四大雲端業者兩年半砸了 1.1 兆美元。上季自由現金流只剩 70 億。

今日漫畫 出演・水無瀨 澪

四大雲端業者的財報在過去兩週陸續公布完畢。把數字疊起來看，從 2023 年 AI 熱潮開始到今年 6 月底，Google、亞馬遜、微軟與 Meta 的累計資本支出已經突破 1.1 兆美元。

比累計金額更值得看的是流向。第二季這四家投出去的錢，比核心業務創造的現金流多了將近 1,000 億美元。

投出去的錢比賺進來的現金多了 946 億

四大雲端業者 4 月到 6 月的合計現金流是負 946 億美元。1 月到 3 月已經是 2018 年以來首次季度轉負，第二季的缺口又擴大了一輪。

自由現金流的數字更直接：四家合計只剩約 70 億美元，創下近十年新低。其中維持正數的只有微軟與 Meta 兩家。

錢花去了哪裡也很清楚：

• AI 資料中心、先進半導體、伺服器與電力基礎設施
• 市場預估四家今年全年資本支出攀升到約 7,450 億美元
• Google 與亞馬遜本季雙雙上調全年投資計畫
• 大規模投資推升供應鏈壓力，先進晶片與高頻寬記憶體需求暴增，整體半導體成本跟著上去

RBC Capital 分析師 Rishi Jaluria 的說法是，目前看不到大型科技公司資本支出成長的終點；市場關注的不再是企業要不要繼續投資 AI，而是在大舉投資的同時怎麼維持既有業務的獲利能力與股東報酬。

帳面之外還有一層。日經報導指出，四大 CSP 加上 Oracle 五間公司最新一季未列入資產負債表的隱藏負債合計 1.65 兆美元，高於帳面上約 1.35 兆美元的有息負債。

Meta 的表外負債規模在其中特別突出，約 4,200 億美元，幾乎是它帳面負債的三倍。

同一批財報裡，四家把 AI 投資轉化成核心業務獲利的能力已經開始拉開差距。亞馬遜與微軟有雲端服務作為變現管道；Meta 缺乏企業雲端業務，AI 人才招募成本與運算使用費用持續攀升，營業利益出現三年來首次下滑。

SLC Management 董事總經理 Dec Mullarkey 點出的關鍵是：Meta 至今仍未提出清楚的算力出租策略，投資人因此難以評估它的 AI 投資回報。

這輪投資循環還有一個外部變數。AI 軍備競賽高度仰賴 OpenAI 與 Anthropic 這類模型開發商持續募資，兩家近年已向雲端業者承諾大規模、長期的運算資源採購。它們未來能不能持續拿到錢履行合約，會直接影響整個 AI 基礎建設的投資節奏。

Midjourney 買下一個占星 App，而且是為了設計

Midjourney 7 月 24 日宣布收購占星應用程式 Co-Star，同時透露正在開發自己的第一款獨立圖片生成 App。這是它上個月推出全身超音波掃描設備、進軍醫療科技之後的另一次跨領域動作。

一家做影像生成的公司買占星 App，理由其實不在占星。

Co-Star 團隊有成熟的行動應用程式設計與營運經驗，而 Midjourney 長期依賴 Discord 提供服務，要推出獨立 App 缺的正是這塊。收購完成後，Banu Guler 出任首席設計長，帶著 24 人團隊加入，成員包含工程師、設計師與詩人。

Co-Star 自己的數字也不難看：

• 約 430 萬月活躍用戶，觸及美國約 35% 的年輕族群
• 被收購前已經獲利，累計募資約 2,100 萬美元
• 收入 100% 來自 App 內單點付費，不賣廣告版位、不賣使用者隱私數據
• 創立至今約 9 年，把 4,000 年的占星理論、NASA 天文資料、生成式 AI 與人類創作者的文字結合

Banu Guler 講過自己創立 Co-Star 的初衷不是做另一個算命工具，而是希望讓那些在主流社會裡感到孤單、缺乏理解的人更容易找到自我認同。使用者對它產出文字的形容是「殘酷但真誠」。

收購金額雙方都沒有揭露。Co-Star 未來維持獨立品牌與產品營運，並透露可能進一步發展交友服務，結合占星分析、人格特質與 AI 能力。

David Holz 把影像生成、Co-Star 與健康科技計畫放在同一個理念底下：用科技支持人在身心靈、潛能與社會關係上的完整成長。這個說法跟同業競逐模型規模與運算效率的方向差得很遠，是不是講得通要看那款獨立 App 出來之後長什麼樣。

高通把 Mojo 的作者請進公司

高通宣布完成對 Modular 的收購。Modular 做的是 AI 原生的軟體基礎架構，讓開發人員能用統一平台在異質運算系統上最佳化並部署生成式 AI 與代理式 AI 的工作負載。

