科技新聞

ChatGPT「圖庫」雲端功能上線：檔案影像自動保存、跨對話即取即用，工作流會怎麼變？

ChatGPT「圖庫」雲端功能上線：檔案影像自動保存、跨對話即取即用，工作流會怎麼變？

ChatGPT 近期推出「圖庫」雲端功能，主打自動保存你在對話中產生或上傳的檔案與影像，並且能在不同對話間快速調用。這看似只是「多一個存檔位置」，但對內容產製、設計協作、行銷素材管理與知識工作者的日常流程，影響其實很直接：你不再需要回去翻舊對話找附件，也更容易把 ChatGPT 變成一個可持續累積的「素材工作台」。 「圖庫」到底解決了什麼痛點？ 以往使用 ChatGPT 做內容或設計輔助，常見情境是： 你在某次對話中產出圖片、簡報、表格或草稿，隔天要再用卻找不到原本那段對話 同一份素材要在不同任務中重複上傳（耗時、版本容易亂） 團隊內部要對齊「這張圖是最新版嗎？」常常靠人工命名或丟到另一個雲端硬碟才安心 「圖庫」把這些問題收斂成一件事：把對話內的檔案與影像從『一次性附件』，提升為『可重複使用的資產』。當你能跨對話即時調用素材，很多工作就會從「每次重做」變成「持續迭代」。 內容行銷與品牌團隊：素材迭代速度會明顯變快 對內容行銷來說，最常被浪費時間的不是寫，而是「找」。例如： 文章用的主視覺、資訊圖表、短影音封面圖 不同渠道需要的尺寸版本（1:1、4:5、16:9） 同一組活動的 EDM 圖檔、Banner、社群貼文視覺 有了圖庫後，你可以在新對話直接叫出先前用過的視覺，請 ChatGPT： 依不同渠道快速改尺寸與版面（並保留一致的品牌元素） 針對同一張圖產出多版本文案與 CTA，做...
OpenAI 關閉 Sora 代表什麼？從原因推測到替代方案，創作者與企業該如何應對

OpenAI 關閉 Sora 代表什麼？從原因推測到替代方案，創作者與企業該如何應對

OpenAI 宣布關閉 Sora（其文字生成影片能力的代表性產品／研究方向），對內容創作圈與 AI 影音工具鏈是一個明顯訊號：生成式影片不只拚技術突破，更同時受制於成本、版權、濫用風險與商業模式的現實拉扯。 以下以「你可能已經用過、正在評估導入、或只是關注趨勢」三種角度，拆解這件事的意義與接下來該做的準備。 Sora 曾被期待解決什麼問題？ 生成式影片的痛點不在「能不能做出畫面」，而在「能不能穩定、可控、可交付」。Sora 之所以引起關注，核心是它承諾把文字指令轉成更長、更一致的影片，並在鏡頭語言、物件一致性、運鏡與情境連貫上往「可用於商業流程」推進。 對行銷與內容團隊來說，這類工具常見期待包括： 快速產出分鏡概念與提案影片：在前期就把想法視覺化，縮短溝通成本。 大量版本測試：同一個腳本快速生成多版本素材，做 A/B 測試或在不同平台投放。 降低外包與拍攝門檻：把一部分成本從拍攝、棚拍、場地轉移到後製與合規。 當這樣的「可交付」期待被按下暫停鍵，影響的不只是單一產品，而是整個工作流程的規劃方式。 為什麼會關閉？從產業常見因素推測 官方公告通常會給出方向性理由，但外界更關心的是：這是短期調整，還是策略轉向？在不假設細節的前提下，生成式影片產品被關閉常見原因大致落在四類： 運算成本與延遲壓力 影片生成比圖像更吃算力與時間，若要做到可商用的穩定性，成本可能難以用現有訂閱或授權模式回收。 安全與濫用風險門檻更高 影片更容易被用於仿冒、造假、誤導式剪輯。即使有浮水印、內容審核、身份驗證，仍可能難以滿足監管與平台規範的要求。 版權與資料來源爭議...
Gemini 香港全面開放：一篇看懂開通方法、實用用法與風險（懶人包攻略）

Gemini 香港全面開放：一篇看懂開通方法、實用用法與風險（懶人包攻略）

Gemini 在香港「全面開放」的意義，不只是多了一個 AI 聊天工具可用，而是 Google 把 Gemini 的核心體驗（多模態理解、與 Google 服務的整合、以及進階方案）更完整地帶到本地市場。對香港讀者而言，最直接的改變是：更容易以日常帳戶直接使用、以繁體中文完成工作流程，並在學習、辦公、內容創作與開發上，有更低門檻的 AI 助手可選。 以下用一篇懶人包，帶你由「怎樣開通」到「怎樣用得值」，同時把常見限制與風險講清楚。 香港用戶現在能用到哪些 Gemini 形式？ 一般用戶在香港最常接觸的 Gemini 入口，大致分成三類： Gemini 網頁版：適合快速問答、寫作、摘要、翻譯、整理資料。 手機 App（Android /...
生成式 AI 正在重寫 Z 世代的職場與教育：機會在哪、焦慮從何而來？

