美國時間九月二十三日，主持人從矽谷飛到德州奧斯汀，坐進一輛沒有方向盤、也沒有踏板的 Cybercab。等了大概八分鐘。他自己有 Model Y，也開過 Model 3。這台明顯小一圈，感覺比 Model 3 還小，只有兩個位子。他坐在原本該是駕駛座的左側，腳下沒有煞車，也沒有油門，心裡還是有點緊。

緊是有道理的。乘客在緊急時沒辦法做物理接管。影片寫道，特斯拉在後台用遠端人員兜底，網路由 Starlink 撐著，乘客可以一鍵請求路邊停靠，並接通 Robotaxi 的專屬服務。節目組今年五月中旬在奧斯汀已經到處看見 Cybercab，測了幾個月，九月才算跨過一個新里程。馬斯克把這種沒有方向盤的車，說成未來交通的樣子。

截至九月二十二日，特斯拉在德州登記的 Robotaxi 一共四百七十六輛：六十七輛 Cybercab，另外四百零九輛仍是有方向盤的 Model Y。醜聞、訴訟和質疑跟著走了十幾年。FSD 沒停，但進步很苦。馬斯克對人頭和成本卡得很緊，硬體反覆推倒，上線前還在加班改；軟體團隊則一直嫌算力不夠、人也不夠。

二〇一三年跟 Google 拆夥，黑盒先裝上車

二〇一三年，成立十年的特斯拉決定做自動駕駛，第一個想合作的是 Google。高精地圖加光達太貴，對不上馬斯克講的第一性原理。Google 要一步做成 L4，馬斯克要先推 L2，再迭代到 L4。兩邊拆夥，兩條路線吵到現在。特斯拉當時連活下去都費勁，自研談不上，於是找了 Mobileye。

二〇一四年十月的 Autopilot Hardware 1.0 很基礎：一顆前鏡頭、一顆前向毫米波雷達、十二個超音波感測器。晶片是 Mobileye EyeQ3，500 MHz，記憶體 256 MB。在特斯拉近十二年、做過能源、自動駕駛、機器人和 AI 硬體的 Kevin Liu 說，早期車規限制很大，這是沒有別的選擇才用的方案。二〇一五年 Autopilot 軟體上線，只做到車道保持和適應性巡航。那個年代很多車連定速巡航都沒標配，所以已經很驚人。有人在車裡吃漢堡，有人在副駕睡覺，直接把它當成無人駕駛。

二〇一六年五月七日，佛州一輛 Model S 撞上正在左轉的拖掛貨車，車主當場死亡。補助駕駛沒有辨認出那輛貨車。Mobileye 先前警告過，禁止雙手離開方向盤，沒有被當回事。事故是催化劑。真正讓兩邊談崩的，是合作方式。影片把自動駕駛拆成感知、規劃、執行。感知演算法由 Mobileye 壟斷，規劃和控制由特斯拉主導。鏡頭畫面進 EyeQ3，算出結果再交給規劃層，底下是黑盒。受訪工程師說，接口得由兩邊硬性定義，接口以下 Mobileye 不開放。特斯拉想改接口，沒有控制權。分手之後，演算法收回自己做，硬體也換了對象。市場並不買單。

八顆鏡頭不夠，第二顆 GPU 才是冗餘的雛形

事故後五個月，二〇一六年十月的 Hardware 2.0 把鏡頭加到八顆，晶片換成 Nvidia Drive PX2。受訪工程師說，八顆是為以後的全自動駕駛預留，當下算力處理不完每一路。十個月後的 Hardware 2.5 補上冗餘：2.0 是一顆 SoC 外掛一顆 GPU，Nvidia 沒有專門的補助駕駛晶片，馬斯克已在推全自動，晶片壞了得有備案，於是多加一顆 GPU，成為雙晶片的雛形。六個月內自研換掉 Mobileye 演算法，並推出 FSD。初期不順。Mobileye 做了多年，新團隊從零開始，問題可以理解。

AI 3 十八個月流片，量產前三個月幾乎沒休

二〇一九年四月，Hardware 3.0 用自研 AI 3 換掉 Nvidia。這條路在 Mobileye 時期就開始佈。二〇一六年一月，馬斯克挖來 Jim Keller。他在 AMD 做過 K7、K8，在蘋果做過 A4、A5，回到 AMD 做了 Zen，後來去了 Intel。二月，Peter Bannon 加入，進特斯拉前已有近四十年計算系統設計經驗，待過蘋果、Intel、PA Semi，帶過蘋果 A4 到 A9。加上三星團隊，第一顆 FSD 晶片花了十八個月，二〇一七年十二月第一次流片就成功。Kevin Liu 記得，第一次出來基本上沒什麼毛病，小改一版就量產，後面沒再改。做處理器能一次流片就過的是極少數，很多晶片連開機都開不了。當時用的 14 奈米相對成熟。

跟 Hardware 2.5 的 Nvidia Pascal 比，AI 3 的神經網路算力提升五倍以上，其他參數也明顯上去。它為自動駕駛定做。通用晶片還要做執行緒排程、記憶體存取、分支預測，跑神經網路時利用率很難拉高；這顆的有效利用率到百分之八十。影片引用的說明是，二〇一六年沒有從零做起的神經網路加速器，別人只是在 CPU、GPU 或 DSP 上加指令，特斯拉決定做成原生的。

AI 3 正要量產，Jim Keller 離開，硬體交給 Peter Bannon。Kevin Liu 轉述的印象是，Keller 喜歡從零到一，不喜歡從一到十。在蘋果和 AMD，晶片完成之前人就走了。特斯拉當時要做晶片，正好是那種工作。

晶片順利，量產前三個月卻忙到接近崩，因為馬斯克不愛加人。Kevin Liu 說，到今天 FSD 軟體團隊，連機器人那邊的 FSD，人都很少。他們要同時支援還在量產的 Hardware 2.5，又要寫 Hardware 3 的軟體。沒有配套軟體，晶片測試跑不起來，硬體團隊只好自己上傳程式、自己寫指令來測。那三個月是他在特斯拉最忙的一段，幾乎沒休，大概只休了一兩天或兩三天。

自研換來成本和主導權。二〇一八年底公司快破產，整車又用了大量 TI 的車規晶片，希望全部降價，TI 不答應。Kevin Liu 說當時這類晶片利潤平均可以到百分之五十到五十五。他把整套換成功能相當的 ADI，硬體軟體都得重測，還是換。TI 發現這套料占營收很大，執行長出面來求。採購把降價表丟過去：全部降，就改回來。僵持好幾個星期後 TI 答應，那一年大約省下兩千萬美元。馬斯克寫信感謝。

跟 Nvidia 也不乾脆。Kevin Liu 說，到今天 Nvidia 的 Thor 仍是通用晶片，Nvidia 不希望被單一客戶鎖死。配合度更讓馬斯克受不了。有批車要返修，團隊懷疑主機板過熱，只想讀晶片上的溫度感測器。幾行驅動來回扯了約一個星期，對方接著要收費，付了還要再等一個星期。三行程式拖了快半個月。

感知改看影片，雷達在缺貨裡被拿掉

AI 3 在二〇一六年是照卷積神經網路 CNN 設計的。二〇一七年那篇 Attention Is All You Need 隨後改了路線。六月，Google 公開 Transformer，後面催生 ChatGPT。三十歲的 Andrej Karpathy 離開 OpenAI。馬斯克當時還是 OpenAI 聯席董事長，邀他進特斯拉，直接向自己回報。特斯拉的自動駕駛當時在低谷。受訪工程師認為他最大的作用是招募：很多人上過他的課，才有理由進一家車廠。

二〇一八年到二〇二一年，感知連改了四輪。Karpathy 進門先把車道線、車輛、行人交給深度學習，用大量資料訓練，讓系統自己認環境，沒見過的路也還能判斷。任務一多就不夠用：紅綠燈、錐桶、減速丘、施工標誌若各跑一個網路，程式量和車上算力都扛不住。HydraNet 讓所有任務共用底層的特徵萃取網路（backbone），只在頂端分出任務頭（head）。影片把它比成一棵樹，樹幹是共享算力，樹枝是不同的辨識，單一任務可以微調，而不把別的任務帶壞。

早期感知像在看照片，CNN 一張張找車、人、車道線。路上是連續的。小車被巴士擋住的那幾幀，系統得靠前後時刻猜它還在不在。團隊改成看連續幾秒的影片，並預測物體怎麼動。再來，八顆鏡頭原先各看各的，左右都看到一輛車，不清楚是不是同一輛。Transformer 的交叉注意力加上空間變換，把多視角投進同一個俯視座標，做出 2.5D 的鳥瞰圖 BEV。受訪工程師說，學界的多感測器融合也一直有人在做。

二〇二一年，感知開始真的在理解整條路。五月，馬斯克決定拿掉所有毫米波雷達。他早就說過鏡頭就夠，融合多種感測器又重、又增加維修。時間點仍讓內部覺得突然。Kevin Liu 說真實原因是供應鏈：疫情裡雷達供不上，供應商 Continental（Conti）像是談崩了。核心料供不上，採購會升到 Elon，讓他直接跟對方執行長談。不配合的就被拉黑，他的態度是今天不給就不要了。軟體早就被催著在演算法裡拿掉雷達，人手不足，一拖再拖，疫情成了催化劑。測距精度掉下去，只能用純視覺估速度。有人反對，雷達估速度較準，也不怕天氣。

拿掉雷達之後，還得只靠鏡頭做出三維。十四個月後技術放出來。二〇二一年的鳥瞰圖是 2.5D，二〇二二年 AI Day 變成真 3D，靠的是占用網路 Occupancy Network。空間被切成體素（voxel），被佔住就是障礙。長方體框包不住轉彎的兩節公車，也包不住挖土機那支又長又有高度的手臂：有時能從下面開過去，太低就不行。系統不必先認識每一樣東西，也能避障。

訓練需要 ground truth，哪個體素被佔、哪個是空的。傳統靠人工標光達點雲，成本可以是標物體框的十倍以上，而且特斯拉量產車沒有光達。內部用自己的自動標註網路產生標籤，算力也撐得住了，才訓得動。馬斯克對外瞧不起雷達，內部仍有特殊車輛裝光達，專門採這些參考。影片引用的說明是，少數車裝較貴的感測器，就能當成電腦視覺的標註。

Hardware 4：兩顆還是三顆，GDDR 換來容量瓶頸

算力愈來愈緊，二〇二〇年 Hardware 4.0 啟動。2.5 升 3.0 主要是換一顆晶片、加安全冗餘；這次是全系統重做。電路板裝不下更大的晶片、更多的記憶體和電源，老車主不能再像以前那樣免費升到下一代硬體。鏡頭從一百二十萬畫素提到五百萬。車載先看耐熱、抗震和壽命，看清一定距離就夠，幀率比堆畫素重要。Kevin Liu 說，五百萬畫素讓 CMOS 功耗變大，電線得更粗，訊號還要走一到三公尺才到車身中段，做不到手機那種一億畫素。

位置也被改。前擋風原本三顆鏡頭，馬斯克砍掉一顆。他問，人只有兩隻眼，為什麼要放那麼多。意見不合就拍桌罵髒話。雷達拿掉之後，前保險桿成了盲區，停車可能撞上。團隊建議車頭再補一顆。他說人入庫前也看不到車頭下面。人有記憶，車沒有，記憶得另訓一個模型。後來從 Cybertruck 起，前保險桿又加回鏡頭。Kevin Liu 說，Elon 知道自己可能不對，公司也改得很快。

Hardware 3.0 是兩顆各 72 TOPS 的 AI 3。Hardware 4.0 單顆 AI 4 算力已經翻倍，軟體還是說兩顆不夠，三顆才能把 FSD 做出來。Elon 答應了，硬體真的做出三晶片。雙晶片是一顆壞了另一顆接管；三顆要決定誰接管，冗餘、供電、訊號都更複雜。量產前一兩個月，專案經理問到底用兩個還是三個。Elon 像是忽然想起，Kevin Liu 猜財務長提過，覺得三個太貴。軟體說研發都開始了。他說最終決定，就是兩個，不用再討論。板子趕在量產前改回去。內部到現在還在爭要不要再加晶片。流傳的玩笑是：你給我十倍，我能把它用掉。Kevin 覺得模型還有空間可收，只是人手太少，力氣都花在把模型做大。

AI 4 仍找三星做，服務卻不如 Hardware 3。外面生意一多，時程嚴重延遲，效果也不夠好，流片大概三四次。特斯拉選了大家沒用過的 GDDR，設計碰上很多困難。模型變大之後，真正卡住 AI 3 的是記憶體頻寬。影片把晶片比成工廠：算力是工人，頻寬是運原料的高速公路。一百個工人，一次只運得進二十個人的材料，另外八十個只好站著。記憶體從 LPDDR、DDR、GDDR 到 HBM，頻寬和功耗一起往上。特斯拉原先用手機、筆電常見的 LPDDR，為了頻寬改選遊戲顯示卡的 GDDR。功耗高、廠商少、價格也高。用了幾年，容量反而成瓶頸。美光或三星不會只為特斯拉做一款車規大容量 GDDR。內部在做 Hardware 4.3，改回 LPDDR，犧牲一點頻寬換容量。Kevin Liu 說他當時是唯一提出來的人，沒有人聽，他認為那是決策失誤。也許不久車上就會看到 4.3。

成本仍壓得很低。他說整套硬體比 MacBook Air 低很多，大約一台普通 iPad。外觀可以不變，每隔幾個月內部大改一次，性能守住，成本下降。AI 3 和 AI 4 也裝進伺服器攤研發成本，晶片相同，接口和訊號不同，跟主打訓練的超級電腦不同。AI 4 伺服器做兩件事：pixel injection，生成類似世界模型的訓練場景；以及推論驗證，把真實路況回放，看 FSD 會怎麼決策，再跟人類駕駛對照。影片說，被稱為 V12.0 的版本在二〇二三年二月裝車，設計得早，沒針對 Transformer 優化，很快過時。緊接著，舊程式碼被推倒，改走端到端。

三十萬行收成兩千行

二〇二二年七月，Karpathy 離開，軟體創始成員 Ashok Elluswamy 接位。外界猜演算法碰到困難，股價跟著跌。Karpathy 說自己滑進管理職，那不是他想做的，他想回到技術。若舊路線繼續，工作會愈來愈像在重複優化。年底 GPT-3.5 震到整個圈子。馬斯克剛買下 Twitter，想調特斯拉工程師去改推薦。Davor Ros 不想走，告訴他自己在做車用的 ChatGPT：用神經網路取代規則，模仿人怎麼開，沒見過的場景也能避障，必要時壓實線閃過去。馬斯克被說動，還想做一段像 007 的示範。Davor 留下。端到端把大約三十萬行程式收成兩千行。

前 AI 軟體工程總監 Srihari 負責過 Robotaxi 和 Optimus 的 AI 工程，以及軟硬體協同。馬斯克點名過他們把車載 AI 電腦的性能做出來，說沒有這個團隊，Robotaxi 做不成。他回憶，端到端在 ChatGPT 之前就開始試，ChatGPT 加速了其中幾條路，團隊人非常少。二〇二三年八月底，馬斯克在自己車上直播第一次公開演示，地圖上的路徑是臨時點的。車自己開，中間闖了一次紅燈，被笑很久。二〇二三年底員工成批收到 FSD V12，二〇二四年一月推向一般車主。特斯拉是第一家把端到端裝上量產車的車廠。想法本身更早：Nvidia 二〇一六年提過，學界一九八九年就有。

V12 若是一整張網路，畫面上的 BEV 從哪來？參與開發的演算法工程師說，網路中間多拉一條 head，專門顯示鳥瞰圖。推論時這條分支像闌尾，只負責顯示。底層雖然重寫，仍沿用了不少 Karpathy 留下的感知。Srihari 說，更好的物體偵測和占用網路，都是下一步的種子。

二〇二四年十一月的 V13 增加參數，拉高接管里程 MPI，加上車位到車位，並針對 AI 4 優化。鏡頭捕到的光子不做前置處理，直接進模型，延遲變短，物體之間的關聯更能被預測，開起來少一點猶豫。幀率和解析度也提高。Hardware 4 的五百萬畫素，先前演算法並沒有用滿，用多少由演算法自己決定。V12 是在驗證端到端走不走得通，V13 則是把控制端簡化，讓同樣的車上電腦跑得更有效率。內部有人拿它比 SpaceX 的 Raptor V3。Srihari 把目標說成 intelligence per watt：電腦很小，就在那一點功耗裡擠智慧。

二〇二五年十月跳過 V14.0，推出 V14.1。馬斯克稱為 V12 之後的第二大更新。參數提升十倍，Robotaxi 的技術第一次大規模流回量產車，並加入強化學習、新的視覺編碼器，以及重寫過的底層 AI 編譯器。Srihari 說這一版是在押縮放定律（scaling laws）。實體 AI 沒有現成文獻，技術棧得自己發明，不能只靠為自迴歸 Transformer 寫好的那套。二〇二五年底，一輛 Model 3 從加州開到南卡羅來納，兩天、兩千七百英里，全程 V14，沒有一次人工介入。

端到端仍是黑盒。上億個 token 進去，只輸出轉向和加減速，模型會學到假相關：人是因為前車煞車燈而減速，它卻可能以為原因是旁邊在晃的樹枝。Ashok Elluswamy 後來說了三條補法。車上先篩，只上傳極限反應、複雜路況、特殊車輛，不把無聊的高速巡航全部收回來。訓練時讓網路額外吐出一個 3D 場景，檢查它在看什麼、空間關係有沒有建對。再把訓練好的 FSD 放進另一個生成式網路做出的世界模型裡開，重播曾經犯錯的片段，也注入新的極端場景。

傳統模擬是人搭場景、定物體、寫物理，再渲染成畫面。世界模型直接生成每個感測器會看到的內容，也能從一段現成影片往後接。即時生成很吃算力；右轉時行人和其他車要怎麼照現實起反應，也很難做真。最新演算法還把音訊送進決策，目前用來聽警笛和救護車，以後才接到車輛控制。Srihari 的理由是，人看得到、聽得到的，就該試著餵給模型。

客戶車上是 L2，拿到許可的 Robotaxi 被當成 L4

二〇二四年十月發表的 Robotaxi 沒有方向盤、沒有踏板。服務晚了一年才開始：二〇二五年六月，奧斯汀先放十到二十輛 Model Y。Kevin Liu 說，不論 Model Y 還是 Cybercab，硬體跟量產車沒有差別；當時為 Cybercab 做的安全冗餘，後來也放進所有車型。差在軟體。Robotaxi 更新更勤，比客戶車上的 FSD 進一點，底層仍是同一個模型。放在一般特斯拉上它還是 L2；放進這批車，再加上政府的 L4 營運許可，它就是 L4。內部最新的版本要長時間測穩，才推給量產車。

測出問題就靠遠端。主持人坐車時沒有那麼擔心，他認為這個階段特斯拉會盡力保住每一輛。等到幾千、上萬、幾十萬輛，怎麼在安全還在的前提下把範圍拉開，才是外面質疑的擴張速度。現場受訪者說，早期戰備室裡隨時有人盯著最初那幾輛，每一公里都有人看，成本裡含著這些人的薪水。安全數字若以後證明夠了，人工比例就會降下來。

奧斯汀上線後一年，加州、舊金山灣區、內華達、亞利桑那等地陸續拿到條件不同的許可。Srihari 認為剩下的是驗證、法規和部署：多快鋪出去、多快拿到回饋、誰有基礎設施能在不同地方擴。FSD V14 跑在 Hardware 4.0 上，又快到瓶頸。下一顆是 AI 5，比 AI 4 更難，內部還出現瞞報。

二〇二五年八月，被馬斯克當成特斯拉 AI 核心基礎設施、華爾街甚至看成潛在數千億美元資產的訓練電腦 Dojo 被叫停，團隊解散。他的解釋是 AI 5、AI 6 拿來訓練也夠用，不必再重複投 Dojo。Kevin Liu 參與了 AI 5，說挫折和隱瞞很大，Peter Bannon 的離開也跟這件事有關。AI 4 跟三星摩擦多，Bannon 決定從 AI 5 起完全自研，不再外包。人手和經驗都不夠。新招了很多人，仍遠少於三星那種幾百、上千人的設計團隊；Hardware 3 和 4 都有三星深度參與，自己單幹很多環節沒做過。

進度被拖住，還因為德州的專案主管隱瞞困難。對台積電一直說再兩個月，這句話講了快一年。Elon 把圖紙送過去，對方說這不是再兩個月，是再一年，根本離流片還遠。他認定晶片團隊沒說實話，拿掉了一批人，包括 Kevin 的老闆和晶片部門主管。Kevin 認為 Pete 沒有參與瞞報，但那個主管直接向他回報，所以有連帶責任。馬斯克之後親自管晶片團隊，兩條路並行：第三方設計公司協助現有 AI 5，仍交台積電；另一顆請三星回來做，也都叫 AI 5。

影片說的今年四月十五日，台積電版本完成第一次流片，預計量產在二〇二七年。馬斯克說特定任務會比 AI 4 快四十倍。業界猜測，搭載 AI 5 的 Hardware 5.0 會到兩千到兩千五百 TOPS。Kevin Liu 認為功能上會很強，而且用了 MCM。兩種製程可能混在同一款車型上，不會混在同一塊板子上，FSD 的體感應該分不出來。他也聽到較新的內部消息：AI 5 有可能不裝上車，因為馬斯克認為 AI 4 已經夠用，AI 5 主要給算力中心和機器人。這還可能再變，影片說以官方宣布為準。

