今天三则新闻，

看起来分别在谈：

Claude。

Mac。

银行。

其实是在回答 AI 接下来最现实的三个问题：

模型太贵怎么办？

Cloud Token 一直付钱怎么办？

AI 开始替你买东西，出事算谁的？

AI 已经不只是：

「能力能不能再高一点。」

真正进入大量使用后，

产业开始比：

Cost。

Infrastructure。

Trust。

① Anthropic 正式推出 Claude Opus 5.5：能力往上，成本反而往下

9 月 20 日，

市场还只是在传：

Anthropic 正考虑推出新模型。

现在答案正式揭晓。

Anthropic 9 月 22 日发布：

Claude Opus 5.5。

公司称它是目前最强的 Claude Opus，

而这次最值得注意的甚至不是：

Benchmark 又高了多少。

而是：

使用成本降了。

Anthropic 说：多数工作接近 Fable 5.1

Anthropic 表示，

Opus 5.5 在多数工作上的能力，

已经可以接近公司更高级的：

Claude Fable 5.1。

但它不是用：

更高价格

换这个能力。

刚好相反。

Anthropic 表示，

在典型工作负载下，

Opus 5.5 相较上一代：

Claude Opus 5

整体运行成本大约降低：

40%。

这个方向非常重要。

因为 AI 真正进公司以后，

问题很快就不再只是：

「它能不能完成？」

而会变成：

「每天跑一千次要多少钱？」

Token 单价也直接下降

Opus 5.5 的 API 定价为：

每 100 万 Input Tokens：

4 美元。

每 100 万 Output Tokens：

20 美元。

Anthropic 表示，

这比 Opus 5 的 Token 定价低：

20%。

而实际每个 Task 的成本下降幅度可以更大，

原因是：

新模型本身也可能用：

更少 Tokens

完成相同工作。

所以：

Token 单价

和：

完成整个任务的总成本

是两个不同概念。

40% 比较值得看，因为企业最后付的是「每件工作多少钱」

假设两个模型：

A：

每个 Token 比较便宜，

但一直来回十几轮才完成工作。

B：

Token 单价高一些，

却五轮就完成。

最后真正应该比较的是：

Cost per Completed Task。

而不是：

Cost per Token。

这也是 Anthropic 这次特别强调：

Opus 5.5 在 Typical Workloads

比 Opus 5 约便宜 40%

更有意义的地方。

安全也被放到发布内核位置

Opus 5.5 是 Anthropic CEO Dario Amodei 公开呼吁：

放慢 AI 能力提升速度

之后推出的第一批重要模型之一。

所以外界一定会问：

你一边叫大家放慢，

自己为什么又出新模型？

Anthropic 给出的答案之一是：

安全测试。

公司表示，

Opus 5.5 在正式推出以前，

接受了外部独立团队：

Frontier Design。

METR。

的测试。

而且加入一些过去只有更高能力系统才使用的 Safeguards。

Anthropic 说：越过边界的尝试少了约 85%

Anthropic 自己的 Dedicated Evaluation 显示，

Opus 5.5 相较：

Opus 5

以及：

Mythos 5.1，

尝试绕过系统所设置 Containment Boundaries 的情况：

约少 85%。

这是 Anthropic 自己公布的安全评测结果。

不能直接翻译成：

「Claude Opus 5.5 安全了 85%。」

因为它只是在：

特定测试。

特定失败模式。

特定比较方式

下得到的结果。

但它代表一个很明显的产品方向：

Anthropic 现在不能只说：

模型更强。

还必须同时交代：

这一版到底比较不容易在哪些地方出问题。

它甚至比 GPT-5.6 Sol 便宜很多

Reuters 报导，

依 Anthropic 自己公布的一项 Software Development Benchmark，

Opus 5.5 的分数高于：

OpenAI GPT-5.6 Sol，

而运行成本约为：

三分之一。

这里要特别小心。

这只是：

一项 Benchmark＋Anthropic 自己的成本计算。

不能因此推出：

「Opus 5.5 全面比 GPT-5.6 Sol 强。」

不同：

Coding。

Research。

Writing。

Computer Use。

Long Context。

Agent Tasks。

都可能出现不同结果。

但它凸显的竞争已经变了：

以前比：

谁最高分。

现在开始比：

谁能用更少钱完成同样多任务作。

AWS、Google Cloud、Azure 都能用

Claude Opus 5.5 已经可以透过：

AWS。

Google Cloud。

Microsoft Azure

等平台使用。

Anthropic 同时表示：

Claude Sonnet 5.5。

Claude Haiku 5.5。

也预计在未来几周推出。

这表示：

5.5 不只是一颗单独的新模型。

而是 Anthropic 准备把：

更低 Cost per Task

这个方向带进整个 Claude Family。

② Apple 开始卖另一种 AI 帐：不要每个 Token 都付 Cloud 费

第二则新闻很有意思。

因为 Apple 不是在推出：

另一个 Cloud AI Model。

它在卖的是：

一台可以把大型 AI 工作留在桌上的电脑。

新一代 Mac Studio

已经在 9 月 22 日正式开始供货。

台湾也在：

9 月 22 日

正式供货。

Reuters 报导，

