Cisco 明明正在把 AI Agent 推给 9 万名员工,为什么真正难的不是「每人一个 AI」,而是重新设计工作?
Cisco 正把 MyAgent 推给约 9 万名员工,让 AI 不只回答问题,还能跨 Outlook、Webex、Jira、SharePoint 等系统协助完成工作。但 Cisco 自己得到的经验反而是:真正的企业 AI,不是把原本十个步骤各自加快,而是重新思考哪些步骤应该交给 AI、哪些需要人判断,甚至哪些步骤根本可以删掉。
阅读全文 →SASADAILY ARTICLES
从 AI 新闻、工具、教学、工作流到商业案例,先选你现在需要的主题;不知道从哪开始,也可以直接搜索。
EXPLORE
主题是入口,不是限制。每篇文章仍保留原网址与分类。
INDEX
Cisco 正把 MyAgent 推给约 9 万名员工,让 AI 不只回答问题,还能跨 Outlook、Webex、Jira、SharePoint 等系统协助完成工作。但 Cisco 自己得到的经验反而是:真正的企业 AI,不是把原本十个步骤各自加快,而是重新思考哪些步骤应该交给 AI、哪些需要人判断,甚至哪些步骤根本可以删掉。
阅读全文 →Claude for Teachers 可以用 Check for Understanding 产生短小的理解检查,但不要一开始只说「帮我出 5 题」。今天只学一个动作:先把学习目标写成「学生要能做到什么+看到什么表现才算真的理解」,再让 Claude 出题,比单纯测记忆更容易看出学生到底卡在哪里。
阅读全文 →Anthropic 8 月 28 日正式把 Claude for Teachers 扩大到美国 K-12 学校与学区。学校可把教师集中到同一个 Enterprise 环境,使用依学习科学设计的 Teaching Skills、全美 50 州课纲数据,以及新的 Lesson Preparation 与 Check for Understanding 功能。这波目前限符合资格的美国 K-12 机构,不是全球教师方案。
阅读全文 →今天三则新闻都在提醒同一件事:AI 热潮开始进入「接受检查」的阶段。美国法院挡下 Pentagon 对 Anthropic 的供应链风险黑名单;Nvidia 据报暂停部分替 AI 云端公司提供信用支持、再分享营收的融资案;Marvell 虽拿下 Google 客制 AI 芯片大单,股价仍跌逾 8%,因市场开始追问收入究竟何时真正进来。
阅读全文 →Tencent 今天正式发布并开源 Hy4 preview。这个模型拥有 7700 亿总参数,但采用 Mixture-of-Experts 架构,每次文字请求约只激活 490 亿参数,同时提供超过 100 万 Token 的长上下文能力。真正值得看的不是「参数又变大」,而是大型 AI 模型正在学会不用每次把全部能力都开起来。
阅读全文 →这是一个 SasaDaily 假设商业案例。一家 4 人留学顾问工作室,每到开学季都要替学生家庭反复查看机票价格。团队改用 Google AI Mode 创建机票追价,把每天重复查价变成价格变动后再人工处理;但航班时间、行李、退改规则与最后付款,仍由顾问和客户重新确认。
阅读全文 →不代表。Google 已把 Google Flights 的价格追踪集成进 AI Mode;设置后如果机票价格变动,系统会寄 Email 提醒你,但真正购票仍要由你前往航空公司或订票平台完成。追价是提醒,不是授权 AI 自动刷卡买票。
阅读全文 →ChatGPT Temporary Chat 现在多了一个重要选择:开始前可以决定要不要使用既有 Memory、Custom Instructions 与 Plugins,而且对话开始后不能中途切换。今天只学一个判断:如果你想测「AI 在完全不知道我的情况下会怎么回答」,选不个人化;如果你希望它仍知道你的偏好、工作背景与既有工具,但这次对话不要创建新记忆,就选个人化。先决定「这题需不需要知道我是谁」,再开始 Temporary Chat。