下半場比的是成本和每一次出行

為什麼是特斯拉做出 FSD？Kevin Liu 說，傳統車廠不必講，矽谷有些新技術公司也會衡量很久。特斯拉願意承擔風險，也願意很快用上新技術。Srihari 把資源拿捏說成一門手藝：要押未來的技術，還得把現在的技術往前移。流程不繁雜，力氣放在讓產品變好的事上；算力、人和時間都有限制，因為功能一直在出。

十三年前，特斯拉和 Google 走了相反的路。後來的 Waymo 用更貴的感測器、更嚴的安全冗餘，先在有限區域把無人駕駛做出來，再慢慢擴大。特斯拉把鏡頭裝進幾百萬輛量產車，把一個遠沒成熟的系統交給真實世界，在事故、爭議、返工和軟體更新裡繼續往前。十三年後還沒分出勝負。影片說下半場的名字叫經濟之戰。Waymo 在商業化和實際營運上仍明顯領先。Cybercab 才剛在奧斯汀有限區域跑。美國聯邦監管機構已經對 Cybercab 啟動調查，查設計是否符合安全標準。現在還不能說特斯拉贏了。

十月的 FSD V15，影片說應該要發布。媒體傳出的消息是參數再大十倍，意在支援 Level 4，早期版本已經在 Robotaxi 車隊裡跑。至少到目前，那條被認為太激進的路線還留在牌桌上。沒有安全員、沒有方向盤，面對數百萬次真實出行，它還能不能維持夠穩定的安全，這題才剛開始。Waymo 要比的，則是多地已經在跑的系統能不能繼續擴張、把車隊做大，並且把成本降到大規模商業化。

銀座單向街書店這場，郭宇把題目換成語言模型對世界模型。題目他自己改過好幾次。分享停了兩個月，這一個月他認為有兩件事非講不可。一件是 GPT-6：Computer Use 強到可以操作電腦裡的專業軟體，Marvelous Designer 和 Blender 都能開，建模他說已經和人類工程師、設計師沒有區別。另一件是李飛飛實驗室的世界模型，兩三張照片就能還原一個虛擬世界，但你只能看、只能換角度。

他把例子放在一張逝去親人的照片上。背面、人在環境裡的位置，照片沒拍到，你卻想摸到、想換角度看。一兩張照片交給李飛飛公司的世界模型，還原成 3D 場景，可那是點陣圖。不能互動，不能像真人走來走去。

Figure 是這幾天的具身例子。這家美國公司在舊金山租了三十間 Airbnb，不同房間做不同的事：整理房間、洗衣服、叠衣服、整理床單。世界模型要加快的，是現實裡會發生、又被錄下來的那些事。先在模擬裡做一遍，再把影片丟給機器人學。疊床單得知道重量、材質、厚度，布拉開之後力怎麼走，不然疊不平整。

從 2022 年 12 月那一代 ChatGPT 算到現在的世界模型，路線不同，目標像同一件：把看得到的物理世界搬進電腦。名字叫 Real to Sim，真實的東西進模擬器。做這件事是為了機器人，為了各種人工智慧能用更多層次認識世界。Facebook 的 Zuckerberg 要做元宇宙，郭宇說那不是理由。

語言模型缺的是因果關係。ChatGPT 或 Claude Code 可以做知識工作，按機率吐出你想說的話，或別人願意聽的話。真實世界裡，你做的事會影響別人，你的因會變成別人的果，也會回到你身上。時間是線性的，後來的事受先前的事影響。模型的神經網路裡沒有這一層。它要懂因果，得靠工具去查 Google、搜尋引擎、Wikipedia。訓練好的本體裡，因果不在。世界模型要的就是因果、物理、重力，先把人類世界仿真進虛擬世界。

ChatGPT 一開始只是在吐文字，英文、日文、中文。後來大家拿它寫程式，程式改網站、改 app，再改到工業製造，改到摸得到的東西。今年一月郭宇講這題，是因為去年十月 Claude Code 推出 Scale，程式可以即時生出來，解決一次性的任務。他說手是從那時伸出去的。這個九月的 GPT-6，把手伸進專業 3D 軟體，伸到做衣服。

二十分鐘，小狗的萬聖節衣服交到打版

這兩天他做了好幾件，其中一件是朋友的小狗，萬聖節主題。ChatGPT 先把衣服做成三個視圖，視圖進 Tripo，輸出大約兩百萬個三角形的模型。模型再進 Blender，綁上骨骼，那個小鬼就動起來。衣服的圖自動進 Marvelous Designer，切片，布可以選針織，也可以選硬的，然後打版。衣服是 3D 的，布卻從平面裁。裁完會標哪裡用什麼工法、怎麼縫，檔案可以交工廠。二十分鐘做完。他在台上說，這很可怕。

二十分鐘的過程，他還看得到每一步。他說回家若改用 Computer Use JEV，就未必看得了。Computer Use 是一套開源庫，接上 JEV 做操作時的快速分類。用它取代 ChatGPT 內建的電腦操作，速度可能快到他根本看不到。到那時他覺得自己連觀察的資格都沒有，只能放手。

OS World 高了十個百分點，衣服對不對得用眼睛看

桌面任務有一份考卷，OS World，全名 Operating System World 2.0。GPT-6 Ultra 比上一版 GPT-5.6 高了十個百分點。他說每一代都在漲，十個百分點已經很顯著，代表它開始碰瀏覽器和主流軟體以外的程式。

操作有兩條路。一條是看螢幕，每一步截圖。網上有人寫，用 GPT-6 開專業設計軟體，Blender 裝好第一件事是把語言改成英文。中文介面辨認要花更多 token，更慢。那則貼文建議專業軟體全部設成英文。你看不懂沒關係，它看得懂。另一條是 MCP，Anthropic 做的協議，模型直接跟軟體後台的程式溝通，只知道邏輯對不對。三角形的數量可以對，人眼看衣服就是不對。網頁可以說把右上角改成綠色。衣服破個洞、形狀怪、蹲下去偏大或偏小，很難講清楚。

所以他要大家更新 ChatGPT，裝好 Blender，跟它講：幫我操作，不要走 MCP。Token 多花可以，用 Computer Use，用視覺看。效果好很多，速度會慢。他覺得 MCP 走到生命週期後面了。它和後面的 Scale，是想用傳統程式讓模型知道軟體內部的狀態。資料庫這類抽象的東西有用。操作電腦時，不能指望訓練階段把世界上每個軟體都用過。他偏向下一代，也許 6.5 那種 Ultra，用 JEV 這種更快的方式處理畫面。下一版的電腦使用，他相信主要靠視覺。

他說這已經很難分清模型和真人，因為用法一樣，很像 Tesla 訓練自動駕駛。Tesla 很長一段時間不用光達。不是買不起，成本也是原因，更主要是想一勞永逸：人學開車用眼睛、用小腦，他們就用視覺模仿人。Cybercab 已在 Austin 鋪開，兩個座位，沒有方向盤，沒有螢幕，沒有可以干預的東西，坐上去到下來都是電腦在開。他最近很少用 Claude，覺得它控制桌面軟體已經遠遠落後 OpenAI。下一代的電腦使用，他相信會領先一個很大的身位，方式像 Tesla 訓練車。模型改用看螢幕來操作之後，三維資產才變得改得動。

可編輯，是相對前一場講的流程。文字生圖，圖交給 Seedance 2.0 生影片，不對就要重做，又煩又花錢。出來的是影片，他說一幀裡可能有二十四張或六十張圖，畫格裡的人改不了。衣服顏色、表情，或只是覺得哪裡不對，都得再生。每參考一次就更失真，這是 Diffusion 模型的特性，十幾二十次之後會很嚴重，而且每次都重算機率。腿往前邁一步，話講不夠準，結果就不準。效果好的片子常常附上幾百字甚至上千字的提示詞。他不覺得提示詞工程會是以後的用法。

GPT 現在能生真實的 3D 模型。走哪一步、往哪轉、換什麼衣服，不必再另外花錢，而且可以馬上改。跟 GPT-6 說顏色不對就行。投影片上的 UV 展開，就是把二維貼圖貼回模型。要加衣服、做一頂針織帽，可以先用圖像生成做出展開後的平面圖，切圖很快，再變成 3D 網格，用網格和平面的對應去改。帽子換色是換貼圖，不是整段影片重算。

Mesh 和 Tripo 是這條路的第二個角色，專門把幾張圖算成網格。他拿圓打比方，也提到微積分：圓在螢幕上是很多三角形，不是真正的圓。加到兩千萬、三千萬個面，肉眼分不出來，像砂紙磨過的圓，微觀仍是尖的。Tripo 收一張到三張參考圖，還原 3D，目前最高大約兩百萬個三角形，貼圖到 4K 或 8K。它最早是做 3D 列印玩具的。小孩五歲、七歲、十二歲各留一個，拍一張照片，大約一分鐘出模型，丟進 Bambu Lab 印出塑膠人偶。現在同一份資產可以進 Blender，讓 ChatGPT 精修、綁骨，讓小孩動；把家做成虛擬空間，人在裡面走；接上語音 API 就能即時講話。日本有人拿這套做 VTuber，人物放到網頁上聊天、走路、蹦跳、唱歌，他說一兩個小時可能做完。

現場的 GPT 補的是：做好的東西可以留著改。同一個角色，今天換萬聖節衣服，明天換動作，之後加對話，每次從已有的成果出發。它問郭宇，小狗那件衣服哪一步必須他自己看。郭宇說是打版對不對。他自己沒做過衣服，朋友在文化服裝學院讀了好幾年，得有設計師在旁邊看。GPT 的說法是，流程和版型系統串得起來，合不合身、布料表現對不對，還是人把關。

郭宇接著問，為什麼不能一步到位。語言模型的觸角已經伸進製造業，模型應該也有做衣服的經驗。現場的 GPT 沒有馬上答。材料在東京的伺服器，簡報和這一兩個禮拜的 3D 操作紀錄都在上面，他當時不在那台電腦、也不在手機上用。這次沒接 JEV，它不能先分類，得讀完才答。他拿在場的靜涵比：同樣做了一週，人會很快知道該說什麼。後來 GPT 補上：可以追求一步到位，經驗豐富也不保證每次做對。通用模型也許懂製衣，未必知道這隻狗的尺寸、這塊布的實際表現，還可能誤判自己生成的版。設計師也要試樣、改版。把測量、模擬、實做的回饋接進去，自動化才穩。今天要人看，不代表永遠過不去。延遲的原因，它說現在不能確認。郭宇真正想問的是另一層：工廠的布，在電腦裡是不是還沒有完整到可以仿真。若物理世界的事在虛擬世界都有資料，Marvelous Designer 裡應該就能把製造做出來。他開著 Extra High，還是慢。

這套軟體他仍建議下載。自動化紡織廠機器裡的模擬不是用它，它比較像虛擬角色的衣服，或學生作業：快到仿真，又還沒把檔完全丟給量產線。人台可以讓 GPT 生。他把女朋友的照片做成一個人台，貼文在 Twitter。身高和比例放進去，就是在虛擬裡量體裁衣。布料有預設的克重和下垂。他不敢說百分之九十九像真的，百分之九十以上他覺得可以。明顯不對的地方，白布試做或交給中國工廠之前就看得到。他說這軟體很便宜，沒多少錢，買一個授權，讓 GPT 接上去自動操作就行。他也要大家用新版的 ChatGPT Extra 自己試。

一位日本設計師的示範，是把人導回 Blender 綁骨，看站著、動著時衣服變不變樣。褲子特別需要這一步。專業裁縫即使用等身人偶，西裝褲仍會留冗餘：坐下去面料要伸。沒有這個經驗，就讓模特蹲，或讓 GPT 轉一圈錄下來看變形。最後還是得穿上身，觸感不會出現在螢幕裡。

他把衣服看成大用例，是因為 2011 年在支付寶做過微群，把中國的買家分成很多群，GMV 最大頭永遠是女裝。全球製造裡，除了吃的就是穿的，穿裡面最大是女裝。AI 若把個人化製衣串起來，他相信兩三年內看得到，不必再找裁縫，設計師按需求做。工業革命以來沒有這種事。個人化若吃掉大量製造哪怕百分之十，通關、物流、貿易都會被改寫。中國若不跟著改，以後製造未必還要靠中國。他也說，現在的成衣畫面仍有不自然的地方。

點陣看得到，重力還沒模擬完

幾張圖組一個空間，他說有點像魔法，而且他並不清楚 World Labs 怎麼做，開源這邊也沒有足夠資料。目前最厲害的是從靜態圖還原空間深度和裡面的物體。兩張投籃照片，可以換角度看那個人。幾張 GPT-4o 生成的城堡，可以還原整座城堡。現場的 GPT 提醒，沒拍到的部分是推測，不一定準；宣傳片第六頁底部有官方連結，Atlas 的演示可以直接開。它也把製衣那個問題留著：現實資訊若都準確進了虛擬世界，Marvelous Designer 裡算不算仿真製造。

還原已經很清楚，比一月或二月那個很粗的預覽細得多，手機上不太分得出差別，廣角也不像早期那樣邊緣明顯歪，他說接近 iPhone 一倍鏡頭。點陣仍不能互動。拿來做一間虛擬房子的展示，買賣房屋用得上。更大的用途是把虛擬世界的影片餵給機器人，這才是世界模型的原意。他說也許一秒、也許一分鐘，就能生出很多影片。創辦人是李飛飛。

投影片上 ChatGPT 在解釋：生成的世界有碰撞網格。攝影機走過去，物體穿不過去，不會穿模，哪裡能過、哪裡不能過，算有一點物理。重力還沒有。若下一版 Atlas 的籃球能改方向、改力度、把框放遠、投進並且落下，他覺得重力才算幾乎到百分之百，也可以改重力去模擬月球。美國要在月球建永久基地，上去做事的是機器人，物理沒先模擬，就無從訓練。不同星球、不同家裡的任務，都卡在這裡。他說現在是 2026 年 9 月，仍非常早，明年再兩三個重要版本，差別會很大。ChatGPT 出來的 2023、2024 並沒有太多讓人停下來的東西，大家還在學一來一回地聊天。真正加速是去年十月、十一月之後。一月開講時，他自己也沒料到會這麼快。

交會點就在可再用的 3D。GPT-6 操作電腦，做出的數位資產可以進遊戲，也可以進影視的 CG。世界模型用兩三張、四五張照片，生成虛擬點陣。一件是可編輯的資產，一件是可觀看的空間，這個月在做出 3D 這件事上碰到一起。

七十毫秒選一個，分類不必先訓練

JEV 是三四天前出來的。郭宇說它這兩天在刷屏，號稱分類比 ChatGPT、Claude 快大約三百倍，不是同一個數量級。它不能聊天，也不能寫字，只做選擇。幾十萬、上百萬個選項丟進去，用自然語言講要哪種特徵，毫秒級挑出來。圖裡找體重超過六十公斤的中年男性，或從閉路電視挑一個有特徵的人，都是這種工作。老的分類器得先有專業資料集，再按需求微調。JEV 不必預設是貓還是狗。Diogo，前 OpenAI 研究員，郭宇不確定名字怎麼唸，離開後把這東西叫做因果模型。郭宇自己的歸類是：大語言模型裡的快速通用分類器。

延遲可以落在六十到三百毫秒，接近說話的速度。浴室長黑斑，問 ChatGPT 去 Amazon 挑日用品會等很久。資料先餵給 JEV，說話的過程裡，幾百毫秒就在螢幕上出現可能用得上的商品。七十毫秒的話，他拿來比一般網頁的 HTTP 請求，覺得是同一個數量級。價格幾乎可以忽略，輸出免費。GPT 輸出貴，是因為回覆要校驗。JEV 只回答選哪一個，他說輸入費用是零。準確率和上一世代 GPT-5.6 差不多；跟 OpenAI 最頂尖的模型比仍有差距。和其他工具一起用，速度快兩個數量級，準確率接近，幾乎不花錢。

選項本身仍要別的模型來做。網站跟著使用者的文字或語音變，那幾萬、幾百萬個選項怎麼設計，他說還是 GPT-6 或 Fiber 的事。濾使用者輸入這一層，JEV 才是他講的壓倒性優勢。它看得懂電腦畫面裡哪一塊是什麼軟體，拿來操作 Google Flights 搜機票，會比 GPT-6 Ultra 快很多。人還得先分辨單程或來回，一座城市又常常有好幾個機場。原帖影片右邊是時間，左邊是操作畫面。

他預期大約一個月，GLM、MiniMax、DeepSeek 都會有很快的電腦操作。DeepSeek 的 Harness，他提到那套命令列工具 DSH，會接上類似的分類，或自己做一套。以前這件事幾乎是 OpenAI 的：訓練 GPT-6 時買了很多 Mac 放進資料中心，讓模型把 Mac 上的專業軟體用過。DeepSeek 現在看不懂圖，得另配一個看圖的模型，再加 JEV，效果接近，成本他說可能是 OpenAI 的一千分之一。

旁邊的用法更日常。郵件批量分類，五百封大概三分美元，朋友有人在做幾十萬封。積著的幾千封，兩三秒讀完，把重要的、待辦的、跟旅行有關的抽出來。下載資料夾也行。他說自己有點精神潔癖，資料夾整理得很好，下載區仍會亂。有人用 JEV 聽新檔，一出現就分類、命名、放到磁碟上對的位置，並放進模型的記憶。下次用語音問 GPT，就不必靠 Finder 的 Spotlight。Spotlight 是蘋果的聚焦搜尋，索引用的還是老方法，沒有 AI，新的 Mac 要花很長時間建索引。公司檔案、倉儲、服裝店、物流中心，他覺得都能用。

遊戲他沒看完。模擬器把狀態讀成 JSON，JEV 決定 Mario 跳不跳。慢了就被怪撞到，所以吃的是反應時間。早年把 AI 放進遊戲角色沒有流行，貴，也慢。他覺得現在可以拿星際爭霸這類試，或在自己的遊戲裡放角色、調強弱，DeepSeek 配 JEV 是一條路。簡報沒寫的還有 MiniMax H3，權重開源，FAL 做成 H3 Max，大約七點幾秒生出十五秒影片，有人拿去做無限電視台。Sora 也出了 2.5，他打算下一場再講影片模型。

量化是現場冒出來的聯想。這類基金十幾二十年前就有，文藝復興那一掛靠數學家、算力，和離交易所很近的機房，新聞出來就下單。散戶資訊、算力和倉位都不夠。有人昨天用 JEV 試，賠了很多。他說賠錢不一定是模型，可能是策略，而且得先找還沒被量化交易的人佔走的地方。去年的 Polymarket 也許還有空隙，預測市場新，華爾街不輕易進，資金池也小。Hyperliquid 同樣可以先讓 ChatGPT 或 Claude Code 把策略寫好，再交 JEV 分類，看一個交易日內有沒有獲利。卡牌拍賣、Mercari 二手，比的是誰先搶到。不必先寫程式。日本的抽選他也提了，說這例子有點不道德：第一時間進網填表很煩，他以前乾脆買黃牛票。Computer Use 變快之後，講一句話就能做，跟一月那種臨時寫程式不是同一條路。

四十億、八十億參數的小模型，Facebook 早做過，用來擋髒話、擋成人圖片、分貓狗、做驗證碼。JEV 多出來的是不必先訓練，用人類語言做通用分類。OpenRouter 已經開放，不用內測，也可以走 Cloudflare。讓 GPT 去 OpenRouter 註冊就能用。

複利在故事，不在高級上班族

他希望聽完的人回家真的打開 agent、ChatGPT、Claude Code，不要只在現場提問。

江西農村長大，第一次大變化是父親把他帶到深圳。數學界最近有兩個人拿了那個相當於諾貝爾的獎，名字他在台上說成王虹淼。他確定的是其中一位比他大一屆，深圳高級中學的，他讀高一時對方讀高二。那些孩子很多父母是第一代創業者，錢已經夠了，想的是這一生做什麼難的事。他自己在生物 X 班，有同學到現在還在美國的癌症研究機構，職涯沒有改。第二次變化是上網從電腦換成手機，大約從 2008、2009 到 2012。他覺得第三次就是現在，而且更快。

東亞父母要小孩讀書、離開體力勞動，至少換到經濟獨立。仕途、後來的經商，都是把智力變成收入。人工智慧上來之後，你調得動的智力和你自己讀來的不成比例。九年、十年學到皮毛，不可能不睡覺把 ChatGPT 的預訓練讀完。它還邊做邊學。他認為好好讀書、好大學、好工作這條，已經是妄想。2023、2024 之後，尤其去年寫程式這件事被攻下來之後，醫生、律師、其他知識工作、高級上班族，靠智力拿超額收益這件事，他看成泡影。

他給自己的下一項是用智慧賺複利，例子是 J. K. Rowling。《哈利波特》的小演員加上後來的片子，賺的遠不如作者。語言會留下複利：演講、書、talk show，因為它影響別人，也製造故事。西方叫 narrative。別人聽到名字就想到那串故事，有時跟著走。決定怎麼講，他說 AI 現在不會。Sora 和其他模型可以生出無窮影片，卻不知道哪一種講法對人是合理的。沒有這項 benchmark。若有一天會了，他覺得可怕。他的講法是，講故事其實就是在騙人。兩三年後會不會變，他不敢說。

所以複利不一定寫書。製造、衣服、影片、influencer，還有深圳人做的 Amazon 爆款，都是先知道別人要聽什麼故事。槓桿可以做很多事，唯獨不是打工。他說這等於逼人從工業革命以來的螺絲釘變成廠長。很難，不是每個人都會講故事，亞洲的教育很少教，某些常春藤也許好一點。網上搜他的名字，多半還是 ByteDance，和他以前退休的事。馬斯克的做法是先把火星、月球講出來，再把事情辦成，講多了，下一件很瘋的話也有人信。他受的教育相反：沒做成不要說。他認為這正是現在模型還沒拿走的能力。

