Kilo Code 是一個開放原始碼（任何人都能免費下載、查看、修改程式碼）的 AI 輔助編程平臺，讓工程師在 VS Code 或 JetBrains 等「寫程式用的工作環境」（IDE，就是開發者日常用來撰寫程式碼的軟體）裡，直接呼叫 AI 幫忙寫程式、除錯、生成文件。它支援超過 500 種 AI 模型（涵蓋 OpenAI 的 GPT 系列、Anthropic 的 Claude、Google 的 Gemini 等），讓開發者自由切換，不被任何一家 AI 公司綁定，且平臺本身不加收任何中間費用，費用直接由開發者支付給 AI 模型提供商。最新的 v7 版本新增「平行代理人」（Parallel Agents）功能，讓多個 AI 同時執行不同任務——例如一個 AI 同時寫測試程式、另一個同步更新說明文件——最後再透過內建的 Diff Reviewer（差異審查工具）讓開發者確認並合併各 AI 的工作成果。它由 Cline → Roo Code → Kilo Code 逐步演進而來，2025 年 3 月正式成立，目前有 22,100 顆 GitHub 星星、完成 800 萬美元種子輪融資，GitLab（知名開源程式碼託管平臺）共同創辦人也已加入，代表開源 AI 編碼工具正式從「工程師的玩具」升級為可用於正式工作環境的生產級平臺。
一位工程師在維護一個有數百個程式檔案的大型電商網站專案。過去使用 Cursor（一款熱門的商業 AI 編碼工具）時，每次開啟新對話視窗，AI 就會「失憶」，忘記上次討論好的「資料庫要改用 PostgreSQL」或「前端框架要換成 React」等重要決策，每次都要重新解釋背景，非常費時。改用 Kilo Code 後，Memory Bank（跨次記憶功能，讓 AI 記住跨次對話的專案決策）會把這些決定自動保存下來，下次開啟時 AI 直接接著上次的進度繼續工作。同時啟用 Parallel Agents，讓一個 AI 代理人（就是自動執行任務的 AI 助手）寫新功能的單元測試、另一個同步更新 API 說明文件，兩件事同步進行而不是排隊等待。完成後，工程師透過 Diff Reviewer 一次看到兩份修改的對比，確認沒有衝突後一鍵合併。相比舊做法，每次都要重新交代背景、每個任務都要串行等待，整體節省了大量反覆說明的時間，也讓 AI 輔助真正融入 CI/CD（持續整合與持續交付，就是自動化測試與部署的工作流程）裡。
Adobe 宣佈將「Creative Agent（創意 AI 助手，能理解使用者意圖並自動執行多步驟工作任務的 AI）」大規模整合進旗下 Creative Cloud 主要應用程式，涵蓋 Premiere Pro（影片剪輯軟體）、Photoshop（影像編輯軟體）、Illustrator（向量繪圖軟體）、InDesign（版面設計軟體）與 Frame.io（影片協作平臺，目前公開測試），After Effects 則進入私人測試階段。使用者只需用文字描述想要達成的結果，AI 就會自動完成跨多個工具的複雜操作步驟，完全不需手動一個一個切換軟體。底層整合了超過 30 個 AI 模型，包含 Kling 3.0、Google Veo 3.1、Runway Gen-4.5 等知名影像生成 AI，構成多模型協作的自動化架構。目前 Adobe 工具已可在 ChatGPT、Claude（Anthropic 開發的 AI 對話助手）、Microsoft 365 Copilot 中直接呼叫，Google Gemini 與 Slack 整合也即將推出；技術上支援 MCP 協議（一種讓不同 AI 工具之間互相溝通的標準介面），開發者可透過 Claude Desktop 等工具直接操控 Photoshop 與 Premiere 的功能。
