Anthropic 共同創辦人 Jack Clark 對 IMF 說「奇點已經開始」：他是怎麼一步步論證的？
Anthropic 共同創辦人 Jack Clark 對 IMF 說「奇點已經開始」，他的論證有六步，證據越往後越薄。另有 RTX Spark 對上 Mac 的本地 AI 實測、REA 兩週衝上 35 萬顆星、Zeabur 與 Character.AI 退場、TasteVal 等本週 AI 大事。
OPENLAB 2026 早鳥倒數！12/5 一起來玩 AI，全球指標品牌陸續解鎖！
今年 12 月 5 日，AI 郵報將在台北瓶蓋工廠舉辦 OPENLAB 2026！這次我們希望把活動變成一座真正能動手玩的 AI 實驗場，不只是聽講座、看產品展示，而是讓每個人都能親自體驗 AI 的各種可能性。
目前已有數個全球指標品牌正式確認參與，完整合作陣容與活動內容，我們將在接下來幾週陸續揭曉。不過，今天想先跟大家分享其中一個我們很期待的活動區域：AI Playground！
🎡 AI Playground：轉出一道任務，帶走一件作品
這次 OPENLAB 將規劃多個 AI PC 體驗主題桌，涵蓋 AI 影像與影片生成、Agent × n8n 自動化工作流、AI Coding、AI 音樂、AI 資安等不同應用。
現場可以透過任務輪盤抽取挑戰，再前往對應的主題桌實際操作。例如讓一張照片動起來、用 AI 打造自己的自動化流程，或是生成一段專屬配樂。每個體驗區都會有志工協助引導，即使沒有相關技術背景，也能跟著完成挑戰，帶著自己的作品離開。
我們希望大家來到 OPENLAB，不只是知道 AI 又推出了哪些新功能，而是能真正感受到：原來這些技術已經可以用在自己的工作與生活中。
除了 AI Playground，當天也將安排 AI 短講、Live Demo、產品體驗、創作挑戰，以及首次公開的《2026 AI 郵報讀者調查》，讓大家一起回顧這一年 AI 帶來的變化。
🎟️ 早鳥票 NT$500，10/31 中午截止！
目前 OPENLAB 2026 早鳥票已進入倒數階段，10 月 31 日（六）中午 12:00 截止，票價 NT$500，之後將恢復一般票 NT$800。 門票包含當天的活動體驗、講座分享、飲品與餐點。
活動資訊
- 日期： 2026 年 12 月 5 日（六）
- 地點： 台北瓶蓋工廠
- 時間： 13:00 報到、13:30 正式開場、17:30 餐敘交流
- 票價： 早鳥 NT$500／一般 NT$800
不論你是想認識更多 AI 同好、探索新的工具與應用，或只是想找個下午好好玩 AI，都很歡迎來 OPENLAB 2026 跟我們交流。
AI 能做什麼，你已經看過很多。這一次，換你動手。
全球品牌與講者陣容也將陸續公布，期待 12 月 5 日在台北瓶蓋工廠見到大家！
本週焦點事件
- Anthropic 共同創辦人 Jack Clark 對 IMF 說「奇點已經開始」：他是怎麼一步步論證的？
- NVIDIA RTX Spark 筆電開賣：同樣 128GB 記憶體，跑本地 AI 比得過 Mac 嗎？
- 開源工具 REA 兩週衝上 35 萬顆 GitHub 星：讓 Claude Code 和 Codex 替你拆開沒有原始碼的軟體
- Zeabur 兩度被入侵後宣布結束營運，Character.AI 也進入破產拍賣
- 衡量 AI「研究品味」的新測驗 TasteVal：Opus 5.5 贏過 24 位頂尖實驗室專家，Jack Clark 把 AI 自我改進的時程提前到 2027
Anthropic 共同創辦人 Jack Clark 對 IMF 說「奇點已經開始」：他是怎麼一步步論證的？
10 月 17 日週六，Anthropic 共同創辦人 Jack Clark 站上曼谷 IMF 與世界銀行年會的講座，對各國財政與經濟官員說：「我相信今年我們已經取得令人信服的證據，顯示奇點現在已經開始。」
