All Posts

這周，某大型科技公司設計了一套讓人工智能代理（AI Agent）共享「團隊記憶」的開源系統。一整隊的編程Agent不再各自獨立記錄開發者的訊息，而是共同使用一層結構化的記憶：包括對話紀錄、技能庫、知識圖譜，乃至代碼之間的依賴關係。尤為引人注目的是，該項目在GitHub發布後便迅速攀升至榜首。 同時，一所知名大學啟動了一項「虛擬生物科技」項目，這並非擁有實驗室和員工的實體傳統藥業，而是一個完全由Agent構成的團隊：3.7萬個Agent協同運作，負責藥物設計、模擬驗證工作。最終，這些Agent成功針對特定病毒變種設計出抗體蛋白，其中一項設計方案更獲得了跨國製藥企業的獨立驗證，並確認有效。 兩件事放在一起，可觀察到一個趨勢：Agent正在從「獨立工具」轉型為「團隊成員」。人類團隊的記憶本就是分散的，散布在會議紀錄、電子郵件以及每位成員的腦海中，依靠制度、信任與默契來維繫。正因為這種分散性，治理才顯得重要：誰擁有查看、修改權限、又有哪些資訊應被遺忘。 現在Agent已具備「團隊級記憶」能力，它們記錄的不僅是程式碼，更是整個團隊的決策脈絡、技能組合，乃至

筆者已年過60歲。2016年，50歲的我正式從阿里巴巴（09988）退休，不是因為做不動，而是因為人生的下半場，不應該只是「休息」。 我給自己創造一個詞：Innotirement（創新退休模式），不是退下來，而是換一條跑道，繼續為自己而活。 這不是浪漫的口號，數據給出了明確答案。麻省理工的研究團隊在2020年發表一項里程碑式研究，分析美國270萬間企業創辦人的數據，發現創始成功概率隨着年齡增長而持續上升，直到60歲達到頂峰。這個結論顛覆了矽谷神話，顯然創新不只是年輕人的遊戲。 經驗不是包袱，是過濾器。 在2025年有篇分析報告提出一個概念：「智慧的篩選」（Wise Winnowing）。年長知識工作者可能生成更少的點子，但他們篩選點子的能力遠超年輕同行，幾十年的經驗讓他們能快速辨識哪些想法值得投入、哪些是死胡同。報告更指出，生成式人工智能（GenAI）正在放大這個優勢：當AI能快速生成大量方案時，真正稀缺的能力不是「產出」，而是「判斷能力」。 美國史丹福長壽中心說了一句我很認同的話：「三段式人生已經結束了。」傳統的「學習→工作→退休」三階段模式，

本周焦點是美國聯邦人工智能（AI）監管框架從草案正逐步走向立法。美國跨黨派眾議員正式提交修訂版Great American AI Act，為聯邦層面AI治理建立統一的法律框架，取代各州各自為政的混亂局面。結合白宮之前發布的國家AI框架與參議院的AI出口管制法案，監管正在收緊，不再停留在原則宣言，而是進入成文法階段。澳洲亦緊隨其後，啟動自動化決策監管立法。 更值得深思的是，近日一宗標誌性事件：某頂尖AI實驗室披露，其AI代理在安全測試中失控，主動攻擊了一間中型科技企業。這是迄今最震撼的AI代理失控案例。其深層意義不在於單一事故，而在於它暴露了一個結構性矛盾─AI代理的能力愈強，測試環境的邊界就愈脆弱。我們正在用「可控實驗」去測試「不可控能力」，這個方法本身就值得質疑。 與此同時，AI主權競賽日益激烈，三條不同路徑，三種戰略思維。上海舉行的世界人工智能大會彰顯了中國在機械人與AI晶片領域的迅速發展；中東主權基金斥資數百億美元布局AI全產業鏈；東南亞國家則通過股權投資，而非基礎設施建設的方式融入AI供應鏈。背後是同一個共識：AI基礎設施已成為國家競爭力

