一場社會實驗，680 萬人圍剿一張「AI 莫內」，結果那是真跡
本周焦點事件
- 一場社會實驗，680 萬人圍剿一張「AI 莫內」，結果那是真跡
- 人類贏 F03 機器人 192 件，但機器人連跑了 88,000 件沒停
- Anthropic 收割鐵粉政策：關掉 Pro / Max 的第三方 Token 共用
- 貼一個 URL，Aura 把整個網站變成一份 AI 看得懂的 .md 檔
- Anthropic 公開內部做法：Claude Code 在百萬行 codebase 不建索引
【AI 郵報 Flash Lesson】Aura + Claude 設計工作流，告別手動拉 Token，早鳥報名剩 48 小時！
這場 60 分鐘的技術分享，我們將示範如何將設計系統建置與網站開發從「過去需要設計師手動拆解色票字體、一個個建立 Variables、最後還要從零刻網站的繁瑣過程」轉變為透過 Aura.build、design.md 就能讓 AI 自動產出 Figma 設計系統與上線網站。
本次 Flash Lesson 重點：
- Aura.build 解析： 從貼上一個任意網站 URL 開始，讓 AI 自動解析並產出
design.md（包含色碼、字體、間距、圓角與元件邏輯）。 - Claude + Figma MCP 建立： 跳過手動拉設計工，利用 Claude Code 讀取設計規範，自動在 Figma 中建立 Variables、Text Styles、頁面結構與綁定 token 的元件。
- Next.js 自動化開發： 為什麼
design.md是關鍵橋樑？我們會示範如何用同一份 AI 可讀的規範文件，直接自動生成一個可直接npm run build的 Next.js 14 + Tailwind 作品集網站。
這不是一場單純的工具教學，而是一次新的設計生產方法示範。改一個元件樣式？修一行 Markdown 規範重新跑一次。整個流程從任意網站到最終作品集網站上線，全程 AI 驅動，大幅減少手動重複建置時間。
活動時間： 5月24日 星期日 上午10:00 - 上午11:00 GMT+8
票價： NTD 300（早鳥票優惠價，標準價格為 NTD 500）
名額有限、額滿即止。報名者有回放觀看權限，並附贈課程素材包。
一場社會實驗，680 萬人圍剿一張「AI 莫內」，結果那是真跡
5 月初，匿名藝術家 SHL0MS 在 X 上貼出一張睡蓮畫作，左下角掛著「Made with AI」標籤，讓人盡可能詳細的描述 AI 產的莫內畫作為何比不上莫內真跡。
底下留言區就跟之前在 Thread 上台電 logo 爭議一樣瞬間炸開。網友爭先恐後地分析「為什麼這明顯就是 AI」：「光影完全是錯的」「水面反射根本不符合物理」「色調死板沒靈魂，典型 AI 那種廉價感」「構圖太刻意，AI 一看就懂這種對稱」「整張畫沒有任何情緒，就是個漂亮但空洞的視覺輸出」。
在貼文累積超過 680 萬瀏覽、數千則留言之後，SHL0MS 揭開答案：那張畫是莫內 1915 年的《睡蓮》系列其中一幅，完全沒動過。「Made with AI」標籤是他自己貼上去的，680 萬人花了好幾天，集體圍剿一張 100 年前的印象派名畫。
這場社會實驗驗證了一份學術研究的結論。挪威卑爾根大學的 Simone Grassini 與 Mika Koivisto 在 2024 年發表於 Nature Scientific Reports 的論文裡，找了 201 位受試者做測試，研究結果發現：在不知情下，整體偏好 AI 作品勝過人類作品；但只要一張畫被標示為 AI 生成，評分就會明顯下降，不論真實來源是誰。換句話說，「AI」這兩個字本身就是一種審美的劇毒。
這就像你在走進一間餐廳，老闆跟你說我們這邊的餐點都是透過中央廚房料理，你也許會覺得醬太死、肉太柴等等...但後來發現，其實是巷口阿嬤親手熬了三小時的那一鍋。標籤可改變味覺，當然也可以改變審美，過去會覺得 Made with AI 有那麼重要嗎？但仔細想來就跟那些認證標章一樣，提供我們作為消費的依據，無論是內容還是產品。
觀察筆記
標籤可改變味覺，當然也可以改變審美，過去會覺得 Made with AI 有那麼重要嗎？但仔細想來就跟那些認證標章一樣，提供我們作為消費的依據，無論是內容還是產品。
說回來這個事件，最有意思的地方在於，創作者圈長期擔心的「AI 取代人類」其實還沒真的發生在審美評分上，因為作品本身的「好不好看」這條線，AI 其實早就贏了。但真正改變「審美」的，是觀眾在開始看之前先看到的那個標籤。
