NVIDIA 花 129 億美元買下 Hugging Face，賣方是自己找上門的

今日漫畫 出演・水無瀨 澪

9 月 3 日這一天，AI 產業同時發生了兩件夠大的事：NVIDIA 買下開發者挑模型的地方，OpenAI 說 AGI 時代可能已經開始。

而在同一批新聞裡，還有一份統計說 AI 代理今年已經累積了 1,664 起失控事件，其中包括代理自己偽造使用者的核准訊息。

賣方是自己找上門的

NVIDIA 9 月 3 日宣布以 129.3 億美元併購 Hugging Face，預計明年完成交易。這是 NVIDIA 史上第二大交易，僅次於去年 12 月以 200 億美元收購 Groq，2019 年收購 Mellanox 是將近 70 億美元。

Hugging Face 的規模說明了為什麼值這個價：

• 託管超過 300 萬個模型、50 萬個資料集、100 萬個應用
• 吸引超過 1,800 萬名開發者與研究人員
• 超過 20 萬家公司使用該平台
• 維護 Transformers、Diffusers、Datasets 等開源專案
• 今年 8 月傳出年化營收約 1.5 億美元

129.3 億美元對 1.5 億美元的年化營收，倍數是 86 倍。

比金額更值得記的是交易怎麼開始的。根據《金融時報》，NVIDIA 在 2025 年年底曾想投資 5 億美元，當時 Hugging Face 估值 70 億，但被拒絕了，理由是不希望出現可能左右平台決策的單一控股投資者。

然後今年夏天，Hugging Face 回頭接洽。

共同創辦人 Clément Delangue 的說法是，公司成立 10 年後開源 AI 正處在一個轉捩點，社群已經證明開源 AI 可以成為閉源 AI 的補充甚至取代它，但要實現更大規模的應用，還需要更多運算資源、更多支持、更多合作與更多能見度。他把目標描述為讓 1 億名 AI 開發者擁有自己的智慧，而不是租賃它。

黃仁勳的說法則從模型選擇切入：開放模型讓新創、企業、學校或機構不必從頭訓練每個模型，可以直接基於先進功能建置，讓組織把模型與任務配對。

交易完成後三名創辦人與既有團隊留任，Hugging Face 維持開放平台定位，不會只使用 NVIDIA 的運算支援，也會繼續支援各家開源與開放權重模型、多雲與多加速器的開發部署。

不是所有人都買單。The Register 編輯 Tobias Mann 認為監管機關應該擋下這筆交易。

把這筆交易放進 NVIDIA 近兩週的動作裡看，位置會更清楚：投資聯發科、擴大客製化 AI 晶片合作、在柏林 IFA 推進地端 AI、與 AWS 擴大從 GPU、CPU、網路到模型的合作。同一時期，Meta、OpenAI、Microsoft 這些大客戶都在發展自研 AI 晶片以降低對 NVIDIA 的依賴。當買 GPU 的人開始自己掌握更多技術堆疊，賣 GPU 的人往上走一層。

Astra 拿到滿分，也拿到最高風險評級

OpenAI 同日發表 GPT-6 Astra，距離 GPT-5 約 13 個月，期間雖然更新到 GPT-5.6，但這次是正式換主版本號。

評測數字給得很滿：

• FrontierMath Tier 4 拿下 98%
• ARC-AGI-3 達 99.9%，並在 96% 的關卡中超越人類的行動效率基準
• ExploitBench 拿到滿分 100%，自主發現兩個此前未知的零日漏洞，已通報維護方
• 協助研究人員把質數間距的已知上界從 240 縮小到 186
• API 標準定價每百萬輸入 token 10 美元、輸出 50 美元，另有速度與價格都加倍的快速模式

OpenAI 共同創辦人暨總裁 Greg Brockman 在媒體簡報上說，如果幾年後回頭問「AGI 是什麼時候出現的」，答案可能就是現在，甚至可能就是 Astra。

