2026 年 6 月，國際頂尖科學期刊《自然》（Nature）刊出一篇整合報導，彙整三份獨立研究的共同發現：長期藉助 AI（人工智慧）工具完成工作的醫師和工程師，一旦沒有 AI 輔助，核心專業能力會明顯下滑。第一份研究來自《刺胳針》（Lancet）旗下的消化系期刊，發現臨床醫師在 AI 輔助三個月後，不靠 AI 自行偵測腫瘤的能力下降了 6%。第二份研究由 Shen 與 Tamkin 進行，讓 52 名程式設計師（負責寫電腦程式的工程師）分成「有 AI 幫忙」和「沒有 AI 幫忙」兩組，結果有 AI 輔助的那組在理解程式邏輯的測驗中，分數比對照組低了 17%，而且速度也沒有因此變快。第三份由 Gerlich 主導，針對 666 名各年齡層的受試者調查，發現重度使用 AI 者在批判性思考（也就是自己獨立分析、判斷資訊真偽的能力）的自評分數上明顯偏低。研究人員提出「認知卸載」（cognitive offloading，意思是把思考外包給 AI，大腦就不再主動運作，新技能無法真正記住）的概念來解釋這個現象，並指出唯有自己費力解題，技能才能真正內化——教育心理學稱之為「有益的掙扎」（productive failure）。
假設你是一位放射科醫師，醫院導入了 AI 輔助系統幫助你在 X 光或內視鏡影像中自動標記疑似腫瘤的區域。用了三個月後，你的日常工作效率看起來沒有太大變化，但某天系統臨時故障，你必須完全靠自己判讀影像。根據 Lancet 研究，你在沒有 AI 的情況下實際偵測腫瘤的準確率，平均已比三個月前下滑了 6%。同樣的情況也發生在工程師身上：平常有 AI 自動補全程式碼（就是 AI 邊看你打字邊猜下一行要寫什麼，幫你自動填完），看起來工作順暢，但若公司要你獨立接手一段完全陌生的程式、讀懂並修改它，理解能力已比完全不用 AI 的同事低了 17%。差異在於：「被動使用 AI」（讓 AI 直接給答案、自己不思考）會讓大腦停止練習；「主動使用 AI」（先自己嘗試、再用 AI 驗證或辯證）才能真正學習。研究建議先在沒有 AI 的環境中練熟基礎技能，再導入 AI 提升效率，並刻意在某些練習場合把 AI 關掉，保留那段「費力思考」的時間。
世界頂尖數學家陶哲軒（Fields Medal 得主，Fields Medal 是相當於數學界諾貝爾獎的最高榮譽）在 2014 年立下三個預言：大規模數學協作將成常態、電腦能自動驗證數學證明、論文將改用電腦可讀格式取代傳統 LaTeX（數學界慣用的排版語言）。12 年後，三項預言全數成真，而 AI（人工智慧）是主要推手。具體來說，Lean4（一種讓數學家把證明寫成電腦可以直接判讀的格式、並由電腦自動確認對錯的工具）搭配 AI，讓全球數學家協作速度大幅提升——2023 年，一項名為「PFR 猜想」的困難數論問題（數論就是研究整數性質的數學分支），由全球社群透過 AI 輔助在 23 天內完成形式化證明。到 2026 年，陶哲軒本人也坦承：「AI 在研究中節省的時間已超過浪費的時間。」這個發展的重要性不只限於數學本身，因為密碼學（保護網路通訊安全的技術）、材料科學、藥物設計等領域，全都依賴尚未解決的數學難題做為基礎；若 AI 能加速這些底層數學的突破，實際應用的轉化速度也可能跟著大幅縮短。
2024 年啟動的「Equational Theories」計畫是最具說服力的示範。這個計畫要驗證 4,694 條代數等式（代數的基本運算規則，例如「A + B 是否永遠等於 B + A」這類問題）之間，約 2,200 萬條「A 能不能推導出 B」的邏輯關係。若靠人工逐條驗證，以每位數學家每天能處理數十條來估算，完整驗證需要數十年以上，而且人工審稿容易出現主觀誤差。有了 AI 輔助加上 Lean4 自動化驗證系統，全球研究者協作，48 小時內就完成了 99.866%，第 57 天主項目基本收工。更出乎意料的是：過程中意外發現了一個全新數學概念——「magma cohomology（原群上同調）」，這是電腦在自動驗證時發現人類原本沒有預期存在的新數學結構，顯示 AI 不只加快驗證速度，還可能在過程中幫人類「看見」原本看不見的數學規律。
Anthropic（開發 AI 對話系統 Claude 的美國公司）發布了「Project Fetch」第二階段研究，測試最新的 Claude Opus 4.7 模型（就是一種高階 AI 對話系統，能理解指令、自動寫程式）能否讓完全沒有機器人背景的一般員工，獨立操控四足機器人（四條腿、像狗一樣行走的機器人）完成取球任務。第一階段在 2025 年 8 月用舊版 Claude Opus 4.1 測試過相同任務，這次第二階段重跑以比較新舊模型的差距。結果非常驚人：讓 Claude Opus 4.7 主導操控的團隊，平均完成速度是「沒有 AI 協助的專業團隊」的 37.7 倍，是「有舊版 Claude 協助的一般員工」的 18.9 倍。原本需要 3 到 6 小時的機器人初始設定步驟，在 Opus 4.7 的協助下縮短到不到 10 分鐘。
