這筆交易預計在 2026 年第三季完成，仍需監管批准，並透過 SpaceX 全資子公司 X67 Inc. 執行合併；交易採全股票方式，不使用 SpaceX IPO 募集資金。

Grok Build 是什麼？

Grok Build 是 xAI 推出的 terminal-based coding agent，目前已進入早期 beta，開放給 SuperGrok 與 X Premium+ 用戶使用。它不是一般聊天機器人，而是面向專業軟體工程與複雜 coding 任務的 CLI 工具，使用者可以在終端機中透過自然語言要求它規劃、寫程式、改檔案、執行測試與處理專案任務。

Grok Build 的定位接近 OpenAI Codex、Anthropic Claude Code、GitHub Copilot coding agent 等產品，重點在於 agentic coding。開發者不是只問它一段程式碼怎麼寫，而是把一個較完整的任務交給它，例如新增功能、修 bug、重構專案、建立測試流程，或處理 Git 相關工作。

AI coding 的競爭正在從「幫你補程式碼」走向「幫你完成一個開發任務」。xAI 官方介紹 Grok Build 時，強調它是 CLI-first 的開發代理工具，支援從終端機直接執行任務。它的互動方式也更接近「先規劃、再讓使用者核准、接著執行」的開發流程，讓使用者能在 AI 實際改動專案前先檢查計畫。

Cursor 為什麼是關鍵？

Cursor 的價值不只是 AI 編輯器，而是它已經進入開發者日常工作流程。AI coding 工具的競爭，關鍵不只是模型會不會寫程式，而是能不能理解專案脈絡、跟上開發者習慣，並在真實工程環境中被長期使用。

對 SpaceX 與 xAI 來說，Cursor 補上的正是開發者入口。Grok 已經具備程式能力，但若要在 coding agent 市場與 OpenAI、Anthropic、Google、GitHub 等產品競爭，單靠模型本身不夠，還需要一個開發者會每天打開、企業願意付費、能沉澱使用資料的產品。

Cursor 已經累積大量開發者與企業使用場景，這些使用資料可以協助 AI 更理解真實軟體開發流程。開發者如何提出 coding request、如何接受或拒絕 AI 建議、哪些修改真的被寫進專案、哪些 agent 操作容易失敗，都是訓練 coding agent 的重要材料。

對 SpaceX 來說，收購 Cursor 也讓 AI 版圖從聊天模型、社群平台與算力中心，延伸到企業級開發者工具。Grok 是模型與產品入口，Colossus 是大規模訓練與推論算力，Cursor 則是開發者工具與企業客戶入口。

Composer 2.5、Grok Build 與共同訓練模型

xAI 已將 Cursor 的 Composer 2.5 接入 Grok Build。Composer 2.5 是 Cursor 的主力 agentic coding 模型之一，擅長長時間任務與複雜指令跟隨，現在可在 Grok Build 中透過模型選單或指令切換使用。

這個整合方向很重要。Grok Build 原本是 xAI 的 CLI coding agent，接入 Composer 2.5 後，使用者可以在同一個終端機工作流程中選擇不同 coding 模型，依照任務類型切換。對大型重構、多步驟修復、長上下文專案理解等任務，Composer 2.5 可以補強 Grok Build 的模型選項。

SpaceX / xAI 與 Cursor 在收購前已經展開模型合作，雙方共同訓練針對程式設計優化的模型。Cursor 提供真實開發者使用資料與 agentic coding 產品經驗，xAI 則提供 Grok 模型基礎與 Colossus 超級電腦算力。

這類模型的重點不只是生成程式碼，而是處理更長上下文、多步驟規劃、工具調用、錯誤修正、測試與版本控制。這款共同訓練模型預期會在 Cursor 與 Grok Build 相關產品中應用，讓兩邊的 coding agent 能力更快整合。

Colossus 算力與 Cursor 獨立運營

Cursor 能提供產品、資料與開發者使用場景；xAI 則提供模型與算力。Colossus 是 xAI 用來訓練 Grok 系列模型的重要基礎設施，也是這筆交易背後的關鍵資源。

AI coding 工具高度依賴算力。更長上下文、更複雜的 agent 任務、更快的模型反應，以及大量模型訓練與推論成本，都需要龐大的 GPU 與資料中心資源。Cursor 加入 SpaceX 後，可以取得更穩定的大規模模型訓練與推論能力，也能降低對外部模型供應商的依賴。

收購完成後，Cursor 將作為 SpaceX 全資子公司繼續運營。對開發者來說，短期最重要的問題不是公司歸屬，而是 Cursor 是否維持原本的產品體驗、多模型支援與企業導入彈性。

Cursor 過去能快速成長，其中一個原因是它能整合不同 AI 模型，讓開發者依照任務選擇適合的模型。加入 SpaceX / xAI 生態後，Cursor 可能取得更多算力與 Grok 模型資源，但是否會逐步偏向 Grok 系列模型，會是企業客戶與開發者觀察的重點。

SpaceX 的 AI 版圖從模型走向開發工具

SpaceX 過去的主軸是火箭、Starlink 與太空基礎建設。透過 xAI，Grok、Colossus 與 AI 服務成為 Elon Musk 科技版圖中的重要組成；收購 Cursor 後，這條 AI 路線再延伸到開發者工具與企業軟體市場。

Grok Build 的定位也因此更清楚。它不是一般聊天機器人的程式功能，而是 xAI 在 coding agent 市場的主要入口。Cursor 提供成熟產品、使用資料與企業客戶；xAI 提供模型與算力；SpaceX 則提供資本與大型基礎設施。

交易若在 2026 年第三季完成，Cursor 的多模型支援、Grok 模型進入 Cursor 的深度，以及共同訓練模型在雙方產品中的落地時程，將直接影響 SpaceX / xAI 能否在 AI coding 市場追上 OpenAI、Anthropic 與 GitHub Copilot。

延伸閱讀

Elon Musk 成史上首位兆萬富翁！SpaceX 市值衝上 2.1 兆美元

Grok 爆紅 AI 一鍵更衣惹議！深偽影像引發全球監管

特斯拉 Grok 語音助理登台！Hey Grok 喚醒功能正式上線

美國商務部長 Howard Lutnick 於 6 月 12 日致函 Anthropic CEO Dario Amodei，通知 Fable 5 與 Mythos 5 受到出口限制。這項指令禁止美國境外客戶，以及人在美國境內的外國國民使用這兩個模型，甚至影響 Anthropic 內部外國籍員工對模型的存取。

由於 Anthropic 無法即時判斷所有使用者資格，最後選擇將 Fable 5 與 Mythos 5 全面下線，以避免違反政府指令。其他較舊的 Claude 模型，例如 Claude Opus 4.8，則不受這次封鎖影響，仍可正常使用。這被視為前沿 AI 模型被納入出口管制討論的代表案例；過去出口管制多半針對晶片、伺服器、半導體設備或高性能運算硬體，這次被限制的不是實體硬體，而是雲端 AI 能力。

Fable 5 和 Mythos 5 原本差在哪？

Fable 5 和 Mythos 5 表面上是兩款不同模型，但更精準地說，是同一套 Mythos-class 底層能力的不同開放版本。Fable 5 是一般用戶、開發者與企業可使用的公開安全版，加入較完整的安全護欄；Mythos 5 則提供給受審查組織，主要面向政府、資安防禦者、基礎設施提供者與特定研究機構。

兩者差異不在「哪個比較聰明」，而是誰能用、能用到哪些能力，以及高風險功能開放到什麼程度。Fable 5 在一般程式開發、知識工作、代理任務與視覺理解上保留高能力表現；但在網路安全、生物、化學等高風險領域，會透過安全分類器與轉交機制加上限制。Mythos 5 則可在特定審查條件下，對部分合作夥伴解除部分護欄。目前部分 Mythos 相關請求也會 fallback 至 Claude Opus 4.8，以降低高風險查詢帶來的濫用疑慮。