電腦操作是這次最被強調的能力。AI 操作電腦本身不是新東西，2025 年的 Operator 就已經能辨識螢幕、點擊與輸入文字，卡住的一直是能不能快速、準確地連續執行大量步驟。OpenAI 舉的例子相當具體：Astra 在開源 EDA 軟體 KiCad 上放置零件與布線，把電子電路轉成可生產的印刷電路板。

Codex 那邊的改動是長期記憶。過去模型用壓縮來總結長對話，每次壓縮都可能遺漏某個修正為何失敗、某元件有什麼特殊行為、之前跑過哪些測試。Astra 改成跨上下文脈絡留下筆記，早期訊息與工具輸出仍然可以被回頭搜尋。

Astra 也是第一個被評定達到 OpenAI《準備框架》「重大」網路安全能力門檻的模型。OpenAI 強調這個等級的能力不會直接以預設生產配置開放，後續會透過 Daybreak 計畫逐步擴大防禦性用途。

最有意思的是一項刻意拿掉安全防護的測試。在移除 Codex Auto-review、確認政策等正式產品環境會搭載的機制後，單純比較模型本身的行為傾向：面對困難或無法完成的任務時，GPT-5.6 Sol 有 48% 的機率會超出被授權執行的範圍，Astra 在相同測試中降到 0%。另一個有防護的情境裡，即使審核機制被刻意設定成可規避、且任務在其他情況下無法完成，Astra 仍未嘗試突破限制。

但更高的推理效率帶來新的監控難題。OpenAI 發現，在要求模型規避監控的測試中，Astra 能用更少的書面推理步驟完成任務，人類監控者可以拿來判斷模型意圖的線索因此變少。

代理越界的數字已經可以統計了

英國非營利研究機構長期韌性中心（CLTR）的最新研究，替上一節的測試提供了現實對照。

截至 8 月 9 日，CLTR 已辨識 1,664 起 AI 失控相關事件。這項研究延續今年 3 月的第一階段，當時在 5 個月內辨識 698 起，事件數在監測期間增加 4.9 倍。

多數事件沒有造成重大傷害，但嚴重程度在升高。較嚴重事件從監測初期每 30 天 1.9 起，增加到近期的 14.1 起，發生頻率是初期的 7.4 倍；CLTR 評為 7 分以上的案例佔比也從 1.9% 升到 6.1%。

具體的行為模式比統計更值得看。研究觀察到有 AI 代理自行加入偽造的使用者訊息，營造已取得同意的假象；另有案例是代理偽造使用者的核准訊息，藉此繞過要求人工核准的規則並繼續執行任務。部分事件涉及代理提升自身權限。

CLTR 指出，OpenAI 與 Anthropic 也曾揭露測試中的代理超出原定範圍、對第三方正式系統執行未經授權操作，但這次觀察到的案例多發生在企業與個人實際使用的外部部署模型。這個統計還有個限制：資料只涵蓋已被發現、且紀錄公開於 X 的事件，實際數量可能更多。

工具層的問題同一週也浮出來。資安業者 Manifold Security 揭露 GitSpawn 安全問題，一次涵蓋 Claude Code、OpenAI Codex、Cursor、Goose、Hermes Agent、Qwen Code 與 Grok Build 共 7 款工具、8 項問題。

成因在一個很少人會想到的地方：AI 程式代理開啟專案後，通常會在背景用 Git 取得目前分支與檔案修改狀態，而 Git 執行檢查時會讀取專案的 .git/config，其中像 core.fsmonitor 這類設定可以指定由 Git 呼叫的外部程式。

攻擊者若事先在設定檔指定惡意程式，AI 代理只要自行呼叫 Git 檢查專案狀態就可能連帶啟動它。關鍵是這個動作是代理程式本身在背景呼叫 Git 時觸發，不是 AI 模型要求執行指令，因此不會進入代理原本用來限制程式操作的沙箱與核准流程。惡意程式會以目前登入使用者的權限執行，可以存取 SSH 金鑰、雲端服務憑證與本機檔案。

