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
這是一個 SasaDaily 假設商業案例。一家 5 人小型電商品牌，不讓 OpenClaw 一開始就接管訂單，而是每天固定讀取指定資料、找出缺貨與訂單異常、建立內部處理清單，再把例外丟回人類。OpenClaw 2026.8.1 的 recurring permission、Private Credential Requests 與 Dashboard，讓重複工作更容易持續執行；但退款、改價、取消訂單、正式出貨與付款等會產生外部後果的動作，仍全部停在人手上。
閱讀全文 →不代表。OpenClaw 2026.8.1 的 recurring permission，只代表同一個 Automation 在條件完全相同時，可以再次執行那個已核准的 exact operation，不必每次重新詢問；工作、指令、目錄或環境一旦改變，系統會重新要求批准。但即使權限完全沒變，資料內容、外部網站、工具結果與模型判斷仍可能改變，所以「不用再按批准」不等於「不用再監控結果」。
閱讀全文 →OpenClaw 2026.8.1 已經能替固定 Automation 核准特定 Operation，也能用遮蔽方式向你取得 Credential。但不要因為系統有權限控制，就直接批准「每天幫我全部處理」。今天只學一個方法：正式讓 Agent 重複工作前，先寫清楚它這次能做什麼、遇到哪一步一定停，以及密碼或 Token 必須用什麼方式取得。
閱讀全文 →OpenClaw 8 月 31 日推出 2026.8.1 大型更新。這個開源 AI Agent 不只可以在自己的電腦與聊天工具裡工作，新版還能把工作移到配對裝置或雲端 Worker、重新找到過去對話、持續追蹤 Agent 進度，並新增遮蔽式憑證請求與更細的自動化授權。真正值得看的，是「會做事的 AI」開始把權限、密碼與長時間工作一起納入產品設計。
閱讀全文 →今天三則新聞都指向同一個轉折：AI 正在進入真正不能隨便出錯的系統。美國國防部把 ChatGPT Mil 與 Grok for Government 放進 GenAI.mil；Anthropic 在模型越界事件後加上即時阻擋、強化沙箱並重啟外部資安測試；金融穩定委員會則警告，前沿 AI 加速網路攻擊已成為金融體系最迫切的 AI 風險。下一階段真正競爭的，不只是誰的模型更強，而是誰能證明模型進入高風險環境後仍然可控。
閱讀全文 →歐盟委員會今天正式把 ChatGPT 指定為《數位服務法》下的 Very Large Online Search Engine（VLOSE）。這不是認定 ChatGPT 違法，也不是把它簡單等同 Google，而是因為 ChatGPT Search 在歐盟的使用規模已遠超 4,500 萬人門檻。接下來 OpenAI 必須對非法內容、未成年人、心理與身體福祉、基本權利、選舉與公共安全等系統性風險做正式評估、降低風險並接受更強監督。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一家 6 人管理顧問工作室，把符合資格、已購買的管理電子書與客戶訪談、會議筆記放進 Gemini Notebook。團隊不讓 AI 一開始就把所有資料混成答案，而是先只查書中原則與引用，再加入客戶資料找差距；AI 負責研究與比對，真正要向客戶提出的組織、薪酬與人事建議仍由顧問決定。
閱讀全文 →不代表。Gemini Notebook 會用來源中的文字與圖片建立引用，而且可以直接跳回原文查看上下文；但引用能證明「這裡有來源」，不代表 AI 把多段內容整理、歸納後形成的整個結論一定和作者原意完全相同。真正可靠的用法，是把引用當成檢查入口，而不是正確保證。
閱讀全文 →Gemini Notebook 現在能把符合資格、已購買的 Google Play 電子書當成 AI 來源，但如果同一個 Notebook 還放了你的筆記、網站與其他文件，不要一開始全部混著問。今天只學一個動作：先只勾選那本書，確認作者真正說了什麼與引用在哪裡；第二輪再把自己的資料勾回來，請 AI 幫你套用。
閱讀全文 →Google 替 Gemini Notebook 推出 Expert Intelligence。現在符合資格、已在 Google Play Books 購買的電子書，可以直接加入 Notebook，讓 AI 根據書中內容回答問題、產生 Audio Overview、資訊圖與測驗，還能和你自己的筆記、文件一起分析。真正的新地方不是 AI 幫你「摘要一本書」，而是你已經付費取得的專業內容，開始能正式進入自己的 AI 工作空間。