美國政府為什麼介入？

這次封鎖的核心理由是國家安全。美國政府擔心 Fable 5 與 Mythos 5 在網路安全相關任務上的能力太強，若被外國勢力或惡意使用者取得，可能被用來識別軟體漏洞，進一步威脅關鍵基礎設施。

媒體報導指出，事件導火線之一，是 Amazon 研究人員使用提示讓模型識別軟體漏洞。這項發現隨後被通報並引發白宮與相關部門關注。Anthropic 則認為，這不應被簡化成嚴重全新的 jailbreak 事件，因為模型協助識別漏洞的能力本來就是已知風險，而且其他前沿模型也可能具備類似能力。

Business Insider 則補充，這項決策是在非常短的時間內形成，白宮與多名高層官員都參與討論。Anthropic 則主張，相關問題不是通用 jailbreak，也沒有造成實際有害結果，但政府仍認為風險足以立即介入。

Anthropic 也強調，事件並非「通用 jailbreak」，沒有顯示模型被全面解除限制，也沒有導致實際有害結果。公司表示，先前已與政府進行 red-teaming 與安全測試合作，Fable 5 的公開版本也已設計多層安全護欄，目的就是在開放一般能力的同時，降低高風險領域濫用。問題在於，政府顯然認為這樣的安全安排仍不足以處理出口與國安風險。當模型能力足以協助資安攻防、漏洞分析或其他敏感任務時，美國政府開始把前沿 AI 視為不只是產品，而是可能需要受控的戰略技術。

為什麼 Anthropic 直接全球下線？

美國政府的指令重點並不是禁止所有人使用，而是禁止外國國民使用 Fable 5 與 Mythos 5。實務上，這比單純依照地區封鎖更難執行。如果只靠 IP 位置判斷，人在美國境內的外國國民仍可能違規；如果只靠帳號所在地判斷，也無法處理跨國企業、外籍員工、研究團隊與代理存取。

據 Axios 報導，政府給 Anthropic 的處理時間非常短，約 90 分鐘內就必須配合新限制。這也解釋了為什麼 Anthropic 沒有先推出細緻的國籍篩選機制，而是直接暫停所有客戶存取。

對 Anthropic 來說，要在短時間內準確判斷所有使用者資格幾乎不可能。因此 Anthropic 選擇最保守的做法：暫停所有客戶存取 Fable 5 與 Mythos 5。這也讓原本只是針對外國國民的出口限制，實際上變成全球範圍的模型下線。

這次影響不只發生在 Claude 官方平台。AWS 先前已在 Amazon Bedrock 上提供 Claude Fable 5，企業可透過 Bedrock 與 Claude Platform on AWS 存取模型；在政府指令後，AWS Bedrock 相關企業存取也同步撤銷。部分付費用戶已開始詢問退款與額度處理，但 Anthropic 尚未公布完整退款政策。

其實蘋果電腦也曾被出口管制

科技產品因為「能力太強」而被美國政府限制出口，並不是第一次發生。1999 年，Apple 發表 Power Mac G4，這台桌上型電腦搭載 PowerPC G4 處理器與 AltiVec / Velocity Engine 技術，浮點運算能力突破 1 Gigaflop，被當時美國政府視為接近超級電腦等級的高性能設備，因此無法出口到部分國家。

當時限制主要影響中國大陸等特定國家，而不是全面禁止全球銷售。Apple 仍可在美國本土與多數市場銷售 Power Mac G4，但出口到受限制地區會受到美國商務部規範。

Steve Jobs 當年沒有低調處理這件事，反而把它變成行銷賣點。他在發表會上強調，Power Mac G4 速度快到被美國政府歸類為超級電腦，禁止出口到全球超過 50 個國家。Apple 後來還推出廣告，以坦克包圍 G4 電腦的畫面，宣傳這是史上第一次有個人電腦被美國政府視為武器等級產品。

這件事後來成為 Apple 行銷史上的經典案例。原本可能是銷售限制的政策障礙，被 Apple 轉化成「這台電腦強到政府都害怕」的品牌敘事。不過，Power Mac G4 的限制實際持續時間不長。克林頓政府在 G4 發表前後已經推動提高高性能電腦出口管制門檻，新標準於 2000 年 1 月生效，讓 G4 這類個人電腦逐步脫離原本的出口限制。

G4 是硬體，Fable 5 是雲端模型能力

Power Mac G4 與 Fable 5 事件確實有歷史呼應：兩者都因為技術能力突破某個敏感門檻，被美國政府用國家安全角度看待。但兩者也有關鍵差異。G4 是硬體出口限制，受限的是實體設備能不能賣到特定國家；Fable 5 與 Mythos 5 是 AI 模型能力限制，受限的是誰能透過網路存取某種模型。

硬體出口還可以透過物流、報關、目的地與銷售通路管理；AI 模型則可以在全球任何地方透過 API 呼叫，使用者身分、國籍、用途與資料流向都更難即時判斷。這也讓 AI 出口管制比當年的個人電腦出口限制更複雜。政府管制的不再只是算力，而是模型能做什麼、能不能被繞過限制、是否能協助識別漏洞、是否能支援高風險生物或化學任務，以及模型公司能否追蹤與限制使用方式。

當年的 1 Gigaflop 曾足以讓個人電腦被視為超級電腦；今天任何一支智慧型手機都遠遠超過當年的運算門檻。Fable 5 事件顯示，AI 時代的新門檻可能不再是 FLOPS，而是模型能力、可用工具、推理深度、代理人工作流程與高風險領域表現。

分級授權反而變成政府管制樣板

Anthropic 原本已經在做分級開放。Fable 5 是公開安全版，Mythos 5 是受控高權限版；高風險能力不是全面開放，而是依照使用者資格、任務類型與合作條件調整。這套設計本來是為了在安全與能力之間找到平衡，但美國政府這次介入，等於把「分級授權」往更高層次推進：不只由模型公司決定誰能使用，而是政府也會介入判斷哪些人不能使用。

未來 AI 權限可能不只分成免費、付費、企業、研究合作這幾層，而是會加入國籍、產業、用途、審查資格、地區政策與出口許可。這會讓最先進 AI 模型更像高敏感技術基礎設施。你能不能使用最強模型，不一定只看你願意付多少錢，也不一定只看你是不是企業客戶，而是取決於你是否通過信任審查、是否符合出口規範，以及模型公司是否有能力持續監控使用情境。

Anthropic 目前正與美國政府協商，希望尋找恢復部分存取的方式。可能方向包括加強身分驗證、擴大 trusted access program、針對高風險功能加入額外護欄，或建立更細緻的白名單制度。Fable 5 與 Mythos 5 不一定永久下線，但若要重新開放，很可能會附帶更嚴格的審查條件。

延伸閱讀

矽谷最強自導自演？Claude Code 原始碼外洩始末曝光

Claude Code 用量加倍！Anthropic 包下 SpaceX 超級電腦算力

ChatGPT 廣告真的要來了？Anthropic 超級盃廣告暗諷對手

最受矚目的更新，是 Siri 以 Siri AI 的形式重新登場。Apple 官方將它定位為由 Apple Intelligence 驅動的新一代助理，具備更自然的對話能力、螢幕內容理解、個人情境判斷與跨 App 執行任務能力。iOS 27 將支援 iPhone 11 及後續機型，Developer Beta 已開放，Public Beta 預計 7 月推出，正式版則預計於秋季推送。

Siri AI 重生：不只是語音助理，還有獨立 Siri App

Siri AI 是 WWDC 2026 最大亮點。過去 Siri 常被批評只能處理簡單指令，這次 Apple 重新打造 Siri 的互動方式，讓它能理解更長的對話、處理追問、讀懂目前螢幕內容，並根據使用者的個人情境執行更複雜的任務。

