今天三則 AI 新聞：

一則在說：

寫程式的 AI，開始不只是一個工程師旁邊的助手。

另一則在說：

更複雜的 AI，正在直接塞進手機晶片裡。

第三則卻提醒：

再厲害的 AI 晶片，最後還是要有人把記憶體真的生產出來。

把三件事放在一起：

會看到 AI 競爭正在換位置。

過去大家最常比較：

哪個模型：

Benchmark 第一？

哪個 Chatbot：

回答最好？

哪個模型：

寫 Code 最快？

現在真正決定 AI 能不能大規模落地的：

開始變成：

Software Production。

Edge Computing。

Semiconductor Manufacturing。

以及：

背後真正工作的人。

第一則：Factory 再募 2 億美元，估值衝到 50 億美元

Reuters 9 月 15 日報導：

AI Coding Agent 新創：

Factory

完成新一輪：

2 億美元

融資。

公司估值：

來到：

50 億美元。

真正誇張的是：

今年 4 月：

Factory 才以：

15 億美元估值：

募得 1.5 億美元。

短短大約五個月：

估值超過：

三倍。

Factory 做的不是一般「幫我補完下一行 Code」

它的定位：

比較接近：

讓企業工程團隊使用一組 AI Agent：

幫忙：

Build。

Test。

Maintain。

Software。

也就是：

從：

寫 Code。

一路往：

測試。

維護。

整個工程流程：

延伸。

這和第一代 Coding Copilot 有很大的差別

第一代：

比較像：

一個工程師。

坐在 IDE 前面。

AI：

幫忙補 Code。

解釋 Function。

寫 Test。

現在的方向開始變成：

工程師說：

這個功能：

需要完成。

接著：

多個 Agent：

可以：

拆工作。

修改 Repository。

跑 Test。

找問題。

再把：

真正需要人決定的部分：

丟回工程師。

AI 不再只是：

Typing Assistant。

開始往：

Work Executor。

走。

Factory CEO 甚至直接使用「Software Factory」這個說法

Factory 共同創辦人 Matan Grinberg：

表示大型企業正在從：

Individual Coding Agents。

往：

Software Factories。

移動。

要注意：

這是：

Factory 自己對市場方向的描述。

不是：

整個產業已經證明：

所有軟體公司都會變成這樣。

但資本市場：

顯然願意押：

這個方向。

因為 Coding 已經成為生成式 AI 最成熟的商業場景之一

AI 可以：

讀 Repository。

修改多個 File。

寫 Test。

跑 Command。

找 Bug。

Review Code。

建立 PR。

能力已經從：

「幫人快一點寫」

往：

「自己完成一段工程任務」

前進。

企業下一個問題自然會變成：

如果一個 Agent 可以做，能不能讓一群 Agent 一起做？

但 Agent 越多，真正的瓶頸可能開始從「寫 Code」轉到「驗收」

想像：

以前：

工程師一天寫：

一個 Pull Request。

現在：

五個 Coding Agent：

同時改：

不同功能。

問題不再是：

Code 產生得不夠快。

而可能是：

誰檢查？

哪一個 Change：

真的符合 Requirement？

不同 Agent：

有沒有互相衝突？

Test：

是不是只測到自己寫的東西？

Production：

到底誰批准？

所以：

Coding Agent 的下一場競爭：

很可能不是：

誰寫得最快。

而是：

誰能把大量 AI 產出的 Software 安全地接進正式工程流程。

這也是為什麼最近 SasaDaily 一直在談 Independent Review

AI 寫 Code：

是一層。

另一個 AI：

檢查：

是一層。

Test：

又是一層。

真正 Merge。

Deploy：

最後：

還是另一層。

如果 Coding Agent：

快十倍。

Review Process：

沒有變。

最後只是：

把 Bottleneck：

從 Coding：

往後移。

Factory 的 50 億美元估值，不代表這套模式已經證明最後會贏