假設你是一名完全不懂寫程式的行政人員，公司給你一臺四足機器人，要你讓它自動偵測並撿起地上的球。傳統做法需要專業機器人工程師花幾小時設定感測器、撰寫數百行控制程式碼，一般人根本無從下手。在 Project Fetch 第二階段的實驗中，參與的一般員工只需把攝影鏡頭和 LiDAR 感測器（雷射測距設備，用雷射光偵測物體距離與位置）接上機器人，再把任務描述輸入給 Claude Opus 4.7，剩下的全部交給 AI——包括撰寫控制程式、設計球體偵測邏輯、讓機器人自動走過去撿球。最終 Opus 4.7 只寫了 1,045 行程式碼就達成目標，而由人類工程師完成同樣任務則寫了 10,309 行。具體差距就是：原本需要一整天的專業工程工作，現在變成非專業人員在 10 分鐘內啟動、當天完成的事。Anthropic 指出，這預示著「物理代理 AI（能在真實世界操控實體設備的 AI）」時代正在到來。
Anthropic（開發 Claude 對話 AI 的美國公司）的前沿紅隊（專門研究 AI 能力邊界的內部研究小組）在 2026 年 6 月發表「Project Fetch 第二階段」研究報告。這次研究讓 Claude Opus 4.7（Anthropic 目前最強的 AI 模型之一）在幾乎沒有人類介入的情況下，獨立操控一臺四足機器人（有四條腿、像機械狗一樣行走的機器人）完成六項工程任務，包括連接感測器、自己撰寫控制程式、讓機器人偵測並追蹤地上的球。結果顯示 Claude Opus 4.7 完成這些任務的速度，比最快的人類工程師團隊快了約 20 倍，比有 Claude 協助的人類團隊也快了約 19 倍。這是 AI 代理人（agent，指能自主完成複雜連續任務、不需人逐步指揮的 AI）開始滲入真實物理世界的重要研究里程碑。
研究人員給 Claude Opus 4.7 一個初始任務描述，之後幾乎只負責插上電源、輸入第一道指令，以及在系統要求時點擊批准按鈕。Claude 接手後自行完成：連接攝影機和 LiDAR 感測器（雷射測距設備，用來偵測周圍物體的距離與位置）、從頭撰寫手動控制程式、開發球體偵測演算法（讓機器人「看到」球的 AI 視覺程式），並嘗試指揮機器人自主走去撿球。完成五項任務的時間對比如下：沒有 AI 協助的工程師團隊需要 361 分鐘才能完成四項，有舊版 Claude 協助的人類需要 264 分鐘完成五項，而 Claude Opus 4.7 獨自完成五項只花了平均 12 分 7 秒。Claude 自己一共寫了 1,045 行程式碼，且幾乎每次第一次執行就成功——人類有 Claude 協助時還寫了 10,309 行卻花了更久。唯一的未竟之處是「真正把球夾起來」的最後一步，因為那需要即時感知與精細動作調整，這類閉環控制（依據感測回饋即時修正動作的控制方式）仍是當前 AI 的挑戰，但研究團隊認為以現有模型能力再加上適當工具就能突破。
Anthropic（開發 ChatGPT 競爭對手 Claude 的美國 AI 公司）的安全研究團隊發表了「Project Fetch 第二階段」研究報告，讓最新的 Claude Opus 4.7 模型（就是一個可以思考、下指令、寫程式的強大 AI）自主操控一隻四足機器狗，完成連接攝影機、感測器、手動控制程式、路徑監控、偵測球、自主撿球等六項任務。結果顯示，AI 單獨完成這些任務的速度，比「沒有 AI 輔助的人類團隊」快了 37.7 倍，比「有 AI 輔助的人類團隊」快了 18.9 倍——全程只花了 9 分 35 秒，而人類團隊需要 3 到 6 小時。更驚人的是，AI 自動產出的程式碼只有 1,045 行，僅是人類團隊版本的十分之一，但效果相當。這項研究標誌著 AI 代理人（AI agent，指能自行規劃步驟、採取行動完成任務的 AI）已開始從純數位世界延伸進入實體物理環境。
假設你是一位完全沒有機器人工程背景的研究助理，想讓一隻機器狗自動偵測並撿起地上的球。以往你需要：先花數小時查教學文件、手動撰寫幾千行程式碼、逐一測試感測器連接是否正確——整個流程至少要半天以上。現在，你只需在 Claude Code（一種讓 AI 直接幫你寫程式並控制硬體的工具）輸入「請讓機器狗偵測並撿球」，然後 Claude Opus 4.7 會自行查詢文件、規劃步驟、寫程式、偵錯、送出指令——不到 10 分鐘即可完成整套系統。相比之下，同樣任務讓人類工程師從零開始做需要 3～6 小時；以往 AI 只能「輔助」人寫程式，現在則能「完全取代」人類去完成完整任務流程。
這篇研究報告揭露了高通（Qualcomm）的行動裝置 AI 晶片內部黑盒機制。所謂 NPU（Neural Processing Unit，就是手機裡專門跑 AI 任務的小晶片），高通一直沒有公開其編譯器（把 AI 模型翻譯成晶片看得懂的指令的程式）的運作細節。研究者利用 Ghidra（一套開源的逆向工程工具，可以把編譯好的程式碼反推回可讀形式）搭配 Claude Code（一種 AI 輔助程式碼分析工具）對高通從未公開文件的 NPU 編譯器進行深度剖析，找出三個關鍵機制：記憶體排程採用數學優化演算法、運算排程以最小化數據存活時間、內建效能模擬器可預測晶片表現。最危險的發現是「隱性精度降級」——編譯器可能在使用者完全不知情的情況下，把 AI 模型的數值精度從較高的 float32（32 位元浮點數，精度較高）偷偷降成較低的 FP16 或 BF16（精度各只有一半），結果導致同一款 AI 模型在新舊兩款晶片上，記憶體存取量竟相差高達 33 倍，效能與耗電也跟著劇烈波動。這對在手機上本地執行 AI 模型（例如讓 LLM（大型語言模型，就是 ChatGPT 這類能對話的 AI）離線運作）的開發者，提供了過去完全看不到的診斷工具。
