今天三則 AI 新聞，
表面上完全不一樣。
第一則：
AI 開始真正「看得懂圖片」。
第二則：
跑 AI 的伺服器可能變貴。
第三則：
人形機器人已經可以把 100 公尺跑進 10 秒。
但把三件事情放在一起，
其實都在說：
AI 正在離開單純聊天的世界。
以前我們最常比較的是：
哪個模型回答比較好？
現在競爭開始變成：
看不看得懂真實世界？
跑不跑得動？
以及：
整套東西到底付不付得起？
第一則：DeepSeek V4 Flash Vision 上線，低成本模型開始長出「眼睛」
DeepSeek 8 月 21 日推出一個新的實驗模型：
DeepSeek-V4-Flash-Vision-Exp。
最大的變化不是：
模型又多了一個版本。
而是原本以文字、推理與 Agent 工作為主的 V4 Flash，
現在正式加入：
圖片理解。
也就是說，
開發者可以同時把：
文字。
圖片。
文件畫面。
網站截圖。
圖表。
介面狀態
交給模型分析。
DeepSeek 將它定位為實驗性模型，並表示純文字能力與正式版 V4 Flash 大致維持同一層級；真正新增的，是處理視覺資訊的能力。
為什麼這件事比「可以看圖片」更重要？
因為 Agent 真正進入工作以後，
世界並不是：
全部都有 API。
很多工作其實長這樣：
先看一張 PDF。
確認表格裡寫了什麼。
再看網站畫面。
找到某個欄位。
接著判斷：
下一步該點哪裡。
所以如果 AI 只能理解：
文字 Prompt，
它其實少了一雙：
眼睛。
例如最簡單的工作
假設一間小公司收到供應商提供的產品型錄。
裡面有：
產品照片。
尺寸表。
圖示。
規格。
包裝資訊。
以前如果模型只能吃文字，
你可能還得先：
OCR。
整理。
把資料另外轉成文字。
現在視覺模型的方向是：
直接把：
原始畫面
交給 AI。
讓它先理解：
畫面上到底有什麼。
這也是為什麼「Vision」會和 Agent 綁得愈來愈緊
真正的 Computer Use，
通常需要一個循環：
看。
↓
判斷。
↓
操作。
↓
再看。
↓
再判斷。
如果 AI 不知道按完按鈕後，
畫面發生了什麼，
Agent 就很難真正持續工作。
所以多模態不是：
「聊天機器人多一個圖片功能。」
更大的意義是：
AI 開始取得操作真實數位環境所需要的感知能力。
DeepSeek 這次還加入 Files API
另一個很實際的更新是：
圖片可以先上傳，
再在不同請求裡重複引用。
這代表企業如果一直要分析同一批：
圖表。
產品圖片。
文件。
不一定每一次都重新傳完整資料。
這其實是很典型的：
從 Demo
走向：
Workflow。
因為真正企業應用最在乎的往往不是：
AI 能不能看一張圖。
而是：
能不能每天重複做幾千次。
不過「Vision 上線」不代表圖片裡的每一件事都會看對
這一點一定要保留。
模型能接受圖片，
只是代表：
多了一種輸入能力。
不代表：
OCR 永遠正確。
圖表數字永遠正確。
介面座標永遠正確。
小字一定讀得到。
所以未來真正使用多模態 Agent，
還是要問：
哪些工作看錯了可以追回？
哪些一旦看錯就不能直接執行？
這會比單純比較 Benchmark 更重要。
第二則：AI 軟體愈來愈便宜，Nvidia 伺服器卻據報準備漲逾 15%
這一則剛好和昨天早報形成非常有意思的對照。
昨天我們才看到：
OpenAI 把 GPT-5.6 Sol API 價格往下調。
今天另一端卻傳來：
AI 伺服器可能要變貴。
Reuters 8 月 22 日引述 Bloomberg News 報導，
Nvidia 據報已通知部分主要客戶，
搭載其 AI 晶片的新伺服器，
價格可能上調：
超過 15%。
主要原因之一是：
記憶體成本大幅上升。
受影響的系統據報包括搭載 Vera Rubin 與 Grace Blackwell 系列晶片的伺服器，部分調價可能反映在 2027 年初出貨的系統上。Nvidia 截至該報導發布時並未正式評論，因此目前仍應寫成「據報」，而不是 Nvidia 已正式公布統一漲價 15%。
為什麼不是 GPU 本身漲價，整台伺服器也會變貴？
因為一台 AI Server，
從來不是只有：
GPU。
還有大量：
HBM。
DRAM。
儲存。
CPU。
高速網路。
電源。
液冷。
機櫃。
主機板。
當其中一個重要元件出現：
供不應求，
整台系統成本就會跟著上去。
現在最值得看的其實是「記憶體」
AI 模型愈大，
推論量愈多，
對高速記憶體需求就愈高。
也就是說：
晶片公司可以設計更快的 GPU，
但如果資料來不及送進去，
GPU 仍然會：
等。
這和我們以前一直說的問題一樣：
AI 資料中心不是單顆晶片的比賽。
而是整套系統。
所以 AI 正出現一個很奇怪的價格方向
軟體端：
模型 API 價格一直降。
硬體端：
高階伺服器某些成本反而可能上升。
為什麼？
因為模型競爭者愈來愈多。
但能提供：
高階記憶體。
先進封裝。
晶片。
資料中心電力
的供應鏈，
短期沒有辦法像模型 API 一樣：
按一下按鈕就增加一倍。
這會影響誰？
最先有感的不一定是：
一般 ChatGPT 使用者。
而是：
雲端公司。
AI 新創。
大型企業。
資料中心。