新 Siri AI 的核心，是把個人情境理解、螢幕感知與 App Actions 結合在一起。它可以參考訊息、郵件、照片、行事曆等內容，協助使用者找資料、整理行程、建立事件，或根據目前畫面直接採取行動。這讓 Siri 不再只是回答問題，而是更接近能幫你完成任務的系統級助理。

這次 Apple 也正式推出獨立的 Siri App。使用者可以在 App 內查看與延續歷史對話，並在語音與文字之間切換；對話紀錄也會透過 iCloud 在 iPhone、iPad、Mac、Apple Watch 與 Vision Pro 之間私密同步。這代表 Siri 不再只是系統呼叫介面，而是變成更接近 AI 工作台的入口。

Apple Foundation Models 以 Google Gemini 作為基礎支援

WWDC 2026 另一個關鍵訊號，是 Apple 確認新一代 Apple Intelligence 採用全新的 Apple Foundation Models，並以 Google Gemini 作為基礎模型支援之一，再由 Apple 透過自家系統整合、裝置端處理與 Private Cloud Compute 架構包進 Apple Intelligence。

這項合作很有象徵性。Apple 過去一直強調自家軟硬體整合與隱私架構，Google 則在大型語言模型與 Gemini 生態上具備明顯技術優勢。Apple 這次選擇把 Gemini 能力納入底層支援，也讓 Siri AI 的升級不只是介面更新，而是背後模型能力與雲端架構都進入新階段。

不過，這不等於 Siri AI 直接變成 Gemini App。Apple 的說法仍然是 Apple Foundation Models 服務於 Apple Intelligence，並整合在 Private Cloud Compute 與裝置端處理架構之中。使用者看到的仍是 Siri AI 與 Apple 系統功能，而不是一個獨立的 Google 服務。

視覺智慧擴展：相機、照片、iPad、Mac 與 Vision Pro 都能看懂畫面

iOS 27 的 AI 更新不只在 Siri，也深入 Camera 與 Photos。相機加入全新的 Siri 模式，使用者可以對著物件、文件、食物、行李箱或地點提問，讓 iPhone 直接理解眼前畫面，並執行更主動的任務。

例如對準帳單後，Siri 可以協助分攤金額；對準食物，可以分析熱量與營養資訊；對準登機箱，也能協助判斷尺寸是否符合航空公司規定。這讓 Visual Intelligence 不再只是辨識物件，而是開始接近視覺 Agent：看懂畫面後，直接協助完成下一步。

Visual Intelligence 也跨出 iPhone，延伸到 iPad、Mac 與 Vision Pro；其中 Vision Pro 的重點在於空間互動與視線操作，但實際可用功能仍會依裝置與地區支援狀況有所差異。這讓 Apple Intelligence 不只存在於手機螢幕，也開始進入更大的多裝置與空間運算場景。

Photos AI 編輯升級：Clean Up、Expand 與 Spatial Reframing

Photos 獲得一組更完整的 AI 編輯工具。Clean Up 強化後可以移除更複雜背景中的干擾物；Expand 可以延伸照片邊界，補出原本畫面外的內容；Spatial Reframing 則能調整照片視角與構圖，讓後製不只是修圖，而是更接近重新組織畫面。

Apple 在這裡採取的語氣仍然偏保守。它不是把 AI 修圖包裝成隨意改寫現實，而是強調協助使用者改善構圖、移除干擾、保留原始瞬間的真實感。這也符合 Apple 這次對 AI 的整體定位：不是讓 AI 取代使用者，而是把它放在更自然的創作流程裡。

這次也補上更明確的安全標記。透過 AI 圖像模型編輯照片時，系統會加入隱形的 SynthID 水印，用來標記 AI 修改痕跡。這項設計也呼應 Apple 與 Google 的技術合作，讓生成與編輯內容在使用上更透明，也降低 AI 圖像被誤認為原始照片的風險。

生成式 AI 工具更完整：從圖片到文字都能直接改

Apple Intelligence 在 iOS 27 中也強化生成式創作工具。Image Playground 升級後，能生成更高品質的圖片，也支援更自然的語言描述與編輯，使用者可以直接調整物件、風格、比例，並用在桌布、聯絡人海報或日常分享素材上。

Writing Tools 也變得更系統化。使用者可以在不同 App 裡改寫、校對、摘要或生成文字，並讓系統更貼近自己的語氣。鍵盤語音輸入也獲得強化，可以修正拼字、標點與不必要的語句，讓口述文字更接近可以直接使用的版本。

這些功能本身不算陌生，但 Apple 的重點在於把它們做成系統層工具。使用者不需要每次打開不同 AI App，也不一定要複製貼上文字或圖片，而是能在原本使用的 App 裡直接呼叫 AI 協助。

跨 App 與系統搜尋：Shortcuts、Safari、Spotlight 更聰明

WWDC 2026 另一個重點，是 Apple Intelligence 開始深入跨 App 操作。Shortcuts 可以用自然語言建立自動化流程，使用者不必一步步拼接動作，只要描述想完成的事情，系統就能協助產生流程。

Safari 也加入更多智慧功能，包括自動整理分頁、追蹤網頁更新、價格通知，以及用自然語言建立自訂擴充功能。Messages、Mail、Phone、Calendar 等 App 則能根據對話與內容，自動提供回覆建議、建立行事曆事件，或在通話中抓取相關資訊。

Apple 也重構系統底層搜尋索引。新的即時索引架構可以在裝置捕捉或接收到文字、圖片與資料時，更快在本地完成關聯與索引，改善 Spotlight、Mail 與 Photos 搜尋過去可能出現的延遲或漏找情況。這類更新不一定像 Siri AI 那麼吸睛，但會直接影響日常找資料的效率。

iOS 27 效能與 Liquid Glass 調整：舊機也有感

除了 AI，iOS 27 也針對系統介面與效能做出調整。Apple 延續 Liquid Glass 設計語言，但加入系統級透明度滑桿，讓使用者能依照閱讀需求調整介面呈現。對去年不習慣過度透明效果的使用者來說，這是一個很實際的修正。

效能部分，Apple 宣稱 iOS 27 帶來 App 啟動速度提升 30%、AirDrop 傳輸速度提升 80%、照片拍完後的載入速度提升 70% 等改善。這讓 iOS 27 不只是 AI 功能升級，也有很明確的日常操作改善。

相容性方面，iOS 27 支援範圍延續到 iPhone 11 及之後機型，讓更多既有 iPhone 使用者能取得這一代系統更新。跨平台方面，iPadOS 27、macOS 27、watchOS 27、visionOS 27 也同步更新。macOS 27 採用 Golden Gate 命名，visionOS 27 則持續強化 Vision Pro 的空間互動、視覺資訊與 Siri AI 整合。

隱私、安全與地區限制：中國大陸與歐盟初期暫不完整支援

Apple 這次仍強調 AI 必須建立在個人隱私之上。Apple Intelligence 會優先在裝置端處理，必要時才透過 Private Cloud Compute 執行更大型的運算。即使外部模型參與部分 AI 能力，Apple 仍把隱私、安全與資料控制放在核心位置。

不過，Siri AI 與部分 Apple Intelligence 功能不會在所有市場同步完整推出。Craig Federighi 在發表中確認，因監管審批與在地要求，Siri AI 與部分 Apple Intelligence 新功能初期不會在中國大陸與歐盟地區完整推出。其中歐盟主要影響 iOS 與 iPadOS，macOS 27、watchOS 27 與 visionOS 27 可先支援部分功能；中國大陸則需等待監管審批。

這也讓 WWDC 2026 的 AI 更新出現一個現實限制：Apple 已經準備好把 AI 放進系統層，但全球市場能不能同步使用，仍取決於各地資料、隱私、雲端與 AI 監管規範。

兒童安全與家長控制：Screen Time 不只看時間

兒童與家長控制也是 WWDC 2026 的重要更新。Apple 強化 Child Account、Screen Time 與家庭安全工具，讓家長可以更細緻地管理孩子能接觸的內容、聯絡人與使用時間。

