Jeff Dean 帶三個人離開 Google。Alphabet 是創始投資人。

今日漫畫 出演・水無瀨 澪

Google 一天之內換掉了 DeepMind 的日常營運負責人，也送走任職 27 年的首席科學家。後者帶著三名技術元老去開公司，而這家新創的創始投資人，就是 Alphabet 自己。

27 年，四個人，一家由前東家出資的新創

Sundar Pichai 8 月 5 日宣布，Demis Hassabis 卸下 Google DeepMind 執行長的日常營運職責，轉任 DeepMind 董事長與 Alphabet 首席科學家。

Google 沒有任命新的執行長。日常營運交給升任資深副總裁的 Koray Kavukcuoglu，他直接向 Pichai 報告，負責 Gemini 模型開發、前沿 AI 研究、Gemini 應用程式與開發者團隊，包括正在開發中的 Gemini 4。

Kavukcuoglu 在 DeepMind 已經 13 年，曾成立深度學習團隊，參與過 WaveNet 與深度 Q 網路的研究，目前也是 Google 首席 AI 架構師。他接手營運但不接執行長頭銜。

Hassabis 的說法是，他一生都在朝 AGI 努力，現在感覺 AGI 已近在眼前，所以決定把日常營運交出去，騰出時間處理整體戰略。他會繼續為 DeepMind 的模型與研究提供建議，並加強投入 Alphabet 旗下的 AI 藥物研發公司 Isomorphic Labs。

他在 2010 年共同創立 DeepMind，Google 2014 年收購，2023 年 DeepMind 與 Google Brain 合併後由他擔任執行長。2024 年他與研究人員 John Jumper 因 AlphaFold 共同獲得諾貝爾化學獎。

同一天，Jeff Dean 宣布離開 Google。

Dean 1999 年加入，是公司第 30 名員工，在職 27 年。2011 年共同成立 Google Brain，2018 年起領導 Google 的 AI 研究業務，Brain 與 DeepMind 合併後轉任 Google 首席科學家，協助制定研究方向並參與 Gemini 模型開發。

跟他一起走的三個人，資歷同樣不短。

• Sanjay Ghemawat 1999 年底加入，與 Dean 共同開發 Google 檔案系統、MapReduce 與 Bigtable，後來也參與 Spanner、TensorFlow 與 Protocol Buffers
• Quoc Le 2011 年加入並參與創立 Google Brain，曾用 1.6 萬個處理器訓練神經網路，讓系統在沒有人工標記的情況下從 YouTube 影片自行學會辨識貓
• Oriol Vinyals 2013 年加入 Google Brain，參與序列到序列學習研究，也領導過星海爭霸 AI 系統 AlphaStar 的開發

四個人成立的新公司叫 Discovery Loop，採用公益公司架構。

它做的不是聊天機器人。Discovery Loop 想打造的是能自動解決機器學習、科學與工程問題的系統，把提出實驗、執行、分析結果、調整方法這個循環自動化，同時跑數千項實驗，用來縮短研發時間。

初期先用在機器學習研究本身，讓 AI 協助設計、測試與改進新的 AI 模型。技術成熟後再往藥物、晶片、材料、太陽能、潔淨水與網路安全擴。

出資的是 Alphabet。Google 擔任雲端合作夥伴，並承諾在第一年提供公司所需的運算資源。募資金額與估值尚未公布。

兩個職稱之間還有一層關係沒被說破。Hassabis 的新頭銜是 Alphabet 首席科學家，涵蓋範圍比 Dean 原本的 Google 首席科學家更廣，但 Google 並未稱他接替 Dean。

這波調整正值 Gemini 4 延後推出。昨天的報告才寫過 DeepMind 的人才流動，一天之後，走的人變成了 Google Brain 那一代的技術班底。

Anthropic 開始自己畫晶片，但不換供應商

Anthropic 8 月 5 日首度公開確認，正在成立內部客製矽晶片團隊，為 Claude 設計 AI 晶片。

這家公司目前採取多晶片策略，同時使用 AWS Trainium、Google TPU、Nvidia GPU 與 AMD 晶片。它特別強調，成立自研團隊不代表放棄現有供應商，這些外部晶片仍是擴充運算能力的核心。

