跳到主要內容

發表文章

經濟學家證明：AI 可能摧毀消費需求，唯一解方是「自動化稅」

兩位在頂尖學府任教的經濟學家發表了一篇令人不安的數學論文——他們用嚴謹的模型證明了一件幾乎沒人敢說出口的事：如果企業繼續理性地用 AI 取代人力，最終會把整個經濟體系拖入需求崩潰的深淵。 論文核心發現 這篇題為〈The AI Layoff Trap〉（AI 裁員陷阱）的論文，由賓州大學華頓商學院的 Daniel Falk 與波士頓大學的 Ioannis Tsoukalas 共同撰寫，於 2026 年 3 月 2 日經同儕審查發表。 論文的結論只有一句話，卻令人不寒而慄： 「在極限情況下，企業透過自動化實現了無限的生產力提升，但也同時將需求推向零。」 換句話說：一個能生產一切、卻沒有人買得起的世界。 致命的迴圈 這個邏輯其實很直觀： 1. 一家公司裁掉 500 名員工，用 AI 取代 2. 競爭對手為了保持成本優勢，裁掉 700 人 3. 另一家公司跟進，裁掉 1,000 人 4. 每家公司的決策都是「理性的」，都符合股東利益 5. 但被裁掉的員工同時也是消費者——他們停止消費 6. 需求下降 → 企業進一步裁員降本 → 需求進一步下降 7. 這個死迴圈沒有自然出口 研究團隊測試了所有常見的解決方案：全民基本收入（UBI）、資本所得稅、員工持股計劃、技能再培訓、企業協調協議……在他們的數學模型中，每一項都宣告失敗。 唯一奏效的解方 ：徵收「自動化稅」（Pigouvian automation tax）——每當企業用 AI 取代人類員工時，就按受影響的工作任務徵稅，迫使企業在做出決定前，將自身破壞的需求外部性內部化。 數據正在驗證模型的預言 這不是純理論。現實數據已經開始追蹤這條曲線： 2025 年 ：約 10 萬科技業員工遭裁員 2026 年初 ：短短幾個月內又增加了 9.2 萬人 Jack Dorsey（Square/Twitter 創辦人） 公開表示：「未來一年內，大多數企業都會做出同樣的決定。」 更具諷刺意味的是，FT 最新研究顯示——「大量投資 AI 的企業，比起同業僱用員工的速度更快」。這似乎矛盾，但仔細想想：這些企業是在「擴張部門」與「裁員部門」之間做權衡。AI 投資帶來新業務機會，但核心營運仍在加速自動化。 為什麼「自動化稅」這麼難推行？ 截至目前，沒有任何國家實施這...
張貼留言
閱讀完整內容
最近的文章

Anthropic 攜手三星開發自研 AI 晶片，AI 晶片自主化競賽白熱化

AI 晶片自主化競賽正在加速。繼 OpenAI 上週宣布與 Broadcom 合作推出自研推理晶片「Jalapeño」後，其主要競爭對手 Anthropic 也被曝正與韓國三星電子探討合作製造專屬 AI 晶片。 消息來源與背景 據《The Information》7 月 2 日報導，Anthropic 已開始早期階段的自研 AI 晶片工作，並與三星進行了初步接觸，探討由三星代工製造的可能性。TechCrunch 確認了這項報導，並指出 Anthropic 目前尚未決定這款晶片的具體用途、伺服器配置方式，以及性能規格。 當被問及此事時，Anthropic 表示：「包含 Google、Amazon 和 Nvidia 晶片在內的多元化硬體堆疊，仍將是我們運算策略的核心。」同時對三星合作一事未進一步回應。 值得注意的是，三星已經深度嵌入 AI 產業鏈。三星不僅是 NVIDIA 的重要合作夥伴，負責生產 NVIDIA 訓練和推理所需的晶片，雙方還正在韓國合作建設一座 AI 晶片工廠。此外，三星此前也與 Google 討論過參與其下一代 AI 晶片製造的事宜。 為什麼 AI 公司都要自己造晶片？ 背後的核心驱动力是「晶片短缺」。隨著大型語言模型參數規模不斷膨脹，訓練和推理所需的運算能力呈指數級增長，NVIDIA 的 GPU 供應始終處於緊張狀態。 AI 公司開發自研晶片有兩大目的： 1. 降低成本與提升效率 ：自研晶片可以針對特定運算任務進行優化，實現更高的效能功耗比（performance-per-watt）。OpenAI 宣稱其 Jalapeño 晶片在效能功耗比上優於競爭對手。 2. 減少對 NVIDIA 的依賴 ：目前 NVIDIA 在 AI 晶片市場佔據主導地位，但過度依賴單一供應商存在供應鏈風險。自研晶片意味著更大的話語權和靈活性。 各大玩家的晶片戰略 目前 AI 晶片市場呈現多強並立的格局： OpenAI + Broadcom ：推出推理晶片「Jalapeño」，專注於降低推論成本 Anthropic + 潛在三星合作 ：處於早期階段，具體方向未明 Google ：自有 TPU 晶片，已部署數十年，支撐 Gemini 模型 Amazon ：Trainium 晶片，配套 AWS 雲端服務 Micr...
張貼留言
閱讀完整內容