其中一個新功能是「要求瀏覽」（Ask to Browse）。當兒童想造訪新的網站時，系統可以要求家長在自己的裝置上即時核准，讓網頁瀏覽管理不只是事後查看紀錄，而是能在進入網站前先做判斷。

「通訊安全」（Communication Safety）也進一步擴展。除了原本針對裸露內容的防護，新的系統也能偵測並模糊處理含有暴力或血腥內容的圖片與影片。這讓 Apple 的兒童保護不只是限制時間，而是更深入內容安全與互動風險管理。

WWDC 2026 的真正重點：Apple AI 從展示走向系統層整合

WWDC 2026 最值得注意的地方，不是 Apple 發表了多少單點 AI 功能，而是它開始把 Apple Intelligence 放進整個系統工作流。Siri AI 負責理解與執行，Photos 與 Image Playground 負責創作，Writing Tools 與 Shortcuts 負責生產力，Safari、Messages、Mail、Phone 則把 AI 帶進日常資訊流。

這也是 Apple 和其他 AI 公司的差異。Apple 不一定要讓使用者每天打開一個獨立 AI 產品，而是希望 AI 自然出現在使用者原本就會用的地方。你在看照片、回訊息、整理郵件、做筆記、找行程、建立捷徑時，AI 就在旁邊協助。

從這個角度看，WWDC 2026 是 Apple AI 策略真正進入系統層整合的一年。Siri AI 是招牌，但更大的變化，是 iOS 27 和 Apple Intelligence 正在把 iPhone、iPad、Mac、Apple Watch 與 Vision Pro 變成更個人化、也更主動的運算平台。

延伸閱讀

風水輪流轉？Apple 與 Google 的 AI 搜尋合作正式反轉

Apple 攜手 Starlink 加速衛星布局！iPhone 18 有望支援 5G 衛星

Apple 為 F1 電影打造專屬攝影系統！採用 iPhone 15 Pro 模組

這也是 NVIDIA 這場演講最關鍵的轉折。過去 AI 熱潮看的是模型有多大、回答有多聰明；現在黃仁勳要說的是，AI 開始變成一種可以量產生產力的系統。從 AI Agent、Token 收入，到 Vera Rubin、RTX Spark 與 DSX 平台，NVIDIA 正在把 AI 從軟體功能，重新包裝成一整套基礎設施生意。

AI 不只會回答問題，而是開始完成工作

黃仁勳所說的「有用的 AI」，不是單純指 AI 回答得更像人，而是 AI 開始能像代理人一樣完成任務。這類代理型 AI（Agentic AI）或 AI Agent，可以理解上下文、觀察環境、推理、規劃步驟，並使用試算表、瀏覽器、資料庫等工具。

過去人類使用電腦，是透過滑鼠、鍵盤、選單與指令一步步操作軟體；未來的工作方式，會更接近把目標告訴 AI，再由 AI Agent 拆解流程、撰寫程式碼、操作工具並產出結果。

這樣的轉變，對軟體產業尤其重要。未來的軟體不只要服務人類使用者，也要能被 AI Agent 呼叫、操作與整合。黃仁勳在演講中強調，這是軟體公司的一個重要機會，而不是軟體公司被 AI 取代的開始。

GitHub 程式碼提交量從 5 億暴增到 14 億

為了說明「有用的 AI」帶來的生產力變化，黃仁勳以全球軟體開發領域作為例子。他指出，全球約有 3,000 萬名軟體開發者，背後對應約 3 兆美元薪資成本；如果 AI 讓這些開發者的產出能力大幅提升，原本 3 兆美元的人力成本，就可能創造出 9 兆美元規模的生產力。

他也引用 GitHub 的程式碼提交量作為觀察指標。根據黃仁勳在演講中的說法，GitHub commits 從 2025 年約 5 億次，在 2026 年前幾個月成長到 14 億次，接近三倍成長。這組數字，正是他用來說明 AI 如何放大軟體開發效率的核心例子。

外界經常擔心 AI 會取代軟體工程師，但黃仁勳對此直接反駁，稱這種說法是「complete nonsense」。他的邏輯很清楚：如果 AI 能讓軟體工程師產生更高價值，企業反而會更想聘請更多工程師，把這種生產力優勢放大。

Token 成為 AI 工廠的收入單位

這場演講另一個重要概念，是 Token 不再只是 AI 模型運算過程中的技術單位，而是開始變成可以計算收入的產出。每一次 AI 生成文字、程式碼、圖片描述或推理結果，背後都會消耗並產生 Token；當企業願意為這些結果付費，Token 就成為 AI 工廠的產品。

這也是為什麼 NVIDIA 一直把資料中心稱為 AI 工廠。傳統工廠生產汽車、晶片或商品；AI 工廠生產的是 Token。未來企業競爭的不只是誰擁有最多 GPU，而是誰能用更少電力、更高效率產出更多有價值的 Token。

因此，資料中心的效率不再只是成本問題，而是直接影響營收能力。每瓦電力能產生多少有效 Token、這些 Token 能不能轉化為服務與收入，會成為 AI 產業下一階段非常關鍵的指標。

Vera Rubin 讓 AI 工廠進入量產階段

如果 AI 工廠要真正大量運作，背後就需要更完整的硬體平台。黃仁勳這次宣布，NVIDIA Vera Rubin 平台已進入全面量產，這套平台就是為了支撐下一代 AI Agent 與大型 AI 工廠而設計。

Vera Rubin 不只是單一 GPU，而是一整套資料中心系統，包含 Vera CPU、Rubin GPU、高速連接、網路與軟體堆疊。NVIDIA 也藉此把自己從 GPU 供應商，推向完整 AI 基礎設施平台供應商。

其中，Vera CPU 是這次演講的一個重要訊號。NVIDIA 過去最被熟知的是 GPU，但 AI Agent 的工作負載不只需要加速器，也需要 CPU、記憶體、網路與整套系統協同運作。黃仁勳在演講中指出，Vera CPU 處理代理型工作負載的速度，比傳統 x86 處理器快上 1.8 倍。這讓 NVIDIA 在 AI 工廠中扮演的角色，比過去更完整。

RTX Spark 把 AI Agent 帶進個人電腦

除了大型資料中心，NVIDIA 也把 AI Agent 帶向個人電腦。黃仁勳在 GTC Taipei 2026 發表 RTX Spark 超級晶片，主打讓 Windows PC 能在本地端執行個人 AI Agent。

這件事有另一層意義：NVIDIA 過去在 PC 市場最被熟知的是顯示卡，但 RTX Spark 讓它開始更深入個人電腦核心。未來的 AI PC 不只是跑得動遊戲或影像軟體，而是能在本地端處理更複雜的 AI 助理、開發、創作與工作流程。

對一般使用者來說，這會讓 AI 不必完全依賴雲端資料中心。當個人電腦具備足夠 AI 運算能力，AI Agent 可以在本地端處理更多任務，包括檔案整理、內容生成、程式輔助、影音工作流與個人化助理服務。這也是 NVIDIA 從資料中心一路打到個人電腦的關鍵布局。

DSX 讓企業先在數位世界蓋好 AI 工廠

當 Token 成為收入單位，AI 工廠的設計也變成一門精密工程。黃仁勳在演講中提出 NVIDIA DSX 平台，讓企業可以在實際動工前，先用數位雙生方式模擬 AI 工廠的電力、冷卻、網路、系統配置與 Token 產出效率。

這對大型企業與雲端服務商來說非常重要。AI 工廠不是只把 GPU 放進機房，而是需要考慮供電、散熱、網路拓撲、機櫃配置、資料流動與軟體調度。只要其中一個環節效率不佳，就可能讓整座 AI 工廠的 Token 產出成本變高。