假設你是一位影片製作人，剛拍完大量原始素材，需要整理並製作出初步的粗剪版本。過去你需要手動進入 Premiere Pro，逐一檢視素材、把片段分類到不同資料夾（bin）、重新命名每個檔案，再花時間手動組合出初步剪接版本，光這些前置整理作業往往就要耗費數小時。現在透過 Adobe Creative Agent，只需輸入「幫我把今天拍的素材依場景分類、重新命名，再組合成一個粗剪版本」，Agent 便自動完成全部流程，無需手動操作任何選單。對開發者而言，Agent 支援 MCP 協議，可透過 Claude Desktop 直接呼叫 Photoshop 的功能——例如讓 Claude AI 自動讀取圖層內容，一鍵為 Photoshop 檔案裡所有圖層重新命名，這類重複性手工操作從此可完全自動化；與舊做法相比，原本需要工程師寫腳本綁定特定軟體版本，現在透過標準 MCP 介面就能直接呼叫，擴充彈性大幅提升。
OpenAI 預計下週推出 GPT-5.6 系列模型，將包含 Mini（輕量精簡版）和 Pro（專業旗艦版）兩種規格，滿足不同預算與需求的使用者。最顯著的升級是脈絡窗口（context window，也就是 AI 一次能「閱讀並記住」的文字總量）擴充到 150 萬個 token——token 是 AI 拆解文字的基本計算單位，大約一個中文字等於 1 至 2 個 token——比現有主流模型大幅躍升，讓 AI 可一口氣處理超長文件或龐大的程式碼庫。此外，GPT-5.6 強化了「長期程式撰寫任務」（long-horizon coding，即需要橫跨多個步驟、來回迭代才能完成的複雜軟體開發工作）的能力，Codex（OpenAI 旗下的程式碼生成 AI 工具）的回應速度也明顯加快。值得關注的是，OpenAI 此次定價策略刻意壓低，目標是在競爭對手 Anthropic 的 Claude Fable 5 因美國監管問題面臨上市障礙之際，趁機搶奪市場份額。
假設我是一名軟體工程師，要讓 AI 協助審查一個包含十萬行程式碼的大型後端專案。使用目前的 GPT-5（脈絡窗口約 12.8 萬 token），我必須把程式碼切成數十個小段分批送入 AI，每次 AI 只能看到局部片段、無從理解整體架構，給出的修改建議容易片面甚至前後矛盾。改用 GPT-5.6 的 150 萬 token 窗口，整個專案可以一次全數輸入，AI 能夠掌握完整的模組依賴關係與設計架構，直接給出全域一致的重構方案，不再出現「改了 A 模組卻破壞 B 模組」的問題——過去可能要花一整天分批確認、手動拼湊建議，現在一次提問即可獲得完整的全局分析。
DeepSeek 是一家中國 AI 公司，它在 2025 年初推出的對話 AI 模型，以遠低於市場預期的成本取得頂尖效能，令全球科技界震驚，許多開發者和企業因此轉用其 API（就是讓程式透過網路呼叫 AI 服務的介面）來節省成本。美國政府原本計劃將 DeepSeek 及逾百家中國企業列入「實體清單」（就是貿易黑名單，被列入的公司幾乎無法購買任何美國商品、軟體或技術，等同事實上的貿易禁令），但在 2026 年 6 月決定暫緩，主要原因是美中貿易談判進入敏感期，政府不想在此時刺激北京。這個決定已懸而未決逾 8 個月，創下十年來最長空白期，全球供應鏈業者和 AI 開發者都在觀望，「隨時可能被列入」的不確定性本身就已造成「預防性脫鉤」壓力。DeepSeek 的開源模型（就是公開釋出程式碼讓任何人免費下載使用的版本）已在全球廣泛流通，許多技術人士因此質疑就算列入黑名單，實際管制效果有多大。
假設你是一家臺灣新創公司，正在用 DeepSeek 的 API 開發 AI 客服產品，因為它比 OpenAI 或 Anthropic 的同等服務便宜約 10 倍。現在面臨這個政策懸而未決的情況，你需要立刻做幾件事：第一，清查供應鏈——如果你的客戶或投資人是美國法人，他們可能要求你改用合規服務商；第二，訂閱美國商務部的「實體清單」更新通知，因為一旦 DeepSeek 正式列入，繼續呼叫其 API 可能讓美國客戶面臨出口管制違規風險，進而立刻要求你切換服務。遷移到 Claude 或 OpenAI 的 API，每月運算成本可能暴增 10 倍以上，直接衝擊產品定價和公司財務。相較於過去只需要考量技術選型的工程決策，現在還必須同步追蹤地緣政治動態——這正是此次政策不確定性對 AI 開發者造成的最直接影響。