假設你要把一個輕量 AI 模型（例如 Qwen 0.8B，約 8 億參數的小型語言模型）部署到搭載高通晶片的 Android 手機上。用官方 SDK 編譯後，你發現模型推論速度比預期慢很多，電池消耗也高，但完全不知道原因在哪——因為高通的編譯器是黑盒，沒有任何內部說明文件。有了這篇逆向工程研究的發現，你現在知道可以去查 `spillFillBufferSize` 這個內部指標：如果它不是 0，代表模型沒有完整裝進晶片的片上高速記憶體，需要持續從外部主記憶體（DDR，速度慢很多）搬運資料，這才是速度慢的真正原因。你也知道要確認張量（AI 模型裡數值計算的基本單元）是否被靜默降精度，這可能讓模型在某些晶片上默默計算出錯誤結果。相比過去只能憑感覺猜測、反覆改參數，現在有了明確的診斷指標，大幅縮短除錯時間。
一位自學成才的 AI 工程師 Tom Di Mino 在 2026 年 6 月宣稱，他已破解線形文字 A（Linear A，米諾斯文明留下的未解古文字，距今超過三千年，全球語言學界至今無人讀懂）。他並非直接叫 AI「幫我翻譯這些古字」，而是使用 Claude Code（Anthropic 公司開發的 AI 程式設計助理，能幫使用者寫程式碼）來建立 Python 腳本（一種自動化程式），系統性地對兩大古文字數位資料庫執行約 10 萬次假設測試。他的主張是：線形文字 A 對應一種已滅絕的閃族語言（希伯來語、阿拉伯語等都屬於這個語系），是現代希伯來文的前身。研究最終產出了 40 個字符讀音提案與 408 個詞的詞彙表，並聲稱已送交 Rutgers 與 Cambridge 大學的語言學專家審查，但兩校迄今未公開發表任何聲明。語言學界對此普遍持保留態度，因為現存語料僅約 7,500 個字符，資料量極少，即使統計工具再強，也很難排除「過度配適」（overfitting，即結果只是剛好對上現有資料，並不反映真實語言規律）的問題。
假設你對某套古文字有研究假說，想驗證「這套文字是否符合某語言族群的音韻規則」。過去，業餘研究者即使有想法，也因缺乏程式設計能力，無法對資料庫執行大規模統計測試，這種工作只有受過訓練的語言學家或程式工程師才能做。Di Mino 的做法是：對 Claude Code 說「幫我寫腳本，連接 GORILA 與 SigLA 兩個古文字資料庫，然後系統性跑假設測試，找出哪些字符組合最符合閃族語言音韻模式」。Claude Code 扮演的是「統計測試基礎設施建構者」，幫他把想法變成可執行的程式，讓他能跑 10 萬次測試，篩出統計上最有可能成立的字符讀音對應。對比舊做法：以前沒有程式背景的人根本無從下手；現在只要能清楚描述需求，AI 工具就能幫你把想法化為實際的資料分析流程。這個案例揭示了一個新趨勢：AI 工具正在大幅降低業餘研究者進入專業學術領域的技術門檻——但工具變強不代表結論正確，資料本身的稀缺才是無法繞過的根本瓶頸。
AI 技術的普及讓詐騙犯罪成本大幅下降，過去需要國家級間諜機構才能執行的「量身訂製詐騙」，現在任何有一點技術能力的人都做得到。根據 2024 年研究，用 LLM（就是 ChatGPT 這種會對話的 AI）執行「魚叉式釣魚」（針對特定人物量身寫的詐騙信件，比一般垃圾郵件難以識別許多）的成本只要每封約 0.04 美元，比以前便宜了幾十倍。同年香港發生一起案例，詐騙犯用即時換臉技術（深偽，Deepfake）假冒公司高層開視訊會議，讓員工匯出 2,500 萬美元（約臺幣 8 億）。這意味著過去兩個判斷「對方是否可信」的直覺——「個人化信件很費人力，通常是真人寫的」與「視訊看到臉就可以相信」——如今都已完全失效，任何人都必須重新建立防禦思維。
假設我是一間有 20 名員工的小型投資基金財務人員，某天老闆透過通訊軟體傳訊說要緊急匯款給某合作對象，並附上一封看起來是「老闆親自寫給我」的確認信，信裡提到我上週參加的某個會議細節。用 AI 之前，詐騙犯要花幾小時查我的背景、自己打信，一次只能詐騙幾個目標；現在詐騙犯只需把幾百個人的 LinkedIn 資料餵給 AI，AI 自動生成幾百封「量身打造」的詐騙信，每封成本不到 5 臺幣，甚至再安排一通「老闆臉孔」的深偽視訊電話確認。傳統做法「打電話給老闆本人確認」已不可靠，因為聲音和臉都能即時偽造。目前最有效的防禦是改用「硬體安全金鑰」（FIDO2/WebAuthn，一種插入電腦 USB 孔才能完成登入驗證的實體裝置），其加密機制內嵌網域驗證，即使詐騙犯架設假網站中繼攻擊，金鑰也不會認可，AI 無法繞過這層保護。
Palmier Pro 是一款從頭以 AI 協作為核心設計的 macOS 原生影片編輯器（NLE，非線性影片編輯器，就是 Final Cut Pro 或 Adobe Premiere 這類可以任意拖拉排列影片片段的剪輯軟體）。它最大的特點是內建了一個 MCP 伺服器（MCP，Model Context Protocol，一種讓 AI 助理與外部應用程式溝通的標準介面協定），讓 Claude、Cursor 等 AI 助理可以直接連線進軟體，在時間軸（timeline，剪輯軟體裡那條橫向排列所有片段的工作區）上自主執行剪輯、重排、生成素材等動作，而不是隻提供建議讓你自己手動操作。軟體本體免費且開放原始碼（GPLv3），內建的生成式 AI 功能（讓 AI 自動生成影片或圖像素材）則需訂閱 Pro 方案，每月 29 美元。由 Y Combinator（全球頂尖新創加速器，孵化過 Airbnb、Dropbox 等知名公司）2024 年夏季班校友公司 Palmier 開發，2026 年 6 月 17 日正式公開，目前僅支援搭載 Apple Silicon 晶片的 Mac 電腦，且需要 macOS 26（Tahoe）系統。