生成式 AI 正在重寫 Z 世代的職場與教育：機會在哪、焦慮從何而來？

生成式 AI 不只是多了一個「更會寫作的工具」，而是把「如何學習、如何工作、如何被評估」整套規則都推進重算。對正處在升學、實習、第一份工作交界的 Z 世代而言，這波改變帶來明顯的兩面性：一邊是效率與門檻下降的機會，另一邊是能力被稀釋、被取代或被誤解的焦慮。 Z 世代為何特別「有感」？ Z 世代多半在數位環境中長大，對工具更新的接受度高，也更習慣用搜尋、社群與短內容快速補洞。但生成式 AI 讓「取得答案」變得太容易，學校與公司開始更在意「你怎麼得出答案、能不能負責」，導致 Z 世代面臨一種新型壓力：即使你做得更快，別人也會懷疑你是不是「靠 AI」。 更關鍵的是，Z 世代經常同時扮演兩種身分： – 在校生：成績、作業、作品集被 AI 重新定義。 – 職場新鮮人：工作流程與技能要求在一年內可能就翻新。 這使他們比其他世代更常遇到「規則尚未定型」的轉換期。 教育端：從「禁止」走向「可驗證的使用」...
OpenAI 對上 Anthropic：從 AI 監管到廣告戰，誰在改寫產業規則？

OpenAI 對上 Anthropic：從 AI 監管到廣告戰，誰在改寫產業規則？

在生成式 AI 進入主流應用後，OpenAI 與 Anthropic 的競爭早已不只是「模型誰更強」。兩家公司的路線之爭，正延伸到三個更關鍵的戰場：AI 監管話語權、品牌與廣告攻防、以及雲端與企業採購鏈的權力重分配。理解這場角力，能幫你看清未來幾年 AI 產品會怎麼被管、怎麼被賣，以及誰最可能成為企業與政府的「預設供應商」。 兩種路線：產品擴張 vs. 安全治理 OpenAI 的強項在於把模型快速產品化並規模化：從 ChatGPT 的大眾化入口、到企業版與開發者 API 生態，主打「先把市場做大」。這條路線的優點是迭代速度快、資料回饋多、開發者黏著度高；風險則在於外溢影響也更快出現，例如錯誤資訊、提示注入（prompt injection）、資料外洩與版權爭議等，都會在大規模使用下被放大。 Anthropic 的敘事更偏向「安全與可控」：以憲法式 AI（Constitutional AI）等概念，強調模型行為可被規範、可稽核、可降低有害輸出。這種定位對企業法務、合規團隊與政府機關特別有吸引力，因為他們要的不是炫技，而是可預期、可證明、可承擔。 這裡的關鍵不是誰比較道德，而是：...
Claude Code Remote Control 行動版來了：把 AI 開發工作站放進口袋，跨裝置寫程式的新節奏

Claude Code Remote Control 行動版來了：把 AI 開發工作站放進口袋，跨裝置寫程式的新節奏

在「AI 幫你寫程式」逐漸變成日常之後，下一個痛點很快浮現：你不可能永遠坐在電腦前。當需求臨時變更、CI 失敗、線上出現告警、或你只想在通勤時把一段重構思路記下來，傳統流程往往只剩「先記在備忘錄，回到桌面再做」這種低效率選項。 Claude Code Remote Control 行動版的核心價值，就是把 Claude Code 從「只能在固定工作站使用的 AI 編程工具」，推進到「可跨裝置操控的開發工作流」。手機不再只是訊息通知器，而是能在你離開座位時，依然維持開發節奏的控制台。 這不是把 IDE 搬到手機，而是把「決策與推進」搬到手機 很多人聽到行動版，第一直覺是「在手機上寫程式」。但真正有用的情境，往往不是長時間輸入程式碼，而是： 快速理解狀態：目前改了哪些檔案、測試失敗原因、PR 討論重點、下一步該做什麼。 下指令推進任務：請 Claude 針對某段差異做風險評估、產生修補、補測試、更新文件、整理 commit 訊息。...
小米 MiMo‑V2‑TTS 登場：細粒度情感控制，讓 AI Agent 說話更有人味？

