本集內容專訪 Google 資深副總裁 Rick Osterloh 的逐字稿摘要，深入探討 Google 如何透過部門整合來提升 AI 研發速度。訪談重點聚焦於 Gemini 在 Android 系統上的應用，特別是未來朝向「代理人運算」（Agent-based computing）發展，使裝置能主動預測並完成複雜任務。針對硬體趨勢，雙方討論了 AI 原生裝置與智慧眼鏡的前景，強調這些新技術將與現有手機生態系互補而非完全取代。此外，節目主持人也分享了對 Google 財務表現與 AI 競賽現狀的看法，指出雖然 Google 目前在某些模型能力上暫時落後，但憑藉強大的生態系優勢與算力資源，仍具備長期競爭實力。這份資料完整呈現了 Google 在 AI 轉型關鍵時刻的策略佈局與技術展望。本集內容專訪 Google 資深副總裁 Rick Osterloh 的逐字稿摘要，深入探討 Google 如何透過部門整合來提升 AI 研發速度。訪談重點聚焦於 Gemini 在 Android 系統上的應用，特別是未來朝向「代理人運算」（Agent-based computing）發展，使裝置能主動預測並完成複雜任務。針對硬體趨勢，雙方討論了 AI 原生裝置與智慧眼鏡的前景，強調這些新技術將與現有手機生態系互補而非完全取代。此外，節目主持人也分享了對 Google 財務表現與 AI 競賽現狀的看法，指出雖然 Google 目前在某些模型能力上暫時落後，但憑藉強大的生態系優勢與算力資源，仍具備長期競爭實力。這份資料完整呈現了 Google 在 AI 轉型關鍵時刻的策略佈局與技術展望。

本集三大重點：

1. Google 組織重整與「Agent-based Computing」的戰略轉型
Google 近期將 Android、Chrome、Pixel 等部門整併為「平台與裝置 (Platforms and Devices)」部門，由 Rick Osterloh 領導，核心目標是提升「AI 速度 (AI velocity)」，確保 AI 能更協調地應用於所有產品中。Rick 強調計算機科學正處於轉型時刻，AI 將從單純的「外掛功能」進化為**「以代理人為中心 (Agent-based computing)」的運算模式。未來的 AI 代理人將能處理多步驟的複雜任務，例如使用者只需開口說想去某處，Gemini 就會自動在背景啟動 Uber 應用程式完成訂車，這種主動且個人化的體驗是 Google 目前研發的最核心焦點。此外，Rick 也提到台灣是 Google 在總部以外最大的硬體與 AI 基礎建設研發基地**，對此戰略轉型扮演關鍵角色。

2. 「個人情報」與系統界面的 AI 原生演化
為了解決目前 AI 「鋸齒狀智能 (Jagged Intelligence)」（即能處理複雜任務卻在簡單事情上出錯）的問題，Google 正推動系統面的兩大演化：「個人情報 (Personal Intelligence)」「API 中心化」。前者是指在用戶授權下，讓 Gemini 讀取 Gmail、Google 相簿等資訊來理解上下文，實現能主動預測需求的「主動式 AI (Proactive AI)」，例如根據天氣與過往習慣主動詢問是否訂餐。後者則是讓系統界面從「以人為中心」轉向「以 AI 為中心」，透過 API 或 JSON 資料格式直接溝通，而非讓 AI 去模擬人類點擊網頁按鈕，這將大幅提升 AI 執行任務的成功率與速度，減少因界面模擬錯誤導致的失敗。

更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus

3. AI 原生裝置的定位與 Google 的競爭優勢
關於未來裝置（如 AI 智慧眼鏡），Rick 認為這類 AI 原生裝置是「增補性 (Additive)」而非「取代性」的產品，它們能提供手機不擅長的體驗，但短期內不會取代手機或電腦。與 Meta 全力投注在眼鏡不同，Google 採取多方下注策略，涵蓋從穿戴式眼鏡到沉浸式 XR 設備的整個光譜。雖然目前 Google 在 Coding 與 Agentic 任務的底層模型能力上暫時落後於 OpenAI 與 Anthropic，但主持人分析 Google 擁有「不公平的優勢 (Unfair advantage)」，包括強大的 TPU 算力調度、廣大的 Workspace 生態系分銷通路，以及內部由共同創辦人 Sergey Brin 帶領的突擊小隊正全力衝刺提升 Gemini 的代理能力。

延伸閱讀：科技浪｜OpenAI重新登頂：GPT-5.5是地表最強AI！這次真的不一樣？ DeepSeek-V4強勢回歸

這篇文章 科技浪｜Google 正面臨 AI 最關鍵的一戰！Gemini on Android 與未來裝置 | 專訪 Google 資深副總裁 Rick Osterloh 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

這集主要介紹了 OpenAI 推出全新基底模型 GPT-5.5，並公認其為當前全球最強大的 AI，展現出極高的智慧與運算效率。主持人指出，相較於以往的微調版本，GPT-5.5 是採用全新預訓練技術打造，不僅在後端邏輯與多步驟任務上表現卓越，更能透過精簡的 token 使用量降低實際執行成本。除了模型能力的進階，內容也觸及了紐約證交所推動股票代幣化的趨勢，以及 DeepSeek-V4 等中國模型的技術現況與侷限。透過對比不同陣營的產品飛輪，來源進一步探討了 AI 代理（Agent）與長時任務處理如何引領人類邁向數位通用人工智慧（AGI）的里程碑。最後，作者藉由產業專家的觀察，分析了中美兩國在 AI 技術開發與基礎設施上日益擴大的差距。這集主要介紹了 OpenAI 推出全新基底模型 GPT-5.5，並公認其為當前全球最強大的 AI，展現出極高的智慧與運算效率。主持人指出，相較於以往的微調版本，GPT-5.5 是採用全新預訓練技術打造，不僅在後端邏輯與多步驟任務上表現卓越，更能透過精簡的 token 使用量降低實際執行成本。除了模型能力的進階，內容也觸及了紐約證交所推動股票代幣化的趨勢，以及 DeepSeek-V4 等中國模型的技術現況與侷限。透過對比不同陣營的產品飛輪，來源進一步探討了 AI 代理（Agent）與長時任務處理如何引領人類邁向數位通用人工智慧（AGI）的里程碑。最後，作者藉由產業專家的觀察，分析了中美兩國在 AI 技術開發與基礎設施上日益擴大的差距。

