[AI 影響] 自駕駛公司：AI 如何重塑管理與組織協作

 [AI 影響] 自駕駛公司：AI 如何重塑管理與組織協作

摘要 : AI Agent 可能先接管管理中的官僚動作，降低協調成本，讓員工更自主，並重新定義管理者的價值。

內容:

未來，公司最先被 AI 消滅的，可能不是員工，而是管理裡大量的官僚動作。Replit 創始人兼 CEO Amjad Masad 最近在 A16Z 的訪談中，提出了一個大膽的判斷：過去矽谷曾嘗試重新發明公司，透過移除中層管理、組織扁平化與員工自組織來改變工作方式，但許多實驗最後都失敗了。問題可能不只是文化，而是當時缺少一層關鍵技術——管理層級可以被拿掉，協調成本卻不會憑空消失。

沒有中層，不等於沒有管理。如果協調工作沒有被系統承接，管理只是從管理者身上，重新轉嫁給每一位員工。如今，AI Agent 開始有機會補上這一層，成為組織裡的膠水，讓大量協調、流程推進、跟進與檢查，逐漸轉為後臺自動執行的工作。Amjad 也正在實驗一種新的工作方式，稱為「Self-Driving Company」，也就是自駕駛公司。

這不是說公司以後不需要人，也不是說管理者都會消失。真正的變化是，過去許多必須靠人完成的管理動作，開始有機會被系統接管。

**第一個變化：AI 先接管管理裡最像機器的部分。**

一家公司為什麼需要這麼多管理動作？因為任務需要分派、資訊需要傳遞、進度需要追蹤、結果需要檢查、異常需要上報，經驗也需要反覆傳授。公司真正昂貴的，有時候不是把事情做完，而是讓一件事情在幾十個人之間正確地流動。

因此，許多管理層級，本質上都在解決兩個問題：資訊怎麼流動，協作怎麼發生。過去這些事情主要依靠人，所以公司越大，會議、彙報與流程越多，中間層也越厚。管理很多時候不只是管人，而是在替組織支付資訊差與協調成本。

Agent 出現後，一種新的可能性開始浮現：任務進來後，系統可以自動分派、補齊相關資訊、跟進進度、驗收結果，再將異常交給人處理。過去靠人記住的狀態，開始由系統記住；過去靠人推動的流程，開始由系統推動。

自動化真正進階的地方，不只是少開幾次會，而是讓許多會議從一開始就沒有必要發生。AI 不一定會先消滅管理，而是先把管理裡最像機器的部分，變成由機器執行。

**第二個變化：組織越自動，人反而可能越自由。**

Amjad 在訪談中提到，很多人並不喜歡被管理。他們真正想要的是：知道最終要完成什麼，然後自己把它完成。

但過去公司很難完全這樣運作。若沒有人追蹤進度、同步資訊，或發現任務卡住，組織就容易失控。因此，許多無管理、自組織的實驗，只是把老闆拿走，卻沒有把管理工作拿走。員工沒有了老闆，卻可能需要參加更多會議、同步更多資訊、維護更多流程，並自行承擔更多協調成本。層級少了，官僚動作反而可能更多。

Agent 的不同之處，在於它有機會把協調成本承接到系統裡。系統知道誰正在做什麼、任務卡在哪裡、什麼時候該提醒，以及哪些情況必須讓人介入。

未來公司可能朝向「可見的管理變少，不可見的系統變多」發展。組織越先進，可能越少依賴「誰記得這件事」，而越多依賴「系統本來就知道這件事」。當協調工作被系統接住，人的自治程度反而可能提高。

**第三個變化：管理者的價值將被重新定義。**

過去，許多管理者把大量時間花在收集與傳遞資訊、分配任務、追蹤進度、開會同步，以及製作狀態彙報。這些工作只要規則足夠清楚，就很適合交給 Agent。

那麼，人應該留下來做什麼？定義目標、設計邊界、判斷例外、處理衝突，決定哪些事情值得做，並在系統失效時承擔責任。當系統開始負責確定性的事情，人就應該把時間留給不確定性的事情。

未來管理者的價值，可能不再主要取決於誰最會催進度，而是誰最會定目標、做判斷與處理例外。

真正的 AI 原生公司，不只是讓員工多用幾個 AI 工具，而是重新設計整套工作流：哪些事情自動發生、哪些資訊自動流動、哪些結果自動檢查、哪些異常必須交給人，以及哪些判斷不能被外包。

以前，公司主要靠崗位連接崗位；未來，公司可能越來越多地靠系統連接任務、資訊與決策。到了這一步，AI 才不再只是提高個人效率，而是開始改寫公司的作業系統。

Self-Driving Company 最值得關注的，不是公司會不會自己運轉，而是它迫使我們重新思考：一家公司的多少執行成本，其實只是因為過去只有人能負責記、傳、催、查？如果這些動作開始被系統接管，公司的組織邊界也會隨之改變。

未來判斷一家企業是否為 AI 原生，可能不能只看它用了多少 Agent，而應該看有多少組織動作，已經從「靠人記、靠人傳、靠人催」，轉變為「系統知道、系統推進、系統反饋」。

AI 原生的真正分水嶺，不是有沒有 AI，而是組織裡還有多少事情，必須靠某個人記得、盯著、催著，才能繼續往前走。管理的最高形態，可能會從盯住每一個人，轉變為設計一個不必一直盯著，也能持續運轉的系統。

AI 真正重寫的，可能不只是工作，而是公司為什麼需要被這樣管理。

——Chuck，講看懂 AI。

[AI 衝擊] 理髮師也能用 AI 做系統：程式設計的門檻降低，專業價值如何改變？

 [AI 衝擊] 理髮師也能用 AI 做系統：程式設計的門檻降低，專業價值如何改變？

摘要 : AI 讓人人都能開發軟體，但穩定、安全與事故成本，仍是專業價值的關鍵。

內容:

一位在可口可樂工作的員工感嘆：「我的理髮師都在朋友圈裡手搓系統了，程式設計師這一行是不是要完蛋了？」評論區有人開玩笑，說後端工程師正在建議朋友去學理髮，乾脆來個「換家戰術」：理髮師轉行寫程式，程式設計師轉行剪頭髮，互相搶飯碗。