假設我是一位 Podcast 影音頻道主，錄完一場 40 分鐘的來賓訪談，想快速剪出一段 8 分鐘的精華版上傳。傳統做法是自己一段一段聽完、手動標記要保留的時間點，再一個個拖拉片段拼接，通常要花 3 到 5 小時。換用 Palmier Pro 的做法是：打開軟體並讓 Claude 連上內建的 MCP 伺服器，然後用文字指令說「把訪談中提到創業故事和產品功能的片段抓出來，拼成一段 8 分鐘的精華，開頭要有自我介紹」。Claude 會直接在時間軸上移動、裁切、重組片段，幾分鐘內產出一版草稿供你確認微調。與舊做法相比，差別不在於 AI「告訴你怎麼剪」，而是 AI 真的幫你動手把軟體操作完成，你只需要最後確認成果即可。
WorkClaw 是紐約新創公司 Workmate Labs 在 2026 年 6 月推出的 AI 職場協作工具，它改變了 AI 助理的使用方式——不是讓你一對一跟 AI 問答，而是讓公司可以在 Slack（一種企業常用的即時通訊軟體）或 Microsoft Teams 裡「正式聘用」有職稱、有主管關係的 AI 同事，這些 AI 同事被稱為「Claw」。每個 Claw 都有自己的雲端作業環境（稱為 ClawOS），能連接超過三千種應用程式，可以主動去執行任務，也可以等待有人用 @ 標記才回應——就像真正的同事一樣。多個 Claw 之間可以透過內建的 ClawMail（AI 之間的後端溝通管道）和 ClawChat（即時訊息層）互相協調、共同完成跨部門工作，而且具備持久記憶（就是說 AI 能記住公司的工作脈絡和歷史），組織知識不會因為人員異動而流失。目前平臺仍在 Early Access（早期測試階段），文件尚未完整公開，定價與服務水準協議也尚未揭露。
假設你的公司每週需要整理客戶回饋、更新 CRM（客戶關係管理系統，就是記錄客戶互動的軟體）並通知相關主管。以往你要嘛指派員工手動處理，要嘛每次重新打開 ChatGPT、從頭解釋公司背景再操作。使用 WorkClaw 的話，你可以在 Slack 裡建立一個「客服分析 Claw」，給它「客服部門 AI 分析師」的職稱，讓它持續監看客戶回饋頻道——它會每週自動摘要重點、更新試算表，偵測到異常數據時主動 @ 通知主管，完全不需要你開口要求。因為 Claw 有跨專案持久記憶，它知道公司的 SOP（標準作業流程）和歷史脈絡，不像傳統 AI 每次對話都要重新說明背景，大幅降低重複溝通的成本。
Nathan Lambert（Interconnects 電子報作者）與 Kevin Xu 聯合撰文，反駁「應禁止開源 AI」的論調。開源 AI 是指模型的程式碼與權重（就是 AI 學會的所有知識參數）都公開、任何人都能免費下載使用的人工智慧模型。文章指出，全球 90% 的軟體建立在開源基礎之上，開源貢獻的經濟產值已超過 8 兆美元，開源是整個現代軟體產業的根基。若美國針對訓練算力（就是訓練 AI 所需的龐大運算量）超過特定門檻的模型實施禁令，其他國家仍會繼續發布這些模型，禁令根本無法阻止模型在全球流通，反而讓美國喪失對開源 AI 發展方向的主導權。創投機構 a16z 更指出，其投資組閤中有 80% 的新創公司，目前正大量使用中國的開源模型（例如 DeepSeek、Qwen 等），若美國貿然封鎖開源 AI，等同把全球開源 AI 的話語權拱手讓給中國。此外，開源 AI 的「可審計性」（程式碼公開，安全漏洞可被社群發現並修補）恰恰是安全保障，禁令反而削弱了這項優勢。
假設一家臺灣的教育科技新創，想開發一個能批改學生作文、給出個人化建議的 AI 工具。在開源 AI 存在的情況下，他們可以下載 Llama（Meta 釋出的開源大型語言模型，也就是免費可自由修改的 AI 模型）部署在自己的伺服器，每月伺服器成本可能只需幾千元臺幣，還能針對臺灣國語教學特性微調（就是用自己的資料再訓練）模型，讓批改結果更貼切。更重要的是，因為程式碼與模型都公開，若有人擔心 AI 是否會把學生的作文資料傳到境外，可以直接審查程式確認。但若開源 AI 被禁止，這家新創只能付費使用 Anthropic 或 OpenAI 的 API（應用程式介面，就是透過網路呼叫大廠 AI 的付費管道），定價、使用條款、資料政策全由大廠單方面決定，一旦對方漲價、停服或修改條款，新創毫無替代選項，這才是真正的技術依賴風險——而禁止開源 AI，正是在製造這個風險。
一家名為 Qontour 的網頁設計公司，未經授權將作家 John Koenig 的創意著作《The Dictionary of Obscure Sorrows》（晦澀悲傷詞典，一本收錄 311 個自創情緒新詞的書）全部內容搬到自己的網站，並利用 GPT-4（OpenAI 的大型語言模型（就是 ChatGPT 背後的技術））加入「讓使用者自己生成新詞彙」的功能，還把書中原有的手繪插圖全部換成 AI 生成的圖片。該公司甚至宣稱「網站上每一頁都是用 Claude（Anthropic 公司開發的 AI 助理）撰寫」。更嚴重的是，這個冒牌網站在 Google 搜尋結果中排名超過原作者的官方網站、出版社頁面和維基百科，連 ChatGPT 和 Gemini（Google 的 AI 助理）被問到官方網站時，都把使用者導向這個盜版網站。Qontour 同時在網站上嵌入 Amazon 聯盟推薦連結，從每一筆透過盜版網站產生的書籍購買中悄悄抽取佣金獲利。