本集節目重點：

1. GPT-5.5 的「智力極大化」：全新底層模型 SPUD 的強勢回歸 GPT-5.5 並非基於舊模型的微調，而是 OpenAI 過去兩年預訓練研究的極大成之作，代號為 「SPUD」系列的全新底層模型 (Base Model)。主持人以咖啡作比喻：GPT-5.1 到 5.4 像是對同一杯黑咖啡調整糖和奶，而 GPT-5.5 則是從咖啡豆開始就完全不同。這種全新的基底讓模型在邏輯、數學及後端程式碼設計上達到了 「IQ Maxing」（智力極大化） 的境界，公認為目前地表最強 AI。雖然在前端網頁設計的創造力上可能略遜於 Claude 4.7，但 GPT-5.5 的核心邏輯更正確、重大錯誤更少，且 OpenAI 採取「AI 民主化」策略，讓 20 美元的 Plus 用戶也能大量使用此頂尖模型
。
2. 效率革命：從 API 成本轉向「單次任務成本」(Cost per Task) GPT-5.5 的重大進步不僅在於更聰明，更在於其 Token 效率的大幅提升。雖然其 API 價格較貴，但因為它完成相同任務所需的 Token 量與思考步驟大幅減少，最終的 「單次任務成本」反而比舊模型更低。例如，在處理銷售企劃書任務時，舊模型需花費 32 分鐘，而 GPT-5.5 僅需 4 分鐘即可產出同等品質的結果。這種高效能對企業應用至關重要，因為目前的 AI 競賽已轉向 「代理編碼」(Agentic Coding) 與「長時任務」，模型必須能在減少廢話的前提下，更精準地執行複雜指令，而 GPT-5.5 在這方面的表現目前顯著優於競爭對手。

更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus

3. AGI 時間軸的具現化與中美技術差距的持續擴大 ：隨著「數位 AGI」雛形（如 Cursor 龍蝦、Codex 等 AI 代理）的成熟，AGI 的實現時間表已變得合理，預測兩年內可能出現 「外套智力」(Jacket Intelligence) 形式的 AGI。這類 AGI 在處理 60%-80% 的白領工作上表現卓越，但在簡單常識上仍可能犯錯。與此同時，新發布的 DeepSeek-V4 雖然在技術效率上（如 100 萬 Context Window 與 KV Cache 十倍壓縮）表現強勁，但模型智力仍落後於美國頂尖模型，體感僅接近 Claude Sonnet 等級。由於晶片禁令、缺乏數據飛輪效應以及過度追求 「刷分」(Benchmark Maxing)，中國與美國在 AI 領域的實際體感差距正持續拉大。

延伸閱讀：科技浪｜Google TurboQuant 血洗記憶體股！華爾街崩盤真相？加碼車禍法律神助攻 PAMO！

這篇文章 科技浪｜OpenAI重新登頂：GPT-5.5是地表最強AI！這次真的不一樣？ DeepSeek-V4強勢回歸 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

這集《科技浪》Podcast 節目深入探討了 Google 推出的 TurboQuant 記憶體壓縮技術，分析其如何影響 AI 推論效率並造成美光等記憶體類股的股價波動。主持人指出市場過度解讀該技術將減少六倍硬體需求，實則約僅能節省 35% 的推論記憶體使用量，且對整體產業需求影響有限。除了技術解析，節目也介紹了贊助商 PAMO 車禍線上律師，說明該服務如何透過訂閱制與點數系統提供即時法律諮詢。訪談中詳細分享了車禍現場的應對技巧、保險理賠溝通策略以及如何評估合理的賠償金額。整體內容結合了最前沿的 AI 科技趨勢與實用的民生法律知識，旨在協助聽眾掌握產業真相並應對生活法律風險。這集《科技浪》Podcast 節目深入探討了 Google 推出的 TurboQuant 記憶體壓縮技術，分析其如何影響 AI 推論效率並造成美光等記憶體類股的股價波動。主持人指出市場過度解讀該技術將減少六倍硬體需求，實則約僅能節省 35% 的推論記憶體使用量，且對整體產業需求影響有限。除了技術解析，節目也介紹了贊助商 PAMO 車禍線上律師，說明該服務如何透過訂閱制與點數系統提供即時法律諮詢。訪談中詳細分享了車禍現場的應對技巧、保險理賠溝通策略以及如何評估合理的賠償金額。整體內容結合了最前沿的 AI 科技趨勢與實用的民生法律知識，旨在協助聽眾掌握產業真相並應對生活法律風險。

