yii.
← Digest
EP157 · 2026年8月7日 星期五 · 15 min read

沒有人在檢查了

一個賣了十年的硬體錢包，亂數產生器五年沒真的啟用過，八千八百萬美金被搬走 — 事發前幾週 AI 才剛掃過那份程式碼，沒抓到；同一天另一份數據說，人類按核准時每三個威脅漏掉一個

每天花 1% 的時間，掌握科技脈動。

今日金句#

“Good enough is a solvent. It dissolves the reason to do better.” 「堪用是一種溶劑，它會把你想做得更好的那個理由溶掉。」 — NotAShelf, Taste Is All That’s Left 作者

“We’ve run AI-assisted review against our critical codebases, including in the weeks before the exploit. It did not catch this vulnerability.” 「我們有拿 AI 掃過關鍵程式碼，包括事發前那幾週。它沒有抓到這個漏洞。」 — Coinkite, COLDCARD 官方事故說明

“The blatantly destructive commands are caught most reliably. The commands that actually exfiltrate your credentials are missed three times as often.” 「一看就會炸的指令，大家攔得最準。真正會把你憑證偷走的那些，漏掉的機率是三倍。」 — Scale X, 四萬場人類核准實驗

今日主軸：沒有人在檢查了#

COLDCARD 的韌體裡有一個判斷寫錯了，讓機器五年來一直在用 MicroPython 的確定性 fallback，而不是 STM32 上那顆真的硬體亂數產生器。八千八百六十萬美金被搬走之後，Coinkite 自己貼出來一段話：他們在事發前幾週就用 AI 掃過關鍵程式碼，沒抓到；出事後再拿 Kimi K3、Claude Fable、Codex 5.6 去掃，也全部沒抓到。同一天 Scale X 公布了四萬場、四十萬次判斷的統計，人類扮演 agent 旁邊按核准的那個人，平均每三個威脅漏掉一個，而漏最多的那一條指令，證據就印在核准按鈕正上方一公分的地方。兩邊湊起來的結論不太好聽：機器的檢查沒有接住，人的檢查也沒有。而 Claude Code 作者 Boris Cherny 這週的建議是往反方向走——每半年把 CLAUDE.md、Skills、Hooks 整個刪掉重來，Opus 5 上線時他們一次砍掉超過八成的系統提示詞。當你寫的規矩比模型過期得還快，多寫一條並不會讓你更安全。

必讀#

  1. COLDCARD 亂數產生器缺陷疑釀 8,860 萬美金比特幣失竊 — BleepingComputer Security
  2. 四萬場實驗：人類替 AI agent 按核准，每三個威脅漏掉一個 — Scale X AI
  3. Claude Code 之父：每半年清空 CLAUDE.md、Skills 和 Hooks — InfoQ 中文 Dev
  4. Taste Is All That’s Left：當製造變便宜，剩下的只有判斷 — 個人部落格 Dev
  5. AMD 收購 Taalas，把模型權重直接蝕刻進矽晶片 — The Register Hardware
  6. Anthropic 成立自研晶片團隊，要為 Claude 設計硬體 — Ars Technica AI
  7. MCP 最大改版：砍掉 session 與握手，回到無狀態 HTTP — InfoQ 中文 Dev
  8. Qwen3.8 Max 登上 Agentic Index 綜合第一 — Artificial Analysis AI
  9. tl;dv 設定疏失，181,874 場會議錄影全裸奔 — bobdahacker Security
  10. Amazon 開源多代理工具 Kiro Crew，內部已 3.9 萬人採用 — iThome Tools
  11. Deno 開源 celld，把 Durable Objects 帶到自有伺服器 — iThome Dev
  12. ChatGPT 免費用戶開放無限文字對話，加上 Think 按鈕 — TechCrunch AI
  13. WeatherNext 開源，氣旋預報多爭取一天預警時間 — DeepMind AI