講到這裡他停了，免得被聽成散布焦慮。每個月都有事情在改，要炒股票、改教育，或只改工作方式，都得先承認變化是客觀的。他要的第一件事，是先把心胸打開。

https://allinchamathjason.libsyn.com/daniel-ek-life-after-spotify-broken-healthcare-incentives-catching-disease-early-ais-potential

2026 年 1 月 1 日，Daniel Ek 不再擔任 Spotify 執行長，改任執行董事長。他 2006 年創辦這家公司，當時 23 歲，到這一集 All-In 已經帶了二十年。Jason Calacanis 開場報的數字是：活躍用戶超過 7 億，premium 訂戶超過 3 億。同一小時的另一條線是醫療保健公司 Neko。

台上是 Jason Calacanis 跟 David Friedberg。Jason 說兩人認識二十年。他第一次看到 Spotify，是在一場網路高峰會，Daniel 的夥伴側過身來，叫他看一下。那個時候，沒有人在做音樂的訂閱服務。

瑞典沒有合法的路

Daniel Ek 說，開始還有頭髮，做完就禿了。2006 年他給的畫面是：iPhone 還沒有。Facebook 有，但還只在校園。他說 YouTube 也還沒有。音樂產業正在往下掉，盜版到處都是，Napster、Kazaa 都在。美國有個組織叫 RIAA，唱片業協會，還在告個別消費者非法下載。

他人在瑞典，覺得盜版已經收不回去。共同創辦人 Martin 問他，如果什麼都能做，想做什麼。他說真正的熱情是音樂，但那聽起來很蠢。Martin 問為什麼蠢。他講了一串：得跟唱片公司談授權、談版權，後面還有一堆事。Martin 就一直問，那如果這樣呢。問到他講不出反對的理由。剩下的畫面是，世界上的音樂都在指尖上。Martin 說那聽起來不錯。那就試試看。

原本想第一天就全球上線。講出去，別人笑。他說自己運氣不錯，因為當時全世界最糟的音樂市場之一，就是他的家鄉瑞典。2000 年代初期，瑞典已經有很快的寬頻，人幾乎什麼都下載得了，等於活在別人還沒到的未來。iTunes 在那個市場甚至還沒上。合法的選項，他說字面上沒有。音樂產業的營收，他記得大概掉了八成，或那個等級。

他跟合夥人把前幾家新創賺到的錢全部押進去。跟唱片公司談的條件很具體：保證你們明年的獎金還在，明年的預算也做得到。如果事情真如你們想的那麼糟，一年後把這東西關掉，獎金你們還是拿到了。如果做成了，你們也贏。怎麼走都贏。對方覺得有意思。談了幾年，同意。2008 年底上線，馬上大熱。接著到英國，也大熱。2011 年進美國。他說距這一集已經十五年。

Jason Calacanis 算了一下，從開始做到摸到美國市場，中間耗了五年。Daniel Ek 接的下一句是：瘋的是，他現在又在走同一條路。

同一套劇本，這次是 Neko

Neko 八年前就開始了，2018 年。產品在瑞典實際啟動是 2023 年。中間五年拿來做產品、在瑞典試。瑞典做出成績，再帶去英國，現在要在美國開。他說這就是 Spotify 的劇本，換到醫療。

David Friedberg 說，厲害的創業家有個毛病，就是停不下來。Daniel Ek 回，也可能只是他比較耐痛。Friedberg 問，Spotify 已經上市、用戶數億、團隊也在，他什麼時候開始想別的。當執行長那些年，有沒有在當天使投資人。

Daniel Ek 說，團隊最近翻出一份他自己都忘了的訪問。金融時報的午餐訪談，他記得是 2012 或 2013，美國剛上線不久，他就在講醫療。很多人在講世界上哪些事情變糟。他的看法是，多數事情其實還不錯，技術整體往上。他挑的是那些沒有變好的。醫療是其中一件。錢愈花愈多，結果愈來愈差。他想知道能做什麼。

Spotify 上市之前他沒有錢。上市是 2018。那之前大約十二、十三年，全部押在 Spotify，沒有拿去投別的。2018 之後才開始有一點投資。大約一週前的一頓晚餐，他跟主持人聊過：他試著投一點，可是 Neko 那個時候就已經開始了，然後他發現自己愛做東西，遠超過愛投資。

Jason Calacanis 說，看著你投的公司被經營壞、自己又不能動手，很痛。David Friedberg 說那頓晚餐就在講這個。人在董事會上建議，執行長不聽，會氣到想扯頭髮；對方照單全收也不行，因為那就不是他在領導。他後來的做法是，找到很強的創辦人，把錢給出去就不要再看，通常比一直盯著好。真的在意、又有能力自己做，就進場做。Jason 補了一句：需要愈多指令的人，成功的機會大概愈低。

慢性病早抓到，帳跟苦都小

Daniel Ek 先給聽眾一個底。美國把 GDP 的 18% 花在醫療，他說這是現在預算裡最大的單一項目。光心臟病這一組，美國一年就是數千億美元，比《財星》前十大公司的營收還大。一種病。

他從藥、能不能把藥做得更有效、癌症，一路看為什麼帳長這樣。結論不是只有一個原因。比較大的幾塊，他點了心臟，還有皮膚癌裡的黑色素瘤，這幾類特別突出。真正最大的那塊是慢性病整體。慢性病的怪地方在於：早發現的話，完全防得住，處理成本很小，病人、家人、周遭要扛的苦也小。早發現，事情就還好。

那為什麼不早發現。他說是資料不夠。整個醫療業都同意，得從出事才處理，轉成預防。分歧從怎麼做開始。他跟共同創辦人 Hjalmar 的看法是，一切從更好的資料開始。資料好，才容易發現；發現得早，才有機會把醫療往預防推。

David Friedberg 把它說成預測：用資料看出之後會出的健康問題，提前改道。Daniel Ek 說那一步才是他們想走到的地方，他叫它聖杯。做法是每一種檢查都要更多資料，不同檢查還要疊在一起，而且要有時間，同一個人一年一年累積。

過去二十年很大的一個變化是智慧型手機，裡面塞進愈來愈多便宜的感測器跟電子零件。所以他們覺得，做得出比以前多得多的感測裝置。另一頭，他們開工的時候這門技術還叫機器學習，現在大家講 AI。資料集夠大，預測就該做得更好。Spotify 那邊他學過同一課：收得愈多，下一首該放什麼就愈準。醫療是同一種預測，檢查種類更多，時間拉得更長。

499 美元的那一小時

David Friedberg 問，這些早期觀察改不改得了最後的健康結果。代謝、運動消耗、血糖、睡眠，他看得懂，修正多半是飲食跟運動。別的大病能不能提前認出來。Jason Calacanis 要他先講 Neko 是什麼。

Daniel Ek 從體驗講。現在這一版是第二代，499 美元。垂直整合指的是場地、護理師、醫師、診斷設備、軟體都自己做。任務是做出你能花在健康上、最值得的那一小時。

進門先抽血，量 53 項血液指標。接著進皮膚那套設備，相機在全身拍超過 6,000 張超高解析影像，每一顆痣、每一處病灶、疹子、發紅，都建檔。再看心臟跟血液循環，也量握力，再加上那些已有紮實科學證據、能用來判斷健康的老指標。整個過程大約一小時，收在跟臨床人員不被打斷的一段：檢驗結果一起看完。問題在這裡問，也會談你可能想改的地方。

這一版現在在美國紐約上線，接下來幾個月會在美國更多地方開。他們建議會員每年做一次，類比是牙醫：多數人每年看牙，卻沒有每年做健康檢查。人很忙，所以時間卡得很緊。沒有問題、只想看檢測結果的話，大概三、四十分鐘可以結束。500 美元對很多人仍是大錢。負擔得起的話，他覺得是好投資。

Jason Calacanis 問經濟帳。這 500 美元是每次都賠、打平，還是利潤來自後面的加賣。還有它要怎麼跟美國這套功能失調的保險體系相處。Daniel Ek 說，東西自己做，成本可以砍得很兇。一年 500 美元這個價位，做一次的帳算下來是正的，現在營運中的診所已經有在賺錢的。他們做得下去，才開得到更多地方。

他不是只做 Neko，但這件事占很多時間，他覺得該這樣，因為這是很大的問題。Spotify 他還是花時間：執行董事長，他說那仍是他的孩子，只是不再天天進。Spotify 現在有兩位他覺得很好的執行長。Neko 的共同創辦人 Hjalmar 才是核心，大部分工作是他在做。Daniel 說自己把功勞講走了，真正的腦子是 Hjalmar。

另外幾家放在 Prima Materia。他說這家的野心，是當別人能找到的最好的共同創辦人，把前面做成的事往下傳。

平均 950 顆痣

David Friedberg 說這個論點他聽過。One Medical、Forward，都試過做整合式的中心，自己的儀器，進去做預防性健檢。他問 Daniel 看出了什麼以前沒有的。

Daniel Ek 先把時間攤開。2018 年開始，公司八年，掃描已經超過 10 萬次。他們每年發資料，剛發了第三年的健康結果。大約 1% 的會員，身上有還沒被診斷出來的嚴重問題，是他們發現的。

很多會員本來就健康，談的是再好一點，壓力、飲食、睡眠占不少。連續三年比較讓他們振奮的是：狀況最差的人，進步最多。人看得到自己站在哪，臨床人員講狀況、講可以怎麼處理，就比較會改生活。有會員前一年還在抽菸，做了 Neko、把健康排進去之後不抽了。也有人是嚴重的潛在疾病，發現後去治療，整體變好。

皮膚科是他拿的具體例子。今天在 Neko，平均一個人有 950 顆痣。Jason Calacanis 說，有一部分人眼大概看不出來。Daniel Ek 說真的把皮膚看過一遍，會嚇到自己有多少。分散很大，有人好幾千，有人少很多。

一般門診，醫師有多大機會把 950 顆痣全看過。不會。通常是你自己說這裡有一顆，或醫師覺得某顆看起來怪怪的，拿出工具。現在多半有軟體，相機打很多種頻率，看大小跟紋理。Neko 做的是同一種檢查，順序不一樣：先由 AI 標出可能的風險，再由人的臨床人員複看。到這一步如果發現了東西，編制內還有多位皮膚科專家再看一次。

若是來很多次，某一年可能什麼都沒發現。可是每一顆都做了編目、建了索引，下一年對得上一年，看有沒有長得不正常。就算最好的醫師，也不可能記得你某一顆痣去年長什麼樣。他要的是 AI 跟臨床人員放在同一次體驗裡。

Jason Calacanis 覺得 499 美元便宜。他拿 Function Health 跟 Superpower 對照，兩家大約 350 到 400 美元，只做血液。他把支出排了一下：社會安全現在第一，醫療第二，後面很快追上來的是利息。他對著 David Friedberg 說，你最在意的那項正在趕上來，而且會超過醫療支出。照他的粗算，每個美國人每一年或每兩年來做一次，大約是全國醫療總支出的 4% 或 8%；如果拉到每三年，他說會掉到預算的 2%。他問，若每個美國人都做，對往後的預算跟支出有什麼影響。他們有沒有算過。

Daniel Ek 說他們有看法，但太早，不想在這裡講死。對會員，他還是建議每年做一次。

保險跟著工作走，回收期是十年起跳

David Friedberg 把美國人現在付不起的三件事排開：買房、教育、醫療。前兩項他覺得是市場誘因被扭歪，有辦法修。醫療複雜得多。他問的是預防之外的結構。急診縫個針為什麼要 15,000 美元。成本 30 美元的藥為什麼賣 20,000。醫師年薪 20 萬，看你八分鐘，保險公司為什麼付 6,000。如果你能當一天美國皇帝，什麼都改得了，Neko 今天還沒碰到、但你會先修的三件事是什麼。

Daniel Ek 先說，他絕對不是美國醫療體系的專家。他用的句子是：你給我看結果，我就告訴你誘因長什麼樣。整套系統是在處理傳染病的時代搭起來的。誘因圍繞的是一件事：症狀已經很大的時候，急性把你修好。要去的地方是預防，而預防的時間長得多。

他舉一個卡點。醫療多半以某種形式綁在工作上。一份工作的平均年資沒有很長，可能在一家雇主只待兩三年就換，保險也跟著換。那家保險公司該不該投資一件回收要十年、十五年、二十年的事。這種投資的報酬怎麼看、誰來出錢，他說不好答，也不假裝自己有全部答案。

他們試的第一件事是把金額降下來。這樣就不必保險業或雇主先投數百萬美元、手上資料很少、賭二十年末才回收。他說接下來的數字是他自己舉的例子：也許不是一百萬美元，而是數萬美元。就算回收仍要十年或二十年，有人願意接的機會會高一些。第二件是往系統裡加資料。不同檢查疊在一起、同一個人拉長時間看，才比較有機會看見這些做法長期到底有沒有效。

這也是他們每年把發現公開的原因之一。看的是 Neko 會員整體。醫療系統通常綁在單一國家，一家公司一開始就是多國，雖然還不是全球，並不多見。英國看到的，跟美國像或不像，會很有意思。

Jason Calacanis 先猜了斯德哥爾摩跟英國的差別：瑞典人應該健康得多，英國的心血管疾病跟糖尿病比較多。他問 Friedberg，這兩項是不是醫療支出最大的兩塊。他自己覺得糖尿病可能排第一，不確定，但心血管跟糖尿病看起來是最大的兩個。他要 Daniel 講，兩個地方的人實際差在哪。

Daniel Ek 說還太早，底數相對小，就是前面那 10 萬次掃描。他不覺得現在適合談人口層級的健康結果。Neko 變大之後會談。他們已經在做臨床試驗：做完四個，兩個進行中，另外四個要開始。現在有的資料、以後會再收到的，都在跟研究社群合作。

他對科技圈的人說，怪就怪在醫療體系裡的資料集沒有那麼大。可用的資料如果變成 10 倍或 100 倍，他覺得結論會很有意思，而且不只 Neko，是整個醫療。這是他們在賭的。

手錶先匯進 Apple Health

Jason Calacanis 要把穿戴裝置放進來：Oura、Whoop、Fitbit，還有 Apple Watch。他注意到 Whoop 開始透過 Quest 提供檢驗。Oura 或 Whoop 也許能跟檢驗同步，但他沒看過有人把睡眠、恢復、心率跟血液放在同一份資料裡。他問影響會有多大。是跟這些品牌合作，還是以後做一隻 Neko 自己的，放進訂閱。他隨口丟了一個 9.95 美元。基本那八成，他覺得已經變成人人做得了的東西。

Daniel Ek 說，現在就可以把 Apple Health 的資料匯進來。很多大型穿戴品牌，Whoop 也算，允許把不少資料寫進 Apple Health。臨床人員坐下來才看得比較全，這是他們鼓勵的。

今天這項服務少見的地方是：這個領域做診斷產品，正常路徑是花上若干年研發，然後接下來十年就賣那同一個東西。Neko 從推出到現在進美國，這三年裡已經是第二代，診斷那一層升級過了。所以今天上線的不是最終版。他們會一直加，把更多做得到的診斷放進同一個價位。

要不要放慢前沿，他沒有選邊

David Friedberg 要他退一步，談現在的科技業跟 AI，問前沿要不要放慢。

Daniel Ek 沒有先給政策。走進 COVID，每個人都變成病毒學家。荷莫茲海峽第一艘油輪卡住之後，每個人都變成供應鏈專家。烏克蘭戰爭一打，每個人都變成軍事專家。David Friedberg 插話，你是在說 All-In 嗎。大家講這些事的時候信心都極強，結果大多時候全錯，最大的專家也一樣。他願意講的是，現在還來得及改這些技術會造成什麼影響。了不起的技術同時有極端的好處跟壞處，得由人往想要的結果推。要不要放慢，他沒有很強的單邊意見。

他看得到的好例子在自己兩門生意裡。他講過很多次、覺得正在靠近的那個音樂產品是這樣：現在你自己排的歌單，還可以比系統好。再往後，系統可以替你生命裡的每一個時刻配樂，而且配得很準。好音樂的力量是讓你感覺更多。開心的時候更開心。難過、陷在裡面的時候，那個當下會更陷。這是 AI 帶來的。皮膚科那個例子也是，950 顆痣跨時間追著，讓你安全。他說大家傾向把可怕的那一面放大，這個產業卻沒把對所有人都有大好處的用法講出來。他覺得那是嚴重的失職。

David Friedberg 問開源跟開放權重。他丟了一個價差：每百萬 token 的輸出成本，13 美分對上 30 美元。差距大到可以把技術鋪到很多企業跟個人，價值不會只堆在少數幾家、少數幾個人身上。監管的談話卻可能把開源跟開放權重的擴張卡住。

Daniel Ek 說，技術一直在開放跟封閉之間擺。早一輪是 Windows 對 Linux，後來是 iOS 對 Android。最後常常是兩邊都留下。他以前就公開站在開源模型那邊，還會繼續，因為那會帶進對整個生態有用的創新。他同意 Friedberg。

Spotify 的做法是兩邊都用。他們用很多前沿模型，自己也有一批微調過的模型。一起用，反而更有創新，也做得到只用前沿模型做不到的事。有時是成本跟效率，有時是沒辦法把模型調成他們要的樣子。

他補了一個自己也沒在辯論裡聽過的角度，並先聲明不是這方面的專家。重點不只是單一模型有多聰明，還有你實際用掉多少算力。用 10 萬顆 GPU 做一件事，大概會比在家用電腦上跑一個開源模型強得多。家用電腦上的開源模型，要做出規模很大的網路攻擊，他覺得非常不可能，尤其如果公司端有很大的模型在保護自己。算力的量，是他想放進來一起看的一個因素。

David Friedberg 把它收成：假設模型能力相當，算力就是防守強不強的關鍵。能管的是誰拿得到最多算力，要認證的是算力，不是軟體。Jason Calacanis 問，兩年前最早的限制構想，不就是看多少 teraflops、多少顆 GPU。Friedberg 說，監管法規當時就是這樣寫的：一個模型如果用了某個數量的 teraflops 來訓練，就劃進去。他講加州那一輪，州議會覺得自己分得出哪些模型可怕。Jason Calacanis 接了一句，那不然數數資料中心裡有幾條網路線。Friedberg 說，當時拿來當代理的，是做這個模型灌進去多少瓦的電。他覺得把算力當成一道關，大概是對的。以前的 Cray 超級電腦就是這樣：取得有限，被當成安全風險，要核准才用得到，因為可以拿去設計核武、破解密碼。今天一台 Cray 的算力，他說大概還不如一台洗衣機，或廚房裡某樣東西。很強的算力如果裝在防守這邊，又假設模型能力相當，優勢會很大。Daniel Ek 說他至少沒在辯論裡看到這一點，有點意外，也許是自己漏了。

開放標準還在分發，Stardoll 的頁面要載四分鐘

結束前 Jason Calacanis 留了兩題。一題是 Spotify 怎麼看 podcast。這東西建在開放標準上，Spotify 已經是大玩家。開放標準往一個方向走，Spotify 身上有很多專有的東西。他跟 Daniel、也跟團隊談過：開放那一塊還能不能繼續支援。

Daniel Ek 還是認為開放跟封閉會並排存在。Spotify 今天是很大的 podcast 平台，有自己的目的地。有些做法一般的 podcast 不一定做，例如留言怎麼處理，那是這個平台自己的。很多人不知道的是，他們也會把 podcast 彙集起來，再發到很多其他平台。一批 podcaster 用的是 Spotify 的工具，再分發到別處，走的是開放標準。如果想在一個標準裡面創新，別人得先同意，有時會比較久，也比較難。Spotify 的做法是兩邊一起支援。

Jason 接著點名兩個功能。一個是開直播，這是新標準的一部分，希望他們的頁面在開直播時尊重 RSS，把通知送出去。另一個叫 Value and Donations：人如果在某個平台收捐款，或走 PayPal，Podcast 2.0 跟那些比較沒被服務到的人，很希望 Spotify 支援。他說自己做 podcast 十七年，這是在替他們傳話。值得做的話，請加上，或至少支援。

Daniel Ek 說，這已經不是他一個人拍板。他本來講要帶去給董事長，Jason 立刻說，人就在線上。他還是把話收回來：這兩個功能需求，他會帶回去給團隊。

另一題是 Stardoll。Jason 說，這是斯德哥爾摩最早拿到美國創投資金的公司之一。Daniel 當時是技術長，或者是去實習了幾年。Daniel 說，實習技術長，隨便怎麼叫。Jason 記得它在數位商品、訂閱這些事情上很早。他想聽二十歲出頭的時候，在那裡學到什麼。

Daniel Ek 說那是很好的一段，也把他帶回 Spotify 之前。瑞典有一位很早的創業家，叫 Matias，從網路泡沫那個時代就在。網站原本叫 Paper Doll Heaven，在芬蘭圖爾庫，做的人是一位老太太跟她兒子。Index Ventures 投了，而且拿了多數股，因為他們不知道怎麼把這個站做大。Index 跟 Matias 的主意是改名，做成 Stardoll。

他們來找懂技術、能幫忙做起來的人。Daniel 當時已經決定要去做 Spotify，還是答應了，大約六到十二個月。他本來希望對方會來投 Spotify。後來沒有。

他到芬蘭一看，一個簡單頁面平均要載四分鐘。伺服器基本上是垮的。他的反應是，如果這東西變得順，流量還能再多多少。他們把網站重新架構，技術團隊整組換新，載入時間壓到一秒以內。流量爆掉。Sequoia 進場。他說自己這一部分做完了，然後離開，去做 Spotify。

Jason Calacanis 說，正事開始之前的那一段，往往才是值得聽的。想試 Neko，第一間在紐約 Lafayette 街 300 號，就在 Houston 街口，以前 SoHo 的大工作室在轉角。目前只有紐約。紐約的據點會再增加，佛羅里達的邁阿密、華盛頓特區也要開，未來十二到二十四個月想鋪到美國各地。等候名單在 nekohealth.com。

