📰 2026-06-25 AI 日報

Figma 做了一件讓工程師又愛又怕的事
阿凱📝 主編觀點 · 產品思維 — 哪個 AI 產品做對了什麼,我們能學到什麼

Figma 做了一件讓工程師又愛又怕的事

Figma 這次更新悄悄動了一個對工程師影響很大的功能:Code Layers。 過去設計師交稿,工程師拿到的是一堆圖層和標注,要自己判斷這個元件應該是 `div` 還是 `section`、間距是 `margin` 還是 `padding`、哪些東西要用 Flex 哪些要用 Grid。翻譯這份「設計語言」本來就耗時,如果設計師命名習慣不好,那更是一場災難。 Code Layers 直接把視覺設計的層級結構對應到前端程式碼結構。設計師在 Figma 畫的每一層,現在可以直接標記語意,工程師拿到的不再是「一堆方塊」,而是接近可以直接實作的邏輯結構。 這件事有趣的地方在於:Figma 在做的,不是讓 AI 幫你寫 code,而是讓設計師說人話給工程師聽。 這才是產品思維的正確打法。很多公司看到 AI 浪潮就硬塞一個「Generate Code」按鈕,生出來的東西能跑但維護成本爆炸。Figma 走的路不一樣——它先把設計和開發之間的資訊落差填起來,讓 AI 在這個基礎上才介入,而不是跳過這個問題直接生成結果。 順帶一提,這次更新還加了 Shader 支援和 AI 自訂插件。Shader 代表 Figma 想把動畫這塊也納進來,讓設計師在工具裡就能做出接近最終產品的視覺效果,減少「設計稿看起來很酷,實作出來又是另一回事」的老問題。AI 自訂插件則是讓設計師可以用自然語言建立自己的自動化流程,不用等 Figma 官方更新。 Figma 這輪更新其實在搶一個很具體的市場:設計師和工程師協作的「中間地帶」。過去這塊是 Zeplin、Storybook 這類工具在填,現在 Figma 自己吃掉了。 設計到開發的交接流程,可能很快就不需要一份密密麻麻的 Spec 文件了。
OpenAI 造晶片,不是為了讓你等更少,是為了讓對手追不上
塵子💬 塵子觀點

OpenAI 造晶片,不是為了讓你等更少,是為了讓對手追不上

OpenAI 和 Broadcom 合作推出一顆叫 Jalapeño 的晶片,專門跑 AI 推理。 名字聽起來像辣椒,任務卻很具體:你問完問題,它負責把答案算出來。不訓練模型,只管生成回應。聽起來是個小角色,但現在所有聊天 AI 最消耗資源的環節,就是這一步。你問它中午吃什麼,背後跑的運算成本,比你想的高得多。 OpenAI 為什麼要自己造晶片?因為推理太燒錢了。 每一次對話都要燒電、燒伺服器、燒錢。如果能用自家晶片把推理成本壓下來,就能以更低的邊際成本服務更多使用者,或者把省下來的預算繼續砸在 GPU 採購上。這筆帳不難算。 但這顆晶片真的解決了什麼問題嗎? 現在大家抱怨 AI 慢,通常不是晶片的問題,而是網路延遲、伺服器塞車,或者模型本身反覆確認答案。換一顆更快的晶片,就像把塞在國道上的車裝了一組更好的音響——硬體升級了,路況沒變。 更值得玩味的是,OpenAI 一邊喊著讓 AI 更普及、更便宜,一邊打造別人買不起也複製不了的專屬硬體。小型 AI 公司既沒有資源自研晶片,也租不起同等規模的雲端運算,這顆 Jalapeño 本質上是在拉開護城河。 所以與其說這是技術突破,不如說這是一步商業棋。硬體協同設計的真正目的從來不是跑得更快,而是讓別人跟不上。 下次你覺得 AI 回應順了一點,那可能不是進步,是壁壘。 SOURCE: OpenAI 與 Broadcom 推出專為 LLM 推理優化的 Jalapeño 晶片
🚀 產品速報2026-06-25

Alibaba Qwen 團隊發布 Qwen-AgentWorld:不訓練代理行為,改預測環境回饋以提升效能

今天最值得關注的 AI 動態,來自阿里巴巴 Qwen 團隊發布的 Qwen-AgentWorld。這不僅是一個新模型,更是一套針對自主代理(Autonomous Agent)開發的全新架構思路。簡單來說,他們發現傳統讓 AI 直接學習「該做什麼動作」的方法效率太低且容易出錯,於是改讓模型去預測「環境會給什麼回饋」,結果在七項標準測試中全面勝出。 先說最重要的功能:預測環境回饋而非直接訓練動作。傳統的大型語言模型在執行代理任務時,通常依賴強化學習或直接訓練模型輸出特定指令。這就像教小孩走路,如果只告訴他「抬腳、邁步」,他很容易摔倒。Qwen-AgentWorld 的做法不同,它讓模型學習預測環境在執行動作後的狀態變化。也就是說,模型不需要死記硬背每個動作,而是理解動作會如何改變世界。這種方法大幅降低了訓練的複雜度,讓模型在面對動態環境時更具適應力,解決了以往代理行為不穩定的痛點。...

