深入AI領域，探索科技未來

一項由北京大學等機構進行的研究測試了七大頂尖 AI 模型在學術誠信上的表現，結果出乎意料：這些被認為聰明絕頂的模型，在面對學術相關問題時，出現錯誤或誤導性回答的比例超過三成。這個數字的意義不在於 AI「會出錯」——這大家都知道——而在於出錯的類型與場景，直接衝擊到學術研究與高等教育中最基本的信任環節。 不是簡單的答錯，而是帶有包裝的錯誤 大部分人對 AI 出錯的印象停留在「胡亂編造答案」或「一本正經說瞎話」。但這份研究顯示的情況更棘手：受測模型在面對學術題目時，並非直接給出明顯荒謬的答案，而是用嚴謹的語氣、完整的段落、甚至引用虛構的文獻，來包裝一個錯誤的結論。 這種有說服力的錯誤，比明顯的錯誤更危險。 以一個實際測試情境為例：當研究者詢問「某個統計方法在樣本數小於...

PowerPoint 應該係好多上班族、老師、培訓導師、顧問最常用，但亦最花時間的工具之一。 你可能已經試過用 ChatGPT 幫你寫簡報大綱、整理 bullet points，甚至叫它幫你生成 slide content。但真正麻煩的地方往往不是「寫幾頁內容」，而是整個 PowerPoint...

OpenClaw開發團隊每月營運成本高達1018萬港元，而且這筆開銷幾乎全部來自AI模型的API費用。當外界還在討論AI創業如何降低成本，這組數字直接揭露了一個殘酷現實：高品質的AI Agent產品，背後需要的算力與模型成本遠超多數人的想像。更值得追問的是，為什麼OpenAI願意承擔這筆帳單？ 這次流出的成本結構其實相當單純。OpenClaw作為一款以程式碼生成與自動化開發為核心的AI Agent工具，每一次用戶請求背後都涉及到大量模型推論。從理解自然語言指令、規劃執行步驟、生成程式碼片段到最終輸出完成，整個過程可能需要數十次甚至上百次的API調用。不像一般聊天機器人只做一次問答，Agent類產品消耗的Token數是幾何級數增長，這直接推高了營運成本。 1018萬港元這個數字之所以震撼，在於它讓圈外人看清楚一件關鍵的事：AI Agent本身的商業模式極度依賴底層模型的定價與補貼策略。如果你的產品每一次執行都要燒掉一定金額的API費用，那你的用戶定價策略就不是「競爭者訂多少我就訂多少」，而是「我能承受多少虧損」。OpenClaw在初期選擇不直接向用戶收取高額費用，顯然背後有更深的算盤。 真正值得關注的是OpenAI全額買單這件事。外界第一反應通常認為這是投資者支持自家生態系的做法，但從另一個角度看，這其實是OpenAI在收集極端情境下的應用數據。OpenClaw這樣的高強度使用者，每天產生大量長上下文、多輪複雜指令的真實用例，對OpenAI來說是最寶貴的模型優化素材。與其花錢請團隊寫測試用例，不如直接補貼一個真正在極限使用產品的開發者，實戰數據遠比實驗室數據有價值。 這種補貼模式其實不是先例。早期的雲端服務商、電商平台、甚至外送平台都用過類似手法——先燒錢讓頭部用戶把服務用熟、用透，從中提煉出產品改進方向，同時製造市場聲量。OpenClaw成為那個被選中的案例，既是因為它的使用場景夠極端，也是因為它在開發者社群裡的影響力夠大。 對一般開發者或AI產品創業者來說，這篇文章最該帶走的一個觀點是：不要看到別人燒錢補貼就跟著學。大多數團隊沒有這種談判籌碼。你們更應該關心的是——在不依賴補貼的情況下，你的產品能不能算出一個合理的邊際成本。如果每一次用戶操作的成本遠高於你能收取的費用，那補貼停的那一天，就是產品結束的那一天。 OpenClaw這次的核心啟示不在於1018萬港元有多貴，而在於它揭開了AI...