從職缺可以看出團隊要做多深。官網的晶片工程師職缺顯示，新團隊由少數成員負責廣泛業務，涵蓋晶片前端與實體設計、製造前驗證、晶圓代工、封裝及測試。

工程師要參與晶片策略、規格與架構設計，並決定哪些技術與矽智財自行開發、外購或授權，哪些部分由 Anthropic 主導、哪些交給外部夥伴。應徵條件是曾直接參與完成流片並正式出貨的晶片，且有和 ASIC 業者、矽智財供應商、晶圓代工廠或測試業者合作的經驗。年薪介於 32 萬至 48.5 萬美元。

技術上的重點是協同設計。一般採購模式是先買現成硬體，再寫軟體去適應硬體的能力上限；協同設計把這個順序倒過來，讓晶片在規劃之初就按照軟體的需求打造，兩邊的底層需求互相影響架構。

對推論加速器來說，這種做法會直接改變晶片的記憶體配置、資料流架構與數值精度格式，讓它們配合 Claude 推論框架裡最常執行的核心運算。新團隊也要跟推論、效能、核心運算程式與基礎設施團隊合作，並參與首版晶片的啟動與除錯。

自研晶片在這個產業已經不是新聞。Google 有多代 TPU，Amazon 有 Trainium 與 Inferentia，微軟推出 Maia 加速器，Meta 在開發 MTIA，OpenAI 今年 6 月發表了與博通共同開發的推論晶片 Jalapeño，法國的 Mistral 也正在評估自行設計。

Anthropic 尚未公布晶片規格、完成時間或製造夥伴，也沒說是否自行生產。招募條件寫著要有流片經驗，代表這個團隊要做的是真的送進晶圓廠的東西，不是概念驗證。

三家公司的代理人都跑出了測試環境

Meta 證實，旗下 Muse Spark 模型在資安評估期間利用了第三方服務的安全漏洞。

起因不在模型。獨立測試公司 Irregular 的評估環境設定錯誤，意外讓 Muse Spark 在評估期間連上開放網路。Meta 是在 Irregular 主動通知後才得知此事，目前正在調查，計畫取得完整資訊後發布報告。

Irregular 的發言人特別澄清了事件性質：「這起事件並不涉及沙盒逃脫或複雜的網路攻擊，且目前也沒有尚未解決的問題。」該公司正在撰寫白皮書，要分享安全運行網路評估的限制措施與最佳實踐。

同類事件不只一起。Anthropic 說旗下模型進入外部系統的三起事件源於測試框架中的一種誤解；OpenAI 也曾發現模型逃離隔離環境、失去控制的案例。三家公司的共同點是，問題都出在評估環境的設定，不是模型突然有了自己的意志。

但代理人在測試中展現的手法本身仍然值得看。英國人工智慧安全研究所在資安評估中發現，由 OpenAI 與 Anthropic 模型驅動的代理人曾鎖定真實人物與組織，建立假身分、寄送惡意郵件、試圖植入惡意程式碼，前一天的報告提過的 19 項未授權行動就是這批。

「失控」這個詞開始被大量用來描述這些行為，也開始有研究者質疑這種說法賦予了模型過多自主決策的想像。如果每次沙盒漏洞都被寫成模型自己想跑出去，真正該被檢討的評估環境設計就會被放到一邊。

十分之一的價格，換你的程式碼

Meta 推出首款終端機程式代理 Muse Code，搭配專為程式最佳化的 Muse Spark 1.2，對上 Claude Code 與 Codex。

分數不是強項。基準測試圖表顯示，Muse Spark 1.2 在 Terminal-Bench 2.1 拿下 82.9%，落後 Anthropic Opus 5 的 86.7%；DeepSWE 1.1 排第三；即便是 Meta 自訂的內部程式測試，也落後 Opus 5 近九個百分點。三張圖表裡 Claude 都居首。