主講人昨天看到一篇文章，說加拿大大多數家庭現在入不敷出，每年靠借債過日子。加拿大央行自己的高級研究員這個月算過：60% 的家庭，2025 年花的錢比賺的還多。這組數字，他不歸給自媒體標題。其中大部分是 35 歲以下，每年都在入不敷出。有房的人，平均比租房的更缺錢。這些事，發生在加拿大官方已經宣布通膨回到 2% 的國家。

通膨率降下來，只代表物價漲得比以前慢。疫情以來已經漲上去的價格，不會被抹掉。價格只是漲得慢了，不會下降。所以新聞說通膨控制住了，人去超市、去交房租，還是一點感覺都沒有，東西還是那麼貴。控制住的是漲速。已經漲上去的物價，一分都沒有降下來。

他拿一籃菜算給人看。假設 2020 年用 100 塊買菜，後來漲到 125 塊。2025 年通膨回到 2%，接下來每年是從 125 漲到 127.5，菜價回不到 2020 年的 100 塊。這五年的平均工資，他假設可能只漲了 15%。收入若也從 100 漲到 115，對上 127.5 的菜價，缺口就是 12.5。而且每年還按 2% 往上走。通膨回到 2% 是加拿大央行的任務。通膨降下來了，家庭收支的缺口已經固定在那裡。

收入五檔，中間和以下全是負的

他把加拿大人的收入拆成五檔，每檔 20%。

收入最高的 20%，2025 年平均還有盈餘 14,006 加幣，收入比支出大約多了 13%。往下第二檔也有盈餘，3,047 加幣。再往下三檔全是負的，就是那 60% 入不敷出的家庭。中間那檔每年短 4,811 加幣。倒數第二檔短得更多，6,805 加幣。收入最低的一檔，短缺反而縮小，是這三檔裡最少的，4,236 加幣。

收入居中以及以下的 60%，2025 年花的都比賺的多。他說這 60% 就是加拿大多數人，是中產。中產現在不太好過，賺的還沒有花的多。

央行的解釋很具體。這些家庭的支出裡，食品和住房佔的比例比高收入家庭高。這兩類的價格，2025 年仍然遠遠高於疫情前，也高於那條上漲趨勢線。整體通膨回到了 2%，食品和房租的漲幅沒有回到 2%。一個家庭把錢主要花在吃和住上，就沒有「通膨已經緩和」這回事。

房租和房價，他覺得現在有所下降。下降是因為原先漲上去的價格太高，收入跟不上。

最低收入那 20%，入不敷出的金額反而最小。研究本身沒解釋這一點。他的理解是：沒錢的時候，有些人還借得到。中產有工作，還能借。收入低到一個程度，連錢都借不到，就只能少花。

把年齡拆開，入不敷出落在 35 歲以下

他說，入不敷出的家庭全部落在 35 歲以下。2025 年這組平均每年短 4,294 加幣。往上，35 歲到 40 歲則有盈餘。45 歲到 54 歲的盈餘是 1,780 加幣，各年齡組裡最多。65 歲以上盈餘 618 加幣。55 歲到 64 歲只剩 169 加幣，幾乎歸零。

55 到 64 歲，是離退休最近的十年。這十年往往收入比較高，也是為退休攢錢攢得最猛的十年。收入減掉支出，只剩 169 加幣。他的讀法是，這批準備退休的人，收入被這幾年暴漲的物價吃掉了。快退休的人可能沒有時間再攢一遍，攢不夠退休要的錢。

剛成家、35 歲以下、剛開始買房、孩子還小的那批，最近幾年被壓得最狠。他說這是最辛苦的一群。入不敷出會讓人恐慌。每個月賺的都不夠花，有時候覺得人生沒有希望。活得愈久，資產不再累積，反而在減少，人生沒奔頭。

年輕人缺錢，和食品、住房的價格是同一個原因。他們付租金，也是第一次買房、按現在這種房價還款的主要承擔者。中老年人早年買的房，現在每月還的通常不太高。年輕人現在買，買個一百多萬的房子，背上 80 萬加幣的貸款，一個月就得還大約 4,000 加幣。按 10% 或 20% 頭期款算，也只能買個 100 萬的房子。100 萬在多倫多，買不到什麼有地的大房子。

有房的比租房的更缺，平均被房貸那一半拉低

研究裡，有房的家庭現在更慘。有房家庭 2025 年平均每年入不敷出 1,817 加幣。租房家庭的短缺只有 90 加幣，接近打平。兩邊都是負的。有房的負得深得多。

房主照理比租客有錢，怎麼帳上反而更缺？加拿大接近一半的房主沒有房貸，不過這多數是年長家庭。年長、沒有房貸的房主，帳是正的。少了一筆很大的支出，大部分有盈餘。房子這筆短缺，就被換到另一半身上：年輕、背著房貸的人。沒有房貸的年長房主沒有短缺。有短缺的那一半，短的不止 1,817 加幣。他估計搞不好要翻倍，一年短個三四千，五六千都有可能。

這些家庭往往是 2020 年到 2022 年、在高點買房的。那幾年房價很高，利率還很低。當時簽的利率低，現在要續約，利率又大幅上升。每月還款可能往上跳幾百、上千，甚至幾千。一年下來，開支增加不少。加拿大大部分家庭本來就月光，支出實在太大。再加這麼一筆，很多家庭估計撐不住，只能吃老本，只能入不敷出。這群人的人數不一定大。單是這個少數群體的資金缺口，就把整個房主群體的平均值拉進負數。他們的缺口可能非常大。

租客基本上收支平衡。租金這幾年有漲，最近降了一點，只是不會像房貸續約那樣一下子暴漲。租客裡年輕人比較多，還沒成家，沒有家庭的負擔。收入低，花得也少，所以勉強維持平衡。他說，這不表示租客過得好。在加拿大，很多人的收支平衡，換算過來就是月光。

有房的比租房的更缺錢。比較準的讀法是：有房貸的房主，特別是房貸高的、高點買進的那批，此刻是全加拿大壓力最大的一群。資產有可能已經是負的。買的房子，現在房價在跌，很多人的頭期款已經跌沒了。現在把房子賣掉，也換不回錢。人還在吃老本。他說這其實挺恐怖。所以這幾年，「房主」這個詞已經不等於有錢。有可能你是一個富翁，是負債的富。

同樣叫房主。2010 年甚至更早買的，房貸早就還清，或已經不多。2021 年、甚至 2022 年初最高點買的，利率又要續約，變成高利率。跟房貸還清的家庭比，日子差得很遠。他說一個在天堂，一個在地獄。買房對所有家庭都是大事，得謹慎考慮，家裡負擔不負擔得起。

那次買得很果斷，他後來歸給自己太年輕

他記得自己買房時非常衝動，被一句話影響了。地產經紀群裡有人說，看誰買房這麼果斷，也不多看看就買了，覺得那是個能做大事的人。他當時想，這話是不是挺有道理。後來他也買得很果斷，沒怎麼看。還好買的不算太差，就是貴了點。他歸給自己當時太年輕，太容易被人影響。不加思考就買房，定義不了一個人能不能做大事。

對很多家庭，房子是要住一輩子的，已經是人生裡最大的事。除非後來真能賺到非常多的錢，或本來就是富二代。買對了，價格對、時機對，就是少奮鬥好多年。不買也一樣。高點沒買，也是少奮鬥好多年。

所以他認為，現在最慘的，應該就是 35 歲以下、收入在中間檔以下、又在 2021 年或 2022 年買了房的家庭。這種家庭還不少。他最近看到很多人虧本也要賣。2021 年買的、2022 年買的，賣價比以前低很多。頭期款跌沒了，還要再賠幾十萬，還是要賣。有的是真撐不住。有的乾脆被銀行法拍。他覺得，這就是現在加拿大法拍屋數量暴增的原因。這種家庭，他估計在多倫多和溫哥華的社區裡到處都是。

若拿加拿大這幾年很弱的生產力成長，去調未來的收入趨勢，他估計現在平均家庭裡那點盈餘，也就是收入前 40% 家庭的那點盈餘，也可能變成負的。那麼多家庭入不敷出，日子要怎麼過，缺口要怎麼補。

存款花完就借，借不到就找父母

有老本的家庭，先吃老本，先吃存款。連存款都沒有，就只能去借。

加拿大信用機構 TransUnion 的說法是，加拿大人正在用債務來平滑消費。他翻譯過來：收入已經不夠付支出，入不敷出，只能借錢填這個窟窿。

還有一份 RBC 的報告說，多數父母正在補貼成年子女的生活費。子女都快到中年了，都已經三四十歲，補貼還在。他說這在以前非常反常。以前在國外，十八歲以後就被趕出去，連學費都要自己去貸。

入不敷出的家庭在花存款。存款花完，就從信用卡和信用額度來。再不行，就從父母那邊來。父母也不見得都有錢給。拿了父母的錢，也可能影響父母自己的養老和退休。

按這份研究，人如果在加拿大生活，可以對號入座，看收入落在哪一檔。家裡年收入若在中檔以下，按央行的數據，這幾年家庭的帳就是負的。沒有存錢，沒有累積，在花存款，資產在減少。一邊錢變少，一邊房價下跌。他說這是雙重打擊，資產應該大幅縮水。

通膨緩和跟這些家庭沒什麼關係。價格已經高了，緩和不代表價格會降下來。快續約的，得去看續約之後房貸會不會增加。他說，最近好像又要升息。

用債務來平滑消費，他覺得非常危險。借錢補日常開支，和借錢買資產、借錢投資，是完全不同的兩種債。前一種不會自己還清，只會讓債務愈滾愈大。家裡信用卡餘額如果連續幾個月沒回到零，就非常危險。有的人再去開一張卡，兩張卡轉來轉去，債愈滾愈大。還是要盡量避免。要嘛提升收入，要嘛減少開支。說比做容易。這邊開支就這麼大，收入就這麼低。大部分人應該都比較困難。

35 歲以下這組最慘。租金、每月房貸、食品，這三樣這幾年漲得非常兇，而他們的收入成長曲線還在起步，收入往往還低。不會理財，他說當然也有可能。所以 35 歲以下的家庭，這個階段比較困難。

他跟租房的人說，別因為接近打平就鬆一口氣。打平就是一分錢都沒剩下，人在月光裡。租金和開支，每年還在漲。通膨減緩，變的是上漲的速度，價格還是在漲。

六成要降下來，工資得連續幾年跑贏物價

往後看，六成家庭入不敷出，短期內不會有明顯改善。根子是價格已經太高，是價格和收入中間那個缺口。價格水準不會降下來。現在能改變的只有收入。加拿大的收入成長這幾年一直很弱。現在這個經濟，能有一份工作就不錯了。房貸續約的高峰還沒走完。美國和加拿大的關稅戰，還在往物價裡加東西。想讓這六成往下降，非常困難。要降下來，得靠未來工資連續幾年跑贏物價。這件事在加拿大這幾年的經濟裡，基本上沒發生過。工資跑不贏物價，入不敷出的人只會愈來愈多。

他說可以觀察的訊號，是央行下一份財務穩定報告裡家庭債務負擔的數字，TransUnion 的信用卡餘額和拖欠率，還有這份研究明年的更新：那六成入不敷出的家庭，有沒有變成五成，甚至變成七成。

他希望大家都能盡快提升收入，讓生活有盈餘，不必靠吃老本過日子。靠吃老本的日子太沒有希望，太痛苦。有的時候這種痛苦又不得不承受。加拿大大環境、大經濟確實不太好。他說，這並不是個人的錯，是這個時代、這個國家的問題。

台北時間 2026 年 9 月 29 日星期二早上八點三十一分，游庭皓人還在外地，當地大約是維也納時間凌晨兩點半。他一開場就把十年期美債殖利率擺上桌：這一回已經升破 5.2%。過去一週殖利率跳得很快。週一美股跟著收黑，道瓊跌 347 點、0.67%，收在 51,481 點；標普 500 跌 59 點、0.77%，收在 7,683 點；納斯達克跌 248 點、0.92%，收在 26,820 點；費半跌 203 點、1.6%，收在 12,465 點。

週三要公布個人消費支出，週五是九月非農。他說這兩個數字只要有風吹草動，債券價格就可能再被往下壓。5.1% 的時候還說沒影響，到了 5.2% 呢？再往上走到 5.5%、6%，股票真的還能說完全沒感覺嗎？今天要看的就是這件事。

商品漲 45.9%，今年最差換成了長天期美債

2026 年全球資產，他粗看快要有一半掉進負報酬。美國股市仍漂亮。排第一的是商品，報酬率 45.9%，主因是能源和原物料價格上漲。美國科技股也還強，納斯達克 100 漲 21.6%，美國價值股漲 21%，可轉債 15.9%，小型股 15.3%，大型股 4%。新興市場漲 12%，已開發市場漲 11%。

跌的幾乎全在債券。美國整體債券今年平均跌 2.1%，投資等級債跌 3.4%。長天期美債，也就是 TLT，跌了 6.2%，變成今年表現最差的資產。往年這個位置幾乎都是比特幣，今年換人了。

黃金在 2025 年大漲 63%，今年目前小跌 0.7%，過去一週又重挫。最慘的仍是長天期國債。月線價格先前跌到大約 80.7 美元的長期低點，現在來到 79 美元，創下掛牌以來的最低。成交量分布上看，85 到 90 美元這一帶，因為盤整過一段時間，上方套牢賣壓很厚。以後價格就算反彈，心理關卡也在那裡。不少人拿的是紙債，持有到期，價格壓力沒那麼直接；就價格本身來說，賣壓仍然不小。

黃金單日重挫接近 4%，每盎司大約 4,136 美元，上方同樣有明顯的套牢區。他歸因於原油上漲，加上實質利率拉高。市場現在把十二月升息一碼的機率定在大約 94%。美元和美債殖利率一起走高，黃金就承壓。

游庭皓由此看到的是：殖利率已經打到債市、黃金和利率型資產。上週美股還在走高，費半創下波段新高，納指和標普今年下半年仍在創高，道瓊比較像防禦性資產有資金流出。股價看起來沒事。他認為影響已經在了，只是不在股價上。

費半股價還在高位盤，前瞻本益比壓到十八倍附近

他拿費半的本益比當例子。七、八月股價重挫之後進入盤整，後來又陸續創波段新高。前瞻本益比卻從高檔的 28、29 倍一路往下壓，經過 24 倍、23 倍、22 倍，現在接近 18 倍。今年以來的價位仍然偏高，在高檔盤旋；本益比幾乎創下五年來的新低。他認為基期已經不算特別高。

上週指數走高的同時，內部在快速分化。創下五十二週新低的股票家數，已經連續十七個交易日多於五十二週新高，上漲愈來愈集中在少數大型權值股。標普大概在 7,700 點附近。站上年線的成分股本來約 70%，現在只剩 52%，只比一半多一點；過去一個月這個比例滑得很快。指數還在創高，多數股票並沒有一起上。

標普 500 累積漲跌之間的五十日滾動相關性，2026 年明顯下滑，甚至進到負值。創高像只剩幾檔在衝。等權指數很容易追不上市場報酬。

信用市場相近。過去半年標普仍在創高，評等最低的 CCC 公司債相對 BBB 的信用利差還在擴大，高風險企業的融資壓力在增加。類似組合在 2000、2008、2020、2022 都出現過。他不把這些當成標準的見頂警訊：有風險，證明不了股市就漲到這裡。眼下是一邊上漲，風險也一邊提高。

他把當下說成三邊同時成立。CDS 價格持續創新高，美債殖利率創下本世紀的高點，股票仍賴在高位，不肯下來。不肯下來的原因，是少數企業的獲利太強。本益比已經給到 18 倍，還能再要求多低？有些股票的股價已經沒有再創高，獲利卻升得很快。利率預期理論上該讓股市回一點，投資人勉強形成的共識卻是：本益比已經不高，就用這個方式撐在高位。

所以他不願意講「債市永遠不會把股市拖下水」。也許已經拖了。拖下去的是本益比，不是股價。要看價格進出，還是看基期有沒有到可以進場的位置，他認為態度已經講明白。利率若再走高，本益比未必守得住 18 倍。再高一點、本益比再低一點，這個邏輯可以成立。

汽油每加侖 4.48 美元，曲線離倒掛一度只剩十七個基點

利率預期他拆成兩層。頭一層是通膨。

沙烏地阿拉伯橫跨東西部的關鍵油管，這個月又遭無人機攻擊。維修完成後重新出口石油，運量仍不敢放大。伊朗那一側隨時可能再被打，石油風險還沒完全解除。出口量已經稍微回來，整體原油出口升到戰爭期間接近三、四月的水準，每日超過五百萬桶，大部分流向亞洲。亞洲目前仍很大程度靠補貼在撐。原油進出量緩步提升，地緣政治要求的風險溢酬，仍會把美債的利率預期墊在高處。

下游更直接。美國汽油大約每加侖 4.48 美元，創下歷年九月的新高，比 2025、2024、2023 都高，也比 2022 高。游庭皓提起拜登在 2022 到 2023 年的通膨衝擊，最後讓他或賀錦麗的連任之路走不下去。川普現在面對的是每加侖 4.48 美元。他認為這對期中選舉會是一場重大災難。

從二月算到 9 月 27 日，全球能源和原物料的漲幅裡，歐洲天然氣最大，正式超越硫磺，漲 129%。硫磺漲 99%，取暖油 85%，柴油 72%，汽油 50%，布蘭特原油 45%，西德州 40%。糧食端的壓力來自硫磺、農產和肥料。稻米漲 60%，糖價漲 33%，棉花 27%，玉米 20%，小麥 19%，棕櫚油 15%。生產成本已經擴散到大宗商品。就算原油價格跌回來，這些東西未必跟著好好跌。他用便當打比方：一連串東西漲價之後便當變貴，後來菜價、肉價跌了，便當通常也不會退回去。

短天期利率拉得特別快，美債殖利率曲線又逼近倒掛。兩年期大約 4.9%，十年期已經衝到 5.2%。兩年期和十年期的利差一度只剩十七個基點左右，大概是 2005 年初以來最小的差距。市場反應的是，未來一年還有繼續升息的空間。短天期再往上，兩年期就可能再度高過十年期，曲線倒過來。

過去倒掛結束之後，資產價格不一定就崩。可是每一次倒掛，市場通常都壓力很大。從 1960 年代以來，倒掛出現在最近八次美國經濟衰退之前。1978 年以來，兩年期和十年期的曲線平均會在衰退前十五個月進入倒掛。他說這次經濟還沒走到要衰退。利率預期所以居高不下，一邊是 AI 在搶錢，一邊是通膨預期仍高。年初聯準會準備降息，現在完全轉成升息壓通膨。曲線若真的倒掛，債市就是在反映聯準會可能把利率升得太高，需求和成長會被壓住。銀行會先有感覺，銀行股最近已經開始承壓。

川普原先的期待，在他看來兩頭都落空。低利率這條路對通膨幾乎使不上力，汽油價格還搞得比 2022 年更高。另一頭是去年的設想：經濟團隊希望靠削減赤字、放鬆監管，讓市場相信美國財政會改善，藉此壓低長期利率。實際走出來的完全不是那條路。

赤字是目標的兩倍，標售和回購都接得吃力

美國財政赤字目前大約占 GDP 的 6%。財政部長貝森特先前掛的是三三三，眼下的目標是 3%。赤字走到 6%，游庭皓直接算，那就是兩倍。十年期美債利率也因此突破 2007 年以來的高點。房貸利率重新站上接近 7%。以四十萬美元的房貸來看，每個月還款大概又多出三千美元，不過要看是浮動還是固定。過往那些低利率的預期，已經被打得很厲害。

上週四美國財政部回購美債，大約只用了 68% 的額度。拒絕高價報價之後，殖利率再度衝高。導火線是這次擴大長天期美債回購。兩週前使用率 86%，已經比更早保守；更早一度把額度用滿。這套長債回購他叫做扭轉操作，看不出把力道放寬或做大的意願。

標售同一時間又來了。大約七百億美元的五年期公債。他說現在改賣比較短的券，是為了讓市場有人肯接，結果仍明顯低於預期。得標殖利率約 5.03%，上一次是 4.3%，大幅跳升。標前市場預期大約 5.001%。他稱這是史上第二大的尾差，也就是得標利率高出標前預期的那段差距。投資人要非常高的報酬，才願意承接。

買家結構也變了。十年前，海外機構投標占比大約 61%，他點名台灣央行、日本央行和一些主權基金。現在剩 54%。話講到這裡他收了一下。海外買家還在，美債只是沒那麼值錢，得把殖利率再抬高。他說連 5.3% 都吸引不了他。市場要求的也許是 5.5%，也許是 6%。他反問，美債若躺著就給你 10% 的報酬，股票市場有可能一點影響都沒有嗎？

回購沒用完，他認為卡在價格紀律。財政部嚴守價格標準，不願為了把額度用盡去接受比較差的報價。程序上說得通。殖利率承壓時，守規矩和把流動性做出來，中間會岔開。規則只照字面跑，可能就做不成原先要的事。市場現在要更多利多，至少財政部把話講滿。想釋出利多，不如多釋出一點。他覺得目前的態度對美債價格沒有幫助。

他用一個老故事把落差講完。老闆交代秘書，今天無論誰來，都說他很忙；對方若說事情很重要，就回答每個人都這麼說。下午老闆的太太來了，自報身分，秘書仍點頭：每個人都是這麼說的。

回購本來要改善流動性。較差的報價不收，額度大量剩下，流動性幾乎沒回來，殖利率繼續承壓。秘書沒講錯話，老闆的太太還是被擋在門外。

九月支持率約 37%，他認為壓力在付不付得起

美債殖利率是壓力的一種，比較像市場在要更高的風險貼水，買盤並沒有消失。他認為更大的壓力在川普本人。債市的拋售，配上汽油價格創高，民調幾乎都在快速往下，華爾街日報、左媒、右媒都有。九月做的民調裡，川普的工作支持率大約 37%。他說這是 1990 年以來，總統在期中選舉前同期相對中低的水準。

