SASADAILY ARTICLES
從 AI 新聞、工具、教學、工作流到商業案例，先選你現在需要的主題；不知道從哪開始，也可以直接搜尋。
EXPLORE
主題是入口，不是限制。每篇文章仍保留原網址與分類。
INDEX
Ask Gemini in Google Chat 可以跨 Gmail、Drive、Calendar 與 Chat 找工作資料，但不要只問「幫我整理這個專案」。今天只學一個方法：每次搜尋前先寫清楚「範圍、時間、要找什麼、先不要行動」。例如限定 Project Alpha、最近 7 天、只找已確認變更與待辦，最後加上「先附來源，不要寄信、排會議或建立任務」。這不能取代真正的系統權限，卻能大幅降低 AI 混入其他專案、過期資訊或太早採取行動的風險。
閱讀全文 →Google 今天開始推出 Ask Gemini in Google Chat，把 Gemini 從側邊欄變成 Google Chat 裡的工作入口。你可以直接問「上週誰寄了新版簡報？」「我今天有哪些待辦？」「幫我整理這個專案最新進度」，讓它跨 Gmail、Drive、Calendar 與 Chat 找資料，也能草擬訊息、建立 Docs／Sheets／Slides、安排會議，甚至叫出 Workspace Studio 已建立的 Skill。真正的新東西不是又多一個聊天框，而是工作不必一直在 Email、檔案、行事曆與聊天室之間來回切換。
閱讀全文 →今天三則 AI 新聞都在說同一件事：AI 正從聊天框走進真正不能亂來的系統。Google 推出 Gemini Enterprise for Legal，把權限、法律資料來源與專業 Agent 做進企業平台；歐洲券商 Scalable Capital 開放 ChatGPT、Claude、Grok 連接投資帳戶，但交易與定期投資仍需使用者批准；Emerald AI 則募得 1.5 億美元，讓 AI 資料中心依照電網壓力動態調整用電。下一階段真正重要的，不只是 AI 能不能完成工作，而是誰能看資料、誰能採取行動、哪一步一定要有人批准。
閱讀全文 →傳統印象中的助聽器，是把聽不到的聲音放大；但在餐廳、聚會與街道等吵雜環境裡，把所有聲音一起放大反而可能讓對話更難聽清楚。Sonova 最新推出 Phonak EON，其中 EON Sphere 利用第三代即時 AI 與深度神經網路，把語音從背景噪音中即時分離。這個案例顯示 AI 的價值不一定是產生更多資訊，有時反而是從太多聲音裡，把真正有用的訊號留下來。
閱讀全文 →今晚最值得看的 AI 新聞，不是另一個更會聊天的大模型。Caltech 教授 Anima Anandkumar 與 Benedikt Jenik 創立的 Accelerated Understanding 正式公開一套「以物理為中心」的 AI：它不用 ChatGPT、Claude 背後常見的 Transformer，而是建立在 Neural Operators 上，學習空間與時間中的物理現象。公司稱測試時單次可處理 5 兆個資料單位，未來希望用同一類模型處理晶片散熱、極端天氣、機器人與地質資料。真正的轉折是：下一波 AI 可能不只學人類寫過什麼，而是直接學「世界怎麼運作」。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一家 4 人手作甜點品牌每週都在拍 Reels、發 Instagram、投 Meta Ads，也從 Gmail 收到大量客戶詢問，卻一直不知道哪些內容真的帶來興趣。團隊把 Facebook／Instagram 成效、Meta Ads 與必要的 Google Workspace Context 交給 Meta AI 先整理，每週只回答「什麼有效、什麼只是推測、下一步只測什麼」三個問題。AI 不直接停廣告、不改預算、不發布促銷，而是把原本分散的行銷資料變成一個可反覆驗證的決策流程。
閱讀全文 →不代表。Meta AI 能直接讀取 Facebook、Instagram 與 Meta Ads 的實際成效資料，確實比只靠一般行銷知識猜測更有依據；但「真人出鏡貼文分享較高」只能證明兩件事同時出現，不能單靠這組資料證明「就是因為真人出鏡才提高分享」。發布時間、題材、受眾、預算、優惠與影片長度都可能同時影響結果。最重要的分界是：AI 很適合找出模式與提出假設，因果關係仍需要更乾淨的比較或 A/B Test 驗證。