因為如果一批 AI 伺服器原本預算：
1 億美元，
硬體成本多 15%，
就可能多：
1,500 萬美元。
規模愈大，
差距愈大。
這也意味著未來模型公司不能只靠降價搶市場
假設：
API 價格每年下降 30%。
很好。
可是背後：
伺服器。
記憶體。
電力。
融資
卻一直上升。
模型公司最後還是要回答：
這個價格戰能打多久？
真正的成本優勢，
最後一定會回到：
晶片效率。
記憶體效率。
模型壓縮。
資料中心利用率。
電力成本。
甚至：
供應鏈議價能力。
第三則：人形機器人正式百米跑出 9.39 秒，比人類世界紀錄還快
如果前兩則還發生在：
電腦與資料中心，
第三則已經直接跑到：
田徑場。
第二屆世界人形機器人運動會，
8 月 22 日在北京開幕。
在正式 100 公尺項目中，
一台人形機器人跑出：
9.39 秒。
這個時間比 Usain Bolt 保持的人類男子 100 公尺世界紀錄：
9.58 秒
還快。Reuters 與 AP 都報導了這次比賽結果。
還有一個更快的 9.32 秒，但要分清楚
在正式比賽開始前，
Honor 的人形機器人：
Lightning
曾在準備測試中跑出：
9.32 秒。
峰值速度據報達：
14.5 公尺／秒。
但是：
9.32 秒是：
準備測試。
而不是正式比賽冠軍成績。
正式比賽報導中的 100 公尺成績是：
9.39 秒。
這兩個數字不能混在一起。
但現在先不要急著說「機器人已經比人類強」
百米速度，
只代表一種能力：
跑得快。
真正要在人類環境工作，
還需要：
平衡。
抓取。
手部精細操作。
環境判斷。
遇到陌生狀況重新規劃。
長時間穩定工作。
安全停下。
這些全部比：
往前衝 100 公尺
複雜很多。
而這也是今年機器人運動會最值得看的改變
官方今年不只安排：
跑步。
跳躍。
競技。
還增加：
工廠。
飯店。
家庭。
零售。
消防
等真實場景任務。
部分比賽也要求機器人：
完全自主完成。
也就是說，
主辦方正在把問題從：
「這台機器人能不能表演？」
慢慢改成：
「它能不能在真實環境自己完成工作？」
這才是 Physical AI 真正的大考
如果只是：
固定場地。
固定路線。
固定動作。
機器人可以靠大量調校，
做到非常驚人的效果。
可是現實世界不是固定劇本。
例如一台飯店機器人，
今天電梯口突然有：
行李。
小孩。
其他客人。
清潔推車。
它就必須重新判斷。
所以真正的 Physical AI，
不是：
跑得快。
而是：
能感知、能決策、能行動，而且環境改變後仍然能繼續完成任務。
把今天三件事情放在一起
DeepSeek 告訴我們：
AI 開始：
看。
人形機器人告訴我們：
AI 開始：
動。
Nvidia 伺服器價格則提醒：
所有這些能力背後，
仍然要有人：
付錢。
這就是今天真正的共同趨勢
過去的大模型競爭，
很像：
比考試。
誰 Benchmark：
第一。
誰推理：
比較強。
誰 Coding：
比較好。
現在競爭開始變成：
第一層：感知
能不能看懂：
圖片。
畫面。
文件。
環境。
第二層：行動
能不能：
點。
操作。
走。
跑。
抓。
完成任務。
第三層：成本
這些能力如果每天使用：
100 萬次，
到底花多少錢？
AI 會愈來愈像一個「完整系統」
未來我們談一個 AI，
可能不再只是：
「它是哪個模型？」
而是：
模型。
Vision。
Agent。
Tools。
Memory。
Robot。
GPU。
Memory Chips。
Network。
Data Center。
Electricity。
全部連在一起。
這也是為什麼：
單純 Benchmark 第一
最後不一定代表：
商業上第一。
對一般使用者來說，最直接的改變是什麼？
就是 AI 的入口會愈來愈少依賴：
打字。
你可以直接：
拍照片。
傳文件。
讓它看螢幕。
讓它聽聲音。
甚至讓它控制：
真正的機器。
也就是：
人類不必先把世界全部翻成文字，
AI 才能理解。
但風險也會一起變大
AI 如果：
文字答錯，
通常還有機會：
不採用。
AI 如果：
看錯畫面，
又立即：
操作。
問題就完全不同。
如果操作的只是：
測試 App，
可能重來。
如果操作的是：
工廠機械。
車輛。
付款。
醫療設備。
真正 Physical AI，
安全邊界就會比聊天機器人：
嚴格很多。
所以接下來真正重要的問題，不是「AI 會不會有眼睛和手」
答案其實已經非常明顯：
會。
真正的問題是：
眼睛看錯的時候，手會不會跟著做錯？
以及：
我們有沒有在它行動以前留下確認點？
這也會是未來 AI Agent 和機器人真正走進日常工作的核心問題。
今天早上的一句判斷
2026 年的 AI，
已經不再只是：
誰最會聊天。
而開始變成：
誰看得懂世界。
誰能在世界裡行動。
以及：
誰能把這一切做到足夠便宜。
DeepSeek 在補：
眼睛。
機器人在補：
身體。
資料中心則必須替這些能力準備：
晶片。
記憶體。
能源。
最後真正成熟的 AI，
可能不是某一個：
最聰明的模型。
而是一套：
看得到、做得到、而且長期養得起的完整系統。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