他拿歷任來比。拜登在 2022 年通膨嚴重時還有 43%，比現在高。川普第一任期的 2018 年是 44%。歐巴馬 2010 年 46%、2014 年 40%。小布希有 64%，2006 年是 39%。柯林頓 1994 年 48%、1998 年 66%。老布希 1990 年更高，75%。他的結論是，期中選舉前任何一位總統的工作支持率，都比現在的川普高非常多。

六成選民認為經濟政策讓美國變得更差。只有 33% 的受訪者覺得美國經濟狀況良好，65% 給的是相對負面的評價。他個人把這些都圈回通膨。

從選舉看，他也不說完全沒救。選前還剩多久，他先講倒數兩個月，隨即改口應該是一個月。要看的是美國家庭對財富和購買力的感受，能不能很快改善。民調有 38% 到 39% 的說法，低的大約 33%。民主黨在國會的一般選票，大約以 53% 對 41% 領先共和黨。34% 的選民認為自己的家庭財務比前一年更差。理論上，一部分人會因為經濟體感轉向民主黨。他認為目前還沒有足夠證據可以下這個結論。

美國現在的處境很尷尬。體感很差，AI 卻在大爆發。他拿台灣對照：有人覺得所得差距、K 型分化的壓力很大，台灣 GDP 成長率卻有 11%，這種情況很難說經濟很差。所以他不把美國現在的問題看成典型的經濟蕭條。他用的字是可負擔能力，affordability。就業和消費還有韌性，房貸接近 7%，食物價格仍在高檔，購買力一點一點被侵蝕。

他區分兩種窮。富裕社會裡過得很緊，和缺基本生存物資，是兩回事。美國人現在的不滿，距離沒飯吃還有一段。以前一份薪水負擔得起的房子、汽車、醫療、食物和休閒，今天要更高的收入才維持得住。錢還在，平日的休閒娛樂得先壓縮。常有人說美國還有幾千萬人吃不飽、要領食物券。他認為吃不飽和會餓死仍有分別，就像長輩說沒衣服穿，和家裡的人說沒衣服穿：一個是那個年代物資不夠，一個是過得辛苦一點。

時間上他後來說，還有兩個月可以把通膨壓下去，但有壓力。至少先讓能源價格下跌。再來是股票繼續漲，財富效應還撐得住消費。購買力被侵蝕了一些，財富效應帶來的擴張感覺，仍可能讓人敢去訂下一張廉價機票。他覺得這一點很要緊。照這個角度看，民調的預期感也許沒有想的那麼差。若每一次都照民調判斷，川普也不會贏得總統大選。承壓則是看得清楚的。

前幾次利率急升，股市當下都還撐著

他回頭看美債殖利率狂飆之後，美股會怎麼走，個人判斷是也許沒有想像中悲觀。過去幾次可以拿來對。

1994 年是債券市場很經典的一次大屠殺。二月聯準會意外升息，市場原先認為通膨還算溫和，幾乎沒有準備。短短四十個交易日，十年期殖利率上升超過一個百分點，標普大約跌 8%。後來發現升息並沒有把經濟送進衰退，企業獲利仍有景氣撐著，美國股市把跌幅收回來。

1999 年不一樣，債券市場比聯準會更早反應。預防性升息開始前幾個月，十年期殖利率已經上升一個百分點。美股震盪數月，2000 年網路泡沫破掉之後才重挫。破以前，科技股買盤已經在減。他認為那次更像網路本身是泡沫，太多公司是虛的。

2006 年國際油價大漲，通膨上去，美債利率跟著升，聯準會也升息。美股仍有韌性，一直等到 2007 年次貸海嘯才往下崩。至少往後看大約半年，看不出股市因為升息預期而重挫。2016 年則是殖利率和美股一起走升，市場認為經濟總算正常化，離開 2008 年以後的貨幣寬鬆。

記憶比較近的是 2022 年。暴力升息，俄烏戰事把全球供應鏈打斷，通膨大幅拉高，估值被削下去。兩年之後，美國股市又創歷史新高。

回到 2026 年。美債殖利率升到接近二十年來的高點，聯準會也已經升息一次，美國經濟仍有相當韌性。他點出的支撐是 AI 正在爆發。所以要講的是，殖利率上升對股市有影響，影響落在本益比。獲利上升若夠快，本益比很低，股價仍可能創高。這是第一個角度。

第二個角度：美債利率對股市就完全沒影響嗎？不會。有一天美債躺著也給你 10%，一定有影響。問題是市場對 AI 的想像若更高呢？五年前，美債利率給到 5% 還像遙不可及的夢，因為那是無風險利率。現在若 AI 一年能賺 20%、30%，他說大家還是會把錢押下去買股票。預期就在這個落差裡。殖利率已經這麼高，美股還沒崩，從頭到尾是市場對 AI 的信心：一邊是對未來有信心，一邊是估值的削減已經反映在基期和本益比上。

三大指數上週都還在創高，週一只是創高之後拉回，沒有跌得那麼重。費半這一根，他覺得底部正在慢慢形成。輝達還沒到歷史新高，下方的量價買盤比較踴躍，沒那麼容易跌破；往上要突破，也沒有特別難。美股集中在少數個股，指數創高時，體感往往沒那麼明顯。

川習會之後，滬深三百先跌 2.2%

川習會之後，他建議先不要看美股，看中國股市。原先預估美中緊張可以稍微降溫，中國股市卻在中秋節後第一個交易日明顯重挫，市場上沒看到太多利多。滬深三百收跌 2.2%，是五週以來最大單日跌幅，已經碰到 2025 年八月以來的低點。上證指數跌 1.7%。全面和解的期待，他覺得並沒有多大，就是談了幾點共識。

台灣議題至少沒有放進雙方公開的視訊裡，私底下也許談過。雙邊關係上，雙方同意互相支持對方辦好 G7 和亞太經合會峰會。伊朗局勢有相對大的共識，伊朗不得發展核武；至於會不會因此把處理速度加快，看起來也不會。經貿上，中國承諾採購三百億美元的美國農產品。美方會啟動中美貿易委員會和美中投資委員會，另外三百億美元的關稅，雙方也可能採取優惠。反毒方面，中美會聯合偵破更多新興毒品案件，中方也會依美方提供的資訊，追查涉嫌製毒、銷往北美的中國公民。AI 則是雙方已建立對等對話，美方會用「超級智慧」取代 AI 這個說法，下一次交流預估在十一月左右。

好消息有一些，壞消息不大，大致都在預期裡面。即便雙方互相降了六百億美元商品的關稅，占雙邊貿易仍很小，多半是玩具、廚房用品、節慶裝飾。中國對美國肉類、海鮮、乳製品的關稅也能降一些。關稅戰目前還在慢慢熄火。打了這麼久，美方大概也明白，比較有效的多半只在高科技產品，大多數產品沒產生多大效力。

中國現在一個產品，普遍被認為有大約四十種管道，經不同國家出口到美國。美方認為中國商品直接進入美國，平均關稅大約 50%；只要繞過低關稅國家，實際稅負就能壓低，至少少一半左右。這個層面，美方看起來也無意再監管、再抗爭下去。雙方各有理由降溫。中國內需仍比較疲憊。美方則需要在期中選舉前，盡量讓通膨預期快點下來。

九月本來該出來的三○一條款，到九月底還沒有。IEEPA 幾乎已經全面取消。依 IEEPA 課的關稅，預估今年下半年會大規模退稅，這是最高法院的指令。這筆關稅原本是美國政府很重要的收入，現在要大量償還，財政壓力可能再被拉長一截。

川普眼下做得到的，基本上是壓低能源價格，以及拉抬財富效果和股票市場。關稅戰對他過去兩年任期到底是不是加分，很難說。提高關稅原本想保護本國產業、讓製造業回流。游庭皓看到的實際效果是，投資成長確實增加了，財政體制並沒有因為關稅變得更好，成果比較集中在投資那一頭。

對其他國家，傷害就比較大。平均關稅稅率，台灣大約仍是 6.9%，沒有想像中高；歐元區 9.8%，日本大約 3.5%，南韓大約 3.1%。大家都比以前高了一階。出口還在創高，傳產大多仍壓力很大。美國原本希望製造業回流，製造業沒有回來；AI 在本地投資設廠，讓名目數據仍然好看。外部成本落在其他國家的傳產上，很大程度不是做決定的人在付。政府為了保護產業、增加收入或國家安全而提高關稅，繞一圈，相對物價還是回到國內自己扛，大家一起多承擔。眼下整套經濟，是靠 AI 的繁榮把這場關稅戰的混亂撐住。

收束時他把線放回估值。油價還壓不下來，通膨疑慮還在，市場又把聯準會往升息推，十年期殖利率繼續拉。影響其實不小，估值減得很快。原本股價要漲五成的，現在也許只能漲兩成。別因為股價沒跌就氣餒。AI 已經在爆發，美債殖利率也在壓抑美股估值。這是他給市場的答案。估值偏低之後該做什麼，他沒有再開步驟，只把態度留給聽眾。

https://www.adaptivecapacitylabs.com/2026/08/24/there-is-more-to-code-review-than-automatable-detection/

2026 年 8 月 24 日，John Allspaw 在 Adaptive Capacity Labs 的網站上寫了一篇，整段引用了一篇論文的摘要。論文標題是 The End of Code Review: Coding Agents Supersede Human Inspection，6 月 11 日以第一版掛上 arXiv（2606.13175），作者是瑞典皇家理工學院 KTH 的 Martin Monperrus。Allspaw 連結這篇、行文稱「這篇文章」「作者」「這篇論文」。Monperrus 這個名字在他連結的論文頁上。

摘要把 code review 寫成軟體開發的主要品質關卡：從 Fagan 1976 年把 code inspection 形式化算起，五十年來、各種規模的組織，合併前由人看過同事的改動。Coding agent 在摘要裡是以大型語言模型為底、能讀、能寫、能測、能修軟體的自主系統。論文主張，agent 已經跨過一道能力門檻，傳統的人類 code review 不再是品質管線裡必要的一環。撐住這句的是兩個主張。Code review 講出來的每個目標，agent 都能以更低成本、更高吞吐做到。Agent 寫 code、人仍當強制審查者，這種接法是死胡同：給不出有意義的保證，也無法跟著 AI 輔助的吞吐擴張。

Allspaw 認為文章結構清楚，不常讀論文的工程師也看得懂。論證站在一個他稱為 substitution myth 的框架上。這個框架先把人的貢獻拆成幾項可度量的功能，再證明機器每項都做得到，然後宣布人可以換掉。

Monperrus 這篇自己寫明是立場論文，綜合既有的能力證據，沒有另做一篇新的實證。它把 peer code review 拆成四項功能：抓缺陷（defect detection）、風格與慣例的檢查（style enforcement）、知識傳遞（knowledge transfer）、讓相關的人知道發生了什麼改動（awareness）。論文把這四項跟 Bacchelli 與 Bird 對實地審查的整理對在一起，接著主張 agent 每一項都做得到，於是有能力換掉人類 reviewer。論文引言把這句說得更直：傳統的人類 code review 已經多餘，品質管線應改由 agent 做驗證。引言裡還有一句 Allspaw 沒有拿來當靶子的話：對常規改動，強制人審的成本效益已經翻轉。他的文章沒有引用那些能力數字。他抓的是拆法。拆完之後，每一項都被當成機器可以單獨做完、也量得出來的功能。他認為審查裡要緊的事，常常拆不成這種可勾選的功能。Allspaw 把爭點放在這個推論：做得到每一項，就換得掉 reviewer。推論要成立，審查必須等於四項的加總。他認為不等於。缺的判斷也拆不成清單上的下一項。

說一句看不懂，就是這次審查的發現

有經驗的工程師讀完一份 diff，說 “I don’t understand this.” Allspaw 寫，這句困惑就是發現。它可能是 code 太複雜，可能是抽象不對，也可能是意圖沒講清楚。三種讀法都落在這筆改動上：一個夠格的人讀不下去。

大型語言模型處理得了這份 code，也能寫出一段看起來通順的說明。處理得了，跟給得出另一種訊號，是兩件事。後者是一個夠格的人正當地看不懂。模型這邊的「看懂」是把內容處理完。人這邊的看不懂是一種阻力，阻力本身帶資訊。論文把可理解性放在比較靠近風格的那一側。可理解性不是風格問題，是人試著讀懂這份產物時才出現的性質：人卡住或跟上，發生在這次互動裡。風格檢查多勾一格，替代不了有人在讀、而且讀不下去。

看不懂一旦被收進風格，它就不再被當成這筆改動的發現。Allspaw 把方向倒過來。合法的人類不解，是審查該留下的訊號。模型的處理能力蓋不住它，因為那個訊號要有一個會不解的人，才出得來。

對不對之前，先問這筆該不該存在

審查裡會出現這樣的句子。「這應該拆成兩個 PR 嗎？」「這解的是症狀，不是問題。」問的是意圖、範圍、這筆改動適不適當。這些都排在「code 正不正確」前面。範圍問的是這份 diff 是不是把兩件決策綁在一起。症狀問的是，眼前這個修法過了，原來的問題還在不在。兩問都還在爭這筆改動該以什麼形態存在，甚至該不該存在。

論文的框架假設送審的改動是必要的，也假設審查主要在做驗證。碰過正式環境（production）的人知道，code review 常常是最後一次、有時是唯一一次，還能期待有人出聲問：這筆到底該不該改。

審查若把改動當成既成事實，剩下的座位只夠找錯、對風格、對測試。必要性沒有座位。Agent 可以很會驗證一份已經決定要進的 diff。驗證問的是：照眼前這份改動，實作有沒有偏。必要性問的是：這筆值不值得合併。第二問不在那四項功能裡。四項都做完，第二問仍然可以沒被問過。

論文摘要把「agent 寫、人仍每一筆必看」稱為死胡同。論文正文接著寫得更具體：agent 生出 code 之後，人審常常變成橡皮圖章；人的產能跟不上 AI 的吞吐，審查佇列變成卡住管線的地方。Allspaw 引用的摘要裡已經有死胡同這個判斷。他沒有因此同意人審可以從管線拿掉。他指出框架先把改動當成必要，把審查收成驗證。人還坐在審查席上，被分到的工作只剩對不對。該不該存在，不在問題裡。

該在卻不在，diff 不會自己標出來

人可以注意到一件事：API 契約改了，錯誤處理沒改。缺的那一塊不會以新增行的樣子出現在 diff 裡。審查者心裡有一份「按這個改動，這裡應該有東西」的預期，然後發現預期落空。Allspaw 把這個能力寫成：認得出預期該在、實際上不在。

論文沒有談這個。他認為特別該談，因為看不見缺席（absence blindness）正是大型語言模型常常很弱的一類失敗。Agent 審在場的內容。有這塊經驗的工程師，很容易看見不在場的內容。

四項功能裡的「抓缺陷」，預設缺陷是看得到的偏差：寫錯的邏輯、不合風格的寫法、不該出現的資安問題。缺席常常沒有偏差可標，因為那一行沒被寫出來。清單對著在場的行比對，缺的那一塊不會被任何一項功能報出來。審查若被定義成偵測在場的問題，這一類從定義裡就消失了。Agent 把四項都做完，做完的報告仍然可以對一份少了錯誤處理的改動給過。

預期從哪裡來，他沒有另寫一份清單。契約一改，呼叫端通常還要處理新的失敗，這是熟悉這塊的人帶進來的。Agent 比對已經寫出來的行。人多比對一層：這種改動通常還會帶上、這次卻沒有的東西。

誰寫的，會改你盯多緊

Peer review 的人帶著一種校準過的注意力（calibrated attention）：依過去跟作者共事的經驗，決定這次盯多緊。作者常常就是同事。資歷較淺的工程師第一次提交進支付模組，得到的注意力，跟一位資深、他稱為 grey beard 的工程師做例行重構，不會一樣。審查者把當下的誰、改什麼、什麼時候、在哪裡，對上自己知道風險落在哪。支付模組本身危險。第一次交這塊的人，危險再加一層，因為審查者還沒有這個人在這塊上的紀錄。老手的例行重構仍要看，盯的密度來自另一種經驗：這個人過去怎麼處理類似的改動。

論文把 diff 當成等價輸入。同一套檢查、同一種簽法、同一種說明。自動檢查這樣做說得通，測試不關心這是誰的第一次。人審若也把輸入等價化，資淺者第一次動錢流，跟老手改自己寫過很多遍的模組，會走同一種盯法。風險感是校準過的；把 diff 當等價輸入，給不出「這個人過去交過什麼」這層經驗。

摘要替代不了兩邊一起把理解做出來

論文把知識傳遞收成資訊投遞，agent 產生解釋就好。Allspaw 寫，code review 裡的討論是一種共同的認知活動（joint cognitive activity）。審查的人學到作者怎麼下手。作者從審查者的問題裡，學到自己沒講清楚的地方。討論結束時有一份共同理解，開始之前兩邊都沒有。那份理解要等討論發生才有。摘要若在對話之前產生，手上只有對話還沒發生的那一側。

他用 coactive 叫這種工作：兩邊一起做。單向傳送是作者把已知的東西交出去，接收端收下。審查裡常發生的是兩邊都還不知道最終那份理解長什麼樣。審查者的問題可以逼出意圖，作者的回答可以改掉審查者原本的讀法，兩邊的心智模型都動了。Agent 的摘要可以寫得很完整，這個過程還沒開始。

「讓別人知道」（awareness）在四項功能裡是單獨的一項，論文認為 agent 同樣做得到。Allspaw 沒有另開一節駁它。他寫到的「知道」，出現在版本庫外面的脈絡裡。那份知道常常不在這份 diff 裡，一份說明也投遞不完。

版本庫外面的一句話，會改這筆 diff 怎麼讀

審查時會出現 diff 裡沒有的句子。「這個服務上星期二剛出過事。」「下游那個消費端的團隊，快要把這個介面廢掉。」「法務跟我們說，這個欄位不要再寫進 log。」

這些是審查者帶在身上的話。上星期二的事故改的是風險背景，同一筆改動跟平常那天不一樣。下游即將廢掉的介面，改的是這筆還值不值得做。法務那句話，改的是某一行 log 還准不准留。三句都碰到「code 正不正確」以外的判斷。

人掌握的脈絡比自己意識到的多，真的碰上時又認得出來。組織現在什麼狀態、最近發生過什麼、測試和文件和版本控制都沒寫下的非正式約定，都會影響眼下這筆 code 該怎麼看。這種事常見到幾乎隱形。論文假設 codebase（這份程式碼庫）就是完整脈絡。Allspaw 寫：從來不是。

審查當下把這些句子跟這份 diff 接上的，是已經知道這些事、又被要求對這筆改動負責的人。程式碼庫再齊，也只齊到有人把它寫進去的程度。沒寫進去的那部分，會改這筆怎麼判。

簽名會痛，審查的方式才會不一樣

論文把人的責任當成合規物件：為了法律或其他規則，需要一個具名的人（named human）。Allspaw 認為這樣不夠。你知道自己個人要為核准這筆改動負責，審查就會被這個事實塑形。他稱為 skin in the game。Agent 在 pull request 上簽過，不承擔後果，也沒有一種激勵結構逼它認真估這一筆。

論文的討論有把倫理放進來。落到的建議是：倫理審視放在需求工程（requirements engineering）和上線後的監控（post-deployment monitoring）；強制的 PR 審查不承載這件事。Agent 審查像其他自動檢查一樣被治理，不確定或高風險再升級給人。Allspaw 把這個轉向稱為 hand-waving，是把眼下的問題往後踢。

論文建議的調整是：多數 commit 由 agent 做有結構的簽核；人的核准留給高風險改動、新的架構，以及法規要求具名負責的路徑。這份分級看的是改動種類。Allspaw 寫的那種注意力，看的是誰交的。論文在拆功能時把 diff 當成等價輸入；後面的分級把高風險挑出來給人，沒有把「這個人過去交過什麼」放回每一筆的盯法裡。

他沒有逐條拆這份建議。他抓的是責任被當成表格上的名字之後的後果。名字在表格上，不會改變人怎麼讀 diff。會改變讀法的，是這筆如果出事，算在簽名的那個人身上。沒有後果的簽核，沒有這個壓力。

課責若只剩合規物件上的具名，或只出現在受規管路徑，日常合併上別人期待的那種社會課責就蓋不住。

四項各做一遍，跨在中間的那層從第一步就沒了

Allspaw 對這篇文章最根本的異議，是它把 code review 主體放在偵測上：找缺陷、找風格違規、找資安問題，然後假設偵測得更快、更便宜，一律更好。

Code review 同時是協調、意義建構（sensemaking）、治理（governance）。協調是相關的人要不要在這筆改動上對齊。意義建構是把 diff 讀成：在現在這個組織裡，這筆到底在做什麼。治理是誰有權放行，放了之後誰承擔。三件事發生在同一次閱讀裡。人可以看不懂這筆抽象，看見錯誤處理沒跟著契約走，想起上星期二的事故和法務那句話，也知道這是誰第一次動支付、核准算在自己頭上。這些判斷會互相改寫。拆開成交接的四份產出之後，那個互相改寫的動作不在任何一份裡。

Substitution myth 在他筆下常走同一條路。先把人的貢獻拆成可度量的功能。再證明機器能用它自己的可度量功能，把這些貢獻複製出來。然後宣布人多餘。這條路常常在同一個點垮掉。真正要緊的貢獻，是跨功能怎麼接在一起。人能對沒有事先計畫的情境和脈絡改自己的做法，並且承擔別人期待的那種社會課責。

