今天三則 AI 新聞：
表面上看：
一則是：
AI 公司合併。
一則是：
製藥公司用 Claude。
一則是：
Apple 做伺服器。
但把它們放在一起：
其實都在回答同一個問題：
當大家都能取得很強的 AI Model 之後，下一個真正的競爭優勢到底在哪裡？
答案開始變成：
誰控制：
AI 跑在哪裡。
AI 進入哪一個專業流程。
以及：
AI 最後跑在哪一種硬體上。
第一則：Cohere＋Aleph Alpha 正式簽署合併協議
加拿大 AI 公司：
Cohere。
和德國：
Aleph Alpha。
9 月 16 日宣布：
已簽署正式：
Business Combination Agreement。
這不是：
兩家公司第一次談合作。
今年 4 月：
雙方就已宣布：
計畫結合。
當時：
這筆組合的估值：
約：
200 億美元。
現在：
則進一步：
簽下正式協議。
仍需：
最後監管批准。
合併後，公司會繼續叫 Cohere
而且不是：
把 Aleph Alpha：
完全搬去加拿大。
目前規劃：
會有：
Toronto。
和：
Berlin。
兩個總部。
Aleph Alpha 原本位於：
Heidelberg：
的據點：
則保留成：
Research Center。
整體員工：
預計會超過：
1,000 人。
這筆交易最值得看的關鍵字不是「模型變大」
而是：
Sovereign AI。
也就是：
主權 AI。
這個詞：
這一年變得：
越來越重要。
原因是：
政府。
銀行。
醫療。
能源。
製造。
國防。
以及：
高度監管企業：
開始發現：
自己要的不只是：
「哪個模型 Benchmark 最強？」
而是：
資料到底放在哪裡？
模型在哪裡執行？
誰可以碰到這些資料？
能不能部署在自己的 Cloud 或 On-premises？
要遵守哪個國家的法規？
這和一般人打開 Chatbot 很不一樣
我們平常：
使用 AI：
很簡單。
打開：
輸入問題。
得到答案。
但如果：
一家銀行：
把：
客戶資料。
交易資料。
風險模型。
內部文件。
全部：
交給 AI。
它就不能：
只問：
回答準不準。
還要問：
這些資料：
離開公司了嗎？
在哪個國家：
被處理？
誰：
可以存取？
供應商：
如果改政策怎麼辦？
未來：
如果不能再用這家模型：
資料和系統：
能不能移走？
所以 Sovereign AI 的核心其實是「控制」
不一定代表：
每個國家：
都自己從零：
訓練一個 ChatGPT。
比較實際的是：
企業或政府：
可以控制：
Infrastructure。
Data。
Deployment。
Governance。
以及：
Model Choice。
這也是：
Cohere 和 Aleph Alpha：
一直鎖定的市場。
兩家公司其實剛好互補
Cohere：
原本就主打：
Enterprise AI。
讓公司：
可以：
在：
Public Cloud。
Private Cloud。
甚至：
自己的 Infrastructure：
部署。
Aleph Alpha：
這幾年：
則越來越集中：
政府。
高度監管產業。
以及：
歐洲主權 AI。
所以：
一邊比較強：
全球企業市場與模型。
另一邊：
比較強：
歐洲公共部門。
Institution。
Regulated Industry。
Schwarz Group 也繼續站在後面
就是：
Lidl：
背後的德國大型集團。
相關公司：
計畫投入：
5 億歐元
資金。
同時：
Reuters 報導：
未來還可能透過：
STACKIT：
提供最高約：
130 億歐元
的 Compute Investment。
STACKIT：
本身就是：
Schwarz Group：
建立的：
歐洲 Cloud Infrastructure。
這裡真正值得看的不是「歐洲又多一個 AI 公司」
而是：
AI 市場：
正在出現：
另一種分層。
第一層：
大家都能用的：
General AI。
第二層：
公司自己的：
Enterprise AI。
第三層：
高度監管：
甚至要求：
資料。
模型。
Infrastructure。
全部可以控制的：
Sovereign AI。
越往下：
客戶數：
可能沒有消費者 Chatbot：
那麼大。
但：
每一個客戶：
價值可能更高。
第二則：Novo Nordisk 把 Claude 帶進真正的新藥研發
第二則：
更有意思。
因為它不是：
「製藥公司拿 Claude 幫忙寫 Email。」
而是：
真的要：
進：
Drug Discovery。
丹麥製藥公司：
Novo Nordisk。
9 月 16 日：
宣布和：
Anthropic：
建立合作。
目標是：
利用：
Claude。
以及：
Claude Science。
加快：
新藥：
Discovery。
Development。
以及：
Scientific Reasoning。
雙方要一起解決的是實際 R&D 問題
Novo 表示：
一開始會挑：
特定：
Research Workflow。
和：
Scientific Problem。
讓：
Novo 的 Scientist。
Computational Team。
和：
Anthropic：
一起找：
AI 最可能產生價值的地方。
例如：
Biological Reasoning。
Scientific Analysis。
以及：
Agentic Software Engineering。