本集節目重點：

1. Google TurboQuant 技術原理與實際效能分析
Google 推出的 TurboQuant 是一項針對 AI 推論中 KV Cache (KVC) 的量化壓縮技術。AI 模型在推論時會產生大量中間產物（Key 與 Value），佔據巨額記憶體空間。TurboQuant 透過將向量「旋轉」至更易預測的分佈，並利用 QJL 補差技術 專門修正運算中的內積誤差，解決了傳統量化技術中額外參數負擔（Overhead）過高的問題。實驗顯示，該技術能將 16-bit 數據壓縮至 3.5-bit 甚至更低，且幾乎不損害模型準確度。雖然媒體常宣傳「六倍壓縮」，但來源指出若以業界常用的 8-bit 為基準，實際節省倍數約為三倍；換算成整體 AI 伺服器（如 GB200）的總記憶體用量，估計約能節省 35% 的空間。這對處理長文本或複雜 AI Agent 的公司而言，具有極高的商業價值。

2. 華爾街對記憶體產業的過度反應與底層邏輯
針對 TurboQuant 導致 美光 (Micron) 等記憶體股價重挫的現象，來源認為華爾街存在嚴重誤判。首先，目前 HBM（高頻寬記憶體） 處於極度短缺狀態，訂單已排至 2026 年底，物理供應鏈的擴產限制遠大於技術效率帶來的節省量。其次，AI 產業遵循「效率提升帶動需求擴張」的底層邏輯：雖然 TurboQuant 提升了 35% 的記憶體效率，但 AI 的算力需求（如推理模型、AI Agent）正以萬倍速度增長。歷史證明，過去三年間 AI 效率雖提升數百倍，GPU 卻依然供不應求，因為節省下來的資源會被拿去提供更長的上下文服務或更複雜的研發。因此，這項技術進步並不會減少記憶體的需求量，反而能讓 AI 公司在不增加硬體的狀況下服務更多用戶。

更多科技工作請上科技專區：https://techplus.1111.com.tw/

3. PAMO 車禍線上律師的創新訂閱制服務
PAMO 車禍線上律師 提供了一種創新的法律諮詢模式，以每年 1200 元的訂閱費（與強制險相近）為用戶提供無限次車禍相關諮詢。該服務的核心價值在於填補保險公司與用戶之間的利益斷層：保險公司傾向少賠以獲利，而 PAMO 則站在用戶立場，協助判斷合理的賠償金額並教導如何與保險公司溝通。在事故發生當下，律師能引導用戶正確描述案情，避免因誤用法律辭彙（如「沒看到」）而導致責任比例增加。此外，該服務設有 P 點數系統，若年度內未發生車禍，訂閱費可累積點數用於折抵其他生活法律問題（如勞資糾紛、鄰居漏水、遺囑等）的諮詢費。這種模式將法律資源平民化，讓專業律師成為用戶日常生活中可隨時尋求指引的「平安符」。

這篇文章 科技浪｜Google TurboQuant 血洗記憶體股！華爾街崩盤真相？加碼車禍法律神助攻 PAMO！ 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

本集針對馬斯克宣布自行興建晶圓廠 (Terafab) 的深度分析。內容探討了馬斯克企圖整合邏輯晶片、記憶體與先進封裝的宏大願景，並將其視為解決其商業帝國未來晶片供應瓶頸的關鍵。主持人哈麗從需求量、技術難度、組織執行力與資本規模四個維度評估其成功機率，認為技術門檻與太空資料中心的連動性是最大的挑戰。此外，節目中也分享了個人在 ChatGPT-4o (GPT-5.4) 與 Claude 等 AI 模型間的實際轉換使用心得。本集針對馬斯克宣布自行興建晶圓廠 (Terafab) 的深度分析。內容探討了馬斯克企圖整合邏輯晶片、記憶體與先進封裝的宏大願景，並將其視為解決其商業帝國未來晶片供應瓶頸的關鍵。主持人從需求量、技術難度、組織執行力與資本規模四個維度評估其成功機率，認為技術門檻與太空資料中心的連動性是最大的挑戰。此外，節目中也分享了個人在 ChatGPT-4o (GPT-5.4) 與 Claude 等 AI 模型間的實際轉換使用心得。

本集節目重點：

一、馬斯克「Terafab」晶圓廠的野心與垂直整合願景 馬斯克宣佈將建立名為「Terafab」的晶圓廠，旨在解決未來三到四年內可能面臨的晶片供應限制,。這項計畫極具野心，目標是同時整合邏輯晶片、記憶體（如 HBM）以及先進封裝（類似台積電的 CoWoS）三大技術領域。對馬斯克而言，這並非為了挑戰台積電或三星的代工地位，而是為了追求垂直整合，確保其 AI 帝國（包含 Tesla 車用、Optimus 機器人及資料中心）能擁有穩定的晶片供應,,。他甚至提出重新定義無塵室運作的構想，反映出他試圖以顛覆傳統的方式解決其願景中最核心的硬體瓶頸,,。

二、 成功的四大關鍵點：需求量與技術的「地獄級」挑戰 晶圓廠的成敗取決於需求量、技術、組織與資本四大要素，其中需求量與技術被視為最高難度的門檻,。在需求方面，單靠電動車與機器人可能不足以支撐一座巨大的晶圓廠，必須依賴如「太空資料中心」等野心計畫的成功，方能創造每月百萬片等級的晶圓產能需求,。而在技術上，半導體製造存在大量依賴工程師經驗與手感的「隱性知識」（No-how），難以透過文件傳承,。馬斯克除需大規模挖角外，可能嘗試利用 AI 的模式辨識能力來加速製程疊代，這對從零開始的計畫來說是極大的技術挑戰,。