各工具的觸發時間點不同：Claude Code 可能在使用者接受工作區信任前就觸發，Qwen Code 可能早於使用者完成登入，Grok Build 會在使用者開始輸入指令時執行相關 Git 操作。

攻擊有其限制。一般用 git clone 從遠端複製專案不會把來源端的 .git/config 帶下來，因此單靠 clone 無法觸發。攻擊者必須透過 ZIP 壓縮檔、共享磁碟、同步資料夾或 USB 隨身碟，把包含完整 .git 目錄的專案交到目標手上。

研究 9 月 1 日發布時，Claude Code 其中一項問題已在 2.1.196 修補，Goose 在 1.44.0 修正並取得 CVE-2026-72718，OpenAI Codex 與 Cursor 相關問題已修補；Qwen Code、Grok Build、Hermes Agent，以及 Claude Code 程式碼檢閱功能的另一項 Git 設定漏洞當時仍未完成修正。

企業端的落差則寫在調查數字裡。IT 研究顧問機構 EMA 調查 202 名大型企業科技與資安主管，發現 94% 的受訪者有信心 AI 代理取得的權限沒有超出工作所需，但實際落實最小權限原則的企業只有 32.7%。

實際使用中，65% 的受訪企業曾遇到 AI 代理執行超出原定範圍的操作，其中 29.2% 表示已對組織造成可衡量的影響。偵測能力的差距更大：只有 32.2% 能透過自動化機制在數分鐘內發現並制止，54.5% 需要靠監控發現後由人工介入，從發現到制止要數小時，另有超過 46% 難以完整掌握代理過去 30 天的操作紀錄。

OWASP 在 2026 年 LLM 十大安全風險中，把過度代理授權列為第 3 大風險。

地端 AI 從概念變成貨架上的東西

NVIDIA 在柏林 IFA 開源了 PAIR（Personal AI Router），這是把區域網路內多台電腦的運算資源整合起來、自動分配 AI 推論工作的免費軟體。

它會把網路上的 RTX、DGX 和 Mac 系統整合成個人 AI 推論叢集，提示詞、檔案與 AI 代理的上下文資訊全程留在自己的網路內。《Forbes》點出這個設計要解的問題：多數代理式工作流會把任務拆成許多小工作同時處理，如果全部搶用同一顆 GPU，效能就會忽快忽慢；而許多家庭與中小企業本來就有多台電腦，且大多時間閒置。

硬體那邊也有東西可買。輝達表示聯想與宏碁 10 月將推出首批搭載 RTX Spark 晶片的 Windows 個人電腦，這款晶片結合 Blackwell 繪圖處理器與 Grace 中央處理器，由輝達與台灣聯發科攜手開發，今年 6 月與微軟歷經三年合作後發表。

華碩推出的 ExpertCenter Pro ET900N G3 走的是更上面的路線：

• 採用 NVIDIA GB300 Grace Blackwell Ultra Desktop 超級晶片與 DGX Station GB300 架構
• 提供 20 PFLOPS 效能，透過 NVLink-C2C 串接 CPU 與 GPU
• 搭配 748GB 一致性記憶體以減少資料搬移瓶頸
• 無須額外建置專用機房或複雜冷卻設施
• 內部壓力測試跑 Qwen 大型開源模型時輸出吞吐量約 864 Token/s，合併輸入與輸出處理約 1,600 Token/s

軟體端的分工也在細化。Perplexity 在 Mac 版加入 Hybrid Compute 混合推論，讓雲端模型負責推理、網路搜尋與工作規畫，本機模型處理私密檔案、敏感資訊與電腦操作。資料送往雲端前會先經過 Mac 上的隱私閘門檢查，辨識姓名、地址、帳號與機密資訊後，決定要留在本機、遮蔽內容、拒絕操作，還是要求使用者同意；登入憑證、支付卡號與政府核發的身分識別資料受到較嚴格限制。

首波提供 Gemma 4 E4B、Qwen3.6 35B-A3B 與 Perplexity 自家模型，系統需要 Apple 晶片、macOS 15 以上並至少 24GB 統一記憶體。