他引用科幻作家 Vernor Vinge 在 1993 年提出的「技術奇點」（Technological Singularity）概念，描述當超越人類的智慧，能比人類更快地推動技術進步，那現有的社會、經濟與科技預測模型都可能失去效用的轉折點。
但奇點的關鍵不只是 AI 變得比人類聰明，因為如果單純只是比人聰明，那基本上去年就已達成，所以重點是 AI 能不能開始參與技術研發，甚至能協助開發下一代更強大的 AI，技術進步就可能形成自我加速的循環。
Clark 認為，2026 年的現在，我們已經開始看見這個循環出現的跡象。他的論證大致可以整理成六個階段（這一段論述比較長，但我個人認為蠻值得大家閱讀，因為同時可以從具體上的數據，回顧 AI 成長的速度）。
首先，Clark 從人類研究生產力面臨的瓶頸談起。他指出，過去半世紀，多數國家的研究生產力持續下降，即使研究人員數量大幅增加，產生重大突破卻變得越來越困難，也就是經濟學界所說的「好點子越來越難找」（Ideas Are Getting Harder to Find），所以人類研究、發現、發明的曲線已越來越平滑。
第二步是程式碼。Clark 說 AI 現在的程式能力等於或勝過多數軟體工程師，Anthropic 研究人員的程式碼產出約是公司前四年的 10 倍。重要的是，AI 研究本身也高度依賴程式開發，當 AI 能加速寫程式，也等於開始協助加速自身的研發流程。 這是技術自我加速最直接的早期跡象之一。
第三步是基準測試。Humanity's Last Exam 是 2025 年 1 月發布的專家級難題集，發布時最高分約 8%；Clark 說「截至本週」最高分是 Claude Opus 5.5 的 67.7%。FrontierMath 是研究級數學題，2024 年 11 月發布時約 2%，他說現在最佳成績已達 94%。這代表 AI 正快速逼近過去只有頂尖專家才能處理的科學難題，從協助整理既有知識，逐漸走向參與前沿研究。
第四步是他用來支撐「創造力」的案例。TheoPhysEval 是演講前一週發表的論文，由各國物理學家編寫了 50 題未公開的理論物理題。GPT-6-Astra 起初得分在八十幾，Opus 5.5 緊追在後；模型反過來質疑專家提供的標準答案，專家重算後發現部分計算確實有錯，修正後 Astra 達到 98%（49 題）。物理學家 Suvrat Raju 甚至表示，他不知道有哪個人能在沒有 AI 協助下解出題集中相當比例的問題。這意味著 AI 不只是照著人類提供的答案解題，甚至開始能糾正專家，展現獨立科學推理的潛力。
第五步是三個科學領域的例子。數學方面，Clark 說 AI 系統已經「提出」千禧年大獎難題、雅可比猜想與數個 Erdős 問題的解法，部分核心洞見甚至來自 AI；生物方面，研究者利用 AI 從零設計病毒、尋找新藥候選物，部分進入試驗的藥物也大量借助 AI 設計；機器人方面，AI 則越來越能遠端自主操作實驗設備。這些案例顯示 AI 正從單純處理資訊，逐漸參與提出假設、設計實驗到驗證結果的科學研究流程。
第六步是將研究能力大量複製。Clark 說自己花了將近 40 年累積知識與經驗才走到今天，但如果能同時運行數百、數千個具備類似能力的 AI 系統呢？培養一批專業科學家需要 10 到 15 年與數百萬美元，AI 卻可以在算力允許下快速部署。他援引 UNESCO 估計，全球約有 1,000 萬名科學家，如果未來這些人可以指揮十億個虛擬科學家，研究產能就可能不再受到人類人才培養速度的限制。而當大量 AI 科學家也能投入 AI 研發，就可能形成「更強的 AI → 更多研究突破 → 更強的 AI」的加速循環。