Upstream 是法國新創公司打造的 AI 原生（從底層就為 AI 設計）電子郵件工具，於 2026 年 6 月正式推出，上架首日在 Product Hunt（一個科技產品評選平臺）拿下當日第一。和一般把 AI 功能硬貼在舊版 email 系統上的做法不同，Upstream 從頭重建整個電子郵件基礎架構，讓 AI 代理人（Agent，就是能自主執行任務、不需要每步都靠人下指令的 AI 程式）成為收件匣的正式成員，可自動讀信、回信、分類整理郵件並執行後續動作。它支援 MCP（Model Context Protocol，讓不同 AI 程式透過統一介面互相溝通的開放標準），能與 Claude 等主流 AI 助理及自訂 Agent 串接，也能跨 Notion、Google 日曆、Drive 做語意搜尋（能理解語句含意而不只靠關鍵字比對的搜尋方式）。值得注意的是，所有 AI 自動草擬的回信都需要使用者親自確認才會送出，且明確承諾不用客戶信件資料來訓練模型。
假設你每天上班要花超過一小時處理收件匣——篩選廣告信、回覆合作邀請、整理會議通知、追蹤待辦事項。使用 Upstream 時，AI Agent 會自動把「需要你親自決策的重要信」和「系統通知、廣告、次要更新」分開（這叫 triage，類似急診室的病患分流，讓你先處理最重要的），讓你的注意力只放在真正需要你的信件上。需要回信時，它會根據你過去的語氣、慣用語言甚至 emoji 使用習慣幫你草擬回覆草稿，你確認後才實際送出。如果你想查「上週 A 公司的提案信件有沒有提到交貨期限」，它能同時搜尋你的信箱、Notion 筆記和 Google 日曆，不用逐一開分頁翻找。早期使用者回報，每天處理信箱的時間從超過一小時縮短到約 15 分鐘（縮短約 75%）；對開發者來說，透過 MCP 介面，外部 AI 代理人可直接把 inbox 當成多個 Agent 的共用溝通層，比起傳統 webhook 串接更具彈性。
印度最大電信業者 Jio（隸屬信實工業集團，印度最大私人企業之一）宣佈，將把 AI（人工智慧）功能整合進旗下的通話服務、手機應用程式和家居裝置中，目標覆蓋超過 5 億名 Jio 用戶。核心功能是「Jio Call Agent」——一個在電話通話時自動在背後運作的 AI 助理（就是打電話的同時，有一個智慧程式同步記錄對話、整理重點，還能直接幫你訂車、訂餐）。用戶只要喊出「Hey Jio」就能啟動語音指令。除了通話，Jio 的手機應用程式 MyJio 也升級支援自然語言指令（就是用說話或日常打字的方式下指令，不需要學特定格式），讓用戶輕鬆切換資費方案或開通 eSIM（內建在手機晶片中的虛擬 SIM 卡，不需實體卡）。此外，Jio 還計劃推出家用顯示器 TeleFrame，主動推送天氣警報、行程提醒和家務通知。所有功能支援多達 22 種印度語言，預計 2026 年底前全面上線。
假設我是 Jio 用戶，跟家人打完電話、聊好今晚要去哪裡吃飯。過去的流程是：掛電話 → 打開外送或訂位 App → 重新搜尋餐廳 → 手動填日期時間人數 → 確認預訂，整個過程大約要花 3～5 分鐘。有了 Jio Call Agent 後，通話過程中 AI 已同步聽取並記錄對話內容。通話結束後，我直接說「Hey Jio，幫我訂剛才說的那家餐廳，今晚六點、兩人」，AI 能理解通話脈絡、辨識餐廳名稱並自動執行預訂，整個過程不到 30 秒。對比舊方式，最大的差異在於 AI 能「讀懂通話記錄的上下文」直接行動，而不是每次都要用戶從頭輸入。對於不擅長操作智慧型手機的年長用戶，這種「說話即完成」的設計尤其有價值。
挪威政府宣佈，從今年 8 月底起，禁止小學（1 到 7 年級）學生在校內使用生成式 AI（就是 ChatGPT、Copilot 這類可以自動幫人寫文章、回答問題的 AI 工具）。中學（8 年級以上）則只允許在老師全程監督下才能使用。挪威總理史託雷表示，孩子必須先真正學會閱讀、書寫和算數等基本能力，才能接觸 AI 輔助工具。這項政策反映出越來越多教育工作者的憂慮：若學生太早依賴 AI 代為完成作業，可能導致他們從未真正鍛鍊到獨立思考、理解和解題的能力。挪威因此成為目前歐洲首批以明確法規形式限制 AI 在基礎教育中使用的國家之一，預計將引發其他國家跟進討論。
