某間公司從二手書商大批採購書籍，用液壓切割機割掉書脊，送進工業掃描機逐頁消化，紙本殘骸隨後進入回收流程。這不是廢紙處理廠的日常，而是 Anthropic 的秘密行動。

巴拿馬計畫

這項行動的代號是「巴拿馬計畫」（Project Panama）。

Anthropic 鎖定 2022 年以前出版的實體書，邏輯是，那個年代的書不含 AI 生成文字，品質穩定，適合當訓練資料。他們挖角前 Google Books 合作業務主管 Tom Turvey 執行採購，向 Better World Books、World of Books 等二手書商批量下單，費用估計達數千萬美元。

一份廠商提案顯示，計畫預計在六個月內將 50 萬到 200 萬冊實體書數位化，液壓切割機去書脊，工業掃描機接管逐頁掃描，之後書本進回收，就此消失。

Anthropic 知道這件事不好看。根據法庭揭露的內部文件，他們公司內部曾明確討論過公開這些資訊的公關風險。

法院說合法，但盜版要賠 15 億

2025 年 6 月，加州北區聯邦地院法官 William Alsup 在 Bartz v. Anthropic 一案裁定，合法購買書籍後掃描銷毀、用於 AI 訓練資料，屬於合理使用。判決理由是過程具轉化性，且副本數量沒有增加。

但法院不是全面放行。同一案件中，法官認定 Anthropic 明知超過 700 萬冊書籍來自盜版，仍納入訓練資料庫使用。2025 年 9 月，Anthropic 就此達成 15 億美元和解，寫下美國著作權訴訟史上金額最高的紀錄。

差別只在「買」的合法，「偷」的賠 15 億。

那些世界上只剩幾本的書

法庭外，還有另一個問題。

AI 公司偏好採購 2022 年以前的舊版書，讓稀有版本特別容易落網。有報導指出，部分被掃描後銷毀的是孤本或極稀少的舊版書，市場上幾乎已無其他存本。Anthropic 也不孤單，Google、Meta 等公司在進行類似操作，現在甚至出現專門面向 AI 公司的書籍供應商，提供匿名批量採購服務，一次可達百萬冊。

圖書館的邏輯是讓書流傳，AI 公司的邏輯是讀完就丟。

讀者對著作權的焦慮，在法庭上換算成版權費。但更根本的問題可能不是錢，畢竟書的存在本身是一種保證，代表這些文字、這些思想，能繼續留在世界某個角落等著被人讀到。當液壓機壓下去那一刻，那個保證就不在了。

有些東西數位化之後，反而不見了。

本文初稿由 INSIDE 使用 AI 協助編撰，並經人工審校確認。精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• 美法院准作家集體訴訟 Anthropic 捲入 AI「盜書訓練」侵權案
• 史上最大著作權和解拍板！Anthropic 15 億美元收場，AI 訓練資料合法邊界成形
• 美國法院認證！AI 公司用版權書籍訓練模型屬「合理使用」

Tesla 在 Q2 2026 財報的 10-Q 文件中確認，已完成一筆金額最高達 20 億美元的 AI 硬體收購案，最終定價 19.5 億美元，全數以 Tesla 股票與股權獎勵支付。

這筆交易早在 4 月就已首度曝光，當時同樣只以文件裡的一句話帶過，沒有記者會，沒有新聞稿，甚至沒有出現在股東信或財報電話會議中。

三個月過去，Tesla 依然沒有透露這家公司的名字，也沒有交代它到底做什麼技術，唯一新增的訊息，是 Tesla 自己在文件裡承認，這筆交易綁定的部署里程碑「被認定為不太可能達成」，對一家才剛付出近 20 億美元的公司來說，這樣的用詞相當罕見，甚至可以說是意外坦率。

兩億美元買到的只有一項專利

拆開這筆交易的結構，會發現大部分的錢其實還沒有真正交出去，19.5 億美元裡，僅有 2.22 億美元被認列為實際資產，計入一項專利與相關已開發技術的無形資產，其餘 17.3 億美元屬於或有股票，綁定留任條件與部署里程碑。

Tesla 在本季並未針對這筆或有股票認列任何股權薪酬費用，理由正是前述的「不太可能達成」，也就是說，對方公司目前能拿到手的錢，遠低於這筆交易表面上 19.5 億美元的規模，真正能兌現的部分，取決於一項連 Tesla 自己都不看好的績效條件。

連續兩季鉅額交易只用一句話帶過

外界對這家神秘公司的身份猜測已久，一種說法指向 DensityAI，一家主要由 Tesla 前 Dojo 超級電腦團隊組成的晶片新創，團隊已於 2025 年 8 月解散，另一種說法則是 Atomic Semi，由晶片業界資深人物 Jim Keller 共同創辦的半導體製造設備公司，專攻小型化的快速原型晶圓廠工具，Tesla 對兩種說法都未證實，也未否認。

這已經不是 Tesla 第一次用這種方式處理鉅額交易，就在同一時間，Tesla 對執行長馬斯克（Elon Musk）旗下的 xAI 投入約 20 億美元，同樣只在 SEC 文件裡以簡短篇幅揭露，連續兩季出現數十億美元規模的交易，卻都只以 SEC 文件中的隻字片語呈現，而非正式公告，這樣的揭露模式，已經很難再用「個案」來解釋。

稀釋股份換來的投資大年

這筆收購背後，是 Tesla 今年整體以稀釋股份而非現金支應擴張的更大脈絡。2026 年上半年，Tesla 因「股權激勵獎勵與收購」增發約 1.98 億股，股權薪酬費用年增約 80%，來到 21.8 億美元，與此同時，Tesla 第二季自由現金流轉為負值，是自 2024 年第二季以來首次。

以上種種都發生在 Tesla 自稱 2026 年是公司史上投資規模最大的一年，資金橫跨 AI 運算、Austin 晶片廠與 Terafab 半導體計畫。股東正在承擔的稀釋成本，換來的卻是一筆連交易對象都不願公開的收購案。