這點也要講清楚。

估值：

不是 Revenue。

融資：

不是 Profit。

更不是：

Productivity Guarantee。

它能證明的比較有限：

投資人現在非常願意押注企業 Coding Agent。

而且資金：

已經開始從：

「AI 幫工程師寫 Code」

押向：

「AI 參與整個 Software Lifecycle」。

這個方向：

才是今天真正值得看的地方。

第二則：聯發科把 2 奈米帶進手機 AI

第二則：

離台灣更近。

聯發科：

9 月 15 日正式推出：

Dimensity 9600 Pro。

這是聯發科第一款：

使用台積電：

2 奈米製程

製造的：

Mobile Processor。

同時還推出：

Dimensity 9600M。

採用：

3 奈米製程。

2 奈米重要，不只是因為數字又變小

手機晶片：

現在同時要處理：

CPU。

GPU。

Camera。

Video。

Connectivity。

Gaming。

以及：

越來越多：

AI。

但手機有一個非常現實的限制：

電池。

Data Center：

可以：

蓋更多電力設備。

加更多 Cooling。

手機：

不能。

它只有：

手掌這麼大。

所以：

Performance。

和：

Power Efficiency。

必須一起進步。

聯發科這次把 AI 放在非常核心的位置

9600 Pro：

內建專門的：

NPU。

也就是：

Neural Processing Unit。

聯發科表示：

和前一代相比：

在使用者輸入 Prompt 後、

模型真正開始輸出內容以前的：

Prompt Processing：

效能提升：

約：

51%。

這不是說：

所有 AI 工作：

都會快 51%。

也不是：

所有 App：

速度全部提升 51%。

它是聯發科針對：

特定 NPU Prompt Processing：

提出的官方數字。

真正值得看的是「AI 往手機本地跑」

以前很多 Generative AI：

使用方式是：

手機：

送資料去 Cloud。

Cloud：

跑模型。

答案：

再回手機。

現在晶片公司想做的：

是讓：

更多 AI Task：

直接在 Device：

完成。

這就是：

On-device AI。

為什麼大家想把 AI 搬回 Device？

第一：

Latency。

不用每次都：

送出去。

等 Cloud。

再送回來。

第二：

某些場景可以降低：

Cloud Dependence。

第三：

部分敏感資料：

有機會留在 Device：

處理。

第四：

大量使用時：

Cloud Inference：

本身也有成本。

但這不等於：

所有 AI 都會變成：

完全離線。

Frontier Model 還是太大

最強的大模型：

需要：

大量 Memory。

Compute。

Power。

手機：

不可能：

直接塞進完整 Data Center。

比較可能的未來是：

Local＋Cloud。

簡單工作：

Device 做。

敏感或即時工作：

優先 Local。

真正複雜：

再交 Cloud。

這就是：

Hybrid AI。

Agentic AI 又會讓這件事更重要

假設未來手機裡的 AI：

不只是：

回答一句問題。

而是：

理解：

畫面。

相機。

語音。

位置。

App Context。

接著幫你：

整理。

搜尋。

判斷。

甚至：

跨 App 工作。

如果每一步：

全部送 Cloud：

Latency。

Cost。

Privacy。

都會變成問題。

所以：

Agent 愈深入：

Device-side Intelligence：

就愈重要。

聯發科自己也直接把 9600 系列稱為 Agentic AI 晶片

當然：

這裡也要分清楚。

晶片支援：

Agentic AI 能力。

不代表：

手機買回來：

就自動有一個：

可以幫你完成所有事情的 Agent。

真正體驗：

還需要：

OS。

Model。

App。

Tool。

Permission。

Developer。

全部一起配合。

晶片只是：

底層能力。

但聯發科現在已經不只做手機 AI

Reuters 也指出：

聯發科：

正在快速往：

Data Center。

Custom Chip。

擴張。