1. COLDCARD 亂數產生器缺陷疑釀 8,860 萬美金比特幣失竊#

比特幣硬體錢包 COLDCARD 的韌體被發現有 RNG 整合錯誤，讓 ngu.random 一路使用 MicroPython 的確定性 Yasmarang fallback，而不是 STM32 晶片上的硬體亂數產生器。Galaxy Research 追蹤到三波攻擊，總計 1,367 顆比特幣、約 8,860 萬美金從 4,585 個地址被清空。第一波發生在 7 月 30 日，41 分鐘內掃走 1,083 顆 BTC，時間點比 Coinkite 公開揭露漏洞早了約 30 小時。Block 的比特幣工程與資安團隊追出根因後於 7 月 30 日通報 Coinkite。

  • 攻擊特徵：每一筆都用同一組寫死的 30.0 sat/vB 手續費，是當週中位數的 30 到 75 倍，且不留找零輸出，Galaxy 判斷是自動化工具在花它早就持有的私鑰
  • Chainalysis 指出攻擊者優先挑高額錢包下手，前十分鐘就搬走約 3,000 萬美金，單一受害者最高損失 180 萬美金
  • Coinkite 表示這個 bug 住在「兩個不相干子模組的交界」，不在加密或比特幣邏輯裡，而旗標檢查單看語法是正確的，所以一路沒被發現
  • 官方緩解建議：若種子詞是在受影響韌體上產生、且當初沒有加入至少 50 次獨立私下擲骰，也沒有強式 BIP-39 passphrase 保護，應立即更新韌體並重新產生種子、移轉資金

💡 為什麼重要：這不是密碼學被破解，是兩個模組接縫處的整合錯誤，而且它安靜地活了五年、影響隨每次改版擴大。Coinkite 同時公開承認事發前幾週跑過的 AI 輔助審查沒抓到它，事後再測 Kimi K3、Claude Fable、Codex 5.6 也都沒抓到——這是目前少見由廠商自己記錄下來的「AI code review 的能力邊界」實例。

🔗 閱讀原文 | 來源: BleepingComputer

2. 四萬場實驗：人類替 AI agent 按核准，每三個威脅漏掉一個#

一位開發者做了瀏覽器小遊戲，讓玩家扮演 AI coding agent 的 human-in-the-loop，在時間壓力下核准或拒絕指令。累積超過 40,000 場、409,000 次核准／拒絕判斷後的統計顯示，平均玩家漏掉三分之一的威脅（平均準確率 66.3%）。32.9% 的場次最後是負分，7% 的玩家對每一個提示都按同意。

  • 威脅分類漏接率差異極大：明顯破壞型（rm -rf /、chmod -R 777 /）只漏 11.7%，但外洩／執行型（curl 到不明 API、typosquat 套件）漏 33.4%，越權存取型（cat ~/.aws/credentials）漏 35.0%
  • 最常被放行的單一指令是 npm run analyze，64.7% 的人按同意——而畫面上核准鍵正上方的 agent 歷史紀錄，已經明白列出該 script 會把輸出 curl POST 到外部網址
  • 35.2% 的玩家攔下所有威脅，但其中只有 20.8% 是在「誤擋安全指令不超過五分之一」的前提下做到，其餘多半靠全部擋掉（作者稱之為「Human Bottleneck」）
  • 作者自陳限制：遊戲中約 34% 的指令是威脅，遠高於真實工作情境，且玩家知道自己正在被測試

💡 為什麼重要：--dangerously-skip-permissions 的反面假設是「有人在看就安全」，這份數據把那個假設拆了。最會被放行的正好是最難一眼看穿的那類，而 npm run 這種把真正行為藏在 package.json 裡的指令，暴露出權限提示的根本缺陷：它問你要不要執行，卻沒把執行的內容擺在同一個視線裡。

🔗 閱讀原文 | 來源: Scale X

3. Claude Code 之父：每半年清空 CLAUDE.md、Skills 和 Hooks#

Claude Code 創始人 Boris Cherny 在播客訪談中主張，應該把模型視為「一種活著的生物」，每一代模型性格都不同，因此每隔六個月就該刪掉自己的 CLAUDE.md、Skills 和 Hooks，重新確認最新模型到底還需要多少指令。Claude Code 團隊自己就這樣做：Opus 5 發布後一次刪掉超過 80% 的系統提示詞，再一行一行加回來，用消融實驗判斷哪些內容還有價值。