這個笑話背後，確實有正在發生的變化。AI 工具普及之後，原本需要專業技能才能完成的工作，門檻正快速降低。理髮師自己做出預約、會員卡或庫存管理系統，已經不再只是段子。不過，「做得出來」與「能安全、穩定地運作」，仍然是兩回事。

從氛圍程式設計，到人人都能做軟體

2025 年 2 月，AI 研究者 Andrej Karpathy 提出了「氛圍程式設計」（Vibe Coding）這個詞。這種開發方式大致是：不仔細閱讀程式碼，而是告訴 AI 想做什麼，讓它生成程式，自己測試結果；不滿意就繼續描述問題，再讓 AI 修改。

他當時描述的是週末製作小玩意的方式，但這個概念很快被理解成：「不會寫程式的人，也能做出軟體。」

一些面向非程式設計師的 AI 建站平台，使用者已達數百萬，其中一家成立不到一年，年化收入便超過一億美元。這些使用者不只是工程師，也包括小老闆、創業者，以及想解決店務問題的理髮師。

即使已有十幾、二十年的程式開發資歷，現在利用業餘時間做個人產品，也經常直接讓 AI 開發，再手動驗證成果，不逐行閱讀程式碼。過去受限於時間、可能一直做不出來的東西，如今透過與 AI 對話，就能快速完成，而且實用性與可靠性正在提升。

但副業變容易，不代表副業更容易成功。當更多人都能做產品，市場上的產品就會變多，競爭也會更激烈。開發成本下降，並不等於獲利機率上升。

最先受到衝擊的，是簡單系統與小型外包

理髮師需要的系統，多半是預約、會員與庫存管理。以前這些需求可能得找外包，花幾千到幾萬元完成，現在店主可以自己借助 AI 製作。

因此，最先受到衝擊的，未必是大型科技公司的工程師，而是小型外包公司、接零散案件的開發者，以及週末接私活的程式設計師。他們原本的客戶，開始自己動手做產品。

這類門檻降低的衝擊，往往先從最簡單、最便宜的工作開始，再逐步往上延伸：從小型工具，到更複雜的軟體，甚至企業級系統。最後會停在哪裡，取決於 AI 的能力，以及企業如何調整組織與流程，目前還不能下定論。

能上線，不代表沒有風險

幾個 AI 開發與操作事故，但相關名稱、數字及事故歸因仍需另行查證。

其中一個案例，是創辦人宣稱完全由 AI 生成、沒有人工撰寫或審查程式碼的 AI 社交平台。據原文描述，上線三天後，安全公司便發現其生產資料庫暴露在網際網路上，涉及約 150 萬組 API 金鑰、3.5 萬個電子郵件地址與平台私訊。取得金鑰的人，還可能冒充平台帳號。

另一個案例是一家線上學習平台。創辦人使用 AI 工具管理伺服器與基礎設施，卻沒有依建議將兩個專案分開部署。後來更換電腦時，又缺少記錄基礎設施狀態的檔案，導致 AI 在不完整的資訊下執行銷毀操作，刪除了生產資料庫、相關網路資源與自動備份，讓兩年半累積的學生作業、專案與排行榜資料消失。

亞馬遜 AI 工具操作造成服務中斷的報導。這些案例想說明的是：即使產品很快就能運作，若缺少權限管理、環境隔離、備份與操作確認，事故仍可能造成巨大損失。

沒有技術背景的人，可能不知道為什麼要區分測試與正式環境，也不知道該檢查哪些漏洞。AI 可以協助檢查與修正，但前提是使用者知道要問什麼，而且不能把「問過 AI」視為安全保證。

產生程式碼的速度，可能超過審查速度

對大型企業產品而言，目前仍需要人工審查。系統越複雜，越可能因為一個細節，造成完全不同的結果。AI 能加快開發與理解程式的速度，但不代表每一項輸出都能直接投入生產環境。

一項漏洞追蹤資料，指出被歸因於 AI 生成程式碼的正式漏洞，從某年一月的 6 個，增加到三月的 35 個；另引用一份產業報告，稱 93% 的受訪公司在使用 AI 撰寫基礎設施程式碼時曾出現事故，約三分之一直接使用未經人工審查的 AI 程式碼，43% 只做最低限度審查。這些統計仍須確認來源、樣本與定義，但反映出值得注意的問題：工具產出越快，審查與風險管理越不能落後。

作為資深工程師也感受到技能差距正在被壓縮。以前需要多年經驗才能解決的問題，如今新人向 AI 提問，也可能很快找到答案。這讓我開始思考：當解題與實作能力越來越容易取得，資深工作者的價值究竟還剩在哪裡？

工作被改變，不必然等於立即失業

AI 持續接手既有工作內容的趨勢很明確，但這是否必然造成大規模職業危機，還不能直接畫上等號。某些職業可能轉換成新的形式，只是目前還不知道新角色會是什麼。

企業是否裁員，也不只取決於效率提升。公司能不能賺錢、是否具有市場優勢，以及管理者如何分配利潤，都會影響用人決策。有些公司即使員工工作節奏較慢，仍然能維持獲利與職缺；有些公司即使員工非常忙碌，依然低薪或裁員。

因此，不能只憑「AI 能做某件事」，就斷言所有從事這項工作的人都會立刻失業；但也不能忽視工作內容與技能價值已經受到衝擊。

開發變便宜，事故並沒有變便宜

理髮師做出系統後，可能一直正常運作，直到某一天客戶電話與消費紀錄外洩，或一次更新清空所有預約資料。這時才第一次接觸權限、備份與回滾，往往已經付出代價。

企業通常有法務、保險、事故處理流程與資源，可以承擔一定程度的損失。小店主則可能直接面對客戶流失、賠償與信任受損，未必有能力承受。

門檻降低，讓「做出東西」變便宜了，卻沒有讓「出事故」變便宜。

資深工程師仍有價值的重要原因。他們不只是把功能寫出來，更能提前辨識風險，避免事故。大型產品可能服務數千萬甚至上億人，一個小錯誤就可能造成大規模影響，因此企業願意花更多成本，換取經驗、穩定性與風險控制。