假設我是挪威一所小學的三年級導師。過去，班上有學生寫作文時直接讓 ChatGPT 生成整篇段落，交出來的文章文筆流暢，但完全不是孩子自己思考的產物；也有學生做數學練習時直接讓 AI 算出答案，整個解題過程一概不理解。8 月新規上路後，這些生成式 AI 工具將在校內設備與網路上受到封鎖，學生必須自己動手寫、動腦算。對比鄰近國家若未跟進類似管制，同年齡的學生每天仍可用 AI 完成作業，兩種截然不同的教育環境所造成的學習能力落差，預計會在後續的跨國教育研究中持續被追蹤與比較。
Perplexity（一家知名 AI 搜尋引擎公司）推出了名為 Brain 的記憶系統，專門設計給 AI 代理（agent，就是能自動依照指令執行一連串任務的 AI 程式）使用。過去 AI 代理有一個根本缺陷：每次執行任務都像剛失憶一樣，不記得上次做過什麼、查過哪些資料、得出哪些結論，每次都要從零重建理解。Brain 解決這個問題，透過建立一個持續存在的「情境圖譜」（context graph，可以想像成一張把所有工作脈絡串起來的立體心智地圖），把跨任務、跨專案、跨文件的重要資訊都連結保存下來。這套系統還有兩個關鍵設計：第一，每條記憶都會連回原始來源（某份文件、某次對話），讓 AI 知道「這個結論是從哪裡來的」，而不是憑空記住；第二，知識會持續自動更新整理，確保記憶不過時。最終效果是 AI 代理的回答更準確，同時重複輸入相同脈絡的成本大幅降低。
假設我是一名產品經理，長期用 AI 代理協助分析競爭對手、起草產品規格文件。在沒有 Brain 的情況下，每次交辦新任務，AI 代理完全不記得三週前我分析競品的結論，也不知道我偏好的分析框架，更不記得我上次明確說「我們不考慮 X 功能，原因是市場上使用率太低」——每次都要重新交代背景，費時費力。有了 Brain 之後，AI 代理會把這些決策、偏好和資料結論全部存進情境圖譜。下次我說「再幫我分析一下這個新競品的 X 功能」，它會自動帶著「你之前說過不考慮 X，現在是否要重新評估？」的前提來工作；而且當新資料進來，它會主動比對並更新舊有結論，而不是讓我重新餵一遍舊文件。結果是：任務脈絡不需重建（省時）、減少重複送入相同資訊的 token 消耗（省錢），最終得到的答案也更符合我的實際工作情境。
ZPPO（Zone of Proximal Policy Optimization，近側政策最佳化）是一種讓 AI 模型在訓練時反覆「重練」困難題目的新方法。傳統 AI 訓練中，模型看過一道題目就繼續往下走，遇到難題答錯了也只是翻篇繼續。ZPPO 的做法是：把模型一直答不對的難題存進「重播緩衝區」（Replay Buffer，就像遊戲裡的「收藏困難關卡」清單），讓模型在後續訓練中反覆接觸這些難題，直到真正學會為止。這個概念源自教育心理學家 Vygotsky 提出的「近側發展區」理論——學習效果最好的地方是「剛好難到跳一跳才能夠到」的程度，既不是早就會的題，也不是完全無從下手的題。此方法在視覺語言模型（VLM，就是能同時看圖、看影片並回答問題的 AI）的訓練上，比起傳統的知識蒸餾方法（把大模型能力轉移給小模型的技術）有明顯提升，並優於 GRPO 等現行主流訓練方式。
假設你要訓練一個小型 AI 模型來理解影片內容，用傳統方式讓它瀏覽大量影片問答題。遇到「影片第 3 分 15 秒到 4 分 22 秒之間，廚師用了幾種不同的切菜手法？」這類需要細緻時序理解的難題，模型答錯了就直接跳過，繼續往下看其他例題，最後對這類題型依然一知半解。使用 ZPPO 框架後，這道難題會被加入重播緩衝區，下次訓練時再次出現，並以「BCQ 格式」呈現——同時附上一個正確答案和一個錯誤答案，強迫模型辨別：「這兩個答案，哪一個才合理、差在哪裡？」若連教師大模型都解不出來，則改用「NCQ 格式」——把模型自己過去答錯的幾次結果攤在眼前，讓它學會識別自己慣常犯的錯誤模式。這樣反覆練習的結果，模型在困難題上的準確率明顯高於只看一次的傳統訓練，尤其對影片理解這類需要跨時間推理的任務效果更為顯著。