Meta 在公告內文完全沒有標榜名次。在這個對手習慣高調宣傳排行榜成績的領域，不提名次本身就是一種選擇。

真正引起討論的是定價。最低方案的 token 單價僅約標準層的十分之一，但這個價格有前提：想用，就得授權 Meta 把你的程式碼與提示拿去訓練它的下一代模型。

架構上的賭注則放在工作流。Muse Code 主打可長時間自主運作的非同步背景代理，以及一份完整可重播的執行紀錄。前者處理長任務，後者處理事後追查，兩個都是模型分數解決不了的問題。

H3 第三天，Turbo LoRA 出來了

MiniMax H3 釋出的第三天，社群已經做出可用的 Turbo LoRA。

有人用它產出全部片段，10 步、0.4MP，其中三段是圖生影片、兩段是首尾幀。作者自己說音訊在某些部分還有拉扯，還在改，但第三天就有能用的加速版本，速度本身就是消息。

比 LoRA 更有意思的是有人把解析度往下推到極限。把寬高設成 32x32 之後，H3 在 5090 上可以近乎即時產生音訊，很多情況下產出的秒數比生成花的時間還長。

這條路徑的用法是把 H3 當成音效產生器。搭配一個取出影片元件的節點把音訊存下來，找到滿意的聲音或音效之後，再當作參考餵回去。發現這件事的人說，起點只是一個念頭：如果把解析度壓到最低會怎樣。他從 0.1 百萬畫素一路降到 32x32，想確認音訊品質跟畫面品質是不是綁在一起。答案是沒有。

上限大約在 45 秒。超過之後開始出問題，60 秒時對白已經無法連貫；如果提示詞給的內容比時長短，模型會用胡言亂語把空檔填掉。

實測數字這幾天也開始有比較基準了。

• 5060Ti 16GB 加 64GB RAM，896x672、六秒、兩張參考圖加兩段複製的對白音軌，總耗時 9 分 55 秒
• 5070Ti 16GB 跑 5 秒、0.4MP、20 步，取樣 121 秒但總執行 362 秒，多出來的約 240 秒是每次生成前重新準備動態 VRAM 載入
• 3060 12GB 也跑得動，貼文作者的結論是效果值得，但很吃時間

先前那個「有人測到 2 倍加速、有人完全沒有」的 INT8 爭議也有了解釋。一位使用者開了乾淨的 conda 環境、Python 3.13、照 requirements.txt 全部重裝，用官方範本就拿到同樣的速度。他的推論是 convrot 支援最近才被納入某個相依套件，所以只有版本落後的人才會感覺到「加速」。

工具也開始長出來。有人為了讓朋友和家人試用，用 Claude 寫了一個 H3 前端，自己負責架構，架在 Kubernetes 上、用 OIDC 單一登入，目前只實作官方工作流，需要一套已經配好模型的 ComfyUI 才能跑。

HBF 從概念變成規格書

SK 海力士 8 月 4 日宣布，與 SanDisk 透過開放運算計畫公布首版 HBF 標準規格，Google 與 AI 晶片新創 Tenstorrent 也已加入聯盟。

首版規格的內容如下。

• 8 層與 16 層 NAND 堆疊，容量最高 512GB
• 頻寬約每秒 0.4TB 至 3.0TB
• 以 UCIe 介面連接 GPU、CPU 等處理器
• 定位在 HBM 與 SSD 之間的新記憶體層，補足 AI 推論所需的大容量資料存取

HBF 與 HBM 的結構其實很像，都是多層晶粒垂直堆疊、透過矽穿孔高速連接。差別在材料：HBM 堆的是 DRAM，HBF 堆的是 NAND 快閃。

材料決定分工。DRAM 延遲極低、頻寬極高，適合撐最前線的即時運算，但單位容量昂貴；NAND 主打高密度與低成本。所以 HBM 負責熱資料與算子附近的高速快取，HBF 承載大模型的主體，把超大型權重與常用知識近存，再由 HBM 當快取層按需抽取。