不過，這項優勢也不是永遠不變。隨著 AI 進步，部分風險辨識與預防工作也會被自動化，專業角色仍須持續調整。

「換家戰術」背後，是不同的競爭條件

理髮師轉向軟體開發，走進的是一個門檻正在降低的市場。他今天一個下午做出的產品，隔壁店明天也可能做出來。人人都能進場，產品自然更難賣出高價。

程式設計師轉向理髮，則走向需要實體在場、動手操作、直接服務人的工作。AI 可以設計髮型，但要安全地替真人剪髮，仍涉及機械操作、現場判斷與信任，因此短期內面臨的替代條件不同。

當然，這也不是永久保障。自動理髮設備與機器人仍可能繼續發展，只是涉及人體安全與實際服務，不能單憑展示影片就認定已能成熟取代理髮師。

程式設計師接下來可以往哪裡走？

這個問題沒有終極答案。相對而言，大型企業裡對安全、穩定與可靠性要求高的產品，可能較晚才能完全交由 AI 自動處理。但「較晚被取代」，不代表永遠不會改變。

另一條方向，是加入 AI 的應用與普及工作，協助企業導入工具、整合流程、管理風險。不過，這些工作同樣可能逐步被自動化。至於大模型研究與開發，則需要不同於一般軟體工程的研究能力，不能視為所有工程師都能直接轉入的選項。

真正值得思考的是：當實作不再稀缺，自己還能提供什麼價值？是理解需求、做出產品判斷、保障系統穩定，還是找到使用者並建立信任？

從「會做」，走向「做得有用、做得可靠」

三十年前，打字員是一份工作；現在人人都會打字，單純打字不再是稀缺技能，但創作與寫作並沒有因此消失。

軟體開發可能正在經歷類似變化。會做軟體的人越來越多，單靠「我能把功能做出來」維生的空間，可能受到壓縮。但能做出真正有用、有人使用、能穩定運作的產品，仍然具有價值。

就像會打字不代表能寫出受歡迎的小說，能用 AI 做出軟體，也不代表產品有需求、有人願意付錢。

理髮師也能做系統，並不等於所有程式設計師明天就會失業；它更直接地提醒我們：單純實作的門檻正在降低，而需求判斷、安全、穩定、使用者信任與商業成果，正變得更加重要。

人人都能參與，只會讓競爭更加激烈。能做出來，不代表能賺到錢；真正的挑戰，是讓做出來的東西有用、可靠，並且值得被使用。

[AI 分享] OpenAI Dev Day 2026：從聊天產品走向智慧體工作與分發平臺

 [AI 分享] OpenAI Dev Day 2026：從聊天產品走向智慧體工作與分發平臺

摘要 : 從常駐智慧體到雲端開發工具，整理OpenAI新布局、開放狀態與工程師的實作重點。

內容:

一、這場發表會的主角，不再只是模型

OpenAI於2026年9月29日在舊金山Fort Mason舉辦Dev Day，由Sam Altman主講。53分鐘的主題演講公布超過20項更新，涵蓋ChatGPT、模型、Codex、協作工具與開發者平臺，官方將其定位為迄今規模最大的一屆。

最值得注意的是，最前面的介紹與最長的演示時間，並未留給新模型，而是交給名為DOTS的常駐智慧體。這透露出一個方向：OpenAI正在把ChatGPT從聊天產品，推向能持續執行任務、支援團隊協作的工作平臺。

會上另公布ChatGPT每週活躍使用者達12億。這個規模，也是後續第三方登入、外掛與應用分發布局的重要基礎。

二、DOTS：全天候工作的數位員工

DOTS可以理解為一名常駐的數位員工。原文指出，它由GPT-6 Astra驅動，擁有雲端電腦與瀏覽器，並透過外掛生態連接四千多個應用。

使用者可以交付一個目標，例如追蹤新進來的錯誤報告、重現問題、修復程式、執行測試並提交PR。即使使用者關上電腦，任務仍會在背景持續推進。

溝通入口不只在ChatGPT，也包含Slack與Teams，後續還規劃支援簡訊及電話。權限方面，原文描述其預設採取唯讀操作，敏感操作需經人工審批。

目前開放對象包括Pro與Business Premium，企業使用則需由管理員啟用。原文亦以DOTT稱呼個別智慧體，並指出第一個DOTT包含於方案中，對話不占用量。

對工程師而言，真正的問題不是它能否回答程式問題，而是能否放心把完整修復流程交給它持續執行。

三、Space：讓人與智慧體共享工作脈絡

如果DOTS負責工作，Space就是工作的場所。這個共享工作區讓同事及各自的智慧體，圍繞共同目標與歷史紀錄協作。

其中的Pages支援人與智慧體共同編輯，也能把對話整理成頁面。協作式幻燈片則預計在數週內推出。Slack與Teams中的多人對話，不要求所有參與者都具備訂閱。

Mac端另新增會議外掛，可將會議紀要與待辦事項存入Space。原文指出，官方說明原始音訊使用後即刪除，無法回放。

這些功能對程式設計師未必都是最直接的需求，卻反映出OpenAI的產品判斷：AI產出不應停留在對話框，而應進入可維護、可重用的文件與工作成果。

四、模型更新：智慧、成本與速度分開選擇

GPT-6.1 SOL 定位為「接近Astra的智慧，約五分之一的價格」。API價格為每百萬token輸入2美元、輸出10美元，與上一代持平；快取輸入價格則由0.2美元降至0.1美元。

對智慧體應用而言，系統提示詞、程式碼倉庫上下文與工具定義，往往包含大量重複前綴。如果能穩定命中快取，就有機會明顯降低成本。

其上下文視窗為約105萬token，最大輸出128K。原文指出，發布當天已進入API、ChatGPT Work與Codex，但一般聊天尚未提供。

官方評測，SOL在OSWorld 2.0最高推理設定下，與Astra僅差約兩個百分點，成本約為七分之一；但最困難的科學任務仍由Astra領先。這些比較涉及不同口徑，不宜視為所有任務都具備相同差距。

UltraFast則是另一個付費維度。Astra開啟後，在Codex中的輸出速度最高可達八倍、每秒約300個token；API中最高約六倍，價格也提高至六倍，每百萬token輸入60美元、輸出300美元。

