今天三则 AI 新闻：

一则在说：

写程序的 AI，开始不只是一个工程师旁边的助手。

另一则在说：

更复杂的 AI，正在直接塞进手机芯片里。

第三则却提醒：

再厉害的 AI 芯片，最后还是要有人把内存真的生产出来。

把三件事放在一起：

会看到 AI 竞争正在换位置。

过去大家最常比较：

哪个模型：

Benchmark 第一？

哪个 Chatbot：

回答最好？

哪个模型：

写 Code 最快？

现在真正决定 AI 能不能大规模落地的：

开始变成：

Software Production。

Edge Computing。

Semiconductor Manufacturing。

以及：

背后真正工作的人。

第一则：Factory 再募 2 亿美元，估值冲到 50 亿美元

Reuters 9 月 15 日报导：

AI Coding Agent 新创：

Factory

完成新一轮：

2 亿美元

融资。

公司估值：

来到：

50 亿美元。

真正夸张的是：

今年 4 月：

Factory 才以：

15 亿美元估值：

募得 1.5 亿美元。

短短大约五个月：

估值超过：

三倍。

Factory 做的不是一般「帮我补完下一行 Code」

它的定位：

比较接近：

让企业工程团队使用一组 AI Agent：

帮忙：

Build。

Test。

Maintain。

Software。

也就是：

从：

写 Code。

一路往：

测试。

维护。

整个工程流程：

延伸。

这和第一代 Coding Copilot 有很大的差别

第一代：

比较像：

一个工程师。

坐在 IDE 前面。

AI：

帮忙补 Code。

解释 Function。

写 Test。

现在的方向开始变成：

工程师说：

这个功能：

需要完成。

接着：

多个 Agent：

可以：

拆工作。

修改 Repository。

跑 Test。

找问题。

再把：

真正需要人决定的部分：

丢回工程师。

AI 不再只是：

Typing Assistant。

开始往：

Work Executor。

走。

Factory CEO 甚至直接使用「Software Factory」这个说法

Factory 共同创办人 Matan Grinberg：

表示大型企业正在从：

Individual Coding Agents。

往：

Software Factories。

移动。

要注意：

这是：

Factory 自己对市场方向的描述。

不是：

整个产业已经证明：

所有软件公司都会变成这样。

但资本市场：

显然愿意押：

这个方向。

因为 Coding 已经成为生成式 AI 最成熟的商业场景之一

AI 可以：

读 Repository。

修改多个 File。

写 Test。

跑 Command。

找 Bug。

Review Code。

创建 PR。

能力已经从：

「帮人快一点写」

往：

「自己完成一段工程任务」

前进。

企业下一个问题自然会变成：

如果一个 Agent 可以做，能不能让一群 Agent 一起做？

但 Agent 越多，真正的瓶颈可能开始从「写 Code」转到「验收」

想像：

以前：

工程师一天写：

一个 Pull Request。

现在：

五个 Coding Agent：

同时改：

不同功能。

问题不再是：

Code 产生得不够快。

而可能是：

谁检查？

哪一个 Change：

真的符合 Requirement？

不同 Agent：

有没有互相冲突？

Test：

是不是只测到自己写的东西？

Production：

到底谁批准？

所以：

Coding Agent 的下一场竞争：

很可能不是：

谁写得最快。

而是：

谁能把大量 AI 产出的 Software 安全地接进正式工程流程。

这也是为什么最近 SasaDaily 一直在谈 Independent Review

AI 写 Code：

是一层。

另一个 AI：

检查：

是一层。

Test：

又是一层。

真正 Merge。

Deploy：

最后：

还是另一层。

如果 Coding Agent：

快十倍。

Review Process：

没有变。

最后只是：

把 Bottleneck：

从 Coding：

往后移。

Factory 的 50 亿美元估值，不代表这套模式已经证明最后会赢

这点也要讲清楚。

估值：

不是 Revenue。

融资：

不是 Profit。

更不是：

Productivity Guarantee。

它能证明的比较有限：

投资人现在非常愿意押注企业 Coding Agent。

而且资金：

已经开始从：

「AI 帮工程师写 Code」

押向：

「AI 参与整个 Software Lifecycle」。

这个方向：

才是今天真正值得看的地方。

第二则：联发科把 2 纳米带进手机 AI

第二则：

离台湾更近。

联发科：

9 月 15 日正式推出：

Dimensity 9600 Pro。

这是联发科第一款：

使用台积电：

2 纳米制程

制造的：

Mobile Processor。

同时还推出：

Dimensity 9600M。

采用：

3 纳米制程。

2 纳米重要，不只是因为数字又变小

手机芯片：

现在同时要处理：

CPU。

GPU。

Camera。

Video。

Connectivity。

Gaming。

以及：

越来越多：

AI。

但手机有一个非常现实的限制：

电池。

Data Center：

可以：

盖更多电力设备。

加更多 Cooling。

手机：

不能。

它只有：

手掌这么大。

所以：

Performance。

和：

Power Efficiency。

必须一起进步。

联发科这次把 AI 放在非常内核的位置

9600 Pro：

内置专门的：