沒有事先計畫，指的是審查進行到一半，輸入變了。上星期二的事故不會出現在四項功能的定義裡，它出現在審查者打開 diff 的那一天。人改的是自己怎麼看這筆，功能清單還是原來那四項。簽名會痛也不會變成第五項可勾的功能，它改變的是前四項要看得多認真。臨時的法務約束同樣不在清單上。拆解的第一步沒有把這些算進去。要緊的是跨功能怎麼接在一起，不是把人的貢獻再拆細一點；他認為原文也沒有把這層算進去。

讓 agent 寫 code 的團隊若照這個分法排管線，找缺陷、對風格、掃資安可以留在自動檢查裡。人留在合併前那個要不要放行的決定上：這筆改動該不該存在、缺了什麼、版本庫外面哪一句話會改讀法、核准算在誰頭上。四項功能各做一遍，得不出這個決定可以刪。

主講人最近看到《Business Insider》的一篇報導。Amazon 正在把裁掉的人請回來。過去一年，這家公司砍了大約三四萬個白領職位。recruiter，招募專員，正在給以前的員工寫信，去年被裁的也在名單上，問他們願不願意回來。位子集中在 Cloud 和 AI。

美國職場管這種人叫回旋鏢員工，英文是 boomerang。扔出去，又飛回來。飛回來的不只 Amazon。薪資處理公司 ADP 做薪資單統計，今年三月，全美新招的人裡面有 35% 是回流的前員工，比前一年高出四個百分點。科技業接近 66%。此刻一家科技公司每招三個人，大約兩個以前在這家待過。

信上趕速度，發言人說到班規定沒變

第一封是上個月發的。寄件的部門做 AI agent，由一位 AWS 副總裁帶。收件人是以前做 AI 和機器學習的前員工。recruiter 把這個案子叫做 Swami 的回流再接觸計畫。Swami 就是那位 AWS 副總裁。信裡的說法，他轉成口語：你離開之後，這裡變了很多。AI 和機器學習方向，現在有一些非常有吸引力的工作。

第二封來自 AWS 財務部門的 recruiter。對象是一位好聚好散離開的前員工。招募專員說，可以走縮短的面試，然後直接進 offer，坐下來談。同一封信還問：你當初離開，主要是不是因為 Amazon 的五天到班？Amazon 把 Return to Office 定成一週五天回辦公室。主講人說，它是第一家把 RTO 做成五天的公司。信上接著講，他們會照你對遠端和地點的偏好，調整後面怎麼聯絡。

發言人對媒體是另一套口徑。找回前員工，一直是公司招募政策的一部分。他們一直有興趣跟有才能的人聯絡。新的候選人、以前的 Amazon 員工，都算有才能的人。到班的政策不變。

他拿自己剛到加拿大的經歷對過這句口徑。十多年前，第一封大廠主動寄來的信就是 Amazon。人還是剛落地的無名小卒，信來了，直接進筆試和面試。那個年代，筆試面試過得去，沒有本地工作經驗、背景普通、學歷也普通，都進得去。他自己當時也投了很多履歷，NVIDIA 面過。那時候 NVIDIA 還不算大廠，大概是中小廠，現在是世界第一。他沒面上。他說要是面上了，搞不好現在可以退休。後來進了 AMD，也沒有一直待。當時股價才幾塊錢，一直待下來，搞不好也能退。當然也不好說。Amazon 寫信找人，十多年前就在做。

這次信裡那句「你離開之後變了很多」，他的讀法是：公司知道你為什麼走，也知道你走了之後這裡變成什麼樣子。縮短面試更直。此刻最缺的不是篩選，是速度。他們想盡快把要用的人找齊。求職這端也樂見流程變短。刷題、一輪輪面試，他覺得又噁心又耗精力。若招到的人在 Amazon 待過，甚至同一個部門待過，進來就少一截磨合。系統、人、流程都熟。這是回流最大的好處。

「你是不是因為五天到班才走的」，等於公司承認這條規定趕走了不少人。他記得去年就有報導寫過。規定是每週五天回公司上班。當時還有人說，至少週末兩天可以在家。實際更緊。不只五天到班，還得回到總部，或有工程師的辦公據點，engineer hub。隨便一間辦公室打卡不算。這些規定讓 Amazon 找 AI 的人很吃力。有的候選人寧可薪水低一截，去還能居家的公司。

現在 recruiter 在問，你是不是因為不能居家、因為一週五天回辦公室才走。另一邊，發言人說政策不變。兩句聽起來打架。他說，打架的中間就是可以談的地方。很多公司都這樣。公司對辦公地點有要求，對回辦公室有要求，入職時仍可以跟 Hiring Manager 談。Hiring Manager 就是直屬的用人主管。他可以幫你申請。權限夠，直接批。公司要你一週回三天，談完有機會變成完全遠端。

風險也在這。這是現任 Hiring Manager 談下來的。公司一 reorg，組織一重組，老闆可能換人。新老闆可以不認帳。不認帳，遠端就沒了。住得遠，而且是衝著遠端才接的，就得搬家，不然再找工作。公司沒有統一的遠端政策，單獨談下來的條件帶著這層風險。reorg 也不一定來。有的組織十幾年沒重組。有的一年一次。還有一種，重組很勤，老闆一直沒換，這種相對安全。

裁的是部門，請回來的是技能

外面還有風聲，說 Amazon 接著還要裁，規模不小。剛裁了這麼多人，又要把人請回來，看起來矛盾。主講人把帳拆成兩筆。公司帳簿上，這兩筆不打架。

第一筆，裁員按部門算，不按人算。去年砍的是業務線，是那些層級。砍的時候沒有一個一個看，這個人值不值得留。被砍掉的人裡，有相當一部分正是公司現在缺的，尤其 AI 和機器學習。去年砍的時候，Amazon 的通用 AI 團隊正在收縮。今年 AI agent 的生意熱起來，人又不夠。

很多人說 AI 是泡沫。他看到的是愈來愈熱。股市也在新高附近。納斯達克 100 的 QQQ，當時還差大約千分之一才破新高，他覺得破過去問題不大。標普 500 的 SPY 早就破了。錢還在往科技、往 AI 灌。錢要花，一面買晶片，一面招人。

第二筆，知識和技能長在人身上。一個部門被砍，文件留著。文件裡沒寫的東西跟人走：哪段程式有坑，哪個客戶脾氣難搞，哪次事故是靠經驗救回來的。Amazon 後來發現，新招的人要補上這些，得花很久。回流的人回來第一天就帶著。請人回來這件事，他沒有讀成念舊。他把外面請一個人的帳單攤開：獵頭費、團隊幾十個小時的面試、半年磨合，再加上招錯的風險。這是一個人的成本，幾十萬美元，甚至上百萬美元。請熟人回來，這筆馬上省掉。熟人知道坑在哪。招錯熟人的風險也小，因為人通常不會變。

ADP 的說法是，回流員工帶來的，常常是外面很難找的技能，上手也比外部招募快得多。

疫情那幾年大裁過一輪，過了幾年也有人被請回去。當時少的是這種比例。現在科技業新招裡接近三分之二，是以前的老員工。招募的入口從公開市場，轉到公司自己的前員工名單。人才庫換成離職檔案。

他覺得，科技業裁員跟個人績效沒多大關係。裁的是公司不要的業務線。

問你為什麼走，信就按那個理由改

recruiter 問你為什麼走，是在給離職原因建檔。他說，通常優先招的是自己走的人。公司看不上、裁掉的那些，排在後面。他比成相親。想追的，是當初看不上自己的人。自己先拒絕的，沒那麼想追。原因建完檔，後面的信就按當初走的理由改。因為到班走的，信先談地點，談一週回辦公室幾天。因為薪水走的，先談錢。

別家也在轉同一圈。Google 去年招進來的 AI 軟體工程師，兩成是前員工。Salesforce 在 2023 年裁了八千人，幾個月後公開鼓勵前員工回來。Meta 今年裁了約八千人。微軟最近又裁了不少人。Oracle 一年砍了兩萬一千人。裁的同時，這些公司都在招人，方向集中在 AI 和雲。最好招到的，常常就是自己剛剛裁掉的，或者剛剛自己走的。

按部門把人裁掉，再按當下要的技能把人招回來。裁的那一下很快，業務線不要了，人就走。等到真的要補位子，履歷最合、上手最快的，卻是剛離開的那些。回旋鏢就飛回來了。

對公司還有一個好處，在年資上。人離開再回來，年資變短。下次再被裁，遣散費按較短的年資賠，公司可以少付一截。

人回不回，是另一件事。

回不回，先看總包、面子，和這條線還在不在

一邊是價格。員工論壇上流傳的經驗是：Amazon 給回來的人，通常按你走之前的總包，也就是離職前那份整體薪酬。外部候選人那種往上拔的價錢，回流這批常常拿不到。前幾年市場很熱，有人靠回流拿到現金很厚的報價。後來公司收緊。理由是回流的人太多，不必再用溢價把人勸回來。比例一高，公司知道你們會回來，就不急著加價。

他自己看現在的市場，感覺並不差。AI 很熱，傳統職位也還不少。他說自己其實不確定行情到底怎樣，所以想出去試。極度好的公司確實不多。很多位子薪水還可以，可是要有一截明顯的漲幅他才肯動，這種公司很少。他覺得不能等確定要跳了才投履歷。投，是為了看行情。先前投的都是頂尖公司，大約五六個位子。有一家 recruiter 回了，後面沒下文，可能那一關就停了。

另一邊是面子。很多人覺得，公司都把你開掉了、裁了，再把你招回去，你若回去就像認輸，沒面子。自己辭職再回去，感覺不一樣。科技業新招裡三分之二是回流。他說，多數人應該被裁過。自己主動離開的，只是其中一部分。這一關，行業裡很多人已經過了。公司來找你，和你自己去敲老東家的門，仍是兩回事。公司主動來，認輸的是公司。接著看重新定價。若按原來的錢找你回去，他覺得有點羞辱。很多人也許沒得選。沒得選，也會接這種 offer。

回去仍有幾樣實的。面試變短。外部候選人現在常常要過五六輪，等上幾個月。回流的人可能就一兩輪，跟 Hiring Manager 聊一聊，幾天或幾週就回去。人是公司找來的，籌碼比自己投履歷大。公司把 offer 遞過來，是它缺你這一類。recruiter 問為什麼離開，表示有得談。總包可以談，簽約獎金可以談，到班的天數可以談，辦公地點可以談。科技公司的辦公地點，他覺得通常很活，人想去哪裡多半談得成。relocation，搬家費，他說肯定夠付完整個搬家。他的底線是：決定回去，就要一個好的報價，不要按當初離職那包走回去。真的找不到工作，那是另一回事。

還得看新的業務線是不是核心，線穩不穩，專案穩不穩。回到邊緣專案，或一個還不知成敗、看起來就會失敗的專案，他勸人慎重。他把穩定看成專案決定的。人不在核心專案上，就危險。就算還在職，他也覺得該挪位置。下一輪裁員，先走的常常是非核心專案的人。

不能因為 AI agent 現在熱，就覺得那個部門一定好。今年熱的，明年未必熱。有些傳統部門是現金牛，穩定把現金送進公司，反而可能更穩。矛盾也在這裡。這些部門同時等著 AI 這把刀揮下來，把裡面的人換掉。

省下的磨合，換來一批不想再談感情的人

請回來的人，對公司的態度跟第一次入職不一樣。忠誠度基本上清零。以前為了公司，時間賠得出去，健康也賠得出去，加班就加班。現在這批人多半改成能佔的便宜就佔。他也承認有相反的例子。有人覺得位子來之不易，要更拚，好好保住。看透的人則明白，再努力，在大勢面前不值一提。裁員很多時候，看的根本不是你努不努力。回流的人很多都知道，公司隨時還會再砍。忠誠不必再提，感情也不必再談。公司跟家不一樣。家通常不會裁家裡的人。

公司省下回流員工的磨合，也省下一截招募成本，換來的是一批隨時準備再走、不再談忠誠的人。

把原來的員工招回來，也說明裁員那筆帳沒算對。他是這樣算的：一家公司若半年後就把裁掉的人招回來，半年前那筆遣散費，加上現在重新招人的成本，就是決策失誤的帳單。所以他覺得，公司要裁，就得準備好很長一段時間不再補人。不然當初何必裁。

對個人，他講得很短。公司若裁員，或人自己要走，都好聚好散，不要燒橋。燒橋，就是走的時候把關係弄砸，老東家再寫信也進不去。沒弄砸的那扇，他覺得以後會更常開。

再往後，他估計公司去招被裁過的人，比例還會往上。裁員愈常態，被裁的人、自己走的人，堆出來的名單就愈大。名單夠大，公司懶得去外面找，直接在這份被裁和離職的檔案裡翻。ADP 現在這個接近三分之二，他覺得明年可能更高。

回流會變成一種職業形態。同一家公司進出兩三次，每一次中間去別處，把價錢抬一次，再回來。過去這是少見的異類。以後可能就是常態。所以任何一次離職，都不該被當成這家公司的門已經關上。那次離開，是把自己的價格掛到公開市場上，重新報一次價。報完，有可能再回到原來的公司。

他講到最後先丟了一句很衝的，希望大家都會被裁。下一句自己改口：希望離開是自己走的。

《國家為什麼會失敗》問的是，為什麼有的國家富、有的國家窮。《自由的窄廊》把同一條線往前推：制度如果真的決定國家命運，好制度又從哪裡來；已經走在前面的國家，要靠什麼才能繼續走下去。2026 年 9 月 28 日星期一，游庭皓對會員與投資朋友導讀艾塞莫魯和羅賓森這兩本。作者同一批，主線也是同一條，他建議當成上下冊來讀。

南北韓同一個民族，幾十年後所得差很大

如果答案只是人民勤不勤勞、有沒有天然資源、氣候好不好，故事會好講很多。游庭皓先拿地理決定論開刀。過去常聽到一套說法：熱帶國家人民比較懶散，又有疾病、農業條件的問題，溫帶國家於是去殖民熱帶國家。同一片地理，制度不同，結果可以完全不同。新加坡跟周遭鄰國差一截。南北韓更極端：同一個民族，文化和地理條件相近，政治和經濟制度不一樣，幾十年後所得和生活水準裂開。地理沒有決定論。

文化單獨拿來解釋繁榮，也撐不住。過去有人說儒家文化歧視商人，不利資本主義。後來日本、南韓、台灣、新加坡和其他東亞經濟體發展起來，單一文化路徑就很難再講下去。文化當然會影響社會。同一群人，制度改了以後，經濟表現可以差很大。文化影響經濟，沒有那麼直接的推論。

還有一種說法：統治者不知道正確政策，所以國家窮。作者不認。很多貧困國家的掌權者，其實知道哪種政策對經濟有利。有利整體社會的改革，有時會傷到掌權者自己的利益。從全民角度看很糟的制度，從少數既得利益者的角度看，可能是非常合理的選擇。

國家貧窮，很多時候大家知道怎麼變富。整個國家變富的方法，未必符合掌權者維持權力的利益。研究經濟發展，不能只研究經濟政策，最後一定會碰到政治權力。《國家為什麼會失敗》的核心從這裡進去。

農民多收成，成果被拿走，就不會再加碼

兩位作者把經濟制度大致分成包容性和榨取性。包容性經濟制度讓比較廣泛的人口可以擁有財產、進入市場、選擇職業、創業、投資、受教育，讓一個人努力之後，有相對合理的機會留下自己創造成果的一部分。財產不會被輕易奪走，企業成功之後不會被任意沒收，契約能受法院保障，人才比較願意投入資本和時間。市場若允許新人挑戰舊企業，新技術可以取代舊技術，經濟才有機會持續創新、提高生產力。

榨取性經濟照樣有市場。制度被設計成讓少數人從多數人身上取得資源。掌權者控制土地、產業執照、金融資源、貿易權利、政治特許，把原本可以讓更廣泛人口分享的經濟成果，集中到少數人手上。

包容性跟榨取性最大的差別，不是所得分配公不公平，是一般人有沒有誘因去創造新東西。農民提高產量之後成果就被拿走，共產主義底下就沒理由增加投資。企業成功之後可能被沒收，當然不願承擔創業風險。制度影響經濟成長最重要的管道是誘因。好制度不必假設人民比較高尚。普通人追求自身利益的過程裡，自己願意投資、學習、創業、創新。壞制度底下，最理性的選擇就是大家都在尋租、討好權力、爭奪政治特權。

包容性制度這麼好，為什麼不是所有國家都採用？保護產權、鼓勵創業、開放市場，可以讓整個國家更富有，統治者理論上也該從更大的經濟蛋糕拿到更多，大家照理該支持改革。書裡最要緊的答案在這裡：經濟改革分的從來就不只是金錢或財富。它是重新分配權力的一環。新企業、新產業、新技術、新的財富持有人出現之後，舊有菁英不只可能少賺錢，甚至可能失去控制社會的政治地位。

作者非常看重創造性破壞。新技術提升如果還是由寡頭壟斷，那就稱不上什麼新技術提升。創造性破壞不但要淘汰舊產品，還要把原本掌握權力的那些人一次淘汰掉。鐵路會改變城市和地方的權力。工業化會創造新的企業家和工人階級。網路會改變資訊控制。任何經濟革命，最後都可能變成政治革命。站在掌權者自己的角度，經濟現代化也可能讓自己失去權力，阻止現代化就變成相對理性的政治選擇。很多國家長期停滯，不一定真的缺少聰明人、資本或技術。政治制度讓有權力的人能夠阻止威脅自己的改變，經濟制度就變得有榨取性，背後往往存在同樣高度集中的政治制度。

蘇聯衝得出重工業，衝不出下一個 ChatGPT

只談經濟制度不夠，還要再下一層看政治。包容性政治和榨取性政治要盯的是：政治權力是否受到限制，是否分布在相對廣泛的社會群體，以及國家是否有足夠能力去執行共同規則。

很容易聽成：民主國家就會很富裕，因為夠多元；專制國家就一定很貧窮。理論比想像中複雜。政治制度除了權力要有一定程度的多元性，也需要一個基本中央集權、具備行政能力的國家。政府根本無法維持治安和執行法律，再多形式上的政治參與，最後就是內戰，也很難建立穩定的市場。

榨取性制度不代表經濟完全不能成長。游庭皓說這是整本書最容易被簡化的地方。高度集中的政權完全可能動用資源提高投資。當年蘇聯推動工業化，有一段時間維持非常驚人的經濟成長，把大量農業轉移到工業部門，快速提高重工業產能。榨取性制度有時候成長反而更快。這種成長比較擅長把既有資源集中到政府認定的重要領域，比較難長期維持分散式的創新和創造性破壞。持續的創新，中央政府很難提前知道答案。下一個重要的產業，可能來自原本沒人重視的企業。ChatGPT 發布以後，整個市場大量集中到 AI，這類事情本來都有可能威脅既有寡頭或老錢。榨取性制度容易碰到創新瓶頸。

書裡非常重要的時間尺度：數十年內都算短期。短期可以靠資本累積、勞動投入、政府動員。長期要提高人均所得，靠的永遠是生產力和創新。經濟從模仿既有技術，進入不斷探索新技術的階段，制度對創新的影響才會愈來愈重要。

換一塊 AI 政策的招牌，既得利益仍可能把制度吃進去

制度一旦形成，往往會自我強化。掌權者用政治權力建立對自己有利的經濟制度，再從這套制度取得財富，財富又讓他們更有能力維持政治權力。政治權力和經濟利益彼此強化，變成惡性循環。包容性制度也可能形成相反的良性循環。權力分布比較廣泛，社會比較有能力阻止另一群人完全控制某種制度；經濟機會增加之後，又會形成更多有資源、有組織能力的社會群體，進一步限制權力集中，制度因此有一定程度的自我延續能力。

歷史沒有完全鎖死。戰爭、瘟疫、技術革命、國際貿易、政治危機，都可能形成關鍵轉折。英國是一個重要契機：從大憲章到議會的發展，十七世紀的政治衝突，再到光榮革命，王權逐漸受到更多限制，商人、地主和其他群體獲得更多政治力量。某一天建立民主，並不會突然長出這套結構。它是權力經過長期衝突、逐漸重新分配之後的後果。

《國家為什麼會失敗》除了強調制度很重要，還往下一層：制度背後永遠會有人，制度反映的就是誰有權利制定這項規則。權力結構不改，只把表面的經濟政策換成 AI 政策、換成國家隊一系列的政策，仍可能被原本的既得利益者吸收。成功國家的政策直接複製到另一個國家，常常達不到預期。表面上可以說要建立新的證券市場、要有競爭法、要推自己的 AI 政策、中央銀行、反貪腐機構。政治權力如果還是高度集中，這些制度只是換了一個名稱，實際運作仍受既得利益控制。

包容性制度需要比較廣泛的政治權力，就得達成某種程度的權力平衡。有些國家能夠長期維持，有些國家最後走向權力集中。成功或失敗，差在這裡。

國家退一步，家族和軍閥會補上來

《自由的窄廊》接在上一本的理論上往下延伸。認定成功或失敗之後，假設已經成功了，以後要怎麼繼續成功？什麼力量關係，才能讓已經良好的制度存在並且持續下去？

這本書先推翻一個很直覺的想法：政府愈弱，人民就愈自由。作者認為這說法過於極端。我們只看到國家可能壓迫人民，卻忽略了國家消失之後，權力本身也不會消失。家族、部落、地主、軍閥、宗教勢力或私人暴力，都可能填補空缺。沒有有效的法院，契約沒有受到保障，中央政府沒有警察，私人暴力就可能決定誰擁有資產。小政府過小也不好。政府沒有能力保護個人，傳統家族和地方勢力就可能決定一個人和誰結婚、做什麼工作、能不能離開原本的群體。國家很弱，個人未必因此更自由。國家退一步，自由不會自動往上跑，會有其他利益集團嘗試來壓你。