論證之後是政策要求。Clark 說自己十年來一直勸政府建設電力與資料中心，但如果 AI 真的開始加速科學研究，下一階段的瓶頸可能轉移到機器人、實驗設備，以及把新發現送進臨床、工廠與農田的管道。因為即使 AI 能在一天內提出上千種新藥候選物，臨床試驗仍需要時間；即使 AI 能設計新材料，也需要實體設備進行驗證。因此，真正的技術加速不只依賴更強大的模型，還必須有足夠的現實世界基礎設施。
風險方面，他特別點名生物與網路武器，要求生物研究必須有「最嚴格的人類監督與透明」，也警告讓 AI 參與 AI 研究必須「極其謹慎，否則可能失去對技術的控制」。他要求各國制定「不尋常且嚴肅的規則」，規範這項技術與開發它的公司，發展必須慢而審慎，並認為人類剩下的準備時間只有「幾年」。
觀察筆記
我覺得 Clark 這場演講最值得注意的，反而是他對下一階段 AI 基礎建設的判斷。
過去幾年，我們一直在討論 GPU、電力、資料中心，因為算力是 AI 發展最直接的限制。但當 AI 開始具備科學研究能力，瓶頸可能就會從數位世界轉移到實體世界。
這個轉變其實很好理解：AI 可以在短時間內提出上千種新藥候選物，但臨床試驗不會因此縮短成幾天；AI 可以快速設計出新材料，但仍需要實驗室與設備驗證。當「產生新發現」的速度開始超過「驗證與應用」的速度，真正稀缺的資源就可能從算力轉向實驗設備、機器人與實體基礎設施。
這也是為什麼 Clark 不只呼籲政府繼續投資資料中心，更強調下一階段應該建設科學實驗與機器人基礎設施。我認為這個觀察很重要，因為它意味著 AI 的下一波競爭，不一定只是誰擁有最強大的模型，而是誰有能力將 AI 產生的知識，最快轉化成真實世界的成果。
AI 郵報學院近期開課：
零基礎也能玩 API：用 AI 加速前端串接與資料篩選
由統計系出身、擁有五年以上經驗的美商媒體公司資料分析師 Andy Chih，親自帶你用 AI 跨過「資料從哪裡來」這道門檻，不只會下載 CSV，也能自己用 API 取得資料。
課程以五個環節帶你操作：
- 搞懂 API 的基礎概念與常見類型
- 案例一｜PChome 電商商品 API：蒐集商品資料並延伸到競品分析
- 案例二｜共享單車公開 API：觀察站點、時段與需求量
- 用 AI 協助撰寫串接程式，完成資料清洗與篩選
- 把 API 取得的資料應用在資料分析
下課後，你將帶走課程提供的程式碼範例、Prompt 範例與 API 端點整理（資源包於直播後三天內上線），以及能直接用在作品集與工作上的 API 資料取得方法。
特別適合：
- 想了解 CSV 以外資料取得方式的資料分析職場人
- 準備資料分析作品集、想加入 API 資料來源的人
- 轉職或跨領域累積資料分析能力、沒有程式基礎的初學者
用 Claude Code 把 Podcast 音檔一次做成 YouTube 長片
由具七年以上行銷經驗、現任智慧單車新創 MOSA Innovations 行銷主管的陳子庭，親自帶你用 Claude Code 走完「錄完 Podcast 之後」最耗時的後製流程。
課程延伸自 Skill Shot 09，以四個實戰環節帶你操作：
- 讓 AI 讀取照片，判斷每張圖該放在 Podcast 的哪一段，並處理直式、拍歪、重複與檔名不清的問題
- 把音檔與照片組裝成 YouTube 長片：前 20 秒預告字幕、片頭、主體配圖與片尾行動呼籲
- 從 Podcast 內容一次產出封面標題、影片標題、說明欄與標籤，不寫出節目沒提到的內容
- 選定標題後，自動把標題、說明欄與標籤填進 Google 試算表製作進度表
下課後，你將帶走一套「音檔 → 逐字稿 → 配圖剪片 → 文案 → 進度表」的後製流程，以及課程講義、懶人包與模板資源包，也清楚哪些工作適合交給 AI、哪些仍需要自己確認。
特別適合：
- Podcast 與 YouTube 創作者
- 需要固定產出內容的團隊、內容企劃與社群工作者
- 已完成 Podcast 音檔整理、想接續製作 YouTube 長片與文案的人
