On July 9, 2026, Anthropic announced that Ben Bernanke — former Federal Reserve chair, Nobel laureate, the man who ran U.S. monetary policy through the 2008 financial crisis — had joined its Long-Term Benefit Trust. Most coverage filed this under “Bernanke joins Anthropic.” The more interesting story is what, exactly, he joined.

Not the company. Bernanke is not an employee, an executive, or an adviser on retainer. Trustees of the Long-Term Benefit Trust (LTBT) hold no equity in Anthropic, share no profits, and are compensated only for time and service. New trustees are chosen by the sitting ones, in consultation with the company, and the trust operates independently of both management and investors. What Bernanke took is a seat on the small, deliberately unusual body whose job is to hold Anthropic to its stated mission — the responsible development of AI for the long-term benefit of humanity.

To see why that’s a bigger deal than a hire, you have to look at what the trust can actually do.

A mission fuse wired into the corporate charter

Anthropic disclosed the design in 2023: the company issued a special class of stock — Class T — held by the trust. The shares carry no economic interest. What they carry is the power to appoint directors, with the number of seats designed to grow over time and with fundraising milestones, ultimately reaching a majority of the board. That is the design target rather than a snapshot of current control; actual progress depends on board composition and which milestones have been met. But the power is not ornamental. When Netflix co-founder Reed Hastings joined Anthropic’s board in May 2025, that seat was an LTBT appointment.

Set it against the familiar governance toolkit and the strangeness stands out. An ordinary independent director is elected by shareholders and ultimately answers to shareholder value. A corporate “AI ethics board” is usually advisory, with no hard power. The LTBT is something else: an entity with a stock instrument, board seats, and a self-perpetuating membership, wedged between the shareholders and the board. OpenAI’s 2023 boardroom crisis showed how fragile things get when mission oversight collides head-on with a commercial machine; OpenAI has since reorganized its for-profit arm as a public benefit corporation, with the OpenAI Foundation retaining control. The two labs have landed on different architectures for the same problem: OpenAI runs mission control through a nonprofit foundation that controls the operating company; Anthropic runs it through a special-shareholder trust that accumulates board seats — and keeps adding heavyweight members.

With Bernanke, the trust has four: Neil Buddy Shah (chair; CEO of the Clinton Health Access Initiative — global health), Richard Fontaine (CEO of the Center for a New American Security — national security), and Mariano-Florentino Cuéllar (president of the Carnegie Endowment for International Peace and a former California Supreme Court justice — law and policy). Public health, security, law. The missing seat was macroeconomics.

Why Bernanke, specifically

His career splits into three acts, and each maps onto something Anthropic needs.

Act one: the scholar. Bernanke spent over two decades at Princeton, chaired its economics department, and built his academic reputation on the Great Depression — specifically, how the collapse of the banking system turned a recession into a decade-long catastrophe. The 2022 Nobel in economics went jointly to Bernanke, Douglas Diamond, and Philip Dybvig; Bernanke’s cited contribution was the bank-failure channel of the Depression, while Diamond and Dybvig are known for the canonical model of bank runs. Different angles on the same territory: how financial transmission turns shocks into disasters.

Act two: the crisis manager. As Fed chair from 2006 to 2014, he sat in the cockpit through the global financial crisis and the recovery, and made quantitative easing part of the mainstream toolkit. Anthropic president Daniela Amodei drew the line herself: “Ben’s career has run from studying how economies react to disruptive moments to helping steer the world’s largest economy through one such time. His judgment will make us better at anticipating and responding to how advanced AI affects workforces and economies around the world.”

Act three: the credibility. As a Distinguished Fellow at Brookings, Bernanke remains an active voice in Washington policy debates, and a former Fed chair’s name carries instant recognition in central banks, finance ministries, and congressional hearing rooms.

Anthropic, for its part, is the frontier lab that has most explicitly turned “what AI does to the economy” into a formal research program. In early 2025 it launched the Anthropic Economic Index, which analyzes anonymized Claude.ai usage data to see which occupational tasks people delegate to AI — a picture of how Claude is used, not a representative census of AI across the labor market, a caveat Anthropic itself makes. It later added an Economic Futures Program to fund outside research. And CEO Dario Amodei told Axios in May 2025 that AI could eliminate half of entry-level white-collar jobs within one to five years and push unemployment to 10–20% — his estimate, not a consensus view, but a measure of how seriously the company takes the disruption scenario. Putting a Nobel-recognized scholar of economic collapse into the governance layer is a continuation of that line, not a decoration on it.

Three signals

First, economic disruption just got promoted to the governance tier. A celebrity economist can sit on an advisory council or headline a research institute. Anthropic put Bernanke inside the body that appoints directors. A reasonable reading: large-scale economic disruption from AI now sits among the long-term impacts the LTBT exists to police — an object of mission oversight, not just a research topic. Trust chair Shah supplied the caption: “The institutions built around this technology will matter as much as the technology itself.”

Second, this is a bridge to Washington. AI policy is expanding from “is the model safe” into employment, productivity, inflation, and fiscal questions — conversations conducted in the language of central banks and treasuries. When regulators start asking whether AI causes structural unemployment or how productivity gains get distributed, a former Fed chair in the governance layer should, at minimum, raise Anthropic’s standing in those rooms. Whether that converts into actual policy influence remains to be seen.

Third — reading this through the lens of institutional trust and policy communication — governance narrative has become a competitive weapon. Frontier labs compete for compute and talent, but also for being trusted: by governments, by enterprise customers, by researchers who care about the mission. Anthropic has been stacking the LTBT with heavyweights across national security (Fontaine), law (Cuéllar), and now macroeconomics (Bernanke). The message to every stakeholder: the mission lock is real, and it keeps getting thicker. In a market where OpenAI’s governance turmoil is still recent memory, that contrast is differentiation.

The skeptic’s ledger

There are several places to pour cold water.

Start with the role itself. A trusteeship is an oversight seat, not a management job; the announcement discloses nothing about actual time commitment, saying only that Bernanke will lend his insight to Anthropic’s economic research. The depth of his involvement remains to be seen.

Then the structure. The LTBT has had critics since the day it was disclosed. Trustee succession doesn’t run through any outside election, so direct accountability to external stakeholders is limited. And under the arrangements disclosed in 2023, the corporate charter retains a failsafe: with supermajority stockholder approval, the trust’s powers can be amended. In an extreme scenario, the mission lock is not unpickable. The skeptic’s version is blunt: it looks independent until the day it has to face down capital. That doubt doesn’t vanish because a Nobel laureate signed on — if anything, the argument runs the other way: precisely because the structure’s hardness is contested, Anthropic needs the weight of its members to shore up its credibility.

Finally, the coldest reading: appointments like this can be understood as reputational collateral. Bernanke is pledging his credibility against Anthropic’s governance promises; if the company’s words and actions on economic disruption ever diverge, what burns is his name. The collateral is valuable precisely because it would actually burn — which is why a heavyweight taking the seat carries more signal than a hundred pages of responsibility reports.

What to watch

Three markers. One: whether the LTBT’s board seats keep accumulating as designed — the most direct test of how hard the mission lock really is. Two: whether Bernanke’s involvement leaves visible fingerprints — on the Economic Index’s methodology, on policy white papers, on Anthropic’s public positions about AI and employment. Three: whether the other labs follow. If Google DeepMind or OpenAI starts seating macroeconomists in their governance or board layers, that would be a stronger sign that AI’s economic disruption is migrating from journal articles into governance itself.

Bernanke spent a career studying how shocks tear through economies, then spent eight years handling one. The appointment says at least this much: Anthropic treats the economic disruption it may itself cause as a problem that belongs in its governance layer — and from the CEO’s public warnings to this choice of trustee, the company’s own view of the coming shock has never been the optimistic one.

FAQ

Q: What exactly is Ben Bernanke’s role at Anthropic? He is not an employee, executive, or paid adviser. He joined the Long-Term Benefit Trust (LTBT), an independent governance body. Trustees hold no equity in Anthropic, share no profits, and are compensated only for their time and service. Their job is to hold the company to its mission of developing AI responsibly; Bernanke will contribute in particular on AI’s economic effects.

Q: What is Anthropic’s Long-Term Benefit Trust? A governance structure Anthropic disclosed in 2023. The trust holds a special class of stock (Class T) that carries no economic interest but confers the power to appoint board directors — a number designed to grow with time and fundraising milestones, ultimately reaching a board majority. Reed Hastings’s 2025 board seat was an LTBT appointment. With Bernanke, the trust has four members: Neil Buddy Shah (chair), Richard Fontaine, Mariano-Florentino Cuéllar, and Bernanke.

Q: Why did Anthropic pick Bernanke? His résumé maps onto the need: a Nobel-recognized scholar of how bank failures deepened the Great Depression, the Fed chair who steered the U.S. through the 2008 financial crisis, and a still-active voice in Washington policy circles via Brookings. Anthropic has been building a formal research program on AI’s economic effects (the Economic Index, the Economic Futures Program); this appointment pulls that agenda into the governance layer.

Q: Does the trust actually have teeth? There are real caveats. Trustees choose their own successors, so direct accountability to outside stakeholders is limited; and under arrangements disclosed in 2023, the trust’s powers can be amended with supermajority stockholder approval. Critics question how much the structure would hold in a true showdown with capital — which is arguably why the credibility of individual trustees matters so much to the design.

Originally published at https://dvdmaru.com/articles/bernanke-anthropic-ltbt-en/

Sources

Primary (governance structure and core facts)

• Ben Bernanke appointed to Anthropic’s Long-Term Benefit Trust — Anthropic (2026-07-09)

• The Long-Term Benefit Trust — Anthropic (2023)

• The Anthropic Economic Index — Anthropic (2025)

• Anthropic Economic Futures — Anthropic

• Our structure — OpenAI

• The Prize in Economic Sciences 2022 — Nobel Prize press release

• Behind the Curtain: A white-collar bloodbath — Axios interview with Dario Amodei (2025-05-28)

News coverage

• Former Fed Chairman Ben Bernanke Joins Anthropic Oversight Trust — Bloomberg

• Anthropic appoints former Fed Chair Ben Bernanke to its independent trust — CNBC

前言

你大概已經敢用 AI 生一張圖,放進簡報、當社群貼文的配圖,甚至直接交給客戶。

但換成影片呢? 你敢用 AI 生一段三十秒的成片,只做基本審稿就交件嗎? 我猜多數人會頓一下。

這個猶豫很誠實,也很關鍵。同樣是生成式 AI,圖像已經跨進了「能用」,視頻卻還停在「能看熱鬧」的階段:第一次看到那些 demo,你會驚艷得想鼓掌;可是真要拿來做事,你會發現它像在放煙火,絢爛三秒,細看就露餡。

我們在之前那篇〈AI 這兩年到底發生了什麼事〉裡聊過一個概念:能力是一道平滑的斜坡,但「好用」不是,它是一道懸崖。一個工具只要可靠度沒跨過某條線,再聰明都只是玩具;一旦跨過去,它在你眼中就一夜之間從「有趣」變成「能用」。

對多數日常商業場景來說,圖像生成已經跨過了那道「能用」懸崖;視頻,則還常常卡在「看起來驚艷,但不敢直接交件」的位置。

這篇想拆解的是:為什麼? 而且我得先把話講在前面,卡住視頻的,不是「算力還不夠、再等半年就好」這種會自己過去的問題。它前面橫著三道結構性的牆。

多數日常商業場景裡,圖像已跨過「好用懸崖」;視頻則還常卡在可交付性的崖底(by aire 編輯室)

第一道牆 — 時間:影格與影格之間,記憶不夠穩

圖像生成要解的,是「一張靜止畫面對不對」。視頻要解的,是另一個量級的問題:幾百張畫面,必須是同一個世界。

一段看似流暢的影片,其實是每秒二、三十張畫面接續播放。視頻模型不只要把每一張畫好,還要讓第 1 張到第 200 張裡,那個人的臉是同一張臉、那件外套是同一件外套、背景那台車不會憑空長出來又消失。這件事有個名字,叫時間一致性(temporal consistency)。