垂直整合敘事出現裂痕

近年來，Tesla 建立了一套鮮明的公司敘事，幾乎所有半導體布局都圍繞著「自己來」，透過 AI5、AI6 兩代晶片計畫，試圖擺脫對 Nvidia 的依賴。

回顧 Tesla 的收購史，公司成立至今僅收購過約十家公司，幾乎全數集中在電池與製造自動化領域，例如電容器廠 Maxwell Technologies、自動化設備商 Grohmann Engineering 與 Perbix，花 2.22 億美元買下自己顯然無法內部複製的外部專利權，明顯偏離這套一貫的公司敘事。

Terafab 計畫本身，就已經在動搖同一套獨立敘事，這座晶圓廠原本被包裝成擺脫台積電或三星的自建方案，如今實際運作核心卻是 Intel，Tesla 與 SpaceX 更像是這筆合作裡的客戶，而非真正意義上的獨立製造商，這筆未具名的 AI 硬體收購案，讀起來像是同一種模式的又一次重演，持續依賴外部技術，卻被包裝成自給自足。

不論最終收購到的技術是什麼，無論是給 Optimus 人形機器人用的推論晶片，或是下一代 FSD 所需的運算能力，它填補的是一個 Tesla 內部計畫至今尚未補上的缺口。

類似的外部求助模式，也出現在柏林超級工廠，Tesla 近期開放外部新創進駐產線，協助解決 4680 電池量產瓶頸，當自建的目標一再碰上能力缺口，Tesla 的回應始終是一筆用極簡揭露包裝起來的收購案或製造合作，而非正面承認這是一種依賴。

Tesla 口中「一切自己來」的說法，某種程度上更像是一種尚未落實的願景，未必真正反映公司實際的技術取得方式，股東承受的是數億股的稀釋，換來的資訊卻只有沉默，沒有名字，沒有技術描述，如今又多了 Tesla 自己承認，這筆交易的績效條件目前不太可能達成。

核稿編輯：Mia

本文初稿由 INSIDE 使用 AI 協助編撰，並經人工審校確認；精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• FSD 訂閱衝上 148 萬，馬斯克距離 1,000 萬門檻只走了一成半
• NHTSA 認定 Tesla 車門把手個案沒事，卻承認規則本身有缺口
• Tesla 說開源 Model S、Model X，但沒有授權、沒有專利、什麼權利都沒給

Anthropic 程式開發代理 Claude Code 之父 Boris Cherny 建議，使用者交付任務時，應清楚說明目標、限制條件與完成標準，並給予 AI 自行規劃執行方式的空間。若使用者仍把工作拆成過度細碎的步驟，要求模型嚴格按照指定順序處理，可能低估現代 AI 模型已有的能力。

據《Business Insider》報導，Cherny 週六出席一場 Y Combinator 活動時表示，他經常看到 Claude 使用者提供極為詳細、按部就班的指示，例如要求模型先完成第一步，接著依序處理第二、第三與第四步。

「對現代模型來說，這種做法其實真的不太適合。」Cherny 說。

他建議，使用者應具體描述希望取得的成果、設定必要的防護界線，並定義怎樣才算成功完成任務，至於達成目標所需的步驟，可交由模型自行判斷。

「接著就放手讓模型發揮，過一會兒再回來看看。」Cherny 說，「我想它會讓你感到驚訝。」

模型變聰明，提示詞習慣也得跟著更新

Cherny 認為，過去形成的提示詞技巧可能隨著 AI 模型能力提升而逐漸失效。這套較為放手的使用方式，放在 6 個月前未必能取得相同結果，但目前的模型已更有能力理解複雜目標、自行拆解工作並選擇執行路徑。

Cherny 對提示詞的極簡主張，也反映在自己的使用方式上。他在今年 2 月接受 Y Combinator 訪問時透露，個人的 CLAUDE.md 只有兩條規則，分別要求 Claude 建立 PR 時啟用自動合併，以及將 PR 貼到團隊內部 Slack 頻道。

他建議，若使用者的 CLAUDE.md 已經塞入太多 Token，可以考慮刪除並重新開始，只加入讓模型維持正軌所需的最低限度指示。若模型犯錯，再逐條補回規則。隨著模型能力提升，使用者通常會發現需要額外交代的事項愈來愈少。

Google Brain 共同創辦人 Andrew Ng 去年也提出類似的「懶人提示」（lazy prompting）概念。他主張，使用者可先送出簡短、甚至不夠精確的提示詞，觀察模型能否完成工作，再依實際需要補充資訊。這套做法先讓模型嘗試，再針對失敗之處補充指示。使用者不必在一開始就把所有執行步驟寫死。

不過 Ng 也提醒，這其實是進階技巧。他觀察到多數使用者的問題是給的脈絡太少而非太多，能不能偷懶的前提，是你有能力快速判斷模型的輸出好不好；遇上複雜任務，他自己也會花 30 分鐘寫出兩頁的提示詞。

Cherny 也在今年 6 月表示，自己已全面改用 Auto Mode，不再將 Plan Mode 當成預設流程。Plan Mode 對 Opus 4 至 4.5 曾經相當重要，但從 Opus 4.6 開始，新模型已更有能力自行規劃工作。

Cherny 表示，過去即使已有計畫，使用者仍得坐在電腦前盯著 AI，避免模型偏離任務。現在他啟動一個 Claude 後，便能轉向處理下一個 Claude，不必持續介入每個執行步驟。

《Clean Code》作者 Uncle Bob Martin 最近也在 X 上表示，自己目前完全不閱讀 AI Agent 寫出的程式碼，改以單元測試、Gherkin 行為測試、QA 流程、程式碼品質指標、變異測試與測試覆蓋率等多重機制約束並驗證 Agent 的產出。

Cherny 坦言，Anthropic 員工仍在實驗中持續發現模型的新用途，目前可能還有數十種，甚至數百種實用能力尚未被發掘。使用者若沿用舊模型時代的操作方式，過度規定每一步，可能限制新模型原本有能力採取的解法。