飛機引擎吞下暴雨為何沒事？從 GE9X 水吸入測試看航空工程的極致安全設計

你坐過飛機嗎？在雷雨季節，當飛機穿過厚厚的積雨雲、機身被暴雨拍打的時候，你可能不知道引擎正在進行一場極端的生存測試。 這不是危言聳聽。根據 FAA 和 EASA 的規定，每一具商用噴射引擎在拿到認證之前，都必須通過一項被稱為「水吸入測試」（Water Ingestion Test）的嚴苛驗證。GE9X 引擎——目前世界上最強大的商用航空引擎之一，搭載在波音 777X 上——在投入服務前，就經歷了這項測試。 圖說：GE9X 引擎的水吸入測試現場——大量水霧被直接噴入進氣口，引擎在最高推力下持續運轉（圖片來源：Twitter @mechanical_4u） 根據 Twitter 用戶 @mechanical_4u 分享的測試影片，GE9X 的水吸入測試過程相當震撼：大量水霧被直接噴入引擎進氣口，引擎在最高推力下持續運轉，工程師在一旁監控每一個參數。 水吸入測試：引擎的「暴雨模擬考」 在專門的測試設施中，工程師使用高壓水槍陣列模擬極端降雨條件。根據 FAA Part 33 的規定，引擎必須在以下條件下證明自己能持續安全運轉： 雨水量 ：每秒鐘向進氣口噴入數千公升的水——相當於在暴雨中高速飛行時的進水量 水滴直徑 ：模擬真實降雨中的水滴大小（通常 0.8-1.5 毫米） 引擎狀態 ：從怠速到最大推力（TO/GA）的多種工況都要測試 持續時間 ：至少 30 分鐘不間斷運轉 測試期間，工程師會監控三大關鍵指標： 1. 燃燒穩定性 ：確認不會發生火焰熄滅（flameout） 2. 壓氣機性能 ：確認不會發生壓縮機失速（compressor stall） 3. 推力穩定性 ：確認推力不會劇烈波動 換句話說，引擎必須證明自己在「吞下大量雨水」後，依然能夠平穩運轉，不會熄火、不會損壞、不會讓飛機失控。 圖說：現代渦輪風扇引擎的外涵道（bypass stream）設計讓大部分雨水被旁路排出，無法到達核心燃燒室（圖片來源：Wikimedia Commons） 雨水真的會「吞」進引擎嗎？ 答案是：會的，但沒你想像中嚴重。 現代渦輪風扇引擎的設計，其實比一般人想像的更聰明。首先，引擎的風扇葉片以每分鐘數千轉的速度旋轉，產生的強大氣流會在進氣口前方形成一道「氣幕」。大部分雨水實際上是被這道氣流偏轉、繞過引擎進氣口的，只有小部...
張貼留言
閱讀完整內容