需要注意，輸出速度提高八倍，不代表整個任務會快八倍。工具執行、網路等待與其他流程耗時，並不會同步縮短。

訂閱方案也有所調整，包括新增500美元Pro方案、重新開放200美元Pro方案，以及新舊使用者額度與額外credits安排。

整體定價方向很明確：低成本與高速度，開始被分開販售。

五、Decisions API：把判斷獨立成API能力

Decisions API是工程價值容易被低估的一項更新。它基於小模型LUNA，接收上下文與一組預定義選項，直接返回選擇，適合分類、路由及決定智慧體下一步行動。

原文引用的官方比較為約150毫秒，相較一般LUNA呼叫的1.6秒，速度約快十倍。

過去常見做法，是讓大模型生成JSON，再由程式解析結果。對一個簡單判斷而言，這可能付出不必要的生成延遲與成本。Decisions API則把「做選擇」獨立成可直接使用的API原語。

客服分流、審批路由及智慧體狀態機，是值得優先測試的場景。目前仍屬限量預覽，原文指出官方預計在數日內擴大開放。

六、Codex：競爭從程式生成走向工程基礎設施

Codex是此次更新最密集的產品線，其中最重要的是Codex Cloud。開發環境設定一次後，即可保存為雲端環境，讓任務在託管電腦中持續執行，不受本機關閉影響。

現場示範以一句指令要求將整個後端改寫為Rust，再把任務交給雲端執行。重點不只是生成程式碼，而是讓開發工作能在獨立環境中持續推進。

其他更新包括雙向語音、智慧體檢視，以及桌面端程式碼審查。相關審查可在雲端自動執行，並與GitHub PR、GitLab MR結合。

Codex Security Cloud則持續掃描程式碼倉庫、尋找漏洞，並準備修復方案。此外，原文也提到Linux版、單專案跨多檔案操作與手機端支援。

這些更新支持一個判斷：AI程式設計工具的競爭，正從「誰更會寫程式」延伸到「誰能提供完整的工程執行與維護環境」。

七、Agent API與開源框架：把執行能力交給開發者

Agent API進入公測，將驅動Codex的執行框架以託管方式提供。開發者主要負責定義任務、串接工具與資料，底層環境則由OpenAI管理。

多智慧體協作、工具搜尋與上下文壓縮等能力內建其中，並加入電腦操作，讓智慧體直接開啟瀏覽器、操作軟體介面、執行流程與測試。

與AWS合作的Bedrock Managed Agents，以及企業端的Private Intelligence，涉及零資料保留與隱私、安全處理，相關隱私推理能力預計於秋季提供預覽。

對工程師而言，Codex Harness開源尤其值得注意。原文指出，Codex、ChatGPT Work與DOTS共用同一套智慧體框架，開發者可直接閱讀實作，理解其執行機制。

八、真正的主線：ChatGPT成為工作與分發平臺

把各項更新放在一起看，主線並非單純增加功能，而是讓ChatGPT成為第三方產品入口與工作執行層。

Sign in with ChatGPT讓使用者帶著訂閱額度登入第三方產品。原文提到首批16家，包括Notion、VS Code與Devin，且聊天紀錄與記憶不共享。

外掛擴充讓開發者能在ChatGPT內建立側邊欄、互動面板與檔案檢視器，相當於把應用嵌入對話介面。MCP Events則讓外部事件觸發ChatGPT中的自動化，不必等待使用者主動開啟對話。

企業Marketplace首批合作對象據稱有32家，包括Figma、Adobe與Salesforce。若以原文所述12億週活躍使用者為基礎，這套生態的核心價值就在於分發規模。

九、需要保留的判斷：官方宣告不等於外部驗證

首先，效能數據主要來自官方評測。「SOL接近Astra」不代表第三方榜單或所有任務都得出相同結論。

Artificial Analysis智慧指數，稱SOL為52分、另一款名為「Cloud Opus 5.5」的模型為58分，並主張SOL的主要優勢在成本。相關名稱與數據仍需另行核對。

其次，官方所稱內部AI研究實習生已上崗、模型能獨立完成部分研究任務，原文指出尚缺論文及外部評測，因此應先視為公司宣告。

最後，宣布不等於立即可用。SOL的UltraFast版本、協作幻燈片與隱私推理仍在規劃或預覽階段，DOTS也有地區限制。

直播中的語音與3D演示曾出現問題，提醒讀者：流暢的產品願景與實際使用的可靠性，仍需要分開評估。

十、工程師接下來可以做的三件事

第一，將部分批次處理或智慧體任務切換至SOL，用真實任務比較總成本、品質與完成時間。同時整理穩定的長前綴，讓提示詞、工具定義與倉庫上下文更容易命中快取。

第二，如果系統包含分類或路由邏輯，待Decisions API開放後進行對照測試，評估是否能替換部分大模型呼叫，降低延遲與費用。

第三，閱讀Codex Harness原始碼，了解智慧體如何管理工具、上下文與執行環境。比起只看演示，這更有助於判斷哪些能力能真正融入現有工程流程。

[AI 觀點] 2026 年別只學 AI 工具，更要學會管理 AI

[AI 觀點] 2026 年別只學 AI 工具，更要學會管理 AI

摘要：與其追逐新工具，不如練習定義問題、拆解任務與給予回饋，讓 AI 改善真實工作流程。

內容:

2026 年，AI 工具愈來愈容易使用。與其不斷追逐新模型、Prompt 教程或 Agent 框架，擔心自己學得不夠快，不如把注意力放在如何讓 AI 幫你完成工作。這不是說不用學技術，而是不要把「學 AI」變成新的焦慮來源。

第一，學會定義問題。只說「幫我寫一份設計文件」，AI 很可能給出制式模板。如果能說清楚系統要服務多少使用者、支援哪些通知方式，以及需要考慮重試、限流、去重和監控，再請 AI 提出架構與潛在故障點，結果才更可能推進工作。

第二，學會拆解任務。不要把「完成一個功能」或「修好這個錯誤」整包丟給 AI。可以先請它理解現有程式碼、提出除錯計畫，再撰寫測試、檢查邊界情況。AI 的價值不在於一次給出完美答案，而在於能依照你的工作流程反覆迭代。

第三，學會給具體回饋。當 AI 的第一版不理想，指出問題比直接換工具更有用：例如沒有考慮併發、漏掉空值處理、測試覆蓋不足，或設計不利於日後擴充。這就像帶領團隊成員；你愈能說明判斷依據，AI 愈能照你的方向協助。