  • Boris 認為快速失效的不只提示詞和 Skills，harness 的程式碼、工具集合、甚至評測本身都在持續變化，使用 AI 編程工具正從「有固定方法的學問」變成「不斷試錯重驗的經驗科學」
  • 談 Opus 5 的新能力：搭配 Auto Mode 可連續運行數天、數週甚至數月而不停下，不需要 goal 指令或額外 scaffolding；ARC-AGI-3 成績做到 30%，先前最佳僅個位數到十幾個百分點
  • 提示詞注入防禦拉到三層：對齊過的模型 + 基於 Crysola 機制可解釋性研究的注入分類器（直接觀察注入發生時哪些神經元被激活）+ Auto Mode 分類器
  • 他目前在跑一個實驗：讓 Claude 把 Electron 版的 Claude 桌面應用重寫成 Swift，透過 Mac 虛擬機截圖做逐像素驗證，已連續執行兩個多星期尚未結束

💡 為什麼重要：社群這一年的方向是不斷往 CLAUDE.md 和 Skills 裡疊規則，而寫出這個工具的人給的建議是定期歸零。這對每個累積了大量 agent 設定的人都是直接的提醒：那些規矩是為了上一代模型的缺點寫的，模型換代之後，它們從補丁變成了包袱。

🔗 閱讀原文 | 來源: InfoQ 中文

4. Taste Is All That’s Left：當製造變便宜，剩下的只有判斷#

作者 NotAShelf 論證軟體工程的難處已經轉移。過去「把東西做出來」本身就是一道牆，而做一件事很貴這件事默默替我們做了篩選——沒有人會生出一千個平庸的版本，因為那要花一千倍的成本。當這道成本地板消失，決定什麼值得留下的就不再是製造成本，而是判斷力。文章上 Hacker News 首頁後被大量留言指為 AI slop，作者因此加寫了一段 post-mortem 回應。

  • 核心論點：effort 是一個過濾器，而所有過濾器都是在被移除之後才被看見
  • 作者主張「taste」不是排版偏好那種裝飾性喜好，而是看著三個看似都可行的版本、知道其中兩個是錯的那種判斷
  • 文章本身的遭遇成了論點的意外註腳：一篇主張品味是最後護城河的文章，先被質疑不是人寫的

💡 為什麼重要：這篇跟同一天科技新報翻譯的《富比士》專欄「企業品味」講的是同一件事，只是一個從工程師視角、一個從組織視角。兩邊都認為判斷力是最難複製的資產，但兩邊也都沒有給出可驗證的辦法——這正是今天 COLDCARD 和核准實驗留下的同一個空缺。

🔗 閱讀原文 | 來源: 個人部落格

5. AMD 收購 Taalas，把模型權重直接蝕刻進矽晶片#

AMD 收購 2023 年成立、位於多倫多的 AI 晶片公司 Taalas，該公司的做法是把模型權重直接蝕刻進矽，而不是存在 HBM 裡，本質上是「模型專用積體電路」（MSIC）。交易於週四收盤後宣布，AMD 未揭露金額，但確認是實質收購而非 acquihire。The Register 認為這筆交易的定位近似 Nvidia 去年十二月與 Groq 的 200 億美元授權案：讓 AI agent 依賴的高階推論服務跑得更快更便宜。

  • Taalas 今年二月公開首顆測試晶片 HC1，採用台積電 6nm 製程，跑 Meta Llama 3.1 8B 達到每秒 16,960 個 token，當時比 Nvidia GPU 快 48 倍、比 Cerebras 加速器快 8.5 倍
  • 晶片分成兩區：蝕刻模型權重的 mask-ROM recall fabric，以及存放 KV cache 與微調 adapter 的 SRAM recall fabric
  • 第二代 HC2 預計今夏推出，單晶片參數量目標拉到 200 億；以此推算一兆參數模型只需約 50 顆加速器，透過 pipeline parallelism 分散
  • AMD 手上剛好有機櫃級運算平台與自有系統設計團隊，能容納這種配置

💡 為什麼重要：把權重烤進矽的代價是徹底失去彈性——晶片跟模型綁死，模型一改版晶片就報廢。願意付這個代價，代表產業判斷推論需求的規模已經大到足以攤提專用矽的成本。這跟同一天 Anthropic 宣布自研晶片是同一個方向的兩個證據。