NVIDIA RTX Spark 筆電開賣：同樣 128GB 記憶體，跑本地 AI 比得過 Mac 嗎？
NVIDIA 在台北舉辦 RTX Spark 發表會，宣布搭載這款晶片的筆電全球同步開賣，ASUS、Dell 等六個品牌都有機型，台灣建議售價從新台幣 119,069 元起。最多 128GB 統一記憶體，AI 運算力是 1 petaflop，換句話說，以前要桌機工作站等級的電腦，現在全被塞進一台輕薄能攜帶的筆電。
一般的 Windows 獨顯筆電，CPU 有一池記憶體，GPU 另有一池顯示記憶體，容量通常遠小於 128GB，模型要在兩池之間搬來搬去，大模型就放不下。統一記憶體讓 CPU 與 GPU 共用同一池，模型權重一次放進去，GPU 直接讀。模型能不能載入，看的是記憶體容量；載入之後跑多快，看的是記憶體頻寬與運算力。Apple Silicon 的 Mac 早就是這個設計，RTX Spark 把同樣的設計帶進 Windows 筆電，並且保有 CUDA。CUDA 是 NVIDIA 的 GPU 軟體平台，多數 AI 工具與模型都先支援它。
這次發表會的代表機型之一，是 ASUS 推出的 ProArt P16（H7607），官方主打全球首款搭載 NVIDIA RTX Spark 的 ProArt 筆電。除了最高 128GB 統一記憶體、可在本機執行約 120B 參數的大型語言模型，機身厚度僅 12.9mm、重量約 1.77 公斤，並配備最高 4K、120Hz 的 Lumina Pro OLED 螢幕。
對創作者來說，這代表過去需要工作站才能處理的大模型，有機會直接帶到拍攝現場、咖啡廳或客戶端運行，不必將未公開的素材與資料上傳雲端。對開發者而言，則能透過 CUDA、PyTorch 等工具在本機測試 AI 模型與 Agent 工作流。不過，128GB 與 120B 都是官方最高規格，實際效能仍取決於模型量化方式、記憶體頻寬與軟體支援。
但與蘋果產品相比，128GB，到底誰比較強？國外評測網站 Artificial Analysis 重播 8 段錄下來的 Agent 任務，每一輪都帶著最多 56K 的上下文重新送出，結果 RTX Spark 跑 Qwen3.8 27B 花 18.7 分鐘，MacBook Pro M5 Pro（64GB）花 37.6 分鐘。
規格與價格對照
| 項目 | RTX Spark（20 核） | MacBook Pro M5 Max |
|---|---|---|
| 最大記憶體 | 128GB（僅 20 核版本） | 128GB |
| 記憶體頻寬（規格表） | 約 300GB/s | 614GB/s（40 核 GPU 版本） |
| GPU | 6,144 核 Blackwell（CUDA） | 最高 40 核 GPU（Metal／MLX） |
| 美國標價（2026-10-17） | 5,899.99 美元（Surface Laptop Ultra，128GB／1TB） | 6,699 美元（14 吋，128GB／2TB） |
| Geekbench 多核（Tom's Hardware 引述） | 約 23,700 | 約 35,600 |
| 軟體 | Windows on Arm，CUDA、PyTorch、llama.cpp | macOS，LM Studio、Ollama 兩邊都能跑 |
逆向工程工具 REA 兩週衝上 35 萬顆 GitHub 星：讓 Claude Code 和 Codex 替你拆開沒有原始碼的軟體
REA（Reverse Engineer Anything）是 GitHub 使用者 morluto 的開源專案，4 月 14 日建立，10 月第一週開始爆紅，到 10 月 21 日 GitHub 上顯示約 350,886 顆星、88,193 個 fork。它的賣點在 README 的第一句：看到喜歡的功能，理解它到底怎麼運作，一路到二進位檔的層級。
