AI 技術前沿
xAI 的 MacroHard：用百萬特斯拉運行「數位員工」的野心
xAI 正在開發一個名為 MacroHard 的專案，目標是打造比人類快 8 倍的「人類模擬器」，並計劃利用全球數百萬輛閒置的特斯拉車載電腦來運行這些數位員工。這個野心勃勃的計畫，可能重新定義 AI …
OpenAI 研究長：Scaling 沒死，我們一年內要讓 AI 當實習生
OpenAI 研究長陳信翰在訪談中給出明確時間軸：一年內讓 AI 實習生參與研發流程，兩年半內實現 AI 端到端獨立研究。他認為「Scaling 已死」是假議題，Pre-training 還有很大空間 …
前 OpenAI 研究員：AGI 還缺兩塊拼圖，2026-2029 年可能達成
Jerry Tworek 主導了 OpenAI 的推理模型開發，親眼見證 Q-Star 第一次展現能力的時刻。他認為目前的模型離 AGI 還有距離，關鍵缺口是架構創新和持續學習。他也分享了對研究文化的 …
比 Transformer 更像人腦思考？Sakana AI 的 Continuous Thought Machine
Sakana AI 發表的 Continuous Thought Machine 獲得 NeurIPS 2025 Spotlight。這個受生物啟發的新架構，透過神經元同步化和自適應計算，展現出類似人 …
「我發明了 Transformer，現在我要取代它」：Llion Jones 為何離開 Transformer 研究
Transformer 共同發明人 Llion Jones 宣布大幅減少 Transformer 研究，轉向探索性研究。他認為 AI 領域陷入「局部最小值」，現有架構雖然夠好，卻阻礙了真正的突破。
Yann LeCun：LLM 永遠無法達到人類智慧，世界模型才是正途
圖靈獎得主 Yann LeCun 離開 Meta 創辦 AMI，主攻世界模型與 JEPA 架構。他直言 LLM 無法處理高維度連續資料，批評矽谷陷入「單一文化」，並預測達到狗的智慧程度是最困難的一步。
M5 晶片的 AI 野心：為什麼 Apple 要在每個 GPU 核心塞入神經加速器
Apple M5 晶片的 AI 效能是 M4 的 3.5 倍，關鍵在於一個架構創新：在每個 GPU 核心內建神經加速器。這篇文章解析這個設計的技術意義，以及它如何支撐 Apple 的裝置端 AI 戰略 …
量子電腦 3-5 年內將破解現有加密——Sundar Pichai 的未來預言
Google 執行長 Sundar Pichai 在 Dreamforce 2025 預測，量子電腦將在 3-5 年內對現有加密系統構成威脅。他還談到數位超級智慧、Google Glass 回歸 …
Karpathy 的教育願景：打造 AI 時代的星際艦隊學院
Andrej Karpathy 為什麼離開 AI 研究前線，轉向教育？他的答案是：他最擔心的不是 AI 會不會成功，而是人類會不會在這個過程中被邊緣化。他正在打造的 Eureka，是他對這個問題的回應 …
十年後，HBF 會比 HBM 更重要：一場可能改變半導體版圖的技術革命
KAIST 金正鎬教授預測，HBF（高頻寬快閃記憶體）將在十年後超越 HBM 成為 AI 半導體的核心。他詳細解釋了 HBF 的技術原理、為什麼 AI 需要它、以及這對三星、SK 海力士 …
AI 的「密碼本」越大越聰明：一位 KAIST 教授的記憶體比喻
KAIST 金正鎬教授用「密碼本」比喻解釋 AI 如何運作：Transformer 模型的 Encoder 把人類語言轉成密碼，Decoder 再解密成答案。這本密碼本越大，AI 就越聰明。而儲存這本 …
Karpathy：「強化學習很糟糕，只是之前的方法更糟」
Andrej Karpathy 對強化學習提出尖銳批評：我們正在「用吸管吸取監督訊號」。人類根本不是這樣學習的。但目前沒有更好的方法，所以我們只能繼續用這個「很糟糕」的工具。
GPU 有 70% 時間在「等記憶體」：AI 半導體的真正瓶頸在哪？
你以為 AI 運算的瓶頸是 GPU 算力不夠？錯了。KAIST 金正鎬教授指出，目前的 AI 晶片有 60-70% 時間在等記憶體送資料。真正的瓶頸是記憶體的頻寬和容量，這解釋了為什麼 HBM 如此重 …
Karpathy：「這是 Agent 的十年，不是 Agent 的一年」
當各大 AI 實驗室都在喊 2025 是 Agent 元年時，Andrej Karpathy 潑了一盆冷水：真正可用的 Agent 還需要十年。這個判斷來自他 15 年的 AI 經驗，以及對業界預測紀 …
Karpathy：「我們不是在建造動物，是在召喚幽靈」
Andrej Karpathy 提出一個引人深思的框架：LLM 不是我們試圖複製的動物智能，而是一種全新的「幽靈」——透過模仿人類網路資料誕生的靈體。這個區別，決定了我們該如何思考 AI 的發展路徑。
AI Coding Agent 的架構演進：從 Amp Code 看 Sub-agent 設計
Coding agent 的核心就是一個 for loop，但魔鬼藏在細節裡。Amp Code 的創辦人 Beyang Liu 深入講解他們如何用 sub-agent 架構解決 context …
從 Code Search 到 AI Agent：Sourcegraph 創辦人如何用 Amp Code 開啟下一局
Sourcegraph 創辦人 Beyang Liu 打造的 Amp Code，不只是另一個 coding agent。這款產品的設計決策——從 sub-agent 架構到終端機廣告補貼——反映了一個 …
AI 基準測試革命——為什麼通用評測無法告訴你 AI 能不能用在你的業務
當 OpenAI 發布新模型，我們會看到各種基準測試分數：編程能力提升 20%、數學推理進步 15%。但這些數字對企業導入 AI 的意義有限。前麥肯錫 QuantumBlack Labs 主管 …
當編輯器變成閱讀器：Amp Code 對開發者工作流的重新想像
Amp Code 創辦人 Beyang Liu 分享一個關鍵洞察：重度使用 coding agent 的開發者，大部分時間都在做 code review，而不是寫程式碼。這個觀察如何影響了 Amp 的 …
Amp Code 的「反常識」設計哲學：為什麼不讓使用者選模型
Amp Code 創辦人 Beyang Liu 分享這款 coding agent 的設計決策：不做模型選擇器、不依賴 MCP、用 sub-agent 取代單一大模型。這些「反常識」選擇背後，是對開發 …