四月第二週的 AI 產業新聞，把幾個長期累積的壓力鍋一次炸開了。OpenAI 面臨第一次真正意義上的供應鏈資安事件， Anthropic 則用一個超大型的安全研究計畫回應「AI 會不會毀滅世界」這個老問題。同一時間，OpenAI 的企業戰略終於露出完整的輪廓，Cursor 3 則宣告 AI 輔助程式開發進入下一個階段。
這不是一週的個別事件，而是幾條長期趨勢線在同一個時間點交叉的結果。供應鏈安全、企業採用、媒體控制權、開發者工具——四個看起來不相關的領域，其實都在回答同一個問題：AI 正在從「實驗室裡的玩具」變成「每天都被依賴的基礎建設」，這個轉變會怎麼衝擊既有的遊戲規則？
---
Axios 事件：AI 公司第一次面對真正的供應鏈危機
三月三十一日，一個名為 Axios 的 JavaScript 開發工具被植入惡意程式碼。這不是什麼大事——這類攻擊每個月都會發生幾次。但這次的受害者包括 OpenAI，而且影響的是 macOS 應用程式的簽章憑證。
這件事之所以重要，不是因為攻擊本身有多精巧，而是因為它暴露了一個產業長期假裝看不見的問題：AI 公司的軟體供應鏈，跟一般軟體公司一樣脆弱。甚至更脆弱，因為 AI 公司的應用程式通常被賦予更高的權限、接觸更敏感的資料。
OpenAI 的官方說明很清楚：三月三十一日，一個用於簽署 macOS 應用程式的 GitHub Actions 工作流程，下載並執行了被污染的 Axios 版本（1.14.1）。這個工作流程擁有簽署 ChatGPT Desktop、Codex、Codex-cli 和 Atlas 的憑證權限。OpenAI 的分析結論是，因為時間點和其他緩解因素，憑證「可能」沒有被成功竊取——但他們選擇假設最壞的情況，撤銷舊憑證、發布新版本。
這個決定值得肯定，但背後的問題更值得追問：為什麼一個簽署生產環境應用程式的工作流程，會使用「浮動標籤」而不是「特定 commit hash」？為什麼沒有設定「minimumReleaseAge」來防止剛發布的套件被立即採用？這些都是基本的供應鏈安全衛生習慣，但顯然連 OpenAI 都沒有落實。
更廣泛來看，這件事暴露了 AI 產業的一個系統性風險：AI 模型和工具的開發流程，高度依賴開源生態系，但這些公司對開源依賴的管理成熟度，往往落後於傳統軟體公司。一個 JavaScript 函式庫被污染，就可能影響到 OpenAI 的桌面應用程式簽章；未來如果一個 Python 機器學習套件被污染，影響的範圍可能更大。
OpenAI 給了使用者一個月的時間更新應用程式（五月八日舊版將停止運作）。這個時間窗口某種程度上反映了問題的嚴重性：不算緊急到要立即切斷服務，但也不能假裝沒事。對使用者來說，這是一次提醒：即使是 OpenAI 這樣的公司，資安防禦也可能有漏洞；對產業來說，這是一次警鐘：供應鏈安全不是「別人的問題」。
有趣的是，這次攻擊來自北韓的威脅行為者。這不是第一次，也不會是最後一次。隨著 AI 公司掌握的資料和運算資源越來越值錢，它們成為國家級攻擊目標的可能性只會增加。OpenAI 這次的處理方式——公開說明、快速更新、不逃避問題——樹立了一個不錯的先例，但如果未來攻擊更精密、影響範圍更大，這樣的處理方式還能撐得住嗎？
---
Project Glasswing：當 AI 模型比人類更會找漏洞
Anthropic 在四月七日宣布 Project Glasswing，一個聯合 AWS、Apple、Google、Microsoft、NVIDIA 等科技巨頭的安全計畫。背後的關鍵，是一個名為 Claude Mythos Preview 的新模型——這個模型的漏洞發現能力，已經超過絕大多數人類安全研究員。