對使用者而言，新的 AI 管理方式說穿了跟帶人沒兩樣：講清楚要什麼、講清楚底線在哪，然後別站在人家背後盯螢幕。

責任編輯：Sisley

本文初稿由 INSIDE 使用 AI 協助編撰，並經人工審校確認；精選文章直送，點擊立刻訂閱 INSIDE 電子報！

Anthropic 執行長 Dario Amodei 於 7 月 27 日在官方新聞室發表，直接回應近日圍繞開放權重模型（open-weights models）的爭議，一句話定調：「Anthropic 從未主張禁止開放權重模型。」

Axios 稍早報導美國官員正考慮禁止美企使用中國開放權重模型；7 月 24 日輝達（Nvidia）執行長黃仁勳領銜的連署信「Open Weights and American AI Leadership」上線，簽署企業一天內從 25 家翻倍至逾 50 家，OpenAI 與 Google 陸續補簽，Anthropic 始終缺席，外界因此質疑該公司想藉禁令保護自家生意。

七月的中國開源攻勢，逼出華府焦慮

要理解這場爭論為何在此刻引爆，得先看七月下旬中國開源模型的密集出手，7 月 24 日 DeepSeek V4 釋出穩定版；7 月 27 日北京的月之暗面（Moonshot AI）釋出 Kimi K3 完整權重，2.8 兆參數的混合專家（MoE）架構、每個 token 僅啟動 1,040 億參數，支援 100 萬 token 脈絡長度與原生多模態輸入，成為目前公開可下載的最大開放權重模型。月之暗面自承 K3 整體表現仍落後 Claude Fable 5 與 GPT 5.6 Sol，但差距已縮到個位數分數。

一個逼近頂尖水準的模型可以免費下載、自架、任意微調，這件事同時鬆動了兩個假設：頂尖能力必須配上頂尖預算，以及美國能靠模型領先維持結構性優勢。華府的禁令討論，正是在這個背景下升溫。

反對禁令，但主張三道防線

Amodei 寫道，不具危險能力的開放權重模型是「公共財」，除運算成本外不需額外代價，對企業、開發者與研究者都有價值。他真正擔心的是兩件事：威權政府訓練出比美國更強的模型，用於軍事優勢或內部監控；以及強大模型被用於網路攻擊與生物攻擊。

針對第一項，他直言模型開不開源根本無關緊要，最危險的情境反而是祕密訓練、只交給解放軍與國安部門使用的模型。針對第二項，他承認開放權重確實風險較高，因為護欄難以套用、使用行為無從監測，而且權重一旦釋出就收不回來，並引述英國 AI 安全研究所（UK AI Security Institute）的報告佐證。但他強調，封鎖美企使用並不能解決這項風險，因為惡意行為者本來就不會是合法的美國企業。

他重申 Anthropic 一貫支持的三項措施：不出售先進晶片與晶片製造設備給中國並打擊走私、遏止工業級蒸餾（distillation）、所有能力達標的模型不分開源閉源都須通過強制安全測試。其中蒸餾是他著墨最多的一項，因為蒸餾比從頭訓練省算力，能讓中國在晶片受限下把差距壓進數個月，等於部分繞開了出口管制。

分歧在假設，不在管制

對連署信本身，Amodei 表示認同開放權重擴大 AI 經濟參與、強化競爭與使用者掌控度，但不同意其中兩項假設：開放權重必然讓安全防護更容易，以及能力普及對防守方比攻擊方更有利。他以生物領域舉例，認為攻守存在結構性不對稱，攻擊方可能快速取得武器化能力，防禦卻是以年計的工程，並以當年美國推動疫苗研發的「曲速行動」（Operation Warp Speed）為對照。這些問題應該交給上市前的嚴謹測試回答，而非事先假定答案。

Amodei 提到強制安全測試「已接近共識」，並點名川普政府近月的政策方向與部分業界提案，意指這套機制不分模型國籍與開放程度一體適用，能力較弱的新創與學術模型則可豁免。他也承認，這套測試要真的有效必須全球實施，連中國都得同意。

立場攤開，球回到華府

Anthropic 選擇不簽連署信，而 Amodei 這篇文章的作用，是把爭論重心從「該不該開源」拉回算力管制、蒸餾防堵與安全測試三件事。他在文末重申，Anthropic 過去沒有、現在也沒有把開放權重當成一個類別來反對。

眼下的實際狀態是：禁令仍停留在美國官員的討論階段，尚未有具體政策定案；連署信的簽署名單持續擴大，但主要 AI 業者對「開放權重本身是否構成風險」的認知並未收斂。Amodei 提出的三項措施裡，晶片出口管制已有既成政策基礎，蒸餾防堵與強制安全測試都還缺乏可執行的法規工具。

責任編輯：Claire
核稿編輯：Mia

本文初稿由 INSIDE 使用 AI 協助編撰，並經人工審校確認；精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• 黃仁勳催生的開放權重連署信一天翻倍破 50 家，OpenAI、Google 補簽，Anthropic 為何仍缺席？

• 旗艦模型好貴！中國開源競品 GLM 5.2 吸引企業目光

• 從 Fable 5 解禁到 Sonnet 5 發表：美國政策轉向，Anthropic 順勢重劃 AI 賽局

OpenAI 於 7 月 27 日宣布承租都柏林碼頭區的 Tropical Fruit Warehouse，作為新的歐盟總部，並將在未來兩年增聘 250 人，使當地員工從目前的 100 多人擴增至 350 人以上。新辦公室面積 88,000 平方英尺（約 8,000 平方公尺），預計 2026 年秋末進駐。

根據愛爾蘭投資發展局（IDA Ireland）發布的官方新聞稿，這 250 個職缺涵蓋 GTM（go to market，即市場開發與銷售）、工程、用戶營運、人資、財務、隱私、法務、資安與辦公室營運等九大職能，其中 GTM 排在第一位。換句話說，這批人力的重心已從技術據點轉向面向歐洲企業客戶的商業化部隊。