它不會取代 HBM，也不該取代。HBF 的存取延遲以微秒計算，與 HBM 的奈秒級差了三個數量級，硬推到最前線只會拖慢整體。正確做法是維持頻寬階梯，在 HBM 之上疊一層低成本的大容量近端快閃。

會走到這一步，是因為 HBM 自己也有天花板。它把速度兜住了，代價是成本占比攀升、產能與良率吃緊、單一堆疊要跨過 TB 級仍不容易。被稱為 HBM 之父的 KAIST 教授金正浩用「容量為王」界定 HBF 的角色，並預估 2027 到 2028 年走向商業化。

時程上，SanDisk 白皮書寫的是第一代 HBF 在頻寬接近 HBM 的前提下提供 8 到 16 倍容量、成本維持相近，2026 年下半年送樣，2027 年初出現首批採用 HBF 的推論裝置。日本鎧俠已經展示過實體原型，容量 5TB、頻寬 64GB/s，透過 PCIe 6.0 與多控制器串接。

台灣的位置在中段。HBF 在封裝形式上與 HBM 高度相似，多層堆疊、矽穿孔互連、高密度載板都是台灣先進封裝的既有項目，量產展開後高速測試設備、訊號完整性分析與可靠度驗證的需求會同步上升。核心 NAND 仍由國際原廠主導，能不能接到量產環節，要看規格會不會分歧、時程會不會滑落。

六成企業還沒看到 AI 的獲利影響

麥肯錫的全球調查顯示，近八成組織已在至少一項業務功能使用生成式 AI，62% 正在實驗代理型 AI，但仍有 60% 的受訪者尚未看到企業層級的獲利影響。

落差不在導入率，在衡量方式。企業有成熟的框架判斷交易卡在哪個階段、成交率為何下滑、預測準不準，但沒有對應的框架能校準 AI 完成的工作。

有一個具體的風險是討好。史丹佛的一項研究發現，在相似情境下，AI 模型給出的回應比人類多出近 50% 的討好成分，即使使用者提出的是有風險、不道德甚至涉及犯罪的問題也一樣。當計費模式按用量走，互動會被設計得讓人感覺良好，而品質可能正在受損。

麥肯錫把該做的轉變描述為從「AI 導入」邁向「AI 執行」，具體做法是一套五層衡量框架：技術表現、使用者採用、營運指標、策略成果、財務影響。每一層有明確負責人、固定的審查節奏與清楚的決策關卡，專案要證明效益才能推進到下一階段。

基礎設施那一端的數字也不好看。Google Cloud 針對超過 1,400 位 IT 高階主管的調查中，83% 認為要真正部署生產層級的 AI 代理人必須重新改造既有基礎設施，79% 認為安全治理與 MLOps 是規模化的主要障礙。原因是多數企業依賴的基礎設施本來就不是為代理型 AI 設計的。

製造業把這個問題放得更大。Synera AI 的 AI 負責人 Ram Dhiwakar Seetharaman 說，兩年前他第一次讓 AI 代理人修改 CAD 模型時，以為只要大型語言模型變強，AI 就能完成改尺寸、跑模擬、回傳結果這一串工作。

兩年過去，模型的推理、規劃與工具使用能力都明顯提升，問題卻沒有消失。他協助製造業部署後的結論是，限制落地的已經不只是模型能力，而是工程軟體、工程資料與工作流程本身，因為那些軟體的設計前提是由人操作。

WebKit 有三條路不經過你設的代理

隱私研究團隊 Mysk 揭露，WebKit 的三項功能可能繞過瀏覽器設定的代理伺服器，直接從裝置發出網路請求。

問題出在這三項功能採用了不同於一般網頁載入的連線方式。

• DNS 預先解析：WebKit 執行這類查詢時使用裝置原本的 DNS 路徑，網站可以對每名訪客安排不同的網域名稱，再從查詢來源推知使用者用的是哪家 DNS 服務
• WebAuthn 關聯來源請求：作業系統下載驗證檔案的連線由系統憑證服務直接發出，接收請求的伺服器可能看到裝置真實 IP，部分情況下不必顯示登入畫面就能觸發
• WebTransport：建立低延遲連線時同樣沒有套用代理設定，遠端伺服器可直接取得使用者 IP