人事安排是這樁交易裡最具體的部分。Modular 共同創辦人暨執行長 Chris Lattner 出任高通先進 AI 軟體與平台執行副總裁。Mojo、MAX 與 Modular Cloud 三個品牌繼續發展，並拿到高通的進一步投資與支援。

Cristiano Amon 給的理由是提供開發人員真正的選擇：讓 AI 能在各類硬體平台上高效率執行，在 CPU、GPU、NPU 與客製化晶片之間都保有效能。這個方向的實際考驗在明年，看有多少開發者真的把部署流程換過去。

代理開始操作瀏覽器，但它說完成不代表完成

Google 7 月 30 日起把 Gemini Spark 陸續開放給另外 160 多個國家的 Google AI Pro 訂閱者，同時讓它跟 Chrome 整合。Chrome 操作能力初期只在美國推出。

整合之後 Spark 能做的事變得具體：替已收藏的租屋物件安排看房，或搜尋比較不同航班並開始訂票。它會利用瀏覽器裡已登入的帳號，必要時使用已儲存的密碼進入需要會員身分的網站，使用前必須先取得使用者允許。

Google 自己點出了新的攻擊面：部分網站可能包含刻意誤導 AI 的文字或指令，讓它偏離使用者原本交付的工作。付款這類敏感操作 Spark 不會自行完成，會把任務交還使用者。

同一週，開發者社群在討論的是另一個層次的問題。有人寫下自己接受了一個很笨的「完成」定義：建置通過、單元測試通過、模型給出一份漂亮的變更摘要，然後打開實際頁面發現東西是壞的。

那次是一個設定流程。模型改了元件、更新了 API 呼叫、跑過既有測試，然後很有信心地說完成了。它從來沒有打開過那個頁面。

儲存按鈕只能按一次就卡在載入狀態，重新整理後顯示的還是舊值，因為更新根本沒有正確寫入。程式碼看不出明顯問題，測試是綠的，因為測的是函式而不是實際渲染出來的流程。

他後來加的規則很簡單：模型不准說「完成」，除非它打開部署好的頁面、證明流程能像使用者那樣走完。他的說法是，讓寫程式的同一個模型自己說「相信我，我測過了」，不算一種驗證策略。

Spark 開始操作瀏覽器的同一時間，這件事在提醒一個順序問題：代理能點下去，跟代理知道自己點對了，是兩件事。

筆電軸承廠三個月做了 50 個代理

新日興是全球市占最大的筆電軸承供應商，蘋果筆電與 AirPods 充電盒的轉軸主要出自這家成立逾一甲子的台灣精密製造廠。

這門生意正在變辛苦。筆電軸承已經是成熟市場，競爭者比 20、30 年前多出近 10 倍。2022 年接任總經理的阮朝宗講得直接：以前是在比技術，現在比價格。

比價格的年代，護城河回到公司累積超過 60 年的精密加工知識，而那些 know-how 大量存在資深工程師腦中。缺工加上老師傅陸續退休，怎麼保存與傳承成了實際問題。

三個多月裡，新日興在全公司各部門引入約 50 個 AI 代理，而且算得出投資報酬率。

第一波落地的是行政庶務。人資的出勤打卡比對過去每天要花約 2 小時人工核對，交給代理後 5 到 10 分鐘跑完；報關退稅的單據勾稽、內部稽核也各自有了幫手。

更硬的題目在品保處。客戶送來的產品圖面，一張 A3 或 A4 紙上可能標註 50 到 70 個球標，工程師得花好幾小時逐一判讀再轉成 Excel 檢核表。

品管課長謝明麟在本業之餘花了 1 到 2 個月，開發出專做圖面判讀的代理：

• 50 到 60 個球標的圖面，辨識準確度已達 100%
• 超過 60 個球標的複雜圖面，準確度 99%
• 每周服務約 20 人次、節省約 67 小時工時
• 年化投資報酬率接近新台幣百萬元

研發部門的 RD 知識庫是更深的一題。主導專案的研發六部副理簡柏元起初的想法很單純：做一個數位的自己，有問題去問它，不用來問我。

他點出的痛點是，過去新人靠前輩帶，一種異常可能有 10 種成因，老鳥直接給答案，新人就只學到一種，而即使是資深工程師當下可能也只想得到 7、8 種。現在這套知識庫生成的報告，在工程師引導下已經達到約 5 年資歷工程師的水準。

阮朝宗描述了一個工程師都懂的場景：客戶提出一個明知行不通的設計，對方研發人員多的是名校博士，自家工程師若只能搬出經驗、拿不出數據，時常說服不了人，最後只能硬著頭皮照做，本來賺錢的案子搞到虧錢。知識庫能立刻調出過往測試報告，讓所有工程師都拿得出實證數據。