從免費用戶到付費客戶

OpenAI 自 2023 年宣布把歐盟總部設在愛爾蘭以來，光是愛爾蘭本地的 ChatGPT 使用者就已突破 100 萬人。IDA 新聞稿點名的客戶案例，從老牌五金零售商 Lenehans Hardware 到 AI 流程整合平台 Tines 都在使用 OpenAI 技術，用途包括寫程式、開發新產品、拓展營收與強化客服。

根據外媒報導，OpenAI 2025 年營收為 131 億美元，今年稍早年化營收（run rate）已逼近 250 億美元；財務長 Sarah Friar 今年 1 月則把 2026 年的主軸定調為「實用性採用」（practical adoption）。當公司從擴張用戶轉向擴張收入，把銷售與法務團隊押在歐盟境內，是必然的下一步。

歐盟《人工智慧法案》（AI Act）分階段生效、資料保護監管趨嚴，企業客戶簽約前會先問資料落在哪裡、由誰負責合規。這也解釋了為什麼隱私、法務與資安會和銷售同時出現在這批職缺清單上。

都柏林成 AI 歐洲戰場

Anthropic 今年 3 月已宣布在都柏林增聘 200 人、目標 2027 年到位，辦公空間同步擴大約 6 倍至 21,000 平方英尺。該公司表示，歐洲、中東與非洲（EMEA）是其成長最快的區域，年化營收年增達 11 倍。

兩家頂尖模型業者不約而同押注同一座城市：愛爾蘭是英語系的歐盟成員國，具備稅制誘因、成熟的跨國企業人才池，以及一套科技業已經熟悉的監管窗口。對 OpenAI 與 Anthropic 而言，把歐盟總部設在都柏林，等於一次解決合規、企業客戶服務與人才招募三件事。

裁員潮中的逆勢投資

過去一年，Meta 與 TikTok 陸續縮減愛爾蘭營運人力，外媒報導指出，愛爾蘭政府已把 AI 列為吸引新投資的優先項目。目前外商（以科技與製藥業為主）約僱用愛爾蘭 11% 的勞動人口，單一產業的收縮就足以牽動整體就業數字。愛爾蘭總理 Micheál Martin 與 IDA 執行長 Michael Lohan 更把這筆投資定位為愛爾蘭 AI 投資的下一階段。

從產業角度看，AI 業者接手社群平台空出的辦公空間與人力，是一次相當典型的產業世代交替。但兩者的僱用結構並不相同：社群平台在都柏林大量配置內容審查與廣告營運人力，AI 公司則偏向工程、法遵與企業銷售，職缺總量未必能等量替換；愛爾蘭要靠 AI 補回缺口，恐怕還需要更多家公司跟進。

接下來的觀察重點，是這批 GTM 職缺能否把使用量轉成合約。歐洲企業對 AI 的採用速度落後美國，監管成本也更高，OpenAI 把總部招牌與銷售人力一起搬進都柏林，等於公開下注歐洲市場的變現時機已到。

核稿編輯：Mia

精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• AI 基建綁定進入新階段！WSJ：NVIDIA 擬為 OpenAI 俄亥俄資料中心提供 2500 億美元擔保

• 歐洲為何留不住頂尖 AI 人才？OpenClaw 創辦人給出答案

• 微軟聯手 Mistral 擴大主權雲，先進 AI 攻進歐洲監管重地

人工智慧（AI）與代理式 AI（Agentic AI）的技術發展，正深刻改變著科技產業的工作型態。身為在 AI 領域深耕超過十年的產品經理，我一直在思考一個關鍵課題：當 AI 讓個人效率達到前所未有的高度時，這對於跨團隊的協作、分工與專業價值的界線，究竟帶來了什麼樣的啟示？

許多人認為 AI 將實現「一人一條龍」的開發模式。但我認為，AI 的價值並非消滅專業分工，相反地，它將放大真正的專業，並促使每個角色更深度地回歸其核心價值。

從工具到協作夥伴：AI 如何重塑個人工作流程

即便長期處於 AI 產品開發的第一線，我在個人工作流程中導入生成式 AI 工具時，也曾經歷過一段轉變期。起初，面對層出不窮的新工具，我是等到身邊同為 AI 領域專家的同儕與家人持續分享具體的使用情境與實務心得之後，才逐步將 AI 融入日常工作。一旦跨過初期的調適階段，我也快速體驗到 AI 對於生產力提升的驚人成效。

如今，AI 已深入我日常工作的各個面向：

• 產品規劃（Product Planning）： 透過 AI 快速產出雛型（Prototype）、拆解複雜需求、並進行初步的解決方案可行性驗證。
• 市場分析（Market Analysis）： 運用 AI 追蹤同業動態、彙整多方市場資訊，大幅縮短前置研究的時間。
• 日常行政（Routine Work）： 借助 AI 整理長篇會議紀錄、同步團隊背景資訊與脈絡，並高效處理大量非結構化數據。

在這個過程中，AI 的角色已從單純「回答問題的檢索工具」，演變為「共同激盪想法的協作夥伴」。在方向明確的前提下，AI 能協助執行大部分的實務產出，快速交出可供討論、驗證的基礎版本。儘管 AI 目前的思考全面性仍有其局限，但只要專業人員能精準辨識問題關鍵、給予清晰的修正指引，其反覆優化的速度極快，能顯著加速專案落地的進程。

當個人效率極大化，跨團隊協作面臨的新課題

當個人的工作流程因 AI 而獲得解放，組織自然會開始思考下一步：如何將這種高效率延伸至團隊、甚至整間企業的跨部門協作中？

在實務推進的觀察中，我們常看到團隊嘗試將個人成功經驗複製到整體流程中，因而誕生了各式各樣的 AI 代理人（Agents），例如測試（QA）代理人、產品需求文件（PRD）代理人、程式碼（Coding）代理人、設計代理人及知識庫代理人等。這些嘗試本質上是希望透過自動化工作流程，降低跨部門溝通的摩擦力。