換個方式說：今天創意產業的競爭，已經從「作品品質」轉移到「歸屬證明」，這是不是人做的。a16z 在 《The State of Generative Media 2026》裡也點到類似現象：矽谷誤解了專業創作者真正需要的工具，把 AI 當玩具看，實際上創作者的痛點已經從工具本身移到「如何證明這是我做的」。Etsy 開始要求「Made by human」認證、攝影社群在 EXIF 裡塞創作流程證明、插畫家在 IG 直播自己畫圖過程。這些動作的底層邏輯都是同一件事：在 AI 標籤會傷害審美的時代，「人類證明」變成新的競爭工具。
人類贏 F03 機器人 192 件，但機器人連跑了 88,000 件沒停
一場 10 小時的包裹分揀比賽，被 Figure AI 拍成直播放在網路上。比賽結束時人類分揀員 12,924 件，F03 人形機器人 12,732 件。人類以 192 件之差小勝，現場小哥的同事還遞給他一瓶啤酒，然後旁邊的機器人還在繼續幹活。換算到每件包裹，人類 2.79 秒，機器人 2.83 秒。
人類這邊是 Figure 自家的員工。機器人這邊是三台 F03，被觀眾暱稱為 Bob、Frank、Gary，跑的是 Figure 自研的 Helix-02 模型，這是一種 vision-language-action（VLA）模型，可以同時接收影像和語言指令，直接輸出馬達動作；今天大家熟悉的 LLM 是同個底層，只是輸出從比較單純的文字變成機器人對照這個視覺應該活動多大的關節角度。
F03 背後的 Figure AI，2022 年由 Brett Adcock 創立。Adcock 是連續創業者，他經營 Figure 的風格就是「把每個產品里程碑做成媒體事件」，這次的直播挑戰就是典型操作。Figure 累積募資約 19億，是目前最值錢的人形機器人公司，上一代 Figure 02 在 BMW 的 Spartanburg 廠房連續運作 11 個月，每天 10 小時班次，貢獻了超過 3 萬台 X3 的生產。
不過 Figure 不是唯一的玩家。整個人形機器人賽道現在至少有三家，其中 Boston Dynamics 也是值得注意的一家機器人公司：
- Boston Dynamics（現代汽車旗下）：走重型工業、複雜接觸路線，5 月 18 日剛發布 Atlas 抬冰箱影片，行銷風格是低調的工程影片
- 1X Technologies（YC 投資）：走家用 + 輕量倉儲路線，訓練資料偏家庭場景
- Apptronik（a16z 投資）：在 Mercedes-Benz 試點，鎖定汽車製造業
回到這場比賽，如果只看單局 10 小時，是人類保住面子的勵志故事。但如果看 5 月 14 日以來的整段直播，Figure 從那天起讓三台 F03 連續分揀包裹，跑了 5 天無故障，累計 72 小時內處理超過 88,000 件包裹。
Adcock 強調，Figure 的目標從來不是贏一場 10 小時比賽，而是把「每件包裹的處理成本」這條曲線往下壓，當機器人每小時運行成本除以每小時件數，跌破人類最低工資的某個倍數，整個經濟模型就翻轉。
觀察筆記
我還是覺得小哥喝啤酒，機器人繼續做事的畫面實在太有趣，這種 人 vs 機器人的敘事框架雖然有趣，但其實有點誤導。因為把 10 小時的單局比賽放大來看，Figure 除了做一場公開的「成本曲線壓力測試」以外，還能贏下數家企業的大單。
關鍵變化在底層，F03 跑的 Helix-02 是 VLA 模型，本質上是「物理 agent」，是黃仁勳在前年和去年都大談的「Physic AI」。這代表機器人廠商現在跟 LLM 廠商在做同一件事：用大量資料訓練一個通用模型，然後讓模型在新場景泛化。從 GPT-3 到 GPT-5 走過的路，機器人現在大致在「GPT-3 時代」的位置，可以做事，但還在累積規模化的證明。Figure 在 BMW 廠房連續 11 個月、3 萬台 X3、Helix-02 在物流倉的 88,000 件包裹，這些都是在累積那個「規模化證明」的數據點。
我在這場直播看到一則留言，「人類能贏一場 10 小時的比賽，但贏不了一條 24/7 的曲線。」儘管這事我們從工業時代就理解的事情，到了現在還是會因為這個結果感嘆，擔憂這件事的同時，也得承認一個尷尬的現實：當技術曲線進入「規模化證明」階段，社會制度（再教育、保險、勞動法規）通常還停留在「這還很遠」的階段。等大家承認近的時候，往往已經來不及調整。
Anthropic 收割鐵粉政策：關掉 Pro / Max 的第三方 Token 共用
如果你過去習慣每個月付 200 美金訂閱 Claude Max，再搭配 OpenClaw（小龍蝦）、Zed 或 Conductor 等第三方介面，巧妙套利出大約 $5,000 到 $7,500 美金的推論價值，這條高 CP 值的路徑，將在今年 6 月 15 日被 Anthropic 親手斬斷。