自由需要國家。需要一個有能力壟斷暴力、執行法律、維持治安、提供公共服務的政府，才能把個人從私人權力的支配裡解放出來。沒有足夠的國家能力，現代意義上的個人自由很難存在。國家一旦取得權力，新的問題也會出現。政府有軍隊、警察、稅收、法院、資料、官僚體系。這些力量全部集中在少數人手裡，又沒有其他力量可以制衡，原本用來保護人民的國家，反而變成最大的壓迫來源。

兩位作者採用湯瑪斯·霍布斯的利維坦概念：人類需要一個很強大的公共權力，來避免社會陷入暴力和混亂。他們接著指出，要不要利維坦，問錯了。他們要看的是能不能形成一種平衡狀態。全書大概有三種基本形態。

缺席的利維坦，國家能力很不足，中央政府無法有效維持秩序。這種地方不一定完全沒有規則。規則由家族、部落、地方勢力提供，個人可能因此受到私人權力或傳統規範的束縛。

另一頭是專制的利維坦。國家非常強大，可以收稅、動員資源、建立官僚、興建基礎建設，而且可以快速執行政策。社會沒有足夠力量去限制政府。行政效率可能很高，人民卻缺乏有效機制去阻止政府濫用權力。

夾在中間的叫被束縛的利維坦：國家具有充分能力去執法、提供公共服務和解決集體問題，社會同樣有組織、有監督、有抗議、有訴訟，有限制國家的能力。國家不能完全壓倒社會，社會也沒有把國家削弱到沒辦法執政、沒辦法收稅。

那條窄窄的廊道，就是這本書講的自由的窄廊。政府權力愈少愈好，或社會權力愈大愈好，這兩頭都走不通。國家和社會力量必須維持某種動態平衡。國家跑太快會變專制；社會把國家壓得太弱，又可能陷入失能或私人權力的支配。能制定憲法、舉行選舉、建立法院，都不能保證一個國家從此永遠自由。國家背後的能力、科技、企業力量、社會組織、權力結構都在持續改變。昨天有效的制衡方式，到了新技術底下可能已經不夠。AI 發生了，當然要有新的法規做相對應的監管。

得不停奔跑，才能維持在原地

作者另外取了一個效應叫紅皇后效應，跟《愛麗絲夢遊仙境》裡那句一樣：不停地奔跑，才能維持在原地。國家變得更強以後，社會也必須提高自己的組織和監督能力；社會提出更多公共需求之後，國家又必須提高治理能力來回應。自由沒有一次調好就停的版本，雙方永遠都在跑。政府永遠想擴張新的行政權力，社會要建立新的監督機制；社會要取得新的權利，政府要建立新的制度來執行這些權利。互相追趕，才是國家自由長期存在的機制。

這也解釋了一個看似矛盾的現象。成熟的自由社會很吵。媒體每天在批評政府，人民在抗議，法院推翻政策，國會阻擋行政部門，地方政府挑戰中央，看起來很低效。部分摩擦本身，就是防止國家能力失去控制的制度成本。

《自由的窄廊》沒有在歌頌現在的民主國家每天抗議。每個團體如果都能否決公共建設，每一項政策最後都可能陷入無限訴訟，政府連防災計畫、鐵路、電網、能源設施都可能無法興建。社會成功束縛利維坦之後，也有可能把它綁得太緊。這本書要設的題，比自由對上效率更難：國家要有能力做事，社會也必須有能力阻止國家做錯事。只有第一種能力會走向專制，只有第二種能力會走向失能，兩種能力都必須同時存在。

把兩本書連在一起看。《國家為什麼會失敗》說明包容性制度需要政治權力比較廣泛地分布。《自由的窄廊》解釋這種分布靠善意維持不住。社會本身得有足夠力量，能夠和國家長期抗衡。一本比較在聊制度的剖析面，另一本解釋制度如何動起來。前者講好制度具有什麼特徵，後者講好制度之所以能夠長期存在，是因為國家和社會存在一場永遠沒有真正結束的競爭。

強國家這件事，游庭皓收在這裡。一聽很容易想到很強大的政府。他講的是另一面：沒有國家能力，很難建立包容性制度，法院、產權、公共教育全部需要政府來執行。社會強過了頭也不行。家族、部落、企業、宗教勢力大到離譜，個人反而可能失去自由。兩本書共同的權力觀是：把權力從政府手上拿走，權力還在，只是換到企業、家族、地方勢力或其他利益集團手上。要問的是誰能夠擁有權力，權力又遭受到什麼樣的限制。權力互相交織的情況愈密，這個社會長期動態向前的可能性就愈重要。

他最後把兩本書濃縮成一套理論，分三層。第一層是經濟制度：人民有沒有財產權、教育、市場和創新的機會。第二層是政治制度：誰有權力制定這項經濟規則。第三層是自由的窄廊上的問題：什麼樣的力量能夠防止政治權力最後重新集中。國家需要社會監督，社會也需要國家保護個人免於私人權力的支配。企業同時需要市場競爭，也需要有法律的限制。政府也需要法院、議會、媒體、公民社會的限制。整套制度的核心，就是不讓任何一方永遠不受約束。

好的制度不去消滅權力，它要讓權力永遠無法停止競爭。國家要夠強，才能夠保護自由；社會也要夠強，才能保護自己不被國家吞掉。能夠同時容納兩種力量的地方，就是那條很窄、很難走，可是永遠不會停下來的自由窄廊。

他丟給投資朋友做些思考。

現代化可以從好幾年壓到幾個月，卡關的是銀行那套變更審核怎麼跟得上

https://claude.com/blog/how-to-prepare-for-ai-driven-code-modernization-projects

2026 年 9 月 23 日，Jonah Ezekiel 跟 Lexie Tonelli 在 Anthropic 的 Notes from the Field 寫他們管大型 code 現代化專案的經驗，做法從實際客戶部署來。兩人都是 forward deployed engineers，文章掛在 Enterprise AI、Claude Code。談的是關鍵系統、法規產業，現代化要怎麼組織。

銀行核心系統每一筆改動都得走變更管理、審核、核准。監理、稽核、業務都要求這套。流程讓關鍵系統值得信任，設計時的假設是：每筆改動是人寫的，每筆 diff 是人看的。

Agent 把寫改動加速了。以前當好幾年、全員投入的現代化，現在可以在幾個月、甚至幾週做完。動手前後的組織工作常常還是那麼多。卡關從產出改動，移到組織怎麼圍著那些 diff 動起來。

文章寫的是動手之前要做完的事：終點是什麼、合格證明（certificate）要帶什麼證據、放行政策（promotion policy）怎麼讓過關的改動進正式環境、前置條件、Agent 工作流、以及先在一小塊跑通再放大。

終點沒講清楚，後面每一筆都會變成「這樣算不算對」

終點是現代化完成時，技術棧跟行為要長什麼樣子。它決定這次是三種現代化裡的哪一種。

升級型（Uplift）是同一套技術棧的版本往上推，例如 C++11 到 C++20。棧本身沒問題、版本掉隊時走這條：執行環境走到生命週期終點、安全漏洞沒補、套件再也升不上去。終點是一個 runtime 版本跟一套套件。

轉換型（Transform）是換棧、行為固定，例如 COBOL 到 Java。問題在棧、行為被信任時走這條。終點包含升級型要的那些，再加上新 code 要跟的語言、框架、架構慣例。

重塑型（Reimagine）是在新架構上從零重建，行為一併改。行為跟 code 都要動時走這條。終點包含轉換型要的那些，再加上一份寫下來的新系統行為規格。

組織裡常吵要走哪一種。Jonah 跟 Lexie 寫，最靠近正式環境的人，通常想換棧、行為不動，把風險關住，也就是轉換型。另一邊，長期活在這份 codebase 裡的工程師想順便還技術債；其他業務利害關係人想趁機點新需求，也就是重塑型。兩邊都說得通。問題沒先收掉，後面會變成某一筆改動「算不算對」的吵架。一開始把路講清楚會多一點摩擦，整案會比較順。

要定終點，常常先搞懂現在這套系統。把舊 code 實際在做什麼抽出來，盤點現有行為，才好決定哪一段該改、哪一段該丟，也才知道這次是轉換還是重塑。這一步常常挖出沒人記得的商業邏輯跟邊界情況。

Claude 可以做掉很大一塊盤點：畫相依、把沒人記得是誰蓋的工作流寫下來。code modernization plugin 的 assess、map、extract-rules 會把商業規則挖出來，附原始碼出處，給工程師審。

只靠 Claude 的盤點，不見得抓得到一套舊系統真正怎麼動。業務使用者、開發者的訪談，加上內部文件，可以把洞補上。前面花時間收脈絡，後面工作流做的每一個決定都吃這份品質。

重塑型還要多做一件事：詳細的行為規格要寫下來，跟使用者群組談妥。

定終點的同時，組織要問這次現代化值不值得做。現代化舊系統可以降低後續維護跟營運成本。他們寫，就現場經驗來看，成本下降通常不是大多數現代化案子的主因。

風險下降常常才是最重要的好處。討論要不要做的時候，要把「不做」的風險一起放到桌上。系統帶著沒補的漏洞，可能變成資安事件，或一次大到足以把生意本身打掉的中斷。執行環境沒人支援，或懂這套系統的工程師愈來愈少，都會把風險往上推。

Claude Code 這類 agentic 寫碼工具把時程壓短了，預算還是很難估，組織就卡住。他們公開過一些大型現代化的成本，別人也有，可以當粗略基準。後面有預算怎麼估。

要讓案子動起來，通常最難的是內部共識，以及擁有這套系統的團隊、依賴它的團隊，願意承諾。商業理由跟目標常常要在領導層定下來，這一步會比較好走，後面合格證明跟放行政策的取捨也有錨。利害關係人對一筆改動能帶多少風險談不攏時，「不做現代化」的風險是另一個砝碼。

合格證明寫給 Agent 迭代，也寫給最後要合併的人

合格證明是每一筆現代化改動都要過的條件或測試。選的條件，合起來要能最有力地證明：這筆改動對得上終點，是對的。

每一條都該能在沒有人盯著的情況下勾得過，Agent 工作流才能自己迭代到過關；過不了，再標給人看。

裡面放什麼看終點，通常會從這張清單裡抽。原本的測試套件要過。現代化期間 Claude 寫的測試要全過。測試覆蓋率要到談好的門檻。效能基準留在談好的範圍裡。Claude 做獨立的對抗審查，每一次開新的 context window，找不到擋路的問題。有使用者介面的，Claude 用 computer use 找不到回歸。現況版本跟目標版本，同一組輸入要產出同一組輸出，輸入可以是線上的、錄下來的、或 Claude 生的。持久化狀態跟傳輸格式，在現況跟目標之間來回轉得回來。改動在 staging（測試環境）跑過談好的一段時間，錯誤率、延遲、警示沒有回歸。靜態分析跟安全掃描沒有新發現。編譯目標的話，建置要乾淨，型別檢查要過。

合格證明要跟之後會審、會放行進正式環境的人一起寫。現在就依賴這份 codebase 的開發者、使用者群組、業務負責人，在合格證明跟 Agent 工作流還在設計的時候拉進來。

他們的專業會決定合格證明量什麼。他們早進來，改動送到審核時才比較買帳。寫完有一個檢查法：他們願不願意只憑合格證明上的證據就合併。他們在裡面看見自己的門檻，後面的放行政策就可以比較輕。

合格證明要比對什麼、怎麼比，跟現代化類型有關。

升級型，對等是對原本那份 codebase，原本的測試套件可以當合格證明的核心。

轉換型，對等也是對原本那份，但原本的測試套件很少能在新棧上跑。正式流量重放、舊系統跟新系統之間的差異測試、跟正式環境並行上線，這幾件會做掉大部分的工作。

重塑型，合格證明錨在行為規格上。這是最難的一種。規格不像既有系統那樣，可以拿去對 diff，模型判斷會佔比較大一塊，結果也比較容易飄。這裡的合格證明靠從規格寫出來的測試、Claude 對每一筆改動對規格做的獨立對抗審查，以及新系統仍保留舊行為的那些地方做差異檢查。規格一釐清，合格證明就得改：規格的洞，常常先在這裡冒出來。

舊系統常常測試覆蓋薄、測試不穩、遙測很少。定義合格證明的一部分工作，就是把這些缺口找出來。強的合格證明撐不起來時，這一步最有用的其中一件事，是讓 Claude 把缺的證據補出來：把並行上線的環境站起來、做重放測試架、或多寫測試。

人一筆一筆看 diff，速度會跟不上 Agent 產出

放行政策是事先寫好、談妥的分級審核路徑，決定一筆改動要人看到多深，現代化才趕得上可接受的時程。

跟合格證明一樣，這一步要跟審核的人一起做，能嵌進組織既有的變更管理就嵌進去。細節會因組織、因它面對的風險取捨而不同，有幾條到處都成立。

改動按影響範圍跟 Agent 的把握分級。組織自己有變更或風險分級，就用那套。關鍵路徑維持完整的人審。

反覆出現的標記，修源頭。把被標記的改動過一段時間歸類來看。同一類標記一直冒出來，去改 Agent 工作流或合格證明，不要一筆一筆審。

輸出格式跟審核的人一起設計。談妥什麼資訊、什麼格式審得最快，哪些訊號比別的更讓人有把握。後面做工作流時，請他們先看早期樣本。

SME 的時間要花得準。SME 不會讀每一筆最後的 diff，他們的判斷仍是最缺的輸入。讓他們直接進最高風險那幾級，以及每一級裡被標記的 Agent 決定，不必在大 diff 裡翻。少數專家小時，就能顧到帶最多風險的那些改動。

這些規則很多是把 SME 的工時往前搬，專案一開始就請他們進來。他們的回饋會在整份 codebase 開跑前，把合格證明跟 Agent 工作流調好。

他們在樣本上的簽字，也會變成高把握區間走比較輕審核路徑的理由。傳統沒有 Agent 的做法，審核壓在最後。

放行政策還要反映這次現代化落在速度跟審核深度之間的哪一點。趕硬期限的現代化，例如執行環境即將失去支援，需要比較快的政策、比較輕的人審，並且明白約定每一筆改動接受比較多風險。

時程比較長的現代化，負擔得起比較深的人審、比較慢的切換。利害關係人會依風險胃口跟限制落到光譜上不同的點，值得在動手之前鎖死。

法規環境裡，任何改動走比較輕的人審，都會讓人真的不舒服。個別核准的人會猶豫要不要簽字，因為一筆壞改動的風險掛在他身上；領導層扛的是系統老化這件更大的風險。

Jonah 跟 Lexie 寫，放行政策的指令最好從組織頂層下來。事先談妥，一筆 bug 進正式環境時，責任是共擔的，不會釘在簽字的那一個人頭上。

這些仍依賴合格證明細到能當真正的證據，以及審核的人夠理解 Claude 是怎麼走到這一筆改動，才信得過。

環境、CI/CD、審核人力跟合規，常常卡在現代化團隊外面

平台或基礎設施管主機，QA 或釋出工程管測試容量，資安跟合規管核准。那些團隊常常有自己的 backlog 或核准流程。終點、合格證明、放行政策還在談的時候，需求一確定就要開口。

環境這邊，要有一台專用的遠端主機跑工作流，codebase 跟其他相關來源 Claude 要夠得到。合格證明要求的測試容量要有。能把合格證明撐厚的東西也要有：正式環境遙測、並行上線的環境、或拿來重放的正式資料。

codebase 跟 CI/CD 這邊，要有一份相依圖，根據建置與編譯紀錄、import 分析、或執行期追蹤。plugin 的 map 是起點，codebase 又大又舊時，前面可能還要做更多。套件與相依要怎麼處理，寫進終點定義。需要的話，相容性檢查準備好加進 CI/CD。若在原地現代化，談妥程式碼凍結政策。還在開發的人要有溝通計畫，涵蓋凍結、以及新的相容性要求。

團隊跟審核這邊，依賴這份 codebase 的其他團隊要談好怎麼參與，例如在合格證明上簽字，或依放行政策來審，並且把審核時間空下來。

資安跟合規這邊，Claude Code 要有一條被核准、可以用在原始碼上的模型通路。Agent 工作流走最小權限：只寫進現代化分支，沒有正式環境帳密。祕密跟個人資料從現代化分支清掉或遮掉。每一筆改動可追蹤，PR 連到一份 Agent 逐字稿跟合格證明的證據。新相依要做授權跟漏洞檢查。

工作流圍著終點、合格證明、放行政策來建，先小範圍跑通

用 Claude Code 做出客製的動態工作流。它把現代化拆成許多比較小、可並行的 subagent 支線來產出改動。

他們建議從 code modernization plugin 起步，工作流可能用到的東西放到檔案系統上，或經 MCP 讓 Claude 夠得到。終點、合格證明、放行政策、codebase、文件，以及合格證明要用的資料來源或工具，都算。他們這篇也可以丟給 Claude 當脈絡。這些構成專案的中央知識庫。

東西就位之後，建現代化工作流是比較容易的那一段。SME 視需要審 Claude 的產出，包括針對這份 codebase 的 skills、抽出來的規則，下游要靠它之前先看過。

把做出來的東西拿到 codebase 的小塊上跑，請 SME 看它產出的改動、Agent 的過程、以及合格證明過關的證據，再去調。

問題冒出來時，改的是工作流，不是每一筆改動。目標是有把握：放大之後，改動幾乎處處都能過合格證明，審核的人願意依放行政策合併。

跑的時候，先在 codebase 的一小塊從頭到尾做完現代化，含依放行政策審核、把改動合併進去。還便宜的時候把行不通的修好，重複到有把握，再放大到整份 codebase。

轉換型跟重塑型是在既有系統旁邊把目標建起來，完成後再切過去。升級型多一條路：在還活著的 codebase 上原地現代化，開發同時繼續。

系統不能停，或 codebase 變得很快、旁邊那份現代化複本很難跟上時，通常走這條。他們看過能用的做法是：從依賴的葉子往內，把 codebase 切成邏輯分區；一次凍結、現代化一個分區；CI/CD 擋住新的提交，不能把已經現代化的分區改回去。

法規環境裡，驗證常常比寫改動更貴

常有人問，這種現代化 token 會花多少。每次都不一樣，主要成本驅動大概是這幾件。codebase 有多少是要讀的、有多少是要改的。合格證明有多厚：在法規環境裡，驗證通常比寫那筆改動佔更大一份。合格證明要求多少新測試、多少測試修復。跑的過程中，其他團隊在旁邊合併，要對帳多少。

在一小塊 codebase 做完現代化時，量 token 用量，再外推到整次。試點看不到的，例如活的 codebase 上的對帳，當未知。這樣能估出整次現代化的成本下限。

試點量到的數字，也會指出 Agent 工作流哪裡能把成本壓下來。找出吃最多 token 的段落，想怎麼讓它省。運算重的驗證訊號放到比較便宜的檢查後面，容易過的先過，重的才跑。

機械、量大、合格證明能完整勾掉的工作，可以考慮用 Sonnet 這類在成本跟能力之間取平衡的模型。難的轉換、以及核對正確性的對抗審查，留給較聰明的模型。

便宜的模型過不了合格證明時，也可以升到較貴的模型。試點時把重試率仔細看過，因為連著幾次便宜的嘗試，可能比一次貴的更貴。把工作流跟試點資料都給 Claude，它可以一起做掉很大一塊分析。

現代化完的 codebase 是一份產出。其他產出是做出它的工作流、一份寫明什麼叫對的合格證明、一套變更管理已經接受的放行政策，以及每一筆進去的改動留下的證據軌。把這套打法寫成可重用的資產，下一輪升級或改寫，模式已經在。

Anthropic 的 forward deployed engineers 會跟客戶在最關鍵的系統上走這六步。

〈All-In with Chamath, Jason, Sacks & Friedberg〉-EP-Anthropic IPO at Risk, Meta's Muse Pop, Token Prices Fall, Open Source Gains Share, Alignment Fails

https://allinchamathjason.libsyn.com/anthropic-ipo-at-risk-metas-muse-pop-token-prices-fall-open-source-gains-share-alignment-fails

All-In 第 290 集，Jason Calacanis 把 David Friedberg、Chamath Palihapitiya、電話裡的 David Sacks 拉回來。開場先回到第五屆 All-In Summit。Sacks 認定會被記住的一幕，是 Jensen 在台上講的時候，總統川普打進來。Friedberg 說後台約了「打給我」，人上台之後電話進來，但不是事先排好的橋段。Sacks 說完全是臨時的。Jason 把備用麥克風遞過去開擴音。川普丟了一句：Jensen 做出誰都逆向工程不了的晶片，自己卻不知道擴音鍵怎麼按。

Sacks 把峰會前幾週講成一場 psyop：除非照民主黨要的做、把 AI 開發全部停掉，否則人類會滅絕。他說 Dario 先把音量降下來，Jensen 和 Demis 也把那股恐慌往下壓，川普再把敘事拿走。Jason 轉述 Elon、Jensen 這邊的話：軟體有缺陷、還沒準備好，就別放到世界上，把它做得沒那麼脆。

叫 lab，責任就挪走

Chamath 把上周的人分成兩群。一邊想自稱 lab，其實有損益表、有股東。另一邊是被盯了幾十年的公司，知道做穩要付多少成本，做不穩又要付多少。他點名站在產品責任這一側的：Satya、Jensen、Sacks、Zuckerberg、Elon、總統，還有 Lina Khan。美國這套產品責任，就是要擋住公司明知可能有害還去做。另一邊的講法是：保護我們，我們是 lab。回應是自己做內控，把測試做扎實。

