Anthropic 新模型 Fable 5.1 上線，但「降智」疑慮還沒解
本周焦點事件
- Anthropic 新模型 Fable 5.1 上線，但「降智」疑慮還沒解
- NVIDIA 砸 35 億美元投資聯發科，股價當天直接鎖漲停
- Dyson 出了支 499 美元的牙刷，AI 比你認真刷牙
- 開源 Agent Skill Archify 爆紅：讓 AI 把程式碼畫成架構圖
- Runway Solaris：你的網頁介面，以後用「畫」的
Anthropic 新模型 Fable 5.1 上線，但「降智」疑慮還沒解
Anthropic 發布最新模型 Claude Fable 5.1 與 Claude Mythos 5.1 上線，這次改版最直接的變化在定價。標準輸入與輸出價格完全沒動，維持每百萬 token 10 美元／50 美元；唯一被砍的，是 cache read（快取讀取）價格，從每百萬 token 1 美元降到 0.25 美元，降幅 75%。這個改動，就是最容易在長、複雜型的任務裡，滋養出天價帳單的項目，這次直接砍掉了四分之三。
cache read 指的是模型重複讀取先前已經處理過的內容，例如同一份程式碼庫、系統指令、或累積的對話歷史，agent 在跑長任務時幾乎每一輪都要重新讀一次這些東西。Anthropic 官方說法是，這能讓一般工作負載成本降約 25%，高度 agentic 的工作負載最多降 45%（這兩個數字是官方自估，目前沒有查到公開的計算方法論）。
除了降價以外，也搭配著能力的提升：
| 測驗項目 | Fable 5（6/9） | Fable 5.1（9/1） |
|---|---|---|
| Terminal-Bench-Science 0.1（agentic 科研任務） | 24.7% | 52.6% |
| Terminal-Bench 4.0（agentic coding） | 42.0% | 55.8% |
| OSWorld 2.0（電腦操作，嚴格模式） | 36.1% | 41.7% |
| CursorBench 3.2.0 | 70.5% | 73.4% |
| Humanity's Last Exam（使用工具） | 63.8% | 65.0% |
其中提升最多的是 Terminal-Bench-Science，從 24.7% 跳到 52.6%。這個測驗項目是專門測試 AI 能不能獨立完成長時間、多步驟科研任務的跑分，官方公告也附上了幾個具體案例，可以讓大家比較好理解：Fable 5.1 能設計出結合親和力比先前競賽作品高 10 倍的蛋白質結合物、用 30 年前的 NASA 舊資料把金星地形圖解析度從 10-20 公里推進到 2-3 公里、把部分計算生物學模型效能最佳化 2.5 倍、GPU 成本降 30-60%。
新增功能還包括：對話中途可以調整推理強度（Low／Medium／High 三檔）、因應歐盟 AI Act 要求在輸出內容加上隱形浮水印、以及讓企業把監控資料留在自己基礎設施內的「Enterprise Frontier Safeguards」（預計今年秋天全面推出）。資安防護的誤判率比前代降了 60%，一般醫療或基礎生物學這類生醫良性查詢被誤擋的比例則降了 85%。
觀察筆記
我前陣子讀到一個很有趣的數字，Fable 5 上市兩個月內，在 Anthropic 約 7 萬家企業客戶的花費裡只占了約 11%，我想大家都知道背後的原因，實在是太貴啦！不只 token 費貴翻天，難預測也是 Fable 沒辦法落地的一個重要因子，有了 Fable，一個月的 API 費用是過去的五倍在跳。
另外很多人最近在社群上反映 Claude 降智的情況，我也分享一下自己對於 AI 降智的心得，我原本很懷疑這會不會跟我自己在本地跑本地 AI 時、多工會拖累生成品質是同一個邏輯，伺服器忙的時候悄悄給你打折扣（尤其最近 Claude 和 Codex 一直拉高用量）。
但查完一輪資料後，我的結論是：降智這件事，確實發生過，而且 Anthropic 自己兩次都公開認了。但認下來的原因清一色指向工程層面：推理強度預設值調低、快取清理邏輯出包、系統提示詞字數限制三件事，官方全程沒有承認過跟伺服器負載或成本考量有關。
