科技新聞

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。...
Manus AI「My Computer」桌面版上線：AI 助理走進你的電腦，值不值得裝？

Manus AI「My Computer」桌面版上線：AI 助理走進你的電腦，值不值得裝？

Manus AI 推出桌面應用程式「My Computer」，訊號很明確：AI 不再只停留在網頁聊天框，而是要更貼近你每天打開的作業系統與工作流程。對內容工作者、行銷與營運、產品與工程團隊來說，這類「桌面型 AI 助理」若做得好，可能比新增一個聊天工具更有實際效益；但同時也把權限、隱私與企業控管的門檻拉得更高。 從「問答」走向「桌面協作」：My Computer 的關鍵意義 傳統 AI 服務多半是「你貼資料 → 它回覆建議」。桌面應用程式的想像則更接近： 更快的進入點：常駐或快捷鍵呼叫，不必反覆切換分頁。 更貼近檔案與工具鏈：文件、截圖、會議紀錄、瀏覽器內容、專案資料夾，都是桌面端最常見的工作材料。 更像「協作」而非「諮詢」：從產出文字到整理、比對、檢查、歸檔，甚至把流程拆成可重複的步驟。 即使官方功能細節仍以實際版本為準，單從「桌面化」這個方向，就足以讓人重新評估：你需要的是一個更強的聊天機器人，還是一個能融入日常工作環境的助手。 可能最有感的使用場景（不只寫作） 桌面 AI 的價值通常不在「它會不會寫」，而在「它能不能幫你把雜事變少」。以下是更符合桌面端特性的應用： 1)...
Gemini 全港開放：Google 把 AI 助理推向每位香港用戶，會改變你的工作與搜尋習慣嗎？

Gemini 全港開放：Google 把 AI 助理推向每位香港用戶，會改變你的工作與搜尋習慣嗎？

Google 宣布把 Gemini 體驗進一步擴展至全港所有用戶，代表香港用戶不再只限於部分帳戶或特定入口才能使用 AI 助理，而是更「預設可用」、更貼近日常 Google 服務的一次推進。對一般人來說，這不只是多了一個聊天機械人，而是 Google 正把「搜尋、內容產出、個人助理」三件事逐步合併。 什麼是「Gemini 體驗擴展」的真正含意？ 過往許多人使用生成式 AI，需要額外下載 App、註冊新平台，或在特定地區/語言下才開放。當 Gemini 走向「全港可用」，意義通常在於： 可用性門檻降低：更多帳戶、更多裝置、更多入口（例如 Google App、瀏覽器、Android）可直接啟用。 與 Google 產品整合更深：Gemini 的價值不只在對話，而在於能否更順暢地協助處理...
騰訊「龍蝦」AI 矩陣來了：手機遙控電腦、辦公自動化到底能改變什麼？

騰訊「龍蝦」AI 矩陣來了：手機遙控電腦、辦公自動化到底能改變什麼？

馬化騰近期在公開場合提到，騰訊正在推進全系統的「龍蝦」AI 矩陣，主打把 AI 助理能力嵌入多個產品線，並強調一個很具體的使用情境：用手機遙控電腦，進一步做到「自動化辦公」。這類宣示不只是多一個聊天機器人，而是把「工作流程」本身交給 AI 與跨裝置能力重新編排。 在近一年生成式 AI 競賽裡，許多廠商從「會回答」走向「會做事」。騰訊這次把重點放在跨裝置操控與辦公自動化，等於是在宣告：AI 的價值不只在內容生成，而是在把零碎的操作步驟變成可委派、可追蹤、可回放的任務。 「手機遙控電腦」不是噱頭：它讓 AI 從建議變成執行 不少人對遠端桌面不陌生，但若把它與 AI 結合，意義會改變： 從「你操作」變成「你下指令」：使用者用自然語言描述要完成的事，AI 透過電腦端環境代為操作（開啟程式、整理檔案、抓取資料、套用範本）。 把跨裝置斷點接起來：人在通勤、外出或會議間隙，用手機就能讓桌機端完成重複性工作，回到座位時成果已經在。 更貼近真實辦公場景：企業流程往往卡在「最後一哩」——資料在內網、工具在桌面端、權限在公司電腦。手機端能觸發、桌面端能執行，才可能讓自動化落地。 如果「龍蝦」AI 的定位真是「矩陣」，代表它可能不是單一入口，而是分散在不同服務（通訊、文件、雲端協作、客服、行銷工具等）中，以一致的任務框架把各個場景串起來。對使用者而言，差別在於：不必改用全新工具，而是讓既有工具變得更會做事。 哪些人會最先受惠？從個人工作者到企業後勤 這類自動化辦公能力的受眾很廣，但價值點不一樣：...
OpenClaw 遭點名有配置風險：私有化部署 AI 智能體前，企業最該先補上的安全課