阅读全文 →Salesforce 与 Anthropic 推出 Claudeforce,第一个实际产品是 Salesforce in Claude:把 Salesforce 的实时客户、Pipeline、商业规则与原有权限直接带进 Claude,首波内置 37 个 Sales Skills,可做每日 Deal Brief、Pipeline Review、会议准备、Account Plan 与 CRM 更新。真正值得看的不是「Claude 会读 Salesforce」,而是 AI 开始从回答问题进入受企业规则约束的正式工作流程。不过目前只开放部分 Pilot 客户,官方预计 2026 年 9 月才进入 Op
阅读全文 →中国已经能大量制造会跑、会跳、会打拳的人形机器人,但真正进入工厂后,很多任务作仍是传统机械手臂做得更快、更稳、更便宜。问题不只是硬件,而是机器人能不能在零件位置改变、抓取失败、环境突然不同时自己判断下一步。人形机器人真正缺的,可能已经不是一双更灵活的腿,而是一个能应付真实世界例外状况的「脑」。
阅读全文 →今天三则新闻都在提醒同一件事:AI 真正走出 Demo 之后,困难才刚开始。SK Hynix 投资逾 40 亿美元在美国创建下一代 HBM 生产基地,还预期内存短缺可能持续到 2030 年;MSIG、QBE、Beazley 等保险公司开始重新检查 AI Agent 造成损失时到底算不算传统网络事故;中国投入大量资源发展人形机器人,却发现「会跳舞、会功夫」和「每天稳定在工厂工作」完全是两件事。AI 下一阶段不只比模型多强,而是比供应链撑不撑得住、风险能不能定价,以及产品能不能真的每天工作。
阅读全文 →Nvidia 据报已同意以 129 亿美元收购 Hugging Face,但双方目前尚未正式公开确认。真正值得看的不是又一笔 AI 并购,而是 Hugging Face 长期扮演开源模型、数据集与 AI App 的共同入口,也支持 Nvidia、AMD、Intel、AWS 与 Google TPU 等不同硬件。当全球最大 AI 芯片商准备把这个开放生态入口也握进手中,Nvidia 的战场就从「卖 GPU」延伸到模型被发现、下载、部署与优化的整条开发流程;新的问题则是,Hugging Face 原本跨模型、跨硬件的平台角色未来能不能维持。
阅读全文 →这是一个 SasaDaily 假设商业案例。一家 4 人景观维护公司每天在屋顶花园、庭院与社区现场工作,老板最常遇到的不是不会做工程,而是双手都在忙时想到的材料缺口、客户变更与隔天安排,回到车上后常漏掉。团队让老板用 Gemini Live 直接口述非敏感现场信息,再由 Spark 整理成 Docs 工作清单与待查数据;但报价、采购、付款、客户正式承诺与员工排班仍由人确认。真正省下的不是施工时间,而是每天把现场脑袋重新抄回数字系统的时间。
阅读全文 →不代表。Google 对 Gemini Live+Spark 的官方描述,是把你零散的语音 Brain Dump「整理主要主题,再转成结构化大纲」,而不是制作逐字稿。这代表 AI 可以重新排序、改写、合并相似想法,也可能因理解错误或生成式 AI 的限制加入你没有真正说过的内容。重要的日期、价格、承诺与商业决定,不要因为已经出现在漂亮的 Google Docs 里就当成原话;最好另外保留原始语音,并区分「原话可追溯、AI 整理、AI 推论」三层。
阅读全文 →Gemini Live 现在可以把你一路说出的零散想法交给 Spark,再整理成 Google Docs,但不要语音讲完就直接叫 AI「帮我写完整企划」。今天只学一个方法:先要求它把内容分成「已确定、还在想、缺数据、下一步」四格,而且缺少的信息只能标记,不能自行补完。这样语音真正帮你省下的是刷新脑暴的时间,而不是把半成熟的想法包装成看似完整的结论。