然而，這也引發了一種新興的觀點：既然 AI 能夠輔助產品經理（PM）進行設計或撰寫基礎程式碼，那麼 PM 是否應該走向全能，一手包辦所有產出？

這項觀察促使我們必須重新評估跨團隊協作與權責劃分（Ownership）的複雜性。

以我自身的實務經驗為例，我曾嘗試使用程式碼輔助工具開發一款自動化數據擷取工具，初期確實迅速完成了原型，讓人感受到自主開發的便利。然而，當實際應用於多元且複雜的網頁時，各種架構差異與例外狀況接踵而至，工具便頻繁出現錯誤。

這讓我更看清楚一件事：AI 的確能以極低的門檻產出原型，但要打造出一個具備穩定性、可維護性與高擴展性的商業級系統，依然極度仰賴工程師深厚的專業判斷與架構設計能力。

如果僅因工具便利而模糊了分工，導致後續需要花費更多時間來重新對齊與修正錯誤，那麼這樣的流程調整，反而可能違背了提升組織協作效率的初衷。

AI 時代的協作本質：解放繁雜庶務，回歸核心價值

在健全的產品開發體系中，各個專業角色皆有其不可替代的護城河：

• 產品經理（PM）： 專注於定義本質問題、排序優先順序，並進行關鍵的業務決策。
• 設計師（Designer）： 專注於使用者互動、易用性評估與整體品牌體驗的一致性。
• 工程師（Engineer）： 專注於系統的擴展性、可靠性、效能表現與整體架構品質。

AI 的普及並不會削減這些專業的價值，相反地，它正在加速淘汰那些重覆性高、附加價值低的庶務工作與資訊傳遞成本。

透過 AI 的輔助，產品經理能更快速地用原型驗證商業假設，設計師能更無拘束地探索不同的使用者體驗路徑，工程師則能提前評估技術限制並專注於高難度的架構設計。同時，AI 代理人能自動同步背景資訊與專案脈絡、整理決策軌跡，進而弭平資訊不對稱，讓團隊成員能將寶貴的時間與心力，百分之百投注於真正的創造性工作與核心價值的發揮。

AI 正在改變我們的工作方式，在 Agentic AI 的全新時代裡，如何設計出更具彈性且高效的組織協作模式，是所有企業與產品團隊值得持續共同探索、推進的精彩課題。

作者介紹
林冠樺 (Guiguan Lin) ，現任 Appier 個人化雲產品副總監，擁有逾十年 AI 產品與實務開發經驗。專注於雙向溝通管道、社群通訊平台及對話式 AI 應用，目前負責 Appier AI 對話式平台 BotBonnie，並主導 Service Agent 相關產品開發，致力於將 AI 技術轉化為具備商業價值的產品解決方案，並持續探索 AI 時代下人機協作與團隊組織的最佳實踐。

責任編輯：Claire
核稿編輯：Mia

原文為 Appier 提供之觀點內容，並經 INSIDE 編審後刊載。精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• AI 投資的關鍵，不是用了多少 Token，而是創造多少價值
• 從人類消費者到 AI Agent，Appier 揭示零售品牌混合行銷雙策略
• 業績成長，利潤卻悄然縮水？旺季行銷不能單靠打折：Agentic AI 如何看懂消費需求，驅動獲利成長？

Waymo 在美國自駕計程車市場一路領先，車隊規模、服務城市數都把對手甩開一大截，但這樣的技術優勢，擋不住在哪停車這種鳥事的糾纏。

根據《華爾街日報》透過公開紀錄請求取得的奧斯汀市府文件，Waymo 自 2024 年於當地推出載客服務以來，車隊已累計收到 83 張違停罰單，總額達 9,325 美元，其中仍有 1,892 美元尚未繳清。

這 83 張罰單中，63 張是違規停在拖吊區，13 張是停車計時器逾時或未付費，9 張是並排違停，另有 1 張因停在殘障車位，遭開出單筆最高的 519 美元罰款，這筆超高額罰單是 Waymo 正在一所小學附近等待接送乘客，Waymo 已繳納其中 7,433 美元，另有兩起罰單透過認罪協商撤銷。

Waymo 發言人向《華爾街日報》表示：「我們不期待受到特殊待遇，公司會逐一檢視收到的每一張罰單，必要時透過法院程序處理，若認定罰單開立有誤，也會提出異議。」

違停多在上下車的空檔

這樣的問題不只發生在 Austin，舊金山市政交通局（SFMTA）的紀錄顯示，Waymo 車隊光是 2024 年單一年度就收到 589 張停車罰單，總額 65,065 美元，以一年 365 天來算，平均每天開出 1.6 張罰單。

對此，Waymo 曾向《華盛頓郵報》（The Washington Post）解釋，無人計程車的設計邏輯是在載客上下車的時間內，優先採取當下可行的最安全動作，而多數罰單也是這段時間開的，簡而言之， Waymo 寧可讓車輛違停，也不想為了尋找合法停車空間而耽誤乘客上下車的安全。

以金額而言，Waymo 在奧斯汀累計的罰單金額，占奧斯汀2025 財政年度單靠交通罰單就進帳的 630 萬美元中，比例微乎其微，對這家 Alphabet 子公司來說，也稱不上財務壓力。

停車罰單本身金額不高，也不算嚴重違規，但把時間軸拉長，會發現這只是 Waymo 在奧斯汀一連串營運摩擦中最輕微的一樁。

校車超車與撞童事件更棘手

根據奧斯汀學區（Austin ISD）統計，自本學年開始以來，Waymo 車輛至少 24 次違規超車已停靠、閃著警示燈的校車，美國國家運輸安全委員會（NTSB）已對此展開安全調查。

1 月 12 日，一輛 Waymo 的 Jaguar I-Pace 原本已為停靠中的校車讓停，卻在學生仍在上車時重新啟動超車，Waymo 隨後於 2025 年 12 月向美國國家公路交通安全管理局（NHTSA）提交自願性軟體召回，起因正是這類違規超車的行車紀錄外流。