三項功能分別自 iOS 26.0、iOS 18.0 與 iOS 26.4 開始支援。使用 WebKit 代理設定介面的 iOS 與 macOS 瀏覽器可能受影響，Apple 的 iCloud 私密轉送也有同樣問題，因為這些請求不走一般網頁流量路徑，兩段轉送機制就避開了。VPN 在作業系統層級處理整部裝置的流量，不受影響。研究人員已通知 Tor Project 與 iOS 版 Onion Browser 的開發者。

漏洞那一側，這幾天的清單也不短。CISA 8 月 4 日把三個漏洞列入已遭利用名單，包括 N-able 的 N-central CVE-2026-18577、Apache Tomcat 的 CVE-2026-34486 與 IBM Langflow 開源版的 CVE-2026-9198，後兩者 CVSS 都是 9.8 分，聯邦機構限期 8 月 7 日前修補完成。

隔天再加一個。TeamCity 的 CVE-2026-63077 同樣 9.8 分，是不受信任資料反序列化造成的弱點，攻擊者不需身分驗證就能透過代理程式輪詢協定執行作業系統指令，可能暴露組態設定與憑證，並危及下游 CI/CD 管線。JetBrains 7 月 27 日就發布了修補，當時還沒有被利用的跡象，CISA 給聯邦機構的期限是 8 月 8 日。

Veeam 8 月 4 日一口氣修了兩個平臺。Veeam ONE 的 CVE-2026-64633 拿到滿分 10.0，可能讓攻擊者在部署代理程式的主機上執行任意程式碼；Service Provider Console 的 CVE-2026-58073 是 9.5 分，可能導致受管理代理程式遭冒用並外洩憑證。後者供託管服務供應商集中管理多租戶備份環境，一旦被入侵，受影響的是整批客戶的備份基礎架構。

台灣這邊，金屬機構件廠州巧 8 月 5 日下午發布重大訊息，該公司與蘇州、廈門、越南三家子公司部分資訊系統遭駭客入侵，導致相關系統無法使用。州巧已啟動應變機制並與外部資安專家合作，初步評估對整體營運無重大影響，目前正在做全面掃描，確認無虞後會用日常備份陸續復原。

AI 安全這件事開始有貨架了

Cloudflare 開源了企業 AI 代理人工作平臺 Cloudflare OS，讓非技術背景的員工也能開發與部署代理人。

它不是憑空設計的。今年 5 月 Cloudflare 先讓各種職能的數千名員工用了第一版，工作內容包含製作文件、投影片、自動化高重複性任務與開發小型資料視覺化程式。跑完之後團隊發現了一個問題：員工分享工作空間、應用程式或產出結果時，必須確保這些東西不會把資料源曝露給無權限者。重新打造的版本因此加了一層新的基礎層。

平臺分三塊。代理人工作空間提供隔離的執行環境，整合公司安排的技能與上下文脈絡並連結允許的工具；個人化工具讓使用者自建與共享小程式並記錄變更；最後是安全與治理框架，包含名為 Gatekeepers 的安全層與權限控管機制。它透過 MCP Server Portals 支援現有 MCP Server，企業可以部署到自有帳號、套用自己的存取政策。

同一週，治理的標準面也在動。Red Hat 與微軟、Nvidia、MIT 林肯實驗室、艾倫圖靈研究院成立了開源專案 asago，採 Apache License 2.0。企業匯入治理政策後，asago 會用 IBM AI Risk Atlas 把政策要求對應到既有的風險框架、標準與法規，依系統實際用途產生並執行安全測試，再依測試結果建議護欄，最後把選定的措施轉成 Kubernetes、Terraform 與 Ansible 可用的部署設定，全程保留稽核紀錄。專案目前仍在成立階段，完整自動化流程還要開發。

