AI新聞

Motive Technologies 推出了一套旨在為商業車隊營運商自動化日常行政和營運工作流程的 AI 代理（AI Agents）。這些 AI 代理內建於 Motive 平台中，可透過分析即時視訊車載資訊系統（video telematics）、物聯網數據和企業資訊，自主管理駕駛員安全指導、風險檢測、設備維護派遣以及支出管理防欺詐等任務。透過將複雜的人工決策自動化，該系統能協助實體營運團隊降低營運成本、提升道路安全，並更迅速地解決駕駛員相關問題。

一項技術爆料顯示，由於零部件費用大幅上漲，索尼（Sony）下一代 PlayStation 6 的零售價可能會超過 1,000 美元。據稱，隨著 AI 基礎設施需求消耗了全球半導體供應，帶動全行業高速記憶體與儲存裝置價格飆升，僅記憶體和儲存硬體一項就可能使索尼每台成本高達約 680 美元。如果這些預估的製造成本屬實，該主機將比前幾代大幅調漲價格，甚至可能將消費級硬體價格推向前所未有的領域。

人工智慧研究公司 Anthropic 透露，隨著公司規模擴大，其員工陣容正在趨於老化，且用於開會的時間顯著增加。內部數據顯示，隨著 Anthropic 在研究、工程和行政等職位招聘了更多有經驗的人才，員工的平均年齡有所上升。同時，員工在每週工作時間中用於開會的比例更高，反映出規模擴大的企業在溝通需求上的增加。這些內部轉變凸顯了快速成長的人工智慧公司在從精簡的初創企業轉型為大型企業實體的過程中，所面臨的營運過渡。

蘋果公司已更新其 App Store 審查指南，明確禁止透過偽裝成標準相片編輯器或實用工具來通過初始審查、隨後在遠端解鎖露骨深偽（deepfake）功能的 AI「脫衣」App。該政策旨在打擊那些將違規 AI 影像生成工具隱藏在無害介面背後以繞過安全檢查的開發者。根據修訂後的指南，凡生成未經同意的露骨內容或利用欺騙手段逃避審查的 App 都將面臨立即下架，相關開發者還可能被永久開除出 Apple Developer Program（蘋果開發者計劃）。

Cloudflare 正透過消除資料傳輸的出站費用（egress fees），重塑其資料平台定位，以挑戰 AWS 和 Google Cloud 等主要雲端服務提供者。Cloudflare 的零出站費用模式圍繞 R2 物件儲存、D1 資料庫以及 Vectorize 向量資料庫等服務構建，使企業能在多雲環境中遷移與查詢大型資料集，而無需負擔高昂的資料匯出成本。透過將免費的資料傳輸與經由 Workers AI 實現的無伺服器 AI 推理相結合，Cloudflare 旨在吸引希望避免供應商鎖定並最佳化資料密集型人工智慧工作負載開銷的開發者。

深科技企業面臨著高技術風險與漫長的開發週期，這使得研究與開發（R&D）的資本配置成為一項關鍵挑戰。人工智慧透過整合預測分析、自動化實驗以及數據驅動的風險評估，正在改變這些機構管理研發的方式。藉由評估科學數據集、市場趨勢與模擬模型，AI 能讓團隊更早識別出可行的技術路徑，並在投入大量資源之前終止缺乏前景的專案。採用 AI 驅動的決策工具，能使深科技企業降低資本風險、縮短開發週期，並提升複雜創新的整體報酬率。

Surfer AI Tracker 將關鍵字排名追蹤與 AI 驅動的內容審計相結合，旨在幫助網站所有者維護並提升搜尋引擎排名。透過持續監控目標關鍵字和搜尋表現，該工具能夠檢測出可見度下降的情況，並直接在 Surfer 的內容編輯器（Content Editor）中生成可操作的優化建議。雖然它需要訂閱 Surfer 服務，且自動化建議仍需要人工審查以確保語氣和準確性，但該工具簡化了內容發布後的 SEO 維護工作，讓內容團隊能夠快速更新排名下滑的頁面並保護自然流量。