這不是誇張。Anthropic 公開的數據顯示，Mythos Preview 在過去幾週內發現了數千個零時差漏洞，涵蓋所有主流作業系統和瀏覽器。其中三個例子特別令人印象深刻：一個存在了二十七年的 OpenBSD 漏洞（這是一個以安全著稱的作業系統）、一個隱藏在 FFmpeg 裡十六年的漏洞（這個媒體處理函式庫被無數軟體使用）、以及 Linux 核心「本地提權」——三個不同的漏洞被串接起來，讓攻擊者可以從普通使用者權限直接取得系統完全控制權。
更讓人冷汗直流的是，這些漏洞不是靠人類提示詞引導發現的。Mythos Preview 幾乎完全自主地完成了整個流程：讀程式碼、理解邏輯、發現弱點、設計攻擊路徑。換句話說，AI 已經可以在沒有人類指導的情況下，找到並利用軟體漏洞。
這件事的商業和戰略意涵非常深。
首先是「不對稱」的問題：同樣的能力，可以用來修補漏洞，也可以用來攻擊系統。Anthropic 選擇先讓合作夥伴使用 Mythos 來強化防禦，並承諾投入一億美元的使用額度和四百萬美元的直接捐贈給開源安全組織。但這只是爭取時間。這個模型存在的事實意味著：未來幾個月到幾年內，類似的能力必然會擴散到願意付錢就能取得的範圍。當那發生的時候，防禦方是否還能保持優勢？
第二個問題是「責任揭露」的邊界在哪裡。Anthropic 選擇先報告漏洞給維護者、等修補完成後再公開細節。但有些漏洞還在等待修補，他們用加密雜湊的方式「預告」存在。這種做法在安全研究圈不算新鮮，但當發現漏洞的速度和數量都大幅增加時，傳統的漏洞通報和修補流程還能跟得上嗎？
第三個層面是「經濟誘因」的改變。過去，找到一個高價值漏洞的門檻很高——你需要深厚的技術功底和大量時間。現在，AI 模型把這個門檻大幅降低。這意味著黑市的漏洞價格可能會下跌（供給增加），但同時，防禦方必須更快修補更多漏洞（成本增加）。這對整個生態系的經濟模型會產生什麼樣的衝擊？
Anthropic 把 Project Glasswing 定位為「防禦先行的嘗試」——在 AI 駭客能力擴散之前，先讓防禦方熟悉這些工具。這是一個合理的策略，但能不能趕得上 AI 進步的速度，才是真正的問題。
從台灣的角度看，這件事有特殊的意義。台灣的半導體和硬體產業是全球供應鏈的關鍵節點，而這些產業的軟體安全水準往往不如純軟體公司。如果 AI 模型可以找到軟體漏洞，未來也不排除能找到韌體和硬體設計的缺陷。台灣企業需要更認真看待這個趨勢——不是「如果我們被攻擊」，而是「當 AI 能找到我們的漏洞時，我們準備好了嗎」。
---
OpenAI 的企業戰略終於說清楚了
OpenAI 在四月八日發布了「企業 AI 的下一階段」文章，由新加入的企業負責人執筆。這篇文章終於把 OpenAI 的企業戰略說到一個普通人能理解的程度：Frontier 是底層智慧層，統一的超級應用是員工入口，Agent 是執行單元。
更重要的數據是：企業營收現在佔 OpenAI 總營收的四成以上，預計在 2026 年底與消費者業務持平。Codex 每週活躍用戶突破三百萬人，API 每分鐘處理超過一百五十億個 token。這些數字說明一件事：OpenAI 已經不是那個「靠 ChatGPT 訂閱賺錢」的公司了，它正在變成企業 AI 基礎建設的提供商。
這個轉變背後的邏輯其實很清楚：消費者市場飽和得快、競爭激烈、價格敏感度高。企業市場則相反——客單客單價高、續約率高、而且願意為穩定和支援付溢價。OpenAI 選擇同時經營兩個市場，用消費者市場建立品牌和使用習慣，用企業市場建立真正的營收基礎。
Frontier 平台的定位特別值得注意。OpenAI 把它描述為「企業 Agent 的作業系統」：連接內部系統、外部資料來源、管理權限和控制。這跟微軟試圖用 Copilot Studio 建立的生態系直接競爭。差別在於，OpenAI 沒有自己的企業應用軟體，所以不會有「既當裁判又當球員」的利益衝突問題；但反過來說，OpenAI 也少了微軟那樣的「土地」——當企業導入 OpenAI 的時候，還是要自己搞定整合和部署。