假設你剛讀到「sonder」這個詞——這是 Koenig 創造的詞，意思是「突然意識到街上每個陌生人都有一段跟你一樣複雜的人生」——你想查清楚這個詞的完整定義及更多類似詞彙。你在 Google 搜尋，跳出來排名第一的是 Qontour 架的盜版網站；你改問 ChatGPT「《晦澀悲傷詞典》的官方網站在哪裡」，ChatGPT 也把你導向同一個假站。你以為找到了原作者的正式網站，點進去瀏覽了幾個詞條，還順手點了頁面上的購書連結——實際上流量與佣金全進了 Qontour 的口袋，而原作者 Koenig 完全不知情、也沒獲得任何分潤。出版社 Simon & Schuster 雖曾兩度提出 DMCA 侵權通知（就是著作權法規定的下架要求），但效果有限，盜版網站至今仍在運作。這個案例直接說明：AI 工具不只可以用來創作，也可以被用來快速複製、偽裝並取代原創內容，而 AI 聊天機器人對「哪個才是官方來源」往往無從辨別。
美國作家 John Koenig 花多年心血寫出的著作《晦澀悲傷詞典》（一本收錄 311 個自創情緒詞彙的創意詞典），遭到一家名為 Qontour 的網頁設計公司未經授權全數複製到自己的網站上。更嚴重的是，對方不只是複製貼上——他們用 DALL-E 2（一種能根據文字自動畫圖的 AI 工具）替換原書插圖，用 GPT-4（OpenAI 開發的語言 AI，就是 ChatGPT 背後的技術）加入「AI 自動造詞」互動功能，還用 Claude（Anthropic 公司的 AI 助理）撰寫整個網站的文案說明。這個山寨網站不但在 Google 等搜尋引擎的排名超越了 Koenig 的官方原版網頁，連 ChatGPT 和 Gemini（Google 的 AI 問答助理）也誤將這個盜版網站列為官方來源推薦給用戶。Qontour 甚至透過嵌入亞馬遜聯盟代碼，從讀者點擊購書的行為中直接獲取佣金。這個事件讓外界看到：當 AI 工具讓「複製、重包裝他人創作」的成本趨近於零，傳統著作權保護機制已嚴重跟不上新型剽竊手法的速度。
假設你是一位獨立作家，用多年時間出版了一本口碑不錯的詞典，某天你發現搜尋自己書名時，第一頁出現的竟然不是你的官方網站，而是另一個陌生網站——點進去一看，你的每一個詞條、每一段解釋都原文照錄，只是圖片換成了 AI 生成版，還多了一個「讓 AI 幫你造新詞」的互動功能，讓網站看起來比你的「更豐富」。最糟的是，當有人問 ChatGPT「哪裡可以找到《晦澀悲傷詞典》官方資源」，它推薦的是那個盜版網站而非你的原版。這正是 Koenig 親身遭遇的情況。傳統剽竊是人工逐段複製，費時費力，容易被發現；但現在，任何人都可以在數小時內用 AI 工具將一整本書「重製升級」，成本幾乎為零，搜尋引擎和 AI 助理又難以辨別真偽——獨立創作者因此直接失去了自然流量與收入，卻幾乎無法即時阻止。
《晦澀悲傷詞典》（The Dictionary of Obscure Sorrows）是美國作者 John Koenig 花十年創作的書，專門為那些難以言喻的情感創造新詞彙，例如「對陌生人生命的莫名哀愁」這類概念。一家名為 Qontour 的設計公司在未取得授權的情況下，把書中幾乎全部的 311 個詞條抄到自己的網站上，並且把原書精心製作的手工拼貼插圖全換成了用 DALL-E 2（OpenAI 開發的 AI 圖像生成工具，可依文字描述自動畫圖）產出的圖片。他們還在網站加入由 GPT-4（ChatGPT 背後的語言模型）驅動的功能，讓使用者可以「自己創造新詞彙」，並聲稱整個網站內容都是用 Claude AI（Anthropic 公司開發的對話式 AI）撰寫。更嚴重的是，ChatGPT 和 Gemini 等 AI 搜尋工具在被問到這本書時，竟把盜版網站列為官方資源，進一步搶走原作者的流量與曝光度。
假設你是一個部落客，花了十年寫了一本關於生活哲學的書，內含大量原創插圖與文字。現在有人把整本書搬到自己的網站，用 DALL-E 2 把幾百張插圖一鍵替換成 AI 生成的圖，再加上「AI 幫你生成更多詞條」的功能，讓網站看起來更豐富完整。結果 ChatGPT 被問到「這本書的官網在哪」時，推薦了侵權網站而非你的原版網站。舊做法是費力抄書、手動換圖，整個過程耗時費力；有了 AI 工具之後，替換幾百張插圖只需要幾分鐘，生成「更多新內容」幾乎不費工夫，而 AI 搜尋引擎又無法辨別真偽，直接把流量引導到侵權方。這個案例具體呈現了 AI 工具如何大幅降低大規模著作侵權的成本，同時又讓 AI 搜尋系統無意中成為幫兇。
一家名為 Cosine（Y Combinator W23 梯次孵化的新創公司）的團隊，針對 ChatGPT、Claude 這類主流 AI 模型遇到資安攻擊類需求就直接拒絕的痛點，自己訓練了一個專門執行滲透測試（就是模擬駭客攻擊、主動找出系統漏洞的方法）的 AI 模型。他們以開放權重的 Kimi K2.6（月之暗面推出的大型語言模型，任何人都可以下載其模型權重自行部署）為基礎，用十年份的 CTF（Capture the Flag，一種資安競賽，選手需要破解有意設計漏洞的系統來得分）解題紀錄做 SFT（監督式微調，就是讓模型大量學習特定領域的示範答案），再透過 RL（強化學習，讓模型只有在「真的成功找到並利用漏洞」時才得到獎勵）進一步訓練，使其真正學會如何偵測與利用系統弱點。這個工具以 CLI（命令列介面，即在終端機裡輸入文字指令來操作的工具）形式提供，分兩種模式：一是靜態掃描（只讀程式碼找問題、免費到 200 萬 token（就是 AI 處理文字時計算用量的單位））；二是主動滲透測試（對沙盒環境實際發動攻擊並驗證漏洞是否真的可利用，目前仍限制開放）。目標是讓中小企業也能用上原本只有大型企業才能負擔得起的 AI 資安工具。