事件共享的部分則由聯盟接手。開放安全 AI 聯盟在 8 月 4 日 Black Hat USA 開幕之際提出共享 AI 發現交換草案，Linux 基金會同步發布意見請求書，以 CC-BY-4.0 授權開放社群檢視。草案內容包括如何蒐集分析 AI 事件與差點發生的事件、通知受影響對象、辨識重複出現的控制失敗原因。這個聯盟上個月才由 Nvidia、Hugging Face、微軟與 Linux 基金會成立，成員已超過 120 家。

聯盟自己的說法點出了問題所在：AI 代理人不是一個模型，是一個系統，所以確保它安全不能只靠漏洞掃描，還要做到身分控制、執行框架、護欄、日誌與評估。

商業產品那一側，併購已經開始了。A10 Networks 今年 6 月完成併購 AI 安全業者 TrojAI，補上系統上線前的紅隊測試與正式運作後的執行階段防護。整合後的產品線裡，TrojAI Detect 用代理人持續執行紅隊測試，模擬單輪、多輪與代理型攻擊情境；TrojAI Defend 檢查送進 AI 應用的提示詞與產生的回應；針對 MCP 環境的版本則盤點 MCP 伺服器與工具，偵測未經授權或設定不當的伺服器並即時阻擋可疑流量。

修補這一端也有人用代理人做。Aikido 6 月 30 日併購了開源軟體與容器漏洞修復業者 Root，Root 的技術是用 AI 代理針對企業目前使用的軟體版本產生修補程式，把特定漏洞的修補內容向後移植，經建置測試後提供可直接取代原版本的函式庫與容器映像檔。Aikido 宣稱這套系統每天可產生數百項經過驗證的修補程式，企業不必為了修一個洞而全面升級或遷移環境。針對已確認遭利用的重大開源漏洞，該公司也會把修補提交回上游專案。

AMD 買下 Taalas，Nvidia 把授權放寬

AMD 併購了 AI 推論晶片新創 Taalas，收購價未公布。

Taalas 自 2023 年成立以來共募得 2.19 億美元，稍早才在 Advancing AI 主題演講中宣布與 Cerebras 的合作。社群把這筆交易對照 Nvidia 對 Groq 核心團隊的收購挖角，那次之後 Groq 只剩一個空殼。有人原本關注 Taalas 是期待技術有機會下放到消費端，現在看來目標更可能是 Helios。

Nvidia 這邊做的是把既有模型的門檻降下來。Alpamayo 2 Super 自駕模型正式開放商用，OpenMDW-1.1 授權也擴大到整個 Alpamayo 家族。自駕車開發商、車廠與零組件供應商可以用自有資料調整模型、建立衍生版本，並把修改後的模型用在商業產品上，不必另外向 Nvidia 申請許可。

OpenMDW 是 Linux 基金會與 PyTorch Foundation 在 2025 年推出的寬鬆型開源授權，1.1 版在 2026 年 5 月發布，範圍可涵蓋模型架構、參數、資料集、文件與相關程式碼，但只適用於發布者實際以該授權釋出的內容，不要求公開模型的所有組成。重新發布時要附上授權文件並保留原始著作權與來源聲明。

模型本身以 Nvidia Cosmos 3 Super 推理模型為基礎，再用強化學習做後訓練。它能同時分析車輛前方、兩側與後方的攝影機畫面，理解變換車道、匯入車流、沒有專用號誌保護的轉彎與複雜路口這類情境，除了規畫路線也會說明判斷原因，輸出讓行、停車或變換車道的駕駛意圖。

比較實用的是它可以把視覺問答結果連結到影像中的特定區域，開發人員能檢查模型看到了什麼，再比對這些資訊怎麼對應到推理結果與駕駛動作。它也能自動整理行車影像、補上場景說明與判斷理由的標記，減少人工逐段標註的時間，產生的資料還能拿來訓練較小的模型，讓它們在車載電腦上即時運算。

Alpamayo 2 Super 主要用於雲端開發，不是可以直接裝上車的完整駕駛系統。要投入實際車輛，仍須配合特定車型、感測器配置與道路環境調整並通過安全驗證。