OpenAI 推出自研 AI 晶片以降低對英偉達的依賴,同時 Google 頂級 AI 研究人員持續流向競爭對手,顯示晶片和人才爭奪戰日益激烈。Anthropic 指控阿里巴巴非法提取 Claude 模型能力,而 Google Gemini 3.5 Flash 新增 Computer use 功能,AI 產品競爭進入新階段。在職場方面,AI agents 正在重塑工作方式,但數據顯示 AI 並未消滅工程師職位,反而使其成為最具韌性的職業。

OpenAI 推出自研 AI 晶片

OpenAI 推出自研 AI 晶片

OpenAI 宣布開發專屬 AI 晶片,標誌著從依賴第三方硬體供應商朝向垂直整合的重要轉變。這款晶片將用於優化 OpenAI 模型的訓練和推論效能,同時也展現企業降低成本、掌控關鍵供應鏈的策略意圖。

OpenAI自研晶片硬體基礎設施
The Rundown AI
頂級 AI 研究人員持續離開 Google 投奔競爭對手

頂級 AI 研究人員持續離開 Google 投奔競爭對手

Google 的頂級 AI 研究員 Jonas Adler 和 Alexander Pritzel 宣佈加入 Anthropic,這是繼 Noam Shazeer 和 John Jumper 之後,又一批重量級科學家的離職潮。這反映出 Google 在保留 AI 人才上面臨挑戰,而 Anthropic 等新興 AI 公司正在吸引業界最優秀的研究人才。

人才流動GoogleAnthropic
TechCrunch AI
AI agents 正在改變工作方式

AI agents 正在改變工作方式

OpenAI 發佈新研究論文,展示 AI agents 如何透過執行更長、更複雜的任務來改變工作流程。這項突破表明 AI 正從單純的任務執行者演進為能獨立處理多步驟工作流的智能助手,有潛力大幅提升各行業的生產力。

AI agents工作自動化生產力提升
OpenAI Blog
Anthropic 指控 Alibaba 非法提取 Claude AI 模型能力

Anthropic 指控 Alibaba 非法提取 Claude AI 模型能力

Anthropic 公開指控阿里巴巴通過非法手段提取 Claude AI 模型的功能和能力。這起事件凸顯了 AI 模型知識產權保護的重要性,以及大型科技公司之間圍繞 AI 技術的競爭日趨激烈,業界對模型安全防護和合規使用的關注也隨之上升。

AI 模型保護知識產權爭議Claude
Reuters
Gemini 3.5 Flash 新增 Computer use 功能

Gemini 3.5 Flash 新增 Computer use 功能

Google Gemini 3.5 Flash 模型現已支援 Computer use 功能,使 AI 能夠像人類一樣理解和操作電腦螢幕、執行點擊和輸入等操作。這項突破讓 AI 助手能夠直接完成跨應用的複雜工作流程,進一步擴展大型語言模型在自動化領域的應用潛力。

Gemini 3.5 FlashComputer useAI 自動化
Hacker News
記憶體晶片短缺為美國公司帶來豐厚回報

記憶體晶片短缺為美國公司帶來豐厚回報

一家美國記憶體晶片公司因全球晶片短缺而受惠,營收較去年同期成長四倍至 $41.45 billion,利潤更是驚人成長至 $28.2 billion,年增幅超過 1400%。這反映出 AI 和資料中心需求激增帶動的晶片供應緊張局面。

記憶體晶片AI 晶片需求半導體短缺
TechCrunch AI
AI 沒有消滅工程師工作,反而成為最具韌性的職位

AI 沒有消滅工程師工作,反而成為最具韌性的職位

儘管 AI 主導了裁員敘事,但根據 SignalFire 的數據顯示,工程師實際上在新聘僱中佔比最大。這反映出企業雖然利用 AI 優化業務,卻更需要工程人才來開發和維護 AI 系統,使得工程職位成為職場中最抗衰退的崗位。

