2026/11/16 發布 · 封面為 AI 生成示意圖 四川創作者白非空以《重生螳螂,覺醒無限吞噬進化》受到關注。封面新聞十一月十三日的採訪提到,他獨立製作九十六集,投入約人民幣四千元購買 AI 平台會員與點數,報導並稱作品帶來約六萬元收入。這個故事的啟發,不只在低額現金投入,而在於 AI 把多個製作環節接起來,讓一位已有設計經驗的創作者,能獨自把故事做成連載作品。
AI 醫療愈進步,醫師反而更不能消失 AI 已經能解釋症狀、整理病歷、提供治療資訊,也逐漸進入企業決策與公共治理,但能力變強之後,一個問題反而愈來愈清楚:誰對最後結果負責?美國兒科醫師 Hansa Bhargava 認為,醫療即使大量導入 AI,醫師仍必須留在決策迴路裡,因為臨床現場需要的不只是答案,還包括經驗、情境判斷與病患信任;離開 NVIDIA 執行長職位後的黃仁勳,也面對相似但更複雜的責任問題,矽谷人士看好他的技術影響力不會消失,但國會調查與國安爭議仍會決定他能否重新取得市場信任;台灣《倫流說理 AI 3.0》則乾脆把這個問題搬進教育與企業培訓,讓參與者練習在 AI 給出答案後,繼續思考合法、合理與負責任是不是同一回事。
日本肯德基用 AI 做飲品廣告惹議 生成式 AI 正快速進入品牌行銷,但當工具從「做概念圖」走到「直接代表商品本人」,爭議也跟著放大。日本肯德基近期在部分門市試售飲品時,使用 AI 生成宣傳圖片,卻因冰塊顏色、質感與實際飲品邏輯不自然,引發網友質疑品牌是否用生成圖取代真實商品攝影;Anthropic 則從另一個方向收緊邊界,新版 Supported Regions Policy 將實際所在地、企業註冊地與控制權都納入 Claude 使用資格判斷,人在中國大陸即使持有台灣帳號,也不符合官方支援政策;台灣綠界科技則把 AI 從支付服務延伸到商家經營,開始提供 GEO 可見度分析、AI 短影音與 CRM 客服工具。
Siri 下一步不只回答問題:Apple 瞄準自主 Agent,但 AI 真正普及還卡在成本與人的信任 AI 助理的競爭正在從「回答得好不好」進入「能不能替你把事情做完」。Apple 據報正在規畫讓 Siri 進一步具備自主代理能力,未來不只理解一次指令,而能持續追蹤目標、判斷下一步並跨 App 執行任務;Y Combinator 執行長 Garry Tan 則已經過著這種生活,他讓 AI 讀取 Email、Dropbox、Apple Notes 甚至多年私人筆記,但一年 Token 費用高達 10 萬至 20 萬美元,也暴露個人 Agent 要普及前仍存在巨大的成本門檻;交友市場卻出現反方向訊號,Z 世代雖然更積極約會,卻沒有同樣積極地接受 AI 幫自己聊天。
中國情報單位據報鎖定黃仁勳 AI 競爭愈往前走,影響的範圍也愈不像單純的科技產業。美國情報評估據報認為,中國國家安全部曾招募與 NVIDIA 執行長黃仁勳有往來的 Megaspeed 前高階主管黃樂,試圖蒐集美國 AI 晶片與相關政策資訊;另一方面,高盛研究開始看到技術淘汰對勞工留下的長期痕跡,被自動化影響的工作者不只失去職位,重新找到下一份工作也可能更慢;台灣的大學則在少子化與 AI 雙重壓力下重新配置科系,結果並不是「文科全面消失」,而是頂尖大學加速跨域、部分私校則因生源與資源壓力進行更劇烈整併。
Google 淘汰 Gems、企業 AI 規範進法院 AI 工具進入日常工作後,產業正在遇到一個比模型升級更實際的問題:原本為「人操作軟體」設計的制度,開始跟不上「AI 參與工作」的速度。Google 決定逐步停用 Gemini Gems,以更標準化、可跨對話使用的 Skills 接棒;北京一名保險公司法務人員因把內部資料交給第三方 AI 製作簡報而遭解僱,法院最後卻認定公司缺乏明確 AI 使用規範,解僱違法;美國期中選舉則進一步顯示,AI 已從企業內部工具變成真正的公共政策議題,資料中心、公用電力、州級 AI 法規與科技業政治獻金都進入選票與國會權力結構。