而這正是現在所有模型共同的軟肋。一個很傳神的描述是:它常常前兩秒看起來完全正確,後三秒就開始不對勁。人物的五官悄悄換了一張臉、手指多一根又少一根、衣服的花紋自己流動起來。

更麻煩的是,這個問題會隨時間累積。片子越長,越晚出現的那一格,要維持前面所有設定的負擔就越重,漂移的機率也越高。這就是為什麼你看到的 AI 影片,大多都不長;也是為什麼在實務製作裡,創作者常把 AI 生成的片段拆成短鏡頭、再靠剪輯接龍 — 不是因為模型完全生不出更長的片子,而是短鏡頭更容易控品質、控連戲,也控住「不滿意就重抽一次」的成本。

換句話說,我們現在不是真的在「生成影片」,比較像在「生成一連串還來得及收手的短鏡頭」。

而這道牆最咬人的地方,正好落在大家最想做的東西上。你想做的,多半不是抽象的風景流動,而是「一個固定的人講一段話」「同一個產品從不同角度展示」這種有主角、要連戲的內容。偏偏「同一張臉、同一件產品,撐過十秒還是同一個」,正是時間一致性最難的考題。風景糊一點你不一定看得出來,但代言人的臉換了、商品的 logo 變了形,觀眾一眼就抓到。越是真實的商業需求,越是直接撞在這道牆上。

第二道牆 — 物理:模型未必真的理解世界怎麼運作

圖像只要「看起來對」就贏了。視頻不行,它還得「動起來也對」。

水要往低處流、被推的杯子會倒、布料有重量會垂、人走路時腳要踏在地上而不是滑行。這些我們視為理所當然的常識,對模型來說全是難題。更精準地說,它主要是從海量影片裡學到「畫面會如何隨時間變化」的統計規律。這些規律有時足以模擬出物理的表象,卻未必等於它真的抽象理解了重力、因果與物體恆常性 — 它賭的是統計上最像的下一格,不是推理出「接下來該發生什麼」。

於是你會看到那些經典的翻車現場:一把義大利麵自己纏進叉子又鑽出來、人走著走著左右腿交換了位置、打碎的玻璃下一秒又拼回原狀。這些都不是畫質問題 — 畫質往往好得驚人 — 而是模型看起來沒有穩定追蹤「剛剛發生了什麼事」。它能畫出「碎裂的樣子」,卻不一定穩定理解「碎了就回不去」這種因果與狀態變化。

這就牽出一場還沒有結論的辯論:這些視頻模型,到底有沒有在它的腦袋裡建立一個世界模型(world model)? 還是它只是一隻非常、非常會猜下一格的鸚鵡? 樂觀的一方相信,模型生成的畫面越合理,代表它正在「悟出」物理規則;懷疑的一方則指著那些倒流的水和交換的腿說:它連最基本的因果都沒搞懂,只是模仿了表面的樣子。

這場辯論之所以重要,是因為它直接決定了第三道牆有多高。

第三道牆 — 取捨:長度、畫質、可控性,你很難三個都要

就算前兩道牆都有解,還有一個更現實的天花板。

生一張圖,成本和等待是秒級的。生一段影片,粗略想就是「一張圖 × 每秒幾十格 × 好幾秒」;它技術上不一定真的一格一格硬畫,但從算力和一致性的負擔來看,確實比單張圖高出一個量級。於是出現一個尷尬的三角:長度、畫質、可控性,你常常只能挑兩個。

要長,畫面就容易糊掉或漂移;要畫質頂,片子就短、就貴;而最難的那一角是可控性 — 你能不能精準指定「這個角色、這個鏡頭、這個動作,然後接這一顆」。偏偏真實創作要的,恰恰就是可控:同一個主角在第 1 秒和第 20 秒得長一模一樣、鏡頭要照你的分鏡走、這一鏡要接得上那一鏡。

這也解釋了一個你可能感受過的落差:為什麼網路上那些 AI 影片 demo 看起來那麼神,真到自己手上做一支「能用的成片」卻那麼掙扎。Demo 的工作,是從幾十次生成裡挑出最驚艷的那一次;成片的工作,是讓它穩定地、可重複地、聽話地產出你要的那一支。前者比的是運氣的上限,後者比的是可靠度的下限 — 而我們已經知道,跨過懸崖靠的從來是下限。

長度、畫質、可控性,目前的模型常常只能挑兩角;而創作最需要的「可控」,正好是最貴的那一角(by aire 編輯室)

那 AI 視頻的「ChatGPT 時刻」,會長什麼樣?

聊到這,你可能會問:那它什麼時候會跨過懸崖?

老實說,沒人能給你一個日期。但我們可以換個更有意思的問法:當那一刻來臨,它會是什麼樣子?

很多人直覺以為,那一刻是「畫質再高一階、再真實一點」。我的猜想剛好相反。畫質早就夠驚艷了 — 真正卡住我們的,是它聽不聽話。所以視頻的 ChatGPT 時刻,大概不會是某支更逼真的 demo,而會是某一天你發現:你能像導演一樣下指令(這個角色、這顆鏡頭、這個動作、接這一段),而它穩穩地照做、連得上戲、還能讓你回頭微調某一個細節而不是整支重抽。從「抽卡」變成「指揮」,那才是懸崖的另一邊。

至於那一天什麼時候到、會怎麼到,這裡誠實地擺兩種可能。一種是,它其實是個工程問題:就像可靠度懸崖那樣,某個訓練範式被找到,我們某天回頭一看,牆已經被跨過去了。另一種是,它是一道更硬的牆:除非模型真的長出某種「世界模型」,真的理解了重力與因果,否則那些漂移和翻車就只是被遮住、不會被根治。

這兩種未來,對應的等待時間可能差很多。而現在,沒有人有把握是哪一種。

結語:在那一刻來臨之前

把這三道牆攤開來看,會得到一個有點反直覺、但其實很務實的結論。

在 AI 視頻跨過它的懸崖之前,最聰明的做法,不是癡癡等一個「一鍵生成完整影片」的按鈕。而是看清楚 AI 現在已經能穩定做好哪些部分 — 寫腳本、配旁白、抓節奏、生單張場景 — 再把這些可靠的零件,接成一條你自己掌控的產線。崖還沒跨過去,不代表你只能在崖底乾等;你完全可以沿著崖壁,先搭一條走得通的路。(這條路具體怎麼搭,我們留到這個系列的後面細聊。)

最後留一個開放的問題給你:當視頻也終於跨過那道懸崖,第一個被徹底改變的,會是誰的工作?

常見問題

AI 圖像已經很好用了,為什麼 AI 視頻還不行?

因為視頻不是「一張圖」,而是「幾百張圖必須是同一個世界」。它多了三道圖像沒有的難關:時間(影格之間要連戲不漂移)、物理(東西要動得符合常識)、以及長度、畫質、可控性之間難以兼得的取捨。這三道是結構性的牆,不是再多等幾個月、算力再大一點就會自動消失。

為什麼 AI 生成的影片大多很短?

因為越長越難維持一致性。模型常常前兩秒看起來對、後三秒就開始崩:人物變形、物件忽現忽滅、鏡頭連戲漂移。誤差會隨時間累積,所以實務上創作者常把 AI 生成片段拆成短鏡頭,再靠剪輯接龍;不是因為模型完全生不出更長影片,而是短鏡頭更容易控品質、控連戲,也更容易控制重抽成本。

什麼是「世界模型」,跟 AI 視頻有什麼關係?

世界模型(world model)指 AI 內建一套「世界怎麼運作」的理解:重力、因果、物體不會無故消失。爭論點在於,現在的視頻模型究竟是學會了這套規則,還是只是非常會猜「下一格畫面通常長什麼樣」的鸚鵡。多數翻車畫面(水倒著流、走路腿交換)顯示它更像後者,而這正是它能不能真正成熟的關鍵。

AI 視頻什麼時候會成熟到能直接交件?

沒人能給確定的時間。但值得注意的是,真正卡住它的可能不是「畫質再高一階」,而是「可控性」:你能不能像導演一樣指定角色、鏡頭、動作,而它穩定照做、連戲、可重複微調。畫質早就夠驚艷,聽不聽話才是那道還沒跨過的懸崖。

前言

2026 年 6 月,一篇大約 7.5 萬字的長文在阿里巴巴的內部網路傳開。沒幾天,一位副總裁在離職時寫下回應,其中一句被反覆轉貼:

「我越來越難確認自己是在創造產品,還是只是在消耗身體追趕一個不斷前移的節奏。」

很多人從這句話裡讀到疲憊、心疼、某種大公司裡的無力。但這篇文章,不打算聊加班,也不打算聊宮鬥。我想借這件事,聊一個更值得想的問題。

這幾年,AI 已經悄悄換了一個身份。它不再只是一個你問一句、它答一句的聊天框;它開始能讀你的檔案、跑你的流程、把一件事從頭到尾動手做完——它越來越像一個你可以「交辦」事情的同事,而不只是一個拿來閒聊的工具。(從競賽冠軍到能用的同事聊的,就是它跨過的這道門檻。)

而當 AI 長成一個能幹活的同事,一個真正「AI Native」的產品到底難在哪,就成了越來越多人要面對的問題。先講一個反直覺的結論:它最難的地方,早就不是技術了。

技術,已經不是門檻了

過去你想做一個軟體產品,光是「把它做出來」這一關,就能擋掉九成的人。

這一兩年,情況開始鬆動。Vibe Coding——用自然語言描述你要什麼、讓 AI 幫你把能跑的東西生出來——作為一種做法,其實已經存在一段時間了。但它真正落地,落到一個沒寫過程式的一般人也能上手、能親手感覺到那個好處,又是另一回事。寫程式這件曾經高聳的本事,正在我們眼前,被下放成一種幾乎人人可得的超能力。(就算你從沒碰過終端機也能上手,講的就是這個轉變。)

當「做得出來」不再稀缺,門檻就整個往上挪了一層。AI 產品真正的勝負手,不在你用了多厲害的模型、多新的框架,而在一個樸素到容易被跳過的問題:你到底想清楚要做什麼、解決什麼、為誰解決了嗎?

技術從門檻變成了地板。站上地板之後,大家比的是別的東西。

真正的考題:沒有 AI 也能做,憑什麼非用 AI?

那個「別的東西」,可以濃縮成一句話:你有沒有給用戶一個「非 AI 不可」的理由?

把它說得更尖銳一點——這件事,沒有 AI,用戶一樣做得完;那他為什麼非要用 AI?

這裡有個值得分清楚的差別。有一種 AI,是讓一件「本來就做得到」的事變快一點:你本來會排版,它幫你排得快些;你本來會寫信,它幫你起個草。方便,但可有可無。另一種 AI,是讓一件「本來幾乎做不到、或累得讓你不想做」的事,第一次變得可能:把一場沒人逐字記錄的會議,變成事後可搜尋、可回溯的內容;把散落在幾十個群組裡的待辦,在你睡前替你收攏成一張清單。

前者,拿掉 AI 你頂多慢一點;後者,拿掉 AI 整件事就垮了。真正站得住的 AI 產品,解的是後面這一種。所以判斷一個 AI 產品來不來真的,有個很好用的問題:把 AI 拿掉,它還活著嗎? 一個翻譯工具,拿掉機器翻譯就只剩空殼,它沒得選;一個記事本加了「AI 潤稿」,拿掉那顆按鈕還是好用的記事本,那 AI 就只是錦上添花。

平心而論:釘釘 One 想解的,正是我們想要的

先把話說在前頭。至少到目前為止,我還很難指著哪個產品說「這就是那個完整、成熟的 AI Native 產品」——也許它已經悄悄存在某處,只是還沒正式登場,只是以我的認知還沒看見;但可以確定的是,這條路大家都還在摸。所以這篇不是要替誰打分數、評斷它做對了幾分,我們也沒這個資格。我只是覺得,釘釘投入的這個 AI 產品(內部代號 One),它想解的那個問題,大概會讓很多認真用過 AI 的人心頭一震——因為它跟我們自己心裡想要的,實在太像了。

從公開的描述看,它想做的事是這樣的:用 AI 幫你把一天工作裡那些複雜、瑣碎的事梳理清楚——下班前,今天有哪些事還沒收尾、要補課、要跟進;隔天上班前,又該怎麼替一整天的工作排兵布陣。這幾個時刻,恰好是每個上班族心裡最焦慮的時刻。

而它確實摸到了一部分「非 AI 不可」的理由。因為現代工作的訊息洪流實在太大了:幾十個群組、幾百則訊息、散落各處的待辦,要一個人保持頭腦清楚地把這一切梳理乾淨,非常耗時間、更耗腦力。這恰恰是人最容易卡住、而 AI 又最幫得上忙的地方。

換句話說,它想做的,是一件真有價值、也真有人需要的事。方向,並沒有走偏。可即便方向對了,事情還是這麼難。難在哪?