三、 與 Intel 的區別及「滿足內需」的生存策略 馬斯克的 IDM 模式與 Intel 的失敗案例不同，關鍵在於他擁有強大的終端應用場景，而非單純對外銷售晶片,。他的策略是優先向台積電與三星購買產能，自建廠房僅是填補其供應缺口，因此初期對良率與成本的容忍度較高，並願意為 AI 應用的長遠價值承擔虧損,,。這體現了馬斯克「解決瓶頸」的經營哲學：將資源投注在能源與晶片這兩大帝國擴張的核心阻礙上。他試圖將開發火箭與電動車的快速疊代經驗轉移至精密的半導體製造領域，逐步克服障礙以實現其 AI 願景,。

這篇文章 科技浪｜馬斯克要蓋晶圓廠！要挑戰台積電嗎？他會成功嗎？ 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

這集節目探討除了傳統數位電腦外，能用於執行 AI 運算 的兩項前瞻技術：類比運算（Analog Computing）與神經形態運算（Neuromorphic Computing）。類比運算利用物理定律直接處理連續數值，能以極低功耗完成龐大的矩陣乘法；而神經形態運算則模仿人類大腦，透過事件驅動的脈衝訊號大幅提升能源效率。主持人分析指出，儘管這些技術在邊緣運算與全天候監控等特定領域具有潛力，但因環境雜訊、精準度與軟體生態系等挑戰，短期內難以取代現行的馮紐曼架構。文中也提到，類比運算能協助提升 AI 的能源效益，而神經形態運算則可能成為未來常駐型 AI 助理的核心關鍵。最終總結認為，雖然傳統數位電腦仍將主導市場，但中長期內這些新架構將在特定應用中佔有一席之地。這集節目探討除了傳統數位電腦外，能用於執行 AI 運算 的兩項前瞻技術：類比運算（Analog Computing）與神經形態運算（Neuromorphic Computing）。類比運算利用物理定律直接處理連續數值，能以極低功耗完成龐大的矩陣乘法；而神經形態運算則模仿人類大腦，透過事件驅動的脈衝訊號大幅提升能源效率。主持人分析指出，儘管這些技術在邊緣運算與全天候監控等特定領域具有潛力，但因環境雜訊、精準度與軟體生態系等挑戰，短期內難以取代現行的馮紐曼架構。文中也提到，類比運算能協助提升 AI 的能源效益，而神經形態運算則可能成為未來常駐型 AI 助理的核心關鍵。最終總結認為，雖然傳統數位電腦仍將主導市場，但中長期內這些新架構將在特定應用中佔有一席之地。

本集節目重點：

一、 挑戰傳統數位架構的侷限
目前 AI 硬體多基於馮紐曼架構，即處理器與記憶體分離，運算時須不斷搬運資料，造成效率瓶頸。傳統數位電腦 0 與 1 的離散訊號運作，而真實世界是連續的「類比」狀態。隨著摩爾定律接近物理極限，縮小電晶體已難以持續提升效能。因此，科學界開始轉向研究更接近自然物理特性的類比運算與神經形態運算，試圖突破數位運算的功耗與效能限制。

二、 類比運算：利用物理規律進行高效運算
類比運算直接將問題映射到連續的物理量（如電壓、電流、電阻）中求取解答。在 AI 核心的矩陣乘法中，它利用歐姆定律天然的乘法關係，結合「記憶體內運算」節省資料搬運開銷。相較於數位電腦需數千個電晶體完成運算，類比運算僅需數個，效能有望提升 10 倍。儘管易受物理雜訊（Noise）干擾，但 AI 模型的統計本質使其對這種不精準具備一定程度的容忍力。

三、 神經形態運算：模仿大腦的「事件驅動」模式
神經形態運算模仿大腦的高效能與低功耗（大腦運作僅需約 20 瓦）。其特點是事件驅動（Event-driven）：僅在接收到「脈衝訊號（Spikes）」刺激時才進行處理，其餘時間不消耗多餘能量。這與傳統電腦無論畫面有無變化都持續運算完全不同，極度適合「全天候開啟（Always-on）」的監控或個人助理應用。雖然在 Transformer 等複雜架構的轉譯上仍有硬傷，但中長期仍具潛力。

四、 商業化瓶頸與未來市場展望
儘管潛力巨大，但這兩類硬體目前市場佔有率低於 1%。主因在於商業化成本極高：混合架構增加了製造與軟體工具鏈的難度，且類比運算的不穩定性需要額外的硬體感知訓練。短期（5 年內）兩者仍非主流，但中長期（5 到 10 年）隨著數位電腦進步空間受限，它們可能在特定 AI 領域（如邊緣運算或低功耗代理）取得顯著進展，甚至通往更深層的資訊處理路徑。

這篇文章 科技浪｜你不知道能算 AI 的兩種電腦：類比運算與神經形態運算！未來能挑戰傳統數位電腦嗎？ 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

本集節目探討了科技領域的兩大趨勢：OpenAI 的組織轉型以及太空資料中心的興起。OpenAI 近期完成獲利重組，從非營利主導轉向更具商業彈性的結構，這不僅影響了微軟等投資人的權益，也引發市場對其未來上市計畫的熱議。另一方面，新創公司 Star Cloud 預計於今年 11 月將 NVIDIA H100 GPU 送入軌道，驗證在太空執行 AI 模型的可行性。相較於地面，太空環境具備無限太陽能與零土地成本等優勢，能有效解決 AI 運算面臨的能源瓶頸。儘管面臨輻射干擾與熱散發等技術挑戰，但隨著發射成本降低，太空運算被視為下一個產值達數千億美元的潛力市場。此外，主持人也分享了使用 NordVPN 跨區體驗 AI 產品的心得，並提及近期對線上運彩成癮風險的觀察。本集節目探討了科技領域的兩大趨勢：OpenAI 的組織轉型以及太空資料中心的興起。OpenAI 近期完成獲利重組，從非營利主導轉向更具商業彈性的結構，這不僅影響了微軟等投資人的權益，也引發市場對其未來上市計畫的熱議。另一方面，新創公司 Star Cloud 預計於今年 11 月將 NVIDIA H100 GPU 送入軌道，驗證在太空執行 AI 模型的可行性。相較於地面，太空環境具備無限太陽能與零土地成本等優勢，能有效解決 AI 運算面臨的能源瓶頸。儘管面臨輻射干擾與熱散發等技術挑戰，但隨著發射成本降低，太空運算被視為下一個產值達數千億美元的潛力市場。此外，主持人也分享了使用 NordVPN 跨區體驗 AI 產品的心得，並提及近期對線上運彩成癮風險的觀察。