另一起事件發生在加州 Santa Monica，與奧斯汀無關，1 月 23 日一輛 Waymo 無人車在當地一所小學附近撞上一名孩童，起因是孩童從一輛並排停車的休旅車後方衝出馬路，NHTSA 紀錄顯示孩童僅受輕傷，NTSB 已與當地警方協同調查，NHTSA 另案針對 Waymo 車輛在校園周邊的整體安全表現展開調查。

儘管面對學區壓力，Waymo 並不想在接送尖峰時段暫停學校附近區域的營運，Waymo 仍堅持自家技術遠比人類駕駛安全。

整體數據，站在 Waymo 那一邊

這樣的立場確實是有根據，公路安全保險協會（IIHS）今年 7 月發布的研究，分析 2021 至 2024 年間 Waymo 在舊金山、鳳凰城、洛杉磯與奧斯汀累計 5,000 萬英里的無人駕駛里程，結果顯示 Waymo 每英里發生警方可報告事故的比率，整體比人類駕駛低 68%，單車事故少 85%，傷害事故少 81%。

但奧斯汀是這份研究裡唯一的例外，當地 Waymo 的事故率略高於人類駕駛，IIHS 也坦言，Austin 的樣本數過小，這項結果在統計上不具意義。

這種統計上安全，現實卻屢屢失誤的落差，已經開始轉化為實際的商業後果，Uber 已將於 2028 年 1 月終止與 Waymo 在 Austin、Atlanta 的獨家合作，Uber 宣稱校車超車與撞童事件正是理由之一。

對 Waymo 而言，統計數字或許已足以說服監理機關與投資人，但停車罰單、超車闖禍這類低級失誤，卻讓乘客、社區居民與媒體更直接有感，這可能是自駕車產業在建立信任的過程中，最難跨越的一關。

核稿編輯：Mia

本文初稿由 INSIDE 使用 AI 協助編撰，並經人工審校確認；精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• 究竟是敵是友？Waymo 宣布 2028 年分手 Uber，無人計程車市場是漸漸明朗還是越來越亂？
• Waymo 碰撞率比人類低 68%，IIHS 獨立研究首次證實機器人計程車更安全
• Waymo 連自己最新一代車都還留著方向盤，Tesla 卻急著把它拆掉

NVIDIA 與 OpenAI 共同創辦人 Ilya Sutskever 領導的 Safe Superintelligence（SSI）宣布長期策略合作，SSI 將採用 NVIDIA 最新的 Vera Rubin 運算平台，並取得一筆官方形容為「重大」的投資。

雙方並未公布財務條件，但《彭博社》、《路透社》及《金融時報》等外媒報導，NVIDIA 將向 SSI 投資約 50 億美元，其規模名列 NVIDIA 近年較大型的新創投資案，《路透社》稱這是一筆股權投資，且知情人士透露，雙方僅花數週便敲定協議。

一年內算力翻十倍

根據合作內容，SSI 將取得 NVIDIA 新一代 Vera Rubin 系統，預計未來 12 個月內把可用算力擴大至目前的 10 倍，以推進近期取得進展的 AI 研究。

兩家公司也將共同改良 NVIDIA 現有及未來的運算平台，NVIDIA 希望藉由 SSI 對 AI 發展方向的研究成果，協助設計後續硬體與系統。

雙方喊話：值得規模化的研究

NVIDIA 表示，SSI 過去兩年一直低調推進一條新的研究路線，目標是打造強大且能穩健對齊人類價值的人工智慧。NVIDIA 在難得獲准深入了解 SSI 嚴密保密的研究後，決定與其建立合作關係，加速 SSI 邁入下一階段的發展。SSI 共同創辦人兼執行長 Sutskever 則表示，團隊已有「值得擴大規模的研究」，大型 NVIDIA 電腦將讓 SSI 繼續推進相關工作。

SSI 先前一直持續探索有別於 OpenAI、Google 與 Anthropic 現有大型語言模型技術路線的新方法。

SSI：一間沒有產品、沒有營收的 320 億美元的神秘公司

SSI 成立至今約兩年，由 Sutskever 與 Daniel Levy 領導，主打「一次到位（straight-shot）」路線：只有一個目標、一項產品，也就是「安全的超級智慧」，因此他們不做商業產品發表，亦不追短期營收。

目前，SSI 員工人數僅數十人，尚未發布任何產品或研究論文，外界對其技術進展所知有限。SSI 在上一輪募資中取得 20 億美元，估值達 320 億美元，投資人包括 Greenoaks、Andreessen Horowitz、Lightspeed Venture Partners、Alphabet 與 NVIDIA 等企業與機構。

SSI 去年也與 Google Cloud 合作，使用 Google 自行設計的 TPU 支援研究；如今導入 Vera Rubin，亦讓 NVIDIA 得以進一步打入這家原先與 Google 晶片體系關係密切的 AI 實驗室。

NVIDIA 近年也曾對 OpenAI 及前 OpenAI 技術長 Mira Murati 創立的 Thinking Machines Lab 作出類似大型投資與算力承諾，競爭對手 AMD 上週則宣布最高投資 Anthropic 50 億美元。

Sutskever 沉寂兩年後重返鎂光燈

Sutskever 曾參與 AlexNet、序列到序列學習（Sequence-to-Sequence learning）、AlphaGo、GPT 系列，並主導了 OpenAI o1 等研究，也被視為最早掌握「規模法則」（Scaling Laws）」潛力的 AI 研究者之一，是 AI 領域的重量級人物。他在參與 2023 年 OpenAI 董事會撤換執行長 Sam Altman 的風波後，於隔年離開 OpenAI，隨後成立 SSI，將研究重心轉向安全超級智慧。

核稿編輯：Mia

精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• 前 OpenAI 首席科學家 Ilya Sutskever：「規模擴展時代已結束」、AI 需學會人類「直覺」與「情感」