NVIDIA 45°C 液冷革命：AI 數據中心的能源分水嶺

你大概沒想過，有一天你會聽到「冷卻液溫度 45°C」這句話，然後腦海中浮現的是週末泡溫泉的畫面。但 NVIDIA 的 Rubin 架構正是以這個溫度——比按摩浴缸還高幾度——重新定義了 AI 數據中心的冷卻標準。 這不是漸進式的改進，而是一場徹底的范式轉移。NVIDIA 宣布 Rubin 架構成為全球首款 100% 液冷的 AI 伺服器，徹底取消了傳統數據中心中震耳欲聾的風扇陣列。 圖說：現代資料中心的伺服器機櫃與液冷基礎設施（圖片來源：Unsplash） 45°C 入、55°C 出：沒有風扇的伺服器 傳統資料中心的冷卻邏輯很簡單——用盡一切方法把熱量排出去。風扇狂轉、冷水機嘶吼、蒸發冷卻器不停滴水。NVIDIA 的 Rubin 架構採用的冷卻方式，則更像是一套精密的「熱交換系統」。 冷卻液以 45°C 的溫度進入伺服器機架，流經高功率晶片後吸收熱量，以 55°C 的溫度流出。這 10°C 的溫差，承載著來自 GB200 和未來 Vera Rubin 晶片的龐大熱負載。 關鍵在於，這個溫度範圍恰好落在一個微妙的甜蜜點上：45°C 的冷卻液足以讓大多數氣候條件下的室外空氣，透過被動散熱器就能將熱量排出，完全不需要蒸發冷卻器，也不需要風扇。 NVIDIA 數據中心冷卻基礎設施總監 Ali Heydari 在發布會上明確指出：「NVIDIA DSX 參考設計的 AI 工廠零水消耗。」這套 closed-loop（閉環）系統在一次填充後，冷卻液將在整個設施的生命週期中循環使用，幾乎不消耗任何新鮮水源。 圖說：NVIDIA Rubin 架構的液冷冷卻管路系統（圖片來源：Unsplash） 50MW 節省 400 萬美元：冷卻成本的結構性崩解 傳統資料中心中，冷卻系統佔用總電力的約 40%。這個數字聽起來可能不如晶片本身那麼引人注目，但它代表了一筆巨大的、持續性的運營開銷。 NVIDIA 提供的數據顯示，一座 50MW 的超大型資料中心採用 Rubin 液冷架構後，每年可節省超過 400 萬美元的冷卻成本。這不僅僅是電費帳單上的數字變化——它意味著整個 AI 基礎設施的能源成本結構被徹底重寫。 讓我們換個角度看：如果冷卻佔比從 40% 大幅下降到個位數百分比，那麼原本用於驅動風扇和冷水機的電力，就可以重新分配...
張貼留言
閱讀完整內容

AI 發現新型 Kagome 超導體：材料科學的加速器時代

在實驗室冷卻樣品之前，AI 就已經告訴科學家：這裡有東西 2026 年中，一項發表於材料科學領域的研究結果，悄悄改寫了人類對「科學發現」的理解方式。 研究團隊利用 AI 指導的材料發現平台，在實驗室內確認之前，就精準預測了兩個全新的 Kagome 超導體——YRu₃B₂ 和 LuRu₃B₂。這不是 AI 在已有數據中做分類或回歸，而是在浩瀚的元素組合與晶格結構空間中，主動提出了「值得探索」的新假設。 換句話說，當實驗室的低溫設備還在預冷時，AI 已經完成了篩選、排序和優先級評估——它把原本需要數年甚至十數年的試錯過程，壓縮到了幾個月的時間。 圖說：Kagome 晶格的幾何結構，由相互交錯的三角形和六角形組成，呈現獨特的幾何阻挫效應（來源：Unsplash） Kagome 晶格是什麼？為什麼這麼特別？ 「Kagome」（籠目）一詞源自日文，意思是「籃子的眼睛」。在材料科學中，它指的是一種特殊的晶格排列方式——原子排列成相互交錯的三角形和六角形，如同日本傳統編籃的圖案。 這種結構之所以引人著迷，在於它同時具備三個關鍵物理特性： 第一，幾何阻挫（Geometric Frustration）。 在 Kagome 晶格中，磁性相互作用無法同時滿足所有原子間的耦合需求，導致系統陷入大量簡併的低能態。這就像是讓一群性格迥異的人共處一室——沒有人能完全滿足所有人的期望。 第二，電子強關聯（Strong Electron Correlation）。 由於晶格的特殊幾何結構，電子之間的相互作用被顯著放大，傳統的獨立電子近似在這裡完全失效。 第三，非常規超導（Unconventional Superconductivity）。 在上述兩種效應的共同作用下，Kagome 材料展現出傳統 BCS 理論無法解釋的超導行為，這正是當前凝聚態物理最熱烈的研究前沿之一。 圖說：Kagome 超導體在低溫下展現零電阻特性，圖中為實驗測量結果示意（來源：Unsplash） 過去十年間，VSe₃、Fe₃ClO 等 Kagome 材料相繼被發現具有超導性，但每一次發現都依賴於研究人員的直覺、運氣，以及漫長的實驗室試錯。直到 AI 介入。 AI 如何加速材料發現：三階段工作流程 這次研究的真正突破，不在於發現了哪一種具體材料，而在於...
張貼留言
閱讀完整內容