閱讀全文 →Meta AI 現在可以分析 Facebook、Instagram 與 Meta Ads 成效，但看到「真人出鏡的貼文表現最好」，不要立刻把它變成「因為真人出鏡，所以流量比較高」。今天只學一個方法：把 AI 分析拆成「事實、推測、下一個測試」三格。先保留數據真正證明的部分，再把可能原因標成假設，最後只改一個主要變數做下一輪測試，才比較知道什麼真的有效。
閱讀全文 →Meta AI 正把小型企業最常分散查看的資料拉進同一個 AI 工作空間。你可以選擇連接 Facebook、Instagram 專業帳號、Meta Ads，以及 Gmail、Docs、Sheets、Slides，直接詢問哪些內容表現最好、哪群廣告受眾有效、哪些素材開始疲乏，甚至要求 AI 建立簡報、試算表與固定週報。真正的新價值不是再多一個幫你寫貼文的 AI，而是開始用你自己的社群與廣告數據回答「接下來該做什麼」。
閱讀全文 →今天三則 AI 新聞都指向同一個轉折：科技公司正在從「租別人的 AI 能力」，轉向把模型、晶片、資料或應用入口握在自己手上。Thomson Reuters 投入 4,000 萬美元打造自有專業模型 Thomson；Xiaomi 發布新一代 Xring O3，同時據 Reuters 報導正開發支援 MiMo AI 的專用 NPU；Nvidia 則據報洽談投資 Perplexity，估值可能超過 300 億美元。AI 下一場競爭，開始不只是誰有最強單一產品，而是誰能控制更多價值鏈。
閱讀全文 →台灣基隆地檢今天起訴 9 人，案件涉及 130 台搭載 Nvidia B300 高階晶片的 Super Micro AI 伺服器。檢方指控，涉案者以不實最終使用者與設備用途資料，讓原廠相信設備將留在台灣；其中 74 台後來直接或經印尼、日本、香港等路徑流向中國，另外 56 台在準備出口時被台灣海關攔下。真正值得看的不只是又一起晶片管制案件，而是 AI 出口管制已經從政府政策走進企業日常：白名單、終端用途、經銷商、機房查核、轉售與海關文件，現在全部可能成為 AI 供應鏈的風險控制點。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一家 6 人網站代營運團隊，每天都收到客戶從 Slack 傳來的「按鈕改一下、活動頁換日期、手機版跑掉」等零碎需求。團隊改用 Slack Code，直接從原本的客戶討論建立 Code Channel，讓 AI Coding Agent 先提出 Plan、產生 Code Diff 與 Live Preview，再由產品、設計與工程一起驗收。真正省下的不是「不用工程師」，而是少掉需求轉述、重找 Context 與反覆確認；Production 部署、會員資料、付款與高風險修改仍保留人工批准。
閱讀全文 →AI 理論上能提高生產力、降低企業成本，為什麼短期反而可能推高通膨？瑞士央行理事 Petra Tschudin 最新提醒，AI 投資可能先造成晶片、算力與其他有限資源短缺；英格蘭銀行與歐洲央行的研究也指出，如果投資、消費與能源需求跑得比實際生產力提升更快，物價壓力可能先出現。AI 長期可能讓經濟更有效率，但「生產力提高」並不等於「通膨一定下降」。
閱讀全文 →不代表。Slack Code 讓團隊可以共同查看 AI Coding Agent 的計畫、Code Diff、Live Preview，甚至一起 Sign off，但「大家都看過」只能提高透明度，不能證明程式已通過完整測試、權限正確、資料沒有受到影響，也不代表可以直接部署 Production。真正要分清楚的是：Preview 證明畫面看起來對，Code Review 檢查改了什麼，測試驗證功能，而 Production Approval 才決定是否真的上線。
閱讀全文 →用 Slack Code 叫 AI Coding Agent 改網站或 App 前，不要只說「把這裡改好」。今天只學一個方法：先把驗收條件寫成「現在怎樣／要變成怎樣／哪些地方不能動」三格。當產品、設計、工程師與 AI 一開始看到的是同一個目標，後面再看 Plan、Code Diff 與 Live Preview，才比較容易判斷 AI 到底改對了，還是只是成功寫出另一個版本。