AI 推理模型未來可能不再產生動輒數千個 Token 的思維鏈（Chain-of-Thought），而是直接在模型內部「還沒翻譯成文字的草稿」中運算。這種稱為「潛在推理」（latent reasoning）的新研究方向，有望降低推論成本、加快回應速度，並讓模型同時探索多種解題路徑，代價則是人類更難檢視模型的思考過程。

思維鏈讓 AI「說出」思考，但那只是副作用

現有推理模型通常會先以自然語言逐步處理問題，再輸出最終答案。像是我們偶爾會在 AI 思考時看到「讓我仔細想想」、「等等，這可能會有問題」或者「我們一步一步來」就像是 AI 模型真的在「心裡」自言自語一樣。

這套思維鏈機制大幅改善模型的數學、程式開發與規劃能力，但代價是更高的 Token 用量、延遲與運算成本。

值得注意的是，思維鏈的一項主要作用，是讓語言模型在回答前透過更多中間步驟完成運算。由於模型只能透過 Token 序列延續推理，才必須把中間狀態逐步轉換成文字；人類因此得以閱讀這些過程，其實只是附帶效果。

潛在推理跳過文字，直接在內部草稿上運算

潛在推理試圖把「運算」和「溝通」分開。模型可以在自己的隱藏狀態（hidden states）——也就是還沒被翻譯成文字的內部表徵——中反覆處理資訊，等推理完成後才轉換成文字輸出，不必把每一個中間步驟都寫成人話。

這麼做能避開語言帶來的額外負擔。現有模型每產生一個 Token，就必須從眾多可能性中選定單一方向，後續推理也只能沿著這個選擇走下去；而轉折語、重複內容、文法修飾與「讓我們仔細分析」這類句子同樣要燒 Token，卻未必對解題有幫助。

Coconut、Soft Thinking 探索兩條技術路線

Meta 推出的 Coconut，是目前最具代表性的潛在推理研究之一。Coconut 不會將隱藏狀態立即解碼成 Token，而是直接把它送回模型繼續運算。

研究顯示，連續狀態能同時保存多種可能方向，並在部分規劃任務中呈現類似「廣度優先」的搜尋行為，先探索不同路徑，再決定最終方向。

另一項研究 Soft Thinking 則保留部分 Token 架構，透過混合多個 Token 的嵌入向量，形成中間的「概念 Token」（concept token）。研究團隊表示，這套方法讓 pass@1 準確率，也就是模型第一次作答便答對的比例，最高增加 2.48 個百分點，Token 用量最多減少 22.4％（但兩項數字分別來自不同模型）。

兩者的關鍵差異在於「還看不看得懂」。Soft Thinking 的中間表徵仍能投射回可讀文字，Coconut 的隱藏狀態則缺乏同等能力。一類讓 Token 變得更有彈性、保留部分可觀察內容；另一類則完全離開 Token 序列。

不過，由於潛在推理不會產生可供比較的文字步驟，現有強化學習方法很難判斷哪些中間過程促成了正確答案。近期多個研究團隊開始嘗試突破這項瓶頸。例如上週發表的 SLPO，就讓系統能根據最終答案是否正確，回推哪些中間步驟較有助於解題，並讓模型依題目難度自行決定思考時間——簡單問題提早作答，困難問題才多花運算。

對一般使用者來說，代表著什麼？

如果潛在推理成功擴展，最直接的影響有兩個。

好的一面是，同樣一道難題，模型可能用少得多的解碼步驟完成，代表更快的回應與更低的費用。

不那麼好的一面則是，現在許多 AI 產品會展示模型的「思考中」面板，其中可能呈現模型產生的推理文字，或經過整理的推理摘要。當推理搬進隱藏狀態，這類內容可能變得極短，甚至消失。

不過這些目前都還停留在論文與小規模實驗階段，尚未出現在主流商用模型上，因此短期內不會改變你手上工具的樣子。

真正的難題：看不見的推理，要怎麼監督？

思維鏈本身並不完美，它可能遺漏關鍵步驟、事後才替答案補上理由，甚至產生看似合理的虛構解釋，這也讓目前的 AI 模型有時還是有點浮浪貢（phû-lōng-kòng）。但它至少留下了文字，讓安全團隊有東西可以檢查。

當推理轉入連續向量之後，研究人員只能探測表徵、比較運算軌跡，或另外訓練模型去解碼隱藏狀態。未來的可解釋性研究因此必須建立新的觀測工具，用來追蹤潛在軌跡、偵測異常內部狀態、測試其他解題路徑，並獨立驗證模型結論。

SLPO 讓模型學會自行判斷該想多久，同時也丟出了下一個安全問題：當 AI 能自己決定何時停止思考，卻不再留下可讀的理由，人類要如何監督它？

責任編輯：Sisley
核稿編輯：Mia

本文初稿由 INSIDE 使用 AI 協助編撰，並經人工審校確認；精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀： 

• AI 開始自帶「可稽核思考」後，人類在職場連背黑鍋的功能都被取代了

• Anthropic Claude 4 是怎麼做到即時、深度思考能力的？

• AI 模型用什麼語言在思考？Anthropic 釋出 2 論文揭露 Claude 大腦內部裝了什麼

今年春天，矽谷一度流行一個詞：「Tokenmaxxing」，也就是盡可能提高 Token 用量，甚至把用量視為 AI 採用程度與生產力的象徵；那陣子看著這些討論，我心裡浮現一個很直接的問題：Token 用得愈多，真的代表產出愈高嗎？

如果把 AI Agent 想像成一名員工，Token 就像企業付給它的薪水。但薪水比較高，不代表工作成果一定比較好。同樣地，Token 用量本身也無法說明 AI 創造了多少價值。在 Appier，我們更關注的是：它花了多少 Token、完成了哪些任務，又帶來了什麼結果？

當部分科技企業的 Token 用量與支出快速劇增，甚至有企業在 4 個月內用完一整年的預算，《Fortune》也在今年 5 月指出，Tokenmaxxing 的熱潮正在退去。這不代表企業應減少使用 AI，而是不能再把 Token 用量直接等同於生產力。