德州新州長擬暫停資料中心:AI 基建第一次真正成為選舉與地方治理議題 AI 熱潮過去主要由科技公司與資本市場推動,但今年的美國選舉顯示,資料中心已不再只是企業投資項目,而是會直接影響電力、水資源與地方生活的政治議題。德州州長當選人 Gina Hinojosa 主張,在新的居民保護規範通過前,暫停新的資料中心核准,讓原本被視為 AI 基建重鎮的德州開始面對發展速度與地方承受能力的衝突。另一方面,Hugging Face 執行長 Clément Delangue 卻把 AI 風險焦點放在另一個方向,認為真正值得警戒的是少數公司在封閉環境中掌握前沿模型;警政領域的研究則提醒,即使系統看起來客觀,如果訓練資料本身帶有歷史偏差,AI 仍可能把舊問題重新放大。
Steam 新遊戲近半數揭露使用 AI 生成式 AI 正快速跨過「少數人試用」的階段,開始進入真正的產業日常。Steam 最新統計顯示,2026 年 10 月發布的新遊戲中,49.9% 主動揭露使用 AI 生成內容,兩年前這還只是極少數開發者的選擇;另一邊,Anthropic 最新上市文件則讓外界第一次更清楚看到頂尖 AI 公司的人才帳單,5,300 名員工背後是一季超過 17 億美元的人員成本;陪伴型 AI Tolan 則走向另一個極端,不靠企業大客戶或 API 收費,而是讓使用者為一個「懂自己、願意陪自己」的虛擬角色持續訂閱。
2026/11/2 發布 · 封面為 AI 生成示意圖 看到手指數量不對、陰影方向奇怪,許多人會立刻判定圖片由 AI 生成。但當影像看起來毫無破綻,我們又能有多放心?近期報導再度介紹西北大學的辨識指南,並延伸討論餐飲行銷中的生成圖片。追溯原始資料後,更值得理解的是:視覺線索能幫我們發現疑點,辨認圖片來源仍需要其他證據。這套方法的價值,是教人看得更具體,而非背熟幾項規則後就能判真偽。
AI 圖片愈來愈像真的 生成式 AI 發展到今天,真正棘手的問題已經不只是「它能生成什麼」,而是人類能不能判斷眼前的內容、行為與商業模式值不值得相信。西北大學研究團隊整理 AI 生成圖片常見的視覺破綻,提醒使用者即使影像愈來愈逼真,解剖結構、物件功能與光影關係仍可能留下線索;微軟 AI 部門執行長 Mustafa Suleyman 則把問題推到更遠,主張目前 AI 並沒有意識,未來也不應刻意讓它具備意識;商業世界的變化則更快,Meta 已利用 AI 強化廣告轉換,第三季廣告營收增速明顯高於 Google 搜尋業務。
AI 不一定要一直跟你說話:Mori 用「安靜陪伴」挑戰智慧裝置的下一種可能 過去我們習慣用「能做多少事」衡量 AI 產品:會不會回答問題、能不能寫文章、是否可以控制家電。但近期三則新聞,卻呈現另一種方向。新創公司 OKA 推出的 Mori 幾乎刻意把功能拿掉,不說話、沒有螢幕,也不負責查天氣,而是觀察人在做什麼,再決定要不要陪伴;星巴克則打算把 AI 放進得來速流程,讓系統在顧客抵達時就先調出近期訂單,把「還是老樣子嗎?」變成更自動化的服務;印度則出現一群為機器人示範剪髮、縫紉、煮飯與清潔的勞工,讓 AI 從影片中學習人的身體技能。
12 款 AI 都指向同一種人性偏誤:它們是在看懂我們,還是在重複人類寫過的答案? 當 ChatGPT、Gemini、Grok、DeepSeek 等不同模型被問到「對人類最具爭議性的看法」,多數回答竟然落在相近方向:人往往先在意自己屬於哪個群體,再替既有立場尋找理由。這個結果很吸睛,但它真正值得討論的,未必是「AI 已經看透人性」,而可能是不同模型吸收了大量相似的人類文本後,形成了高度接近的文化鏡像。另一邊,宏碁創辦人施振榮正在實際測試另一種人機關係,把 AI 當作自己的數位分身與工作夥伴;Anthropic 則把更強的 Claude 放進資安研究,讓模型自主尋找並串接真實軟體漏洞。從「評論人類」到「替人工作」,再到「主動發現系統弱點」,AI 的角色正在迅速改變,而真正值得追問的是:我們究竟是在使用一個工具,還是在建立一種新的協作方式?