阅读全文 →Google 8 月 26 日开始替 Gemini Live 推出一轮大型生产力升级。现在不只可以和 AI 说话,还能用语音查 Gmail、搜索与整理信件、听取结合 Gmail 与 Calendar 的 Daily Brief,并把较长的多步骤工作交给 Spark,跨 Docs、Sheets、Drive 与 Web 持续运行。真正值得试的不是「语音版聊天」,而是当双手正在做别的事情时,直接把零散想法、Email 与下一步工作交给 AI 整理。
阅读全文 →今天三则新闻把 AI 竞争推进「规模经济」阶段。Nvidia 第二季营收达 962 亿美元、年增 106%,数据中心收入更达 890 亿美元;Anthropic 据报准备用约 450 亿美元、六年时间向 Nscale 租用 AI 算力;中国 MiniMax 上半年营收则年增 283.1% 至 1.166 亿美元,其中企业与 API 相关收入暴增 703.1%。下一场 AI 大考已经不只是模型能力,而是谁能让庞大的算力投入真正转成持续收入。
阅读全文 →Reuters 今天公开 Meta 内部 AI 转型调查:代号 Project OT 的计划曾评估把部分团队缩减最多 60%,用更小的「AI-native」小队搭配 Agent 完成更多任务作。问题是,内部程序变更量虽年增 220%,真正送到用户手上的添加或升级功能只增加 36%;技术与安全事故、救火时间也据报上升。Meta 最终仍运行第一波约 10% 裁员,但 Zuckerberg 在前一晚叫停原定 11 月的第二波。这次真正值得看的不是「AI 能不能取代员工」,而是企业不能把 AI 产出量直接当成真正生产力。
阅读全文 →自主武器并不是科幻电影里才有的东西。部分防空与反飞弹系统早已能在启动后自行侦测、选择并拦截特定目标,但真正引发联合国与红十字国际委员会警告的,是下一条界线:机器能不能自行把「人」选成攻击目标?当 AI、传感器与武器自主能力愈来愈强,真正需要决定的已经不只是技术能做到什么,而是哪一些生死决定,人类不能放弃最后的判断与责任。
阅读全文 →这是一个 SasaDaily 假设商业案例。一家 5 人活动企划公司同时运行三场项目,客户改期在 Gmail、最新版流程表在 Drive、厂商讨论在 Google Chat、会议时间又在 Calendar。团队把 Ask Gemini 当成「工作 Context 入口」,先跨系统找出最新变更、来源与冲突,再准备回复与候选会议时间;但报价、客户正式承诺、厂商进场时间与真正修改行事历仍由项目负责人确认。价值不是让 AI 当项目经理,而是少花时间找「到底哪一版才是真的」。
阅读全文 →不代表。Ask Gemini in Google Chat 可以跨 Gmail、Drive、Calendar 等 Workspace 数据找答案,也会附上引用来源,但「它有权使用这些来源」不等于「这次回答前已把所有可访问数据逐一完整搜索」。Google 的 Workspace 说明本身就把来源分成可选来源、较广泛的 Workspace 搜索范围,以及系统判断最相关的信息。比较安全的理解是:Ask Gemini 很适合快速找出最相关证据,但如果问题要求「全部」「没有遗漏」「最新唯一版本」,仍要明确指定来源、时间范围并检查原始数据。
阅读全文 →Ask Gemini in Google Chat 可以跨 Gmail、Drive、Calendar 与 Chat 找工作数据,但不要只问「帮我整理这个项目」。今天只学一个方法:每次搜索前先写清楚「范围、时间、要找什么、先不要行动」。例如限定 Project Alpha、最近 7 天、只找已确认变更与待办,最后加上「先附来源,不要寄信、排会议或创建任务」。这不能取代真正的系统权限,却能大幅降低 AI 混入其他项目、过期信息或太早采取行动的风险。