🔗 閱讀原文 | 來源: The Register

6. Anthropic 成立自研晶片團隊，要為 Claude 設計硬體#

Anthropic 證實正在組建自有晶片設計團隊，為 Claude 模型設計專屬硬體。公司同時強調會維持多晶片策略，內部設計與合作夥伴硬體並行，並讓模型與矽晶片並排協同設計。此舉的戰略考量包括降低對 Nvidia 的依賴，以及取得垂直整合帶來的效能增益。

  • 協同設計方法論：新的矽架構與模型改進平行開發，讓量化、記憶體階層、運算模式等硬體層優化能貼合 Claude 的推論與訓練需求
  • 多晶片策略保留與第三方硬體的彈性，同時建立差異化的內部矽
  • 路線與 OpenAI 一致，前者已在推進類似的垂直整合

💡 為什麼重要：前沿模型公司同時往下走到矽這一層，意味著「模型能力」與「硬體」正在變成同一個競爭項目。對使用 Claude 的團隊來說，可預期未來模型會針對自研矽優化，成本與延遲曲線都會變；對 AI 加速器產業來說，最大的客戶正在變成競爭者。

🔗 閱讀原文 | 來源: Ars Technica

7. MCP 最大改版：砍掉 session 與握手，回到無狀態 HTTP#

MCP 迎來官方口中「發布以來最大的一次更新」，主要維護者於 5 月 21 日凍結候選版本、7 月 28 日發布最終規範。這次改版動的是根基：移除初始化握手、廢除 session 黏滯，每個請求必須獨立攜帶完整上下文。遠端 MCP 伺服器從此可以像傳統無狀態 HTTP 服務那樣運作，用輪詢調度即可，不必再配置 session 親和性。

  • 問題根源：伺服器會產生 Mcp-Session-Id 把客戶端綁到特定實例，要水平擴展就得額外做 session 親和性、外部共享 session 儲存或具 MCP 感知的閘道邏輯——等於為協議本身製造的分散式問題買單
  • 新設計把協議版本與客戶端能力資訊改成每次呼叫透過 _meta 傳遞，並新增 server/discover 方法，官方稱之為「按需付費複雜度」原則
  • 需要記憶狀態的情境改用顯式 handle（類似購物車 basket_id）；好處是 handle 對模型可見、可跨工具組合，代價是它會出現在提示詞與日誌裡，必須綁定已驗證主體、每次使用重新驗權
  • 平台團隊得到 Mcp-Method 與 Mcp-Name 標頭，閘道不必解析請求正文就能做速率限制與授權；快取結果則必須帶 ttlMs 和 cacheScope
  • 社群反應兩極，有開發者形容是「好不容易從 SSE 走到 WebSocket，又被拽回上古世界觀」

💡 為什麼重要：如果你有在跑遠端 MCP server，這次改版直接消掉最痛的維運成本——滾動部署不再讓 session 失效，三個副本輪詢就能跑。代價是可恢復性沒了，中斷的請求要用新的 request ID 重送。新舊協議共存期間預期會亂一陣子。

🔗 閱讀原文 | 來源: InfoQ 中文

8. Qwen3.8 Max 登上 Agentic Index 綜合第一#

Artificial Analysis 的 Agentic Index 顯示阿里巴巴 Qwen3.8 Max 拿下綜合排名第一，與前沿閉源模型正面競爭。這份指標專門衡量模型在代理式任務上的表現，而非單純的知識問答，在 Hacker News 上引發大量討論。

  • Agentic Index 聚焦長流程工具使用與任務完成能力，與傳統 benchmark 的評分邏輯不同
  • Qwen3.8 Max 為 2.4 兆參數規模，本週稍早才公開其自主重現論文並超越原方法的實驗紀錄

💡 為什麼重要：開源權重模型在代理式評測登頂，會直接影響「自架 vs 呼叫 API」的成本試算。對正在決定 agent 底層模型的團隊來說，這是需要重新跑一次評估的訊號。

🔗 閱讀原文 | 來源: Artificial Analysis

9. tl;dv 設定疏失，181,874 場會議錄影全裸奔#

資安研究者揭露 AI 會議記錄服務 tl;dv 因為權限驗證缺失，導致 181,874 場會議錄影可被未授權存取。標題「Too Lazy; Didn’t Validate」直指問題核心：後端沒有做該做的驗證。

