開場白
OpenAI 的模型正在幫 AMD 修改 GPU 電路設計,部分修改甚至已經送去製造,今天,也就是2026年11月18日,AI 不只寫程式,還動手參與造晶片。花旗銀行則更新 AI 代理人存取帳戶的條款,萬一出了事誰可能得買單,等一下告訴你,還有 Snapchat 如何讓創作者用聊天方式製作 AR 濾鏡。
本日重點新聞
1. OpenAI 模型協助推進晶片設計
- 來源: OpenAI(原文連結)
- 摘要: OpenAI 表示,它的模型協助 AMD 優化旗艦 GPU 的電路設計,部分指標相較既有優化基準,最高改善 14%。AMD 已經把部分修改納入送交製造的設計,等於 AI 提出的建議不只停留在草稿上。
- 最驚訝的點: AI 協助調整的部分電路設計,已經進入送交製造的版本。
- 台灣觀點: 台灣有完整的晶片設計與製造產業,AI 若能協助工程師探索更多設計選項,可能改變部分研發流程。不過,不同指標的改善未必等於整顆晶片效能都提升 14%,實際效果還是得看具體測試。
- 討論要點:
- 把 AI 想成會提出候選方案的設計夥伴,工程師該如何驗證它的建議?
- 電路設計效率提升,會如何影響台灣晶片人才需要具備的能力?
2. 更多銀行表示,使用 AI 代理人的客戶可能得自行承擔損失
- 來源: TechCrunch(原文連結)
- 摘要: 花旗銀行更新條款,指出客戶授權第三方 AI 代理人存取帳戶後,須對相關活動負責。TechCrunch 報導,即使代理人工具洩漏憑證或遭駭,客戶也可能承擔損失。
- 最驚訝的點: 把銀行帳戶交給 AI 助理幫忙,方便的同時,出事的帳單可能也跟著留給自己。
- 台灣觀點: 台灣開發者若要設計金融 AI 助理,除了功能好不好用,也得讓使用者看懂自己授予了哪些權限。各家銀行的條款與適用情況可能不同,使用前值得仔細確認。
- 討論要點:
- AI 代理人需要多少帳戶權限,才足以完成工作?
- 當第三方工具出問題,銀行、工具業者與客戶之間的責任該怎麼劃分?
3. Snapchat 讓開發者透過 AI 助手製作 AR 濾鏡
- 來源: TechCrunch(原文連結)
- 摘要: Snapchat 推出 Easy Lens CLI,讓創作者透過 Claude Code、Cursor 等 AI 助手,用自然語言指示製作、測試及發布 AR 濾鏡。Snapchat 表示,遊戲可以在一天內從構想變成發布的 Lens。
- 最驚訝的點: Snapchat 表示,腦中一個遊戲點子,有機會在一天內變成上線的 Lens。
- 台灣觀點: 對台灣的品牌與內容創作者來說,這類工具可能讓小團隊更容易嘗試互動活動。製作門檻降低之後,創意是否有趣、操作是否順手,可能更能決定作品能不能留住人。
- 討論要點:
- 自然語言降低製作門檻後,創作者還需要哪些測試與設計能力?
- 台灣品牌可以如何運用 AR 互動,讓活動不只是換上一個濾鏡?
4. Microsoft Ignite 宣布依需求在裝置端或雲端執行 AI 工作
- 來源: Microsoft(原文連結)
- 摘要: Microsoft 在2026年11月17日的 Ignite 宣布,Windows 上的 AI 工作可依需求選擇在裝置端或雲端執行。首批應用包括協助程式開發的 GitHub Copilot,以及處理日常工作的 Copilot。
- 最驚訝的點: 同一台 Windows 裝置上的 AI 工作,將可依需求分配到本機或雲端處理。
- 台灣觀點: 台灣有許多 PC 與硬體供應鏈業者,裝置端 AI 的發展值得持續關注。對企業來說,評估時也需要弄清楚不同工作會在哪裡執行,以及資料如何處理。
- 討論要點:
- 哪些工作適合交給裝置端處理,哪些可能需要雲端資源?
- 開發者設計應用時,該怎麼讓使用者理解資料的處理位置?
5. Microsoft 與跨產業組織發起 AI 透明度倡議
- 來源: Microsoft(原文連結)
- 摘要: Microsoft 在2026年11月17日宣布,與 Adobe、Mastercard 等超過 40 家組織發起 AI Transparency Initiative。這項倡議希望建立跨模型與供應商的共同治理方式,讓企業更容易追查 AI 模型與代理人的行為。
- 最驚訝的點: 超過 40 家組織一起討論 AI 透明度,因為企業想知道的不只是 AI 做了什麼,還有出了狀況怎麼追查。
- 台灣觀點: 台灣企業導入不同供應商的 AI 工具時,可能需要一套能看懂、能追查的管理方式。共同治理方式能否減少跨系統的管理負擔,還要看後續如何落實。
- 討論要點:
- 企業應該記錄哪些 AI 代理人行為,才有助於事後追查?
- 共同治理方式要如何兼顧不同供應商的工具與企業需求?
6. Google Cloud 公布 TPU 與 GPU 的 AI 訓練效能成績
- 來源: Google(原文連結)
- 摘要: Google Cloud 在2026年11月16日公布 MLPerf Training v6.1 成績,其中 8,192 顆 Ironwood TPU 在 1.70 分鐘內達到預訓練測試的目標品質。這段時間是從指定參考檢查點訓練到基準目標,並非從頭訓練完整模型。
- 最驚訝的點: 1.70 分鐘的成績很吸睛,但計時起點是指定檢查點,並不是模型訓練的起跑線。
- 台灣觀點: 台灣的資料中心與硬體業者關注 AI 運算效能時,也需要看懂基準測試的起點和目標。就像比較跑步成績,得先確認大家跑的是哪一段路。
- 討論要點:
- 看 AI 訓練基準成績時,除了時間,還應該注意哪些測試條件?
- 大量運算晶片一起工作,對資料中心的設計可能帶來哪些考量?
結尾段落
今天從 OpenAI 協助 AMD 設計晶片,聊到 AI 代理人使用銀行帳戶的責任,也看見 AI 工具正走進創作、個人電腦和企業管理。技術跑得快,理解它做了什麼、出了事誰負責,也同樣值得花時間。這裡是「Mark 的 Tech Insights」,我是沐妍,我們下次見!


























留言