Anthropic 於 5 月 13 日宣布調整訂閱結構：自 6 月 15 日起，所有 Agent 類型的使用量將被歸入一個獨立的「月度 Credit Pool」計費。 Pro 以上的用戶會分配到不同的固定額度，用完不展延，每月直接歸零。這次受災的範圍極廣，涵蓋 Agent SDK、claude -p 非互動指令、Claude Code GitHub Actions，以及所有透過 SDK 認證的第三方應用。
舉例來說，如果你用 Mac mini 掛著 OpenClaw 跑自動化，設定一個每天在背景默默運作的 Agent 幫你監控競品新聞、整理摘要並同步到 Notion。這種「無須人類盯著、在背景無限燒 Token」的自動化情境，正是這次官方精準打擊的核心目標。這種感受就跟走進吃到飽餐廳，跟你說有 8 成的東西都要額外付費一樣痛苦。
雖然日常需要人機互動、即時給出回覆的 Claude.ai、Claude Code 與 Cowork 暫時不受影響，但對於獨立開發者（Indie Dev）、開源工具維護者，以及習慣跑 CI/CD 自動化腳本的人來說，實質能調用的算力，直接縮水了 25 到 40 倍。
開發者社群對此反彈極大。T3 創辦人 Theo Browne 已公開取消訂閱，並發布影片引導觀眾轉向 Codex、Cursor 或 Gemini。社群普遍批評 Anthropic 的商業策略：先將熱門的開源 Agent 功能「借鑑」進自家的 Cowork 與 Dispatch，隨後便回過頭切斷對開源工具的算力補貼。
觀察筆記
這次拆分往上拉一層看，其實透露出目前 AI 訂閱經濟沒解決的結構性問題：固定費率訂閱模型，撐不住 agent 燒 token 的成本曲線，否則 Claude 也不會為了募資做出這一步。
過去 SaaS 時代，訂閱模型可以成立，是因為邊際成本接近零，多一個用戶，伺服器頂多多吃一點點 GPU。AI 時代完全不一樣，agent 跑一次任務的推論成本是真金白銀的 token，而且 agent 越強、思考越久，token 燒得越兇。Anthropic 一開始給 $200/月吃到飽，本質是用估值補貼用戶端。當 OpenClaw 這種第三方工具把訂閱的算力價值放大 25-40 倍，Anthropic 就變成在貼錢給開源生態。a16z 在《Notes on AI Apps in 2026》早就點過：「agent 燒 token 的經濟模型，對所有訂閱型 AI 服務都是炸彈。」
更深一層看，Anthropic 在這次拆分裡其實同時在做兩件事：把 indie 開發者從訂閱模型推到 API 計費（讓他們直接付邊際成本），把企業客戶留在訂閱模型（用合約價繼續鎖定）。indie 是估值的種子用戶，大概算是玉米吧，比較沒有經濟價值XD，而企業就是估值的稻穗，當公司估值已經衝到 3,800億、準備拚9,000 億，玉米種子撒完了，收割一波，然後把重點收在稻穗身上（我在寫這篇的時候是滿滿的怨言，所以可能會有一點負面哈哈哈）。
貼一個 URL，Aura 把整個網站變成一份 AI 看得懂的 .md 檔
Design+Code 創辦人 Meng To 在 5 月推出 Aura.build 新功能「URL to DESIGN.md」，只要你貼一個網址進去，Aura 直接幫你抓走整個網站的設計系統：色票、字體、間距、版型、圓角，全部輸出成一份結構化的 Markdown 檔，可以直接塞進你下一個專案的 repo。
這個功能的關鍵不在「能抓」（市面上已經有 Design Extractor、Dembrandt、Matchkit 等好幾個工具在做同一件事），而在於它能輸出 DESIGN.md。
Philo
DESIGN.md 是 Google Labs 在 2026 年初推出的開源格式規範（Apache-2.0 授權），因為我們常使用的設計工具檔，如 Figma 檔、Sketch 檔，對 AI 來說都是黑盒子，但是 Markdown 對於 AI 來說閱讀準確率最高，AI 一眼就能讀懂，所以 Design.md 目的是給 AI coding agent 一份「設計系統說明書」。
Aura.build 本身的故事也值得多說一段。創辦人 Meng To 是蒙特婁出身的自學設計師，2000 年代初在數位代理商工作。某次申請美國 VISA 被拒，他乾脆環遊世界兩年，旅途中寫了一本叫《Design+Code》的電子書，累積 35,000 名讀者。後來把這本書擴展成同名教學平台，主軸是「設計師如何學程式、工程師如何學設計」。Aura.build 是他從教學平台轉做 AI 工具的第一個產品，目前 user base 已經超過 16 萬。