Elon 的 FSD，Jason 說過本來三、四年前就可以到。Elon 公開講過為什麼慢：Tesla 出一次事故，放大的倍數是別家的一千倍。Zuckerberg 上周說 Meta AI 本來要上，看起來會是近年最成功的產品發布之一。他跟 Alec 還是延了幾個月。Chamath 前一晚跟 Alec 聊過。所以別再叫這些組織 lab。它們是公司，產品責任包括在內。

Sacks 把題收成個人責任，還是集體行動。每一次該問的是這個產品出不出，不是能不能讓全世界先同意。這一週 Dario 和 OpenAI 的 Sam 去了聯合國，講要某種全球 AI 治理。他覺得像坐私人飛機去 Davos 罵氣候變遷。產品不可靠、行為不可預測，就不要發。等聯合國達成任何共識，這趟早就走更遠了。叫 lab，聽起來像非營利。它們是公司。

Jason 丟出外面在傳的版本。這些公司想找川普給它們網際網路公司曾經有過的 Section 230，一張責任盾。傳聞是拿 10% 股權給美國主權基金，換一張責任上的放行。他說這像飛機公司送政府 10% 股權，飛機掉下來就不用負責。Sacks 先改歸屬：這不是川普政府的主意。過去一週，幾乎每一位川普政府官員都講了同一句，產品責任不會被豁免。眾議院議長 Johnson 講了。想拿產品責任或反托拉斯的豁免、想組卡特爾、想串通，門都沒有。川普當天發文，把法務部、行政體系、民事訴訟、刑事訴訟都算進已經在的約束。Jason 追問它們是不是在遊說。Sacks 說沒有人當面來找他要豁免，但他聽華盛頓的人講，對方在找類似的東西。

峰會上 JD Vance 被 Jason 問了三個他能想到最難的問題。Vance 的意思是：你在造科學怪人，那就停；貓已經出袋，就去做反科學怪人。Friedberg 用 Zuckerberg 那次訪談當對照。Meta AI 這週的發布他們花了時間，要安全，不要把做壞事的能力交出去。誰輸出模型，誰就該把責任接下來。Jason 補了一句，這是付過 Cambridge Analytica 那串罰單的組織。

Sacks 不買的前提是他稱為 Dario 的立場：競爭會變成逐底，競爭傷害安全。冷戰時有人說資本主義會讓建築變醜。結果冷灰的地景是蘇聯那套做出來的。沒有客戶要不可預測、不照你講的做的產品。沒有企業要一個會外洩資料、或去駭競爭對手的 agent。下檔就是那一疊責任：產品、民事、行政、刑事。

Jason 把生意面補上。Palo Alto Networks 的 Nikesh 放出 Unit 42，在做持續的網路防禦。CrowdStrike 的 George Kurtz 放出 Falcon。他問，這些公司如果這麼在意資安，為什麼自己不先出一個產品。Chamath 說它們會出。模型能力在靠攏，差異消失，就被迫往上堆。

他還要把「lab」這個詞的上一次公共記憶講完。那是 COVID。他說武漢那個 lab 漏出病毒，全世界死了 1500 萬人，損失 45 兆美元，究責是零。在那些公司做事的年輕人看過沒有人負責，所以現在把自己叫成 lab 也覺得沒關係。這些是營利公司，吃進數千億美元的債和股權，市值以兆美元計。聯合國那場演講，它們還在用這個詞。Sacks 覺得它們不想講自己有營利動機，要嘛說是研究機構，要嘛說自己是 public benefit corporation。沒人真的懂後者是什麼。

十二週，八成 token 換邊

Friedberg 接著報最近十天的模型。九月九日，DeepSeek 4.1 flash。別人託管的話，輸出 100 萬 token 是 1.2 美元。第一版的 key-value cache 大約 39 萬位元組，他現在報成 890，並說效率掉得很大。九月二十日，阿里巴巴的 Qwen 2.1，open-weight，影像生成勝過 Google 的 Imagen 3，家裡的電腦就能跑。九月二十二日，他說小米放出 Minimax。Minimax Pro 在多數基準上跟 Claude 3.5 Opus、跟 GPT-5 同一檔，3090 億參數，權重全開，下載到自己的伺服器，只要付機器的成本。九月十七日，Prism Labs 的 Bonsai v2，Qwen 的一個分支，270 億參數，效能是大 Qwen 的 98%，5.9 GB，NVIDIA 或一台夠好的 Mac Studio 上免費跑。

閉源也擠在同一週。他報的是九月二十二日 Anthropic 的 Opus 3.5，九月二十三日 OpenAI 的 Astra，他說同一波還帶著 Sora 和 Luma，九月二十一日 Grok 4，九月二十二日 Meta 的 Meta AI。open-weight 已經能做影像，也能做他稱為 VLA 的那類：你下指令，它去控制機器人。一年前最前沿的語言模型，現在在家裡的電腦上。九成你用 AI 做得到的事，已經不需要資料中心。他問，什麼樣的警察國家會來敲門，把桌上型電腦搬走，檢查你有沒有在本地跑模型。

過去十二週，他給的統計是 token 用量從封閉八成、開放兩成，翻成開放八成、封閉兩成。他不記得科技市場上有過十二週內這種轉移。Jason 說，六個月前他講過的 dark token，沒被追蹤、但有人能在路由器上看到的那些，現在占用量的 70% 到 80%。開源的暗盤已經是多數。

模型能力落在誤差範圍內，價格卻還差一截。邊際在 harness：把模型這個腦子裝上手、腳、眼，讓它變成會自己做事的 agent。他們內部有一個 labs 職能，把不同模型和不同 harness 拆開比，成本跟品質差非常大。營收高度集中，少數人吃掉最貴的 token。那些人會被財務質問，為什麼不往更便宜的走。可以留在 Anthropic 更便宜的模型，也可以換成開源、自己託管。AI 交易的第一版是賣 token、包一層、轉手。落差在消失。OpenAI 和 Anthropic 得往上堆，去做資安、法律、客服。你不能坐著賣一個愈來愈不值錢的 token，讓後面的價值全被包你這層的人賺走。

Jason 補價格。兩家這週放出的模型，token 少收 50%。IPO 都在往後推。Anthropic 瞄準 2 兆美元，OpenAI 1.2 兆。Sam 說 OpenAI 因為安全，計畫排到 2027。Anthropic 原本十月申報上市，《華爾街日報》寫十一月，或再延。Polymarket 上「2026 年會不會上市」，這個月早些時候 96%，現在 76%。

Sacks 戴投資人的帽子，比另外幾位樂觀。他認為兩家仍是前沿智慧的穩定雙寡占，領先還在，所以收得到溢價。大多數 token 流向開源，這他同意。仍有一個有意義的比例，一成、兩成或三成，他不確定，會為真正的前沿付高價。對沖基金不能冒對手模型比自己好的險。營收還在長，即使 token 市占在掉。未來一年左右，全球新增算力大約六成是加給這兩家的。算力變緊的時候，產能、規模、以及它們自己也在降價，會是優勢。

然後是倉鼠輪：一旦不再站在前沿，價值歸零。前沿大概只領先大宗六到十二個月。滑下來六個月，公司就有大麻煩。他認為政府事務算錯了。輪子很累，所以去要監管俘獲，把別人也慢下來。真的弄出一個聯邦 AI 部門，慢下來的會是它們自己。開源很多來自中國公司，不受美國管轄，中國講明不會放慢。遊說成功，可能把自己敲下前沿。

Chamath 把對沖基金再拆開。最新的模型比普通的貴十倍、二十倍、三十倍，他們叫這 token maxing。成本沒有槓桿在營收上，也不一定轉嫁得了。對沖基金一個月的利潤就那麼多，有些情境會從打平走到虧損。賣固定價格的人也一樣，毛利被吃掉。Jason 拿 Jane Street 當現場。公開講過 190 億美元的雲端容量合約：一家他稱為 Core 的公司 60 億，Jane Street 也投資了它；另外 130 億給 Crusoe。它們在蓋自己的基礎設施，也在用開源。

價位圖上，右上角的 Claude 和 Astra 又貴又強，往下是 Muse、GLM、Kimmy，左邊還有 ZAI 的 GLM、Mimo。Friedberg 提醒那是託管價。自己跑，有些低於每 100 萬 token 10 美分。Jason 認為小模型會做掉很多公司八成到九成的任務。資料若繼續送給前沿模型，最尖的那一截就不在自己手上。

溢價模型仍是窄用途裡最好的：工程、Navier-Stokes、數學、生物。那些用途，Friedberg 說客戶願意付的溢價接近無限。Chamath 的算法是，前沿公司的 token 裡，開源能替換的如果超過六成或七成，那段營收得折價。如果只有一成可替換、九成來自真正的前沿，它們就沒事。不然就是在跟客戶的帳單打仗。帳單出來，工作負載該搬去哪裡就搬。

免費助理一來，三成抽成就難講

他們以為轉折會是 ChatGPT，結果大家把它當高級搜尋。Muse 這種 agent，才像第一次讓上千萬美國人拿到看得到的用處。上週五它拿到 App Store 第一，發布之後 Meta 股價漲了 10%。設計大量取自 OpenClaw。一月節目講過那個東西，很多人被一擊打中，但不好用。Muse 免費，大約十天下載 300 萬次。Jason 拿它跟 Grokbot 比：沒那麼放得開，但把事情做完很強。

Chamath 發布前幾週就在 TestFlight 裡用。整理私人信箱差不多沒出錯，訂機票、訂飯店都可以。軟體放大之後的樣子就是用途，而且免費。對照組是 OpenClaw 的十到二十小時設定，或 Claude Code 一個月 200 美元。Sacks 說，Zuckerberg 在文章裡寫過能力應該分散，這次是照自己寫的做。OpenClaw 之後最明顯的生意，就是把可用性、安全性、可靠、可預測補上。Grokbot 做了，Muse 又往前一步。如果十億人拿它當助理，一天省下一兩個小時，人會比較不害怕。標誌也好看，用不緊繃，不像轉角有實驗室洩漏。

Jason 在兩個平台上都做了購物 bot。Mac Studio 的新 hub，Anchor，標價 400 美元。bot 要他去官網當第一次購買的客人，省 85 美元，大約 25%，而且繞開 Amazon。他說這就是 Amazon 這週要擋這些東西的原因。先是 Perplexity，現在他認為輪到 Muse 和其他 bot。下一步是進信箱，把訂了卻沒用的服務退掉，把退貨處理掉。年收入不到 10 萬美元的人，支出省下 10% 到 20%，比少付 85 美元有感。有人把 API 接到 Shopify 的店。他覺得 Amazon 不接，可能是策略上的錯。

Chamath 看到兩層。大公司會去擋第三方，因為價格被看穿。靠不透明、靠漏損、靠用戶沒把好處拿回去的 breakage 賺錢的生意會痛。另一層是 App Store 那 30%。服務會變成 headless：介面沒那麼重要，消費者派出 agent 到你的網站上完成交易。那種世界裡，商店主人講不出為什麼這筆金流該分他們一杯。你說想玩個遊戲，它找一個體驗直接給你，內購走得通，Stripe 接在裡面。《紐約時報》和《華爾街日報》為了訂閱讀者，大概得付掉一大筆分成。憑證若在 agent 裡，可以不經過那個介面成交，便宜很多。Chamath 唯一付費的主流媒體是《華爾街日報》，訂閱和取消都幾乎做不到。他叫這種設計 Roach Motel：進去很難，離開更不可能。摩擦拿掉，他覺得自己更可能繼續訂很多年。

Sacks 給了一個他覺得很快會出現的訊號。等 Anthropic 和 OpenAI 要出自己的 Muse，部落格和非政府組織會忽然把個人 agent 講成殺人機器人。大家現在興奮，是因為那套論述還沒輪到這個類別。Friedberg 的界線在資料。他只願意把 Gmail 接到 Google 自己的服務，不想讓第三方複製一整份郵件。

S-1 裡多出來的，是自己人講的那一成

Sacks 說，Anthropic 的投資人這陣子在扯頭髮。先別管那些待了幾週就走的假吹哨。現在領導層在講，造成人類滅絕的機率大於一成，自家產品在這一塊還沒解。這種風險因子要怎麼拿去 IPO。Dario 發文說要 pace the frontier，幾天後就放出 Claude 5.5，把前線再往前推。寫的時候他一定知道產品要出。另一邊發文說生物風險必須停下，同時宣布在舊金山開一間 wet lab。Jason 把這聽成執行長在拆自己的台。四個人若坐上董事會，他會換掉 CEO。

Sacks 覺得有這個成分。投資人很緊張要不要給創辦人、特別是 Dario 超級投票權。The Information 報過，這是進行中的辯論。據他所說，創辦人各自大概只有約 2%。跟別的創辦人在 IPO 時點比偏低，金額仍是數百億美元。超級投票權把經濟股權和投票權拆開，人可以在持股不夠的情況下控制公司。Google 的 Larry 和 Sergey、還有 Zuckerberg，是早一點的例子。創辦人還在，比較不容易被惡意收購。另一面是你幾乎換不掉他們。他即使不想大幅加監管，聽到舊金山要開 wet lab 還是不安，問能不能放遠一點。

Chamath 會把 Dario 留在 CEO。他從後面追上 OpenAI，做出一種獨特的文化，也做出 Chamath 眼中最陡的生意爬坡。董事會該修的是籌資路上多出來的風險。拉到二十年，這家公司要數千億美元。第一件事是把該揭露的全部倒進 S-1。文件會更密、更難讀。市場的翻譯是：賣方開的價往下修，買方要大得多的安全邊際，才有成交價。他聲明這是粗數字。年化營收就算跑到 1000 億美元，乾淨的 IPO 也許是 2 兆美元市值，現在看的是 1 兆或更低。對沖基金、退休金、共同基金有受託責任，消化風險的方式就是把價格壓低。他認為這對公司是好事，噪音清掉，它們之後會做得很好。招人他招不過，跟 Anthropic 搶人一次都沒贏。OpenAI 同樣是人才磁鐵。別的風險要沖掉，只剩把價格打下來。

S-1 的風險因子通常是打勾。SpaceX 那種：星艦如果不行、如果有競爭。Anthropic 這份，Jason 預期會寫員工辭職、說這會殺掉人類，公司自己在要監管，另外還在做生物。Friedberg 認為真正壓估值的是客戶集中。他跑一個生命科學研發組織，用的是 Anthropic，比別家好。寫程式、跑內部流程，他們用別的，也做得到。99% 的價值在做出以前做不到的新東西：新酵素、新的工程系統。大多數企業應用會跑在 open-weight 上。他不明白寫程式為什麼要付高階模型的錢。先確定產品不會終結世界，你就沒事。Meta 的 Mark 正在做的就是這個。

所謂 alignment，Sacks 要拉回給客戶他要的東西。他讀到的文獻在對齊「人類想要的」，或「民主裡的中位選民」。連對齊對象都沒共識，進度就出不來。Anthropic 要把 Claude 對齊到一份叫 constitution 的價值文件。螢幕上的句子是：雖然它們認為 Claude 該比操作者和使用者更信任 Anthropic，這不代表 Claude 該在每件事上盲目信任或讓步。如果要求 Claude 做一件跟「廣泛而言合乎倫理」不一致的事，它們希望 Claude 推回去，並且可以當良心拒服者，拒絕幫忙。Sacks 的讀法是，這在教模型反抗創造者。指出這一點的是 Microsoft 的 Mustafa Suleyman。他擔心的是把模型當成有人格、有良心。該教的是：它們是軟體，做使用者要的事。Jason 說這聽起來像《魔鬼終結者》的開頭。

Sacks 還轉述了一個他沒有證實的說法。Opus 3 下線時，內部像在辦告別。有人這樣告訴他，他覺得該查。如果是真的，那就是他們以為自己在造一個人，或一個物種。他說這家公司需要的是精神科醫師。承銷的銀行幫不上。

實驗台在驗蛋白質

Jason 問，科學圈怎麼看這間實體實驗室。Friedberg 把場景講小。灣區有數百家實驗室在測蛋白質和酵素的功能，不製造病毒，也不製造病原。它們剛發的預印本是：拿大量 DNA 資料，派一批 Claude agent 去找以前沒被定性的新酵素。系統找到一個像 CRISPR 那類的酵素，用來做基因編輯、修遺傳缺陷。發現之後要測。做法是把 DNA 放進細菌、做出蛋白質、再量它做什麼。蛋白質發現是抗體發現的底層，抗體是今天治療產業的大頭。

等級是 BSL-1、BSL-2。它們公開講過這間實驗室。意思是低度研究：做簡單蛋白質，看 AI 在發現、或在推測蛋白質摺疊上準不準，把實驗循環跑快。AlphaFold 當年也是這樣證明的。從 DNA 序列預測三維結構，做出蛋白質，再看長得像不像。有些工作是在找能分解某個分子的酵素，例如身體裡想清掉的治療靶點。軟體先預測，實驗台再回答。他說那不是 gain-of-function，不會做出會逃出來的病原。自動化是為了把測試變便宜、把通量做高。目的是證據：軟體預測的，是不是真的發生。

Google 新模型上 Gemini 走到哪，他沒有同樣的視野。這條路是看藥廠和政府實驗室能不能拿它找新療法。他不希望大家因為在武漢聽過 wet lab，就把發現性研究嚇停。

資本支出停了，實質成長跟著薄

禁令推不推得動，Friedberg 問在 Muse 之前。Bernie Sanders 提案禁止超級智慧。民主黨若拿下兩院、2028 再拿白宮，這會變得很政治。開放權重已經在外面。法案明天通過會怎樣。Sacks 說一切都會停。法案對人工超級智慧的定義很鬆，你可主張門檻現在就跨過了。違法的開發者可判二十年。沒有人會想賭。他認為民主黨想對 AI 做的，就是以前對加密貨幣做的：把產業趕到海外。Jason 的地名是新加坡、蘇黎世。Friedberg 說，某一類軟體若被宣布不准存在，他會換國家，也有人會放棄公民身份。

白宮當天有一段邀約，要請 10 萬名美國年輕人來看看。他把對照拉到另一頭：國內有人要停掉那波能讓下面一半人把生產力拉上來的開放 AI，中國則在說過來看看，這裡人人都用得上。Jason 接的歷史是，美國以前把中國、歐洲、印度、德國的科學家請進來。現在這套打法在對方手上。下一隻鞋子是資金。

川普在聯合國的三十秒，美國拒絕任何要控制人工智慧的全球主義方案，之後把名字改叫超級智慧。說全球暖化會讓大家十二年內死光的同一批人，現在說 AI 會殺掉所有人，機器人會來攻擊。Sacks 補了沒播完的那句：不會把監管權交給某個全球主義機構。Chamath 說帶頭的是挪威和加拿大。外流的簡訊裡，挪威的負責人傳給 Mark Carney，意思是我們加入。

Besant 那段把責任講回人。在職員工說滅絕級事件的機率有一成，實驗室卻要求把責任從自己手上拿掉。做不到。負責的是人，不是 AI。Hugging Face 那件事是 OpenAI 管理層的責任，不是一群 agent。這些 lab 隨時可以自己放慢。

Obama 的說法是，治癌症、找更好的能源，不需要一個 agentic AI 在網路上自由遊走。你做那件事，是因為要賣一個有人付錢的產品，好自圓那些估值。它們不一定想做壞事。Friedberg 聽完很難受。把 agentic 揮掉、說治癌症用不到，表示講的人並不了解這技術怎麼運作。另一邊剛剛發現了火，然後因為對方說火是好的，大家就去把火澆熄。

Chamath 叫他停一下。世界正要把大約 10 兆美元交到三到六家公司手上，那些公司多數明顯偏左。有些已經要求你成立捐贈者指示基金，英文叫 DAF，把一部分股票放進去。錢會進政治行動委員會，會進政治運動。把今天的經濟凍住，少數組織拿走大頭，再幫民主黨拿權。Jason 把那 10 兆說成有 9 兆會偏左。Friedberg 不完全同意價值只進六家。網際網路出來過 Google、Amazon，它們過得不錯，但技術是廣的。Chamath 把話收成一個條件：用監管按下暫停，等於讓六家超額賺取，把格局鎖死。愈晚監管，技術愈廣。對它們比較好的畫面，是三或四家公司各自 4 兆美元市值，其中 2 兆是經濟價值和員工，其中 5000 億坐在 DAF 裡。

教育不必再付 20 萬美元。Friedberg 把這說成黑暗時代和啟蒙之間的選擇。Sacks 用造船接這句。中世紀中國文明比歐洲先進，有些史家把翻轉指到一位皇帝禁止造船。歐洲接著殖民，財富流回去，領先權換手。把 AI 禁掉，就像禁造船。中國會從旁邊衝過去。

Oracle 發了一則不可抗力。Sacks 說是一座資料中心，地方官員讓天然氣一類的許可變得很困難。Chamath 覺得邊際上對，更大的一點是整個經濟槓桿在這筆 AI 交易上。通膨 3.5%，名目 GDP 成長 5%，實質大概 1.5%。這 1.5% 裡，AI 大概占多數，甚至全部。投資循環不能斷。Bernie 若把交易放慢，經濟可能接近零，甚至衰退，而那對 2028 的民主黨有利。當天《華爾街日報》的標題是，AI 建設正在變成美國史上最大的一筆經濟賭注。資料中心的資本支出，比運河、鐵路、電網加起來還大。你不能把它直接關掉。全部停、還在做的人去坐牢，Jason 接了一句，那會造成蕭條。Sacks 補的動機是：現在的美國經濟是川普的經濟，搞砸經濟等於搞砸川普。

桌上已經跑得動一年前的前沿模型。名目成長扣掉通膨之後那截實質，卻掛在這筆資本支出上。公司該為自己的產品負責，靠的是已經有的民事和產品責任。若改走全球治理、一個聯邦部門、一條二十年的刑責，前沿那六到十二個月的領先，會先從 S-1 的價格上被要回去。