小米 MiMo‑V2‑TTS 登場：細粒度情感控制，讓 AI Agent 說話更有人味？

MiMo‑V2‑TTS 在做什麼：把「會說話」提升到「會表達」 語音合成（TTS）早已不稀奇，但多數產品仍停留在「字念得準、聲音夠順」；真正讓人感到自然的，往往是語氣、停頓、輕重音、情緒強度這些細節。小米推出的 AI 語音大模型 MiMo‑V2‑TTS，主打細粒度情感控制，目的就是讓語音不只像真人，更能在不同情境下「表達得像真人」。 對正在發展 AI Agent（能自主執行任務的助理/代理）的人來說，這個方向很關鍵：Agent 若只會冷冰冰地回覆，互動體驗很難跨過「工具」門檻；而一旦語音能帶出安撫、提醒、關懷或緊迫感，使用者更容易把它當成可溝通的「服務角色」。 情感控制為何重要：它影響的不只是好聽 細粒度情感控制不只是把聲音調成「開心、難過」這種粗分類，而是更接近人類語音的連續光譜，例如： 同一句話在不同任務下需要不同語氣意圖（提醒、道歉、鼓勵、警示） 情緒不只種類，還有強度與變化曲線（先平靜、後堅定） 更自然的韻律與停頓，能降低「機器感」與聽覺疲勞 當語音被用在客服、醫療提醒、車載助理或兒童教育時，語氣的好壞會直接影響信任感、理解度與完成率。換句話說，TTS 從「聲音輸出」走向「互動品質控制」。 對哪些人最有感：Agent、客服、內容與遊戲 1) AI Agent 與智慧助理 能依情境調整語氣的 TTS，會讓...
「龍蝦軍團」要把工作交給 AI：阿里巴巴企業級 Agent 平台「悟空」到底能做什麼？

「龍蝦軍團」要把工作交給 AI：阿里巴巴企業級 Agent 平台「悟空」到底能做什麼？

阿里巴巴近期推出企業級 AI Agent 平台「悟空」，並用「24 小時自動化的龍蝦軍團」作為核心敘事：把一群可分工、可協作、可輪班的 AI 代理人（Agent）變成企業可調度的「數位勞動力」。 這不只是又一個聊天機器人。若它真的能把「從需求→拆解任務→呼叫工具→寫入系統→回報結果」整段流程做成可治理的企業平台，代表企業導入生成式 AI 的重心，正在從「回答問題」轉向「完成任務」。 為什麼大家都在做 Agent？因為聊天已經不夠用 企業最常見的痛點不是「缺少內容」，而是「流程太碎、系統太多、人力被雜務吃掉」。傳統 RPA 擅長固定流程，但遇到例外狀況就容易卡關；而 LLM 擅長理解與生成，但若沒有工具與權限，就只能停留在建議層。 Agent 的定位正好在兩者之間： 能理解任務：把自然語言需求拆成步驟與條件。 能動手做事：串接 API、資料庫、工單、CRM、ERP 等工具。 能協作與交接：多個...
GPT-5.4 mini 與 nano 登場：2 倍速度、逼近旗艦效能，小模型時代真的來了？

GPT-5.4 mini 與 nano 登場：2 倍速度、逼近旗艦效能，小模型時代真的來了？

OpenAI 近期推出兩款全新小型模型 GPT-5.4 mini 與 GPT-5.4 nano，主打「速度提升 2 倍」且在多數任務上「表現直逼旗艦級」。這不是單純的規格更新，而是把生成式 AI 的重心，從「追求最強」拉回到「更快、更穩、更便宜、更好整合」的現實需求。 對多數產品與內容團隊來說，真正卡住的往往不是模型不夠聰明，而是 延遲、成本、併發量、可控性。mini 與 nano 的出現，代表 OpenAI 正在把「可大規模落地」視為優先目標。 小模型為什麼突然變得關鍵？ 當 AI 從試用走向正式上線，你會很快遇到三個痛點： 延遲：客服、即時助理、推薦與搜尋輔助，使用者對「等一下」的容忍度極低。 成本：高頻率、長對話、多人同時使用的場景，最終會變成帳單問題。...
小紅書全面治理「AI託管」帳號：自動發文與假互動為何成為高風險操作？