Meta 悄悄上架 Pocket：用 AI 氛圍編程挑戰 TikTok 與 Roblox

2025 年 6 月底，沒有任何新聞稿、沒有扎克柏格的演講台燈、也沒有社群媒體的預熱貼文——Meta 就在 App Store 上架了一款名為「Pocket」的全新應用。直到 7 月 2 日，資深逆向工程師 Alessandro Paluzzi 在 Google Play Store 上也找到了它，這款應用才真正進入公眾視野。 TechCrunch 記者 Sarah Perez 率先報導了這則消息，標題直指核心：「Meta quietly launches vibe-coded gaming app Pocket」。Business Insider 和 Investing.com 隨後也跟進報導。然而，截至目前，Meta 尚未對評論請求作出回應。 圖說：Pocket 是 Meta 最新推出的 AI 互動遊戲平台，用戶可透過自然語言提示詞即時生成小型遊戲（來源：TechCrunch） 從 Gizmo 到 Pocket：AI 提示詞生成遊戲的實踐 Pocket 的本質，是一款讓用戶用文字提示詞（prompt）即時生成小型互動遊戲和應用程式的平台。你不需要會寫程式碼——只需要告訴 AI 你想要什麼樣的遊戲，它就會為你創造出來。 這個產品的雛形來自於今年初 Meta 收購的 Gizmo 團隊。Gizmo 原本就是一款基於 AI 的互動應用，在上架時已經累積了 63.5 萬次安裝量，並獲得了 98% 的正面評價。收購之後，Gizmo 團隊被整合進 Meta，其技術和能力成為了 Pocket 的基石。 Pocket 的用戶介面設計了一個類似 TikTok 的滑動探索 Feed——用戶可以像刷影片一樣，上下滑動瀏覽其他用戶生成的遊戲和應用。這種設計不僅降低了探索新內容的門檻，也巧妙地借鑒了 TikTok 在內容分發上的成功經驗：無限流、低決策成本、高沉浸感。 想象一下這個場景：你在 Pocket 的 Feed 中看到一款別人用 AI 生成的跑酷遊戲，玩到一半覺得有趣，於是點擊「Create like this」，輸入幾個關鍵詞，幾秒鐘後一個屬於你自己的版本就出現了。這種「創作—消費—再創作」的閉環，正是 Pocket 試圖打造的生態。 圖說：Gizmo 是 Pocket 的前身，基於 AI 的互動應用在收購前已獲得 63.5 萬次...
張貼留言
閱讀完整內容

塑膠假花產業隱含的科技：從義烏小商品到全球供應鏈的技術躍遷

一篇關於塑膠假花產業背後隱藏科技的分析 引言 當你走進一家百貨公司的花藝區，看到一束售價 200 元的「絲質假花」，你可能不會想到——這束花的生產過程，涵蓋了 UV 打印、矽膠注塑、3D 掃描建模、AI 色彩分層等尖端科技。 義烏，這個被稱為「世界小商品之都」的城市，每年生產超過 30 億朵塑膠假花，出口到全球 200 多個國家。表面上，這是一門低技術門檻的傳統製造業；實際上，它已經發展出了一條令人意想不到的技術棧。 一、3D 掃描與數位花藝建模 從花朵到數字檔案 現代高端仿真花的第一步不是注塑，而是 3D 掃描 。 高端仿真花品牌會聘請花藝師或攝影師，對真實花朵進行 360 度多角度拍攝，然後通過結構光或攝影測量法（Photogrammetry）重建出花朵的 3D 數字模型。這個過程涉及： 結構光掃描儀 ：精度可達 0.01mm，捕捉花瓣的微小皺褶和紋理 攝影測量算法 ：使用 COLMAP 或 Reality Capture 等軟體，從數十張照片重建 3D 網格 頂點優化 ：通過 ZBrush 或 Blender 清理模型，去除噪點並優化拓撲結構 為什麼需要這麼做？ 因為一朵玫瑰有 30-40 片花瓣，每片花瓣的曲率、厚度、顏色漸變都不一樣。傳統手工複製只能做到「形似」，而 3D 掃描可以達到「微米級複製」。 這套技術原本來自於電影特效和醫療領域——現在被應用在一朵花上。 二、AI 色彩分層與 UV 打印 從模型到顏料 3D 模型建好後，下一個關鍵環節是 上色 。傳統假花靠手工噴漆，色差大、效率低。現代化生產則採用了： #### 1. AI 色彩分析 使用深度學習模型（如 ResNet 或 EfficientNet）對真實花朵的高解析度照片進行分析，自動提取： 主色調 ：花瓣中心的顏色漸變 邊緣色 ：花瓣邊緣的褪色效果 脈絡色 ：葉脈和花莖的深淺變化 光澤度 ：不同部位的反射率差異 #### 2. UV 打印技術 將分析出的色彩數據轉換為 UV 打印機的墨水層疊指令。UV 打印相比傳統印刷有以下優勢： | 特性 | 傳統印刷 | UV 打印 | |------|----------|---------| | 乾燥速度 | 數分鐘 | 數秒（紫外線固化） | | 色...
張貼留言
閱讀完整內容