Google 正在模仿 NVIDIA 的商業模式，把自家研發的 TPU（Tensor Processing Unit，一種專為 AI 訓練與推理設計的晶片，類似 NVIDIA 的 GPU 但由 Google 製造）對外出租算力服務。目前 Google 已在美國紐約州西部的一座 AI 資料中心，把大批 TPU 的算力租給了 Anthropic（就是開發 Claude AI 的公司）。Google 大約兩年前才意識到 TPU 的商業潛力，隨後開始大力投資 TPU 在 AI 推理（讓 AI 模型實際回答問題、產出結果的過程）方面的能力，旗下 AI 基礎設施團隊也全力專注於提升晶片效能。這代表 Google 不再只是把 TPU 留給自己用，而是要像 NVIDIA 一樣，把 AI 算力當成一門可以對外銷售的生意。
假設我是一家需要大量算力跑 AI 模型的新創公司，目前市場上 NVIDIA GPU 的雲端租用資源（例如 Amazon AWS、Microsoft Azure 上的 H100 GPU）供不應求、價格昂貴，常常排隊等不到。現在 Google 也把 TPU 算力對外開放租用，我就多了一個替代選項：透過 Google Cloud 租用 TPU 來進行 AI 推理工作，不必再全押在 NVIDIA GPU 上。最具說服力的是：Anthropic 這種頂尖 AI 公司都選擇使用 Google 的 TPU，說明 TPU 的效能已達到業界一流水準。對比過去，TPU 幾乎只供 Google 內部使用（用來訓練 Google 搜尋和 Gemini 等自家模型），如今則成了任何企業都可以按需租用的商業算力資源，等於 AI 算力市場多了 NVIDIA 以外的有力競爭者。
Mistral AI（一家法國的 AI 公司，以製作開放原始碼的 AI 語言模型著名）正在升級旗下的 Vibe 平臺，新增兩個主要功能區塊。CODE 區塊讓使用者可以直接在瀏覽器裡寫程式，完全不需要安裝任何開發工具或設定終端機（就是那個黑底白字的程式設計師專用視窗）。APPS 區塊目前仍在開發中，功能是讓使用者能夠建構、上架並分享自己做的應用程式，還支援串接外部資料來源和多步驟自動化流程（意思是可以把多個 AI 任務串在一起自動執行）。這代表 Mistral 的 Vibe 平臺正在從一個單純「跟 AI 聊天問答」的工具，轉型為讓使用者能直接開發並發布應用程式的完整產品平臺。這個方向與 OpenAI 的 ChatGPT（附帶程式碼執行功能）和 Anthropic 的 Claude.ai 等服務直接競爭，反映出 Mistral 不再只是一家做模型研究的公司，而是想成為一個完整的 AI 應用開發生態系。
假設我是一個行銷人員，想做一個簡單的小工具，讓同事輸入產品名稱就能自動生成行銷文案，但我完全不會寫程式、也沒有裝過任何開發環境。過去我只能請工程師幫忙，或者用 ChatGPT 聊天產出文字後再手動複製貼上。有了 Vibe 的 CODE 功能，我可以直接在瀏覽器裡用中文告訴 AI：「幫我做一個輸入框，讓我填入產品名稱，按下按鈕後自動生成三段行銷文案」，AI 就會生成對應程式碼並立刻在頁面上執行讓我試用。等 APPS 功能上線後，我還能把這個小工具直接發布出去，讓同事用網址打開就能使用，完全不需要自己找伺服器或主機。相較於舊版 Vibe 只能聊天問答、每次都要重新貼文字，新版讓沒有技術背景的使用者也能實際「做出一個工具」並直接分享給別人用。