它為一家美國大型 Cloud Provider：

設計的第一款：

AI Accelerator：

預計：

今年第四季：

進入量產。

也就是：

同一家公司：

一端做：

手機 AI。

另一端：

開始往：

Data Center AI。

走。

這也是「Edge 到 Cloud」正在變成晶片公司的新戰場

AI 不會只存在：

Data Center。

也不會只存在：

手機。

未來：

Laptop。

Camera。

Car。

Home Device。

Factory。

Robot。

都會需要：

不同大小。

不同功耗。

不同能力的：

AI Chip。

所以：

誰能同時站住：

Edge。

和：

Cloud。

價值會愈來愈大。

第三則：AI Boom 的另一邊，美光台灣工會還在談分紅

第三則新聞：

完全不是：

新模型。

也不是：

新晶片。

而是：

人。

Reuters 9 月 15 日報導：

美光：

Micron Technology。

台灣工會：

仍保留：

可能進一步走向：

罷工投票的準備。

核心爭議：

是：

Profit Sharing。

工會要求的不是另一筆一次性 Bonus

工會希望：

建立：

長期。

透明。

可驗證的：

永久分紅制度。

其中一項要求：

是把：

美光全球：

Operating Profit 的：

15%

分配給員工。

這是：

工會主張。

不是：

目前已達成的協議。

美光先前已經宣布台灣員工獎勵

符合資格的：

台灣員工：

可獲得：

新台幣：

100 萬元

現金獎勵。

較晚加入者：

則按比例計算。

但工會認為：

一次性 Bonus：

並沒有解決：

他們真正要求的：

長期制度。

所以：

勞資爭議：

還沒有結束。

工會現在設定的下一個關鍵時間點是 9 月 18 日與 21 日

桃園工會代表表示：

如果到：

9 月 18 日。

以及：

21 日。

公司仍沒有：

具體方案。

而員工認為：

談判只是被拖延：

工會可能：

宣布協商破裂。

接著：

往：

Strike Vote。

前進。

但：

目前還沒有正式罷工。

這一點一定要分清楚。

現在生產也沒有受到影響

Reuters 明確指出：

目前：

沒有罷工。

也沒有：

Production Impact。

所以今天不能寫成：

「美光台灣罷工導致 HBM 缺貨。」

沒有這件事。

目前真正發生的是：

勞資談判仍未解決，而且工會保留罷工準備。

那為什麼這會出現在 AI 今日早報？

因為：

台灣不是：

美光很小的一個據點。

Reuters 指出：

台灣：

是美光：

DRAM。

以及：

HBM。

的重要生產中心。

而 HBM：

High Bandwidth Memory。

正是：

AI Server：

最關鍵的零件之一。

今天一顆 AI GPU，不是只有 GPU 本身重要

模型訓練：

需要：

GPU。

GPU：

需要：

大量快速 Memory。

如果：

Compute 很快。

Memory Feeding：

跟不上。

處理器：

一樣會等資料。

所以近幾年：

AI Boom：

把 HBM：

從相對專業的記憶體產品：

推成：

整個 AI Supply Chain：

最重要的瓶頸之一。

這就是為什麼 SK Hynix、Samsung、Micron 全部吃到 AI 紅利

HBM：

Demand：

快速增加。

Memory Price：

上升。

Chipmaker：

獲利改善。

產能：

持續擴張。

但是：

當企業開始賺到更多：

下一個問題自然會出現：

這些 AI Boom 帶來的利益，要怎麼分？

美光工會直接拿韓國競爭對手當比較

工會指向：

Samsung。

SK Hynix。

認為：

韓國競爭對手：

都有：

Profit-sharing Mechanism。

所以要求：

Micron：

也建立：

長期制度。

這代表：

AI Boom：

現在不只重畫：

晶片公司的 Revenue。

Capital Expenditure。

Valuation。

也開始：

重畫：

Labor Negotiation。

更有意思的是：工會涵蓋的比例非常高

Reuters 引述工會表示：

桃園。

台中。

兩個工會合計：

代表：

美光台灣約：

15,000 名員工裡：

超過：

80%。

所以：

