Maki Chiang｜Notes (Page 12)

Maki Chiang｜Notes

Sign in Subscribe

Sora 獨立應用的死亡，是生態整合的必然

Sora 獨立應用的死亡，是生態整合的必然

OpenAI 關閉 Sora 獨立應用轉向 ChatGPT 整合，反映的不是技術失敗，而是單一功能應用在生成式 AI 時代的生存邏輯已經改變。

Apple 用免費企業服務鎖定中小企業，MDM 才是真正的籌碼

Apple 用免費企業服務鎖定中小企業，MDM 才是真正的籌碼

Apple 用免費企業服務吸引中小企業，但真正的目的是透過 MDM 和身份系統鎖定企業用戶，強化生態系控制力。

AI 編程助手的控制權問題：從被動補全到主動協商

AI 編程助手的控制權問題：從被動補全到主動協商

AI 編程助手的核心問題不在預測精度，在於開發者能否保持對代碼生成過程的主動權。折衷方案用協商代替推薦，代價是交互次數增加，收益是信心和控制力。

AI Coding 工具的真正競爭力在治理，不在模型分數

AI Coding 工具的真正競爭力在治理，不在模型分數

AI Coding 工具的競爭力已經轉向系統控制能力——context 管理、驗證迴圈、審計追蹤——而不是單點模型性能。

電腦操作自動化的天花板在於理解上下文

電腦操作自動化的天花板在於理解上下文

Claude Copilot 和 Dispatch 能自動化滑鼠鍵盤操作，但它們的天花板是視覺理解，不是邏輯理解——真正的業務決策還是得人工把關。

Vibe Coding 的真正威脅：你根本不知道自動裝了什麼

Vibe Coding 的真正威脅：你根本不知道自動裝了什麼

Vibe Coding 最大的風險不是 AI 寫爛代碼，而是自動依賴拉進了你看不見的惡意代碼——現有防禦機制本質上是被動的。

一個人 + 六個 AI，3 小時交出企業級提案

一個人 + 六個 AI，3 小時交出企業級提案

下午六點收到需求，晚上九點交出企業級提案。一個人 + 六個 AI 協作引擎，3 小時完成傳統團隊需要 1-2 週的工作。

AI 輔助的邊界：人類判斷不能外包

AI 輔助的邊界：人類判斷不能外包

AI 輔助最大的風險不是出錯，而是人開始不思考。設定明確的驗證邊界，才能避免把判斷力外包給工具。

Dispatch 和 Channels 不是同一件事

Dispatch 和 Channels 不是同一件事

Dispatch 和 Channels 都是自動化工具，但一個是為了通知人做決策，一個是為了讓流程自動跑到底。搞反了，自動化就會卡在該人工的地方。

圖結構減少幻覺，但你得先有個靠譜的圖

圖結構減少幻覺，但你得先有個靠譜的圖

用圖結構約束 LLM 能減少幻覺，但前提是你的知識完全確定、邊界清晰。超出預設邊界，系統一樣編造。

MCP 的死亡不在技術，在成本曲線

MCP 的死亡不在技術，在成本曲線

Perplexity 放棄 MCP 不是因為協議設計差，而是當模型足夠聰明且成本夠低時，直接調用比標準化協議更划算。

看懂了，卻改不了——午夜的 Maki 電台

看懂了，卻改不了——午夜的 Maki 電台

看懂了卻改不了，這是升級過程裡最不舒服的那一段。

自建 LLM 的三個隱形成本——硬體、隔離、架構

自建 LLM 的三個隱形成本——硬體、隔離、架構

自建 LLM 的成本不只在算力，硬體、隔離、架構的決策都會產生隱形開銷——而且通常被低估。

Claude Channels 的代價：異步執行換來的信任風險

Claude Channels 的代價：異步執行換來的信任風險

Claude Channels 用異步執行換來便利，但失去了即時反饋和安全邊界——企業用途需要重新思考權限管理和失敗恢復。

效率化幻覺 — 有 code 不等於有產品

效率化幻覺 — 有 code 不等於有產品

AI 工具讓 prototype 的速度變快了十倍，於是人們誤以為 production 也變快了十倍。我把這個現象叫做「效率化幻覺」。

開源模型的推理成本戰開始了

NVIDIA 推出 NemoClaw 參與開源推理社群，背後是晶片廠商在確保自己在開源推理生態中的位置。

代理型AI的瓶頸不在模型，在工程複雜度

代理型AI的瓶頸不在模型，在工程複雜度

代理型AI的普及瓶頸不在模型能力，而在工程複雜度和企業級信任——NemoClaw的推出邏輯說明了這一點。

開源工具的治理風險被大廠收購暴露了

開源工具的治理風險被大廠收購暴露了

uv 被 OpenAI 收購後，真正的風險不在代碼質量，而在於開源工具鏈的決策權正在集中到少數 AI 巨頭手上——開發者需要從評估技術本身，升級到評估治理風險。

Agent Skill 其實是把知識寫下來的成本遊戲

Agent Skill 其實是把知識寫下來的成本遊戲

Agent Skill 不是新的 AI 能力，而是把重複教學的成本前置成一次性定義——關鍵問題是：何時才能回本？真正的價值可能在於強制組織把隱性知識寫下來。

AI 人才溢價掩蓋了什麼

AI 人才缺口帶來溢價，但企業用它來掩蓋管理問題；真正的失敗原因往往是沒有搞清楚自己在解決什麼。

AI Agent 的決策暗影：結構化協議為什麼必要

AI Agent 的決策暗影：結構化協議為什麼必要

AI agent 的決策過程如果沒有結構化記錄，就無法從失敗中學習。結構化協議不是限制，而是讓決策可審計、可改進的基礎。

大模型競爭的真實邊界：垂直深度打敗平台廣度

大模型競爭的真實邊界：垂直深度打敗平台廣度

大模型競爭的勝負不在誰的基礎模型更強，而在誰對特定領域的理解更深；同時市場遠未壟斷，應用生態重疊率只有 11%，留給垂直玩家的空間比想像中大。

代理型 AI 的隱私困境：本地推理不是銀彈，架構才是

代理型 AI 的隱私困境：本地推理不是銀彈，架構才是

本地推理不是銀彈。NemoClaw/OpenClaw 解決的是隱私和延遲問題，但架構設計才是決定因素。

運行環境設計比模型選擇更決定 AI 系統的可靠性

運行環境設計比模型選擇更決定 AI 系統的可靠性

控制 AI 系統的關鍵不在選更好的模型，而在設計思考和執行分離、隱藏危險工具的運行環境。

大廠收購改變的不是工具，是開發者的選擇權

大廠收購改變的不是工具，是開發者的選擇權

大廠收購開源工具不只是資源增加，而是改變了維護動機和開發者的決策空間。