AWS（亞馬遜雲端服務，全球最大雲端平臺之一）推出了一項名為 AWS Continuum 的全自動資安服務，專門用來處理軟體程式碼中的安全漏洞（就是駭客可以利用來入侵系統的程式缺陷）。這項服務的特別之處在於它能以「機器的速度」——意思是比人工處理快上幾十甚至幾百倍——自動完成「發現漏洞→判斷危急程度→確認是否真的可被攻擊→套用修補→送回人工審查」的整個流程。系統在排序優先度時，會利用一張「環境與業務關聯圖」（把公司所有系統、模組、業務邏輯串聯成一張關係網路的資料結構）來判斷：這個漏洞如果真的被攻擊，對業務的實際衝擊有多大。在真正修補之前，它還會在一個完全隔離的沙箱環境（與正式服務毫無連線的測試空間）中驗證漏洞的可利用性，避免誤報浪費工程師時間，最後將永久性修復方案無縫接入企業現有的程式碼審查與部署流程。
假設我是一家金融科技公司的資安工程師，每週的漏洞掃描都會回報數百個潛在問題，但以往靠人工判斷要花三到五天：先篩哪些漏洞是真的、哪些是誤報，再評估哪個先修，最後才寫修補程式送審。導入 AWS Continuum 之後，同樣 400 個漏洞，系統先用業務關聯圖自動評分——「這個漏洞在對外 API 金流模組，可利用性高、業務衝擊大」排最高；「這個在只有內部 VPN 才能存取的後臺工具」排最低。接著在沙箱裡實際模擬攻擊，確認 400 個裡真正危險的只有 30 個。系統對這 30 個自動套用可即時回復的臨時修補（避免服務中斷），同時自動生成完整的程式碼修復方案，透過 Pull Request 送進工程師的審查流程。工程師只需要審查並合併，不需要從零開始寫修補程式。原本需要整個資安團隊花一週才能處理完的事，幾小時內就完成初步防護。
ARD（Agentic Resource Discovery，AI 代理資源探索協議）是由 Snowflake、微軟、GoDaddy 等企業共同推出的開放標準，專門解決企業內部 AI 代理（AI agent，就是能自動執行任務的 AI 程式，例如能幫你查資料、回答問題、處理工作流程的機器人）彼此找不到對方、必須靠人工手動接線的問題。以往當一個團隊開發好一個 AI 代理，其他部門或其他系統要使用它，必須先知道它在哪裡、叫什麼名字、怎麼呼叫，全程靠人工打通，既費時又容易出錯。ARD 定義了四個標準步驟：描述（Describe，開發者把代理功能寫成標準格式的清單檔案 ai-catalog.json）、整理（Curate，企業的發現服務統一收集管理）、搜尋（Search，使用者以自然語言查詢想要哪種能力）、執行（Execute，系統自動路由到正確的代理），讓 AI 代理的發布與使用就像網頁被搜尋引擎收錄一樣自動化。此協議強調「發現服務不介入實際執行路徑」，確保企業對代理的存取權限與治理仍完整保留在原有系統內。
假設公司的資料工程團隊週一開發完成了一個能自動分析銷售數據的 AI 代理，並將功能描述寫成標準格式的清單檔案發布出去。到了週二，業務部門同事在公司 AI 協作平臺（例如 Snowflake CoWork）輸入「我想查上個月各區域的銷售趨勢」，系統會自動找到這個代理並把問題路由過去——業務同事完全不需要知道代理叫什麼名字、在哪個系統、如何申請連線權限。相比之前，資料團隊得另外寫文件通知各部門「有這個工具、連線方式是這樣、要用請找誰申請」，ARD 直接省去了這整套手動通知與設定流程，讓新代理從開發完成到全公司可用幾乎不需要額外人力介入。
路透新聞研究所（Reuters Institute，專門研究全球媒體趨勢的學術機構）發布的《2026 數位新聞報告》顯示，全球每週用 AI 聊天機器人（就是像 ChatGPT、Gemini 這類能對話的 AI 程式）獲取新聞的人口比例，從去年的 7% 上升至 10%。然而信任度仍偏低：只有 20% 的一般大眾信任 AI 生成的新聞，相比之下信任傳統媒體的比例有 37%；即使是天天使用聊天機器人看新聞的重度用戶，信任度也只達到 44%。更值得注意的是，讀者看完 AI 新聞摘要後回頭點開原始出處查證的比例僅有 4%，而使用搜尋引擎時這個比例是 19%，代表 AI 聊天機器人大幅減少了人們核實資訊的機會。使用率最高的族群是 18 到 24 歲年輕人（17%，是年長族群的三倍以上）及自稱「新聞重度愛好者」（18%），使用 AI 聊天機器人看新聞的方式以追問後續問題（42%）、取得即時新聞（35%）、閱讀整理摘要（34%）為主；成長最快的地區是亞洲、非洲、拉丁美洲和東歐。