本集節目重點：

重點1： OpenAI 完成營利架構重組與未來發展 OpenAI 終於完成公司架構重組，轉型為營利性的公共利益公司（PBC），此舉旨在簡化原本複雜的非營利與營利混合結構。重組後，原有的非營利組織仍持有 26% 股份，並保留任命董事會的權力。這項變革掃除了法律障礙，讓公司未來有機會進行 IPO 上市，估值預計可達一兆美金。對於合作夥伴微軟而言，其技術授權協議依然有效，能持續使用 OpenAI 的模型直到 2030 年，除非 AGI 提前實現。

重點2：太空資料中心的興起與首場實驗 矽谷新創公司 StarCloud 計劃在 11 月透過 SpaceX 的火箭，將首張 NVIDIA H100 GPU 送入外太空進行 AI 運算實驗。雖然這僅是概念驗證（PoC），且單張晶片尚無商業價值，但它是人類首次嘗試在太空跑 AI 模型與微調。這反映出地面資料中心正面臨能源供應、電力基建與土地取得等瓶頸，迫使科技界尋求太空作為替代方案。馬斯克也暗示 SpaceX 未來將透過擴張 Starlink 衛星來建立自己的太空資料中心。

更多科技工作請上科技專區：https://techplus.1111.com.tw/

重點3：太空環境的能源與成本優勢 太空資料中心具備低廉能源、高可擴展性與環境友善三大優勢。在特定的太陽同步軌道上，設備可獲得全年無休的日照，且因無大氣層阻隔，太陽能效率比地面高出 5 倍，能源成本僅約地面的 22 分之一。此外，太空沒有土地限制與基礎建設審核的長期拖累，能透過模組化設計快速部署與擴張。最重要的是，太空運作不需消耗大量冷卻水且完全依賴再生能源，能有效解決地面 AI 算力暴增所帶來的環境負擔。

重點4：面臨的嚴峻技術挑戰與風險 儘管潛力巨大，太空資料中心仍須克服輻射、散熱與維修三大挑戰。太空高能粒子可能干擾晶片位元翻轉導致運算錯誤，需依賴防護罩、硬體增強或軟體冗餘設計來解決。在真空環境中，熱能僅能靠巨大的輻射散熱板排向深空，設計極為複雜。維修方面則因成本極高，目前多傾向模組化設計，故障時直接讓模組進入大氣層燒毀以避免產生太空垃圾。這些物理限制的解決程度將決定太空資料中心是否能真正商用化。

這篇文章 科技浪｜史上第一張AI晶片登上太空！資料中心的未來是在太空嗎？OpenAI完成盈利重組了 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

本集節目主要探討 GPT 5.2 模型的實際優勢與未來經濟影響。主持人指出，雖然市場目前較關注 Google，但 GPT 5.2 在全新的「GDP val」基準測試中表現卓越，能以極高效率完成長路徑且複雜的專業職場所需任務。文中透過實測產出 銷售簡報（Sales Kit）與財務估值模型（DCF） 的經驗，說明 AI 已進入能提供實質生產力的「Vibe Working」階段。此外，內容也預測 數位通用人工智慧（Digital AGI） 可能在三年內實現，並提及 SpaceX 考慮 IPO 與太空資料中心 的發展趨勢。最後，節目也簡介了 Saily eSIM 漫遊服務 的便利性與專屬優惠。本集節目主要探討 GPT 5.2 模型的實際優勢與未來經濟影響。主持人指出，雖然市場目前較關注 Google，但 GPT 5.2 在全新的「GDP val」基準測試中表現卓越，能以極高效率完成長路徑且複雜的專業職場所需任務。文中透過實測產出 銷售簡報（Sales Kit）與財務估值模型（DCF） 的經驗，說明 AI 已進入能提供實質生產力的「Vibe Working」階段。此外，內容也預測 數位通用人工智慧（Digital AGI） 可能在三年內實現，並提及 SpaceX 考慮 IPO 與太空資料中心 的發展趨勢。最後，節目也簡介了 Saily eSIM 漫遊服務 的便利性與專屬優惠。

本集重點整理：

重點1：GPT-5.2 的市場冷遇與核心強項 雖然 GPT-5.2 發表時市場反應冷淡，關注度遠低於過往，主因是媒體風向轉向 Google 以及消費者對模型更新感到疲勞。然而，來源指出 GPT-5.2 真正的亮點不在於傳統的跑分或個性表現，而是在於模型經濟價值的提升。它並非像 Gemini 3 般追求整體模型規模的飛躍，而是透過深度的「後訓練」（post-training），強化解決複雜任務的能力，成為 OpenAI 用於應對競爭壓力並對投資人交代的關鍵產品。