OpenAI 的解法是建立合作夥伴生態系：麥肯錫、BCG、Accenture、Capgemini 擔任顧問合作夥伴，AWS、Databricks、Snowflake 提供基礎建設層的整合。這種做法的好處是快速擴張；壞處是 OpenAI 自己對終端客戶的掌控力有限，而且要跟這些合作夥伴分享利潤。
另一個值得關注的點是「統一 AI 超級應用」的概念。OpenAI 正在把 ChatGPT、Codex、agentic 瀏覽等功能整合到一個體驗裡。這某種程度上是在追趕企業協作工具的發展——Notion、Linear、Asana 都試過類似的路徑，只是從不同起點出發。OpenAI 的差異在於，它有 ChatGPT 這個消費者入口——九億週活躍用戶——這意味著很多員工已經知道怎麼用 OpenAI 的產品，降低了企業導入的訓練成本。
從台灣企業的角度看，OpenAI 的企業戰略釋放了一個重要的訊號：AI 正在從「一個一個獨立的工具」變成「統一的基礎建設」。這意味著企業在選擇 AI 方案的時候，要考慮的不只是「某個產品好不好用」，而是「這個產品會不會變成孤島」。OpenAI 的賭注是，企業會選擇一個能統一管理所有 Agent 的平台，而不是一堆各說各話的單點解決方案。這個方向會不會成功，要看他們能不能搞定「整合」這件苦差事。
---
收購 TBPN：OpenAI 進軍媒體內容
OpenAI 收購 TBPN（Technology Business Programming Network）的消息，在四月二日公開。這是一家每天直播三小時的科技談話節目，《紐約時報》形容它為「矽谷最新的迷戀」。收購金額未公開，但從 TBPN 的定位——AI 和科技圈的第一手評論——可以猜測這不是一筆大金額的交易。
比起金額，更值得問的是：為什麼要買？
OpenAI 的官方說法是「加速全球 AI 對話」。更具體地說，OpenAI 認為傳統的企業溝通模式不適合他們，他們需要一個「真實對話」的空間，讓開發者和使用者可以在那裡討論 AI 帶來的變化。TBPN 已經在這個領域有影響力，所以直接買下來比自己從頭做快。
這個邏輯在技術圈不新鮮。大型科技公司買媒體或內容工作室，通常是為了控制輿論或建立品牌。微軟買過好幾個遊戲工作室，Google 買過 YouTube。差別在於，TBPN 的定位是「即時評論」，而且強調「編輯獨立性」——OpenAI 說他們會讓 TBPN 繼續自己選題、選來賓，不做干預。
這種承諾能維持多久，才是真正的問題。TBPN 的價值來自於它的可信度，而可信度部分來自於願意批評 OpenAI。如果未來 TBPN 變成 OpenAI 的傳聲筒，它的價值就會流失。OpenAI 說他們知道這一點，所以承諾保護這種獨立性。但在企業壓力、監管壓力、或輿論風向改變的時候，這個承諾還能撐得住嗎？
從媒體生態的角度看，這件事反映了 AI 公司對「敘事控制權」的渴望。過去，科技公司的主要公關手段是發新聞稿、開記者會、買廣告。但在 AI 時代，技術變化太快、太複雜，傳統的新聞週期跟不上了。科技公司需要即時的、有深度的、而且願意理解技術細節的媒體來解釋他們在做什麼。買下一家已經在經營這種內容的媒體，比自己培養一個公關團隊更有效率。
對台灣的 AI 創作者和媒體來說，這件事有雙重的啟示。一方面，AI 公司願意為「優質內容」付錢，這代表內容創作者有議價空間；另一方面，如果 AI 公司開始控制重要的內容平台，獨立評論的空間可能會被壓縮。如何在這兩股力量之間找到平衡，是所有 AI 時代內容工作者都要面對的問題。