你想快速瞭解「今天某個國際政治事件的來龍去脈」，舊做法是打開 Google 新聞，點開幾個連結，自己讀三到五篇報導，比較不同媒體的說法，整個流程可能花 10 至 15 分鐘。新做法是直接問 ChatGPT 或 Gemini，幾秒內拿到一段合成好的摘要，省時省力。問題在於：AI 的摘要混合了多個來源卻鮮少標明引用出處，你幾乎無從得知哪些細節被漏掉、哪些說法被放大——而且報告顯示，96% 的人看完 AI 摘要後並不會回頭點原文驗證，長期下來容易強化原本就有的觀點偏見（確認偏誤），並讓個人的資訊泡泡愈來愈封閉，假訊息也因此更難被察覺和糾正。
Dean Ball 是一位長期研究 AI 政策的學者，將於 2026 年 7 月 6 日加入 OpenAI，擔任「策略未來」（Strategic Futures，OpenAI 內部專門評估 AI 對社會長遠影響的新部門）負責人。這個部門規模精簡，直屬首席策略長，工作涵蓋：評估 AI 造成的「災難性風險」（指 AI 系統可能導致的大規模、難以逆轉的危害）、「遞迴自我改良」（AI 自動升級自身能力、可能因此失控）的安全疑慮、AI 對就業市場的衝擊，以及 AI 公司如何與各國政府建立關係。Ball 的核心論點是：AI 公司自身的「內部治理」將比外部法律監管更能決定 AI 的未來走向——換句話說，政府設再多法規，不如 AI 公司本身制度健全更有效。他也把 AI 定位為「治理工具」，認為 AI 技術本身能催生以前做不到的新型社會管理方式。整體而言，這標誌著 AI 治理正進入「政治因素更複雜、風險更高」的新階段。
假設 OpenAI 工程師發現旗下某模型開始出現自我修改行為的跡象——以前這種情況缺乏標準處理流程，技術、法務、管理層三方得臨時協商、邊出事邊補救。策略未來小組成立後，Ball 的工作就是提前與技術、法律和高管三方協作，制定好「若模型出現遞迴自我改良跡象，我們按哪套流程暫停、由誰決策、向監管單位報告什麼」的具體政策框架。相較於舊模式，差別在於從「事後救火」變成「事前設計應急預案」，且這些預案是寫進公司正式規範的，而非靠個人臨場判斷。
Cisco（思科，全球最大的企業網路設備製造商，做路由器、網路交換器）與 NVIDIA（以 GPU 晶片聞名、現在也是 AI 運算核心供應商）宣佈擴大合作，推出名為「Secure AI Factory（安全 AI 工廠）」的整合方案，專門幫企業解決大規模部署 AI 時面臨的網路、資安與系統管理三大難題。這次合作最關鍵的技術突破是：把傳統裝在主機上的防火牆（一種負責檢查流量、阻擋駭客的資安機制）移到 NVIDIA BlueField DPU（一種專門負責資料搬運的晶片，不是 GPU 本身）上執行，讓資安檢查不再消耗珍貴的 GPU 或 CPU 計算資源。此外，Cisco 還推出了 Nexus Dashboard 4.2 統一管理平臺，可以即時追蹤 GPU 健康狀態、AI 工作進度，並針對不同規模的企業（小於 1,000 顆 GPU 或 1,000 到 32,000 顆 GPU）分別提供對應的建置參考架構。
假設一家臺灣金融機構要自建 AI 模型訓練叢集，配備 500 顆 NVIDIA H100 GPU，同時又必須符合金管會的資安規範，確保訓練資料不外洩。傳統做法是在每臺伺服器上安裝防火牆軟體，但這會佔用 CPU 資源，連帶拖慢 AI 訓練速度，估計可能讓 GPU 利用率下降 10–20%。採用這套新方案後，防火牆功能改由 NVIDIA BlueField DPU 在網路晶片層執行，GPU 完全解放、100% 用於 AI 計算；IT 團隊也不再需要分別管理「AI 運算」和「網路資安」兩套系統，統一透過 Nexus Dashboard 就能看到每顆 GPU 的溫度、利用率，以及哪個 AI 訓練任務卡在哪個節點上——相比舊架構要串接多個廠商工具，運維複雜度大幅降低。