即使現在還沒有罷工：

這也不是：

很小的一群員工：

在提出意見。

對公司而言：

必須認真處理。

如果真的出現長時間停工，為什麼市場會在意？

因為 Memory Supply：

現在本來就緊。

AI Server：

對：

DRAM。

HBM。

需求：

非常強。

如果：

重要生產基地：

又出現：

額外生產中斷。

供應壓力：

自然可能更大。

但這裡仍然要強調：

這是可能風險，不是目前已發生的結果。

這件事其實揭露 AI Supply Chain 一個很容易被忽略的現實

我們講 AI：

很容易只想到：

Sam Altman。

Jensen Huang。

Model。

GPU。

Data Center。

但真正把那些晶片：

製造。

檢測。

封裝。

維護。

送出工廠的：

仍然是：

大量工程師。

技術員。

設備人員。

生產團隊。

AI Boom：

沒有把：

Human Labor：

從半導體供應鏈拿掉。

反而：

讓某些工作：

更重要。

今天這三則新聞其實剛好形成一條 AI 生產鏈

最上面：

Factory：

想讓 AI Agent：

自己參與：

Software Production。

中間：

MediaTek：

把 AI Compute：

直接放進：

2 奈米手機晶片。

再往底層：

Micron：

要真的生產：

Memory。

而：

每一層：

真正的瓶頸：

都不一樣。

Software Layer 的瓶頸是「誰驗收 AI 產出的 Code」

Coding Agent：

愈快。

Review。

Testing。

Permission。

Deployment：

愈重要。

Device Layer 的瓶頸是「效能和電力怎麼同時進步」

模型：

愈複雜。

手機：

卻不能：

裝一座 Data Center。

所以：

2nm。

NPU。

Efficiency。

愈來愈重要。

Manufacturing Layer 的瓶頸則不只是機器

還包括：

People。

Skill。

Labor Relationship。

Capacity。

Yield。

Supply Chain。

這些：

都不是：

多加一個 AI Model：

就能解決。

所以 AI 競爭開始變得愈來愈像一個真正產業

早期：

最重要的是：

誰先做出：

最好用的 Chatbot。

現在：

要一起解決：

Software。

Chip。

Memory。

Manufacturing。

Power。

Security。

Human Workflow。

Labor。

才有辦法：

真的 Scale。

這也是為什麼「模型又變強 10%」開始不能解釋整個 AI 世界

即使：

明天又出一個：

Benchmark 第一的模型。

如果：

Coding Output：

沒人能 Review。

手機：

跑不起來。

HBM：

不夠。

Data Center：

沒有電。

工廠：

產能出問題。

那麼：

模型能力：

仍然無法：

完整變成：

真正產品。

今天最值得記住的，其實是 AI 的瓶頸開始往外擴散

以前：

瓶頸是：

模型不夠聰明。

現在可能是：

軟體工作流跟不上。

晶片功耗不夠低。

Memory 產能不夠。

甚至：

利益分配沒有談好。

技術愈成熟：

問題反而：

愈不像單純技術問題。

所以下次看到 AI 產業新聞，可以多看一層

不要只問：

「AI 又會什麼了？」

還可以問：

「要讓這個能力真正每天被幾億人使用，現在最卡的是哪一層？」

有時：

答案是：

Model。

有時：

是：

Chip。

有時：

是：

Electricity。

而有時：

答案可能只是：

人。

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。

推薦閱讀

今日 AI 工具｜2026/09/11：Qodo Agentic Toolbox，讓另一個 AI 先檢查 Claude Code、Codex、Kiro 的改動，再開 Pull Request

AI 一分鐘教學｜2026/09/08：HomeAgent 切到 Cloud AI 前，先問「這份原始資料真的需要送出去嗎？」

AI 今日早報｜2026/08/28：SK Hynix 砸逾 40 億美元赴美量產 HBM、保險業重寫 AI Agent 保單、中國人形機器人還進不了工廠