黃仁勳首先感性地回顧了 NVIDIA 與台灣長達三十多年的深厚情誼，強調台灣擁有 NVIDIA 最珍視的合作夥伴與摯友，這些夥伴一路見證並共同參與了 NVIDIA 從一家晶片公司轉型為推動全新運算平台、點燃 AI 革命火種的歷程。他提到，2006年推出的 CUDA 技術革新了運算方式，而2016年後，隨著 AI 模型的複雜化，他們意識到需要從零開始打造全新的技術堆疊、處理器、軟體架構與系統，這催生了 DGX 系統，為後來的 AI 爆發奠定了基礎。 AI工廠：生產「數位產物」的全新基礎建設 不同於傳統服務應用程式的「超大規模運算」，黃仁勳指出新一代的 AI 應用需要大量處理器協同運作，服務數百萬用戶。這徹底改變了資料中心的架構，尤其是電腦間相互溝通的「東西向流量」變得至關重要，這也是 NVIDIA 收購 Mellanox 的原因。他將這種新世代資料中心定義為「AI工廠」
全球資訊搜尋霸主 Google 母公司 Alphabet 的執行長 Sundar Pichai，近日在 All-In Podcast 訪談中深度分享了他對於 AI 如何影響 Google，以及他所擘劃的未來藍圖。這場對話不僅展現 Google 在 AI 領域的深厚根基，也透露出在激烈競爭下，Google 如何在核心業務轉型的同時，開拓新的成長機會。 Google 面臨「創新者兩難」？ Pichai 視為巨大機遇 當前科技界熱議的議題之一，便是 AI 可能顛覆 Google 賴以維生的搜尋業務模式。傳統搜尋透過提供連結和廣告賺取龐大營收，但 AI 聊天模式能直接給予整合性答案，可能改變用戶習慣。面對這個看似「創新者兩難」（Innovator's Dilemma）的局面，Sundar Pichai 坦然表示，
前 Google 執行長艾立克·施密特（Eric Schmidt）近期在 TED 訪談中，分享了他對人工智慧（AI）發展的深刻觀察與前瞻思考。他認為，AI 的革命遠比多數人想像的要來得深遠，不只會寫作聊天（如 ChatGPT），更關鍵的進展在於 AI 已具備「規劃」與「策略」能力，能像「代理人」一樣執行複雜任務，這將是未來所有業務的核心。 施密特指出，這波由 AlphaGo 驚人棋步為開端（展現 AI 能發明人類未曾見過的方法），現已進入「規劃與策略」的新階段。目前的 AI 系統已能透過大量試驗與回饋，學習並執行複雜的步驟序列，就像在思考一樣。 然而，這場革命伴隨三大嚴峻挑戰： 1. 龐大的運算與能源需求： 訓練及運行先進 AI
Sam Altman 回顧 OpenAI 最初（2016年）在簡陋的第一間辦公室，只有約14人，當時並沒有具體的產品或商業模式，只是一個充滿堅定信念的研究實驗室。他們嘗試了各種方向，包括讓 AI 玩電玩、控制機械手臂等，重點在於建立系統來驗證研究的可行性，而不僅僅是發表學術論文。 關鍵轉捩點出現在發展到 GPT-3 階段時。模型規模指數級增長，所需投資高達數十億美元，這讓團隊意識到需要轉變為商業模式來支撐持續的研究與擴展（朝向 GPT-4 等更大模型）。 OpenAI 最初嘗試推出的是 API 服務，將 GPT-3 開放給開發者使用（約在 2020 年）。雖然外部反應不如預期，但團隊注意到使用者在 OpenAI 自家平台上「與模型聊天」的行為非常受歡迎，即使當時聊天功能並不完善（尚未大規模應用人類反饋強化學習 RLHF）。正是這個觀察，促使他們將資源投入開發更容易使用的聊天產品，最終催生了引爆全球熱潮的 ChatGPT（於
在 2025 紅杉資本 AI Ascent 大會上，紅杉合夥人 Pat Grady, Sonia, 和 Constantine 作為開場引言人，雖然謙稱只是「開胃菜」，但他們分享的觀察與觀點，猶如一道道精彩的前菜，為與會者描繪了 AI 時代的產業現況、發展速度，以及未來蘊藏的巨大機遇與挑戰。 AI 大浪為何如此重要？規模比你想的更巨大！ Pat Grady 首先拋出創投界的經典框架：「這是什麼？為何重要？為何是現在？接下來怎麼辦？」他巧妙地省略了「這是什麼」（畢竟在場的都是 AI 專家），直接切入「為何重要」的核心。 他引用一張對比圖：雲端轉型 (Cloud Transition) 當時的市場規模約 4,000 億美元，這已經大於當時全球的軟體市場總和。而對比這次
科技界巨頭與醫療體系結合，催生出前所未有的醫學人工智慧（AI）。最近，一個名為 Foresight 的生成式 AI 模型在醫療研究領域進行突破：它利用了來自英國國民保健署（NHS）高達 5700 萬名病患的去識別化健康紀錄進行訓練。這不僅是史上涵蓋人數最多的醫療 AI 訓練計畫，更是 首次將 AI 應用到一整個國家級規模的健康資料集上，為醫療研究和未來健康照護開啟了新的篇章。 這款 Foresight AI 模型擁有強大的預測能力，能根據個人的醫療歷史，預測未來可能發生的健康事件，例如： 1. 住院風險： 哪些病患在未來較可能需要住院？ 2. 特定疾病發生： 是否有較高風險罹患心臟病、中風等數百種不同疾病？ 3. 其他健康狀況： 潛在的醫療需求或健康趨勢。 研究人員在5月6日的記者會上表示，如果這些預測證實具有實用價值，Foresight 未來甚至有潛力直接用於輔助醫護人員判斷個別病患的照護需求，或是幫助 NHS 更有效地分配醫療資源。劍橋大學的健康數據科學家 Angela Wood 強調：