真正值得問的，不只是該用哪個工具，而是工作中哪些事可以交給 AI，哪些判斷必須由自己負責。若不知道從哪裡開始，就挑一件最重複、最耗時的事，例如除錯、製作檢查清單或整理會議紀錄：提供背景與目標，取得第一版，再持續回饋和檢查結果。重點不是看過多少 AI 內容，而是有沒有用 AI 改善一個真實流程，把時間留給更高價值的工作。

[AI 觀點] AI 時代，學生該如何選擇發展方向？

 [AI 觀點] AI 時代，學生該如何選擇發展方向？

摘要：大模型研究仍有空間；AI 基礎設施重視設計判斷，應用前景廣闊但難以預測。

內容:

對於覺得工作難找的本科生與研究生，該投入大模型研究、AI 基礎設施，還是應用開發？這三個方向各有機會，也面臨不同的不確定性。

大模型依然重要，發展空間也很大。AI 遠不是一個已經解決的問題；目前的大模型路線很有希望，但未來也可能出現新的路徑。對有志攻讀博士、從事研究的人來說，與其重複大家已經做了很多的模型，不如探索新的模型方向。

AI 基礎設施（Infra）方面，可以考慮進入工業界，但不能只把自己定位成寫程式的人，因為不少程式工作可能由 AI 完成。更重要的是具備設計品味與判斷力：能將 AI 產生的程式碼組織成良好的系統，理解什麼設計更持久、易維護且靈活。AI 能提供建議，但如果自己無法判斷好壞，就難以維護完全依賴 AI 設計的成果。

至於 AI 應用，前景廣闊，許多傳統商業模式都可能被改變；但它也最難預測。今天做出的應用，可能很快就被大型模型公司推出的新能力取代，甚至變成基礎平台本身就具備的功能。

[AI 爆料] OpenAI正開發新模型Bell

 [AI 爆料] OpenAI正開發新模型Bell

摘要：傳聞稱OpenAI正開發新模型Bell，並以AI破解數學難題；模型能力、證明與研究歸屬仍待查證。

內容:

近期爆料稱，OpenAI正在開發代號「Bell」的新一代基礎模型，可能成為Astral之後產品的基礎，甚至被部分媒體稱為「ChatGPT-7」。最早的說法之一來自8月25日的網路帳號NFTChain，聲稱Bell已完成一輪預訓練，參數量超過10兆。這些規格與產品定位目前仍屬傳聞，不能視為OpenAI已確認的資訊。

依照爆料，Bell承接代號「DOG」的基座模型，並採用「雙速學習」架構：一方面從程式測試、數學證明及工具使用中即時取得經驗，另一方面將經過驗證的成果納入後續訓練。爆料者據此推測，它可能持續改善自身的學習方式，並將能力轉移到較輕量的模型。另有說法稱，Bell在程式撰寫、推理與長時間自主執行任務方面超越Astral，還能協調大量並行運作的AI代理；這些能力尚缺乏可獨立核實的證據。

相關傳聞也把Bell與OpenAI的算力、自研晶片「Jalapeno」，以及所謂AI自主改進的內部實驗連在一起，並推測其將成為OpenAI與Anthropic競爭的關鍵。不過，原文列舉的模型成績、效率提升幅度、產品時程及內部動向，多來自爆料或轉述，仍需審慎看待。

另一項爭議圍繞納維－斯托克斯方程。原文稱，OpenAI宣布由內部模型驅動的大量協同AI代理，在約88小時內找到這項千禧年難題的求解方案；部分報導進一步將成果歸於Bell。即使確有方案，其證明是否成立、是否構成該難題的完整解答，仍須經過學術界審查，不能逕稱難題已被破解。

原文並引述紐約大學數學教授特里斯坦·巴克馬斯特的疑慮：他與研究搭檔曾私下研究相關問題，認為OpenAI所述的求解路徑與兩人的工作相近，因而質疑研究資料是否曾被模型使用。他同時表示，尚未看到完整證明，也無法證實資料遭挪用。原始內容在提及OpenAI回應、稱專案於9月1日開始之處中斷，因此無法確認後續說明。

[AI 解析] 微軟新版 Copilot：模型之外，誰掌握企業 AI 入口？

 [AI 解析] 微軟新版 Copilot：模型之外，誰掌握企業 AI 入口？

摘要：微軟讓 Copilot 自動選擇模型，並以代理、權限與成本治理爭奪企業 AI 工作入口。

內容:

2026 年 9 月 25 日，微軟推出新版 Copilot，加入 Home、Code 和 AutoPilot 三個入口。Home 整合聊天、程式工作與 Office 應用；Code 讓一般員工也能建立工具；AutoPilot 則是可在雲端持續執行任務的代理，即使使用者關閉電腦，工作仍能繼續。

這次更新的核心，不只是增加功能，而是改變模型在產品中的位置。Copilot 的 Auto 路由系統會依任務的準確率需求、速度與成本，自動選擇合適模型；簡單摘要不必動用昂貴的前沿模型，複雜任務則可升級，或交由不同模型與子代理分工。使用者面對的是完成工作的 Copilot，不一定需要親自挑選模型。

對模型公司而言，這代表競爭可能從吸引使用者選擇品牌，轉向爭取路由系統分配的任務。OpenAI、Anthropic、微軟自研模型及開放權重模型都可能進入候選範圍。若多款模型在常見任務上的表現接近，價格、延遲與安全性就會更直接地影響呼叫量。企業也能藉由切換供應商取得更大的議價空間。

但路由權集中在微軟手中，也帶來透明度問題。當微軟自研模型與外部模型同場競爭，企業需要知道系統為何選擇某個模型、花了多少錢，以及任務失敗時發生了什麼事，才能判斷選擇是否真正符合自身利益。開放權重模型則提供另一種選項：企業可依內部資料微調，或部署在可控環境中；不過，進入核心工作流程仍須符合安全與合規要求。

比模型路由更深的一層，是代理對企業系統的操作能力。AutoPilot 若能讀取檔案、開啟應用並更新紀錄，就必須清楚界定它能看什麼、做什麼，以及哪些動作需要人類批准。聊天回答出錯可以重問，代理若改錯訂單或財務資料，後果則可能直接進入業務流程。微軟以 Agent 365 管理代理身分、權限、安全政策及審計紀錄，試圖建立企業採用長期代理所需的控制層。