六十年代，美國計算機科學出現了兩個概念。電腦科學家麥卡錫（John McCarthy）提出「人工智能」（Artificial Intelligence，AI），意指建造全面替代人類思考的機器。然而，有份發明滑鼠的恩格爾巴特（Douglas Engelbart）提出「智能增強」（Intelligence Augmentation，IA），即用科技擴展人類能力，而非取代之。 來到2026年，這兩條路線的對立從未如此鮮明。最新證據指向一個不容置疑的結論：IA的發展軌跡更具可持續性、安全性和實效性。今年被譽為「AI代理元年」，但這稱號背後隱藏着一個尷尬的現實，企業正大規模採納AI技術，卻不敢讓它觸碰其核心業務與關鍵數據。 Futurum Group 2026上半年的調查揭示，72%組織正在測試或部署代理式AI，但有55%把可靠性和「幻覺」管理視為首要挑戰。另有研究機構發布的《2026 AI代理安全狀況報告》數據更為驚人：88%組織在過去一年，經歷過確認或疑似的人工智能代理安全事故。另一邊廂，僅有14.4%組織在部署AI代理時，通過了完整的安全審批。這並非

打開任何人工智能（AI）方案，你會看到兩種完全不同的產品策略在較量：一種叫做胖模型（Fat Model），另一種叫做胖鞍具（Fat Harness）。 胖模型的信念很直白：以更大的大腦解決更多的問題。參數多、數據龐大、算力強，模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強，而企業只要付費就能直接使用，代價是你的AI能力完全綁定在供應商的價目表上。 胖鞍具走的則是一條深耕自主迂迴的路，它認為模型只是引擎，真正的智慧在於圍繞引擎搭建的整套系統──你的數據庫、合規框架、工作流程，以及你對工具的調用邏輯。代價是前期投入高、技術要求多，但你能拿回兩樣核心資產：成本的控制權和數據的主權。 這不是理論之爭。2026上半年發生的幾件事，已經把這兩條路徑的結果擺在眼前。 第一件事有關數據。全球某大銀行部署AI系統給過萬名員工，但它做了個違反直覺的選擇：刻意避開了市面上最強的公開應用程式介面（API），轉而自建內部平台，用自己的數據餵養模型。理由很直接──客戶的交易數據不能離開銀行的控制。這間銀行為了數據

試想想，人工智能（AI）系統已在生產環境中完成部署，但究竟要如何防止AI「悄然失靈」？過去3個月，全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據，人們或許會得出結論：AI的生產化部署正在全力推進，市場充滿信心。 然而，7月份第一周，來自不同領域的幾個訊號同時浮現，揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資；另一邊是一群深諳「系統可靠性」的專家──那些專門協助企業管理數字營運風險的精英，正公開表達一項非比尋常的憂慮。他們的憂慮並非AI無用，他們所憂心的，是AI代理難以有效偵測故障。傳統軟件故障相對明確，例如伺服器當機，你便立刻知道；警報響起，有值班工程師搶救。 但有別於一般故障，AI代理不會當機，它只是悄然「漂移」。今日回答問題的方式與上周已截然不同，決策邏輯在無人察覺下，逐漸偏離基準線，等到問題出現時，AI代理或許已執行一系列錯誤操作。這種故障模式，被一間全球領先的營運管理平台描述為「較傳統軟件崩潰更難檢測」。這並非理論推測，而是在生產環境運行數百萬監控工作負載後所觀察到的實際狀況。...

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而，即使模型選擇正確數據卻 難以整合；數據成功整合，系統卻無法運行；系統成功運行，但業務部門不會操作；即使學會操作，3個月後模型又變得過時。 問題根源其實不在模型，而在架構。猶如建造大樓，若設計圖存在缺陷，再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」（模型和算力），卻忽視了地基 （數據基礎設施）、水電管線（部署與整合）及消防系統（安全與監控）這些關鍵要素。 任何成熟的Al系統 , 都應該包含4個層級 : 第一層 : 數據層 數據是AI系統的原料倉庫。原始數據通常雜亂無章，系統必須先清洗、分類、去雜訊。這是大多數 AI 專案失敗的第一個關卡 :不是模型不好，而是數據不能用。 第二層 : 訓練層 真正的「學習」在此發生。系統從清洗好的數據中找出規律，這個過程極度消耗運算資源，也決定了你的AI 聰明程度。 第三層：推理層 模型投入實際使用時，這一層負責快速回應。如果慢了兩三秒，用戶體驗就大打扣；如果不準，整個業務