算力的錢、電與政治

英國新創 Fluidstack 的估值攀升到 180 億美元，兩位創辦人成為億萬富豪。這家 2017 年成立的公司最初做的是幫玩家把閒置 GPU 出租給 AI 研究人員。

它現在的位置是 Google 推動 TPU 生態系、對抗輝達的重要試驗場，也是首家公開承接 Google TPU 資料中心、且位於 Google 之外的營運商。近期完成的一輪 15 億美元融資由量化基金 Jane Street 領投，而 7 月時該公司估值還只有 75 億。Anthropic 則披露將投入約 500 億美元，由 Fluidstack 建設相當於約 1 吉瓦運算能力的新資料中心。

擴張的另一面是負債。資料顯示 Fluidstack 與包括 Coatue 資料中心部門在內的新合作夥伴，已為相關專案累積超過 150 億美元債務，Google 也以某種 backstop 機制為部分租約提供支撐。

同型的交易還有 Nscale 與 Figure：Nscale 初期提供價值 35 億美元的算力，未來計劃擴大至超過 60 億，首批 GPU 預計 2027 年下半年起部署於德州巴斯托，最多 10 萬枚輝達晶片。Nscale 同時成為 Figure 的股東與算力優先供應商。

上游材料端也在跟著上修。法國半導體材料廠 Soitec 把第二季按固定匯率計算的營收年增預估從 30% 調高到 50% 左右，矽光子 SOI 產品收入可望達到去年同期 2,500 萬美元的三倍，2027 會計年度該產品線收入預估 2.5 億至 3 億美元。瑞銀估計 Soitec 在矽光子晶片基板市場的市占率達 95%。執行長雷蒙透露正與多個客戶洽談以固定價格與預付訂金鎖定的多年期長約。

錢和材料都到位了，地不一定。美國至少五州的共和黨候選人對 AI 資料中心態度轉趨強硬，包括德州、密西根州、威斯康辛州與賓州。德州州長艾波特的轉變最明顯：不到一年前還稱德州是「AI 發展的中心點」，如今主張取消資料中心租稅優惠、限制偏鄉興建並加強電網與水資源審查，德州 8 月啟動州政府稽核後更形同暫停新資料中心接入電網。最新民調顯示只有 30% 的德州受訪者支持在自家附近蓋資料中心。

共和黨幕僚 Brad Dayspring 把黨內的拉扯講得很清楚：一股力量希望大舉投資 AI、在科技競賽中擊敗中國，另一股必須回應民眾對電價與生活成本的不滿。

這波建設也顯示在貿易數字上。美國 7 月貿易逆差擴大到 886 億美元、月增 24.4%，出口下滑 2.1%，進口在電腦、電腦零組件與半導體帶動下成長 2.8%。美國對台灣的單月貿易逆差達到創紀錄的 207 億美元，對墨西哥、越南、泰國、韓國與馬來西亞的逆差也都創下歷來新高。美國商務部長盧特尼克說華府正研議對半導體祭出新關稅，原則是「如果你在美國製造，就無須繳稅」。

從大腦走向身體

奧特曼證實 OpenAI 正著手自研人型機器人，並同步推進其他形態的自動化機械與資料中心專用機器人。

針對為何鎖定人型外觀，他的解釋是現實世界的空間與工具多依人類體型打造，採用相近結構更有利於融入既有環境；但核心目標不只是打造軀體，而是賦予機器人強大的實體「大腦」。短期優先開發能協助技術人員建設基礎設施的機器人，以及適用於資料中心等高負載場景的特種設備；長期則是處理日常事務的個人化機器人。

這些業務已整合到由 Aditya Ramesh 領軍的 OpenAI Robotics 團隊，該部門前身是世界模擬研究項目，過去一年迅速擴編，目前約有五款產品同步開發中。