計費方式也跟著改變。日常問答與初稿適合固定訂閱；需要持續呼叫模型和工具的 Code、AutoPilot，則採按量計費。企業最終要衡量的，不只是每百萬 token 的價格，而是一項任務通過驗收的總成本，包括重試、工具呼叫與人工檢查。微軟因此加入 AI 成本治理，讓管理員追蹤用量並設定預算。

微軟的優勢在於，Copilot 可連接既有的 Office、Teams、GitHub、企業身分與資料系統。當員工逐漸從「逐一操作軟體」轉為「交代目標並監督代理」，任務入口、資料權限和操作紀錄的價值可能上升，傳統軟體介面的價值則可能改變。OpenAI、Anthropic 正向企業產品推進；擁有 Workspace、Cloud 與裝置入口的 Google，也可能在同一領域競爭。

模型戰爭不會因此結束。頂尖模型仍決定能力上限，但企業未必每次都需要最強、最貴的模型。微軟押注的是：讓可替換的模型在 Copilot 裡工作，同時把任務、權限、路由與成本治理留在自己的平台。這套策略能否成立，仍取決於 AutoPilot 能否可靠完成長任務、Auto 能否公平選擇模型，以及 Agent 365 能否守住安全邊界。

[AI 解析] Claude Ops 5.5：降價、效能與遷移風險

 [AI 解析] Claude Ops 5.5：降價、效能與遷移風險

摘要：解析 Claude Ops 5.5 的價格、效能、架構變更與遷移風險。

內容：

Anthropic 最新發布大模型 Claude Ops 5.5，能力、速度與價格均有所調整。社群也開始用它製作各類 3D 遊戲 Demo，包括類似《QQ 飛車》的競速與道具模式、《穿越火線》風格的戰鬥場景，以及常被各大模型拿來比較的 3D 單車遊戲。

然而，這次更新的重點並非單純的能力躍升，而是「單位經濟學」的重新設計：輸入與輸出價格各降低約 20%，快取讀取價格降低 60%；但在獨立測試的最高檔位中，單次任務輸出約 11.9 萬個 token，是上一代的 1.6 倍。換句話說，單價雖然下降，總成本卻未必同步降低。

更值得注意的是，預設 effort 檔位從 High 悄悄下調至 Medium。若團隊沒有修改程式碼，可能在監控數據看似改善的情況下，實際遭遇一次「靜默降級」。因此，真正的問題不是模型是否變便宜，而是使用量增加後，帳單是否反而更高。

一、核心數字與定位

Claude Ops 5.5 於 9 月 22 日發布，用來取代 Ops 5，並成為預設推薦模型。這次更新的主要變化包括：

輸入與輸出單價降低約 20%

快取讀取價格降低 60%

預設 effort 從 High 調整為 Medium

最高檔獨立測試得到 58 分，領先並列第二名約 5 分

最高檔每項任務輸出約 11.9 萬個 token，為上一代的 1.6 倍

因此，它更像是一次成本與效能配置的釋出，而非全面性的能力突破。

模型最大的壁壘在於既有治理資產，但最大的摩擦也出現在同一領域。根據相關評估，它在未經驗證的前沿安全與生物研究任務上，相較上一代有所退步。較適合的定位是：「把它當執行者，而不是顧問。」

二、發布時間線與安全爭議

約在 9 月 12 日，執行長發表應為前沿 AI 發展減速的主張；9 月 15 日前後，相關意見陸續出現；到了 9 月 22 日，新模型正式發布，前後相隔僅約十天。

官方解釋是，減速呼籲所針對的是能夠完全自動化 AI 研究的系統，而 Claude Ops 5.5 只是用更低成本、更快速度，完成上一代已經具備的工作。

另一項值得關注的措施，是讓常駐審計與外部評估人員取得接近員工層級的權限，並可公開揭露風險發現。不過，官方仍保留範圍有限的內容刪改權。判斷其安全承諾時，不能只看對外聲量，也應觀察實際資源與資金流向。

三、價格與 effort 檔位

模型的上下文長度為 100 萬個 token，最大輸出為 12.8 萬個 token，與上一代一致。真正的行為變更主要有兩項：

自適應思考功能預設常開，且無法關閉。

effort 預設值從上一代的 High 改為 Medium。

快取讀取價格則從 0.50 美元降至 0.20 美元，降幅達 60%；相較普通輸入價格，快取讀取約有 95% 的折扣。

不同版本並非完全不同的模型，而較像是共享核心能力、提供不同的存取與運算等級。

各 effort 檔位的測試結果與成本如下：

Max：58 分，5.98 美元

S High：56 分，3.46 美元

High：54 分，1.82 美元

Medium：51 分，1.30 美元

Low：12 分，0.55 美元

預設的 Medium 檔取得 58 分中的 51 分，但成本只有 Max 的約五分之一。這說明所謂的提效降價，部分來自預設檔位下移，而非模型本身在相同運算條件下大幅變便宜。

其中，High 可能是整體性價比較佳的選擇：得分高於另一款旗艦模型的最高檔，成本卻僅約為其 56%。

四、思考機制與 API 變更

這次更新移除了兩條舊有操作路徑：

傳送關閉思考功能的設定

手動指定思考預算參數

目前無論在哪一個 effort 檔位使用這些設定，都可能收到 HTTP 400 錯誤。

官方理由是，模型已在訓練階段內建思考機制。若允許關閉思考，模型就會進入未受完整訓練的運作模式，也可能破壞模型先規劃、再執行的能力。

另一項遷移摩擦是，思考區塊會與產生它的模型及上下文綁定。若修改先前訊息或系統提示，後續思考內容可能失效，並返回 HTTP 400。這會影響既有的對話重播、提示詞編輯及工作流設計。

五、執行腳手架與真實任務

模型若沒有執行腳手架，就只是一個聊天介面。要讓它連接真實任務，系統至少需要處理三個層面：

連線管理與憑據邊界

任務迴圈、狀態管理與工具路由

檔案系統及執行環境隔離

分層設計會直接決定哪些部分需要隨模型遷移。通常會隨模型變動的是思考機制與 effort 設定；不必隨模型更換的部分，則包括動作前分類器、快取、記憶、沙箱與透明回退機制。