這代表 Claude 的角色又往前走了一層
第一階段的企業 AI：
很多是：
整理文件。
寫信。
寫 Code。
做摘要。
第二階段：
開始：
進入：
企業真正的：
Core Workflow。
對 Novo 來說：
Core Workflow：
不是：
PowerPoint。
而是：
研究新藥。
製藥業為什麼特別適合測 AI？
因為：
新藥研發：
非常慢。
非常貴。
而且：
失敗率很高。
從：
理解疾病。
找 Target。
找 Candidate。
Preclinical。
Clinical Trial。
到：
Regulatory Approval。
中間：
有大量：
Scientific Data。
Paper。
Experiment。
Documentation。
以及：
Software Work。
AI 不需要一開始就「發明新藥」
只要：
先讓研究人員：
少花：
大量時間：
整理。
搜尋。
比對。
寫 Documentation。
就已經：
可能產生：
非常大的效益。
Anthropic：
其實已經公布過：
Novo 使用 Claude：
處理：
Clinical Documentation：
的案例。
Anthropic 的客戶案例裡，有一個數字非常誇張
原本：
某些 Clinical Study Documentation：
可能要：
10 週以上。
使用 Claude：
後：
縮到：
約：
10 分鐘。
另外：
Device Verification Protocol：
所需要的資源：
據 Anthropic 客戶案例：
減少約：
95%。
要注意：
這是：
Anthropic 公布的：
特定 Novo Case Study。
不能：
直接理解成：
所有藥物研究：
都能：
10 週變 10 分鐘。
Documentation 變快，和「新藥研發變快」是兩件事
這一點：
一定要分清楚。
AI：
把：
一份 Regulatory Document：
整理快很多。
是真的：
很有價值。
但它不代表：
Clinical Trial：
可以：
直接跳過。
也不代表：
模型說：
這個 Molecule 有效。
就可以：
直接變成藥。
真正的新藥：
仍然要：
實驗。
驗證。
Clinical Trial。
Safety。
Regulatory Review。
所以 Novo 這次合作真正重要的是：AI 開始進「科學推理工作流」
它不是：
讓 Claude：
代替 Scientist。
而是：
試著把 AI：
放在：
Scientist：
真正每天工作的位置。
例如：
分析：
很多不同 Experiment。
比對：
Biological Evidence。
提出：
值得繼續測的方向。
整理：
Scientific Context。
協助：
建立 Software。
最後：
由研究人員：
驗證。
這和一般企業導入 AI 最大的不同，是「錯誤成本」
AI：
幫你：
Marketing Caption：
寫差一點。
可能：
重新改。
但：
藥物研發：
如果：
Reasoning 錯。
Data Interpretation 錯。
Scientific Assumption 錯。
後面可能：
浪費：
很多：
實驗時間。
Money。
甚至：
影響：
Safety。
所以：
越高價值的 AI 應用：
通常：
也需要：
更強的：
Verification。
AI 在醫療最終不一定最先取代「醫生」
反而可能先大幅改變：
醫生。
研究員。
Clinical Team。
背後那些：
大量：
資料處理。
文件。
分析。
Software。
Workflow。
這種：
看不到。
但非常耗時間的：
工作。
第三則：Apple 據報考慮重返企業伺服器市場
第三則：
目前還不是：
Apple 官方宣布。
Reuters：
引述：
The Information：
報導。
Apple：
正在研究：
重新進入：
Enterprise Server Market。
而且：
這次不是：
一般 Server。
而是：
AI Inference Server。
據報正在設計的核心，是 Apple 自己未來的 M8 Ultra
報導指出：
目前構想：
可能有：
兩種配置。
第一種：
使用：
兩顆：
M8 Ultra。
第二種：
使用：
四顆：
M8 Ultra。
再把：
多顆 Chip：
連在一起。
讓它：
處理：
大型 AI Inference。
更意外的是：Apple 據報正在和 Nvidia 談 NVLink Fusion
NVLink：
原本最重要的用途：
就是：
讓：
很多高性能 Chip：
高速互相傳資料。
對 AI Server：
非常重要。
因為：
一個大型模型：
通常不是：
只靠：
一顆 Chip。
而是：
很多 Processor。
Memory。
一起：
工作。
如果：
Chip 之間：
資料搬得太慢。
再快的 Processor：
也會：
等。
Nvidia 現在甚至願意讓競爭者使用這一層
這就是：
NVLink Fusion：
有意思的地方。
Nvidia：
不只是：
「你一定要買我的 GPU。」
現在：
它也想：
讓：
其他公司：
自己的 AI Chip：
接進：
Nvidia 的：
Networking Ecosystem。
也就是：
就算：
AI Compute：
不是 Nvidia GPU。
Data Movement：
仍然：
可以：
用 Nvidia。
Apple 如果真的採用，會是一個很有意思的組合