OpenAI正在為ChatGPT免費版鋪設廣告系統，核心轉折在於：免費用戶的對話內容將被用於個人化廣告投放。這代表ChatGPT不再只是「附加廣告版位」的AI助手，而是正式成為以用戶對話數據為燃料的廣告平台。最值得留意的是這項改變如何重新劃分了免費與付費用戶之間的隱私邊界——前者成為數據貢獻者，後者才得以保留對話的封閉性。這表面上是多一個營收來源，本質卻是OpenAI對用戶信任底線的測試。 免費與付費的界線，從功能差異變成隱私等級 過去ChatGPT的免費與付費差異主要在功能：GPT-4o的使用次數、進階語音模式、檔案上傳上限。現在多了第三條軸線：數據是否被用於廣告個人化。付費用戶維持不將對話用於廣告定位的承諾，免費用戶則成為廣告系統的數據來源。 這種分層策略在科技業並不新鮮，但對一個以「對話」為核心產品的AI來說，這條界線特別敏感。因為人們在ChatGPT裡說的話，往往比在搜尋引擎輸入的關鍵字更私密、更長、更沒有防備。 具體情境是這樣的：一名免費用戶連續幾週詢問心理健康、職涯焦慮、親子教養等問題，這些對話軌跡足以描繪出精確的用戶輪廓。當這些數據被納入廣告定向系統，用戶在其他平台看到的廣告可能突然「過度貼心」——這種貼心正是來自他以為只在跟AI傾訴的內容。 廣告個人化的技術邏輯，比表面聲明更深入 OpenAI強調不會將原始對話「直接賣給」廣告主，而是透過主題提取、興趣標籤化、情境建模來建立用戶輪廓。聽起來安全，但技術上的緩衝並不等同於體驗上的隔離。系統不需要知道你昨晚十一點打了什麼字，只需要知道你近三十天反覆詢問「失眠怎麼辦」「褪黑激素劑量」「工作壓力大」，就能把你精準歸類為「高壓力上班族／睡眠保健受眾」。 這裡最容易被誤判的風險是：用戶以為「我沒有提供敏感資料」，卻忽略對話本身就是最豐富的行為數據。人們在ChatGPT的提問方式——追問的深度、修正的方向、滿意與否的回饋——比傳統瀏覽紀錄更能預測消費意圖。 當AI比你更清楚你接下來可能需要什麼商品，不是因為它聰明，是因為你把自己訓練成了它的數據集。 數據慣性：比單次對話更難察覺的風險...

AI 影片生成開始進入一個新階段。 以前我們寫 AI 影片 Prompt，很多時候只是描述畫面： 生成一段未來城市的影片。生成一段機械人在街上行走的影片。生成一段產品宣傳短片。 這種寫法不是錯，但通常不夠穩定。因為 AI 並不知道你想要甚麼鏡頭、甚麼光線、甚麼節奏、甚麼風格，也不知道畫面中的角色或物件應該如何移動。...

OpenAI 近期宣稱，其內部與平台上已有高達八成的程式碼由 AI 生成。這個數字一出，立刻成為科技圈熱議焦點。但在一片「AI 即將取代工程師」的驚呼聲中，多位專家選擇踩下煞車——他們質疑的不是 AI 寫程式的能力，而是這個「八成」到底怎麼來的。 這篇文章的核心判斷很直接：問題不在於 AI 能不能輔助開發，而在於「AI...

如果你最近打開 ChatGPT，可能會發現一件奇怪的事：那個讓你手動切換 GPT-5.5 或 GPT-Instant 的下拉選單，消失了。不是 bug，也不是你的帳號有問題，而是 OpenAI 真的把這個選擇權收回去了。 從現在開始，系統會根據你輸入的任務，自動判斷要使用哪個模型，如果遇到複雜任務，還會自動轉入...

OpenAI 前技術長 Mira Murati 在離開一段時間後，近日帶著一個相當大膽的宣告回歸：下一代 AI 不再需要對話框。消息一出，許多人第一個反應是「那以後要怎麼用 AI？」這個問題本身就點出了重點——我們對 AI 的想像，仍然停留在「你問一句，它答一句」的框架裡。而這次的宣布，正是要打破這個框架。...

如果你以為 OpenAI Codex 只是寫 Code 的工具，那你可能低估了它。 很多人聽到 Codex，第一時間會想到 Vibe Coding、寫...

ChatGPT 近期針對引用聊天歷史功能推出了一項重要改進，核心在於更可靠地從過往對話中提取細節。對多數長期使用者來說，這最值得先留意的是：AI 不再只是「大概記得」你上週提過的事，而是能在後續對話中準確召喚具體的數字、名稱與偏好。這次的改進不是介面調整，而是記憶機制底層的可靠性升級，直接影響你能否真正把 ChatGPT 當成一個長期協作夥伴。 以前的痛點：上下文斷裂與細節丟失 過去使用 ChatGPT 處理長期專案時，最常遇到的挫折是「上下文斷裂」。你可能在三天前詳細描述過品牌色碼、客戶名稱或程式架構，但開啟新對話後，AI 要麼完全遺漏，要麼給出近似但錯誤的版本。這種「善忘」迫使許多人不得不反覆複製貼上背景資料，甚至養成「每次開新對話都要先貼一千字前言」的習慣。...

OpenAI 最近在美國 Pro 用戶中推出了 ChatGPT 個人理財功能的預覽版。簡單來說，你可以直接把銀行、信用卡或券商的帳戶連結到 ChatGPT，然後用自然語言問它「我上個月花最多在哪裡？」或「我的投資組合最近表現如何？」它就會像一個理財顧問一樣，給出分析、圖表甚至建議。這不是什麼第三方外掛，而是 ChatGPT 內建的新能力。 我認為這一步比很多人想像中更重要。之前...

Anthropic 最近做了一件事，值得每一個靠 AI 做事的人留意：他們開發出一種自然語言自編碼器，能夠把 Claude 的內部活動——也就是模型在想什麼、注意什麼——直接轉換成人類可讀的文字。 這不是那種「我們更透明了」的公關說法。這是第一次，我們有機會在模型回答之前，實際看到它的運作邏輯被「翻譯」出來。 這件事真正重要的地方，不是技術細節，而是它讓 AI 從一個「你只能相信輸出」的黑箱，開始往「你可以檢查過程」的方向移動。...