真正需要注意的，不只是用量增加或帳單變高，而是 Token 的消耗是否與任務目標、產出品質及商業成果脫鉤。因為企業衡量什麼，往往就會引導員工追求什麼，這將決定一家企業的 AI 文化。如果把「Token 用得多」當成成功指標，就可能鼓勵與實際價值無關的使用行為。追蹤錯誤的指標，通常也會帶來錯誤的行為。

Appier 一直是一家重視 ROI（Return on Investment，投資報酬率）的公司。我們希望客戶的每一筆支出都能創造回報，也希望公司內部的每一項投入都能被驗證。

但 AI 的效益究竟要怎麼計算？這確實不容易，我們在過程中也持續摸索與調整。

企業導入 AI 的共同難題：效益該怎麼算？

我的建議是，先區分這筆 AI 投入的主要目標：是降低成本，還是增加營收？
降低成本相對容易衡量。以軟體專案為例，導入 AI 後，在工作範圍與品質要求不變的情況下，完成專案所需的總工時理論上應該下降。
假設一項專案原本需要 3 位工程師投入 8 週，導入 AI 後縮短至 6 週，相當於節省 6 個工程師週。若以企業實際的人力成本換算，實際金額可根據工程師職級與企業的成本計算方式。另一方面，再對照這段期間增加的 Token、軟體訂閱與系統建置成本，就可得知效益轉換的幅度。

真正應該比較的是這兩項增量：為了導入 AI 多花了多少錢，又實際減少了多少成本。

若直接拿 Token 帳單與整個團隊原有的薪資相比，AI 看起來通常都很划算，卻無法真正判斷它所帶來的增量效益。只有當新增投入低於實際降低的成本，而且產出品質沒有下降，這筆投資才有充分的商業依據。

增加營收則需要拆成不同階段來看。

以業務團隊為例，企業導入 AI 提升業務生產力，最終目標可能是增加營收，但不適合一開始就只看營收數字。第一階段可以觀察業務每天能接觸或服務的客戶數是否增加；第二階段看商機轉換率是否提高；到了第三階段，再檢視營收與客戶價值是否有所成長。

每個階段都需要相對應的指標，這取決於企業本身的營運流程與產業知識，很難用一套公式套用在所有公司身上。

有能力進一步投入的企業，還可以建立更完整的 AI 治理與成效追蹤機制。

Appier 內部有一套 LLM Gateway。它最初的目的很單純，是集中管理費用與資訊安全；之後逐步發展成整合 AI 工具、模型調用、使用情境與成效追蹤的平台，幫助我們了解：誰在使用、用在哪一項任務、花了多少 Token，又產生了什麼結果。

當成本與商業指標能放在同一套衡量架構中，每一筆 AI 支出就能對應到相關 KPI。各項專案也可以持續追蹤成本、成功率、使用者滿意度、完成時間與營收影響。

以技術團隊為例，真正的衡量標準不是使用了多少 Token，而是 AI 是否縮短開發時間、提升軟體品質，或降低錯誤率與重工成本。

衡量本身也是一種企業文化。AI 效益確實不容易計算，但如果因為難算就不衡量，企業很難知道下一步該如何改善。只要開始建立基準與紀錄，後續的估算通常就會一次比一次準確。

不是限制 Token，而是讓資源用在更有價值的地方

衡量 Token 的消耗與產出，並不等於踩剎車，企業也應避免因為短期用量增加就限制員工使用 AI 工具。

以 Appier 為例，如果發現 Token 用量異常增加，我們會邀請具備相關經驗的同事一起了解使用情境，透過診斷與檢視使用模式，找出成本增加的原因，並協助團隊尋求更好的作法，更有效地完成任務。

這篇文章談了許多成本與衡量，但目的並不是減少 Token 用量，過度節制與盲目擴張，同樣會讓企業錯失機會。

Token 不需要被最大化，也不應該一味被最小化，而是應該被最佳化。

以開發 AI 產品為例，在早期探索階段，不宜過早限制模型使用。這個階段的首要目標，是在相對自由的環境中，快速驗證哪些任務具有可行性、哪些產品體驗能為使用者帶來價值。若太早以成本為主要考量，可能還沒充分理解技術能力，就先限制了創新的空間。

但在 AI 產品準備正式上線前，就應進行另一輪模型與成本最佳化。團隊可以檢視原本由高成本模型完成的任務，是否能改由較精簡或成本較低的模型處理；再透過測試、微調與品質驗證，確認能否維持相近的效果。產品上線後，也需要依照真實使用情況持續調整。

這並不是 AI 時代才出現的新方法。過去開發 App 或軟體產品時，團隊同樣會先驗證創意與可行性，再回頭改善系統效能與營運成本。關鍵在於，成本最佳化必須成為產品生命週期的一部分，而不是等到帳單大幅增加後才開始處理。

至於採用固定月費 AI 工具的企業，不管使用量多少，訂閱制的錢都是要付的，因此最需要做的事情，就是想辦法把產出拉到最大，讓已經支付的訂閱費用創造更高價值。

最後，我認為，所有與 AI、Agent 和 Token 相關的討論，都應該回到一個基本問題：AI 是否在實際應用中創造了正向回報？

只有當應用端持續產生價值，企業才有理由擴大投入，模型研發與運算基礎設施等硬體投資也才有支撐。

因此，AI 競爭的下半場，比的就是誰能把每一單位 Token 變成真正的回報。

責任編輯：Claire
核稿編輯：Mia

原文為 Appier 提供之觀點內容，並經 INSIDE 編審後刊載。精選文章直送，點擊立刻訂閱 INSIDE 電子報！

延伸閱讀：

• 從人類消費者到 AI Agent，Appier 揭示零售品牌混合行銷雙策略
• 業績成長，利潤卻悄然縮水？旺季行銷不能單靠打折：Agentic AI 如何看懂消費需求，驅動獲利成長？
• 「可信任的大型語言模型」將引領下一階段的 AI 發展關鍵