小紅書全面治理「AI託管」帳號：自動發文與假互動為何成為高風險操作？

小紅書近期針對所謂「AI 託管」帳號加強治理，重點不在於「不能用 AI」，而是鎖定一類更具破壞性的做法：用系統自動生成內容、批量發佈，甚至模擬真人互動（自動留言、私訊、追蹤、按讚），讓帳號看起來像真實使用者在經營，實際上卻是機器在跑流程。 這波行動傳遞的訊號很明確：平台要保住內容生態的可信度與互動品質，而「自動化＋偽裝真人」被視為踩到紅線。 什麼是「AI 託管」？為何平台特別敏感 在行銷圈或代營運圈，「託管」常被包裝成省時、省人力：你只要付費，系統或外包團隊就能替你完成選題、產文、發佈與互動。但當這套流程高度自動化、並以「模擬真人」為目標時，問題就不只是內容品質，而是信任機制被濫用。 常見高風險特徵包括： 內容端：大量同質化模板文、關鍵字堆疊、改寫拼貼、批量日更，且缺乏真實使用情境或個人經驗。 互動端：短時間內異常密集按讚/留言/追蹤、留言語意空泛但頻率極高、跨帳號互刷。 營運端：一人（或一套系統）同時控制多帳號、固定時段機械式發文、IP/裝置行為不自然。 平台對「AI 輔助」通常相對寬容，但對「AI 代替真人身份與社交行為」會更嚴格，因為它直接影響推薦系統判斷與使用者信任。 為什麼現在出手更重：推薦機制與商業信任正在被侵蝕 小紅書的核心價值建立在「種草」：使用者相信這是來自真人的經驗分享與生活選擇。若大量 AI 託管帳號用低成本灌入內容，再配合假互動把熱度拱上去，會產生三個後果： 使用者看到的不是好內容，而是被操作的熱度：推薦流一旦被灌水，優質創作者反而更難被看見。 品牌投放的衡量失真：看似曝光、互動漂亮，但轉換與口碑可能是空的，最後傷害的是平台廣告與商業合作的信任。 詐騙與灰產更容易寄生：假人設、假心得、假客服式私訊導流，往往與不透明交易風險綁在一起。 因此，治理「AI 託管」並非單純反 AI，而是反對利用自動化去偽造社群關係。...
OpenClaw 官方 Agent 成功率揭曉：誰是最強模型？一篇看懂榜單與實戰選型

OpenClaw 官方 Agent 成功率揭曉：誰是最強模型？一篇看懂榜單與實戰選型

OpenClaw 釋出官方 Agent 成功率（success rate） 數據後，很多人第一個問題都是：「到底哪個模型最強？」但如果只把榜單當成冠軍賽排名，很容易選錯工具、甚至把 PoC 做到一半才發現成本、穩定性或安全性不合用。 這篇文章會用「如何讀懂成功率」為主線，帶你看 OpenClaw 類評測在說什麼、沒說什麼，以及不同使用情境該怎麼把數據轉成可落地的選型決策。 成功率到底測到什麼？它其實在測「把事情做完」的能力 一般聊天模型評估常看回答品質或知識正確性；但 Agent 評估（像 OpenClaw）更接近真實工作： 需要多步推理：拆解任務、規劃步驟、調整策略 需要工具使用：呼叫搜尋、瀏覽器、API、程式執行、檔案處理等 需要狀態管理：記住已做過什麼、避免重複、處理中斷與回復 因此「成功率」的直覺意義是：在固定環境與規則下，模型作為 Agent 能否把任務完整交付。對想做自動化工作流、客服助手、資料整理、內部營運工具的人來說，這比單輪問答更接近實戰。 為什麼榜單一公布，大家仍會得出相反結論？關鍵在你怎麼解讀「最強」 OpenClaw...
OpenClaw「龍蝦」為何被點名？香港網絡安全中心警告：風險不只像聊天式 AI 那麼簡單

OpenClaw「龍蝦」為何被點名？香港網絡安全中心警告：風險不只像聊天式 AI 那麼簡單

香港網絡安全中心近期就名為 OpenClaw、外號「龍蝦」的工具/框架提出警告，特別強調其帶來的網絡風險可能「遠超」一般人對聊天式 AI 的想像。這類提醒值得重視，原因不在於「AI 一定更危險」，而是工具形態不同：聊天式 AI 多半停留在內容生成與對話層面；而可被用於自動化流程、整合外部資源、呼叫系統功能的工具，一旦落入不當使用情境，影響面就會更貼近真實攻擊鏈。 在不少攻擊事件中，真正造成損失的往往不是單一漏洞，而是「偵察 → 釣魚/入侵 → 橫向移動 → 權限提升 → 資料外洩或勒索」的連鎖動作。若某些工具能降低這些步驟的門檻、加速自動化、甚至把多個能力包成「一套可重複使用的流程」，那麼對企業與一般用戶而言，風險確實可能比「被 AI 生成假消息」更直接。 為什麼「不只是聊天式 AI」？你可以這樣理解差別 許多人談到 AI 風險，第一個想到的是：假資訊、深偽、詐騙話術更像真的。但香港網絡安全中心此類警告的核心，通常更接近「作業層面的威脅」： 自動化的攻擊腳本化：把原本需要技術門檻的動作，變成更易複製、可大量嘗試的流程。...