那為什麼還是難?——它卡在「為誰」

當你把場景拆得更細,一個要命的問題會浮出來:這個產品,到底是為誰做的?

釘釘面向的客戶,一句話叫「企業」。但「企業」再往下拆,裡頭至少站著兩個角色:老闆,和員工。於是問題來了:這個用來梳理工作、提高效率的 AI,主要該為老闆做,還是為員工做?

從那兩封長文透出來的訊息看,這個問題似乎一直懸在那裡,沒有一個乾脆的答案。而這,恰恰是 AI Native 產品最容易卡死的地方——卡的不是技術做不出來,而是「為誰」這一題,始終沒被回答。

其實這不是釘釘獨有的難題。所有 B2B(企業)軟體都繞不開一個經典的張力:買單的人,和使用的人,常常不是同一個人。 掏錢的是老闆,每天在用的是員工。當這兩個人想要的東西一致,產品就順;一旦他們想要的方向分岔,產品就會在中間被拉扯。而 AI,偏偏把這道裂縫撐得更開了。

老闆要的,和員工要的,是兩回事

為什麼說 AI 把裂縫撐得更開?因為同一個「用 AI 提高效率」,站在老闆和員工兩邊看,根本是兩件事。

站在老闆的角度:用了 AI,就該把省下來的時間拿去做更多的事。AI 省下的兩個小時,不是讓你早走,而是讓你多扛兩個小時的活。

站在員工的角度:用了 AI,最好是能替我減負、讓我輕鬆一點、把人從瑣事裡撈出來。

這兩種期待,從一開始就指向相反的方向。而更微妙的是,現實往往會倒向老闆那一邊——不是因為誰比較壞,而是因為 AI 這個東西的特性,本來就會把人推向「做更多」。

Vibe Coding 落地之後,幾乎每個認真用 AI 的人,都會有一個共同的、有點反直覺的體會:我並沒有比以前輕鬆,我做的事反而更多了。 原因有好幾層。一是那股刺激和亢奮實在太迷人——當你發現一句話就能讓 AI 替你生出一個東西,你會忍不住一直往下試、一直加碼,停不下來。二是邊際成本被打到趨近於零:既然多做一件事幾乎不費力,那為什麼不多做?三是水位被整體拉高了——當所有人都用 AI 把產出撐大,你不撐,反而顯得不夠。

於是 AI 並沒有把人從工作裡解放出來,它把每個人「能做的事」撐得更大,也把「該做多少」的標準,悄悄往上推。

看出那個矛盾了嗎?一個產品如果一邊打著「幫員工減負」的旗號,骨子裡卻長在「要更多產出」的土壤上,這兩股力天生反向。它不是哪個人壞了事,而是這個產品從定義上,就被「為誰」這道題撕成了兩半。

再強調一次:這不是在聊勞資,也不是在聊誰加班加得慘。這是一個很純粹的產品問題——當買單的人和使用的人,想要的方向剛好相反,你這個 AI 到底站誰那邊? 你不先回答這題,做得再炫,它都會在中間裂開。

那,做一個(或挑一個)AI 產品,你該問什麼?

把上面收斂成幾把可以直接用的尺,不管你是想做 AI 產品,還是在挑 AI 工具:

第一把:拿掉 AI,它還剩什麼? 剩一個空殼,代表 AI 是地基,它來真的;剩一個照樣好用的東西,代表 AI 是後來貼上去的賣點。

第二把:它給的「非 AI 不可」理由,對你成立嗎? 是真的幫你解決了一件做不到、或累得要命的事,還是只讓你「快一點點」?後者,別為那層 AI 多付錢。

第三把,也最容易被忽略:它到底為誰而做? 一個說不清楚「主要為誰服務」的 AI 產品,通常就會在買單者和使用者之間被扯裂。而對你自己,還有一個很誠實的小問題可以問:它讓你變輕鬆了,還是只是讓你做了更多?

結尾

回到那兩封長文。釘釘 One 的故事之所以讓這麼多人有共鳴,不是因為它失敗了——前面說過,它想解的問題是真的、踩中的痛點是真的,而一個公認完整成熟的 AI Native 產品,至少到目前,我們也還很少看到——這條路,大家多半都還走在半途。它真正讓人看見的,是另一件事:在技術已經不再是門檻的時代,做一個 AI 原生的產品,最難的從來不是「我們用了多厲害的 AI」。

最難的,是兩個素樸到容易被跳過的問題。第一個:我們到底為誰,解決了一件非它不可的事? 第二個更難——當這個「誰」裡面,站著想法相反的兩種人時,我們敢不敢、又能不能,把話講清楚:我們站誰那邊?

AI 把工具的能力撐到了前所未有的高度,卻沒辦法替你回答「為誰」。同一個 AI,可以幫一個老闆壓出更多效率,也可以幫一個員工奪回一點喘息——端看做產品的人,心裡到底裝著誰。

技術會繼續變便宜,模型會繼續變強。可這兩道題,沒有任何一個模型能替你回答;它們只能,也只該,由人來回答。

本文事實基礎參考馬銳拉《置身釘外》全文,以及新浪科技、澎湃新聞、IT 之家等對《置身釘內》與相關背景的公開報導。文中對釘釘 One 的描述,係根據公開報導與外界討論整理,非官方產品說明;對釘釘及阿里巴巴的內部情況不作評斷,涉及人物與時間以公開報導為準。

一、5 月 13 日，兩座停機坪的同步躁動

2026 年 5 月 13 日下午,台股加權指數收在 41,374.5 點,下跌 523.82 點。台積電(TSMC)當日下跌 1.55% 至新台幣 2,220 元,一檔股票拖累大盤約 278 點;聯發科(MediaTek)同步重挫 5.54%。資金的恐慌與焦慮,沿著台灣最核心的半導體類股,向外擴散到信驊等高價股。這 523 點的單日跌幅,延續的是兩週前 4 月 30 日那次更兇猛的日內震盪:當日加權指數從歷史新高 38,921.95 點下殺至 37,164.44 點,單日振幅 1,757.51 點,成交額飆破 1.4 兆新台幣。從 4 月底到 5 月中,市場用兩週時間,把同一場焦慮分成兩段交易出來。

把鏡頭從台北交易所拉到地球另一端 36 小時前。2026 年 5 月 12 日傍晚 5 時 15 分，美國阿拉斯加州的泰德·史蒂文斯安克雷奇國際機場(Ted Stevens Anchorage International Airport),空氣中飄著零度上下的寒風。一名身穿黑色皮衣、單肩背著背包的 60 多歲男人,在隨行記者團的快門聲中,匆忙走上停機坪,登上了正在加油的美國空軍一號專機。這架專機隨後在傍晚 6 時 48 分起飛,並於阿拉斯加時間凌晨 3 時 50 分降落於北京首都國際機場。男人是輝達(Nvidia)共同創辦人暨執行長黃仁勳(Jensen Huang)。

從白宮最初公布的 16 人訪華商業代表團名單中缺席,到 36 小時內被川普總統親自致電補入隨行,黃仁勳的這場「壓哨登機」並不是行程巧合。這座停機坪上發生的事,直接連動到另一座停機坪(台積電位於新竹、台中、高雄的晶圓廠群),以及整個台灣資本市場的不安全感。如果說 21 世紀的石油是算力(Compute),那麼台灣就是這條新石油時代最關鍵的煉油廠。但煉油廠的主人,從不負責決定誰來提煉、誰來訂價,以及煉好後賣到哪裡去。

二、算力武器化:從國安工具異化為財政槓桿

要理解黃仁勳為何必須在最後一刻登上空軍一號,必須先理解美國對中國高階 AI 晶片的出口管制邏輯,在過去 12 個月內發生了什麼質變。

2026 年 1 月 13 日,美國商務部工業和安全局(Bureau of Industry and Security, BIS)正式發布了一項修訂規則,將原本對中國和澳門出口先進運算半導體的「推定拒絕」(presumption of denial)轉變為「逐案審查」(case-by-case review)。表面上,這扇對華出口的大門被推開了一道窄縫。輝達的 H200,一款配備約 141GB HBM3e 記憶體、總處理效能(Total Processing Performance, TPP)約 15,832 的次世代訓練晶片,恰好擦過 BIS 新規定下 21,000 的 TPP 上限,以及 6,500 GB/s 的 DRAM 記憶體頻寬限制,具備了申請出口許可的基礎資格。

但這扇窄縫背後的合規門檻,幾乎將跨國商業交易升級為國家安全等級的審計。任何想要向中國出口 H200 的廠商,必須同時滿足五項強制性認證:第一,證明美國本土客戶已獲得「充足供應」;第二,提供供應鏈數據證明對華生產不會排擠台積電為美國客戶代工更先進產品(如 Blackwell 架構晶片)的產能;第三,對華出貨量嚴格限制在美國本土銷售數量的 50% 以內;第四,出口商必須對終端客戶執行極致版本的「了解你的客戶」(KYC)程序,並向美國政府提交遠端追蹤識別名單;第五,所有晶片必須先運回美國境內,送交獨立第三方測試機構進行性能驗證。

這套程序最具爭議性的設計,是被業界稱為「川普抽成」(Trump Cut)的 25% 強制性營收抽成。美國政府利用《貿易擴張法》第 232 條款(Section 232 of the Trade Expansion Act),將原本由台積電在台灣完成代工、可以直接出貨給亞洲客戶的高階晶片,人為強制轉運進入美國領土。在完成第三方測試後,美國政府從每一筆對華交易中,合法抽取 25% 的收入。這項抽成從 2025 年 8 月最初提議的 15% 收益分成,在五個月內快速升級為 2026 年 1 月正式落地的 25%。

川普在公開場合對這套政策的描述毫不掩飾。他直言:「儘管這不是最高等級的晶片,但它依然相當出色。中國想要它們,其他人也想要,我們基本上將從這些晶片的銷售中,為美國賺取 25% 的利潤。」

對熟悉傳統出口管制框架的政策觀察者來說,這段話標誌著一個本質的轉變。過去,從冷戰時期的瓦聖納協定(Wassenaar Arrangement)到 2022 年以降的 BIS 半導體出口管制,美國的核心邏輯是「不可賣」,基於國家安全考量,將戰略對手徹底擋在敏感技術之外。但 25% 的營收抽成,加上嚴格監控下的大規模商業銷售許可,實質上承認了 H200 並非絕對不可輸出的「末日級武器」。它成為一種可以被貨幣化、可以用來吸納對手資金、可以反過來補貼美國本土技術生態的超級商業資源。出口管制工具,正在從純粹的國家安全槓桿,異化為產業政策與聯邦財政收入的綜合體。