逆向工程是什麼？不看原始碼，從已編譯的程式反推它怎麼運作，傳統上要同時操作 Ghidra、IDA、Hopper 這類專業工具，並逐段閱讀反編譯結果。而這個 REA 工具本身是一個 MCP 伺服器與命令列工具，把這些專業工具包成程式代理能呼叫的介面，沒有另外實作反編譯器。
安裝用 npx rea-agents setup，需要 Node.js 22.19 以上；專案以 MIT 授權開源。原生分析需要另外取得 IDA、Hopper 等工具的合法授權，並支付你所用代理的模型費用。用途限於合法研究、教學、互通性、軟體保存，以及分析自己擁有或獲授權的軟體，也明講不授權任何破解版本。
Zeabur 兩度被入侵後宣布結束營運，Character.AI 也進入破產拍賣
Zeabur 創辦人林沅霖在 10 月 17 日宣布，這個由台灣團隊打造的雲端部署平台將逐步結束營運，12 月 31 日前所有服務全部停止。直接原因是 10 月 14 日（UTC）發生的第二次資安事件，公司說影響範圍比 8 月底的第一次更大，調查仍在進行，完整報告尚未公布。
Zeabur 是雲端部署平台：開發者把程式碼或 Docker 服務交給它，由它在 AWS、Google Cloud 等雲端主機上跑起來，省去自己設定伺服器的麻煩。服務分兩種，專用伺服器是一個客戶獨占，共享叢集則是多個客戶共用。如果你是接案工程師或做 side project 的人，大概知道這類平台的賣點：把 OpenAI 或 Anthropic 的 API 金鑰、資料庫密碼放在「環境變數」裡，平台幫你保管。問題在於，平台的資料庫一旦被讀取，這些祕密就一起外洩。就像把家裡的備用鑰匙交給社區管理室保管，平常很方便，管理室被闖入的那一天，每一戶的鑰匙會一起不見。
8 月 27 日（UTC）的第一次事件，攻擊者利用某位用戶部署的 NextChat 服務漏洞進到內部網路，從快取取得沒有權限範圍、也沒有到期時間的舊版 API 金鑰，其中一把屬於團隊管理員；有了這把金鑰，攻擊者取得 AWS 最高權限，進而讀取存放專案設定的正式資料庫，部分專案的環境變數被讀到，內容包含第三方 AI API 金鑰、雲端憑證與資料庫密碼。公司的監控沒有偵測到入侵，直到用戶回報 API 金鑰被濫用，團隊才在 8 月 28 日確認。9 月 7 日公布事故報告時，公司承認金鑰管理、權限分離、網路隔離與監控都有缺口。
第二次事件的細節還不多。依 Zeabur 狀態頁，除共享叢集外，部分 Google Cloud 專用伺服器也被未授權存取，攻擊者取得平台資料庫的讀取權限，受影響的資料包含服務環境變數、帳號資訊、API token 與 zSend 金鑰。林沅霖也說，結束營運還有三個背景因素：AI 讓雲端部署的需求增加，同時也大幅降低了部署門檻；成長遇到瓶頸；系統從快速打造的專案一路改方向，複雜度與維護負擔不斷上升。
Zeabur 時間線
| 日期 | 事件 |
|---|---|
| 2026-08-27（UTC） | 第一次資安事件 |
| 08-28 | 團隊在用戶回報 API 金鑰被濫用後確認事件 |
| 09-07 | 公布 8 月事故報告 |
| 10-14（UTC） | 第二次資安事件，公司稱影響大於第一次 |
| 10-17 | 宣布結束營運；新專用伺服器與網域停售；餘額退款開放申請 |
| 12-01 | 專用伺服器停止續費並依到期日陸續關閉；共享叢集暫停運行 |
| 12-31 | 所有專用伺服器與共享叢集全面停止 |
如果你的服務還在 Zeabur 上，眼前有幾件事。把放過的所有 Secret 都轉一遍：
1. OpenAI、Anthropic、OpenRouter 等第三方金鑰、資料庫密碼、雲端憑證，並重新產生 Zeabur API token