阅读全文 →Google 今天开始推出 Ask Gemini in Google Chat,把 Gemini 从侧边栏变成 Google Chat 里的工作入口。你可以直接问「上周谁寄了新版演示文稿?」「我今天有哪些待办?」「帮我整理这个项目最新进度」,让它跨 Gmail、Drive、Calendar 与 Chat 找数据,也能草拟消息、创建 Docs/Sheets/Slides、安排会议,甚至叫出 Workspace Studio 已创建的 Skill。真正的新东西不是又多一个聊天框,而是工作不必一直在 Email、文件、行事历与聊天室之间来回切换。
阅读全文 →今天三则 AI 新闻都在说同一件事:AI 正从聊天框走进真正不能乱来的系统。Google 推出 Gemini Enterprise for Legal,把权限、法律数据源与专业 Agent 做进企业平台;欧洲券商 Scalable Capital 开放 ChatGPT、Claude、Grok 连接投资帐户,但交易与定期投资仍需用户批准;Emerald AI 则募得 1.5 亿美元,让 AI 数据中心依照电网压力动态调整用电。下一阶段真正重要的,不只是 AI 能不能完成工作,而是谁能看数据、谁能采取行动、哪一步一定要有人批准。
阅读全文 →传统印象中的助听器,是把听不到的声音放大;但在餐厅、聚会与街道等吵杂环境里,把所有声音一起放大反而可能让对话更难听清楚。Sonova 最新推出 Phonak EON,其中 EON Sphere 利用第三代实时 AI 与深度神经网络,把语音从背景噪音中实时分离。这个案例显示 AI 的价值不一定是产生更多信息,有时反而是从太多声音里,把真正有用的信号留下来。
阅读全文 →今晚最值得看的 AI 新闻,不是另一个更会聊天的大模型。Caltech 教授 Anima Anandkumar 与 Benedikt Jenik 创立的 Accelerated Understanding 正式公开一套「以物理为中心」的 AI:它不用 ChatGPT、Claude 背后常见的 Transformer,而是创建在 Neural Operators 上,学习空间与时间中的物理现象。公司称测试时单次可处理 5 兆个数据单位,未来希望用同一类模型处理芯片散热、极端天气、机器人与地质数据。真正的转折是:下一波 AI 可能不只学人类写过什么,而是直接学「世界怎么运作」。
阅读全文 →这是一个 SasaDaily 假设商业案例。一家 4 人手作甜点品牌每周都在拍 Reels、发 Instagram、投 Meta Ads,也从 Gmail 收到大量客户询问,却一直不知道哪些内容真的带来兴趣。团队把 Facebook/Instagram 成效、Meta Ads 与必要的 Google Workspace Context 交给 Meta AI 先整理,每周只回答「什么有效、什么只是推测、下一步只测什么」三个问题。AI 不直接停广告、不改预算、不发布促销,而是把原本分散的行销数据变成一个可反复验证的决策流程。
阅读全文 →不代表。Meta AI 能直接读取 Facebook、Instagram 与 Meta Ads 的实际成效数据,确实比只靠一般行销知识猜测更有依据;但「真人出镜贴文分享较高」只能证明两件事同时出现,不能单靠这组数据证明「就是因为真人出镜才提高分享」。发布时间、题材、受众、预算、优惠与视频长度都可能同时影响结果。最重要的分界是:AI 很适合找出模式与提出假设,因果关系仍需要更干净的比较或 A/B Test 验证。
阅读全文 →Meta AI 现在可以分析 Facebook、Instagram 与 Meta Ads 成效,但看到「真人出镜的贴文表现最好」,不要立刻把它变成「因为真人出镜,所以流量比较高」。今天只学一个方法:把 AI 分析拆成「事实、推测、下一个测试」三格。先保留数据真正证明的部分,再把可能原因标成假设,最后只改一个主要变量做下一轮测试,才比较知道什么真的有效。