OpenClaw 遭點名有配置風險：私有化部署 AI 智能體前，企業最該先補上的安全課

OpenClaw 被警示，問題不只在工具本身 開源 AI 智能體 OpenClaw 近日因配置風險受到官方安全警告，再次提醒市場一件常被低估的事：AI 系統的風險，很多時候不是模型能力本身，而是部署方式、權限設計與周邊元件的安全管理。 對許多企業來說，選擇開源智能體框架的原因很直接：可客製、可私有化、可降低授權成本，還能更快串接內部知識庫、工單系統、CRM、文件平台或自動化流程。不過，正因為這類系統通常需要接觸 API、資料庫、外部工具、執行環境與管理後台，一旦預設設定不當、驗證機制不足，或暴露了不該公開的服務介面，就可能把 AI 從提升效率的助手，變成內網風險的入口。 這次警示的價值，不在於單一專案是否要立刻停用，而在於它點出了當前企業導入 AI 智能體時最現實的盲點：很多團隊重視功能上線速度，卻沒有用同等標準檢查安全邊界。 為什麼 OpenClaw 這類開源智能體特別需要注意配置安全？ OpenClaw 類型的工具通常不只是單純聊天介面，而是具有「代理執行」能力的 AI 系統。它可能具備以下特性： 可讀取本地或私有知識庫 可呼叫外部...
SkillHub 被指「整庫搬運」ClawHub 技能資料：平台資料戰怎麼打、誰會受傷？

SkillHub 被指「整庫搬運」ClawHub 技能資料：平台資料戰怎麼打、誰會受傷？

近期有指控稱，騰訊旗下的 SkillHub 疑似以大規模自動化方式抓取（scraping）ClawHub 上的「全部技能資料」，並將內容直接導入自家平台。若情況屬實，這不只是兩個產品之間的口水戰，而是典型的「資料即護城河」競爭：當資料可以被快速複製，平台的差異化、創作者的權益，以及使用者的信任都會被迫重新洗牌。 這次爭議的核心，不是「抄襲」兩個字那麼簡單 所謂大規模抓取，通常指透過爬蟲程式自動讀取對外可見頁面、API 回傳或前端載入的資料，再進行整理與匯入。與「使用者手動搬運」不同，爬蟲的特性是：速度快、規模大、可長期運行，並可能繞過原站的流量與授權機制。 這類事件的關鍵爭點往往落在三層： 契約層（服務條款/robots.txt）：即使內容可被瀏覽，也不代表允許被大量擷取再商用；條款若明確禁止，自動化抓取可能構成違約。 權利層（著作權/資料庫權/不正當競爭）：單一「技能條目」若缺乏創作性，著作權未必站得住腳；但「大量匯編、結構化」的資料庫、標註系統、分類體系，可能牽涉不同法域對資料庫或不正當競爭的保護。 技術與證據層：是否真的「抓取全部」？來源是否為公開頁面、合作 API、或第三方資料集？證據通常要靠請求紀錄、User-Agent 行為、IP 分布、抓取頻率、相同錯字/同一筆異常資料同步出現等細節來支持。 為什麼「技能資料」特別敏感？它其實是平台的產品骨架 技能資料看似只是文字與標籤，但對 SkillHub/ClawHub 這類平台來說，它往往同時扮演： 搜尋與推薦的語意底座：技能樹、關聯標籤、同義詞、難度分級會直接影響搜尋命中與推薦準確度。 內容供給的冷啟動資產：新平台最難的是「一開始就有東西可用」。完整技能庫能立刻撐起分類、列表頁與 SEO 流量入口。 商業化的定價與交易框架：若平台有課程、任務、人才媒合，技能資料就是商品化的共同語言。 因此，「整庫搬運」的指控一旦成立，本質是把對方長期累積的資料資產，轉化為自己的成長捷徑。...
Claude Code Security 為何成為新一代程式碼防護關鍵？企業資安從「掃漏洞」走向「AI 內建治理」

Claude Code Security 為何成為新一代程式碼防護關鍵？企業資安從「掃漏洞」走向「AI 內建治理」

Claude Code Security 之所以引發討論，不只因為它把「AI 寫程式」拉進企業開發流程，更關鍵的是：它把資安從事後的掃描與稽核，往前推到「需求—撰寫—提交—部署」的每一步。 在過去，多數團隊依賴 SAST/DAST、依賴套件掃描、WAF 或雲端防護來補洞；但 AI 生成程式碼的普及，讓漏洞不再只是「工程師不小心」，而是「產出速度暴增、審查壓力倍增」。Claude Code Security 所代表的趨勢，是把安全規範、資料邊界與修補建議，直接嵌入 AI 輔助開發之中，形成「安全即預設值（secure by default）」的新工作方式。 從工具到流程：它在改變什麼？ Claude Code Security 的價值通常不在「多一套掃描器」，而在於把安全決策前移並具體化： 在撰寫階段即提醒風險：例如輸入驗證、SQL/NoSQL 注入、XSS、SSRF、權限繞過、祕密金鑰外洩等，讓開發者在提交前就修掉。...