在 AI 領域，我們常聽說圖靈測試（Turing Test）是衡量機器能否展現與人類無異對話能力的里程碑。如今，大型語言模型（LLM）似乎已悄悄地通過了這個測試，但大家對其突破已習以為常，甚至會因為語音助理慢了幾秒或程式碼沒被完全除錯而抱怨連連。 NVIDIA AI 研究總監、身為廣受矚目人形機器人專家 Jim Fan 指出，當前業界對 LLM 的驚人進步視為「只是又一個平常的星期二」（just yet another Tuesday），這反映了我們對文字世界 AI 的標準已大幅提高。 然而，當我們將目光轉向現實世界，讓機器人進行物理操作時，會發現挑戰巨大得多。 Jim Fan 在演講中提出了一個引人深思的概念：「物理圖靈測試 (Physical Turing Test)」。這個測試的想像情境是：如果你回家後，看到雜亂的房間被整理得乾淨俐落，甚至還準備了一頓浪漫的燭光晚餐，而你無法分辨這是由真人還是機器人完成的，那代表這個機器人通過了物理圖靈測試。 但現實呢？看看那些連站起來都困難的人形機器人，
在前 Apple 傳奇設計長、現任 LoveFrom 創辦人 Jony Ive 少數的公開露面場合中，他與 Stripe 創辦人 Patrick Collison 在 2025 年 5 月 7 日於舊金山舉行的 Stripe Sessions 大會上，進行了一場深度爐邊對談（fireside chat）。這場大會主題聚焦於可程式化金融基礎設施（programmable financial infrastructure），而 Ive 在此背景下，分享他對於設計哲學、科技產業演變及團隊文化的洞察，探討的內容遠超越了單純的支付或金融議題，觸及了科技與人性更廣泛的連結。 從服務人性的初心，到金錢與權力的驅動 Ive 回憶起 1992 年剛來到矽谷時，感受到的是一種「天真爛漫的興奮」（innocent euphoria），當時科技界普遍懷抱著「服務人類」
Stripe 共同創辦人暨執行長 Patrick Collison 在開場演講中，揭示網路經濟的驚人成長動能，並強調在當前全球經濟充滿不確定性之際，有兩股「巨風」正以前所未有的力量重塑商業地貌：人工智慧（AI）與穩定幣（Stablecoins）。Stripe 則致力於打造可程式化的金融服務，協助企業駕馭這波變革。 網路經濟強勁增長，Stripe 扮演推手 Patrick Collison 首先分享了 Stripe 生態系的亮眼成績：2024 年，使用 Stripe 的企業總營收成長速度是標普 500 指數成分股企業的七倍。Stripe 平台上新增的支付量高達 4,000 億美元，相當於 Stripe 生態系的「GDP」成長。全年總處理支付金額超過 1.4 兆美元，佔全球 GDP 約 1.
小時候，我大概學過 QuickBasic 之類的東西，小學時，玩著智冠的盜版光榮三國志一代，我會在紙上畫著可能的策略遊戲想像，認為自己有一天可能可以寫程式做一個遊戲出來，很可惜不像比爾蓋茲，他小時候在森林健行可以腦海裡整理程式碼，我可都沒這天份，寫程式開發遊戲這件事一直都沒發生，在 286 之類的年代，倒是有胡弄些 AUTOEXEC. BAT 之類的 Congfig 檔文件。 到了大學，我可能參與了跟網路服務有關的社團，但我想大部份是在幫同學列印報告、玩 BBS、MUD 或者是 CS，也許可能架了站，有用過 FrontPage、DreamWeaver 或者是 PhotoImpact 之類的架設網頁的軟體，不過他就像是一個傻瓜編輯器，你可能懂一些網頁語法的邏輯，不過仍離程式開發非常遙遠，但大學畢業後我卻進了遊戲代理公司。 約莫在 2007 年前後，買了一本很厚 Ruby On Rails 的書，想說加減學學，搞不好學得起來，
人工智慧（AI）正以前所未有的速度重塑軟體開發。從程式碼生成、偵錯到自動完成，AI 程式開發助手已成為工程師不可或缺的利器，更是科技巨頭競相搶佔的戰略高地。 市場明星 Cursor（Anysphere 產品）因強大功能備受開發者青睞，業務成長驚人，曾傳年經常性收入（ARR）達三億美元，並朝百億美元估值融資。然而，Anysphere 展現強烈獨立意願，兩度婉拒 OpenAI 洽購，堅持獨立發展，成為 OpenAI 難以企及的目標。 錯失 Cursor 後，OpenAI 繼續尋找目標。面對基礎模型競爭白熱化，對手模型在程式碼相關測試表現強勁，OpenAI 必須快速拓展應用層，尋找新成長引擎。光有強大模型不足以維持優勢，OpenAI 必須在應用層建立產品，掌握用戶與數據，創造商業價值。相較自行從零開發，收購成熟產品是更快取得市場與用戶的方式。正如一位創投所言，對 OpenAI 而言，在應用層進行收購，
在現代戰爭或偏遠地區任務中，「時間」與「情資」是決定成敗的關鍵。想像一下，一個偵察小組深入敵後或人煙罕至的地帶，他們需要架設指揮、控制、通訊與計算（Command, Control, Communications, and Computing, C4）系統。