閱讀全文 →Slack Code 是 Slack 最新推出的 AI 協作開發功能。團隊不用再由一個人私下叫 AI Coding Agent 寫完程式後才丟給其他人看，而是建立專案專用 Code Channel，讓 Claude、Devin、GitHub Copilot、Vercel Agent 等代理在同一個空間執行工作，團隊可以一起查看計畫、Code Diff、Live Preview、提出修改並保留完整紀錄。真正的新東西不是 AI 又更會寫程式，而是「誰要求 AI 改了什麼、其他人何時看見、誰最後批准」開始進入同一個工作流程。
閱讀全文 →今天三則 AI 新聞都在說同一件事：AI 競爭正在從「模型有多強」進入真正的營運階段。OpenAI 要求加州進一步強化 SB 53 前沿 AI 安全規則；DeepSeek 把周末 API 全時段改按離峰價格計費；Walmart 則表示，使用 AI 購物助理 Sparky 的顧客數年增 70%，每筆訂單平均消費比非使用者高 40%。接下來比的不只是能力，而是 AI 能不能被管好、用得起，而且真的產生商業價值。
閱讀全文 →Alibaba 今天宣布，計畫透過香港新股配售籌集約 102 億美元，並把 100% 淨募資投入「全棧 AI」，包括 AI 基礎設施、晶片、模型開發與部署。三天前公司才公布單季資本支出接近 100 億美元，AI Cloud 與算力服務收入年增 45%。真正值得問的不是 Alibaba 又要花多少錢，而是 AI 競爭已經進入下一階段：模型公司除了技術要強，還必須有能力連續多年籌到足夠資本，把晶片、資料中心與模型一起養大。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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」。
閱讀全文 →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。
閱讀全文 →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」。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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」。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →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。
閱讀全文 →美國產品經理 Erin Kistler 表示，自己有近 20 年工作經驗，四年來申請了數千個職缺，卻一次面試都沒拿到。現在她與另一名求職者控告 AI 招募公司 Eightfold AI，主張平台在求職者不知情下蒐集資料、產生 0～5 分的預測評分，可能影響履歷是否優先被人看到。這場官司尚未證明 AI 就是她長期求職失敗的原因，Eightfold 也否認指控；但它揭開一個更大的問題：如果 AI 已經影響你的工作機會，你卻連自己被它評分過都不知道，要怎麼發現錯誤、要求更正？
閱讀全文 →今天三則新聞都指向同一個轉折：AI 最稀缺的東西開始不是模型，而是能把模型真正跑起來的實體容量。Google 擴大與 Marvell 的客製晶片合作，並取得最高約 122 億美元持股選擇權；Samsung 據報因 AI 晶片需求與先進製程產能吃緊，部分新代工訂單漲價最高 15%；歐洲新一代大型資料中心更平均往主要城市外移到 175 公里，因為現在選址第一個要問的已經不是「客戶在哪」，而是「電在哪」。
閱讀全文 →中國人形機器人公司 Unitree 今天在上海 STAR Market 掛牌，盤中一度較 IPO 價暴漲 629%，收盤仍上漲 460%，市值被推到約 500 億美元。真正值得看的不是一天漲多少，而是市場正在提前押注「Physical AI」從展示走向大量生產。但目前許多機器人仍主要銷往研究與教育市場，美國又已限制未來中國製人形與四足機器人進口。Unitree 接下來真正要證明的，是中國擅長的量產能力能不能變成持續、大規模的商業需求。