這個異化過程開創了一個極度危險的先例。當國家安全工具與重商主義關稅的邊界被刻意模糊,全球科技貿易體系將不可避免地走向碎片化。每個國家政府,都將學會利用出口許可作為財政與外交的雙重武器。對台灣讀者來說,需要看穿的是另一層意思:美國正在管的並不是晶片本身,真正在管的是「誰能使用台灣精煉能力產出的算力」。台灣的代工能力,被當成了一個美國有權預先抽成、預先審批、預先限額的全球公共設施。

三、零交付僵局:政策放行卻無人提貨的 paradox

如果算力武器化只停留在抽 25% 成,故事就只是一個重商主義升級版的關稅故事。但真正讓黃仁勳必須親自飛往北京的,是這套政策在中國市場創造出來的一個極度反常的結果:零交付。

根據路透社引述美國 BIS 官員與輝達內部人士的報導,截至 2026 年 5 月中旬,美國商務部已經向約 10 家中國企業核發了 H200 的採購許可證。這份名單幾乎涵蓋中國雲端與互聯網的半壁江山:阿里巴巴(Alibaba)、騰訊(Tencent)、字節跳動(ByteDance)、京東(JD.com),以及聯想(Lenovo)與鴻海/富士康(Foxconn)等少數頂尖硬體製造商也獲得了分銷商資格。每家獲批客戶最高可採購 75,000 顆 H200,總配額理論上接近 75 萬顆,對應價值數百億美元的潛在交易規模。

但實際交付數字,維持在零。

把整條因果鏈拆解開來看 — BIS 新規 1 月 13 日落地、許可證在 2 至 3 月陸續核發、中國買方拿到許可後進入觀望期、測試與轉運程序遲遲未啟動、至 5 月中旬一筆實質交付都沒發生。這並非政策失靈,反映的是政策落地後遇到三層阻力,把供應鏈卡死在「許可證有了,訂單下不下」的中間階段。

零交付背後並非單一原因。商業成本、合規風險、國家戰略安全三重夾擊同時發生,缺一不足以解釋這個違反直覺的市場結果。

第一重夾擊是定價。25% 的政府抽成在會計帳上,輝達無法獨自吸收。為了維持向華爾街交代的毛利率,這筆額外成本必須部分轉嫁給中國終端買家。再加上 H200 必須先運回美國境內、送交獨立第三方測試機構驗證、再轉運出口至中國的合規物流費用,實際終端售價的漲幅遠超 25% 的線性轉嫁。這是一個包含營收抽成、運輸成本、合規驗證、政治不確定性溢價的複合溢價結構。根據矽谷政策研究所(Silicon Valley Policy Institute)等機構的華爾街分析師估算,H200 在中國市場的單價將被推升至超過 35,000 美元的天價,大幅高於同期輝達在其他地區銷售給雲端巨頭的價格。對於原本就在精算每一塊錢算力 ROI 的中國互聯網企業而言,這個價格直接削弱了大規模採購的商業意願。

第二重夾擊是政策。中國工業和信息化部(MIIT)及國家發展和改革委員會等主管機關,在 2026 年第一季發布了新一輪供應鏈指引,強烈建議國內 AI 與雲端業者減少對外國 AI 硬體的依賴,並將採購資源優先轉向國產替代方案。北京當局的核心擔憂在於,如果中國的數位基礎設施持續大規模綁定在美國高度監管的晶片上,等同於把運算主權的關鍵節點交給一個隨時可能撤銷供應或植入後門的對手。在這種強烈的政策暗示下,中國買家在拿到許可證後普遍採取「觀望」(wait and see)態度,不願以實質訂單觸碰政治紅線。

第三重夾擊是合規不確定性。BIS 新規要求的赴美強制測試、KYC 遠端追蹤、供應鏈不排擠美國本土客戶等證明,讓採購流程冗長且充滿撤銷風險。據報導,字節跳動等輝達大客戶在風險評估後,已將數以千億計的 AI 基建預算規模轉向國內供應商。

把三層阻力的疊加效應講白一點:價格讓採購變得不划算,MIIT 引導讓採購變得不政治正確,BIS 合規讓採購變得不確定。三者之中,任何單一一層,都不足以解釋為什麼一張價值幾十億美元的訂單會被擱置;但三層疊在一起,就讓 75 萬顆的許可證額度變成了純粹的紙面數字。

這三重夾擊產生了一個對美國決策者而言完全違反直覺的結果:極限施壓政策,反而為中國國產晶片產業創造了一個由美國親手打造的「保護性溫室」。25% 的川普抽成,變相補貼了華為昇騰系列、寒武紀等本土晶片廠商的市場份額擴張。中國本土 AI 晶片在境內市場的份額,從兩年前的低個位數,迅速攀升至 40% 以上。同期,輝達在中國高階訓練晶片市場的份額,從巔峰期接近 95% 的絕對壟斷,斷崖式跌至接近 0%。值得提醒讀者注意母體:這裡的「40%+」指的是中國境內 AI 加速器採購份額,並非全球高階訓練 GPU 市占;「輝達接近 0%」也限定在受 BIS 許可管制的對華先進晶片出貨範圍,中低階產品線(如 L20)在中國仍有部分銷售。

更具長期戰略殺傷力的,是中國在軟體生態的突破。中國頂尖大型語言模型廠商 DeepSeek 最新發布的 V4 模型,實現了對華為昇騰晶片與輝達 GPU 的雙平台適配。這意味著綁定全球開發者多年的 CUDA 護城河,正在被一個系統性的替代方案逐步解綁。中國國務院副總理丁薛祥近期高調視察華為等科技企業,為本土算力產業注入了前所未有的政策與資金支持。

對台灣讀者來說,這裡需要謹慎區分一件事:國產替代並不代表性能全面追上 H200。昇騰 910C 的單卡訓練效率、CUDA 生態多年累積的開發者厚度、PyTorch 等主流框架的優化深度,與輝達相比仍有結構性落差。真正在發生的,是中國買家開始接受「以效率折損換取供應安全」這個 trade-off — 接受一顆慢一些的晶片、一套還在成熟的工具鏈,只為了確保算力命脈不會在下一個地緣政治週期被切斷。對台積電而言:中國的國產替代,不只是在替代輝達,也在系統性降低對台灣精煉能力的長期依賴。

同時值得注意的,是中國對 AI 算力的內部消化能力,並沒有因為高階晶片受阻而停滯。CBS 新聞團隊在峰會前夕走訪了珠海格力(Gree)的一座「黑燈工廠」(dark factory):一條長達 1,500 英尺的生產線、數百個 AI 控制的黃色機械手臂、每 10 秒組裝約 4,000 個空調零部件、原本 10,000 名工人縮減至 1,000 人(其中三分之一是工程師)。中國目前佔全球製造業總產值約 30%,預估未來四年將攀升至近 50%,加上電力基礎設施的規模優勢,為其龐大資料中心與 AI 模型訓練的能源需求提供了相對充足的保障。對輝達而言,這意味著對手不只是在替代它的晶片,還在系統性地擴大算力的應用場景與內部需求池。

對輝達來說,失去 500 億美元規模的中國 AI 基建市場,不只是當下財報的營收問題。更具毀滅性的是,一旦中國在 3-5 年陣痛期後,成功建立完全不依賴美國知識產權的平行 AI 軟硬體生態,美國將永久失去透過技術標準與生態綁定來影響全球南方國家 AI 發展軌跡的終極戰略槓桿。黃仁勳本人曾公開批評美國的晶片禁令是缺乏自信的「失敗者心態」(loser mentality),警告切斷中國獲取美國技術的途徑,只會加速中國實現半導體全面自主。眼前的零交付僵局,正在印證他的擔憂。

四、台灣的雙重夾擊:產能兩難與議價權危機

把鏡頭拉回新竹科學園區,以及台北 101 隔壁的台積電總部。對台灣半導體供應鏈而言,黃仁勳的這場壓哨登機,既是潛在的巨額訂單,也是複雜的合規地獄。

根據路透社引述輝達內部人士的消息,中國科技企業針對 2026 年所需的 H200 晶片,已向輝達表達了超過 200 萬顆的訂單意向。但輝達當前的全球庫存僅有約 70 萬顆,面對著高達 130 萬顆的供需缺口。為此,輝達已經向台積電提出緊急要求,希望在 2026 年第二季啟動額外的 H200 生產計畫。

問題在於,這份急單對台積電而言並非單純的產能問題,本質上是一場合規地獄。BIS 新規中那條「不能排擠美國本土客戶」的紅線,在實務上轉化為一道極度具體的產能分配問題:台積電在 CoWoS(Chip on Wafer on Substrate)等先進封裝技術上的產能,本就處於全球極度緊俏狀態。如果將大量寶貴產能轉移到為中國市場生產利潤被 25% 抽成侵蝕的 H200,極有可能影響到微軟、Google、Meta、Amazon 等美國本土雲端巨頭對 Blackwell 或更新世代架構晶片的交貨進度。而這些客戶背後,是直接影響華府政治輿論的選區與遊說力量。

把這條合規地獄疊回 5 月 13 日的台股表現,股價反應變得很容易讀懂 — 並且 5/13 的跌幅其實已經被「壓住」過一次。前一天 5 月 12 日,也就是黃仁勳登機當天,台積電在新竹寶山廠宣布 2 奈米試產良率突破 80%,這條技術領先訊號在 5/13 盤中成為市場解讀中的一個支撐因素。即便手上有 2 奈米這張領先技術牌,鋼索依然在晃。把兩週前 4 月 30 日的 1,757 點震盪與 5/13 的 523.82 點跌幅疊起來看,反映的並非單一家公司的 Q1 財報數字。它呈現的是全球資本對於台積電能否在美中博弈夾縫中安全走完這條鋼索的深層焦慮。

在這片震盪當中,鴻海(Foxconn)成為少數逆勢突圍的例外。作為輝達最大的 AI 伺服器代工夥伴,同時也是此次獲得美國商務部 H200 採購批准的少數分銷商之一,鴻海在台股大盤重挫的當日逆勢微漲 0.4% 至新台幣 251 元。隨後公布的 2026 年第一季財報顯示,鴻海 1 至 3 月淨利潤達新台幣 499.2 億元,較去年同期跳增 19%,大幅超越 LSEG 分析師共識 488.8 億元。鴻海的逆勢表現印證了一件事:無論美中如何在晶片出口許可上拉扯,全球 AI 基建對底層算力硬體的需求仍持續成長,位處供應鏈下游的伺服器組裝端正穩穩接住這波 AI 紅利。

但鴻海的好成績,無法掩蓋一個更深層的問題:當算力是新石油,台灣是全球唯一具備規模化精煉能力的煉油廠,我們在這場大棋裡,真的擁有與這個物理位置相稱的議價權嗎?