評估自動化任務時，不能只看模型執行速度。實際淨收益應將人工完成時間，扣除 AI 執行、人工複核及後續整合處理所需時間；採購端真正支付的，也是整套流程成本，而非只有 token 費用。

六、遷移與成本風險

不同變更的回滾難度並不相同：

更換模型名稱：通常可在數分鐘內回滾

調整 effort 檔位：可能需要數小時重新測試

思考功能常開：涉及 API 與工作流設計，遷移成本較高

修改早期訊息造成思考區塊失效：可能破壞既有對話與代理流程

因此，團隊不應只因單價下降就直接全面切換。較穩妥的做法，是先固定 effort 檔位，以相同任務比較成功率、輸出 token、執行時間、快取命中率及人工複核成本。

Claude Ops 5.5 的核心價值，在於以較低檔位保留大部分能力，但低單價不代表低總成本。若任務輸出量、重試次數或人工複核時間上升，最終帳單仍可能高於上一代。

[AI 衝擊] Jev：專為自動化決策而生的高速 AI 模型

 [AI 衝擊] Jev：專為自動化決策而生的高速 AI 模型

摘要 : Jev 以高速、低成本與低幻覺，重新定義 AI 自動化流程中的決策節點。

內容:

Jev 是近期 AI 圈備受關注的新模型。它不聊天、不寫文章，也不協助撰寫程式，而是專注於一件事：做決定。使用者提供資料、問題與預設選項後，Jev 便會直接回傳各選項的機率。

Jev 於 9 月 15 日發布，由 Typesafe AI 開發。創辦人 Diego Omiada 曾參與打造 ChatGPT，也是 RLHF 訓練方法的共同發明人之一。他在完成 ChatGPT 後，花費兩年研究新的訓練方法，最終推出這款完全不以對話為核心的模型。

Jev 發布後迅速引發關注。創辦人的 X 貼文累積接近 3,000 萬次觀看，當天在工程師論壇 Hacker News 獲得 1,679 分與超過 400 則留言；隔天，Vercel 也將 Jev 上架至自家平台。

根據官方資料，Jev 的速度比主流大型語言模型快 20 至 200 倍，價格便宜 40 至 400 倍，而且輸出完全免費。無論輸出結果長短，都不收取輸出費用，只按照輸入的文字量計費，每 100 萬個 token 收取 0.042 美元。

Jev 的名稱取自經濟學中的「傑文斯悖論」（Jevons paradox），意指當一項資源變得更便宜、效率更高時，人們反而會使用得更多。

傳統大型語言模型如 ChatGPT、Claude，會逐字生成答案，思考與輸出越多，等待時間也越長。Jev 則不自行撰寫答案，只需要三項資訊：一份資料、一個問題，以及事先設定好的選項，便能直接計算每個選項的機率。

例如，將一張發票交給 Jeff，詢問是否有問題，並提供「正常、詐騙、需要人工檢查」三個選項，它可能在不到 0.3 秒內回覆：正常機率為 88%，其餘機率則分配給另外兩個選項。

如果把一般大型語言模型比喻為回答申論題，Jev 就是在作答選擇題。申論題需要逐句生成，速度較慢，也可能離題；選擇題只會從指定答案中選擇，因此速度更快，結果也不會超出預設範圍。這也是 Jev 能降低幻覺的原因，因為它沒有機會編造選項以外的答案。

目前 Jev 主要能處理三種問題：

第一種是是非題。使用者可以詢問某件事是否成立，Jev 會回傳一個介於 0 到 1 的機率，數值越接近 1，代表它越肯定。

例如，詢問某張發票是否為詐騙，Jev 可能回傳 90%。如果再加入常見詐騙特徵作為判斷條件，它便能依據更多資訊調整信心水準。企業也能設定自動化門檻，例如詐騙機率超過九成便自動拒絕退款，其餘案件再轉交真人客服處理，藉此節省大量人工審查時間。

第二種是單選題。使用者可以預先列出多個選項，Jev 會選出最合適的答案，同時提供每個選項的機率。選項最多可設定 255 個，每個選項也能附上簡短說明，協助模型理解其定義。

例如，可將 Jev 應用於電子郵件整理，讓它判斷每封信應被歸類到哪一個資料夾。

第三種是程度評分。部分問題並非非黑即白，而是需要判斷程度。使用者可以建立一套由低至高的評分標準，最多分成 11 個級距，再由 Jev 判斷目前狀況位於哪一個位置。

例如，企業可用它篩選潛在客戶：0 分代表沒有預算的學生、1 分代表小型團隊、2 分代表有明確需求與時程的公司、3 分則代表預算充足的大型企業。

若有大型企業透過網站表單詢問，Jev 可能給出 2.9 分。企業便可設定規則，當分數高於 2.5 時，立即通知業務主管，確保團隊能在當天快速回覆並爭取訂單。

整體而言，Jev 專門回答三類問題：「是不是」、「哪一個」以及「到什麼程度」。許多自動化工作流中的判斷邏輯，基本上都離不開這三種類型。

Jev 並非要取代功能全面的大型語言模型，也不適合直接用來開發完整產品。它更適合被放入自動化工作流中，擔任快速、便宜且低幻覺的決策節點。

例如，判斷一封信是否需要回覆、客服案件應轉交哪個部門，或留言是否為詐騙廣告。這類任務通常只需要一個選項作為答案，若使用昂貴且速度較慢的大型模型處理，容易造成時間與成本浪費。

Jev 的核心價值，就是把資料送進去後，不進行多餘對話，迅速提供可供後續規則使用的判斷結果，如同自動化流程中一個小而精準的智慧開關。

[AI 解讀] AI衝擊白領工作：程式設計師真的會在2030年前消失嗎？

[AI 解讀] AI衝擊白領工作：程式設計師真的會在2030年前消失嗎？

摘要 : 報告僅推演三種AI情境，程式設計師未必消失，轉型關鍵在善用AI與產業專業。

內容:

近期網路流傳一種說法，宣稱某 AI 公司預測：2030 年前，程式設計師與電話客服將會消失，並建議從業者轉行當電工或護士。然而，這並非報告原意，而是中文媒體轉述時加入了「消失」等較為聳動的措辭。