阅读全文 →Meta AI 正把小型企业最常分散查看的数据拉进同一个 AI 工作空间。你可以选择连接 Facebook、Instagram 专业帐号、Meta Ads,以及 Gmail、Docs、Sheets、Slides,直接询问哪些内容表现最好、哪群广告受众有效、哪些素材开始疲乏,甚至要求 AI 创建演示文稿、试算表与固定周报。真正的新价值不是再多一个帮你写贴文的 AI,而是开始用你自己的社区与广告数据回答「接下来该做什么」。
阅读全文 →今天三则 AI 新闻都指向同一个转折:科技公司正在从「租别人的 AI 能力」,转向把模型、芯片、数据或应用入口握在自己手上。Thomson Reuters 投入 4,000 万美元打造自有专业模型 Thomson;Xiaomi 发布新一代 Xring O3,同时据 Reuters 报导正开发支持 MiMo AI 的专用 NPU;Nvidia 则据报洽谈投资 Perplexity,估值可能超过 300 亿美元。AI 下一场竞争,开始不只是谁有最强单一产品,而是谁能控制更多价值链。
阅读全文 →台湾基隆地检今天起诉 9 人,案件涉及 130 台搭载 Nvidia B300 高级芯片的 Super Micro AI 服务器。检方指控,涉案者以不实最终用户与设备用途数据,让原厂相信设备将留在台湾;其中 74 台后来直接或经印尼、日本、香港等路径流向中国,另外 56 台在准备出口时被台湾海关拦下。真正值得看的不只是又一起芯片管制案件,而是 AI 出口管制已经从政府政策走进企业日常:白名单、终端用途、经销商、机房查核、转售与海关文档,现在全部可能成为 AI 供应链的风险控制点。
阅读全文 →这是一个 SasaDaily 假设商业案例。一家 6 人网站代营运团队,每天都收到客户从 Slack 传来的「按钮改一下、活动页换日期、手机版跑掉」等零碎需求。团队改用 Slack Code,直接从原本的客户讨论创建 Code Channel,让 AI Coding Agent 先提出 Plan、产生 Code Diff 与 Live Preview,再由产品、设计与工程一起验收。真正省下的不是「不用工程师」,而是少掉需求转述、重找 Context 与反复确认;Production 部署、会员数据、付款与高风险修改仍保留人工批准。
阅读全文 →AI 理论上能提高生产力、降低企业成本,为什么短期反而可能推高通膨?瑞士央行理事 Petra Tschudin 最新提醒,AI 投资可能先造成芯片、算力与其他有限资源短缺;英格兰银行与欧洲央行的研究也指出,如果投资、消费与能源需求跑得比实际生产力提升更快,物价压力可能先出现。AI 长期可能让经济更有效率,但「生产力提高」并不等于「通膨一定下降」。
阅读全文 →不代表。Slack Code 让团队可以共同查看 AI Coding Agent 的计划、Code Diff、Live Preview,甚至一起 Sign off,但「大家都看过」只能提高透明度,不能证明程序已通过完整测试、权限正确、数据没有受到影响,也不代表可以直接部署 Production。真正要分清楚的是:Preview 证明画面看起来对,Code Review 检查改了什么,测试验证功能,而 Production Approval 才决定是否真的上线。
阅读全文 →用 Slack Code 叫 AI Coding Agent 改网站或 App 前,不要只说「把这里改好」。今天只学一个方法:先把验收条件写成「现在怎样/要变成怎样/哪些地方不能动」三格。当产品、设计、工程师与 AI 一开始看到的是同一个目标,后面再看 Plan、Code Diff 与 Live Preview,才比较容易判断 AI 到底改对了,还是只是成功写出另一个版本。