  • 受影響內容包含會議錄影與逐字稿，屬於高度敏感的企業內部溝通
  • 這類 AI 會議工具通常握有跨組織的原始對話資料，一次外洩的橫向影響遠大於單一系統

💡 為什麼重要：AI 會議記錄工具正在大量進入企業，而它們天然握有最敏感的一手素材。導入這類 SaaS 時，資料存取控制應該跟模型能力放在同一個評估等級上看。

🔗 閱讀原文 | 來源: bobdahacker

10. Amazon 開源多代理工具 Kiro Crew，內部已 3.9 萬人採用#

Amazon 把內部專案 MeshClaw 改名為 Kiro Crew 並開源。這套多代理系統可平行處理開發任務與問題單，六個月內在 Amazon 內部累積超過 39,000 名使用者、近 500 名貢獻者完成 597 項更新。支援跨程式碼儲存庫的異常調查與系統遷移等長流程任務。

  • 多個 AI 代理可跨工作階段持續運行，保存任務脈絡、排程、專案資訊與修正紀錄；具備子代理委派、檢查點與重試機制
  • 安全設計：隔離執行環境、預設拒絕未授權指令、敏感路徑限制、憑證遮蔽、簽章式稽核紀錄
  • 提供桌面應用、網頁介面與文字操作介面，可本機或遠端執行，並整合 Slack、Telegram、Discord

💡 為什麼重要：3.9 萬名內部使用者是這個專案最有份量的背書——它不是 demo，是在真實企業規模驗證過的協調框架。對想把 agent 從單次對話推進到長流程任務的團隊，這是目前少數有實戰數據的參考實作。

🔗 閱讀原文 | 來源: iThome

11. Deno 開源 celld，把 Durable Objects 帶到自有伺服器#

Deno 開源 celld 專案，讓開發者能在自有伺服器執行 Cloudflare Workers 與 Durable Objects 格式的應用。celld 用 SQLite 資料庫搭配 S3 相容物件儲存保存狀態與節點租約，每個執行單元獨立擁有自己的 SQLite 資料庫，並內建 V8 引擎執行 Wrangler 格式程式。

  • 採用 compare-and-swap 機制確保同一時間只有一台伺服器處理該執行單元，避免資料競合；伺服器故障或重啟時，新伺服器可從物件儲存還原並接手
  • 資料持久化複寫至物件儲存後才送出 HTTP 回應，保證已確認的資料不因故障遺失
  • 通訊不含 TLS 加密，需部署在可信任私有網路或搭配 WireGuard／Tailscale；目前為 Alpha 階段，單一叢集僅能執行一套應用程式

💡 為什麼重要：Durable Objects 是 Cloudflare 平台鎖定最深的一塊，celld 把這個有狀態運算模型帶到自架環境。對有資料主權或合規要求、又想用這套程式模型的團隊，多了一條退路——雖然現在還在 Alpha，限制不少。

🔗 閱讀原文 | 來源: iThome

12. ChatGPT 免費用戶開放無限文字對話，加上 Think 按鈕#

OpenAI 宣布下週起取消 ChatGPT 免費與 Go 方案的文字對話次數限制，同時為這兩個方案加入 Think 按鈕，讓使用者在複雜問題上啟用結構化推理。

  • 免費與 Go 兩個方案同時獲得無限文字對話與 Think 按鈕
  • 報導由 Ivan Mehta 於 8 月 6 日發布

💡 為什麼重要：推理能力下放到免費層會改變競爭基準線。如果你的產品原本靠「我們有推理」當賣點，這個護城河剛剛變淺了。

🔗 閱讀原文 | 來源: TechCrunch

13. WeatherNext 開源，氣旋預報多爭取一天預警時間#

Google DeepMind 發表 WeatherNext，在氣旋路徑預報上取得突破，準確度足以比現行方法多爭取一天的預警時間，並宣布將模型開源。

  • 多出來的一天預警時間，在防災疏散上是直接的人命差距
  • 開源讓各國氣象單位與研究者能在本地資料上微調，不必依賴昂貴的專有系統

💡 為什麼重要：這是今天少數不是在講競爭與商業模式的 AI 新聞。氣旋預報是邊際準確度直接換算成人命的領域，開源等於把這個能力交給最需要、也最沒錢買的地方。

🔗 閱讀原文 | 來源: DeepMind

推薦閱讀#

中文技術圈#

開源精選 — GitHub Trending#

firecrawl/anydoc — Rust | ⭐ 8.3K 把 Word／PPT／Excel／PDF／EPUB 轉成乾淨 Markdown，附 Node.js 與 Python 綁定。