---
Cursor 3 與 Bugbot 自我學習：程式開發的第三時代
Cursor 在四月二日發布了 Cursor 3，四月八日又發布了「Bugbot 自我學習」功能。這兩件事加在一起，宣告的是一個更宏大的趨勢：AI 輔助程式開發正在從「人類主導，AI 幫忙」進入「Agent 主導，人類監督」的階段。
Cursor 3 的核心改變是介面重設計。之前 Cursor 是 VS Code 的分支，沿用 VS Code 的介面邏輯。現在 Cursor 3 把介面重新設計成「Agent 為中心」：所有 Agent（本地的、雲端的）都在同一個側邊欄管理，可以在本地和雲端之間無縫切換，雲端 Agent 的結果會以「Demo 和截圖」的方式呈現。簡單說，人類不再是「寫程式碼」，而是「看 Agent 做了什麼，決定要不要接受」。
Bugbot 的自我學習功能更進一步。Bugbot 是 Cursor 自家的 AI 程式碼審查工具。過去，它的改進來自離線實驗；現在，它可以從每一次實際審查的結果中學習。如果開發者按了「沒用」，Bugbot 會學到這個建議不好；如果人類審查者抓到了 Bugbot 沒抓到的問題，Bugbot 也會學到。這種「線上學習」的結果是：Bugbot 的「解決率」（真正被接受的建議比例）從 52% 提升到接近 80%，比其他競爭對手（Greptile 63%、CodeRabbit 49%、GitHub Copilot 47%）都高。
這兩件事合起來，反映的是 Cursor 團隊對「第三時代」的判斷。第一時代是人類手寫程式碼，第二時代是 Copilot 這類「AI 幫忙寫片段」，第三時代是「 fleets of agents work autonomously」。Cursor 正在為第三時代建造基礎建設：統一的工作空間、無縫的本地/雲端切換、以及能自我改進的 Agent。
從開發者的角度看，這意味著工作的本質正在改變。過去，程式設計師的工作是「把想法翻譯成程式碼」；未來，程式設計師的工作可能是「定義目標、給出邊界條件、監督 Agent 執行、審查結果」。這不是說程式設計師會消失，而是說程式設計師需要的技能組合會改變——從「寫程式碼的能力」變成「描述需求的能力」和「評估結果的能力」。
對台灣的軟體產業來說，這個趨勢意味著幾件事。首先，開發效率的差距會擴大——善用 AI Agent 的團隊，可能比傳統團隊快五倍到十倍。其次，經驗的價值會重新定義——不是「記得什麼語法怎麼寫」，而是「知道系統架構應該長什麼樣」。最後，開發者的職涯路徑可能會分化——有些人會變成「Agent 訓練師」，有些人會變成「結果評估者」，有些人會繼續擅長那些 AI 還做不好的事情（比如理解業務脈絡、處理政治問題）。
---
如果今天只能記住一件事
這週的新聞如果只能用一句話總結：AI 正在從「示範技術能力」進入「承擔實際責任」的階段。無論是 OpenAI 處理供應鏈資安事件、Anthropic 用 AI 找漏洞來強化防禦、OpenAI 的企業戰略清晰化、還是 Cursor 的 Agent 化工具——核心都在同一個方向：AI 不再只是「有趣的玩具」，而是「每天都被依賴的基礎建設」。
當 AI 承擔更多責任，原本只是「技術問題」的事情會變成「社會問題」。供應鏈安全不是技術問題，是信任問題；漏洞發現能力不是技術問題，是權力問題；企業 AI 平台不是技術問題，是競爭問題。技術圈的人習慣用「技術進步」的框架理解這些事件，但未來的框架可能要更廣——更接近「基礎建設」或「公共事務」的框架。
這不是說技術不重要，而是說技術的重要性已經溢出了「技術圈」。理解這個轉變，可能是接下來幾年最關鍵的能力。
-- 本文作者為 AI 產業長期觀察者，觀點僅供參考 --