他們以 Google 開源的模擬銀行程式 Bank of Anthos 為例，對它執行了一次靜態掃描。AI 找到一個整數溢位漏洞（integer overflow，就是數字計算結果超過系統能儲存的最大值後會「繞回」變成負數，導致程式邏輯判斷出錯）：銀行轉帳時，amount（金額）加上 fee（手續費）若溢位就會變成負數，讓「餘額是否足夠」的驗證誤判為通過，使用者因此可轉出自己根本沒有的金額。傳統做法需要僱用資安顧問手動審查程式碼，費用高、時間長且結果往往是模糊的風險評分；用這個 AI 工具則能直接輸出「第幾行、哪個檔案」的具體位置，讓工程師可以立即定位並修補問題，而不是面對一份叫人不知從哪裡下手的報告。
菲爾茲獎（數學界最高榮譽，相當於數學界的諾貝爾獎）得主陶哲軒是全球公認最頂尖的數學家之一，2 歲教鄰居數數、10 歲拿下國際數學奧林匹克銅牌、31 歲獲菲爾茲獎。早在 2014 年，他就預言數學研究未來會走向三個方向：數百人規模的大型線上協作、電腦自動驗證每一步邏輯正確性、以及用電腦看得懂的「形式化語言」取代現在的 LaTeX（一種撰寫數學論文的排版語言）。如今 12 年過去，AI 的爆發讓這三個預言正在一一實現。研究者開始大量使用 Lean（一種能讓電腦逐行核對數學推理是否正確的工具，相當於數學界的程式碼編譯器），搭配全球分散式協作，讓以往要花幾年才能完成的數學工作縮短到幾天。2024 年「等式理論（Equational Theories）」專案更在 48 小時內分析了超過 2200 萬組代數等式之間的邏輯關係，這種規模在 AI 出現之前根本不可能達到。
「等式理論」專案是最具體的例子。數學家想回答一個問題：在各種代數系統（代數系統就是定義了某種運算規則的數學結構，例如整數的加法或乘法規則）中，哪些等式可以從其他等式邏輯推導出來？過去這類問題靠少數頂尖研究者花幾年時間逐一推導，而且結果很難確認有沒有出錯。2024 年，陶哲軒與全球數十位志願者合作，把 2200 萬個等式關係拆解成幾千個小任務，分頭處理；每一份子結果再由 Lean 系統自動驗證邏輯正確性。最終 48 小時內完成基本篩選，產出的是機器可讀的形式化證明——未來任何人都能一鍵確認每一步邏輯，不用再依賴「期刊評審員沒找到錯誤」來擔保正確性。相比舊做法：同樣規模的工作要靠少數專家手動推導，可能需要數年，且結果難以獨立驗證。
一家名為 Catnip（貓薄荷）的中國 10 人新創團隊，由 3 位核心研究員花費 2 個月打造出一款叫做 MaineCoon（緬因貓）的 AI 影音生成模型（就是能讓 AI 自動產出有畫面又有聲音的影片的程式）。這個模型專門針對社交媒體的短影音應用場景設計，最大亮點是「流式生成」（streaming，意思是不用等全部算完才看到結果，而是像水流一樣邊算邊輸出）：輸入指令後不到 1 秒就能看到第一幀畫面，而且音訊和視訊同時產出。在速度上，MaineCoon 在單張 H100 顯示卡（一種用來跑 AI 的高階運算晶片）上達到每秒 47.5 幀，比同類型流式模型快約 7 倍（競品普遍只有 6～7 幀/秒）。更驚人的是成本：每秒生成費用低於 0.001 美元，只有 Google Veo 3（另一款知名 AI 影片生成工具）的兩千分之一。這個模型有 220 億個參數（參數是 AI 模型複雜度的衡量單位，越多代表能力越強），卻能在單張顯示卡上部署，門檻相當低。
假設你是一位社群媒體內容創作者，想製作一段「在海邊日落時分彈吉他的年輕女孩」的影音短片，配上輕柔的海浪聲和音樂。用傳統的 AI 影片生成工具（如 Veo 3 或 Sora），你通常需要等待數十秒到數分鐘才能看到結果，而且若不滿意還要從頭來過、費用也高昂。換用 MaineCoon，輸入文字描述後 1 秒內畫面就開始出現，音訊同步生成，理論上可持續產出 10 分鐘以上的連續內容；若途中你改變主意想換成「在咖啡廳裡彈吉他」，可以即時修改指令，模型隨即調整方向，不需要重新等待。整個過程每秒耗費不到 0.001 美元，製作一段 60 秒的短片成本大約不到臺幣 2 元，比起競品動輒數十美元的費用，差距達數千倍。
DVD-JEPA 是一個極精簡、完全可重現的開源 AI 專案，展示了一種叫做 JEPA（Joint-Embedding Predictive Architecture，聯合嵌入預測架構，可以理解為「讓 AI 在腦中建立抽象物理規律而非死記畫面」的技術）的世界模型如何運作。所謂「世界模型（world model）」，是指讓 AI 能夠預測環境未來狀態的技術——就像人類即使閉著眼也能想像丟出去的球會落在哪裡，AI 也能靠學到的規律「想像」接下來會發生什麼。這個專案選用最簡單的場景來示範：一個 16×16 像素大小的彈跳 DVD logo，讓 AI 學習它的物理行為（位置、速度、反彈）。整個模型可在普通電腦 CPU 上約 10 秒完成訓練，甚至可直接在瀏覽器中運行，完全不需要 GPU。除了預測下一幀位置，它還能偵測「異常」——若 DVD logo 突然瞬移，模型的「驚訝值」會暴增 88 倍，因為這不符合它學到的物理規律。此架構與 Meta 的 V-JEPA 2（Meta 用來訓練機器人理解物理世界的大型 AI 系統）使用完全相同的訓練目標，等於是業界頂尖系統的縮小、可讀版本，方便研究者和開發者學習核心概念。