不過我很確信的是，如果你之後也有遇到某個 AI 降智的情況（尤其是 Claude），我認為改用 API 會是一個很好的解決方式。和 ChatGPT 不一樣，Anthropic 大概 80% 營收來自企業 API，一旦被抓到 API 品質會隨負載浮動，砸的是企業信任，他們沒什麼動機去賭這個。
NVIDIA 砸 35 億美元投資聯發科，股價當天直接鎖漲停
聯發科在 2026 年 8 月 31 日完成訂價，發行總額 39 億美元的海外無擔保可轉換公司債，才晚上，NVIDIA 一家就認購了 35 億美元，占了將近九成。剩下的約 4 億美元，由 Alphabet（Google 母公司）與其他國際機構投資人共同認購。
先解釋一下「可轉換公司債」是什麼：它有點像你先借對方一筆錢，約好利息是零，但附帶一個條件，幾年後如果對方股價漲得夠多，你可以選擇把這筆借款直接換成對方的股票；如果沒漲到位，到期你就正常把本金拿回來，一毛不少。這次的條件是 5 年期、零票面利率，2031 年 9 月到期，初始轉換價是每股新台幣 4,513.75 元，比訂價日收盤價 3,925 元高了 15%。也就是說，NVIDIA 現在的身份是聯發科的債權人，不是股東，要等聯發科股價真的衝上去，這筆錢才有機會變成股份，全數轉換的話，最大稀釋比例也只有約 1.67%。
比這 35 億美元更關鍵的，是雙方同步宣布的合作範圍。聯發科將採用 NVIDIA 的 NVLink Fusion，替雲端業者設計客製 AI 晶片（XPU，泛指各種為特定 AI 工作負載打造的專用處理器）。NVLink 原本是 NVIDIA 用來串接自家 GPU、CPU、記憶體的高速連接技術，NVLink Fusion 則是把這條連接管線開放給別人家的客製晶片用。
這對聯發科來說是一次身份轉換。過去外界認識的聯發科，是手機系統單晶片（Dimensity 系列）的供應商，但這次交易被多家媒體定調為「NVIDIA 首次投資台灣 IC 設計公司」，聯發科自己也在合作公告裡把這次合作定位成從「手機晶片供應商」走向「AI 運算平台夥伴」的關鍵一步，同步把 2027 年 AI 加速器可服務市場規模上修到 800 億美元，目標市占率從 10%–15% 上修到 15%–20%。
觀察筆記
過去幾年 Google、Amazon、微軟、Meta 都在加碼自研晶片（TPU、Trainium、Maia、MTIA），表面上是想擺脫對 NVIDIA GPU 的依賴，自家資料中心不用再看黃仁勳的臉色。但這些自研晶片做出來以後，還是得靠某種高速連接技術，才能跟伺服器裡其他運算元件串成一套真正能運作的機櫃系統，而 NVIDIA 手上正好握著這個環節，就是前面提到的 NVLink Fusion。
聯發科這類替雲端業者操刀設計客製晶片的 IC 設計夥伴，就是決定這些自研晶片最後要不要接上 NVLink Fusion 的關鍵角色。NVIDIA 投資聯發科，說白了就是要確保這個決定會往對自己有利的方向走：客戶想自己設計晶片可以，但操刀的設計夥伴，最好是自己出過錢、關係夠深的那一家。NVIDIA 真正在賣的，其實一直都是同一樣東西：一個你怎麼繞都繞不掉的接口規格。
這也是為什麼我會覺得，如果把這筆交易，放進「角色重新定義」的框架裡看。聯發科的身份正在從「手機晶片供應商」滑向「AI 基礎建設夥伴」，而 NVIDIA 的身份也在悄悄從「賣晶片給你」變成「你用不用我的晶片都無所謂，反正你得用我的接口」。
AI 郵報學院近期開課：
Gemini × NotebookLM 工作資訊整理實戰
由現於企業端開發 LLM 應用（RAG 工作流與 MCP 工具鏈整合）、曾在工研院負責機器學習專案的 AI Solution Engineer 過勞熊，親自帶你用 PDSA 方法論架構，建立一套 Gemini × NotebookLM 的資訊整理流程。
課堂以三種職場情境實作：
- 把零散的工作經歷整理成一頁式中英文履歷，順手學會設定 AI 的責任邊界
- 把會議逐字稿轉成含重點結論、待辦與待確認事項的可追蹤會後文件
- 從文章與研究報告建立一座能回查來源、可引用的 NotebookLM 知識庫
下課後，你將帶走三套實作工具、提示詞範本與示範資料，以及可以直接套用的空白模板，把零散資訊變成可交付、可檢核、也能再次使用的成果。
特別適合：
- 剛開始接觸 Gemini 與 NotebookLM 的人
- 需要整理會議文件的工作者
- 正在求職或想整理個人經歷的你