下半年新日興已經排定再開發 6 個代理，包括統計製程預警，目標是在產線品質指標拉警報前提早行動。

99.97% 的準確率，在假樣本面前歸零

密西根州立大學團隊用 Avida 電腦程式建立虛擬生物模型，訓練系統分辨「可自我複製」與「不可自我複製」的數位生物，初步測試準確率高達 99.97%。

接著他們刻意對非生命的程式碼反覆微調、製造更逼真的假樣本。結果是 AI 逐漸被誤導，最終即使這些假樣本從未展現該虛擬世界裡唯一被定義為生命的特徵，也就是複製，AI 仍然幾乎百分之百認定它們是活的。

研究人員的結論是 AI 往往只是盲目抓取訓練資料中的模式，沒有真正理解生命的本質。這份研究預計 2026 年 8 月在加拿大滑鐵盧的人工生命會議發表。

團隊警告的場景很具體：前往火星、冰衛星或其他外星環境的探測器如果過度仰賴智慧儀器，AI 在面對罕見、陌生的樣本時極容易產生高信心的誤判。

不同意見也有。卡內基科學研究所學者 Michael L. Wong 與 NASA 科學家 Caleb Scharf 共同領導的計畫已獲得 500 萬美元資助，目標是用隕石、岩石、化石與活體生物等至少 1,000 份樣本，結合過去 NASA 任務質譜儀收集的真實數據訓練 AI。

Wong 認為這項研究值得重視，但未必代表 AI 生命探測法有致命缺陷，因為實驗中製造假生命樣本的方式本身經歷了類似自然選擇的漸進篩選，而那正是一種生命的特質。他強調的是訓練資料要涵蓋化石、殘留物與生命副產品，否則探測的星球上若只留下早已滅絕生物圈的化學遺跡，模型會完全看不出來。

AI 也確實抓到過人類沒注意的線索。系統曾判定一個海鞘樣本具有光合作用特徵，科學家後來才發現海鞘體內經常共生著能利用陽光的藻類。

把 92 GB 的模型塞進 12 GB 的手機

DeepSeek V4 Flash 0731 在社群的討論重心不在榜單位置，而在成本與效能的比值。有人的說法是，對代理來說每個循環便宜一點，就能負擔更多重試、驗證步驟、工具呼叫與更長的工作流；問題已經不是哪個模型最聰明，而是哪個模型夠好、夠便宜、夠可靠到能大規模跑代理工作流。

同一週有人把這件事推到極端。一個叫 BigMoeOnEdge 的專案，把 DeepSeek V4 Flash 的 IQ2_M 量化版（92 GB）跑在一支只有 12 GB RAM 的中階 Android 手機上，速度是每秒 1 個 token。

作者自己也說這離實用還很遠，但它證明了引擎能動。基於 llama.cpp 的模組化設計，一行程式碼就能讓任何支援的大型 MoE 模型跑在行動裝置或消費級 PC 上。

算力那頭則是另一種規模。Bloomberg 報導，Moonshot 的 Kimi 建立在阿里巴巴提供的 2 萬顆 Nvidia 晶片叢集上。

小孩不說 Google it 了

「Google 一下」當了二十年的標準回應，現在正在被換掉。對 Z 世代與 α 世代來說，更常聽到的是「search it up」，不指名任何一家搜尋引擎。

這個換法反映的是入口的轉移。在 Siri、ChatGPT 與 Gemini 時代長大的孩子遇到疑問時未必先打開搜尋引擎，而是直接問聊天機器人，或在 TikTok 這類應用程式裡找答案。

回頭看，Merriam-Webster 與牛津英語詞典早在 2006 年就把小寫的 google 納入動詞用法。Google 的商標律師據稱對此感到不安，擔心品牌名稱過度通用化最終失去商標保護。

被改變的不只是搜尋方式。幾份研究都指向同一個現象：

• 史丹佛大學分析超過 10 萬則 Reddit 貼文與留言，發現 delve、meticulous、adept 這類偏 AI 風格的詞彙不只出現在複製貼上的文字裡，也自然融入非腳本式的日常對話
• 馬克斯·普朗克演化人類學研究所觀察到這種變化會擴散到從未使用過 ChatGPT 的人身上，該機構一名柏林研究員表示自己在聊天機器人推出約一年後也開始不自覺地更常用 delve
• 佛羅里達州立大學在 2,210 萬字的自然口語資料庫裡發現，近四分之三被追蹤的 AI 相關詞彙使用頻率顯著上升，部分甚至翻倍

語音助理更早就在做同樣的事。2022 年一項研究發現，在家中習慣使用 Alexa 與 Siri 長大的孩子，會把對人說話的方式變得像對助理下指令一樣簡短直接。

今天這幾件事擺在一起，錢的方向和話的方向指往同一處：四大雲端業者用負 946 億美元的季度現金流換 AI 基礎建設，新日興用三個多月換 50 個代理與百萬元的年化報酬，而孩子們已經不記得要指名哪一家搜尋引擎。如果 AI 投資最終要靠實際商業效益說服市場，那麼下一輪財報要看的就不是資本支出的絕對值，而是那 7,450 億美元有多少變成了雲端營收。