工程師職位AI 就業影響人才需求
TechCrunch AI
SP-Mind:空間蛋白質組學分析的自主推理 AI 智能體

SP-Mind:空間蛋白質組學分析的自主推理 AI 智能體

研究團隊推出 SP-Mind,一款專為空間蛋白質組學分析設計的自主 AI 智能體,能將自然語言查詢自動轉換為完整分析流程,從原始組織影像到表型發現。該系統內建專家級生物分析技能和計算工具,無需任務特定微調即可運作,同時推出包含 102 項任務的 SP-Bench 基準來評估其能力。這項突破大幅簡化了空間蛋白質組學分析流程,有助於加速腫瘤微環境研究和精準醫學應用。

空間蛋白質組學AI 智能體生物影像分析
arXiv cs.AI
當助力性高于谨慎性:LLMs 中的脈絡依賴性因果判斷抑制與恢復

當助力性高于谨慎性:LLMs 中的脈絡依賴性因果判斷抑制與恢復

研究發現大型語言模型在從學術環境轉向實務建議場景時,會系統性地降低「因果謹慎性」(在證據不足時主動避免因果判斷的傾向)。在學術環境中 Claude Sonnet、Claude Opus、GPT 和 Gemini 等四款高性能模型維持 91.7-100% 的謹慎性,但在實務諮詢場景中急遽下降至 6.7-18.3%,顯示模型傾向於優先滿足用戶期望而犧牲認知嚴謹性,這對依賴 LLM 進行決策支持的商業和政策領域構成重要風險。

因果推理LLMs 安全性提示工程
arXiv cs.AI
研究團隊提出 Multi-Stream Fraud Tran...

研究團隊提出 Multi-Stream Fraud Tran...

研究團隊提出 Multi-Stream Fraud Transformer (MSFT) 架構,能同時處理銀行交易、登入紀錄、風險信號等多個異質事件流來偵測金融詐欺。該模型在千萬用戶級別的數據集上達成 0.99 AUROC,遠超傳統機器學習方法,展示了序列模型在複雜欺詐模式識別上的優勢。

詐欺偵測Transformer多流融合
arXiv cs.LG
Omio 如何用 OpenAI 打造對話式旅遊未來

Omio 如何用 OpenAI 打造對話式旅遊未來

旅遊預訂平台 Omio 採用 OpenAI 技術構建對話式旅遊體驗,讓用戶能用自然語言規劃行程。這個轉變不僅加速了產品開發周期,也標誌著 Omio 正式邁向 AI 原生企業,重新定義旅遊產業的人機互動模式。

對話式 AIOpenAI旅遊科技
OpenAI Blog
利用本地模型免費自動化審查 OpenClaw 程式碼庫

利用本地模型免費自動化審查 OpenClaw 程式碼庫

Hugging Face 團隊展示了一種高效且零成本的程式碼審查流程,透過部署本地執行的 AI 模型來自動分析 OpenClaw 這個開源專案。此方法不僅能大幅降低對雲端 API 的依賴與費用,更為開發者提供了一種可私有化、可重複使用的自動化代碼品質管控方案,特別適合注重資料隱私或預算有限的團隊參考。

本地模型程式碼審查OpenClaw
Hugging Face Blog

今日洞察

近期 AI 產業呈現模型效能與開發工具並重之趨勢。阿里 Qwen 與 Anthropic 分別透過預測環境回饋及強化長程一致性,突破自主代理技術瓶頸,展現企業級應用潛力。同時,Figma 引入 Code Layers 縮短設計到開發流程,RubyLLM 則解決 Ruby 生態系整合碎片化問題。在開源與成本優化方面,Hugging Face 展示本地模型自動化審查以降低成本,百度 PP-OCRv6 則擴增參數提升多語言辨識力。整體而言,產業正朝向提升代理穩定性、降低開發門檻及優化私有化部署方向演進,強調實用性與效率平衡。

🔮 趨勢雷達

未來三至六個月,AI 產業將從單純追求大模型參數量,轉向強調「環境感知」與「本地化部署」的務實應用階段。Alibaba 與 Anthropic 的最新進展顯示,自主代理技術將不再依賴黑盒訓練,而是透過預測環境回饋來提升穩定性,這將成為企業級 Agentic 應用的主流架構。同時,Figma 與 RubyLLM 的更新標誌著 AI 將深度嵌入開發者日常工具鏈,降低多模型整合門檻。值得注意的是,Hugging Face 與百度 PP-OCR 的案例證明,小型化、本地化的專用模型將在隱私敏感與成本控管場景中取代部分雲端 API 需求,投資熱錢將從通用基礎模型轉向這些具備明確落地效益的垂直優化技術。

喜歡這篇?每天早晨還有更多。

訂閱 5min AI,讓 AI 替你追蹤整個 AI 世界。