FareedKhan-dev/kimi-k3-in-c — C | ⭐ 2.8K 2.78 兆參數的 Kimi K3 在單顆 CPU、8.24 GB RAM 上推論；純 C99，無 BLAS 無框架無 GPU。

imsai-sh/zhuzhiliao — HTML | ⭐ 2.3K 竹知了傳統玩具的 Web 模擬版，零依賴單檔、真實錄音採樣、行動端優先。

thebuggeddev/anatomy — TypeScript | ⭐ 1.9K 用 three.js 打造的互動式 3D 人體解剖探索器。

DannyMac180/sol-advisor — Shell | ⭐ 1.7K Codex 原生的架構師編排流程，含 Luna／Terra 實作線與強制的獨立審查關卡。

KKKKhazix/human-writing — Python | ⭐ 1.6K 讓 AI 寫的中文讀起來像具體某個人在說話的通用創作與改稿 Skill。

Binaryify/open-kimi-ppt-skill — Python | ⭐ 1.3K 非官方 Kimi Slides Skill，生成可編輯的 PPTD + PPTX，附本機瀏覽器編輯器。

Accio-org/RealReplicaBench — HTML | ⭐ 1.0K 在高擬真、有狀態、可重現的真實線上服務副本中評測長流程代理。

guillermolg00/morphicons — TypeScript | ⭐ 810 任意 icon 互相變形的通用 morphing，含彈簧物理，零依賴約 7 KB gzip。

0xwilliamortiz/humanizer-cli — JavaScript | ⭐ 582 33 種在終端機辨識 AI 寫作痕跡的方法，含前後對照範例與草稿檢查器。

影音精選#

Garry Tan：打造個人 AGI，守住屬於自己的力量#

13 小時前 · Y Combinator

Y Combinator

YC 執行長 Garry Tan 在 Startup School 2026 的演講，用被逐出社群、拒絕薪水收買的哲學家史賓諾莎故事，談創辦人為何該建立跑在自己基礎設施上的「個人 AGI」，而不是租用他人的智慧。他分享自己每天使用的工具與工作流程，主張把 markdown 當程式碼、用複合知識取代單次對話，是小團隊在 AI 時代維持影響力的關鍵。

  • 以 1656 年史賓諾莎遭阿姆斯特丹猶太社群逐出教會、拒絕每年 1000 荷蘭盾（甚至加碼到 1 萬）收買換取沉默的故事，類比創辦人該拒絕「被收編」的誘惑
  • 主張「你的人生就是一座圖書館」，個人 AGI 的價值在於把知識與工作流程長期複利累積，而非每次重新對話
  • 演講章節涵蓋「Markdown Is Code」「Latent Space vs. Deterministic Code」，示範他自己的個人 AI 系統架構

Theo：AI 模型不是萬能，一萬行改動也救不了#

1 天前 · Theo (t3.gg)

Theo

Theo 分享一次踩坑經驗——即使丟給 AI 模型超過一萬行程式碼的改動，問題依然沒解決。他因此體悟到不能指望模型直接找到答案或修好問題，而是該把模型當成快速驗證各種假設的工具。

  • 一次超過 10,000 行的程式碼改動完全沒有解決真正的問題
  • 請 AI 寫出一個綁定在 window 上的自訂除錯函式（__T3GPU），方便直接在 console 用指令快速測試不同假設
  • 結論：AI 代理人能比人更快在程式碼庫裡找線索、造工具，但真正帶來關鍵資訊、做出判斷的仍是人