2. 檢查 Google Cloud 專用伺服器上有沒有陌生的 SSH 金鑰；備份資料並規劃搬遷，網域可以自己從控制台轉出。
3. Zeabur 正在準備遷移指南，其中也有提供給 AI 程式代理閱讀的版本。賠償與退款要分開向 Zeabur Support 申請；Zeabur 註冊地在美國、沒有台灣分公司，跨境爭議的路徑是先找客服，再依序考慮 eConsumer 或信用卡的 chargeback。
同一週，Character.AI 也進入破產拍賣
Character.AI 的母公司 Character Technologies 在 10 月 12 日向德拉瓦州法院聲請第 11 章破產，目標是在法院監督下出售幾乎所有資產。Disney 擔任「stalking horse」（打底出價者），以 2,000 萬美元取得部分智慧財產的非專屬永久授權與特定法律請求權，並同意向至少 60 名員工發出聘用邀請，估計年薪總額約 6,000 萬美元。
stalking horse 是先談好的底價，其他買家要出得更高才能取代它。公司在文件中說，雖然有龐大且投入的用戶群，卻被高成本與潛在的訴訟責任及監管介入拖累；前年 Character.AI 曾被一位 14 歲男孩的母親控告，另外也面臨包括德州檢察長在內的兒童安全調查。
AI 連「研究品味」都超越人類？TasteVal 測驗：Opus 5.5 實驗效率達專家 2.3 倍
當 AI 已經能協助寫程式、執行實驗，下一個問題是：AI 能不能像真正的研究員一樣，判斷哪些實驗值得做、又該如何根據結果調整研究方向？
10 月 6 日，P-Zero Research 發表了一項新測驗 TasteVal，試圖衡量 AI 的「研究品味」（Research Taste）。這裡的品味不是審美，而是研究者面對有限時間與資源時，能否設計有價值的實驗，並從結果中找出下一步方向。這項能力也是 AI 能否進一步自主研發 AI、實現「遞迴自我改進」（Recursive Self-Improvement，RSI）的重要條件。
TasteVal 的設計很有意思。研究團隊準備了 8 項 AI 研發任務，涵蓋模型預訓練、微調、資料整理與對抗提示等領域，受測模型只負責規劃實驗、分析結果，真正寫程式與執行實驗則交給固定的 Coding Agent，使用單張 NVIDIA H100 GPU。每次測試最多提供 40 GPU 小時或 120 小時的實際執行時間，藉此排除模型寫程式能力的差異，專注比較研究決策的品質。
假設一位人類研究員需要 100 小時的實驗算力才能達到某個成果，AI 只需要 50 小時就能達成，那 AI 的實驗研究效率就是人類的 2 倍。研究團隊邀請了 24 位曾任職於 OpenAI、Google DeepMind、NVIDIA 等機構的專家參與，並以各任務表現最好的專家嘗試作為比較基準。
結果顯示，Claude Opus 5.5 的實驗算力效率達到人類專家基準的 2.30 倍（95% 信賴區間為 1.15～4.37 倍），而每次嘗試的平均成本只有專家的約 1/30。更值得注意的是，從 2025 年 12 月開始，前沿模型的實驗算力效率平均約每 3 個月翻倍，相較此前約 14 個月翻倍，進步速度明顯加快。不過，這項加速沒有同樣出現在最終研究成果的評分上。
這個結果之所以重要，是因為過去我們討論 AI 研究自動化，焦點多半放在寫程式、執行實驗等工作。但真正的研究往往不是把實驗做完就好，而是知道下一個實驗該做什麼，才能用最少資源取得最有價值的結果。 TasteVal 顯示，AI 在這種實驗規劃與判斷能力上，也開始展現超越部分人類專家的表現。如果 AI 不只會執行研究，還能決定如何有效率地推進研究，就有機會進一步加速下一代 AI 的開發。
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！
我們下週見
— AI 郵報編輯團隊