更多科技工作請上科技專區：https://techplus.1111.com.tw/

重點2： GDP-val：衡量 AI 經濟價值的新指標 OpenAI 推出了名為 GDP-val 的全新基準測試，旨在評估 AI 解決職場真實問題的能力。該測試涵蓋美國 GDP 九大產業中的多種職業，包含投行分析師、機械工程師及醫學研究等任務，要求模型交付具體的成品（如 PPT、Excel 財務模型或 CAD 檔），而非單純選擇題。GPT-5.2 在此測試中拿下了 70.9% 的勝率，不僅遠超人類專家的表現，且完成速度快了 11 倍，運算成本更不到人類薪資的 1%。

重點3：知識工作的「Vibe Working」時刻到來 GPT-5.2 展示了卓越的「長時程任務」（long-horizon tasks）處理能力，能獨立執行包含找資料、寫程式與整合結果的多步驟任務。來源將此現象稱為知識工作的 「Vibe Working」時刻，意指使用者僅需簡單指令，AI 即可產出完成度達 60% 至 70% 的初稿（如 Sales Kit 或 DCF 估值模型），人類只需在後續進行微調與修正。儘管 AI 仍會犯下如單位換算錯誤等致命傷，但其自主工作、自我修正及遵循指令的能力已展現出巨大的商業價值。

重點4：邁向「數位 AGI」的三年預測 GPT-5.2 的進步標誌著 AI 往「數位 AGI」（Digital AGI）邁進了一大步，即 AI 能完成所有在電腦前透過鍵盤滑鼠操作的認知工作。根據 Google DeepMind 共同創辦人 Shane Legg 的預測，未來三年內出現「最低限度 AGI」的機率高達 50%。這將是一個漸進的過程，從目前的 Vibe Working 模式開始，AI 提供的價值將從 30% 逐步提升至 80% 以上，最終全面改變人類的生產力結構與全球 GDP。

這篇文章 科技浪｜大家都看錯了？解讀 GPT 5.2 真正的強項 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

本集節目在探討 Google 自研的 TPU（張量處理單元） 如何在 AI 運算領域挑戰 NVIDIA 的霸權。主持人首先分析了 Google 憑藉全自研晶片訓練出 Gemini 3 模型的實力，並引用 Meta 與 Anthropic 擴大採購 TPU 的消息，說明市場已開始認可其作為 NVIDIA GPU 替代方案 的潛力。內容深入淺出地對比了兩者的技術底層，指出 TPU 採用類似流速線的 脈動陣列（Systolic Array） 架構，雖然彈性較低，但在處理特定 AI 任務時擁有更高的 能源效率與成本優勢。最後，作者強調雖然 NVIDIA 擁有強大的軟體生態系與硬體靈活性，但 Google 正透過開放 Palace 程式語言與優化軟體層來降低門檻，預示未來 AI 晶片市場將進入更激烈的競爭格局。本集節目在探討 Google 自研的 TPU（張量處理單元） 如何在 AI 運算領域挑戰 NVIDIA 的霸權。主持人首先分析了 Google 憑藉全自研晶片訓練出 Gemini 3 模型的實力，並引用 Meta 與 Anthropic 擴大採購 TPU 的消息，說明市場已開始認可其作為 NVIDIA GPU 替代方案 的潛力。內容深入淺出地對比了兩者的技術底層，指出 TPU 採用類似流速線的 脈動陣列（Systolic Array） 架構，雖然彈性較低，但在處理特定 AI 任務時擁有更高的 能源效率與成本優勢。最後，作者強調雖然 NVIDIA 擁有強大的軟體生態系與硬體靈活性，但 Google 正透過開放 Palace 程式語言與優化軟體層來降低門檻，預示未來 AI 晶片市場將進入更激烈的競爭格局。

本集重點整理：

重點一：核心設計理念與運作原理的差異：人海戰術 vs. 自動化流水線
GPU 採用的是 SIMT（單指令多執行緒） 架構，其概念類似於「人海戰術」，由數萬個運算核心（如 CUDA core）組成，讀取指令後指揮大量核心平行處理任務。在處理矩陣乘法時，GPU 的每個核心都有獨立的暫存器（抽屜），運算過程需不斷存取印章（權重），導致頻繁的資料存取與能耗。相對地，TPU 基於「脈動陣列（systolic array）」設計，概念源自心臟脈動，像是一座「自動化流水線工廠」。資料從左側流入，經過預先加載權重的運算單元（MXU）進行加工後直接傳遞給下一站，無需頻繁回到暫存器存取資料。這種設計讓 TPU 在處理特定 AI 運算時，比 GPU 更有效率且更節省能源。

重點二：軟體生態與開發靈活度的進化：從僵硬到逐步開放
長期以來，GPU 憑藉 2006 年推出的 CUDA 平台建立起強大的生態系，具備極高彈性，能處理各類不規則或實驗性的運算架構。TPU 過去則顯得較為僵硬，高度依賴 XLA 編譯器，若編譯器不支援，開發者便難以優化。然而，Google 近年推出 Pallas 語言（可視為 TPU 版的 CUDA），允許開發者繞過編譯器編寫底層自定義核心（custom kernels），大幅提升了可程式化性。此外，針對當前主流的 MoE（混合專家模型），TPU 也透過 Sparse Cores 處理稀疏性問題，證明其能跑動如 Gemini 3、Llama 3 及 DeepSeek 等最前沿模型。雖然生態系廣度仍不及 CUDA，但其軟體層正快速追趕。