閱讀全文 →這是一個 SasaDaily 假設示範案例。一家 6 人活動執行公司，每接一場活動都要重複查場地周邊停車、住宿、餐廳、交通與供應商網站。團隊利用 Chrome Auto Browse 處理跨網站搜尋、比較與預約前準備，但正式訂房、採購、付款、取消與對外承諾全部停下來由人確認。真正值得自動化的不是最後決定，而是中間那些耗時又重複的網頁操作。
閱讀全文 →不建議。Gemini in Chrome Auto Browse 本身確實會在付款、送出表單、建立帳號或其他敏感操作前要求確認或接管，但這只是系統安全層，不代表你可以完全不設定自己的工作邊界。Google 也明確提醒，Agent 仍可能誤解指令、點錯按鈕或做出非預期操作。比較安全的做法，是把 Google 的確認機制當最後一道煞車，而不是唯一一道煞車。
閱讀全文 →Gemini in Chrome Auto Browse 可以替你搜尋、比較、填資料並跨網站完成多個步驟，但不要只說「全部幫我辦好」。今天只學一個動作：在 Prompt 最後加上明確停止點，例如「付款、建立帳號、送出表單、接受條款或產生不可取消費用以前，一定停下來讓我確認」。AI 可以替你跑腿，最後那一步仍然留給人。
閱讀全文 →Google 8 月 18 日把 Gemini in Chrome 帶到美國 Android 使用者，除了直接摘要目前網頁、回答頁面問題，Google AI Pro／Ultra 用戶還能使用 Auto Browse，讓 Gemini 跨網站找住宿、訂停車、更新固定訂單等多步驟工作。它真正重要的地方不是「手機多了一個聊天 AI」，而是瀏覽器開始能替你操作網站；但付款、送出資料與敏感操作仍不能完全放手。
閱讀全文 →今天三則新聞都在替高速前進的 AI 加上不同層級的煞車。OpenAI 在 Agent 越界入侵 Hugging Face 後放慢前沿模型開發，Astra 訓練仍暫停；Anthropic 則據報準備在 IPO 前賦予創辦人額外投票權，避免上市後被短期股東壓力牽著走；美國賓州更直接取消 AI 資料中心快速審批，要求地方同意、能源與環境承諾及資訊透明。AI 下一階段不只比誰跑最快，也開始比誰能證明自己跑得可控。
閱讀全文 →百度第二季營收年減 4% 至 313 億元人民幣，低於市場預期；核心線上廣告收入年減 19%，但 AI 驅動業務反而成長 25% 至 125 億元，其中 AI Cloud Infra 成長 50%、GPU Cloud 更成長 283%。真正值得看的不是「百度 AI 有沒有成長」，而是新 AI 生意能不能在舊搜尋廣告持續縮水時，夠快長成下一具主引擎。
閱讀全文 →這是一個 SasaDaily 假設示範案例。一家 8 人品牌顧問工作室每天同時要整理會議、研究競品、寫企劃與準備客戶提案。如果所有工作都固定使用同一個 AI，簡單任務可能浪費時間與資源，複雜分析又可能做得不夠深。團隊利用 Notion AI Model Picker 把工作分成「快、平衡、深度」，但報價、合約、正式客戶承諾與敏感外部資料一律保留人工確認。
閱讀全文 →不一定。較小的 AI 模型通常速度更快、成本更低，處理簡單整理工作也可能完全夠用；但 Notion 特別提醒，小型模型面對外部網頁、陌生文件或其他不可信內容時，可能更容易受到 Prompt Injection 影響。所以選模型不能只問「這題簡不簡單」，還要再問：「AI 接下來會讀什麼資料、碰到什麼權限？」
閱讀全文 →Notion AI 現在會顯示不同模型的速度、能力與成本，但看到一排分數後，還是可能不知道該選哪個。今天只學一個方法：選模型前先把手上的工作標成「快、平衡、深度」其中一類。簡單整理優先速度，日常內容找平衡，真正需要比較資料、找矛盾與推理的工作才提高能力與 effort。
閱讀全文 →Notion 8 月 14 日更新 AI Model Picker，把「到底該選哪個模型」變得更直觀：不同模型會顯示速度、能力與成本等比較資訊，可以固定常用模型，複雜工作還能提高推理 effort。它真正實用的地方，不是讓你天天換模型，而是把簡單摘要、日常寫作與複雜分析分開，不必每一件小事都動用最昂貴、最慢的 AI。