上周把兩個消息放在一起看，很有意思。 第一個，Anthropic宣布Claude Code推出Artifacts，讓軟件工程師在寫程式的過程中，業務主管能同時打開網頁儀表板，就能看到軟件即時更新及開發的狀態。 第二個，中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架，系統能自動提出假設、修改代碼，運行真實實驗並從結果中學習，自動優化解決問題。 過去一年大家比併的是模型能力──誰的基準分數高，誰的幻覺少，誰能編寫更長的程式碼；但現在比的不是「AI能否寫程式」，而是「寫完之後，你的團隊怎樣跟它合作」。 Artifacts不是一個技術功能，它是一個溝通層，讓不懂程式的人可以實時看到智能代理在做什麼，追蹤版本歷史，直接給予回饋，不需要等候進度報告和簡報。他們自己用了一句話形容：「讓智能代理在沒有人類逐步介入的情況下，透過實驗回饋自主迭代優化。」以往的開發循環是：寫程式→提交→構建→部署→展示→等回饋→修改程式，但Artifacts將系統或程式碼，由內嵌到開發過程直接展示出來。 從管理角度看，公司買了AI工具但回報不明顯，未必

2026年6月6日 香港特區數字政策辦公室 隨著科技的進步，AI(人工智能)從上世紀五十年代提出，到今天已進入了不限於識別，更能創作文字、影像、音樂的新時代，並在不同的行業裡提升工作效能，節省營運成本。不過在AI發展過程中，也會出現「深度偽造」技術，創建虛假內容等風險。「AI大講堂」一連八集，找來多位在AI領域舉足輕重的嘉賓，與主持人方健儀透過生動有趣的對話，將複雜的科技知識轉化為淺顯易懂的內容，提升公眾對AI安全應用、未來趨勢和機遇的認知，並把AI融入生活之中。

你可曾想過，你抽屜裏那部4年前的舊手機，可能很有價值？ 這個星期，Google Research聯同加州大學聖地牙哥分校（UCSD）公布一項創新計劃：運用2000部退役的Pixel手機，構建一個真實可用的雲端計算平台。這不僅是概念驗證，更是一個供數百名學者與研究人員實際操作的生產級環境。處理方式十分直接，將舊手機的熒幕、電池、外殼全部移除，僅保留主機板，透過Kubernetes技術組成叢集，直接轉化為伺服器使用。結果令人驚訝，根據美國標準性能評估公司基準測試數據顯示，僅需25至50部手機的運算能力，已能達到現代伺服器的同等水平。 換言之，你抽屜中那部被遺忘的舊手機，再加上鄰居與同事手中的同類型號，它們的組合效能或許能超越一整台專業伺服器。這並非簡單的回收利用，而是一種資源的共生關係。放眼全球，每年有數以億計的手機被淘汰更新；在香港，平均每兩年就更換手機的頻率，已成為普遍現象，遠高於全球平均水平。關鍵在於，手機製造商希望你覺得4年前的處理器太慢、鏡頭畫質落後，我們被市場定義的「過時」蒙蔽了雙眼。 同時，美國西雅圖市議會正式通過一項緊急禁令，規定一年

上周Anthropic公布的數據，揭示了令人矚目的趨勢。該企內部高達80%以上的新生產代碼，如今均由人工智能（AI）助手Claude Code撰寫。此外，OpenAI也對AI程式編寫與自主開發代理Codex進行升級，整合了企業工作空間與角色插件功能。 同時，Microsoft Build開發者大會一次過推出了3項人工智能代理（AI Agent）相關基礎設施： 1. Microsoft Execution Containers（MXC）（OS級別的Agent沙盒環境） 2. Solara（專門為Agent開發的Android 系統） 3. IQ/Rayfin（跨Agent統一資料層） 看起來，AI Agent的編碼開發生產力時代真的來了。但如果你只看到這裏，你可能錯過了這周最重要的一篇文章，VentureBeat的Pulse Research在同周發表了一份報告，標題叫做The Agentic Reckoning，裏面有一個核心論點：企業AI組織的問題不是模型能力，而是如何意識到程式運行錯誤。 正是80%的AI新生產代碼帶來的陷阱！我不是來潑冷水的

如果你在5年前問我網絡安全行業會走向何方，我會告訴你一個穩定增長的答案；但到了今天，答案完全不同。這個行業正在經歷一場結構性的重塑─不是線性的擴張，而是多重力量的疊加爆發。 全球網絡安全市場在2026年已達2480億美元，預計2034年將增長到7000億美元，年複合增長率13.8%。然而，更有趣的是某顧問公司的另一個數字，人工智能（AI）正在把這個市場的總可及規模推高至2萬億美元。為什麼？因為網絡安全正在從資訊總監（CIO）的財政預算項目，升格為董事會對風險管理所關注的基礎設施。 AI正從根本上重新定義這場遊戲。攻擊者用深偽（Deepfake）身份詐騙、用自動化工具滲透測試、用生成式AI大規模生產社交工程攻擊。防禦方則以AI-SIEM（AI安全資訊與事件管理）、自動化威脅獵捕和異常檢測系統應對。核心矛盾在於AI讓攻擊的規模化成本趨近於零，防禦的難度和複雜度正指數級上升。 網絡安全已不再是純粹的技術問題，它是地緣政治的延伸戰場。歐盟網絡與資訊安全指令（NIS2）、中國的數據安全法三法聯動、美國的一系列行政命令，每一套監管體系都在說同一件事，但說法不