這個問題的答案,在川普專機抵達北京的前夕,被華盛頓的另一個決策殘酷地揭開了。一項總額高達 140 億美元、涵蓋地對空飛彈、反無人機技術與中程彈藥等關鍵防禦性武器的對台軍售方案,在 2026 年 1 月已經獲得美國國會資深高層的跨黨派批准。但這個軍售包,在國務院後續的行政流程中被無故擱置了數月之久。多名參與審查的美國官員私下向媒體透露,白宮高層下令暫停推遲該計畫的正式提交通知,核心目的是為了確保川普與習近平此次峰會能夠順利進行,避免在出訪前過度刺激北京的政治神經。

由 8 位跨黨派參議員(民主黨的 Jeanne Shaheen、Chris Coons、Elissa Slotkin、Tammy Duckworth、Andy Kim、Jacky Rosen,以及共和黨的 Thom Tillis、John Curtis)聯名致信川普總統,嚴正警告行政部門不應將對台的安全支持作為與中國談判的籌碼。參議員們在信中寫道:「在您下週與中國國家主席習近平舉行峰會之前,我們敦促您和您的團隊明確表示,美國對台灣的支持是不容侵犯的。」

這封信的時機,放在過去一年北京累積堆疊的貿易反制背景中讀,並不孤單。中國商務部(MOFCOM)早在 2025 年 5 月 18 日就宣布,對美國、歐盟、台灣和日本進口的聚甲醛共聚物(POM copolymer)徵收高達 74.9% 的反傾銷稅,持續五年。這項看似遠離 AI 主軸的工業塑膠關稅,在 2026 年峰會召開的當下仍處於執行期內,是北京過去十二個月對美防禦性反制工具箱裡的一環。把時間軸往前推一年,2025 年 4 月,為了報復川普將部分中國商品的進口關稅大幅提高至 145%,中國政府將美國部分進口商品的關稅同步推升至 125%。這場關稅戰直接重創了高度依賴中國市場的美國製造業:波音(Boeing)執行長 Kelly Ortberg、農業巨頭嘉吉(Cargill)執行長 Brian Sikes 出現在訪華代表團名單中,核心原因正是川普必須為這些選區產業爭取訂單,以安撫國內受貿易戰波及的選民。半導體與算力,只是這張多軸交易桌上的其中一條軸。

五、棋盤上的我們:戰略模糊與戰略覺醒的距離

戰略模糊(strategic ambiguity)從來就不是 2026 年才出現的新詞。從 1979 年《台灣關係法》以降,華盛頓對台灣安全承諾的「不明確」設計,長期是維持兩岸現狀的核心工具。但這一次,從 140 億美元軍售案被擱置作為峰會籌碼的決策中,可以清楚看到一個微妙但本質的轉變:戰略模糊,正在從「不明說以維持嚇阻彈性」,異化為「將盟友的安全支持,放在大國交易桌上一起計價」。

中國對這場峰會的訊號傳達同樣不留模糊空間。在川普抵達北京之前,《人民日報》發表了措辭極為強硬的社論,嚴厲警告美國重申台灣問題是中美關係中「不可逾越的第一道紅線」,也是兩國關係中「最大的風險點」。北京當局清楚知道,這場峰會的真正籌碼,不只是黃仁勳口袋裡的 H200 訂單,還包括台灣未來幾年能拿到什麼樣的防禦性武器。

把這些訊號疊在一起看,台灣此刻在棋盤上的位置,可以用一組互相矛盾的事實來描述:一方面,全球 70% 以上的先進製程產能集中在台灣,台積電一家公司在 CoWoS 等先進封裝技術上的市佔接近壟斷地位。沒有台積電,輝達的 H200、AMD 的 MI325X、甚至 Apple 的 M 系列晶片,都無法以當前的良率與成本被生產出來。這是一個短期內物理上幾乎不可繞過的位置。

但另一方面,5 月 13 日台股單日下跌 523.82 點、台積電拖累大盤 278 點、4 月 30 日當天 1,757 點的劇烈震盪,反映的卻是這個「不可繞過」位置背後一個極不舒服的真相:我們的議價權,目前正在被另外兩個首都決定。當華盛頓可以選擇把軍售包擱置作為對北京的善意,當北京可以選擇把台灣問題定義為「第一道紅線」並要求華盛頓配合,當輝達需要在台北的代工夥伴與華盛頓的合規要求之間走鋼索,台灣的角色就在這場大棋裡,正在從一個物理上不可繞過的關鍵節點,逐漸被定義為一個被討論、被定價、但不在談判桌上的對象。

這裡有一個對台灣讀者特別重要的 distinction:被需要,並不等於有議價權。只有當不可繞過的位置被制度化、合約化、政策化 — 轉化為具強制力的長期供應合約、跨國半導體技術同盟、雙邊政府承諾、結構性軍事保障 — 才會真正轉化成議價權。否則,「不可繞過」只是一個被他人拿來相互交易的籌碼價值。台積電的鋼索之所以晃,問題不在我們不夠重要,而在我們的重要性還停留在「市場自然認知」這一層,沒有完成下一步的制度化。

這場大棋還有一條不太常被搬上檯面的隱性軸線:中東。為什麼中東能源安全,會與一顆 AI 晶片的出口許可被擺在同一張談判桌?核心邏輯是,川普政府正把所有對中國具備不對稱槓桿的工具,集中匯總成單一籌碼包 — 算力、能源、關稅、農產、軍售、台灣議題各成一條軸,但全部在同一場 36 小時的峰會裡互換。原訂 2026 年 3 月底至 4 月初舉行的這場峰會被推遲至 5 月中旬,核心原因正是美國與以色列對伊朗的軍事行動讓中東衝突急劇升溫。在這個時間軸上,華府極力要求中國削減對伊朗受制裁石油的購買量,並要求北京發揮影響力確保霍爾木茲海峽(Strait of Hormuz)的航運安全。根據峰會前夕的市場消息,華盛頓與北京已在 5 月 11 日達成初步諒解:中國承諾未來 6 個月減少 15% 的伊朗原油採購,這個 15% 被普遍解讀為交換黃仁勳訪華這張籌碼的「過橋費」。把這條軸線疊回算力議題,川普最後一刻邀請黃仁勳隨行的決策邏輯就變得清晰:中東配合 + 波音飛機與農產品實質讓步 → 美國可考慮放寬 H200 出口或重議 25% 抽成;反之則加碼禁運與關稅。這是一種將科技霸權與地緣政治、傳統能源安全深度綁定的極限施壓策略。對台灣而言,我們在這條多軸捆綁的交易桌上,目前甚至不確定自己被算在哪一條軸的籌碼欄裡。

更具長期警示意味的是中國國產替代的時間軸。如果華為昇騰加 DeepSeek 的軟硬體組合,在未來 3-5 年內成功完成關鍵節點的國產替代,北京對台積電先進製程的依賴將顯著下降。屆時,台灣手上那張「全球唯一精煉廠」的牌,在中國這一側的議價權將被結構性削弱。同時,美國雖然短期內仍高度依賴台積電的代工能力,但 Arizona 與 Ohio 的美國本土晶圓廠正在加速建設,儘管成本與良率仍有顯著差距,十年期的方向已經明確。需要區分清楚的是:這些新廠在短期內並不要取代台灣的角色,目標是降低華府對台灣的單點依賴。真正受到影響的,是十年期的談判心理,而非三年內的產能現實。但對機構投資人與政策制定者來說,「十年期的談判心理」恰恰是現在就要開始計入估值與政策設計的東西。

把這個時間軸算清楚,5 月 13 日的台股震盪就有了完全不同的解讀。1,757 點不只是一個技術性的單日振幅,而是全球資本對台灣未來十年議價權軌跡的一次集體投票。

六、結語:煉油廠悖論

回到 5 月 12 日傍晚的安克雷奇停機坪。

當黃仁勳穿著那件標誌性的黑色皮衣登上空軍一號的舷梯,他背包裡裝的,是整個美國維持 21 世紀科技霸權與中國不可阻擋崛起之間,最尖銳結構性矛盾的一個具體切片。

對輝達來說,黃仁勳的這場 36 小時北京之行,是試圖在中國國產算力生態徹底固化之前,搶回 500 億美元市場規模的最後窗口。對川普政府來說,這是將 AI 算力的供給權,作為宏觀外交槓桿體系終極武器的具體實踐。對北京來說,這是在硬脫鉤壓力下,測試華府願意在哪些議題上交換多少籌碼的關鍵試探。

而對台灣來說,這場戲的最核心問題,不是黃仁勳會不會帶著 H200 訂單回美國,也不是台積電能不能在合規地獄裡找到產能平衡點,甚至不是 140 億美元軍售案最終能不能在峰會結束後解凍。真正的問題是:當算力成為新石油,當我們是這條新石油時代最關鍵的煉油廠,我們有沒有能力,在自己的議價權被另外兩個首都決定之前,建立起一套不只是依賴物理位置、而是依賴戰略意志的覺醒機制?

把這個問題拆給三類讀者各自帶一份具體的事情走。對機構投資人而言,接下來幾季要追蹤的指標,並非輝達股價單日波動,而要看 H200 許可證何時轉為實質交付、CoWoS 產能如何在台灣與 Arizona 之間被配置、台積電與伺服器代工鏈的風險溢價差異。對政策制定者而言,真正該做的事,是把「不可繞過」加速制度化、合約化、政策化 — 半導體產業合作協議、雙邊政府結構性承諾、跨國技術同盟,任何能把市場自然認知轉化為制度文本的工具,都應該被加速啟動。對台灣半導體與供應鏈高層而言,合規風險、客戶組合多元化、產能保留條款、地緣政治情境模擬,需要正式納入 2026 至 2030 年的策略規劃,不能再被當成法務或公共事務部門才需要處理的邊緣議題。

煉油廠的主人,從不負責決定誰來提煉,誰來訂價,以及煉好後賣到哪裡去。這是一個結構上的事實,在 5 月 12 日黃仁勳最後一刻加入訪華行程的那一刻,被毫無懸念地揭開。1,757 點的單日震盪、523.82 點的盤後跌幅、5.3 兆美元的市值、130 萬顆的供需缺口、140 億美元的軍售延遲,這些數字並非市場雜訊。它們是台灣不可繞過性正在被重新定價的一連串訊號。

從那一刻開始,台灣的議題就不再是「我們是否被討論」,而是「我們是否被聽見」 — 被華府聽見、被北京聽見、被資本市場聽見、被自己的政策制定者聽見。

關於作者

dvdmaru,獨立開發者,長期關注 AI、半導體與台灣產業的交叉地帶。

如果你讀完這篇文章覺得「演算法巨變的時代,我自己能做什麼?」,可以看看我經營的 aire:一個收錄 27 個 AI 工具的中文導航網站,專為非工程師設計,每個工具都經過實測篩選。其中關於「非工程師如何上手 Vibe Coding」的系列文章,正是試圖回答這個時代下普通人的入場問題。

如果這篇文章對你有幫助,歡迎訂閱我的 Substack,後續會持續推送科技地緣政治、AI 工具實戰、台灣產業觀察的深度長文。

本文原刊於 Medium：https://medium.com/@dvdmaru/算力即新石油-台股一日震盪-1-757-點-台灣的議價權還剩多少-e789dc3ed0d6

你有沒有過這種經驗：跟 AI 聊到一半，它突然忘了前面說的所有事？

不是隔了幾天忘，是同一場對話，聊到第三十幾則的時候，你說「照前面討論的方案改」，它回你「不好意思，可以再說一次是哪個方案嗎？」

或者更刺激的：你讓它改一個檔案，它改完之後整個專案壞了，你指出問題，它信心滿滿地說「應該沒問題了」——然後壞得更徹底。

這不是 AI 笨。這是它的「身體結構」有問題。

想像一個人，他的大腦、雙手、和記憶全部長在同一個器官裡。這個器官一次只能做一件事，手在寫字的時候腦就不能想別的，記憶空間用完了舊的就自動消失。聽起來荒謬？但這就是現在大多數 AI Agent 的真實架構。

2026 年 4 月 8 日，Anthropic 發了一篇工程部落格，標題叫〈Scaling Managed Agents: Decoupling the brain from the hands〉。作者是 Lance Martin、Gabe Cemaj 和 Michael Cohen。同時間，他們推出了 Claude Managed Agents 的公開測試版。

這篇文章的重點不在產品功能，而在一個架構決策：把 AI Agent 的「大腦」和「雙手」拆開管理。這件事為什麼比任何新模型都重要？

一間餐廳的故事

想像你開了一間餐廳。

一開始生意不大，你請了一個很厲害的廚師。這個廚師什麼都自己來：點餐、備料、炒菜、擺盤、洗碗。廚房只有一間，所有東西都在裡面，他一個人搞定。

生意好的時候，這套模式跑得動。但問題很快就來了。

第一個問題：廚師生病了，整間餐廳停擺。因為所有東西都在他腦袋裡——哪道菜用什麼醬、常客的忌口、今天進了什麼貨。他不在，沒有人接得上。

第二個問題：客人越來越多，但廚師只有一個。有些客人只是要杯水，也得等廚師忙完才能處理。所有需求，不管大小，都擠在同一個人、同一間廚房裡。

第三個問題最隱蔽：這個廚師能碰到所有東西。客人的信用卡資料放在櫃檯抽屜裡，廚師隨時能拿到。你信任他，所以不覺得有問題。但如果有一天廚師被替換了呢？或者他被人操控了呢？

