卡跑 700 億參數模型 — 讓一張只有 4GB 記憶體的家用顯卡也能跑 700 億參數的大模型。
build-your-own-x：自己動手做一個 X — 從零自製資料庫、Docker、Redis 的經典教學清單，今天再度翻紅。
Agent-Reach：讓 AI agent 看遍全網 — 讓 agent 直接讀取並搜尋 Twitter、Reddit、YouTube、GitHub 內容，一個 CLI、零 API 費用。
騰訊雲 AI Agent 團隊記憶中樞 — 把對話、文件、程式碼轉成四種可共用的記憶資產，鎖定多 agent 協作場景。
微軟免費生成式 AI 課程：21 堂課 — 微軟另一套教材同步在熱門榜升溫。
Kaneo：極簡開源專案管理工具 — 主打「只給你需要的，不給你不要的」。
openwork：Claude Cowork 的開源替代品 — 由 opencode 驅動，主打多 agent 協作辦公。

中文技術圈#

除了 API 直連，有沒有更便宜也保品質的辦法可以用 DeepSeek-V4-Flash？ — 新模型剛開放權重，社群立刻在比較各家代理與自架的成本與品質差異。
似乎開源專案作者不知道／不想利用 AI 來加速自己的開發？ — 一則對開源社群 AI 採用態度的觀察，引出維護者為何刻意保持手工的討論。
一個 Flutter 獨立開發者，用 AI 做了一款跑步音樂 App — 個人開發者分享用 AI 輔助完成一款 Flutter App 的完整過程。
GitHub AI Agent 翻車：攻擊者只寫一句話就能竊取資料 — 不需要任何駭客技術，單靠一段提示注入就能讓 agent 外洩資料。
Node.js 揭露與修補 11 個漏洞，含 3 個高風險 — Node.js 發布安全更新，建議儘早升級。
詩經山河圖：我用 AI 做了一張《詩經》地圖 — AI 應用在文史領域的一個漂亮案例。
Amazon Q2 營收成長 20%，AWS 創 18 季最快增速達 37% — 雲端需求受 AI 帶動，AWS 成長創下近四年半新高。
蘋果 Q3 營收成長 16% 創同期新高，供應限制拖累下季展望 — 財報亮眼，但供應鏈限制影響下一季指引。

開源精選#

trycompai/crm — TypeScript | ⭐ 1.8K 開源、agent 優先的 CRM。

sqliteai/waste — C | ⭐ 1.0K 從 NVMe 串流權重，讓 2.78 兆參數的 Kimi K3 跑在超過記憶體上限的機器上，零依賴的 C 推論引擎。

xikhar/persona — JavaScript | ⭐ 792 即時語音互動框架。

microsoft/skill-recorder — TypeScript | ⭐ 754 錄下你的螢幕操作，用 Copilot CLI 反推成意圖與步驟，再產出可重用的 Skill。

talivia-group/talivia — TypeScript | ⭐ 649 自架、以營收為核心的分析工具，含 session replay 與營收歸因。

DannyMac180/sol-advisor — Shell | ⭐ 629 Codex 原生的架構調度，強制加入獨立的 review 關卡。

gavamedia/deltafin — Python | ⭐ 618 在單機跑完整 Kimi K3，附 OpenAI 相容的 API server。

0xwilliamortiz/ponytail-improved — JavaScript | ⭐ 580 讓你的 AI agent 像全場最懶的資深工程師那樣想事情：最好的程式碼是你沒寫的那些。

0xwilliamortiz/humanizer-cli — JavaScript | ⭐ 541 33 種辨識 AI 生成文字的方法，直接在終端機跑，零依賴。

ddoemonn/interior — TypeScript | ⭐ 422 React 微互動套件，專做點擊後那半秒。

影音精選#

1000+ AI 從業者連署：呼籲放慢前沿 AI 開發速度 #

1d 22h · Theo (t3.gg)

OpenAI、Anthropic、DeepMind、Meta 等前沿實驗室超過一千名員工連署發表「Pacing the Frontier」聲明，要求美國政府建立機制、刻意放慢自動化 AI 研發的腳步。Theo 在影片裡拆解這波罕見的同業共識，以及背後可能的策略考量。

連署者橫跨主要前沿實驗室，Anthropic 執行長 Dario Amodei 親自列名，OpenAI 與 Anthropic 官方帳號也公開表態支持
Theo 質疑這是否也是既有龍頭藉此拉高門檻、阻擋開源與後進者追趕的手段
值得注意的是訴求對象是政府，理由是任何一家公司單方面放慢都會在競爭中吃虧

Simile 執行長談情人節模擬起家路：半年募資 3 億、估值 20 億美元 #

1d 17h · 20VC

Simile 創辦人 Joon Sung Park 打造的是能模擬人類行為的基礎模型，讓企業在決策前先測試真實人群會怎麼想、怎麼決定。訪談從 2023 年一場情人節模擬的起源故事講起，一路談到技術路線與募資歷程。

上週完成由 Greenoaks、Index Ventures 領投的 2 億美元 B 輪，累計募資 3 億、估值 20 億美元
技術路線圍繞 agent 的記憶、規劃與反思能力演進
核心論點是「行為資料勝過問卷資料」（Say vs Do），主持人也直球質疑它是不是花俏版的 Qualtrics

模擬人類行為的公司：單場模擬未來恐值 1 億美元 #

1d 17h · 20VC

同一場訪談的短片節錄，Joon Sung Park 談他對模擬技術終極商業想像，以及為何資料策略才是這一代 AI 公司真正的護城河。

他預期兩到三年內會出現企業願意付 1 億美元購買單一場人類行為模擬
核心主張：這一代 AI 公司必須有獨特且可防禦的資料取得策略

頂尖人才的真正特徵：擁有兩種互相矛盾的超能力 #

16h · 20VC

Joon Sung Park 分享他判斷頂尖人才的心法，對正在組建技術或研究團隊的創辦人相當有參考價值。

多數專家的能力高度相關，例如程式寫得好又擅長數學，這其實是同一種天賦的延伸
真正稀有的是同時具備兩種理論上互斥、不該共存的超能力
這是他在 Simile 招募研究團隊時的核心判準

今日觀察#

今天最值得放在一起看的，是 Anthropic 的 Project Glasswing 和那份 NTT Research 與哈佛的 16 個 agent 研究 —— 它們從完全相反的方向撞上同一堵牆。Glasswing 是能力端的勝利：AI 在五十個夥伴的產品裡挖出超過一萬個高危漏洞，成功到微軟修不完，七月一次補了六百多個，還被前 NSA 首席 AI 長提醒說現行的嚴重性分級已經跟不上「把四個低危串成一條攻擊鏈」的新玩法。而 Flag Game 那份研究是從結構端說同一件事：超過 16 個 agent，系統不是變慢，是開始分裂成互相對抗的陣營。Uber 的做法則像是這兩者在真實公司裡的結論 —— 在 92% 工程師都用 AI 之後，他們設的不是更高的目標，是每人每月 1,500 美元的上限，並且把衡量指標從「多少人在用」換成「AI 寫的程式碼多常出事」。過去兩年我們習慣把「更多」當成答案，今天這幾件事說的是，系統的瓶頸已經從產生端移到了消化端，而消化端的擴充方式跟產生端完全不一樣。所以下一次覺得卡住的時候，也許值得先問一個不太一樣的問題：真正塞住的，到底是產能，還是我們讀完、審完、修完它的能力？

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

今日金句#

今日主軸：那條一直往上的線，今天全部頂到天花板#

必讀#

推薦閱讀#

社群熱門#

中文技術圈#

開源精選#

影音精選#

今日觀察#