阅读全文 →Slack Code 是 Slack 最新推出的 AI 协作开发功能。团队不用再由一个人私下叫 AI Coding Agent 写完程序后才丢给其他人看,而是创建项目专用 Code Channel,让 Claude、Devin、GitHub Copilot、Vercel Agent 等代理在同一个空间运行工作,团队可以一起查看计划、Code Diff、Live Preview、提出修改并保留完整纪录。真正的新东西不是 AI 又更会写程序,而是「谁要求 AI 改了什么、其他人何时看见、谁最后批准」开始进入同一个工作流程。
阅读全文 →今天三则 AI 新闻都在说同一件事:AI 竞争正在从「模型有多强」进入真正的营运阶段。OpenAI 要求加州进一步强化 SB 53 前沿 AI 安全规则;DeepSeek 把周末 API 全时段改按离峰价格计费;Walmart 则表示,使用 AI 购物助理 Sparky 的顾客数年增 70%,每笔订单平均消费比非用户高 40%。接下来比的不只是能力,而是 AI 能不能被管好、用得起,而且真的产生商业价值。
阅读全文 →Alibaba 今天宣布,计划透过香港新股配售筹集约 102 亿美元,并把 100% 净募资投入「全栈 AI」,包括 AI 基础设施、芯片、模型开发与部署。三天前公司才公布单季资本支出接近 100 亿美元,AI Cloud 与算力服务收入年增 45%。真正值得问的不是 Alibaba 又要花多少钱,而是 AI 竞争已经进入下一阶段:模型公司除了技术要强,还必须有能力连续多年筹到足够资本,把芯片、数据中心与模型一起养大。
阅读全文 →這是一個 SasaDaily 假設商業案例。一家 5 人婚禮攝影工作室,從第一次詢價到婚禮當天,重要資訊常散落在數週甚至數月的 iMessage、SMS 與 RCS 對話裡。團隊利用 ChatGPT Apple Messages 外掛搜尋特定新人、時間與主題,把改期、場地、拍攝需求、交件問題整理成確認清單並準備回覆;但價格、退款、合約修改與正式承諾仍由人決定。真正值得自動化的不是「替攝影師聊天」,而是減少每次回覆前重新翻找整段對話的時間。
阅读全文 →不等於。開啟 ChatGPT Apple Messages 外掛,代表你授權它在 Mac 上讀取與搜尋 iMessage、SMS、RCS,不代表 OpenAI 官方已說「整個 Messages 資料庫會一次全部拿去訓練模型」。真正要分成兩件事看:外掛能讀哪些訊息,以及被帶進 ChatGPT 工作中的內容是否可用於模型改善。個人 Free/Plus/Pro 帳號可在 Data Controls 關閉「Improve the model for everyone」;Business、Enterprise、Edu 則預設不使用工作區輸入與輸出訓練模型。
阅读全文 →ChatGPT 現在可以在 Mac 上搜尋 Apple Messages,但不要只說「幫我找之前那則訊息」。今天只學一個方法:搜尋前先寫清楚「對象+時間+主題」,例如「找我和王先生最近 30 天談到冷氣維修時間的訊息」。搜尋範圍愈清楚,愈容易找到真正相關的 iMessage、SMS 或 RCS 對話,也能減少 AI 從大量私人訊息裡抓錯上下文。
阅读全文 →ChatGPT 現在可以直接連接 Mac 裡的 Apple Messages。新的 Apple Messages 外掛能搜尋與閱讀 iMessage、SMS、RCS 對話,再根據過往訊息整理重點、找出約定內容或準備回覆;需要時甚至可以透過 Messages 送出訊息。OpenAI 預設仍要求使用者確認訊息內容與收件人後才送出,真正實用的地方不是「讓 AI 自動聊天」,而是把原本散落在訊息 App 裡的資訊第一次帶進 ChatGPT 工作流程。