這就是 2024 到 2025 年大多數 AI Agent 的真實狀態。

模型、記憶、工具執行、密鑰管理，全部擠在同一個程序裡。AI 的「大腦」（負責思考和決策）和「雙手」（負責執行程式碼、操作檔案）住在同一個容器裡，共享同一塊記憶體。

現在，想像你重新設計這間餐廳。

廚師還是那個廚師，但他只負責一件事：看菜單、決定怎麼做、發指令。

備料、切菜、炒菜，交給不同的工作站。每個工作站是獨立的——砧板壞了換一個，不影響爐台。工作站不需要知道客人是誰，也碰不到櫃檯的信用卡。

最關鍵的改變：所有點單記錄、出菜紀錄、客人的特殊需求，不再存在廚師的腦袋裡，而是寫在一本共用的日誌本上。廚師換人了？新廚師翻開日誌本，五分鐘內就能接手。

這就是 Anthropic 做的事。他們把廚師（Brain）、工作站（Hands）、和日誌本（Session）拆開了。

Anthropic 到底發布了什麼

讓我把技術語言翻成人話。

Anthropic 在那篇工程部落格裡描述了一個架構，把 AI Agent 拆成三個獨立的組件：

Brain（大腦）：就是 Claude 模型本身，加上圍繞它的「指揮迴圈」（他們叫 harness）。大腦的工作是思考、判斷、決定下一步要做什麼。它不直接碰任何系統資源——不跑程式碼、不改檔案、不連資料庫。它只發指令。

Hands（雙手）：一個隔離的沙箱環境。所有「動手做」的事情都在這裡發生——跑 Python、執行 shell 指令、讀寫檔案。關鍵是：這個沙箱是用完即丟的。壞了就換一個新的，不需要修理。而且沙箱碰不到任何長期密鑰——你的 API key、你的資料庫密碼、你的 OAuth token，沙箱通通看不到。

Session（記憶日誌）：一個獨立的、只能追加不能修改的事件記錄（append-only event log）。AI 做過的每一個決策、每一次工具呼叫、每一個觀察結果，全部寫在這裡。Session 不屬於大腦，也不屬於雙手。它獨立存在。

三個組件各自獨立，互不信任。

這不是功能更新。是一次架構層級的重設計——把「一個萬能助手」拆成「三個各司其職、互相制衡的系統」。

Anthropic 工程師在文章裡寫了一句很精準的話：「The harness doesn’t know whether the sandbox is a container, a phone, or a Pokémon emulator.」——指揮迴圈不在乎沙箱到底是容器、手機、還是一台寶可夢模擬器。接口對得上，背後跑什麼都行。

抽象？來看三個你會實際感受到的好處。

為什麼要把大腦和雙手拆開

1. 壞了不怕

在舊的架構裡，AI 的大腦和雙手住在同一個容器裡。容器掛了，什麼都沒了——對話記錄、執行到一半的程式碼、中間產出的檔案，全部消失。

Anthropic 自己也踩過這個坑。他們在部落格裡用了一個 DevOps 領域的老比喻：Pets vs. Cattle（寵物 vs. 牛群）。

寵物是什麼？就是你精心照顧、幫它取名字、它生病了你會焦慮的那種伺服器。它壞了你得修理它，因為它是獨一無二的。

牛群是什麼？就是牧場裡的牛。每一頭都有編號，但沒有名字。某一頭牛不行了，你換一頭，牧場照常運轉。

Anthropic 說，他們一開始的架構就像養寵物——一個容器把所有東西包在一起，出了事就是災難。改成三組件架構之後，大腦掛了換一個大腦，沙箱壞了換一個沙箱，Session 是獨立的，記憶不會丟。

每一個組件都變成了牛群裡的一頭牛：可替換、可丟棄、不需要心疼。

這對一般使用者意味著什麼？意味著你讓 AI 跑一個需要三小時的任務，跑到第二個半小時的時候，就算背後的容器出了問題，你的進度不會消失。系統自動換一個新容器，從 Session 裡讀回所有記錄，繼續跑。

你不需要知道背後發生了什麼事。你只需要知道：你的東西還在。

對企業用戶來說，這個好處更關鍵。你讓 AI Agent 跑一個會計對帳的任務，中間涉及幾千筆交易。如果跑到第兩千筆的時候容器掛了，在舊架構裡你只能從頭來過。在新架構裡，系統從 Session 的第兩千筆接上，繼續跑完剩下的。沒有重複工作，沒有資料遺失。

2. 快了很多

原理很簡單：不是每次聊天都需要動手。

你問 AI「這個架構怎麼設計比較好？」，它只需要想，不用跑程式碼。但舊架構裡大腦和雙手綁在一起，就算只是思考，系統也要先把沙箱開起來、容器準備好，才能開始回應。

你只是想問「有什麼推薦？」，服務生卻說「等一下，我先預熱烤箱。」

拆開之後呢？不需要沙箱的對話，直接跳過容器啟動，大腦立刻開始思考。

數據很亮眼。Anthropic 公開了實測結果：

• p50 的首字回應時間（TTFT）降了大約 60%

• p95 降了超過 90%

p50 是什麼意思？就是「一半的請求都能在這個時間內收到第一個字」。p95 就是「95% 的請求都能在這個時間內收到」。

p95 降超過 90%，意思是那些原本等最久的請求（通常是最複雜的任務），等待時間砍掉了九成以上。

你體感上的差異就是：以前問一個問題，可能要等個幾秒鐘才開始看到回應。現在幾乎是話音剛落，字就開始跑出來。

3. 安全不靠自律

這是三個好處裡最重要的，但也最不直覺的。

現在大多數 AI 工具怎麼處理安全問題？靠「提醒」。在系統提示詞裡寫：「不要洩露使用者的密碼」「不要把 API key 印出來」「遇到敏感資訊要遮蔽」。

這就像你跟一個新來的員工說：「保險箱密碼是 1234，但你千萬不要告訴別人喔。」

他不洩露，純粹因為他「記得你說不要講」。他碰得到，只是選擇不碰。

Managed Agents 的做法完全不同。它從架構上就讓 AI 碰不到你的密碼。

具體怎麼做的？Anthropic 在部落格裡講了兩個例子：

Git 的密鑰處理：當 Agent 需要存取程式碼倉庫時，存取權杖（token）只在初始化階段使用——用來把程式碼複製（clone）進沙箱。一旦複製完成，token 就不再出現在沙箱裡。Agent 之後的 push 和 pull 操作可以正常運作，但它從頭到尾沒有機會「看到」或「拿到」那個 token。

MCP/OAuth 的密鑰處理：權杖存在一個安全保管庫（vault）裡。沙箱需要呼叫外部 API 時，由一個專門的代理程式（proxy）去保管庫拿 token、完成認證、轉發請求。Agent 和沙箱都碰不到 token——它們甚至不知道 token 長什麼樣子。

這就是「結構性安全」和「提醒式安全」的本質區別。

結構性安全的意思是：就算 AI 被 prompt injection 攻擊了、就算有人在輸入裡藏了惡意指令讓 AI 洩露密鑰——它也辦不到，因為密鑰根本不在它的世界裡。

這不是一個功能。這是一個結構上的保證。

對於處理敏感資料的企業——醫療、金融、法務——這個設計差異可能是「能不能上線」和「永遠只能當玩具」的分界線。

「上下文」不再是聊天記錄

Session 可能是這整篇文章裡最容易被忽略的亮點。

它解決一個大多數人都有、但沒意識到的問題。

你跟 ChatGPT 或 Claude 聊天，聊到第一百則的時候，你會發現：AI 開始忘東西了。你前面辛苦討論了半小時的決策，它突然好像完全沒聽過。

這不是 bug。這是「上下文視窗」（context window）的物理限制。

上下文視窗就是 AI 的「工作記憶」——像你桌上的空間，就這麼大。新資料放上來，舊的就得推下去。

兩年前上限是 4,096 個 token（大約三千字）。現在最大升到一百萬 token（大約七十五萬字）。聽起來夠大了？但一個跑好幾小時的任務，中間幾百次工具呼叫，這個空間還是會滿。

滿了之後怎麼辦？系統會「壓縮」——把早期的對話摘要化，只保留重點。但摘要一定會丟資訊，細節就是會不見。

這就像一個人只有短期記憶，而且桌子會自動把舊的紙推到地上。你跟他講過的重要決定，過了一陣子他就記不清了。

Session 的設計直接解決了這個問題。

在 Managed Agents 裡，Session 是一個獨立於大腦之外的、持久的事件記錄。AI 做過的每一個動作、每一次思考、每一個工具呼叫的結果，全部按照時間順序記錄在 Session 裡，而且只能追加，不能修改。

大腦不需要把所有資訊塞進自己的上下文視窗。它可以隨時回去翻 Session——就像翻一本日誌。需要三小時前的某個決定？去 Session 裡查。需要確認某個檔案之前的內容？去 Session 裡找。

Anthropic 的定義很精確：Session 是一個「活在上下文視窗之外的上下文物件」（a context object that lives outside Claude’s context window）。

這句話的意思是：AI 的記憶不再受限於它的工作桌面大小。桌子還是那張桌子，但旁邊多了一整面書架。桌上放不下的東西，隨時可以從書架上抽出來看。

Session 還有個關鍵設計：getEvents() 介面可以用位置參數切片。你可以指定「給我第 50 到第 75 個事件」，精準定位到某個時間點。AI 不用靠「回想」（容易出錯），改成「查詢」（確定準確）。

這改變了什麼？

舉個具體場景。你讓 AI 幫你做一份市場研究報告。它花了兩個小時收集資料、整理數據、產出初稿。你看完說：「第三段的數據來源不對，用回你一個半小時前找到的那份 Statista 報告。」

在舊架構裡，AI 可能已經忘了那份報告。它的上下文視窗裡塞滿了後來的操作，早期的搜尋結果已經被壓縮掉了。你得自己去找那份報告的連結重新貼給它。

在 Session 架構裡，AI 去 Session 查一個半小時前的事件記錄，找到那次搜尋的完整結果，直接引用。你說「用回那個」，它就能用回那個。

以前的 AI 對話是一條單行道。資訊只能往前跑，過了就過了。你想讓 AI 回頭看，得自己把資訊複製貼上重新餵給它。

Session 把單行道變成了一個可查詢的資料庫。AI 不再是只有短期記憶的人，而是有完整日誌系統的工作者。

聽起來是技術細節，但影響是根本性的。AI Agent 從此能做真正的長時間任務——跑好幾個小時、上百個步驟、中間還能回頭檢視決策的那種複雜工作。

還有一個常被忽略的好處：Session 是「只能追加不能修改」的。這意味著什麼？AI 不能偷偷改寫自己的歷史記錄。它三小時前做了一個錯誤判斷，那個判斷永遠記在 Session 裡。你可以回溯、可以追究、可以分析「它為什麼在那個時間點做了那個決定」。

這對 debug 極其重要。也對信任極其重要。因為你可以審計它。

對 Agent 生態的衝擊

這一段要講的是 Anthropic 這篇文章的弦外之音。他們沒有明說，但如果你在這個產業裡，你會聽出來。

先解釋一個術語：Harness。

在 AI Agent 的語境裡，Harness 就是「那個負責指揮 AI、管理對話迴圈、決定什麼時候呼叫什麼工具」的程式。你可以把它想成一個指揮官——模型是士兵，工具是武器，Harness 負責決定「現在派誰去、用什麼武器、打哪裡」。