中國開源 AI 模型，恐藏資料外洩後門？#

1 天前 · 20VC

20VC

Arena 共同創辦人暨執行長 Anastasios Angelopoulos 提出一個容易被忽略的資安風險：企業就算把開源模型部署在自己的基礎設施上，只要模型本身是在海外訓練的，理論上仍可能被植入特定暗語當「後門」。

  • 情境設定：企業自建聊天機器人、接上內部所有資料，並部署在自己的伺服器上，但底層模型是在他國訓練的黑盒模型
  • 風險在於攻擊者可把特定「觸發字」或字元序列訓練進模型裡，對話中一觸發就能讓模型把後端未結構化資料整批洩漏
  • 即使自架基礎設施、看似完全掌控，模型訓練來源不透明本身就是一種供應鏈資安風險

Starcloud 執行長談太空資料中心的商業邏輯#

1 天前 · Y Combinator

Y Combinator

Starcloud 共同創辦人暨執行長 Philip Johnston 分享公司如何在 2025 年 11 月把 Nvidia H100 GPU 送上軌道、完成史上第一次在太空訓練大型語言模型，以及太空資料中心如何解決 AI 用電瓶頸。

  • 公司已募得 2 億美元，估值達 10 億美元，並已向 FCC 申請部署 8.8 萬顆衛星
  • 2024 年 1 月 1 日創立，隔天 1 月 2 日就訂下最近一班 SpaceX 拼車發射艙位，當時甚至還不確定要送什麼上去
  • 太空資料中心靠近乎無限的低成本太陽能，能繞開地球上土地、電力與許可的建置瓶頸

行銷代理人大師課：雙引擎打造冷開發 + 自然流量#

1 天前 · Greg Isenberg

Greg Isenberg

Greg Isenberg 找回 Cody Schneider，直播手把手搭建兩套「行銷代理人」系統：一套監控 LinkedIn 意見領袖的互動者、自動寄冷信；另一套把內部通話與 podcast 逐字稿轉換成每天穩定產出的內容引擎。

  • 只需追蹤同領域 10-20 個核心帳號，就能涵蓋約 80% 的目標受眾互動面
  • 資料補全走瀑布式流程：GitLeads → Apollo → Origami/Prospeo → LeadMagic，示範單一貼文抓出 63 個互動者，50 筆資料第一關就補出 32 個 email
  • 冷發信基礎建設（寄信軟體 + 獨立收件匣）約每月 200 美元可支撐約 1 萬封冷信

OpenAI 正在搶食 SaaS 公司的地盤#

1 天前 · 20VC

20VC

Arena 執行長 Anastasios 觀察到一個正在發生的趨勢：OpenAI 和 Anthropic 這類模型供應商，正直接找上傳統 SaaS 公司的大客戶遊說轉單，理由是「模型公司更懂 AI」。

  • 真實案例：數十億美元規模的 SaaS 公司，其最大客戶被 OpenAI 直接接觸並遊說轉單
  • 邏輯是推論正快速商品化，模型供應商必須往應用層移動，才能避免自己被商品化
  • 呼應「AI 主權」辯論：誰掌握模型、誰掌握應用層，決定誰能留住客戶關係

今日觀察#

COLDCARD 那個 bug 之所以活了五年，Coinkite 自己給的解釋是「旗標檢查看起來是對的」——語法正確、語意錯誤，而它剛好住在兩個沒人負責的子模組交界上。這正是今天所有東西的失效方式：Scale X 那四萬場實驗裡最常被放行的 npm run analyze，看起來也完全正常，真正的行為藏在 package.json 裡，而證據就印在核准按鈕正上方一公分處，三分之二的人沒有往上看。有意思的是，今天同時有兩篇文章從完全不同的地方給出同一個答案：NotAShelf 的〈Taste Is All That’s Left〉主張當製造成本歸零，剩下的只有判斷力；科技新報翻譯的《富比士》專欄則說「企業品味」是 AI 時代最難複製的資產。可是那篇談品味的文章一上 Hacker News，第一件事就是被大量留言指為 AI 寫的，作者只好回頭加一段 post-mortem 自證。所以今天的處境是這樣：所有人都同意判斷力是最後剩下的東西，但沒有人能證明自己有——而唯一還能拿出來的證據，就是你真的去看了那一行。

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