Sinclair Huang
0 位追蹤者
Sinclair Huang
0 位追蹤者
全部內容
由新到舊
作者從三十年職涯視角，闡述 AI 並非橫空出世，而是技術沿著斜坡逼近認知工作的必然。文章強調，雖然 AGI 具備讀懂現場的潛力，但「現場」的未語言化訊號、人際信任與最終責任承擔，仍是人類不可取代的護城河。AI 正在重新定價能力價值：標準化知識將貶值，而界定問題與承擔後果的責任能力將更加稀缺。
這篇完結篇主張：AI 已不再只是模型競賽，而正快速變成一套工業系統。真正的價值不會平均分布，而會集中在電力、封裝、記憶體、材料、認證與部署等最難被繞過的限制條件上。
一篇發表於《Nature Machine Intelligence》的 KIT 研究提醒我們：AI 不只加速科學，也可能開始影響哪些問題先被看見、被研究，甚至更早塑造研究議程。
從 TSMC 2024 年 20‑F、Micron 10‑K/10‑Q 與 SK Hynix 法說會出發，這篇不是看新聞摘要，而是回到原始文件：客戶預付款、HBM 毛利結構、資本支出強度，數字往往比敘事更誠實，也更清楚告訴我們 AI 供應鏈裡真正誰握有定價權。
## 從 EDM 看科學創新的雙生結構
EDM 不只是更好的研究評估指標；它揭示的是一個更深的事實：真正的突破，往往來自多點共振，而不是單點神話。
一篇關於 Embedding Disruptiveness Measure（EDM）的新研究，表面上是在提出一套用來辨識真正顛覆性科學成果的方法；但
最近大家談 AI 硬體，幾乎都只看到 GPU：NVIDIA 搶不到、產能不足、價格飆漲。其實真正決定「誰有資格說不」的關鍵，往往藏在 GPU 之前的幾層。這篇文章把 AI 計算供應鏈拆成 CoWoS、HBM、ABF 三個關鍵節點，試著畫出真正的權力地圖。
AF讓我們以前所未有的規模看見蛋白質結構，但真正決定功能與藥物可塑性的，往往是看不見的「運動」。本文以 MIT 的 VibeGen 與 ASU 的快速動態取樣為例，說明蛋白質 AI 正從靜態折疊預測，走向針對振動與隱性結合口袋的行為設計，並可能重塑藥物開發與 AI 生技產業的競爭版圖。
AI 算力不是只有 GPU，本篇用 HBM、CoWoS、ABF 三個關鍵環節，拆解 AI 伺服器真正卡在哪裡，以及在 Google、Amazon、Tesla 都自研晶片的時代，為什麼台灣仍是最難被取代的 AI 供應鏈核心之一。
這篇從 GPU 往下拆到 CoWoS、HBM、ABF 三層，指出市場在定價 AI 算力時常只看 GPU 供需，忽略更慢卻關鍵的實體瓶頸。CoWoS 是短期最容易改善的限制；HBM 因晶圓耗用與資格認證，成為中長期產能分配問題；ABF 與高階基板則是集中度極高、時間軸拉到 2030 的隱形風險。
AI 能模仿文風、生成內容，卻無法取代文字裡真實經驗與判斷的「人類痕跡」。它最先淘汰的是空洞內容，而非寫作本身。真正的危機在於：當摘要唾手可得，人是否還願意慢慢讀、慢慢想？資訊便宜的時代，獨立判斷才是真正的稀缺。