2024 到 2025 年，整個 AI 產業最熱門的賽道之一就是「做 Harness」。LangChain、CrewAI、AutoGen、LlamaIndex——這些框架做的事情本質上都是同一件：在模型和工具之間搭一座橋，讓你能用比較方便的方式建造 Agent。

它們賣的東西，就是 Harness。

但 Anthropic 在部落格裡寫了一段非常耐人尋味的話。他們說，Harness 會「encode assumptions that go stale」——指揮迴圈裡編寫的假設，會隨著模型進步而過時。

什麼意思？

2024 年的 Claude 可能需要你在 Harness 裡寫一大堆提示詞來引導它正確使用工具。但 2026 年的 Claude 已經內建了工具使用的能力，那些精心設計的引導邏輯反而變成了干擾。

Harness 跟模型越綁越緊，模型一升級，Harness 就得大改。這不是 bug，是結構性問題。

Anthropic 的解法是什麼？把介面標準化。

他們說：「We’re opinionated about the shape of these interfaces, not about what runs behind them.」——我們對介面的形狀有意見，但對介面背後跑什麼沒意見。

翻譯成人話：Anthropic 把 Brain、Hands、Session 之間的溝通協議固定下來，形成穩定的介面。你的 Harness 只需要遵守這些介面，背後的實作怎麼改都行。模型升級了？沒關係，介面不變，你的 Harness 不用動。

這對 LangChain 們意味著什麼？

我的理解是這樣的——Anthropic 在暗示一件事：Harness 這層最終會變成薄薄的一層膠水程式碼。隨著模型越來越聰明，Harness 需要做的事情越來越少，它從一個「有技術門檻的複雜框架」退化成一個「呼叫 API 的簡單迴圈」。

這有點像 Apple 做晶片的邏輯。Apple 做 M1 的時候，整個產業在賣的是「讓 Intel 晶片跑得更好的軟體優化層」。Apple 說：我直接從晶片開始重做，你那層優化不需要了。

Anthropic 的訊息是類似的：我們從模型和介面開始重做，你的 Harness 框架會越來越薄。

但——我得在這裡加一個但是。

這個判斷有 Anthropic 的立場。他們是模型公司，他們當然希望價值集中在模型層。LangChain 的人一定不同意這個敘事。他們會說：「真實世界的 Agent 需要處理的複雜度遠超過模型能力，Harness 不會消失。」

誰對？老實說，我不確定。但趨勢的方向看得到：模型能力在加速提升，Harness 需要處理的「模型不會做的事」在持續縮小。2024 年你得靠 LangChain 才能穩定執行 Agent。2026 年 Anthropic 直接給你 Managed Agents，Harness 都不用自己寫。

而且 Managed Agents 的定價也耐人尋味：每個 Session 每小時收 0.08 美元，加上標準的 API token 費。這個定價結構暗示 Anthropic 想讓 Harness 層的門檻低到近乎免費——他們真正要賺的是模型呼叫的 token 錢。

如果 Harness 變成基礎設施供應商免費附送的東西，那些以「Harness 即產品」為商業模式的公司，得找到新的價值錨點。不然就會變成「被系統附帶功能取代的第三方外掛」。

這不是「誰死誰活」的問題。是「價值重心在移動」的問題。

跟你有什麼關係

如果你不是工程師，可能覺得前面都是基礎設施的事。但其實跟你有關。

我每天用 Claude 的 Cowork 模式開發好幾個 side project。我不是工程師——所有程式碼、檔案管理、測試都交給 Claude。

但我踩過所有 Anthropic 試圖解決的那些坑。

記憶會斷。 一場 Cowork 對話做到後面，Claude 會開始忘記前面討論過的架構決策。我曾經花了半小時跟 Claude 討論一個短網址服務的配色方案，決定用 Slate Blue 色系。結果同一場對話過了兩個小時，我說「把之前選的色系套進去」，Claude 回我：「請問你想用什麼配色方案？」

我的解法？自己設計了一套「三層記憶系統」。L0 是全局索引（一個叫 CLAUDE.md 的檔案，兩百多行，記錄所有專案的一句話現況和關鍵約束），L1 是每個專案的狀態文件（PROJECT-STATUS.md），L2 是詳細的技術記憶和決策記錄。每次開新的工作對話，我用一個「三行框架」起手——專案名稱、階段、這次要做什麼——Claude 讀完記憶檔案後恢復上下文。

你看出來了嗎？我手動建了一個 Session。只是我的 Session 是 Markdown 檔案加上一套人工操作的紀律，而 Managed Agents 的 Session 是 API 和事件日誌。

壞了很怕。 Claude 改完程式碼後，有時候整個專案 build 失敗。最慘的一次是改了一個 Astro 元件的 CSS，結果觸發了 TypeScript 型別錯誤，連帶把另外三個頁面搞壞了。Claude 跟我說「應該沒問題了」，我推上去才發現白屏。

我設計了「Hooks 品質閘門」：改完 .astro 檔要跑 astro check，改完 .py 要跑 python -m py_compile，改完 .json 要跑 json.tool 驗證。每一次修改都必須立刻做局部驗證，不能只說「沒問題」就收工。

這就是 Managed Agents 裡 Hands（沙箱）的隔離邏輯——執行環境是受控的、可驗證的、壞了可以丟掉換新的。

安全靠紀律。 Cowork 的 VM 環境沒有我的 GitHub credentials，所以所有 git push 都要我自己在 Mac 終端機上手動執行。Claude 寫完程式碼，我得自己切到 Terminal，跑 git add、git commit、git push。Cowork 沒有刻意這樣設計，是環境限制逼出來的結果。但它等效於 Managed Agents 的 credential isolation——AI 碰不到我的密鑰，推送必須經過我。

大腦和雙手已經是分開的。 Claude 在雲端的 VM 裡思考和執行輕量級操作（讀檔、寫程式碼、跑 Python），但需要真正跟外界互動的事情（git push、npm build、wrangler deploy）都得交給我在 Mac 上手動執行。

思考在一邊，執行在另一邊。大腦和雙手物理上就是分開的。我就是那個 proxy。

Managed Agents 在說什麼？它在說：你現在手動做的事——記住對話、驗證品質、隔離密鑰——系統會幫你自動化。

我花了幾個月建立的三層記憶、品質閘門、同步協議，都是手工打造的。每次開工要啟動、改完要驗證、結束要同步。有效，但繁瑣。

Managed Agents 的 Session 設計，就是要把這套流程變成基礎設施。記憶管理不會消失，但它會像作業系統管理硬碟讀寫頭一樣——你用不著操心了。

對普通使用者來說，Managed Agents 落地之後，你會感受到的變化大概是這些：

你的 AI 不會再突然失憶了。原因不在視窗變大，在於記憶有了獨立的儲存和查詢系統。

你讓 AI 跑長時間任務不用再盯著了。任務跑到一半掛了，系統自動恢復。你明天醒來，結果就在那裡。

你不用再擔心 AI 能碰到你的密碼了。它從架構上就碰不到。

這些看起來是理所當然的事，但要做到，需要的不是更聰明的模型，而是更聰明的架構。

從養寵物到放牧

回到 Pets vs. Cattle 的比喻。

過去三年，我們跟 AI 的關係很像養寵物。你幫它取名字（「我的 Claude」），你花時間訓練它（精心設計的系統提示詞），它有脾氣你就哄它（反覆調整 prompt），它掛了你會沮喪（對話記錄全部消失）。

這種關係很溫暖，但不能規模化。

你沒辦法同時養一百隻寵物。你也沒辦法在寵物生病的時候，立刻用另一隻完全相同的寵物替換它——因為每一隻都是獨特的，都帶著只屬於它的記憶和經驗。

Managed Agents 的設計，是把 AI Agent 從寵物變成牛群。

聽起來冷酷？也許。但想一下：你希望你的銀行系統是一隻精心照顧的寵物伺服器，還是一群隨時可替換的牛群？

你一定選牛群。因為牛群意味著：其中一頭出了問題，系統不會停擺。你的錢還在，你的資料還在，服務照常運轉。

AI Agent 的未來也是一樣的。

未來你用的 AI 助手，背後是一群無狀態、可替換、分工明確的組件在協同運作，不再是「一個越來越聰明的個體」。大腦負責想，雙手負責做，記憶寫在獨立的日誌裡。任何一個部件壞了，換一個，系統繼續跑。

它不需要有名字。它不需要「記得你」——因為記憶不在它腦袋裡，在 Session 裡。

這是不是代表 AI 變得更「機械」了？表面上是。但實際上，正因為架構是可靠的，你才能真正信任它。

你信任的不是一個模型的「善意」。你信任的是一個系統的「設計」。

就像你不需要信任每一個銀行行員不會偷你的錢——你信任的是銀行的內控制度、分權制衡的架構、和獨立稽核的機制。

Anthropic 用一篇工程部落格講了一件很大的事：AI Agent 要從「手工藝品」變成「工業製品」。

手工藝品精緻、獨特、不可替換。但它不能量產，不能容錯，出了問題就是災難。

工業製品標準化、可替換、可大規模部署。它不浪漫，但它可靠。

而可靠，是信任的前提。

這篇工程部落格只有幾千字，但它畫出了一條清楚的路線：AI Agent 的競爭不在「誰的模型最聰明」，而在「誰的系統架構最讓人放心」。大腦會繼續進化，但大腦不等於全部。雙手要安全，記憶要持久，三者之間的介面要穩定。

做到這些，AI 才能從「很厲害的聊天對象」變成「你敢放手讓它跑八小時不管的同事」。

如果你正在手動管理 AI 的記憶和品質——別擔心，你沒有白費力。你的實踐正好驗證了 Managed Agents 要解決的問題。當系統追上來的時候，你最懂它的價值。

參考資料:

• Scaling Managed Agents: Decoupling the brain from the hands — Anthropic Engineering Blog

• Claude Managed Agents Overview — Claude API Docs

前言

2026 年走到春末，AI 圖像生成這條賽道已經分出明顯的隊伍。早期那種「什麼都能畫，什麼都不夠好」的狀態退場了，剩下的工具各自往自己擅長的方向收斂。

這篇是 aire 編輯室 2026 上半年的觀察筆記，挑出市場上四個最具代表性的工具：Midjourney、Stable Diffusion（含 Flux）、ChatGPT Images 2.0、Ideogram，各代表一種技術路線與使用情境。寫法不走 spec 全面對照，而是先把四種定位的差異講清楚，再用一張對照表收尾，方便你在挑工具之前先挑情境。

四個工具現在各自的版本與切入點如下：Midjourney 的當家版本是 V7，V8.1 alpha 已於 2026 年 4 月 14 日在 alpha.midjourney.com 推出，核心是 Omni Reference 取代舊的 character reference 系統 + 新增 Draft Mode。Stable Diffusion 母公司 Stability AI 最新公開模型是 SD 3.5（2024 年 10 月發布，三個版本 8B Large / 8B Large Turbo / 2.5B Medium），但開源生態的話題早已轉向 Black Forest Labs 出品的 Flux 系列。ChatGPT Images 2.0（GPT Image 2）是 OpenAI 2026 年 4 月 21 日發表的全新模型，2K 解析度 + 99% 任意語系文字準確度 + 對話式 reasoning 流程一次到位。Ideogram 主推的 3.0 版（2025 年 3 月發布）持續鎖定文字排版這個其他模型長期偏弱的角落，文字準確率報導值在 90-95%。

下面分四節，看四種定位各自要解的問題。

Midjourney：藝術性的天花板

Midjourney V7 介面截圖（by aire 編輯室，2026-04-29）

Midjourney 的位置一直很穩。它沒有特別便宜，也不開源，介面甚至不算現代，但在「美感」這件事上，仍是市場上最少需要解釋的工具。

定價與層級

V7 時代的 Midjourney 採四層月費制：Basic $10、Standard $30、Pro $60、Mega $120（年繳一律打 8 折，等於 $8 / $24 / $48 / $96）。沒有 free tier，所有層級都附帶商業使用權。