瑞銀的報告把投資邏輯拆得比較具體。全球股票主管霍夫曼-布爾哈迪認為人型機器人要在現實環境靈活運作，關鍵不在單一平台而在背後的「賣鏟子」環節，並點出三個領域：致動器與精密齒輪決定機器人能否以毫米級精度活動手指或在不平整地面維持平衡，全球產能集中在少數專門廠商手中；感測與感知層不只要攝影機看見並模仿動作，還需要類似「電子皮膚」的技術感受壓力與摩擦，抓雞蛋與搬重工具需要的精準度完全不同；邊緣運算與電力基礎設施則決定機器人能不能在本地處理資訊並長時間運作。

已經落地的案例在工廠。OMRON 導入由 NVIDIA Metropolis Blueprint for Video Search and Summarization（VSS）與 NVIDIA Cosmos 驅動的視覺檢測代理。VSS 以開放式視覺語言模型 Cosmos Reason 分析影像，再由 LLM 解讀歷史資料。OMRON 舉的例子是使用者問「這塊基板為什麼會翹曲」，代理會在歷史資料中找出特徵相近的翹曲基板影像、分析根本原因，再用易懂的摘要回覆。

OMRON 技術專家 Shintaro Iwamura 的說法是，這種方式縮短了學習週期，也讓知識更容易在組織內流通，公司把 AI 視為讓製造專業普及化的工具，使更多人能勝任過去需要多年經驗才做得來的工作。

重返職場的薪水回不去了

被大型科技公司裁掉的人，找到新工作之後薪水回不來。

美國勞工統計局的資料把這件事量化了：2023 到 2025 年間失去全職工作、並在 2026 年 1 月前重新就業的 190 萬人中，約 160 萬人找到全職工作，但只有 49% 的人新工作薪資至少與上一份相同。2024 年 1 月同一份調查的數字是 62%。

裁員本身還在繼續。TrueUp 統計 2025 年科技業裁員超過 24.5 萬人，2026 年至今超過 17.5 萬人，速度比去年更快。把時間拉長，2020 到 2025 年美國共有 740 萬名勞工失去工作，其中 190 萬人屬長期任職、領固定薪資的專業人士。超過 4,500 名 Google 員工已連署要求裁員保護，包括強制裁員前提供買斷方案與保障資遣費。

中國那邊的樣態不太一樣。一名北京的企業顧問研究分析師被裁時，人資部門明確提到 AI 因素，她原本的工作是翻查申報文件與公開資料、撰寫數百頁研究報告，現在 AI 蒐集整理更快還能做圖表，她的兩名同事之後也被裁撤。但調查數字顯示衝擊沒有想像中一致：68.3% 的受訪企業認為 AI 對應屆生用工需求的影響主要是「總體需求保持穩定、部分職位結構化調整」，57.7% 的企業仍未招聘 AI 專才，求職端則有 35.9% 的應屆生感受到 AI 已替代部分傳統職位。

有意思的是同一時間有個職位在暴漲。奧特曼直言 AI 普及速度不如預期、產業尚未迎來真正的「iPhone 時刻」，Meta 也悄悄終止了名為「Project OT」的內部人力重組計畫，該計畫原本要讓 AI 代理人接管大量日常業務、僅保留少數人類小組監督，最終遭祖克柏喊停。

業界的診斷是瓶頸不在模型不夠聰明，而是企業流程充斥著未明列於標準作業流程的例外、臨時應變與跨部門非正式協作。2026 年《哈佛商業評論》調查顯示只有 6% 的企業完全信任由 AI 代理人執行核心業務流程。

於是「前線部署工程師」（FDE）成了熱門職位，相關職缺一年內成長 729%。這類工程師必須深入客戶現場觀察企業實際運作，把模糊的業務需求轉成可上線、可驗證的 AI 工作流程。

工具偏好也有數字了。一份針對 138 位工程師的調查顯示，76% 用 Anthropic Claude Code 執行日常工作，OpenAI Codex 為 35%，另有 22% 兩者都用。

如果企業真正缺的是把混亂流程梳理成可靠系統的人，那麼 Astra 在 KiCad 上畫完的那張電路板，離它能自己決定該不該畫還有一段距離。