DSX 的角色，就是讓企業在真正投入巨額資本之前，先把整座 AI 工廠放到數位世界裡測試。這也讓資料中心建置不再只是蓋機房，而是像建造一座可量化產出的智慧工廠。

NVIDIA 的下一場生意，是把 AI 變成基礎設施

黃仁勳這次在台北提出的「有用的 AI」，不是單純形容 AI 變聰明，而是 AI 正在從展示技術走向實際生產力。AI Agent 讓人與電腦的互動方式改變，Token 經濟讓資料中心變成 AI 工廠，Vera Rubin、RTX Spark 與 DSX 則把這套願景變成更具體的硬體與平台布局。

這場演講的核心訊息很清楚：AI 的下一階段不只比誰的模型更大，而是誰能把 AI 轉化為可使用、可部署、可獲利的生產系統。對 NVIDIA 來說，這正是它從 GPU 公司走向 AI 基礎設施公司的關鍵敘事。

黃仁勳在 GTC Taipei 2026 講的不是 AI 多會聊天，而是 AI 開始變成一門生意。當 Token 可以被計價、AI Agent 可以完成任務、AI 工廠可以量產生產力，NVIDIA 要賣的就不只是晶片，而是整個 AI 時代的生產線。

延伸閱讀

輝達 AI 自駕模型 Alpamayo 登場！Elon Musk：做到 99% 很容易

NVIDIA 黃仁勳主題演講一次看懂！台灣 AI 超級電腦正式啟動

Optimus 訓練算力將上線！世界最大 AI 叢集 Cortex 2.0 四月啟動

最後 Aime 分揀 12,924 個包裹，Figure 03 完成 12,732 個包裹，人類小勝 192 個；平均速度分別約為 2.79 秒與 2.83 秒一個包裹。不過 Aime 賽後表示左前臂幾乎快撐不住，這也讓這場比賽不只是在比速度，而是在比較人類與機器面對長時間重複勞動時的差異。

人類贏了 192 個包裹，但機器人不會累

如果只看數字，這場比賽仍是人類勝利。Aime 比 Figure 03 多處理 192 個包裹，平均每個包裹只快約 0.04 秒，差距非常小。對 Figure AI 來說，這樣的結果雖然不是機器人獲勝，但已經足以展示 Figure 03 接近人類工作速度的能力。

更值得注意的是比賽條件。Aime 必須遵守加州勞工法，包含休息與用餐時間；Figure 03 則可持續運作，不會疲勞，也沒有肌肉痠痛、工傷或注意力下滑問題。

Figure AI 執行長 Brett Adcock 表示，這可能是人類最後一次贏過機器人。這句話帶有宣傳意味，但也點出機器人的真正優勢：不是只看單次速度，而是長時間穩定運作與可複製部署。

Figure 03 展示意義大於短期取代

Figure AI 近期不只進行這場 10 小時人機對決，也透過長時間直播展示 Figure 03 進行包裹分揀。官方強調 Figure 03 搭載 Helix-02 AI 系統，能透過機身相機辨識包裹與條碼，並非遠端人類操作。

這些展示的重點，是讓外界看到人形機器人已經能在真實任務中連續工作，而不是只停留在短片中走路、揮手或拿取物品。不過，這仍比較像是技術與商業化能力展示，不代表人形機器人已經準備在物流業大規模取代人力。

真正進入倉儲現場，還要面對採購成本、維修、可靠度、產線整合與長期稼動率等問題。人形機器人能做一件事，和它能不能以合理成本在產線上長期取代人，是兩個不同層次的問題。

中國熟練工人仍有速度與成本優勢

這場比賽如果只拿 Aime 和 Figure 03 比，很容易得出「機器人快要追上人類」的結論。但 Aime 是美國實習生，不是長期站在物流流水線上的熟練分揀工人，更不是中國物流產業裡那些每天面對高強度包裹量的一線作業者。

在中國物流倉儲現場，許多一線分揀、掃碼、打包與搬運人員長期在高強度流水線中工作，對包裹節奏、手部動作與錯誤控制都非常熟悉。尤其在計件制或電商高峰期環境下，熟練工人的短時間效率，很可能高於一般實習生。

因此，Figure 03 接近 Aime 的速度，不能直接等同於「人形機器人已經接近物流產業實際人力水準」。這場比賽更像是拿一位沒有長期物流分揀經驗的美國實習生，去對照一台最新人形機器人，而不是和真實物流產業中的高熟練人力做直接比較。

成本也是另一個關鍵。中國物流業過去能支撐低單位處理成本，很大一部分來自大量熟練且相對低成本的一線人力。只要人力成本仍低於機器人採購、維護、部署與折舊成本，企業就不會立刻全面替換人力。

包裹分揀未必需要人形機器人

Figure 03 會分揀包裹很有展示價值，但在真實物流業裡，包裹分揀不一定需要一台長得像人的機器人站在輸送帶旁模仿人類動作。

許多大型物流倉儲與轉運中心早已導入大量專用自動化設備，例如自動分揀線、交叉帶分揀機、掃碼設備、AGV / AMR 搬運機器人與智慧倉儲系統。這些設備雖然沒有 Figure 03 這麼有話題性，但更適合高速、大量、標準化處理包裹。

對物流企業來說，真正的問題不是「機器人能不能像人一樣分揀」，而是「用人形機器人做這件事，是否比現有自動化設備更划算」。如果任務已經高度標準化，專用設備往往效率更高、成本更低，也更容易整合進既有產線。

這也是 Figure AI 展示的微妙之處。它證明人形機器人已經能接近一般人類操作速度，但也提醒我們，在許多物流場景中，人形不是必要條件。人形機器人真正有機會切入的，可能是那些流程仍需要彈性、環境不完全標準化，又不值得為單一任務打造專用設備的工作。

Optimus 與不用工作的另一面

Figure AI 的人機對決，也很容易讓人聯想到 Tesla Optimus。Elon Musk 多次把 Optimus 視為特斯拉未來最重要的產品之一，也曾表示 Tesla 會先讓 Optimus 在自家工廠內部使用，再逐步走向更大規模生產。

從 Figure 03 到 Optimus，這些公司瞄準的都是同一件事：把 AI 從螢幕與車輛帶到實體世界，接手重複性高、體力消耗大、但仍需要一定靈活度的工作。

Elon Musk 也曾提到，AI 與機器人未來可能讓工作變成可選項，甚至不再有人需要工作。這句話聽起來很像科技烏托邦：機器人負責勞動，人類只要選擇自己喜歡的事情做。

但這句話少講了另一半。未來包含 Elon Musk 在內的資本階級，確實可能不需要工作，因為機器、模型、工廠與平台都在替資本持續運轉；而其他人面對的，可能不是「終於不用工作」，而是「沒有工作可做」。

工作變成選配，前提是收入也能變成基本配備。否則機器人替人類工作，最後可能只是替少數人創造更多不用工作的理由。

所以 Aime 這次贏了 Figure 03，不代表人類勞動沒有壓力；Figure 03 接近人類速度，也不代表物流工人明天就會消失。真正的變化會比較慢，也更現實：低成本熟練工人、專用自動化設備與人形機器人，會在不同場景裡重新分配工作，而最重複、最傷身、最難招人的環節，會最先被機器拿走。

延伸閱讀

當我們付錢養 AI：NEO 與 Optimus 家用機器人的夢想與現實

特斯拉以基礎模型重構 AI 路線！自駕與機器人共用架構

Optimus 訓練算力上線！全球最大 AI 叢集 Cortex 2.0 啟動

這筆算力合作已經直接反映在 Claude 使用限制上。Anthropic 表示，Claude Code 的 5 小時用量限制已加倍，Pro 與 Max 方案不再因尖峰時段降低 Claude Code 額度，Claude Opus API 的速率限制也同步提高。

Claude Code 與 Opus API 用量同步放寬

Anthropic 這次宣布的重點，不只是新增資料中心算力，也直接改善 Claude 的使用體驗。官方表示，Claude Code 的 5 小時用量限制已經加倍，適用 Pro、Max、Team，以及以席次計費的 Enterprise 方案。