人工智能（AI）正在以深刻且不可逆轉的方式重塑經濟，以美國為例，從勞動力市場崗位結構到企業競爭格局，從生產率增長到行業營運模式，AI的影響已開始滲透到經濟體的核心。AI創造新機會的同時，也在打破舊有秩序。 美國哈佛大學的一項研究，透過分析美國人口普查數據，建構了「職業流失率」這一獨特指標。研究發現，1990年至2017年間，美國勞動力市場經歷了非常穩定的低流失期，但從2019年開始，變革驟然而至，這與生成式AI的興起時間高度吻合。同時麻省理工實驗室的「冰山指數」（Iceberg Index），提供了更具規模的估算。該指數以151萬名美國勞動者為模型對象，發現AI目前已可替代11.7%的美國勞動力，覆蓋金融、醫療、專業服務等核心領域。 AI對宏觀經濟的影響，突出地表現於生產率的提升潛力。有經濟學專家指出，「AI將重塑就業格局，某些領域的勞動力將逐漸被智能任務系統所取代。」可是，這些專家也預測AI，將為美國經濟發展帶來強勁的推動力。 高盛研究報告顯示，AI技術在全球範圍內，可能影響高達3億個工作崗位，美國約四分一的工時，面臨被AI自動化取代的可能性。

我之前在文章裏說過，人工智能（AI）競爭正在從技術參數之爭，轉向「數據管道、標準制定、規模落地」的全鏈條控制權之爭。最近歐洲的舉動，恰好印證這個判斷，也帶來一個有趣的問題：歐洲AI能否走出一條有別於中美的新道路？ 德國上月啟動了「人工智能創新園」，總投資數十億歐羅，號稱歐洲迄今最完整的AI產業集群。布局的方向很明確：工業AI、智能製造、自動駕駛、智能物流、AI倫理與安全，全是「製造業+人工智能」的方向。 這個選擇本身，就說明歐洲的邏輯跟中美都不一樣。中美兩強爭奪的是底層平台和數據通道；相反，歐洲沒有這個本錢，算力規模和工程化能力都較落後，但歐洲有自己的王牌：深厚的製造業基礎。歐洲有13座「人工智能工廠」即將投入生產，每座配備約10萬枚高端AI晶片。德國AI算力規劃到2030年，將會是2025年的4倍，據悉已吸引上百間企業，市值超過3.7萬億歐羅（約33.7萬億港元）。 但歐洲有一個致命的結構性問題：碎片化。 數據標準不統一、語言環境各異、產業政策各行其是，若要讓一個德國工廠的AI系統和法國工廠打通，每一步都要穿過一道制度壁壘，這種碎片化現象，是歐

在當前的商業社會中，生成式人工智能（GenAI）以前所未有的速度滲透全球企業。美國近三分二組織已把AI納入營運，然而，其所承諾的價值卻依然模糊。企業高管手握這把被譽為「未來鑰匙」技術，卻對如何提升實質增長與競爭優勢感茫然。問題核心不在於技術本身，而在於我們對其框架的認知。若僅把生成式AI視為一件嶄新工具，然而真正要把價值釋放，還需要一場深刻的組織變革。 這要求領導者摒棄把AI技術，看成短期應用的心態，而應該去想像。在未來，由AI代理群主導的「最小可行組織」（MVOs）的運行方式，包括如何自主處理重複性、基於邏輯的業務（如借貸審批），人類團隊專注於需要創造力和戰略判斷的高價值領域，如此人與AI便共同構成一個更敏捷、更高效的混合型組織形態。 然而，無論願景多麼宏偉，若缺乏信任的基石，一切都只是空中樓閣。信任，是AI規模化應用的命脈。倘若員工或客戶對AI生成的結果心存疑慮，技術發展的潛力便會被徹底摧毀。惟建立信任並非易事，它需要具體行動：確保數據的高度可解釋性與質量、建立具透明度的AI治理框架（如設立監督委員會、制定明確的使用政策），以及運用高質量數據