這份報告不是對未來的預言或判決，而是利用經濟模型，推演美國經濟在 2030 年前可能出現的三種情境。

第一種是溫和情境。AI 帶來的影響與當年網際網路相近，經濟略有成長、工資大致穩定，受 AI 影響的工作者占整體勞動力的比例，僅從 62.2% 降至 59.7%。雖然換算後仍涉及數百萬人，但若分散在數年間，勞動市場仍有機會逐步消化。

第二種是中等情境。經濟增速可能翻倍，但受 AI 影響的工作者薪資將陷入停滯。報告提到，在個人層面，程式設計師與電話客服人員可能不得不轉向電工、護士等較不容易受到 AI 影響的工作。

不過，原文緊接著也指出，整體職業轉換會非常困難，許多人可能需要很長時間才能找到新工作。失業率上升不只因為舊職位消失，也可能是白領工作者無法立即轉入新的產業，長時間卡在兩份工作之間。

第三種是極端情境。美國經濟產出每 4.5 年翻一倍，到 2030 年時，GDP 將比沒有 AI 的情況高出 33%。但受 AI 影響工作者的失業率可能升至 17.9%，勞動收入占經濟產出的比例也可能從 60% 降至 45%。

在此情境下，較不受 AI 影響的職位，薪資可能相對上漲 33.6%；受影響較大的工作者，薪資則可能相對下跌 11.5%。換言之，國家整體變得更加富裕，但程式設計師、會計師、律師與分析師等知識工作者，未必能分享到經濟成長的成果。相較之下，電工、水管工、建築工人及護士等需要實際動手的工作，反而可能更有價值。

因此，報告並沒有斷言程式設計師必然消失，而是說在部分情境下，他們可能被迫轉行。這只是數種可能性之一，沒有人能精確預測未來。

該公司執行長先前也曾警告，五年內可能有一半的入門級白領職位消失，失業率甚至可能達到 10% 至 20%。但新報告將這類結果放進三種情境中的極端版本，代表最壞情況並非必然發生。這可能是模型分析後的修正，也可能是一種預期管理。

此外，報告由 AI 公司發布，本身也可能存在利益衝突。AI 公司自然希望 AI 模型持續進步並廣泛普及，而這也可能放大 AI 對經濟與勞動市場的影響。

報告之所以特別提到電工與護士，並不是隨意挑選。根據美國勞工統計資料，2024 年至 2034 年間，電工與註冊護士屬於預計成長較多的職業。律師與會計原本也被看好，但這兩類白領工作同樣容易受到 AI 衝擊，因此需要實際操作與現場服務的工作，可能更具穩定性。

護士也不限定由女性擔任。在美國與加拿大，男性護士相當常見。由於薪資較高、就業機會多，護理工作本來就是不少人轉職時的選項。

另一份三月公布的研究顯示，程式設計師的日常任務中，已有約 75% 被觀察到有 AI 介入；客服與資料輸入工作則緊隨其後。最容易暴露在 AI 影響下的，不一定是低學歷、低收入族群，反而可能是高學歷、高收入的白領，因為 AI 目前最擅長接管的正是電腦上的知識型工作。

不過，「理論上能做」與「實際已經在做」之間，仍存在明顯差距。電腦相關職位的理論 AI 暴露度可高達 94%，但實際觀察到的 AI 覆蓋率約為 33%；辦公室文書工作的理論暴露度約為 90%，實際覆蓋率則約為 25%。

造成這條鴻溝的主要原因是可靠性。企業無法完全信任 AI 獨立完成所有工作，尤其大型企業軟體與複雜專案，仍需要領域專家審核。AI 即使可以產出程式碼，也可能犯錯，最終仍要由熟悉系統與業務的人員負責判斷。

因此，討論 AI 是否取代某個行業時，必須分清楚三種層次：理論上能否取代、未來情境是否可能取代，以及目前實際觀察到多少工作已被取代。

理論上，程式設計師的大部分任務都可能被 AI 接手；在部分未來情境中，程式設計師甚至可能被迫轉行。但依照目前觀察，約三分之一的工作正被 AI 接管，其餘工作仍掌握在人類手中。只要工作尚未完全自動化，人類審核、溝通與決策的瓶頸就仍然存在，程式設計師的工作也尚未真正消失。

至於轉行當電工，未必是最合理的選擇。程式設計師多年累積的判斷力、系統思維與技術協作能力，很難直接用在電工工作上。若完全更換專業，等於放棄過去數年甚至數十年的經驗，從頭學習新技能，是成本最高的轉型方式。

在徹底轉行以前，程式設計師至少還有三條成本較低的路。

第一是往上走，學習指揮、使用與檢查 AI，成為負責設計、整合與審核的人。

第二是往下扎根，把軟體技能深入醫療、能源、金融等具體產業。對業務流程、法規與產業知識的理解，能形成通用 AI 較難取代的門檻。

第三是更換產業，但不必更換手藝。即使電工、護士與建築等行業持續成長，這些領域仍需要醫療資訊系統、電網調度軟體、建築專案管理工具等技術。程式設計師可以把既有能力帶進其他產業，而不是直接放棄專業。

相較之下，電話客服面臨的風險可能更高。美國約有近三百萬人從事客服工作，加拿大的呼叫中心也是不少新移民的第一份工作。客服任務幾乎全部發生在電腦與電話上，正是 AI 最容易優先接管的領域。

程式設計師還可以藉由使用、管理與審核 AI 提升自身位置，但傳統客服較難透過「指揮 AI 接電話」建立新的職涯階梯。因此，客服人員若只從事電腦與電話工作，風險相對較大；若轉向面對面的服務、銷售、護理支援或社區服務，可能更有機會延長職業生命。

AI 的快速發展也讓家長重新思考孩子該學什麼。過去，程式設計可能是優先選項；現在，單純學習寫程式是否仍具長期價值，已變得不確定。除了技術能力，健康、運動、溝通、判斷力與適應變化的能力，可能更加重要。

若極端情境成真，2030 年前可能出現和平年代罕見的經濟成長，社會將創造大量產品與財富；但同一時間，知識工作者的失業率也可能升至 17.9%。真正的核心問題將不只是 AI 能創造多少財富，而是這些財富應如何分配，以及失去工作的人能否分享 AI 帶來的成果。