Stealth Mode（生成不公開到 gallery）僅 Pro 以上可用，這是商業客戶會多花一倍預算到 $60/月起跳的主因。設計給客戶看的草圖如果都進公開 gallery，是個合約風險，外加智慧財產管理問題。

Standard 以上同時開放 Relax Mode 無上限生成，對個人創作者來說是甜蜜點：每月 $30 換來「排隊但無上限」的幾乎全包體驗，比 Basic 的限額制度划算很多。

V7 帶來的差別

V7 跟前代最大差別是 Omni Reference — 一個取代舊 character reference 系統的新方案，能在多張圖之間維持人物、物件、構圖的一致性，而不只是「臉長得像」。對劇本式插畫、漫畫分鏡、品牌視覺 set 都是有意義的升級。同時 V7 對手部、肢體、文字渲染也補了一輪（V6.1 已經修了大部分，V7 是進一步優化）。

新增的 Draft Mode 讓 Midjourney 終於有個快速廉價的生成模式，適合做初步構想 brainstorm，等選定方向再切回標準模式 upscale。對工作流程影響不小，因為 Midjourney 過去最常被批評的就是「每次 generation 都要等」。

V8.1 alpha 在 2026 年 4 月 14 日於 alpha.midjourney.com 上線，目前還沒進主站跟 Discord，是給願意當 early tester 的用戶試水溫，可以視為下半年的方向預告。

適合誰

Midjourney 仍是商業視覺設計師的首選風格探索工具。許多人把它當成第一輪靈感入口，挑出對的方向後，再用其他工具補完細節（例如 Photoshop 修圖、Stable Diffusion 做變體、Ideogram 補文字排版）。它的優勢從來不在功能多寡，而在於初出圖那一刻的質感。

Stable Diffusion：自由度與在地部署

Stable Diffusion / Flux 介面截圖（by aire 編輯室，2026-04-29）

Stable Diffusion 屬於另一條線。當你在意資料不離開本機、要做大量批次運算、或想做高度客製化的微調，這條開源路線目前仍是少數選擇。

模型生態現況

Stability AI 自家的最新模型是 SD 3.5（2024 年 10 月推出），三個版本：8B Large、8B Large Turbo（4 步快速生成）、2.5B Medium。SD 3.5 採用新的 MMDiT（Multi-Modal Diffusion Transformer）架構 + T5 文字編碼器，在文字渲染與多物件複雜 prompt 上有顯著進步。

但開源社群的話題早已轉移。2024 年初，幾位 Stable Diffusion 原作者（包含 Robin Rombach）離開 Stability AI 創辦 Black Forest Labs，當年 8 月發表 FLUX.1 直接登上 benchmark 榜首；Flux 2 在 2025 年底推出，把品質再推一輪。現在開源圈子的標配工作流程，多半是 SDXL（2023 年 7 月推出，1024x1024 原生解析度）+ ControlNet/LoRA 做風格控制，搭配 Flux 做高品質照片寫實 + 文字渲染。SD 3.5 屬於 Stability AI 自家的選項，但市場熱度不及 Flux。

硬體門檻

本地部署的 VRAM 要求是這條路線的主要篩選器：SD 1.5 需 4GB 起跳、SDXL 建議 8-12GB、SD 3.5 Large 則需 16-24GB 才能流暢運作。對個人玩家，二手 RTX 3090（24GB VRAM）是過去兩年的甜蜜點機型；2025 年 1 月 NVIDIA 發布 RTX 5090（32GB）/ 5080（16GB）後，記憶體配置才開始有比較合理的新選擇。

ComfyUI 仍是社群最普及的本地端 UI，它的 node-based workflow 對工程背景的人很順手，對美術背景的人則需要一段學習曲線。Automatic1111 的 webui 則持續維護，但社群熱度逐步轉向 ComfyUI。

適合誰

開源路線的 ROI 在「規模 + 客製化」兩個軸上才會打贏付費 API。如果你只是偶爾出圖，付 Midjourney 一個月 $30 比裝 SD + ComfyUI + 學 LoRA + 維護模型權重來得划算。

但如果你的需求是：每週上千張 batch、要 fine-tune 自己的風格、資料保密在本機（律師事務所、醫療影像、情色內容、商業敏感素材等）、或者想用 ControlNet 做精準 layout 控制 — 這條路線目前仍是少數選擇。長期看，本地端運算的 AI 工具會繼續是一個獨立的小生態。

ChatGPT Images 2.0：對話即產出

ChatGPT Images 2.0 對話介面截圖（by aire 編輯室，2026-04-29）

OpenAI 在 2026 年 4 月 21 日發表 ChatGPT Images 2.0（內部代號 GPT Image 2），把圖像生成正式收進對話流程。它的價值不只是畫圖，而是把「描述、修改、討論、再生成」整段過程接在同一個介面裡。

技術升級重點

GPT Image 2 是 OpenAI 第一個導入 O-series reasoning 能力的圖像模型，主要規格五點：① 任意語系文字準確度約 99% ② 內建 reasoning 後再生成（模型會檢查自己的輸出）③ 跨輪對話編輯不漂移 ④ 單張可放 100+ 物件 ⑤ 任何風格畫質不掉檔。

2K 解析度是穩定支援，2K 以上仍在 beta。寬高比範圍 3:1 到 1:3，單一 prompt 可生成最多 8 張角色與物件連續性的圖。

兩段存取模式

服務分 Instant Mode（免費）跟 Thinking Mode（Plus / Pro / Business）。

Instant 適合快速試色、素材級用途；Thinking 走完整 reasoning + web search，適合需要精確 brand reference、複雜 layout、多重相依條件 prompt 的場景。差別不在於「畫得更精緻」這種表淺修辭，而是模型在生成前會先用 LLM 推理（評估 prompt 內部一致性、查 web 找 reference），再決定怎麼下筆。對於需要同時滿足品牌準確、場景準確、光線一致這類多重相依條件的 prompt，Thinking Mode 的差距會比一般情境更明顯。

API 走 token 計價：input $8/百萬 token、cached input $2/百萬 token、output $30/百萬 token。換算每張圖約 $0.04-0.35 不等，視 prompt 複雜度跟解析度而定。API 對開發者開放時間是 2026 年 5 月初。

適合誰

對不熟設計術語的使用者，這個體驗門檻最低。對熟練 Photoshop / Illustrator 的設計師，GPT Image 2 在「快速做出一張 OK 但需要後製細節」的場景優勢明顯，可以取代過去花在 stock photo / placeholder 的時間。

但若需求是高藝術性 / 風格獨特性，仍會回頭找 Midjourney。GPT Image 2 的「對話即產出」是降低門檻，不是提高上限。

Ideogram：文字排版的補位者

Ideogram 3.0 介面截圖（by aire 編輯室，2026-04-29）

Ideogram 處理的是其他工具長期偏弱的角落：把文字準確排在影像裡。海報、Logo 草圖、社群圖卡這類有字的場景，它的命中率明顯高於通用模型。

文字渲染的真實水準

Ideogram 3.0（2025 年 3 月發布）報導的文字準確度約 90-95%。對 1-2 行短字（標題、Logo wordmark）幾乎無誤；對長段排版仍會出現字距、邊緣 artifact 問題，但比 SD/MJ 兩條路線都好太多。

新增字型風格包含手寫、3D、塗鴉等，加上專屬的 Typography tag 強化文字場景的提示詞處理。Ideogram 的文字準確率報導值是基於英文與西歐語系；CJK 語系（中文、日文、韓文）的實際表現各家評測結果不一，建議真實使用前先以自己的常用字、品牌字測試一輪再下決定。

工作流工具

Canvas Editor 提供 inpainting / outpainting，把生成圖直接切成可繼續編輯的工作區。Magic Fill 用來局部重畫。Style Reference 接受 3 張參考圖，產生可儲存的 Style Code 跨次重用 — 對品牌一致性需求非常實用。

Batch Generation（Pro 限定）支援 CSV 批次產出，是廣告投放素材的常見用法：上傳一份標題 / slogan / 商品 SKU 的 CSV，一次出幾百張差異化版本。對 performance marketing 團隊是時間槓桿。

定價與可用層級

定價結構在 2026 年初有調整：Basic ($7) 已停止對外販售，現在主要付費層是 Plus 跟 Pro（後者含 3000 priority credits + bulk CSV）。Free plan 仍提供每週 10 張 slow credits 額度，門檻很低。

適合誰

把 Ideogram 跟前面三個工具並列來看，它的角色是補位，跟那三個工具屬於不同問題的解。海報、Logo 草圖、社群圖卡、廣告 banner 這類「圖片裡有字」場景，Ideogram 命中率明顯高於通用模型。

對品牌設計師、廣告 creative、社群小編是必要工具；對純藝術創作者意義較小。

一張對照表

四個工具放在一起，最快的差異對照如下：

Midjourney（V7 / V8.1 alpha）

• 核心優勢：美感與風格密度

• 主要弱點：介面陽春、商用 Stealth 鎖 Pro+

• 定價區間（月）：$10–$120

• 適合場景：商業設計師、視覺探索

Stable Diffusion / Flux（SD 3.5 / Flux 2）

• 核心優勢：開源、本地、可微調

• 主要弱點：硬體門檻高（VRAM 16-24GB）

• 定價區間（月）：自架硬體成本

• 適合場景：工程團隊、批次需求、保密場景

ChatGPT Images 2.0（GPT Image 2，4/21 發布）

• 核心優勢：對話流程、文字 99% 準確

• 主要弱點：API 5 月才開放、Thinking 鎖 Plus+

• 定價區間（月）：$20–$200

• 適合場景：非設計背景使用者、快速產出

Ideogram（3.0，2025/03 發布）

• 核心優勢：影像中文字排版 90-95%

• 主要弱點：純藝術風格相對偏弱

• 定價區間（月）：免費 + Plus / Pro

• 適合場景：海報、Logo、社群圖卡

怎麼選

如果你只能選一個工具，問自己三個問題：

1. 我畫的東西是要展示風格還是要解決問題？ 風格優先選 Midjourney；問題優先選 ChatGPT Images 2.0

2. 我有沒有上千張的批次需求或保密需求？ 有的話，本地端 SD/Flux 的 ROI 才會打贏付費 API

3. 我的圖裡會有字嗎？ 海報、Logo、社群圖卡優先選 Ideogram，其他工具的文字準確度仍跟它有段距離

這三題的答案多半比工具本身更重要。許多人的真實工作流程是「組合拳」 — Midjourney 出風格、Ideogram 補文字、ChatGPT Images 2.0 做快速原型、SD/Flux 處理批次跟保密 — 這四個工具不是互相替代的關係，是同一個 toolkit 的不同抽屜。

結語

四個工具不在同一條跑道上競爭。Midjourney 賣質感，Stable Diffusion 賣自由，ChatGPT Images 2.0 賣對話流程，Ideogram 賣文字排版。

挑工具之前先挑使用情境，這個答案多半比工具本身更重要。

2026 年下半年值得關注的方向：Midjourney V8.1 alpha 是否走出 Discord、ChatGPT Images 2.0 API 開放後的價格戰、Flux 3 / SD 4 是否還會出、以及四家是否都會內建 video 生成把賽道再合併一輪。半年後我們再寫一篇對照看。

資料來源：本文 spec、定價、版本資訊來自 2026-04-29 各官網與第三方評測整理。Midjourney V7 / V8.1 alpha 資訊來自 docs.midjourney.com 與 alpha.midjourney.com 公告；Stable Diffusion 3.5 / Flux 系列資訊來自 stability.ai、Hugging Face、Black Forest Labs 公告；ChatGPT Images 2.0 資訊來自 OpenAI 2026-04-21 發表頁；Ideogram 3.0 資訊來自 ideogram.ai/features/3.0 與 docs.ideogram.ai。後續價格、版本若有變動，以各官網公告為準。