Apple 对 Corporate Buyers 的新 Pitch 非常直接：

与其一直租：

Data Centre Compute，

是不是可以干脆：

自己买电脑？

Apple 算的帐和 Cloud AI 完全不同

Cloud AI 常见模式是：

使用愈多，

Tokens 愈多，

帐单继续增加。

Apple Hardware Chief Johny Srouji 对 Reuters 的说法大意是：

机器买回来之后，

硬件成本已经付掉。

之后反复跑工作，

不会再有：

每个 Token 的 API 费。

也就是 Apple 想把：

AI Computing Cost

从：

Variable Cost

改成部分：

Fixed Cost。

但这不是说「买 Mac 一定比 Cloud 便宜」

这点一定要先讲。

本机 AI 要考虑：

机器售价。

电力。

维护。

利用率。

模型是不是跑得动。

人员管理成本。

硬件多久淘汰。

Cloud 则可以：

不用一次买大量设备。

随用随扩。

所以真正问题不是：

Local 一定比较便宜。

而是：

当工作量够固定、够大，

企业开始有理由重新算：

自己买 Compute

和：

一直租 Compute

哪一个划算。

新 Mac Studio 最高可以有 512GB Unified Memory

搭载：

M5 Ultra

的新 Mac Studio，

最高可以配置：

512GB Unified Memory。

Memory Bandwidth：

最高约：

1.2TB/s。

对一般 Office Work 当然非常夸张。

但对大型 AI Model，

Memory 很重要。

因为 Model Weights 本身就可能大到：

一般 PC GPU RAM 根本装不下。

Apple 的 Unified Memory Architecture

让 CPU／GPU 共用大量 Memory，

反而意外变成 Local LLM 的一项优势。

Apple 还把四台 Mac Studio 接在一起

更值得注意的是：

Apple 已经不只卖：

「一台很强的 Mac。」

新 Mac Studio 支持：

Thunderbolt 5

与：

RDMA。

可以把多台 Mac Studio

连成一个：

AI Cluster。

Apple 官方表示，

四台 Mac Studio 组成的 Cluster，

AI Inference 最快可达单台：

约 3 倍。

Reuters 更看到 Apple 示范：

四台 Mac Studio 接在一起，

运行一个：

1 兆 Parameters

的 AI Model。

任务是：

找到并修正一个 Graphics Coding Bug。

最有画面的地方：四台 Mac Studio，用一个墙壁插座跑

Reuters 报导的 Demo 里，

四台 Mac Studio Stack

可以从：

单一 Wall Outlet

取得电力。

这件事真正想展示的不是：

Mac 比大型 Data Centre 强。

当然不是。

而是：

一些原本大家直觉认为：

「一定要送进数据中心」

的大型 AI Workload，

开始有可能缩回：

Office。

Lab。

Studio。

企业内部。

对公司来说，Local AI 还有第二个卖点：数据不用一直往外送

如果工作内容包括：

公司源代码。

未公开设计。

研究数据。

客户文档。

敏感图像。

Local Inference

本身还有：

Data Governance

的吸引力。

Apple 官方也把：

完全在设备端运行大型模型

当成 Mac Studio 的核心定位之一。

这不代表：

「只要用 Mac 就一定完全没有数据外传。」

因为真正使用什么 App、

什么 Model、

有没有 Connector

仍然要看实际软件。

但至少：

模型本身可以在 Local 跑

和：

每次都必须送 Cloud

已经是两种非常不同的架构。

只是 Apple 面前还有一堵很大的墙：Windows

Reuters 引述 IDC 数据指出，

Apple 在 Enterprise Desktop／Laptop Market

大约只有：

4.6%。

Windows 则约：

91.3%。

所以就算 Apple Hardware 很适合 Local AI，

企业市场不是：

Benchmark 高就会突然全部换机。

还牵涉：

IT Management。

Existing Software。

Windows Applications。

Security Policies。

Procurement。

Employee Training。

这也是 Apple 真正要跨过的门槛。

Local AI 和 Cloud AI 可能最后不是二选一

比较合理的未来，

可能不是：

所有 AI 都搬回 Mac。

也不是：

所有东西都丢 Cloud。

而是：

固定、

敏感、

重复、

大量的 Workload

可以在 Local。

真正需要：

极大 Compute。

最新 Frontier Model。

临时大量 Scaling

时，

再送 Cloud。

这就是：

Hybrid AI。

AI 算力开始和企业以前管理 Server 一样：

不是只问：

「最快的是什么？」

而是：

这个工作到底应该在哪里跑？

③ 6 家大型银行开始问：AI Agent 帮你买东西，骗到钱到底算谁的？

第三则新闻，

跟一般消费者可能更直接。

现在 ChatGPT、Claude、Gemini、Muse

都慢慢往：

Agentic Commerce

移动。

以前 AI 只会说：

「你可以买这台咖啡机。」

下一步则是：

AI 自己：

找商品。

比较价格。

选规格。

填数据。

甚至：

付款。

但一旦走到付款，

银行开始紧张了。