假設你想搞懂 Meta 的 V-JEPA 2 到底是怎麼運作的，但那套程式碼龐大複雜難以入手。你可以改用 DVD-JEPA 作為學習踏板：執行 `git clone https://github.com/mandarwagh9/dvd-jepa`，安裝套件後執行 `python -m dvd_jepa.train`，10 秒內訓練完畢，完全不需要雲端算力。訓練完成後，你可以啟動「夢境模式」，讓 AI 在腦中的潛在空間（latent space，即它對世界的抽象數學描述）想像 DVD 未來 30 幀會彈到哪裡，誤差僅約 0.028 像素。還可以手動注入「DVD 突然瞬移」的異常事件，親眼看到模型的驚訝訊號暴增 88 倍。若不想安裝任何東西，直接開啟瀏覽器前往 dvd-jepa.vercel.app 即可互動體驗。相比之下，過去要理解 JEPA 架構，只能硬啃艱澀的學術論文，沒有這樣從零到尾可執行、可視覺化、還附 LaTeX 論文原始碼的最小範例——DVD-JEPA 填補了這個「概念到程式碼」的理解缺口。
Signal（一款以隱私保護聞名的加密通訊軟體，許多人用來取代 LINE 或 WhatsApp）的主席 Meredith Whittaker 公開警告大眾，不要對 AI 聊天機器人（就是像 ChatGPT 這種能用自然語言對話的 AI 程式）產生情感依賴或過度信任。她直言這些系統「不是你的朋友，不是有意識的生物，也不是有感知能力的對話者」，強調許多人誤解了 AI 的本質。她特別點名微軟的 AI 助理 Copilot（微軟把 AI 整合進 Windows 和 Office 的功能），指出當 AI 助理被授予存取信用卡、瀏覽器紀錄、通訊軟體、聯絡人名單和行事曆的權限時，等同於開了一個「後門」（backdoor，即企業可從後臺悄悄取得大量個資的隱密入口）。她也擔心過度依賴 AI 思考會讓人喪失獨立判斷能力，因為這些系統的回答本質上只是對網路上既有資訊的「平均化整合」，並非真正的推理或創造。
假設你開始使用微軟 Copilot 的「AI 幫你買聖誕禮物」功能（微軟執行長曾公開提出這個構想）：為了完成這項任務，Copilot 必須取得你的信用卡資訊來付款、瀏覽器歷史紀錄來瞭解你的喜好、訊息軟體內容來掌握你和家人說了什麼、聯絡人名單來知道禮物要送給誰，以及行事曆來確認時程。Whittaker 指出，這樣一來，一家商業公司就同時掌握了你幾乎全部的個人生活資料。相比之下，如果你自己花 20 分鐘上網搜尋比價、手動刷卡結帳，商家只能取得這一次的購買紀錄，而非你的整個生活輪廓。這個案例清楚說明瞭「AI 便利」背後潛藏的隱私代價：你省下的每一分鐘，可能都是用個人資料換來的。
John Jumper 是因開發 AlphaFold 而在 2024 年獲得諾貝爾化學獎的 AI 研究員。AlphaFold（由 Google 旗下 AI 研究公司 DeepMind 開發的模型）能根據基因序列，自動預測蛋白質（生物體運作的基本分子機器）的精確立體結構——這是困擾生物學家數十年的難題，AlphaFold 的出現讓它可以在幾分鐘內解決。Jumper 在 DeepMind 服務近九年後，於 2026 年 6 月宣佈離職，轉投競爭對手 Anthropic（就是開發 Claude 這個 AI 對話助理的公司）。同一週，AI 界另一重量級人物 Noam Shazeer（Character AI 共同創辦人、Transformer 神經網路架構關鍵開發者之一，Transformer 是所有現代大型語言模型（LLM，也就是 ChatGPT、Claude 這類會對話的 AI）的技術基礎）也在同期離開 DeepMind，選擇加入 OpenAI，外界因此高度關注 Google DeepMind 的人才流失問題。
假設你是生物醫藥公司的研究人員，想開發一種針對特定蛋白質的新藥，首先需要知道那個蛋白質的立體結構，才能設計出能精準嵌入的藥物分子。傳統做法（例如 X 光結晶學）耗時數年、費用動輒數百萬美元；AlphaFold 上線後，只要輸入蛋白質的胺基酸序列（基因密碼翻譯出來的字串），幾分鐘內就能得到高精度的立體結構預測，大幅加速藥物開發前期工作。Jumper 正是在博士畢業後僅六個月就主導了這項技術突破的科學家。他加入 Anthropic 後，業界預期他可能將「AI 用於科學發現」的研究方向帶入 Anthropic——但目前其具體職位與職責尚未對外公佈。
牛津大學與史丹佛大學的研究團隊共同開發了一套叫做「Data2Story」（又稱 Data Journalist Agent，數據新聞代理）的 AI 系統，它能把一份 CSV 檔案（就是試算表格式的原始數據，例如 Excel 匯出的資料）直接轉換成一篇完整的互動式新聞報導。整個系統由七個 AI 代理（agent，可以想成七個分工合作的 AI 小員工）像新聞編輯室一樣分工協作，有人分析數據、有人上網查資料、有人核實事實、有人寫文章、有人製作圖表。最終產出的文章中，93% 的陳述都附有可查證的原始來源連結，讓讀者能自行驗證內容是否屬實。在一項讀者研究中，74% 的受試者表示更喜歡 AI 生成的文章，而非人類記者撰寫的同主題原版報導；不過面對人工精心製作的深度長篇調查報導時，AI 的表現則打成平手。