Dyson 出了支 499 美元的牙刷，AI 比你認真刷牙
Dyson 9 月 1 日在巴黎發表 CameraJet，一支要價 499 美元的電動牙刷。刷頭裡塞了一顆 10 萬像素相機，每秒拍 28 張影像，搭配用 47 萬張牙齒影像訓練出來的裝置端 AI（Dyson 取名 Gap Optical Targeting），在 100 毫秒內找出牙縫位置（坦白說，這一百毫秒還真是久...），對著它噴一發錐狀漱口水，同時刷頭本身還在以每分鐘 5.8 萬次的頻率震動。
Dyson 說這背後是 6 年開發、661 名工程師、38 項專利，還跟新加坡國立大學合作五年研發合成牙菌斑，因為總不能每改一次設計就找一群真人重跑臨床試驗；因為相機需要清晰視野，連牙膏都重新配方成低泡沫版本。
這有點像拿大砲打小鳥。刷牙這件事，一支 90 美元的普通電動牙刷加一段牙線就能做到八成效果，牙醫講了很多年，Dyson 卻用造飛機引擎的規格去解決它。官方公布的數字：實驗室測試比市售頂級電動牙刷多去除 69% 難處牙菌斑，4 週臨床試驗中牙齦出血減少 65%（對照組僅 37%），74% 使用者達到「健康牙齦」（對照組 6%）。這組臨床百分比目前只查得到 Dyson 自己的行銷素材，還沒找到獨立第三方逐字覆核，看看就好，別當成鐵板釘釘的醫學證據。
Dyson 也不是第一次把 AI 攝影機塞進家電：過去也發表過掃地機器人 Spot+Scrub Ai 已經在用類似套路辨識近 200 種居家污漬。Philips Sonicare、Oral-B 這些牙刷老牌，也幾乎同步在做「AI 感測牙刷」，只是 Dyson 目前是唯一把攝影機直接嵌進刷頭、運算全程留在裝置端不上雲的品牌。
觀察筆記
老實說，這則新聞跟這期其他幾篇比起來，AI 含量薄了不少。它不是會聊天、會規劃任務的 Agent，就是一顆單一任務、專門辨識牙縫的裝置端小模型，跟這陣子動輒喊資料中心、喊算力競賽的敘事幾乎搭不上邊。但這反而是它有趣的地方：當所有人都在比誰的模型更大、更燒錢，Dyson 選擇用一顆小到不能再小的模型，換一個消費者願意多付四百多塊的理由。
如果你是那種一支牙刷用到毛都禿了才想到要換的人，499 美元大概還是會讓你倒抽一口氣。但如果你已經買單過 Dyson 的吸塵器或吹風機，你大概也知道接下來會發生什麼事：先覺得是噱頭，用了一週後開始說服自己「其實還蠻有感的」。這條產品經營的與其說是牙齒健康，不如說是你對「工程感」這三個字有多買單。
開源 Agent Skill Archify 爆紅：讓 AI 把程式碼畫成架構圖
Archify 這個 Skill 在 8 月 26 日登上 GitHub Trending 全站第一，連續掛榜約 11 天，單日最多增加近 3,900 顆星，短短一週左右從約 4 千星衝到 4 萬星以上。他最主要的功能是把程式碼庫或一句話系統描述，自動轉成架構圖、流程圖、時序圖、資料流圖、生命週期圖五種技術圖表。用法很直接，你可以請 agent 先讀完整個專案檔，再要求「畫出 8 到 12 個核心元件的高階架構圖，標出主要路徑、外部依賴跟信任邊界」。官方主打輸出是一個雙擊就能打開的單一 HTML 檔案，內建明暗雙主題，還能再匯出成 PNG、SVG、WebM，跟一張專為社群分享設計的卡片圖。
它的技術流程分三段：AI agent 先把程式碼或描述轉成一份「型別化 JSON IR」，決定要畫哪些節點、階層關係怎麼排；接著這份 JSON 被「確定性編譯」成 HTML/SVG，這一步完全不涉及 AI，同樣的輸入永遠得到同樣的圖；最後跑一輪自動驗證，沒過關就不會產出檔案，還會附上機器可讀的錯誤碼讓 agent 自己修正重試。架構圖裡的節點還可以標記回溯到具體的 Git commit，理論上讓「這個節點為什麼存在」有跡可循，不是憑空生成。有中文技術部落格的實測心得形容它的輸出是「設計稿水準」，節點對齊、配色協調，可以直接放進技術文件或簡報，這大概也是它能在 GitHub Trending 上被瘋狂轉發的原因之一，好看到可以截圖發文，本身就是一種傳播誘因。
觀察筆記
上週五（8/29），唐鳳在台北「You Are Here」這場活動上分享過一張圖，中間是「轉譯者」，四個角落分別是造橋者（為眾人打造系統）、織網者（為眾人織造制度）、手藝人（為自身打造系統）、陪走者（為自身織造制度），轉譯者的位置被定義成「看清楚限制變了沒，再決定要換到哪個角色」。