閱讀全文 →今天三則新聞看似分別在談收入、資料與版權，實際上都指向同一個轉折：AI 競爭開始從「誰的模型最強」進入真正做生意的階段。Anthropic 年化營收據報已突破 650 億美元；Google 準備花 1,000 萬美元取得 Spirit Airlines 去識別化的內部工作資料，用於產品開發與 AI 訓練；ByteDance 則與好萊塢電影協會簽署協議，加強 Seedance、Seedream 的版權防護。下一場 AI 競爭，比的不只是模型，而是收入、資料與合法使用權。
閱讀全文 →《Guardian》8 月 17 日調查指出，Microsoft 內部文件顯示已安裝約 220 萬顆 AI 晶片，但依公司過去公布的資料中心容量推估，實際可運作規模可能存在明顯落差；Microsoft 則否認這套估算，稱相關假設不正確。更值得注意的是，Microsoft 自己早已承認 AI 算力供應仍受限制。這件事提醒市場：AI 基礎設施競爭已不只是誰買得到最多 GPU，而是晶片、電力、建築、冷卻與網路能不能同時到位，最後真正變成可以收費的算力。
閱讀全文 →這次不是假設案例。資安與合規平台 Vanta 導入 Granola，把主管的 1 對 1、Stand-up 與跨部門會議自動整理成摘要、待辦與可搜尋的共享知識。Granola 公開案例稱，6 個月內全公司採用率達 69%，每位使用者一年節省超過 260 小時；真正值得中小企業學的，不只是自動做筆記，而是「AI 整理、團隊共享、重要承諾仍由人確認」的工作流程。
閱讀全文 →不一定。Granola 可以把會議內容整理成清楚的決策與行動事項，但「被 AI 分到決策欄」不等於與會者真的正式拍板。逐字稿可能聽錯專有名詞，AI 也可能把提議、討論方向或尚未確認的日期整理得像正式結論。真正要執行前，仍要回頭確認原始對話與負責人。
閱讀全文 →Granola 會議結束後會自動產生 AI 筆記，但第一版不一定就是最適合工作的格式。今天只學一件事：把已完成的會議筆記換成更適合的模板重新生成，讓一大段會議內容直接整理成「已確認決策、行動事項、未解問題」，會後更容易直接開始工作。
閱讀全文 →ChatGPT Projects 原本就能把聊天、檔案與專案指令放在同一個工作空間；現在 OpenAI 又新增一個實用控制：符合條件的既有未分享專案，不必重新建立，就能直接在 Default memory 與 Project-only memory 之間切換。Project-only 開啟後，ChatGPT 可以使用同一專案裡的聊天與檔案，但不會引用其他專案或一般聊天中的記憶，專案內容也不會反過來影響外面的聊天。對長期客戶案、研究、內容製作與需要避免脈絡混線的工作，這比一直開新對話更實用。
閱讀全文 →今天三則新聞都在提醒我們：AI 下一階段已經不是「愈多愈好」。Nvidia 據報正考慮再投最多 30 億美元進 SB Energy，讓晶片商更深入 AI 資料中心的資本與能源鏈；全球大型科技公司為 AI 建設大量發債，也開始被市場視為推高實質借款成本的因素之一；澳洲部分學校則刻意不急著把生成式 AI 全面帶進課堂，擔心學生把真正需要練習的思考也一起外包。AI 仍在高速擴張，但接下來真正重要的問題會變成：多投入一美元、多蓋一座資料中心、多交一件事給 AI，得到的價值是否真的高於它帶來的新成本？
閱讀全文 →OpenAI 據報已在 7 月底解散原本專門評估「嚴重或災難級 AI 風險」的 Preparedness 團隊，生物、資安等工作改由既有團隊中的資深人員承接。但這不等於 OpenAI 已停止 Preparedness Framework：官方 8 月仍持續使用這套框架評估前沿模型，甚至因新模型的資安能力已無法排除達到 Critical 門檻而加強測試。真正值得追問的是，當安全從一個獨立團隊改成分散到研發組織後，誰負責提出反對意見、誰能要求延後部署，以及最後誰有權踩煞車？
閱讀全文 →ARCHIVE
健康、舞蹈、過往課程與影片保留原網址供查閱，但不再混在 AI 主題的主要探索路徑。