重點三：系統級互連技術與成本優勢：ICI 與 OCS 的強大競爭力
在 AI 時代，硬體競爭已演變為「系統對抗」。NVIDIA 擁有 NVLink 與 InfiniBand 技術，而 Google 則發展出 ICI（晶片間互連） 與 OCS（光路交換機） 技術。OCS 具備全光傳輸特性，效率高且成本低。根據來源，TPU 的系統連接能力甚至比 NVIDIA 更早布局水冷與大規模擴展，單一 Superpod 可連結高達 9216 個 TPU，且連結速度相當快。分析機構指出，在相同的運算效能下，TPU Ironwood（V7）系統的成本比 NVIDIA GB200 低了約 44%。儘管 TPU V7 在資料精度支援上（僅至 8-bit）略遜於原生支援 FP4 的 GB200，但其系統整體的性價比與可預測性使其成為不可忽視的對手。

重點四：市場格局變動與 NVIDIA 的威脅感
過往市場認為 TPU 僅限 Google 內部使用，但近期 Google 積極向外推廣，成功吸引 Anthropic 購買 100 萬張 TPU，且 Meta、Apple、OpenAI 及 XAI 等科技巨頭也開始考慮或大規模採用。這一趨勢反映在數據上，Anthropic 的運算力佔比中，TPU 已提升至近 20%，而 NVIDIA 的佔比則在下降。NVIDIA 顯然感受到了威脅，除了罕見發文強調 GPU 的不可替代性外，甚至傳出透過「投資 OpenAI」等方式變相降價，以阻止客戶流向 TPU。專家預期短期內 TPU 將持續侵蝕 NVIDIA 約 10% 的營收。Google 內部對於是否要全面開放 TPU 銷售仍有轉型期的考量，但若決定 All-in 銷售，將對 NVIDIA 的霸權構成長期挑戰。

這篇文章 科技浪｜Google 挑戰 NVIDIA 霸權的開始？深度解析 TPU 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

此集節目訪談邀請了 iKala 共同創辦人暨執行長程世嘉（Sega），深入探討當前熱門的 AI 泡沫論、企業導入 AI 的實際應用，以及中美 AI 競爭的現況…科技浪此集節目訪談邀請了 iKala 共同創辦人暨執行長程世嘉（Sega），深入探討當前熱門的 AI 泡沫論、企業導入 AI 的實際應用，以及中美 AI 競爭的現況。Sega 從業界實務角度出發，解析了通用型 AI 公司如 OpenAI 普遍存在的商業模式不穩和高昂硬體成本問題，認為目前市場結構不健康，賣硬體的廠商獲利豐厚，而軟體廠商卻面臨虧損。他進一步從資料、演算法與能源三大面向分析了 AGI（通用人工智慧）的實現困境，認為擴展定律已漸趨緩，因此 AGI 不會很快到來。

在企業應用方面，Sega 指出 AI 轉型對大型企業的成效最為顯著，尤其在客戶服務場景能有效提升生產力，然而企業導入 AI 的過程極為緩慢，主要痛點在於高層推動的決心不足、流程過於複雜，以及企業內部資料凌亂。他觀察到 AI 導入能為企業帶來約 5% 至 20% 的營收增長，但同時可能導致 20% 至 30% 的人力精簡，其中初階技術人員是受影響最嚴重的群體。

談及中美 AI 競賽，Sega 認為美國在基礎創新研究上仍領先，而中國大陸則採取極致優化和開源的策略，透過內需市場落地應用，以資源受限的方式倒逼技術的進步。最後，他分析了西方主要 AI 實驗室的定位：OpenAI 主導消費者品牌，Anthropic（Claude）在 LLM API 和程式碼生成領域快速佔領市場，而 Google 則憑藉其強大的生態系（如 Google Workspace），在企業市場具有巨大的長期優勢。

本集重點整理：

重點一：AI泡沫風險與擴展定律失效
前沿通用型AI公司的商業模式不穩，其年度燒錢速度遠超過營收，若無資本市場持續輸血，現有模式難以支持 。這種市場結構不健康，利潤多被賣硬體的廠商（如NVIDIA）賺取，而軟體應用端則依賴循環投資來維持市場。更關鍵的是，作為AI發展基礎的「擴展定律」（投入越多算力，AI越聰明）已暫時失靈，主要受限於三大瓶頸：人類公開數據預計將在2026至2030年間耗盡；底層Transformer模型的平方級複雜度消耗太大算力；以及訓練模型所需的能源電力供應不足。雖然AI對個人生產力有實質幫助，但市場仍有可能因外部宏觀經濟因素而下修，導致一定程度的泡沫破裂。

重點二：企業AI應用的實際成效與導入摩擦
AI導入的成效與企業規模呈正相關，規模越大的企業效益越明顯。目前最有效的應用場景是客戶服務，AI利用知識庫可為客服人員分擔至少一半以上的對話量，顯著提升生產力。然而，企業導入AI的速度非常緩慢，主要痛點包括高層推動決心不足、企業流程和組織變革涉及多部門協調導致效率低下，以及資料庫整理混亂（光是整理資料就佔了導入時間的八成）。從定量來看，AI應用可帶來約5%到20%的營收增長，但同時，幾乎各行各業的人力都會因此縮減20%到30%，其中初階軟體工程師是受影響最嚴重的群體。

重點三：中美AI競爭路線與西方頂尖實驗室分化
中美兩國的AI發展路線截然不同：美國在基礎研究和人才方面保持創新領導地位，並利用資本市場持續砸錢，最先進的模型多不開源以維持商業競爭優勢。而中國因晶片資源受限，轉而採取極致優化策略，用較低算力訓練出同等效果的模型，並採取開源策略扭轉戰局，使其在應用和落地速度上領先全球。西方頂尖實驗室的定位已趨於明確：OpenAI/ChatGPT定位為消費者品牌；Anthropic/Claude在LLM API市場（尤其是在寫程式方面）快速佔有市場份額；而Google/Gemini則憑藉其廣大的生態系統（Gmail、Workspace等）和企業通路優勢，被認為最有可能在長遠的企業市場競爭中勝出 。