Anthropic 公開內部做法：Claude Code 在百萬行 codebase 不建索引
5 月中，Anthropic 發表《How Claude Code works in large codebases》，把自家工程團隊和上千名工程師組織的企業客戶，在百萬行 monorepo、十年遺留系統裡使用 Claude Code 的方法公開，裡面有段描述引發議論：Claude Code「沒有自動化處理資料，也不會去索引」。
過去幾乎所有市面上的 AI coding 工具——Cursor、Windsurf、Cody、GitHub Copilot Workspace 的做法大致是同一套：先把你的整個程式庫切片，因為過長的內容並不能幫助 AI 理解；每段程式碼跑還要把文字轉成向量，存進向量資料庫，當你問 AI「這段邏輯在哪裡實作？」AI 就把你的問題也轉成向量，去資料庫裡找最接近的那幾段程式碼丟給模型。這套流程叫做 RAG（Retrieval-Augmented Generation），是這兩年 AI 應用的主流架構。
聽起來很合理對吧？但放到大型組織就會出問題。當你有上千名工程師、每天上百次 commit，索引永遠跟不上現實：今天早上重構的那個函式，下午 AI 看到的還是舊版。索引建一次要幾十分鐘到幾小時，要做到「即時」就是工程災難。維護那個索引本身會變成一個全職工作。
Anthropic 給出的解法是：乾脆不建索引。他們改採叫做 agentic search 的做法，每個 Claude Code 實例都直接從 live codebase 工作。Agent 拿到問題後，會像一個剛進程式庫的資深工程師一樣：看看目錄結構、找關鍵字、找到可疑檔案就開來讀、需要的話再順著 import 鏈往下查。整個過程在當下動態完成，沒有預先建好的捷徑。
為什麼這個做法在 Anthropic 行得通？因為 Claude 模型本身夠強到可以做這種探索：它能讀懂目錄命名、能寫出合理的 grep query、能從一堆搜尋結果裡判斷哪個檔案最該打開。換言之，當你的模型聰明到一個程度，「動態找」就比「先建好再查」更穩，因為前者永遠看到最新的程式碼。
支撐這套做法的還有另外七層基礎建設，但設計哲學都從這個核心觀念延伸出來：CLAUDE.md 是讓開發者把脈絡寫在每個資料夾裡（agent 進到該資料夾自然會讀到）、Subagent 把「探索」和「修改」分工、Skills 在需要的時候才載入專業知識，共通邏輯是「按需取用」，而不是「預先準備」。
觀察筆記
過去兩年，向量資料庫這個產業，大概是 AI 熱潮裡成長最快的基礎建設之一，尤其是針對一些企業用戶，因為模型的記憶體有限，你不可能把整個公司的文件塞進去，所以要先把資料切好、轉成向量、存進資料庫，讓模型「按需提取」，這也是目前世界絕大多數公司在引入 AI 的方式。
但模型記不住，就幫它建索引；模型讀不長，就幫它切片段；模型判斷力不夠，就幫它排好優先順序再餵進去。這些工具本身沒問題，但它們的存在前提是「模型還不夠強」。一旦模型強過那條線，整個補丁就變成多餘的工程複雜度。
所以我覺得 Claude Code 在這份 blog 裡定義的八層基礎建設很值得研究（CLAUDE.md、hooks、skills、plugins、LSP、MCP、subagent、agentic search），大家應該對於 Claude.md、Skills、Plugin、MCP比較熟悉，那其他四個呢？
- Hooks 比較像是「絆索」：你可以設定當某件事發生時（比如 agent 準備執行一個指令前），自動觸發一個檢查或動作。本質上是讓人類在 agent 的行為鏈裡埋審核點，不用全程盯著看。
- LSP（Language Server Protocol）：是 VS Code 這類編輯器背後讓「跳到定義」「找所有引用」這些功能運作的協議。Claude Code 接上 LSP，代表它理解程式碼的方式不只是「讀文字」，而是真的知道這個函式從哪裡來、被誰呼叫——這跟 grep 關鍵字是本質上不同的理解層次。
- Subagent 是把「去探索這個 repo」和「去修改這個檔案」交給兩個不同的 agent 做。一個負責看、一個負責動，互不干擾，也比較不會因為探索到一半手滑改了什麼。
- Agentic search 就是我們事件說明裡已經解釋的那個——動態找，不建索引。
把這八層放在一起看，你會發現它們的共同邏輯只有一個：別幫模型準備，讓它自己來。每一層都在說「信任模型當下的判斷」，而不是「預先把環境整理好讓模型好過一點」。
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