NPU。

也就是：

Neural Processing Unit。

联发科表示：

和前一代相比：

在用户输入 Prompt 后、

模型真正开始输出内容以前的：

Prompt Processing：

性能提升：

约：

51%。

这不是说：

所有 AI 工作：

都会快 51%。

也不是：

所有 App：

速度全部提升 51%。

它是联发科针对：

特定 NPU Prompt Processing：

提出的官方数字。

真正值得看的是「AI 往手机本地跑」

以前很多 Generative AI：

使用方式是：

手机：

送数据去 Cloud。

Cloud：

跑模型。

答案：

再回手机。

现在芯片公司想做的：

是让：

更多 AI Task：

直接在 Device：

完成。

这就是：

On-device AI。

为什么大家想把 AI 搬回 Device？

第一：

Latency。

不用每次都：

送出去。

等 Cloud。

再送回来。

第二：

某些场景可以降低：

Cloud Dependence。

第三：

部分敏感数据：

有机会留在 Device：

处理。

第四：

大量使用时：

Cloud Inference：

本身也有成本。

但这不等于：

所有 AI 都会变成：

完全脱机。

Frontier Model 还是太大

最强的大模型：

需要：

大量 Memory。

Compute。

Power。

手机：

不可能：

直接塞进完整 Data Center。

比较可能的未来是：

Local＋Cloud。

简单工作：

Device 做。

敏感或实时工作：

优先 Local。

真正复杂：

再交 Cloud。

这就是：

Hybrid AI。

Agentic AI 又会让这件事更重要

假设未来手机里的 AI：

不只是：

回答一句问题。

而是：

理解：

画面。

相机。

语音。

位置。

App Context。

接着帮你：

整理。

搜索。

判断。

甚至：

跨 App 工作。

如果每一步：

全部送 Cloud：

Latency。

Cost。

Privacy。

都会变成问题。

所以：

Agent 愈深入：

Device-side Intelligence：

就愈重要。

联发科自己也直接把 9600 系列称为 Agentic AI 芯片

当然：

这里也要分清楚。

芯片支持：

Agentic AI 能力。

不代表：

手机买回来：

就自动有一个：

可以帮你完成所有事情的 Agent。

真正体验：

还需要：

OS。

Model。

App。

Tool。

Permission。

Developer。

全部一起配合。

芯片只是：

底层能力。

但联发科现在已经不只做手机 AI

Reuters 也指出：

联发科：

正在快速往：

Data Center。

Custom Chip。

扩张。

它为一家美国大型 Cloud Provider：

设计的第一款：

AI Accelerator：

预计：

今年第四季：

进入量产。

也就是：

同一家公司：

一端做：

手机 AI。

另一端：

开始往：

Data Center AI。

走。

这也是「Edge 到 Cloud」正在变成芯片公司的新战场

AI 不会只存在：

Data Center。

也不会只存在：

手机。

未来：

Laptop。

Camera。

Car。

Home Device。

Factory。

Robot。

都会需要：

不同大小。

不同功耗。

不同能力的：

AI Chip。

所以：

谁能同时站住：

Edge。

和：

Cloud。

价值会愈来愈大。

第三则：AI Boom 的另一边，美光台湾工会还在谈分红

第三则新闻：

完全不是：

新模型。

也不是：

新芯片。

而是：

人。

Reuters 9 月 15 日报导：

美光：

Micron Technology。

台湾工会：

仍保留：

可能进一步走向：

罢工投票的准备。

内核争议：

是：

Profit Sharing。

工会要求的不是另一笔一次性 Bonus

工会希望：

创建：

长期。

透明。

可验证的：

永久分红制度。

其中一项要求：

是把：

美光全球：

Operating Profit 的：

15%

分配给员工。

这是：

工会主张。

不是：

目前已达成的协议。

美光先前已经宣布台湾员工奖励

符合资格的：

台湾员工：

可获得：

新台币：

100 万元

现金奖励。

较晚加入者：

则按比例计算。

但工会认为：

一次性 Bonus：

并没有解决：

他们真正要求的：

长期制度。

所以：

劳资争议：

还没有结束。

工会现在设置的下一个关键时间点是 9 月 18 日与 21 日

桃园工会代表表示：

如果到：

9 月 18 日。

以及：

21 日。

公司仍没有：

具体方案。

而员工认为：

谈判只是被拖延：

工会可能：

宣布协商破裂。

接着：

往：

Strike Vote。

前进。

但：

目前还没有正式罢工。

这一点一定要分清楚。

现在生产也没有受到影响

Reuters 明确指出：

目前：

没有罢工。

也没有：

Production Impact。

所以今天不能写成：

「美光台湾罢工导致 HBM 缺货。」

没有这件事。

目前真正发生的是：

劳资谈判仍未解决，而且工会保留罢工准备。

那为什么这会出现在 AI 今日早报？

因为：

台湾不是：

美光很小的一个据点。

Reuters 指出：

台湾：

是美光：

DRAM。

以及：

HBM。

的重要生产中心。

而 HBM：

High Bandwidth Memory。

正是：

AI Server：

最关键的零件之一。

今天一颗 AI GPU，不是只有 GPU 本身重要

模型训练：

需要：