阅读全文 →今天三則 AI 新聞共同指向一個新階段:AI 正從聊天框走進真實世界。DeepSeek V4 Flash Vision 開始讓低成本模型直接讀圖片、文件與介面;Nvidia AI 伺服器卻據報因記憶體成本上升,部分新系統價格可能調高逾 15%;北京世界人形機器人運動會上,機器人 100 公尺正式跑出 9.39 秒。下一場 AI 競爭不只比誰回答得更聰明,而是比誰看得懂現實、能在實體世界行動,而且整套系統仍然付得起。
阅读全文 →韓國正準備成立「未來應對基金」,把半導體景氣與 AI 晶片需求帶來的額外稅收,不只重新投入 AI、實體 AI、資料中心等下一波產業,也拿去支援青年就業、住房、教育與人才培養。這不是另外向 AI 公司課一筆新稅,而是把 AI 熱潮創造的財政紅利先存起來,再處理 AI 轉型可能同時帶來的成長機會與社會壓力。真正值得看的,是政府開始把 AI 政策從「補助科技」推進到「誰得到紅利、誰承擔轉型成本」。
阅读全文 →這是一個 SasaDaily 假設示範案例。一家 4 人企業培訓工作室,每接一個客戶都要重新整理課程介紹、日程、講師、教材下載、FAQ 與聯絡資訊。團隊改用 ChatGPT Sites,先把已確認資料做成可預覽的客戶專案入口,再依需要限制分享範圍;但正式報價、合約、付款資料、員工名單與其他敏感資訊仍留在原本系統。真正省下的不是「做一個漂亮網站」的時間,而是每個案子反覆整理、改版與重新交付的成本。
阅读全文 →不代表。「內容、連結、手機版」檢查主要確認網站看起來正確、操作正常,但正式公開還多了另一層問題:到底誰看得到、表單會收什麼資料、登入後能進哪裡、上傳檔案是否適合公開,以及新版部署後會不會改變原本行為。最簡單的理解是:三項檢查能證明網站比較「可用」,卻不能單獨證明它已經「安全、合規、適合所有人公開」。
阅读全文 →ChatGPT Sites 可以很快把需求做成網站,但「Preview 看起來完成」不代表現在就適合公開。今天只學一個發布前動作:先檢查內容有沒有錯誤或敏感資料、所有連結與互動是否真的能用,再用手機尺寸重新看一次版面。三項都過關後才 Publish,可以擋掉很多 AI 網站最常見的「漂亮但不能正式用」問題。
阅读全文 →ChatGPT Sites 可以直接在 ChatGPT 裡把文字需求、文件與資料做成互動網站或輕量 App,先預覽、修改,再發布成網址分享。它適合快速製作活動頁、專案 Dashboard、內部入口、簡易工具與 Prototype,不必先從空白程式碼開始。OpenAI 最新又替 Plus/Pro 補上實用功能:既有 Site 的 ChatGPT-hosted URL 可以直接改名,不必重新部署,舊網址還會自動轉向新網址。
阅读全文 →今天三則新聞看似分別在談模型價格、債券與資料中心,實際上都指向 AI 商業化的一個新矛盾:前端 AI 正快速變便宜,後端建設它的錢卻愈來愈貴。OpenAI 把 GPT-5.6 Sol 的 API 價格降逾 20%;美國大型 AI 業者今年相關債務發行已達約 2,200 億美元,投資人開始要求更高利率;Nvidia 則再次直接投資能替資料中心找土地、電力與冷卻條件的基礎設施公司。下一場競爭不只看誰模型最強,而是誰能把愈便宜的 AI 服務,建立在負擔得起的算力之上。
阅读全文 →AI 對印度 IT 外包業真正致命的衝擊,可能不是工程師會不會被取代,而是客戶開始拒絕為「做了多少小時」付錢。Reuters 最新調查顯示,TCS 在財務、人資等部分企業服務中約 80% 合約已採成果型計價;其他客戶甚至要求相同工作降價 25%~30%,同時還要更快交付。當 AI 把十個人的工作縮成五個人,傳統靠人數與工時計價的商業模式,也就失去原本的理由。
阅读全文 →這不是一個已經證明成功的商業案例,而是一套正在公開驗證的信任模型。DSJ AI Board 現階段先用 Testnet、模擬資金與主帳號透明戰績降低第一次接觸門檻,再讓 30、60、90 天紀錄逐步累積;未來若進入 Mainnet,才進一步用真實交易與規劃中的鏈上資料提高可驗證性。真正的商業邏輯不是先說服更多人入金,而是先把「相信平台」改成「先看得到、查得到,再自己決定要不要使用」。