閱讀全文 →今天三則新聞都在說同一件事：AI 正在改寫模型背後的經濟基礎。大型科技公司持有 OpenAI、Anthropic 等 AI 資產產生巨額帳面重估利益；SpaceX 為了解決 AI 擴張所需的電力瓶頸，甚至開始自己打造天然氣渦輪關鍵葉片；Amazon 則確定 9 月 30 日關閉營運 21 年的 Mechanical Turk。AI 下一階段真正被重新定價的，已經是資本、能源與人的工作。
閱讀全文 →Sony Music Publishing、Warner Chappell 等音樂出版商對 Anthropic 提起新訴訟，指控公司以 Torrent、Scraping 等方式取得大量受著作權保護的作品，用於 Claude 模型開發。Anthropic 已否認指控並表示將在法院積極抗辯。真正值得看的不是又多一場 AI 官司，而是法院與內容產業正在把問題拆成兩層：模型拿作品訓練是否可能屬合理使用，和那些訓練資料當初究竟怎麼取得，並不是同一件事。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一家 7 人商業攝影工作室，每週都要反覆修改客戶提案、拍攝內容與合作條件。團隊不用再讓 AI 整份重寫，而是用 Notion Agent Suggest Edits 先提出逐項修改；文字可以交給 AI 優化，但報價、拍攝日期、交付數量與授權條件一定由負責人核准後才改。
閱讀全文 →不代表。Notion Agent 使用 Suggest Edits 時，修改會先以建議形式出現，只有你接受後才會更新正式內容；但 Suggest Edits 不會把整個 Agent 變成唯讀，AI 提出的建議本身也可能改錯數字、語氣或原意。它真正增加的是「修改前先讓人看見」，不是替文件加上絕對安全保證。
閱讀全文 →Notion Agent 現在可以用 Suggest Edits 只提出修改、不直接覆蓋原文。但重要文件還可以再多一道防線：開始校稿前，先告訴 AI「數字、日期、專有名詞、承諾與條件不得自行改動」。今天只學這一個方法，避免文字變順了，事實卻跟著被改掉。
閱讀全文 →Notion 8 月 28 日替 Agent 新增 Suggest Edits。現在你可以要求 AI 不要直接改文件，而是先把文字修改變成一筆一筆的建議，再由人從上到下接受或拒絕。它最適合合約草稿、企劃、文章與重要文件校稿：AI 負責找問題，人保留最後修改權。
閱讀全文 →今天三則新聞都指向同一個轉折：AI 算力正在從「科技公司的設備採購」，變成金融市場可以投資、放貸甚至拿硬體做擔保的新資產。a16z 成立 11 億美元 Machine Age Fund；Blue Owl 為 IREN 提供 24 億美元 GPU 融資；Bullish 則用 1 億美元穩定幣資金支持 GPU 抵押貸款。真正的新問題是：算力需求夠不夠長久，支撐這一層愈來愈大的債務與資本？
閱讀全文 →OpenAI 決定逐步終止向 Cursor 提供模型，暫定 2026 年 11 月 12 日停止供應，起因是 Cursor 被 SpaceX 收購後觸發合約中的控制權變更條款。Cursor 不會因此消失，它仍有自家模型及 Anthropic、Google 等選項；真正值得注意的是，我們以為自己在選 AI 工具，其實還同時依賴工具背後的模型供應商。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一所符合資格的美國小型 K-8 學校，不讓 Claude 自動替學生分級，而是把每天 Exit Ticket 的整理、共同誤解辨識與隔天補強教材草稿交給 Claude for Teachers。AI 先做重複整理，老師再決定哪些學生需要補什麼、哪些資料根本不該進 AI。
閱讀全文 →不代表。Anthropic 明確表示 Claude for Teachers 的 Inputs 與 Outputs 不會拿來訓練模型，學生資料也受到 K-12 Data Processing Agreement 保護；但官方同時提醒，教育資料能不能使用、怎麼使用，仍取決於學校、學區與州政策。不拿去訓練，只回答了資料用途的一個問題，不等於所有學生資料都自動適合上傳。
閱讀全文 →Cisco 正把 MyAgent 推給約 9 萬名員工，讓 AI 不只回答問題，還能跨 Outlook、Webex、Jira、SharePoint 等系統協助完成工作。但 Cisco 自己得到的經驗反而是：真正的企業 AI，不是把原本十個步驟各自加快，而是重新思考哪些步驟應該交給 AI、哪些需要人判斷，甚至哪些步驟根本可以刪掉。
閱讀全文 →Claude for Teachers 可以用 Check for Understanding 產生短小的理解檢查，但不要一開始只說「幫我出 5 題」。今天只學一個動作：先把學習目標寫成「學生要能做到什麼＋看到什麼表現才算真的理解」，再讓 Claude 出題，比單純測記憶更容易看出學生到底卡在哪裡。
