大神觀點
本篇出自 2026年8月9日 晨報
他在離職當天以本人帳號首度說明新公司的技術路線，這是各家媒體轉述裡完全沒有的一手口徑：「我們的總體作法是把實驗迴圈自動化。我們認為這個作法在許多不同的科學與工程領域都廣泛適用。我們初期會聚焦在機器學習研究與工程，但相信它對美國國家工程院十四項重大挑戰裡幾乎每一項的重要子問題都幫得上忙。我們認為要把這件事做好，需要在機器學習與大規模系統兩方面都有很強的專業能力。」（原文，2026-08-05）他把它定義成系統問題而不是模型問題。這解釋了共同創辦人裡為什麼有 MapReduce 與 Bigtable（大規模資料處理的底層系統）的共同作者，而不是清一色的模型研究者。這個方向不是空地：Sakana AI 的 AI Scientist 在賣同一套東西，Sakana 的共同創辦人 David Ha 當天公開背書，但他自家產品就在這條線上，不算獨立驗證。⚠️ 原文寫的是「未來幾週內完成種子輪」，不是已完成募資；零成果、零展示、零第三方。
他說廣泛適用卻只從機器學習開始，這個落差本身就是資訊，而同一週有人給了機制。Arc Institute 共同創辦人 Patrick Hsu 8 月 4 日談為什麼生物學沒有神童：「實驗科學的回饋迴圈比數學與計算領域慢得多，而且生物實驗需要一種純理論領域用不到的東西：動手操作的細膩度與耐力。」（原文，2026-08-04）把兩段接起來：自動化一個迴圈的價值，取決於那個迴圈原本轉得多快、以及迴圈裡有多少事非人不可。機器學習是唯一一個「跑一次實驗＝送一個計算工作」的領域；在濕實驗領域，你自動化掉的是迴圈裡最不花時間的那一段。 ⚠️ 這是本報把兩位發言接起來的推論，兩人互不引用；Hsu 的機構正押注純計算做生物發現，他的樂觀預測與自身路線一致，反倒是那段限制陳述對他自己不利，可信度較高。能拿走的一句： 評估任何「AI 做科學」的標的時，先問這個領域跑完一次實驗要多久、那次實驗能不能不靠人跑完——回饋迴圈的長度比模型能力更能預測兌現速度。本報 8/8 期講過同一族的「可驗證性三層」框架，今天新的是它有了具名建制者的版本與一個當週的資本配置實例。
只留 email，隨時退訂。這是我們唯一想請你做的事。
他把「可驗證」拆成三層並得出一個關於速度的結論（原文）：第一層程式可驗證、驗證幾乎免費——遊戲、寫程式、數學、資安、晶片設計；第二層真實世界可驗證、受成本或時間所限：生醫、材料、能…
Anthropic 7 月 24 日發布 Claude Opus 5，定位中型，官方自述定價約旗艦 Fable 5 的一半，也稱多數實務任務追平旗艦。(誠實說明：本報 7/27 期…
：今天的模型比半年前「更有企圖心」。這裡說的 agent，指能自主連續執行多步驟任務的 AI 系統。舊一代 agent 不斷把專案降級成試點，現在的模型急著真的把事做完；他把這歸因…
：多數人——包括會議室裡拍板的人——連最基本的「AI 丸」都沒吞（吞藥丸＝接受現實的英文比喻）：「他們不相信 AI 有朝一日能做到它現在已經在做的事」。他把落差釘在已實現能力上：認…