阅读全文 →看到 AI 量化績效時,不要只問「賺多少」。真正需要一起看的至少有六個數字:累計報酬率告訴你最後賺或虧多少;最大回撤 MDD 告訴你途中最痛曾跌多深;勝率看贏的頻率;盈虧比看平均賺一次和平均賠一次差多少;交易次數與實測天數則告訴你這些數字到底累積了多少證據。今天用一篇把六個指標一起看懂。
阅读全文 →DSJ AI Board 目前仍在 Testnet 公開實測階段。它不是先要求你拿真金白銀驗證 AI,而是用即時市場資料搭配模擬資金,讓你先觀察主帳號透明戰績,也可以依自己的意願嘗試自己交易或測試跟單。真正值得看的不是幾天賺多少,而是 AI 在真實行情持續變化下怎麼下單、怎麼累積紀錄,以及 Testnet 與未來 Mainnet 之間還有哪些不能直接畫上等號的差距。
阅读全文 →今天三則新聞都在說同一件事:AI 競爭已經進入「誰有能力長期養得起算力」的階段。Alibaba 的 AI Cloud 與算力服務收入成長 45%,但大量 AI 基礎設施投資也讓季度淨利大跌 75%;Broadcom 據報正洽談超過 600 億美元新債務,替 Anthropic 等 AI 客戶擴充晶片與算力;巴西則投入約 4.44 億美元,同時與中國 Huawei、iFlytek 及預期的美國 Nvidia 供應鏈合作建立國家級 AI 算力。模型愈來愈強後,真正的競爭正在轉向資本、算力與自主權。
阅读全文 →美國 CFTC 正式公開徵詢「算力衍生品」監管意見,討論現貨市場、價格操縱、投資人保護與永久型算力期貨。這不是遙遠概念:CME 已計畫在 10 月推出追蹤 Nvidia H100 與 B200 每小時租用價格的期貨,ICE 也準備加入。真正值得注意的是,AI 算力正在從科技公司的雲端帳單,變成可以被定價、避險甚至投機的新資產類別;如果這個市場成熟,未來一家 AI 公司的成本風險,可能像航空公司的燃油成本一樣被提前鎖定。
阅读全文 →這是一個 SasaDaily 假設示範案例。一家 5 人客製印刷工作室,每天把客戶尺寸、數量、紙材、交期與修改狀態散落在訊息、試算表與紙本工單裡。團隊不用一開始就買大型 ERP,而是先用 Replit Free Mode 做出最小訂單追蹤 App,需求先 Plan、功能小步 Build,真正複雜的搜尋與權限再升到 Power。AI 可以幫忙做軟體,但正式報價、付款、客戶敏感資料與正式上線仍由人負責。
阅读全文 →不代表。Replit Plan Mode 的價值,是讓你在 Agent 改 Code 或 Data 以前先看到它準備怎麼做,但「計畫看起來完整」不等於計畫本身沒有漏掉舊功能、資料關聯或例外情況。比較安全的流程是:先審 Plan、再小步 Build、實際測試,出了問題還要知道怎麼回到修改前的 Checkpoint。Plan 是把錯誤提早暴露,不是替 App 加上不會出錯的保證。
阅读全文 →Replit Free Mode 可以降低日常 Agent 工作的 credits 壓力,但真正省成本的方法不是一直叫 AI 重做。今天只學一個動作:準備新增功能或修改 App 前,先切到 Plan Mode,要求 Agent 列出「要改什麼、不改什麼、怎麼驗證」,確認範圍沒問題後才開始 Build。先把方向改對,通常比寫錯後再叫 AI 修正更省。
阅读全文 →Replit 新增 Free Mode,讓日常聊天、規劃、修改與第一版 App 建置可以先使用包含式額度,不必每一個小任務都消耗月度 credits;Free Mode 由 GPT-5.6 Luna 驅動並自動選模型,真正複雜的功能再切到 Power 或 Max。它真正實用的地方不是「免費做所有軟體」,而是把 AI 開發成本分級:先便宜地想清楚、做出第一版,難題才使用更昂貴的能力。
阅读全文 →ARCHIVE
健康、舞蹈、过往课程与影片保留原网址供查阅,但不再混在 AI 主题的主要探索路径。