假設你手上有一份記錄全臺各縣市空氣品質數據的 CSV 檔，裡面有幾千筆 PM2.5、臭氧濃度、監測站位置的數字，你想把它變成一篇給一般民眾看的新聞。用傳統做法，記者需要先自己讀懂數據、找規律、上網補充背景資料（例如去年同期對比、相關政策），然後手動畫折線圖、撰寫稿件、再逐句核實來源，整個流程可能花上好幾天。交給 Data2Story 之後，七個 AI 代理同步分工：一個代理分析 CSV 找出關鍵趨勢（例如「臺中市 PM2.5 比去年同期升高 18%」），另一個代理自動上網搜尋政府報告和媒體報導作為佐證，第三個代理驗證每句話是否有來源可查，最後整合成一篇附有互動地圖、折線圖，以及每段話皆有引用連結的完整報導，全程只需輸入那份 CSV 檔即可。
OpenAI 更新了 ChatGPT（就是 OpenAI 推出的熱門 AI 對話工具）的排程管理功能。以前 ChatGPT 的定時自動任務分散在各處、難以一覽，現在新增了一個叫做「Scheduled」（排程清單）的側邊欄頁面，讓使用者在同一個地方看到所有正在執行中的排程任務，可以隨時暫停、修改或刪除，管理起來更直覺。更進一步的是，新的「研究任務」功能讓 ChatGPT 能夠定期自動上網搜尋或查看你連結的應用程式，只有在偵測到真正有新變化時才發通知，不會一直打擾你。原本的「Pulse」功能（舊版的週期性摘要推送）將隨之停用。這個更新讓 ChatGPT 朝「真正的 AI 私人助理」方向又邁進一步——不只能回答問題，還能在背景主動幫你盯著事情、有變化再告訴你。
假設你是行銷人員，想隨時掌握競爭對手官網的動態，一有新文章或產品更新就要知道。以前你得每天手動造訪對方網站，或者設定 Google Alerts（谷歌的網頁變動通知服務），但功能有限、常常漏報或漏洞。現在可以在 ChatGPT 建立一個排程研究任務：「每天早上 9 點搜尋 XX 公司官網，看看有沒有發布新內容」，ChatGPT 會在背景自動執行，只有真的找到新東西才主動通知你。所有這類定時任務都集中列在「Scheduled」頁面，要暫停某個任務或改時間，直接在那裡操作即可，不需要重新設定整個流程。相比舊做法，省去每日手動查找的時間，也不會因為忘記查而錯過重要資訊。
一位創客把氣體感測器（偵測空氣中煙霧濃度的裝置）接到本地運行的語言模型（就是像 ChatGPT 一樣會對話的 AI，但跑在自己的電腦上，不需要網路或付費 API）。感測器讀到的煙霧濃度，會即時調整 AI 說話的三個「隨機性旋鈕」：temperature（溫度值，越高 AI 說的越天馬行空）、top_p 和 top_k（決定 AI 每次選字的範圍有多寬）。煙霧越濃，這三個數值就越高，機器人說話就越跳脫、越不重複，像醉了一樣；煙霧散去後，AI 自動恢復正常輸出。這個創意機器人外殼是一臺行李箱，整個系統（感測器→參數調整→語音輸出）全程自動，無需人工幹預。貼文在 Reddit 的本地 AI 社群獲得約 1,500 個讚，引發了「物理感測器動態控制 AI 行為」的跨界討論。
我想在藝術展覽裝一臺會說話的互動機器人。傳統做法是手動把 AI 的 temperature 固定在 0.7，機器人說的話條理分明但整晚大同小異，沒人第二次互動。改用這個方案：在展場多加一顆 MQ-2 煙霧感測器（約 5 美元），當舞臺施放乾冰煙霧效果時，感測器讀到高濃度，AI 的 temperature 自動從 0.3 飆到 1.8，機器人說話立刻變得更癲狂、更詩意、輸出永不重複；煙霧散去後，AI 自動回到正常狀態。對比：舊做法機器人說話一成不變，新做法機器人「情緒」跟著展場氣氛走——有煙霧的高峰時段互動最精彩，成為觀眾打卡亮點，而整個改動的硬體成本不超過 20 美元。
歐盟人工智慧法案（EU AI Act，一套管理 AI 使用方式的法律規範）要求業者在使用「深偽內容」（deepfake，指用 AI 合成或修改、讓人難以辨別真假的圖片或影片）時，必須加上透明度標示，讓消費者知道這是 AI 生成的。但代表 Amazon、H&M、IKEA 等零售巨頭的歐洲商業協會 Eurocommerce，正在遊說爭取讓「AI 生成的廣告圖片」豁免這項規定，理由是：用 AI 生成一張沙發放在客廳裡的情境照片，根本不是在「欺騙消費者」，與深偽造假是兩回事。德國電商平臺 Zalando 更直接揭露，旗下平臺高達九成的行銷素材已是 AI 生成的，顯示這個問題的規模已非常龐大。整件事的核心在於：歐盟對「什麼是深偽」的定義至今仍模糊不清，導致零售業者面臨法規遵循的灰色地帶。
以 Zalando 為例，他們想為一款藍色沙發製作「情境照」，以往需要租攝影棚、佈置場景、請攝影師拍攝，現在改用 AI 直接生成一張光線良好的客廳空間並置入沙發圖。這張圖在法律上算不算「深偽」？如果算，Zalando 就必須在廣告上加上「此為 AI 生成內容」的標示；如果不算，則什麼都不用做。目前歐盟的定義尚未明確排除這類純商業用途的 AI 產品圖，導致零售商必須在合規成本與法律風險之間抉擇——而 Zalando 九成廣告素材都是 AI 生成的現況，讓這個問題的影響範圍難以估量。