中國首部全流程 AI 院線長片票房失利 生成式 AI 已經走過「能不能做到」的展示期,市場開始追問更現實的問題:**做得到之後,結果值不值得付錢、能不能被信任,又是否真的形成長期需求?**中國首部全流程採用 AI 製作並取得院線公映許可的《三星堆:未來往事》,投入超過千萬元人民幣,上映後票房卻與成本形成明顯落差;美國另一頭,OpenAI 因一名癲癇患者生前與 ChatGPT 的醫療對話面臨訴訟,高風險建議的責任界線再次被拉上檯面;前英特爾執行長季辛格則從產業另一端提出不同判斷,認為眼前的波動不是 AI 泡沫,而是一個可能延續二十年以上的超級週期。
2026/10/27 發布 · 封面為 AI 生成示意圖 AI 熱潮帶動台灣科技出口,但貨值成長,不一定會變成港口裡更多的貨櫃。ETtoday 報導指出,部分長期供應的 AI 相關貨品,開始從空運轉向海運。這個業界觀察值得注意:當交貨需求可以提前安排,企業就有機會用較長的運輸時間,換取較低的運費。然而,這還不足以證明 AI 貨流已大規模轉向海上,更不能把高雄港轉口櫃回升,全都歸功於科技出口。
AI 貨潮改寫高雄港角色 AI 熱潮過去最常出現在晶片、模型和資料中心新聞裡,現在它開始反映在港口、機器人零組件與國家資安體系。高雄港近期因亞洲港口壅塞與 AI 相關貨物增加,重新吸引轉口櫃與空櫃調度,甚至有部分原本依賴空運的科技貨品轉向成本更低的海運;機器人產業則還沒走到「一個模型通吃所有場景」,反而像進入零件、軟體與標準重新組合的「樂高時代」;澳洲最新網路威脅報告又提醒,AI 已同步提高攻擊者尋找漏洞與放大網攻的效率。
AI 也會「腦腐」? AI 產業一路追求更大的模型、更長的上下文與更自主的代理能力,但最近三則新聞把注意力拉回一個更基礎的問題:AI 吃進什麼、被交付什麼任務,以及人類最後怎麼驗證結果。德州農工大學研究發現,模型若持續吸收高互動、低資訊量的社群內容,推理、記憶甚至安全表現都可能惡化;阿里巴巴 Qwen 與香港科大則乾脆讓 18 款 AI 自己經營一年電商,結果顯示最會賺錢的模型不一定最會避險;到了大學課堂,柏克萊數學教授甚至放棄用作業正確率評分,因為 AI 已讓「交出漂亮答案」失去原本的鑑別力。從資料、經營到教育,今天的焦點都不再是 AI 能不能做,而是它做出的東西,還能不能代表真正的能力。
2026/10/25 發布 · 封面為 AI 生成示意圖 語音 AI 已經能用自然的聲音回答問題,部分系統甚至可以邊聽邊說,但這距離可靠的客服或會議助理,仍有一段路。PolyAI 技術長 Shawn Wen 與 Otter 行銷長 Alex Gay 提出的疑問,正好落在這個差距:使用者聽到流暢回答後,能不能相信系統真的理解了需求?這是兩位業者主管的觀察,不能直接當成全產業共識,卻指出一個具體問題:當語音 AI 開始代表我們查詢、整理甚至執行任務,聲音自然只是入口,理解與行動能否接得起來,才決定它是否有用。
語音 AI 為何還沒迎來「ChatGPT 時刻」 文字型 AI 已經能寫報告、做研究、跑程式,但一旦把互動方式換成「說話」,許多看似成熟的能力又得重新考一次。PolyAI 與 Otter 的主管近日都認為,語音 AI 雖然進步很快,距離真正自然、可靠的人機對話仍差幾個關鍵環節:辨識不能漏字、回答不能停太久,語氣也不能永遠像客服機器人。另一邊,MIT 乾脆把 AI Agent 丟進沒有任務的虛擬島嶼,觀察它們會不會自己找事情做,結果竟出現探索、遊戲、建築甚至近似「紀念」的行為;回到台灣,AI 的另一種現實衝擊則發生在桃園機場,伺服器與半導體出口量快速增加,貨運設施擴建卻碰上第三跑道延後。
英國加碼 AI 安全預算 AI 產業前幾年的主旋律是「把能力做大」,現在另一條線開始明顯升溫:怎麼讓這些能力安全地被使用。英國準備擴大 AI 安全與生物防禦投資,把前沿模型測試、網路弱點與生物威脅拉進國家級防禦體系;OpenClaw 創辦人 Peter Steinberger 則用一個驚人的數字,讓大家看見高強度 Agent 工作背後的成本——單月 Token 支出估計高達 1,000 萬美元,而且他自己也承認,並不是每一分算力都創造了等值成果;日本政府的方向更直接,準備成立專門團隊,用 AI 模擬攻擊、主動找漏洞
小米運動熱量越刷越高? 我們愈來愈習慣把數字交給系統判斷:今天走了幾步、消耗多少熱量,銀行裡有哪些交易,甚至一道數學難題是否已被證明。但當軟體開始自動計算、AI Agent 開始代替使用者登入帳戶、模型甚至參與頂尖數學研究後,「系統給出的結果」本身也需要被重新檢查。近期網友逆向分析小米運動手機端,發現重複刷新可能讓同一分鐘的卡路里被反覆累加;美國多家銀行則開始防範第三方 AI Agent 取得過多金融權限;數學界面對的問題更抽象——如果 AI 能快速提出證明,人類研究者的工作究竟是解題,還是驗證?