GPU。

GPU：

需要：

大量快速 Memory。

如果：

Compute 很快。

Memory Feeding：

跟不上。

处理器：

一样会等数据。

所以近几年：

AI Boom：

把 HBM：

从相对专业的内存产品：

推成：

整个 AI Supply Chain：

最重要的瓶颈之一。

这就是为什么 SK Hynix、Samsung、Micron 全部吃到 AI 红利

HBM：

Demand：

快速增加。

Memory Price：

上升。

Chipmaker：

获利改善。

产能：

持续扩张。

但是：

当企业开始赚到更多：

下一个问题自然会出现：

这些 AI Boom 带来的利益，要怎么分？

美光工会直接拿韩国竞争对手当比较

工会指向：

Samsung。

SK Hynix。

认为：

韩国竞争对手：

都有：

Profit-sharing Mechanism。

所以要求：

Micron：

也创建：

长期制度。

这代表：

AI Boom：

现在不只重画：

芯片公司的 Revenue。

Capital Expenditure。

Valuation。

也开始：

重画：

Labor Negotiation。

更有意思的是：工会涵盖的比例非常高

Reuters 引述工会表示：

桃园。

台中。

两个工会合计：

代表：

美光台湾约：

15,000 名员工里：

超过：

80%。

所以：

即使现在还没有罢工：

这也不是：

很小的一群员工：

在提出意见。

对公司而言：

必须认真处理。

如果真的出现长时间停工，为什么市场会在意？

因为 Memory Supply：

现在本来就紧。

AI Server：

对：

DRAM。

HBM。

需求：

非常强。

如果：

重要生产基地：

又出现：

额外生产中断。

供应压力：

自然可能更大。

但这里仍然要强调：

这是可能风险，不是目前已发生的结果。

这件事其实揭露 AI Supply Chain 一个很容易被忽略的现实

我们讲 AI：

很容易只想到：

Sam Altman。

Jensen Huang。

Model。

GPU。

Data Center。

但真正把那些芯片：

制造。

检测。

封装。

维护。

送出工厂的：

仍然是：

大量工程师。

技术员。

设备人员。

生产团队。

AI Boom：

没有把：

Human Labor：

从半导体供应链拿掉。

反而：

让某些工作：

更重要。

今天这三则新闻其实刚好形成一条 AI 生产链

最上面：

Factory：

想让 AI Agent：

自己参与：

Software Production。

中间：

MediaTek：

把 AI Compute：

直接放进：

2 纳米手机芯片。

再往底层：

Micron：

要真的生产：

Memory。

而：

每一层：

真正的瓶颈：

都不一样。

Software Layer 的瓶颈是「谁验收 AI 产出的 Code」

Coding Agent：

愈快。

Review。

Testing。

Permission。

Deployment：

愈重要。

Device Layer 的瓶颈是「性能和电力怎么同时进步」

模型：

愈复杂。

手机：

却不能：

装一座 Data Center。

所以：

2nm。

NPU。

Efficiency。

愈来愈重要。

Manufacturing Layer 的瓶颈则不只是机器

还包括：

People。

Skill。

Labor Relationship。

Capacity。

Yield。

Supply Chain。

这些：

都不是：

多加一个 AI Model：

就能解决。

所以 AI 竞争开始变得愈来愈像一个真正产业

早期：

最重要的是：

谁先做出：

最好用的 Chatbot。

现在：

要一起解决：

Software。

Chip。

Memory。

Manufacturing。

Power。

Security。

Human Workflow。

Labor。

才有办法：

真的 Scale。

这也是为什么「模型又变强 10%」开始不能解释整个 AI 世界

即使：

明天又出一个：

Benchmark 第一的模型。

如果：

Coding Output：

没人能 Review。

手机：

跑不起来。

HBM：

不够。

Data Center：

没有电。

工厂：

产能出问题。

那么：

模型能力：

仍然无法：

完整变成：

真正产品。

今天最值得记住的，其实是 AI 的瓶颈开始往外扩散

以前：

瓶颈是：

模型不够聪明。

现在可能是：

软件工作流跟不上。

芯片功耗不够低。

Memory 产能不够。

甚至：

利益分配没有谈好。

技术愈成熟：

问题反而：

愈不像单纯技术问题。

所以下次看到 AI 产业新闻，可以多看一层

不要只问：

「AI 又会什么了？」

还可以问：

「要让这个能力真正每天被几亿人使用，现在最卡的是哪一层？」

有时：

答案是：

Model。

有时：

是：

Chip。

有时：

是：

Electricity。

而有时：

答案可能只是：

人。

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。

推荐阅读

今日 AI 工具｜2026/09/11：Qodo Agentic Toolbox，让另一个 AI 先检查 Claude Code、Codex、Kiro 的改动，再开 Pull Request

AI 一分钟教学｜2026/09/08：HomeAgent 切到 Cloud AI 前，先问「这份原始数据真的需要送出去吗？」

AI 今日早报｜2026/08/28：SK Hynix 砸逾 40 亿美元赴美量产 HBM、保险业重写 AI Agent 保单、中国人形机器人还进不了工厂