Compute：
Apple。
Connectivity：
Nvidia。
這和大家過去熟悉的：
Apple：
什麼都：
自己控制。
不太一樣。
但對：
AI Infrastructure：
可能很合理。
因為：
Server：
和：
iPhone：
完全不是：
同一種產品。
AI Inference 和 AI Training 也要分開
Training：
是：
把模型：
訓練出來。
通常：
需要：
大量：
GPU。
Memory。
Data。
長時間：
運算。
Inference：
則是：
模型：
已經存在。
使用者：
真的開始：
問它問題。
讓它：
產生：
回答。
圖片。
Code。
Voice。
或者：
執行 Agent。
AI 真正大規模普及後，Inference 可能變成更大的長期戰場
因為：
模型：
可能：
幾個月：
訓練一次。
但：
Inference：
每天：
可能：
跑：
幾十億。
幾百億。
甚至：
更多次。
所以：
AI Server：
未來不只比：
Training Performance。
還會比：
Inference：
速度。
成本。
電力效率。
Memory。
Networking。
這正好是 Apple Silicon 很有興趣切入的地方
Apple：
多年來：
在 Mac。
iPhone。
自己設計：
Processor。
最大的特色之一：
就是：
Performance per Watt。
也就是：
同樣：
耗電。
盡量：
做更多工作。
如果：
這種能力：
可以：
放大到：
Server：
就有機會：
在：
Inference：
市場：
找到位置。
但現在不要把 M8 AI Server 當成已經要上市
報導說：
可能：
到：
2029 年
才推出。
而且：
Project：
還可能：
改變。
甚至：
取消。
NVLink Fusion：
也不是：
已經確定使用。
Apple。
Nvidia：
也都沒有：
正式確認。
Reuters：
表示：
無法：
獨立驗證：
The Information：
報導。
所以：
目前：
只能當作：
Apple 正研究的一個可能方向。
Apple 其實已經離開專用伺服器很久
以前：
Apple：
有一條：
叫：
Xserve：
的產品線。
2011 年：
停掉。
之後：
企業客戶：
主要：
還是用：
Mac。
其他：
Consumer／Professional Hardware。
如果這次：
真的回來。
等於：
Apple：
睽違：
快 20 年：
重新：
做真正：
專用 Enterprise Server。
而且：
原因不是：
傳統 IT。
而是：
AI。
今天這三則新聞放在一起，最有意思的就是 AI 正在往「專業化」走
Cohere＋Aleph Alpha：
說的是：
部署專業化。
不是：
所有企業：
都把資料：
丟去同一個 Public AI。
有些：
需要：
自己的：
Infrastructure。
Governance。
Jurisdiction。
Novo＋Anthropic：
說的是：
工作專業化。
不是：
Claude：
什麼都做一點。
而是：
真正進入：
Drug Discovery。
Biological Reasoning。
Scientific Workflow。
Apple＋Nvidia：
則可能是：
硬體專業化。
不是：
所有 AI：
都一定：
同一種 GPU。
未來：
不同 Inference Workload：
可能：
使用：
不同：
Custom Chip。
再透過：
高速 Network：
組起來。
這代表 AI 下一階段，很可能不是「一個模型吃全部」
反而可能：
越來越分層。
General Model：
負責：
通用能力。
Industry AI：
加入：
專業資料。
Workflow。
Rule。
Enterprise AI：
加入：
權限。
Security。
Governance。
Infrastructure：
再根據：
Training。
Inference。
Edge。
不同需求：
使用：
不同 Chip。
AI 產業真正開始成熟時，反而會變得比較不像 ChatGPT
因為：
我們看得到的：
Chat Window：
只是最外面。
真正企業使用：
後面可能是：
Private Cloud。
專業 Agent。
Research Workflow。
Audit。
Data Permission。
Custom Chip。
Network。
以及：
非常多：
人類 Verification。
所以今天三則新聞最值得記住的，不是三個品牌
而是：
AI 競爭的問題：
正在改。
2023：
大家問：
「誰的模型最強？」
2026：
開始問：
「這個模型能不能放進我的企業？」
「能不能處理我的專業工作？」
「能不能在我選擇的硬體和 Infrastructure 上執行？」
未來：
真正形成護城河的：
可能不再只是：
Model Weight。
而是：
模型＋資料＋Workflow＋Infrastructure＋Control。
這才是：
今天三則新聞：
真正共同的方向。
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
AI 商業案例｜2026/09/02：6 人法規顧問工作室怎麼用 Claude Fable 5.1？固定法規吃 Cache，新客戶資料再加入，正式結論仍由顧問簽核