閱讀全文 →Anthropic 8 月 28 日正式把 Claude for Teachers 擴大到美國 K-12 學校與學區。學校可把教師集中到同一個 Enterprise 環境，使用依學習科學設計的 Teaching Skills、全美 50 州課綱資料，以及新的 Lesson Preparation 與 Check for Understanding 功能。這波目前限符合資格的美國 K-12 機構，不是全球教師方案。
閱讀全文 →今天三則新聞都在提醒同一件事：AI 熱潮開始進入「接受檢查」的階段。美國法院擋下 Pentagon 對 Anthropic 的供應鏈風險黑名單；Nvidia 據報暫停部分替 AI 雲端公司提供信用支持、再分享營收的融資案；Marvell 雖拿下 Google 客製 AI 晶片大單，股價仍跌逾 8%，因市場開始追問收入究竟何時真正進來。
閱讀全文 →Tencent 今天正式發布並開源 Hy4 preview。這個模型擁有 7700 億總參數，但採用 Mixture-of-Experts 架構，每次文字請求約只啟用 490 億參數，同時提供超過 100 萬 Token 的長上下文能力。真正值得看的不是「參數又變大」，而是大型 AI 模型正在學會不用每次把全部能力都開起來。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一家 4 人留學顧問工作室，每到開學季都要替學生家庭反覆查看機票價格。團隊改用 Google AI Mode 建立機票追價，把每天重複查價變成價格變動後再人工處理；但航班時間、行李、退改規則與最後付款，仍由顧問和客戶重新確認。
閱讀全文 →不代表。Google 已把 Google Flights 的價格追蹤整合進 AI Mode；設定後如果機票價格變動，系統會寄 Email 提醒你，但真正購票仍要由你前往航空公司或訂票平台完成。追價是提醒，不是授權 AI 自動刷卡買票。
閱讀全文 →ChatGPT Temporary Chat 現在多了一個重要選擇：開始前可以決定要不要使用既有 Memory、Custom Instructions 與 Plugins，而且對話開始後不能中途切換。今天只學一個判斷：如果你想測「AI 在完全不知道我的情況下會怎麼回答」，選不個人化；如果你希望它仍知道你的偏好、工作背景與既有工具，但這次對話不要建立新記憶，就選個人化。先決定「這題需不需要知道我是誰」，再開始 Temporary Chat。
閱讀全文 →Salesforce 與 Anthropic 推出 Claudeforce，第一個實際產品是 Salesforce in Claude：把 Salesforce 的即時客戶、Pipeline、商業規則與原有權限直接帶進 Claude，首波內建 37 個 Sales Skills，可做每日 Deal Brief、Pipeline Review、會議準備、Account Plan 與 CRM 更新。真正值得看的不是「Claude 會讀 Salesforce」，而是 AI 開始從回答問題進入受企業規則約束的正式工作流程。不過目前只開放部分 Pilot 客戶，官方預計 2026 年 9 月才進入 Op
閱讀全文 →中國已經能大量製造會跑、會跳、會打拳的人形機器人，但真正進入工廠後，很多工作仍是傳統機械手臂做得更快、更穩、更便宜。問題不只是硬體，而是機器人能不能在零件位置改變、抓取失敗、環境突然不同時自己判斷下一步。人形機器人真正缺的，可能已經不是一雙更靈活的腿，而是一個能應付真實世界例外狀況的「腦」。
閱讀全文 →今天三則新聞都在提醒同一件事：AI 真正走出 Demo 之後，困難才剛開始。SK Hynix 投資逾 40 億美元在美國建立下一代 HBM 生產基地，還預期記憶體短缺可能持續到 2030 年；MSIG、QBE、Beazley 等保險公司開始重新檢查 AI Agent 造成損失時到底算不算傳統網路事故；中國投入大量資源發展人形機器人，卻發現「會跳舞、會功夫」和「每天穩定在工廠工作」完全是兩件事。AI 下一階段不只比模型多強，而是比供應鏈撐不撐得住、風險能不能定價，以及產品能不能真的每天工作。
閱讀全文 →Nvidia 據報已同意以 129 億美元收購 Hugging Face，但雙方目前尚未正式公開確認。真正值得看的不是又一筆 AI 併購，而是 Hugging Face 長期扮演開源模型、資料集與 AI App 的共同入口，也支援 Nvidia、AMD、Intel、AWS 與 Google TPU 等不同硬體。當全球最大 AI 晶片商準備把這個開放生態入口也握進手中，Nvidia 的戰場就從「賣 GPU」延伸到模型被發現、下載、部署與最佳化的整條開發流程；新的問題則是，Hugging Face 原本跨模型、跨硬體的平台角色未來能不能維持。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一家 4 人景觀維護公司每天在屋頂花園、庭院與社區現場工作，老闆最常遇到的不是不會做工程，而是雙手都在忙時想到的材料缺口、客戶變更與隔天安排，回到車上後常漏掉。團隊讓老闆用 Gemini Live 直接口述非敏感現場資訊，再由 Spark 整理成 Docs 工作清單與待查資料；但報價、採購、付款、客戶正式承諾與員工排班仍由人確認。真正省下的不是施工時間，而是每天把現場腦袋重新抄回數位系統的時間。