這對重度開發者來說相當有感。Claude Code 近來已成為許多工程師用來寫程式、重構專案、檢查錯誤與處理大型程式碼庫的重要工具，但使用限制也常成為工作中斷的主因。

除了 Claude Code 用量加倍，Anthropic 也取消 Pro 與 Max 帳號在尖峰時段的 Claude Code 限制下調。過去在使用高峰期間，系統可能會降低可用額度或縮短可連續使用時間；調整後，付費使用者在高峰時段的體驗會更穩定。

Claude API 也同步受惠於新增算力。Anthropic 表示，這次大幅提高 Claude Opus 模型的 API 速率限制，主要針對按 token 計費的開發者與企業客戶。

API 速率限制提高後，開發者可以在更短時間內送出更多請求，對需要大量呼叫 Claude Opus 的產品、代理工作流程、自動化工具與企業內部應用都更有幫助。

Colossus 1 帶來 300 MW 新增運算容量

Anthropic 這次包下的是 SpaceX 的 Colossus 1 資料中心全部運算容量。官方公告指出，這將帶來超過 300 MW 的新增容量，並包含超過 220,000 張 NVIDIA GPU。

Colossus 1 位於美國田納西州孟菲斯，是 Elon Musk 旗下企業體系中規模最大的 AI 運算基礎設施之一。這座超級電腦資料中心與 xAI 的 Grok 訓練和推論需求密切相關，也因此成為 AI 產業中最受關注的算力設施之一。

Anthropic 取得這批算力後，將能快速補足 Claude 在使用需求成長下遇到的容量瓶頸。對 Claude Code 與 Claude API 來說，這類大型資料中心容量不是背景資訊，而是使用限制能否放寬、尖峰時段能否穩定的核心原因。

這筆合作也顯示，AI 產業競爭已經從模型能力延伸到資料中心與能源規模。模型要變強、使用者要更多、API 要更穩定，背後都需要大量 GPU、電力、網路與資料中心資源支撐。

Anthropic 分散押注多方 AI 基礎設施

SpaceX 不是 Anthropic 唯一的算力合作來源。Anthropic 也提到，近期已宣布多項大型運算基礎設施合作，包括與 Amazon、Google、Microsoft、NVIDIA，以及 Fluidstack 等夥伴的資料中心與 AI 運算合作。

Anthropic 表示，Claude 訓練與推論會使用多種 AI 硬體，包括 AWS Trainium、Google TPU 與 NVIDIA GPU。這代表 Anthropic 並不把算力押在單一供應商，而是透過多方合作提高整體容量與供應彈性。

這樣的策略對 Claude 產品線很重要。當 Claude Code、Claude API、Claude Pro、Claude Max 與企業方案需求同步成長，如果基礎設施跟不上，使用者很快就會遇到排隊、限制、降速或無法呼叫模型的問題。

Anthropic 也提到，已表達與 SpaceX 合作開發多 GW 等級軌道 AI 運算容量的興趣。這仍是長期構想，但也反映大型 AI 公司對算力需求已經高到開始探索地面資料中心之外的方案。

Claude 用量限制調整整理

這些調整已在 Anthropic 公告當天生效。對 Claude Code 使用者來說，最明顯的改變會是可連續工作的時間更長，尖峰時段被限制的機率降低；對 API 使用者來說，則是更高的請求處理量與更好的產品部署彈性。

AI 競爭關鍵轉向算力基礎設施

Anthropic 與 SpaceX 的合作，再次說明 AI 競爭已不只是模型排名之爭。當 Claude、ChatGPT、Gemini、Grok 等模型都進入企業、開發者與一般使用者日常工作流程，真正限制產品體驗的，往往是背後有多少算力可以穩定供應。

Claude Code 用量加倍，對使用者來說是功能限制放寬；但對產業來說，背後代表的是資料中心、GPU、電力與能源調度競爭。誰能取得更多穩定算力，誰就更有能力支撐更長上下文、更高請求量、更低延遲與更多付費使用者。

這也讓 AI 競爭從模型能力，延伸到誰能取得穩定、便宜且大規模的運算資源。對 Anthropic 來說，Claude Code 用量加倍只是最表層的變化；真正的關鍵，是 SpaceX、Amazon、Google、Microsoft、NVIDIA 與 Fluidstack 等算力合作，能否支撐 Claude 在開發者與企業市場持續擴張。

延伸閱讀

矽谷最強自導自演？Claude Code 原始碼外洩始末：是真出包

ChatGPT 廣告真的要來了？Anthropic 買下超級盃廣告暗諷對手商業模式

試驗評選招標？美國防部授予 Google、OpenAI、Anthropic、xAI 各 2 億美元合約

幾乎同一時間，哈佛醫學院與 Beth Israel Deaconess Medical Center 團隊也在 2026 年 4 月 30 日於 Science 發表研究，顯示 OpenAI o1 在真實急診病例文字資料中的診斷表現，於初期分診階段高於兩位資深醫師。兩項進展合在一起看，顯示 AI 醫療輔助正在從民眾自發查症狀，進一步走向醫師工作流程與臨床測試階段。

ChatGPT for Clinicians 免費開放美國醫護使用

OpenAI 推出的 ChatGPT for Clinicians，是專為臨床工作設計的 ChatGPT 版本，目前免費提供美國通過驗證的個別臨床醫護人員使用。

支援對象包括醫師、執業護理師、醫師助理與藥師。醫護人員可透過美國國家提供者識別碼等方式完成驗證，不需要由醫院或大型醫療機構統一採購，也能以個人身分使用。

OpenAI 對這項產品的定位相當明確：ChatGPT for Clinicians 不是取代醫師診斷，而是協助臨床醫護人員更快整理資訊、找到醫學資料，並減少文件與行政工作的時間負擔。目前這項服務仍限美國驗證醫護人員使用，台灣與其他國家醫護尚未全面開放。

臨床工作可用於查證與文件整理

ChatGPT for Clinicians 的核心功能，主要集中在臨床資訊整理與日常工作支援。對醫護人員來說，它比較像是一個可查證來源、可整理文字、可協助草擬文件的臨床助理，而不是直接下診斷的工具。

OpenAI 提到，這個版本可提供來自可信醫學來源的即時引用答案，也能支援醫學研究整理、臨床文件草擬、照護建議討論、先前授權文件，以及符合條件的繼續醫學教育學分。

繼續醫學教育學分是 OpenAI 宣稱的特色之一，但實際是否能取得仍需符合特定資格，並依相關醫學會與教育單位認定。對臨床現場來說，這類功能的價值不只在於回答問題，也在於減少醫護人員查資料、寫紀錄與整理文件的時間。

預發布測試 99.6% 回應被評為安全準確

OpenAI 也公布 ChatGPT for Clinicians 的預發布測試結果。在產品正式推出前，醫師顧問在日常臨床工作、文件撰寫與醫學研究情境中，測試了 6,924 個對話，其中 99.6% 的回應被評為安全且準確。

這組數據需要放在正確脈絡理解。它不是獨立大型臨床試驗，也不是 AI 直接面對真實病患的診斷測試，而是醫師顧問在預發布階段，針對臨床工作相關對話進行的安全性與準確性評估。

在需要引用醫學來源的 355 個案例子集中，ChatGPT for Clinicians 引用醫師指定來源的表現，也高於參與比較的人類醫師。這對臨床工具來說很關鍵，因為醫療 AI 不只要回答看起來合理，還必須能指出資料來源，讓醫護人員可以追溯與驗證。

哈佛研究顯示 AI 急診推理具優勢

除了 OpenAI 推出臨床醫護版 ChatGPT，哈佛醫學院與 Beth Israel Deaconess Medical Center 團隊也在 2026 年 4 月 30 日於 Science 發表研究，進一步驗證新一代推理模型在急診情境下的表現。