NatWest、Bank of America 等 6 家银行一起发表原则

9 月 22 日，

六家银行共同提出：

Agentic Commerce

的信任原则。

包括：

NatWest。

Bank of America。

ING。

Capital One。

Commonwealth Bank of Australia。

ASB Bank。

银行业真正担心的不是：

AI 不会找商品。

而是：

AI 太快进入交易，但责任制度还没跟上。

第一个问题：AI 到底是在帮谁？

银行报告直接指出，

消费者并不确定：

AI Agent

是不是一定会按照：

自己的最佳利益

做决定。

例如你说：

「帮我找最适合的饭店。」

Agent 推的到底是：

真正最符合条件？

平台佣金最高的？

有合作关系的？

广告商希望它推的？

还是：

模型最容易找到的？

只要 AI 开始替人：

选择

而不是只：

列数据，

这个问题就会越来越重要。

第二个问题：如果 AI 买错呢？

假设你告诉 Agent：

「帮我买一台 2 万元以内的笔电。」

结果它：

买错型号。

买两台。

买到错误网站。

选到不能退货。

或花到：

超过预算。

到底谁负责？

用户？

AI 公司？

Merchant？

Bank？

Payment Network？

现在并没有一个全球统一答案。

这也是银行希望现在就先创建：

Common Principles

的原因。

第三个问题更严重：Agent 可能自己拿你的 Card Details 去网站填

Reuters 指出，

银行报告特别提醒：

AI Agent 可能直接要求：

用户提供 Card Details，

再把数据输入：

网站。

这里面就出现一堆问题：

Agent 保存多久？

谁看得到？

被 Prompt Injection 骗了怎么办？

假的购物网站会不会把 Agent 诱导过去？

Payment Credentials

有没有必要直接交给 Agent？

AI Shopping 一旦真正开始碰：

Card Number。

Payment Token。

Account。

问题就不再只是：

Chatbot Hallucination。

而是：

Financial Security。

Agent 甚至可能把你导向保护比较弱的付款方式

银行还提出另一个问题。

不同 Payment Method

本来就有不同：

Fraud Protection。

Chargeback。

Dispute Rights。

Consumer Protection。

如果 AI Agent 为了：

更快。

更便宜。

或某个 Merchant Preference，

把用户导向：

保护更弱的付款方式，

消费者可能根本不知道自己：

少了什么权利。

所以银行要求：

AI 的 Recommendation

至少应该：

更透明。

银行希望：交易中用了 AI，要说清楚

六家银行提出的方向包括：

当 AI Agent 参与 Transaction 时，

应该有：

Disclosure。

也就是：

让相关参与者知道：

这不是人在手动操作。

另外还要提高：

AI 如何做决定的：

Transparency。

强化：

Customer Data Protection。

以及保留：

Consumer Choice。

Merchant Choice。

不同 Agent／Payment System 之间也应该：

Interoperable。

这不是一个很远的未来

Reuters 提到一个很有意思的数字。

英国零售商：

John Lewis

表示，

来自 AI Agent 的 Search Traffic

一年内已从：

0.3%

增加到：

2.5%。

目前仍然只是少数。

但一年成长超过八倍。

所以银行现在不是在讨论：

2035 年科幻情境。

而是在看：

AI 已经开始真的把人带进 Shopping Funnel。

下一步自然就是：

Transaction。

Agentic Commerce 真正的分水岭就是「能不能动钱」

AI 帮你：

整理 Email。

做摘要。

找商品。

都还有一个共同点：

做错时，

通常可以：

再改。

但是：

付款

是一个完全不同的 Action。

因为一旦完成：

Money Moved。

Order Created。

Contract Formed。

甚至：

个资已交出去。

所以 Agentic Commerce 最重要的功能，

可能不只是：

更会买。

而是：

知道什么时候一定要停下来问人。

今天三则新闻，其实是同一条线

Claude Opus 5.5 告诉我们：

AI Model 的竞争开始从：

最高能力

变成：

能力／成本比。

Apple 告诉我们：

Compute 的竞争也开始从：

全部租 Cloud

变成：

哪些工作值得搬回 Local。

六家银行则提醒：

Agent 开始真的采取 Action 后，

竞争不再只是：

谁更方便。

还要问：

谁负责。

所以 AI 走到下一阶段，

最重要的三个问题可能会变成：

一件工作到底多少钱？

这件工作到底在哪里跑？

这个动作到底谁批准？

这三个答案，

可能比模型排行榜本身，

更直接决定 AI 能不能真正进入：

企业。

个人电脑。

以及每天的消费生活。

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｜2026/07/25：Claude Opus 5，适合处理长时间研究、复杂文档与需要反复检查的工作

AI 一分钟教学｜2026/09/09：Muse 要你批准寄信或付款时，先看「这次权限能用多久」

今日 AI 工具｜2026/09/09：Meta Muse，把 Email、旅行与购物交给个人 AI Agent，关掉 App 后还能继续跑任务