archify 做的事，某種程度上就是這個角色的技能包版本：它把工程師才看得懂的程式碼，翻譯成任何人一眼就能懂的架構圖，讓不會寫程式的 PM、負責審查的人、剛加入團隊的新人，都能對著同一張圖跟工程師對話。當 AI 開始能接手這種「轉譯」工作，某種程度上也在把轉譯者這個角色，從少數資深工程師才有的稀缺技能，變成一個隨時可以呼叫的 Skill。
Runway Solaris：你的網頁介面，以後用「畫」的
8 月 31 日，Runway 發布了一款他們稱為「介面世界模型」的東西，名字叫 Solaris。可以想像一下，你螢幕裡的網頁跟 App，不再是被預先做好的，而是你在點擊的當下，同步「生成」你可以點按的介面。
現在多數 AI 建站工具的流程，是先讓模型生成設計圖，再把設計圖轉成 HTML、CSS、JavaScript，畫面再漂亮，最後還是得經過一層程式碼才能被點擊操作。Solaris 想跳過這個轉換步驟。它建立在 Runway 自家的 Gen-4.5 影片模型上，把「正在生成的畫面」直接當成網站或 App 本身，不只是單純生成一張網頁截圖：你點擊、拖曳、打字，模型就依你的動作即時生成下一個畫面，讓整個介面像被 AI 一幀一幀畫出來一樣即時回應。
技術上，Runway 把一般影片擴散模型需要多輪去雜訊、耗時以秒或分鐘計算的生成方式，改成自回歸生成（依照已經出現的畫面，一幀接一幀往下預測），再透過模型蒸餾把原本要跑多輪的流程壓縮成幾個步驟，換取即時互動的速度。系統裡還有一個語言模型負責推理「使用者現在想做什麼」，世界模型則負責「這件事該怎麼畫出來」，兩者分工合作。
Runway 找來 250 名參與者，針對 30 組互動例子，收集了將近 7,500 次成對判斷，拿 Solaris 跟用 Claude Opus 5 寫出的程式介面做比較，兩邊從同一張圖片出發、收到同樣的互動要求。結果在「有沒有照著互動指令做」這一題，多數人偏好 Solaris；在「行為看起來自不自然」這一題，偏好 Solaris 的比例更懸殊。這是 Runway 自己設計、自己執行的內部測試，題目也偏向讓物件漂浮、換鏡頭、操作場景這類世界模型本來就擅長的視覺互動，還沒有第三方重現或獨立驗證。
官方鎖定的應用方向是虛擬購物（把衣服直接拖到自己身上試穿）、個人化教學（依學習者當下操作即時生成下一步引導）、以及訓練「電腦操作 Agent」在不斷變動的介面裡練習辨認意圖，而不是死記單一網站的按鈕位置。但 Runway 自己也列出三個沒解決的問題：生成畫面裡的文字還不穩定；畫面看起來合理不代表資訊正確；互動時間一拉長，物件外觀、位置、語意都可能悄悄跑掉。目前也沒有公布延遲、幀率、成本或正式上線時間，只開放 early access 申請。
觀察筆記
我們跟機器互動的介面，其實換過好幾輪骨架了：從最早的指令列，到滑鼠加視窗的 GUI，到觸控螢幕，到這幾年開始有人賭 VR／空間運算會是下一代介面，但這些改朝換代講的都還是「輸入方式變了」，畫面本身怎麼被畫出來這件事，一直沒變過，都是工程師先寫死。Solaris 第一次認真地問了另一個問題：如果連畫面本身都是即時生成的，介面會變成什麼樣子？
以前的網頁像一本印好的書，你只能翻到工程師寫好的那幾頁；Solaris 想做的，是一個邊看你反應邊畫畫的說書人。這個轉變如果成立，前端工程師的工作可能不再是逐頁刻版面，而是往「定義規則、驗收生成結果、把關可靠性」這個方向挪。
但讓我沒辦法完全興奮起來的，是「介面其實是一種契約」這件事。核取方塊要有穩定的勾選狀態，刪除按鈕每次都要跳出確認，數量欄位不能因為你多點兩下就悄悄跑掉，這些是機率式生成目前還給不出保證的東西，不只是美感問題而已。Solaris 展示的偏好度數字，測的其實是「感覺自然不自然」，跟「能不能穩定處理登入、付款、資料寫入」是兩件事，Runway 自己也承認，還沒說清楚生成介面要怎麼串接後端資料庫和身份驗證。
我自己的立場是中性偏多。這東西的想像空間確實很大，值得繼續關注，但在 Runway 願意公布延遲、成本，還有真實商業流程的錯誤率之前，我會把它當成一個很酷的研究方向，而不是急著把公司的下一個網站交給它。
喜歡這期內容嗎？有哪一則讓你特別有感？
歡迎回信或是 Instagram 告訴我們，我們會偷偷讀大家的回覆的！
我們下周見
—AI郵報 編輯團隊