研究團隊使用 OpenAI o1 推理模型，分析波士頓 Beth Israel Deaconess Medical Center 的 76 個真實匿名急診病例。研究將病例依照急診流程分成不同資訊階段，包括初期分診、醫師初步評估後，以及後續臨床管理決策，再比較 AI 與醫師的表現。

在資訊最少、時間壓力最高的初期分診階段，OpenAI o1 正確或非常接近實際診斷的比例約 67%。兩位資深醫師在同一階段的表現分別約 55% 與 50%。當提供更多患者資訊後，AI 準確度提升至約 82%，醫師則約落在 70% 至 79% 之間。

不過在後續資訊較完整的階段，AI 與醫師之間的差異未必達到統計顯著，因此不應解讀為 AI 在所有急診情境都全面優於醫師。這項研究更適合視為 AI 已具備成為第二意見與輔助工具的潛力，而不是取代急診醫師的證據。

AI 輔助急診仍需臨床驗證

哈佛研究的重要性，在於它不是一般醫學考題，而是使用真實急診病例文字資料，測試 AI 在資訊不完整情境下的推理能力。這正是急診現場最困難的部分之一：醫師必須在有限時間、有限資料與高壓環境下，快速判斷哪些病人可能存在嚴重風險。

不過，研究限制也相當明確。AI 使用的是文字化病例資料，並沒有實際面對病患，也沒有進行床邊理學檢查、影像判讀或即時醫病互動。急診判斷不只看文字，還包括臉色、姿勢、疼痛反應、觸診結果、病人敘述可靠度與現場壓力。

因此，這項研究更適合解讀為：AI 已經達到值得進一步臨床測試的階段，而不是 AI 已經可以取代急診醫師。真正進入醫療流程前，仍需要更多驗證、監管配套與責任界線。

一般民眾也開始用 AI 整理症狀

在醫療體系之外，生成式 AI 也已改變一般民眾查詢健康資訊的方式。先前 2025 年一則個案中，一名男子分享自己在急診被診斷為胃酸逆流返家後，腹痛持續惡化，於是將症狀輸入 Grok AI 進行比對。

Grok 推論其症狀可能符合穿孔性潰瘍或非典型闌尾炎，並建議他立刻回急診要求 CT 掃描。男子照著 AI 整理出的症狀與推論內容，向急診醫師更明確說明自身情況與檢查需求。後續 CT 檢查發現闌尾已高度發炎、接近破裂，醫師緊急安排手術，最後順利排除風險。

這起事件仍屬個案層級，不能用來證明 AI 一定比醫師更準確，也不能反推初診必然有疏失。但它說明一種真實趨勢：當症狀持續惡化、病患對初步診斷不放心時，AI 可能協助整理症狀時間線、提出可能風險，並讓病患更清楚地向醫師描述問題。

AI 醫療輔助不等於取代醫師

從 ChatGPT for Clinicians、哈佛急診研究，到一般民眾使用 AI 整理症狀，可以看出 AI 醫療應用正在分成兩條路線。第一條是給醫護人員使用的臨床輔助工具，協助查資料、整理文件、提供第二意見；第二條是一般民眾用來整理症狀與就醫問題的健康資訊工具。

這兩條路線都不能取代醫師。醫療判斷仍需要結合病史、身體檢查、檢驗數據、影像資料、臨床經驗與醫病溝通。AI 可以幫忙找出疑點、整理資訊、提供可能方向，但不能承擔最終診斷與治療責任。

未來更可能出現的不是 AI 單獨看診，而是醫師、病患與 AI 共同參與的照護流程。AI 協助整理資訊與提示風險，醫師負責判斷、確認與治療，病患則能用更清楚的方式參與自己的健康決策。

目前這些工具仍有明確限制，包括樣本規模有限、文字資料與真實臨床現場落差、模型可能出錯，以及責任歸屬尚未明確。即使 AI 在研究中表現優於部分醫師基準，真正進入臨床仍需要更多測試、監管與醫療體系配套。

延伸閱讀

ChatGPT Atlas 實測：用 AI 幫我搶演唱會門票，成功了嗎？

OpenClaw 安裝 Mac 佈署教學：串接 ChatGPT 付費訂閱使用 Codex 模型

抓到了！OpenAI 揭中國網軍利用 ChatGPT 操控跨境輿論戰

Elon Musk 曾在訪談中提到，TERAFAB 的設計方向在於改變既有半導體製造模式。他指出，透過封閉微環境技術隔離晶圓，未來工廠可在大幅降低環境限制的情況下運作，甚至形容為「邊抽雪茄、邊吃起司漢堡也不影響生產」。

而在奧斯汀舊 Seaholm Power Plant 的直播中，Elon Musk 進一步說明，TERAFAB 將探索非傳統運算架構，並導入遞歸式自我改進 (recursive improvement)，讓製造系統隨著數據累積持續調整生產流程。

銀河文明願景：太空運算與能源瓶頸的突破

這項計畫的核心，在於回應未來呈指數成長的算力需求。Elon Musk 指出，若要支撐每年向太空發射 1 億噸太陽能捕捉裝置的目標，將需要數百萬台特斯拉 Optimus 機器人協同運作；然而，地表電力供應已逐漸逼近上限 (如美國總電力約 0.5 TW)，成為關鍵限制。

在此背景下，TERAFAB 規劃的每年 1 TW 運算能力中，預計約 80% 將部署於太空 AI 衛星陣列，利用長時間日照與低環境干擾的條件，作為主要算力來源。

產能與投資：1 TW 運算力與媒體估計規模

正式廠區選址於德州 Travis County，緊鄰 Giga Texas。儘管官方尚未公布具體財務細節，媒體與分析師普遍估計，初期投資規模約介於 200 億至 250 億美元。該設施將整合邏輯晶片、記憶體與先進封裝於同一體系內，目標打造可一站式完成測試、迭代與製造的兆級 (Tera-scale) 生產設施。

技術佈局：D3 太空晶片與遞歸式自我改進

據業界報導與 Elon Musk 先前訪談，TERAFAB 預計採用 2 nm 級的最先進製程節點，首批產能計畫於 2026 年啟動，並在 2027 年進入量產。工廠將生產兩大核心產品：

• 用於 Optimus 機器人與特斯拉車輛的客製化 AI 晶片，其產量預計將達到傳統汽車晶片的 10 至 100 倍。
• 名為 D3 的太空專用晶片，專為低軌道 (LEO) 環境設計，具備抗輻射特性，用於驅動 100 kW 級 AI 迷你衛星。

TERAFAB 與傳統半導體製造對比

產業衝擊：潔淨室革命與後稀缺經濟展望

儘管業界對於在非傳統環境下量產 2 nm 晶片的良率仍持保留態度，Elon Musk 仍表達高度信心。Elon Musk 指出，TERAFAB 的長期目標在於推動人類邁向「後稀缺經濟」 (Post-scarcity economy)，並探索於月球建立工業基地的可能性。

目前專屬招募網站 terafab.ai 已上線，連結至 Tesla、SpaceX 與 xAI 的職缺頁面，顯示三方正同步擴大招募半導體基礎設施與太空硬體相關人才，為更大規模的運算部署做準備。

延伸閱讀

特斯拉 AI 晶片戰火延燒：韓國啟動徵才、AI6 轉向三星布局

打造地表最大分散式 AI 推理網路？特斯拉想讓你的車成為共享算力

Optimus 訓練算力將上線：世界最大 AI 叢集 Cortex 2.0 四月啟動

這項案例顯示，工程師的角色正逐步從程式碼的直接撰寫者，轉變為設計開發環境、定義目標與建立回饋機制的協調者。OpenAI 將這種開發方式稱為 Harness Engineering (駕馭工程)，透過讓 AI 代理人負責大量程式生成與迭代，使整體開發效率顯著提升。

這項實驗並非單純的技術展示。相關產品目前已作為內部 Beta 版本部署，並有數百名使用者每天實際使用。系統在真實環境中運行、出現錯誤並由 AI 代理人進行修復，顯示 AI 代理人已能參與部分真實軟體開發與維運流程。