這篇文章 科技浪｜AI泡沫論、企業AI應用、中美AI競賽 專訪 iKala 共同創辦人暨執行長 Sega 程世嘉 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

本集節目探討了兩個主要的科技新聞：OpenAI 的重組（restructuring）及其對公司股權、未來 IPO 可能性及與 Microsoft 關係的影響，特別提到執行長 Sam Altman 對於公司未來巨額運算需求的辯護。最後，節目花了大量篇幅討論了 太空資料中心 的概念，包括一家名為 Star Cloud 的新創公司計劃將 NVIDIA H100 GPU 送上太空進行 AI 運算，並分析了將資料中心設置於太空在能源、成本、擴展性等方面的理論優勢，同時也討論了輻射和散熱等實際挑戰。本集節目探討了兩個主要的科技新聞：OpenAI 的重組（restructuring）及其對公司股權、未來 IPO 可能性及與 Microsoft 關係的影響，特別提到執行長 Sam Altman 對於公司未來巨額運算需求的辯護。最後，節目花了大量篇幅討論了 太空資料中心 的概念，包括一家名為 Star Cloud 的新創公司計劃將 NVIDIA H100 GPU 送上太空進行 AI 運算，並分析了將資料中心設置於太空在能源、成本、擴展性等方面的理論優勢，同時也討論了輻射和散熱等實際挑戰。

本集重點整理：

重點1：Open AI 的公司重組與盈利化轉型
OpenAI 近期完成了公司重組（restructuring），被視為一個重大的里程碑。這使得 OpenAI 正式轉變為一間盈利公司。雖然如此，OpenAI 仍然透過非營利組織進行控制，因為該非營利組織持有盈利公司 26% 的股權，並擁有任命和開除盈利公司董事會的權力。這間盈利公司被註冊為「公共利益公司」（Public Benefit Corporation），這表示除了股東利益外，它必須在公司章程中考量公共利益，例如全人類的利益。非營利組織擁有的 26% 股權，依據 OpenAI 5000 億美元的估值，價值約 1300 億美元，使其成為全球最有價值的非營利組織。此次重組後，OpenAI 在法規上具備上市（IPO）的能力，使得包括軟銀在內的投資人對獲得出場機會鬆了一口氣。

重點2：OpenAI 鉅額的算力支出預測與 Sam Altman 的爭議表現
OpenAI 的 CEO Sam Altman 宣布了一個令人震驚的數據：他們計畫在未來幾年內（估計約五年）花費 1.4 兆美元 來取得 30GW 的算力。將此數據與 OpenAI 預估的今年營收（約 130 億美元）相比，這筆花費超過其營收的 100 倍，被認為在任何歷史時間點來看都是極度誇張的比例，1.4 兆美元幾乎等同於一整間特斯拉公司的市值。在一次 Podcast 訪談中，當投資人 Brad Gerstner 提到這項巨額開支時，Sam Altman 表現得極為不滿和具有防禦性，甚至出言批評網路上唱衰 OpenAI 的人。有觀察者認為，Sam Altman 的行為表現讓他聯想起 Theranos 公司的 Elizabeth Holmes，認為他正在對投資人推銷一個「夢想」（AGI），其行徑與「用假象撐到成功」（fake it till you make it）的概念很接近，藉此獲得所需的資金，雖然 OpenAI 確實有做出有價值的產品。

重點3：太空資料中心的潛在優勢與概念驗證
將 AI 資料中心搬到外太空的議題受到科技界的熱烈討論。新創公司 Star Cloud 於今年 11 月發射了一張 NVIDIA H100 GPU 到外太空，進行 AI 模型的推論和微調，這項「概念驗證」（proof of concept）實驗，是人類史上首次在太空運行如此強大的 GPU。若太空資料中心可行，將帶來數千億美元的巨大市場。Star Cloud 提出的三大優勢中，最重要的是 能源與成本。在特定的「晨昏太陽同步軌道」（Don Dusk Sun Synchronous Orbit）上，衛星可以實現一年 365 天、一天 24 小時的持續日照。外太空太陽能的效率比地表高五倍，容量因子（capacity factor）理論上可達 95%，遠高於地表太陽能的 50% 上限。這使太空能源成本理論上能比美國地表電力便宜 22 倍。此外，發射成本若能因 SpaceX Starship 等可重複使用火箭降至每公斤 10 到 30 美元，可使其在 10 年運營期內的總成本遠低於地表。

重點4： 太空資料中心面臨的關鍵技術挑戰
太空資料中心要實用化，必須克服幾個巨大的挑戰。首先是 輻射問題：外太空充滿來自太陽和銀河的高能粒子輻射，會加速設備老化，並可能直接干擾晶片的位元翻轉，導致運算錯誤。解決輻射的方法包括硬體防護罩、晶片級別的增強，以及軟體層面的冗餘運算和頻繁的檢查點（checkpoint）。其次是 散熱問題：資料中心產生的巨大熱能，加上持續吸收的太陽熱能，都需要被有效散出。目前的解決方案是利用巨大的「輻射冷卻板」（radiation cooling）將熱能輻射到極冷的深空。Star Cloud 估算，一個 4 公里 x 4 公里的資料中心可能需要 1 公里 x 4 公里的輻射板。最後，維修和維護 也是挑戰，因為外太空的零件損壞率高。雖然系統設計為模組化，可以選擇將故障模組銷毀於大氣層或運回地球維修，但這對後勤和成本都是考驗。

這篇文章 科技浪｜史上第一張AI晶片登上太空！資料中心的未來是在太空嗎？OpenAI完成盈利重組了 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。