為簡單的業務任務部署龐大且耗費資源的前沿語言模型，會造成不必要的延遲，推高雲端基礎設施成本，並增加能源消耗。正如使用高性能超跑處理日常雜務缺乏效率一樣，在日常資料處理或簡單客戶互動等基本任務上預設使用頂級 AI 模型也過於複雜。企業可以透過採用針對特定工作負載定制的更小、更專用的模型，顯著降低計算開銷和營運費用。選擇切合需求的 AI 模型能讓企業在降低成本與處理時間的同時，將強大的前沿模型留給複雜的分析任務。

Ahrefs Brand Radar 將傳統的搜尋追蹤擴展至品牌監控領域，透過追蹤 ChatGPT、Perplexity 和 Google AI Overviews 等生成式 AI 平台上的提及率、媒體報導與曝光度來實現此功能。該工具專為行銷與公關專業人士設計，可測量情感傾向、監控競爭對手動向，並計算 AI 生成的搜尋結果中的聲量份額（Share of Voice）。透過提供關於品牌形象如何在網頁內容與 AI 引擎中被塑造的洞察，該平台有助於企業管理數位聲譽，不過完全使用該功能需要訂閱較高階的 Ahrefs 方案。

在倫敦舉行的 Agentic AI 峰會強調了從被動語言模型向具備複雜決策和任務執行能力的主動、自主 AI Agent 的轉變。產業領袖與工程師探討了關鍵的技術與營運挑戰，包括多 Agent 協同運作、穩健的評估架構以及系統治理。簡報重點闡述了企業實務應用、人在回路（human-in-the-loop）安全機制以及標準化通訊協定。與會者深入瞭解了如何安全地擴充 Agent 工作流程、解決延遲與可靠性瓶頸，以及在企業邁向自主數位勞動力轉型過程中如何衡量投資報酬率（ROI）。

Anthropic 加速了其命令列 AI 工具 Claude Code，透過整合一款已有 34 年歷史的開發者工具，使執行速度提升了三倍。該系統利用輕量級且經受過實戰檢驗的傳統工具來處理程式碼庫搜尋和索引等任務，而不是完全依賴大語言模型（LLM）的上下文視窗，從而減少了延遲和 Token 開銷。這種混合方法凸顯了將最先進的 AI 模型與經典 Unix 軟體相結合，如何顯著提高代理（agentic）程式碼編寫工作流程的效率。

人工智慧模型的快速擴展正日益受到物理硬體和能源基礎設施的限制，而非演算法或資料的局限。隨著AI算力需求的激增，科技公司面臨著電網容量、高壓變壓器、先進半導體封裝以及冷卻資源的嚴重短缺。為下一代資料中心供電需要吉瓦（GW）等級的電力，這促使超大規模雲端業者探索核能和微型反應爐等替代能源。若缺乏在發電、硬體效率和散熱方面的重大突破，這些物理瓶頸恐將拖慢人工智慧的發展步伐。

企業人工智慧的成功不僅取決於採用新技術，同樣取決於淘汰過時的資料與舊有的業務做法。為了獲得可靠的結果，企業必須實踐「學會遺忘」——清理訓練資料集，消除可能損及模型準確性與法規遵循的陳舊資訊、過時邏輯和內建偏見。除了技術上的資料衛生，企業領導者還必須重新評估不再符合現代策略的既定營運流程。透過系統性地清除過時資料腐化與老舊流程，企業能防止人工智慧系統放大過去的錯誤，並確保其部署能帶來真正的價值。

AI 驅動的程式碼助手加速了軟體開發，但它們也透過比安全團隊審查更快地產生程式碼，來擴大軟體安全差距。AI 工具經常因為追求速度而非安全語境，從而引入漏洞、依賴過時的相依套件，或使用不安全的程式碼模式。隨著程式碼數量暴增，傳統的安全審查流程成了瓶頸，導致缺陷在部署前未被發現。為了降低這些風險，企業必須將自動化安全檢查直接整合到開發工作流程中，並建立防護機制，使程式碼品質能跟上加速生產的腳步。

Anthropic 的命令列工具 Claude Code 透過利用經典的壓縮技術最佳化上下文視窗的使用率，實現了高達三倍的效能提升。透過在將程式碼庫上下文傳送到 Claude 3.7 Sonnet 之前對其進行壓縮，該工具顯著減少了 Token 開銷和處理延遲。這種方法使該代理程式碼助手能夠直接從終端機更高效地分析大型軟體程式庫，在降低 API 成本的同時，保有模型在複雜開發任務中的推理能力。