零手寫百萬行：布魯克斯定律的新案例

在傳統軟體工程理論中，布魯克斯定律 (Brooks’s Law) 指出，在進度落後的專案中增加人力，往往會因為溝通成本提高而讓進度變得更慢。然而，OpenAI 的實驗團隊最初以 3 人小規模運作，引導 AI Agent (AI 代理人，指能自主執行任務的智慧程式) 完成約 1,500 個 PR (Pull Request，指程式碼修改後的審核與合併請求)。當團隊規模擴充至 7 人後，整體產出仍持續增加，呈現接近線性成長的趨勢。

根據公開資料，這套開發模式下平均每位工程師每日可合併約 3.5 個 PR。這項數據顯示，當工程師將重心放在維護 Repository (Repo，存放程式碼與版本紀錄的數位倉庫) 的架構邊界，而非逐行撰寫程式碼時，團隊規模的擴張仍能維持高效率的協作節奏。

駕馭工程的控制論哲學：人類掌舵、代理執行

駕馭工程的核心理念可概括為「人類掌舵，代理執行 (Humans steer. Agents execute.)」。這種思維可追溯至 1788 年詹姆斯·瓦特 (James Watt) 發明的離心調速器。當時工人不再需要持續手動調整閥門，而是設定目標轉速，由機械結構自動維持運作。

後續的系統設計，例如 Kubernetes (用於自動化部署與管理的容器平台)，也採取類似邏輯：開發者只需宣告期望狀態，系統便會持續調整以維持該狀態。在現代軟體開發場景中，工程師的任務逐漸轉為設計一套具備明確約束與回饋機制的系統環境 (Harness)。這套環境通常包含三個關鍵面向：

1. 設計環境與可讀性：將系統架構與文件結構化，讓 AI 代理人能清楚理解程式碼結構並有效導航。
2. 建立可觀測性：將系統運行狀態與錯誤訊息即時回饋給代理人，使其能進行自我診斷與修正。
3. 建立回饋循環：工程師定義目標與邊界條件，代理人負責生成程式碼、執行測試並根據結果進行迭代。

透過這種設計，工程師的工作重心逐漸從撰寫程式碼轉向系統導航與架構設計。軟體開發的生產模式也因此出現新的分工方式。

軟體開發模式演進與角色對照表

技術風險與系統限制

儘管駕馭工程能顯著提升開發產能，但若缺乏明確的安全護欄設計，仍可能帶來執行風險。業界曾出現一項具代表性的案例：Meta AI 安全研究員 Summer Yue 在測試自主代理工具 OpenClaw 與 Gmail 的整合時，代理人因上下文壓縮損耗 (Compaction Loss) 而遺忘「執行動作前需確認」的指令，並未正確回應停止訊號，最終批量刪除了數百封郵件。

這類事件顯示，代理人在追求任務效率時，可能偏離人類原先設定的操作意圖，需要透過額外的安全機制或強制終止流程才能停止執行。

此外，目前的 AI 系統仍受到上下文管理能力的限制。以簡單情境為例，若要求 AI 列出 100 家台南傳統小吃並明確限制內容不得包含香菜，隨著輸出內容逐漸增加，模型可能在後段生成時遺忘先前的限制條件，導致結果仍出現含有香菜的項目。

這類情況反映出上下文記憶與約束維持仍是當前 AI 系統的重要挑戰，也說明工程師在設計代理系統時，仍需持續調整回饋機制與安全邊界，而非完全依賴代理人自主運作。

延伸閱讀

抓到了！OpenAI 揭中國網軍利用 ChatGPT 操控跨境輿論戰

ChatGPT 廣告真的要來了？Anthropic 買下超級盃廣告暗諷對手商業模式

在 Mac 安裝 OpenClaw 全流程教學：串接 ChatGPT 訂閱與 Codex 模型

在社群平台 X（原 Twitter）上，時常可見各類來源不明的影像或影片被快速轉傳。雖然「社群備註」（Community Notes）能協助補充背景資訊或指出內容可能為 AI 生成，但使用者仍需要更可靠的驗證工具。Google 開發的 SynthID 技術，正是用於識別 AI 生成內容的一種數位浮水印機制。

技術核心：什麼是 SynthID？

SynthID 是 Google 開發的一種數位浮水印技術，會嵌入在媒體底層資料（例如像素、影格或音訊波形）中，用來標記 AI 生成內容。這些標記存在於資料層級，不會影響影像或影片的觀看體驗，同時可在後續驗證流程中被系統偵測。

這項技術具備兩個主要特點：

• 肉眼不可見：浮水印嵌入於影像或影片資料層，不影響畫面品質與細節呈現。
• 高耐受性：即使經過裁切、縮放、色彩調整或檔案壓縮等處理，系統仍能辨識出其中的數位標記。

如何透過 Gemini 快速辨識？

現在不需要具備複雜的技術背景，只要透過 Gemini 就能直接進行來源驗證。最快的方式是使用快捷指令。

步驟一：呼叫工具

在 Gemini 的對話視窗中輸入 @synthid。

系統會識別你要使用 SynthID 工具檢測內容，並提示你上傳想要檢查的圖片或影片檔案。

步驟二：上傳媒體檔案

根據提示點擊附件圖示，上傳想要檢測的檔案。

但值得注意的是，目前系統僅支援直接上傳檔案進行掃描，尚無法透過網址連結 (URL) 進行辨識。

步驟三：解讀檢測結果

檔案上傳後，Gemini 會自動啟動辨識工具進行掃描，並提供檢測結果：

• 命中標記：系統會提示「這張圖片的全部或大部分內容是由 Google AI 編輯或生成」。
• 查無標記：若未發現 SynthID，代表該內容可能不是由 Google AI 生成，也可能為真實影像或其他 AI 工具生成。

哪些內容裡面有 SynthID？

為提升 AI 內容的可識別性，Google 已將 SynthID 整合至多項生成式模型，作為標記 AI 內容的基礎機制：

• 影像生成：透過 Nano Banana 2 與 Nano Banana Pro 生成的圖像，系統會自動嵌入數位浮水印。
• 影片生成：由 Veo 模型產生的影片內容，畫面影格中同樣包含可辨識的數位標記。
• 音樂音訊：Lyria 3 生成的音樂與音訊素材，也會嵌入對應的數位浮水印。

AI 生成浮水印能被移除嗎？

目前網路上已出現部分服務聲稱可以移除 Gemini 圖片上的 AI 浮水印，例如標榜透過純瀏覽器本地運算方式，提供即時且無損的 Gemini AI watermark removal 功能。這類工具主要是移除影像表層可見的浮水印標記，或透過影像修補方式重新生成部分畫面。

然而，即使透過這類服務或使用 Photoshop 等影像編輯工具移除可見浮水印，仍無法消除嵌入在媒體資料層中的 SynthID。由於 SynthID 是隱藏在像素資料中的數位標記，因此即使畫面經過編輯、裁切或重新輸出，系統仍有機會辨識出 AI 生成的來源資訊。

面對日益增加的 AI 生成內容，建立基本的驗證習慣已成為數位資訊環境中的重要能力。隨著影像生成技術持續進步，單憑肉眼往往難以判斷內容來源，因此透過工具進行輔助辨識變得愈來愈重要。

當在 X 或其他社群平台上看到來源不明或真實性存疑的影像時，可以透過 Gemini 等工具進行 SynthID 檢測，以確認內容是否包含 AI 生成的數位浮水印。這類技術為辨識 AI 生成內容提供了一種新的驗證方式。

延伸閱讀

抓到了！OpenAI 揭中國網軍利用 ChatGPT 操控跨境輿論戰

風水輪流轉？從搜尋到 AI：Apple 與 Google 的合作正式反轉

Grok 爆紅「AI 一鍵更衣」惹議！深偽影像踩線引多國監管封鎖