閱讀全文 →不代表。Google 對 Gemini Live＋Spark 的官方描述，是把你零散的語音 Brain Dump「整理主要主題，再轉成結構化大綱」，而不是製作逐字稿。這代表 AI 可以重新排序、改寫、合併相似想法，也可能因理解錯誤或生成式 AI 的限制加入你沒有真正說過的內容。重要的日期、價格、承諾與商業決定，不要因為已經出現在漂亮的 Google Docs 裡就當成原話；最好另外保留原始語音，並區分「原話可追溯、AI 整理、AI 推論」三層。
閱讀全文 →Gemini Live 現在可以把你一路說出的零散想法交給 Spark，再整理成 Google Docs，但不要語音講完就直接叫 AI「幫我寫完整企劃」。今天只學一個方法：先要求它把內容分成「已確定、還在想、缺資料、下一步」四格，而且缺少的資訊只能標記，不能自行補完。這樣語音真正幫你省下的是重新整理腦暴的時間，而不是把半成熟的想法包裝成看似完整的結論。
閱讀全文 →Google 8 月 26 日開始替 Gemini Live 推出一輪大型生產力升級。現在不只可以和 AI 說話，還能用語音查 Gmail、搜尋與整理信件、聽取結合 Gmail 與 Calendar 的 Daily Brief，並把較長的多步驟工作交給 Spark，跨 Docs、Sheets、Drive 與 Web 持續執行。真正值得試的不是「語音版聊天」，而是當雙手正在做別的事情時，直接把零散想法、Email 與下一步工作交給 AI 整理。
閱讀全文 →今天三則新聞把 AI 競爭推進「規模經濟」階段。Nvidia 第二季營收達 962 億美元、年增 106%，資料中心收入更達 890 億美元；Anthropic 據報準備用約 450 億美元、六年時間向 Nscale 租用 AI 算力；中國 MiniMax 上半年營收則年增 283.1% 至 1.166 億美元，其中企業與 API 相關收入暴增 703.1%。下一場 AI 大考已經不只是模型能力，而是誰能讓龐大的算力投入真正轉成持續收入。
閱讀全文 →Reuters 今天公開 Meta 內部 AI 轉型調查：代號 Project OT 的計畫曾評估把部分團隊縮減最多 60%，用更小的「AI-native」小隊搭配 Agent 完成更多工作。問題是，內部程式變更量雖年增 220%，真正送到使用者手上的新增或升級功能只增加 36%；技術與安全事故、救火時間也據報上升。Meta 最終仍執行第一波約 10% 裁員，但 Zuckerberg 在前一晚叫停原定 11 月的第二波。這次真正值得看的不是「AI 能不能取代員工」，而是企業不能把 AI 產出量直接當成真正生產力。
閱讀全文 →自主武器並不是科幻電影裡才有的東西。部分防空與反飛彈系統早已能在啟動後自行偵測、選擇並攔截特定目標，但真正引發聯合國與紅十字國際委員會警告的，是下一條界線：機器能不能自行把「人」選成攻擊目標？當 AI、感測器與武器自主能力愈來愈強，真正需要決定的已經不只是技術能做到什麼，而是哪一些生死決定，人類不能放棄最後的判斷與責任。
閱讀全文 →這是一個 SasaDaily 假設商業案例。一家 5 人活動企劃公司同時執行三場專案，客戶改期在 Gmail、最新版流程表在 Drive、廠商討論在 Google Chat、會議時間又在 Calendar。團隊把 Ask Gemini 當成「工作 Context 入口」，先跨系統找出最新變更、來源與衝突，再準備回覆與候選會議時間；但報價、客戶正式承諾、廠商進場時間與真正修改行事曆仍由專案負責人確認。價值不是讓 AI 當專案經理，而是少花時間找「到底哪一版才是真的」。
閱讀全文 →不代表。Ask Gemini in Google Chat 可以跨 Gmail、Drive、Calendar 等 Workspace 資料找答案，也會附上引用來源，但「它有權使用這些來源」不等於「這次回答前已把所有可存取資料逐一完整搜尋」。Google 的 Workspace 說明本身就把來源分成可選來源、較廣泛的 Workspace 搜尋範圍，以及系統判斷最相關的資訊。比較安全的理解是：Ask Gemini 很適合快速找出最相關證據，但如果問題要求「全部」「沒有遺漏」「最新唯一版本」，仍要明確指定來源、時間範圍並檢查原始資料。
閱讀全文 →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 →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。