AI 模型 & 產品更新
Claude Opus 4.7 — W22 的 production reliability 補刀
5/27-5/29 Anthropic 發 Claude Opus 4.7（W23 的 4.8 在這之後）這版的定位延續「reasoning + agentic + reliability」軸線，不是衝 frontier capability 的單點突破，是把可靠度往 production 等級推
Meta MTIA 二代 / SAM 3.1 / Muse Spark
5/29 Meta AI 把幾條線再推一輪：MTIA「兩年四晶片」自研推論晶片、SAM 3.1（即時影片偵測追蹤 + multiplexing）、Muse Spark（personal superintelligence framing）Meta 的 differentiation 持續綁「personal」對打對手的「assistant / agent」
Frontier LLM 對事實查核意見不一致
5/28 HN 熱稿（426 分）：一份研究指出 frontier 模型在真實世界 fact-check 上彼此意見分歧不是隨機錯，是不同模型對同一事實給不同判斷
我的觀察： 這對「用 AI 當事實來源」是直接警訊如果你做的東西要靠 LLM 判斷對錯（內容審核、合規、查證），別假設「換個更強的模型就準」— 不同 frontier 模型對同一件事都不一致，意味著關鍵判斷還是要有人類 + 可追溯來源做最後 gate
AI 開發工具 & Agent
「用 AI 寫 code 反而更慢」— 反 hype 的實證觀察
5/26 HN 熱稿：一篇「Using AI to write better code more slowly」點出一個多數人不講的現象 — AI 把打字加速了，但 review、溝通、把生成的東西改對的時間變多了，淨速度提升被高估
我的觀察： 這跟我自己的體感一致：AI 寫 code 的瓶頸早就不是「打字快不快」，是「我要花多久確認它寫的是對的」對接案 / 顧問，這條的意義是別把「AI 讓我快 10 倍」當報價依據真實的提升在「我能接更難的題、覆蓋更廣」，不在「同樣的東西做更快」
Zig 2026：No-AI Policy — 一個專案公開拒絕 AI
5/28 HN（影片，74 分）：Zig 語言 2026 宣布 No-AI Policy、離開 GitHub、$670K 基金會、解釋為什麼還不到 1.0在全業界擁抱 AI 的時候，一個有份量的系統語言專案公開設「不用 AI」的界線
我的觀察： 這不是反動，是一種定位選擇對某些重視「每一行都有人為它負責」的領域（系統語言、安全關鍵、長期維護的基礎設施），「No-AI」反而是 trust signal如果你的客戶在這類領域，別預設他們想要「全 AI 自動生成」— 有時候「人為把關」才是賣點
大神觀點
5/28 HN 熱稿：有人主張 Anthropic 跟 OpenAI 已經找到 product-market fit論點是這兩家不再靠 demo 跟融資撐，是有大量付費、留存、複用的真實使用這條跟同週的「AI 疲勞」「成本檢視」訊號並存很有意思 — 頭部兩家確立 PMF，但中間那層「包 LLM 賣 SaaS」的 wrapper 反而最先被成本檢視擠壓兩件事不矛盾，是市場在分層
5/27 HN 熱稿「I'm Tired of Talking to AI」反映一種使用者疲勞：什麼都要變成跟 chatbot 對話，但很多任務「對話」不是最好的介面配同週「科技 CEO 得了 AI 精神病」（半開玩笑但點出過度投入的焦慮）對做產品的人，訊號是別預設「加個 chat 框」就是好 UX — 有時候一個按鈕、一張表單比對話快得多
Dan Shipper 推「把 LLM 當蘇格拉底式對話夥伴」的 product framing — 不直接給答案，用 Q&A 拉高思考品質這跟 Anthropic 的 Learning Mode 是同一條路對知識工作者 / 顧問是值得收的訊號：content + LLM 不一定要「自動產生」，可以是「逼你想得更清楚的對話器」這也回應上面「我厭倦跟 AI 對話」— 差別在對話有沒有真的拉高你的思考，還是只是多一層 friction
創投 & 市場
AI 成本進入「震撼」期 — sticker shock + 難 justify
W22 連著幾條成本訊號：
- 「AI sticker shock hits corporate America」（Axios，HN 136 分）— 企業開始算 AI 的真實帳單，ROI 沒想像中好看
- Uber 總裁：AI 支出越來越難 justify（HN）— 連大公司都開始質疑投入產出
- 「Outsourcing + local AI 很快會比 frontier labs 更划算」（HN）— 成本壓力下，自架 / 外包 + 本地模型的經濟性浮現
我的觀察： AI hype 進入「要算帳」的階段對做 AI 產品 / 接案的人，這是利空也是利多利空是純 wrapper、純 demo 的東西會先被砍預算利多是「能算出 ROI 的具體工作流」會更值錢 — 客戶現在要的不是「我加了 AI」，是「這個 AI 幫我省了多少 / 賺了多少」
YouTube 自動標記 AI 生成影片 — provenance 上路
5/28 HN 全週最熱（1161 分、693 留言）：YouTube 宣布自動標記 AI 生成影片這條配 W21 的 SynthID 業界靠攏，是 content provenance 從「自願」走向「平台強制」的訊號
我的觀察： AI 生成內容的「來源標記」正在變成平台基礎建設如果你做內容 / 行銷 / 媒體，未來「這是不是 AI 生成」會是可被系統判定的屬性提早把「人類加值 vs 純生成」的界線想清楚，比之後被動被標記好
a16z：Everything, Everywhere is Compliance
5/27 a16z 推「Everything, Everywhere is Compliance」+「Avoiding Death on the Yellow Brick Road」compliance 變成每個產品的內建維度，不是事後補的東西這跟 AI 落地到受監管產業（金融、醫療、政府）的趨勢一致
行動建議
-
如果你用 AI 寫 code — 別把「AI 讓我快 N 倍」當報價或排程依據真實瓶頸是「確認它寫對」的時間把價值講在「能接更難的題、覆蓋更廣」，不是「同樣的事更快」
-
如果你做 AI 產品 / SaaS — AI 成本進入檢視期，純 chat wrapper 會先被砍預算把產品 framing 從「我加了 AI」改成「這個工作流幫你省 X / 賺 Y」，要能算出 ROI
-
如果你做內容 / 媒體 — YouTube 自動標 AI + SynthID 業界靠攏，provenance 在變平台基礎建設提早想清楚「人類加值」在哪，別等被動標記
-
如果你靠 LLM 做判斷（審核 / 合規 / 查證）— frontier 模型彼此對事實都不一致，別假設「換更強模型就準」關鍵判斷留人類 + 可追溯來源當最後 gate
-
如果你的客戶在系統 / 安全 / 基礎設施領域 — Zig 的 No-AI Policy 提醒：有些領域「人為把關」是 trust signal別預設客戶要「全 AI 自動生成」，有時候「每行都有人負責」才是賣點
參考來源
RSS Digest: 見 research/digests/2026-W22.md
主要來源（W22 高權重）：
- Introducing Claude Opus 4.7 (Anthropic 5/27)
- YouTube to automatically label AI-generated videos (HN 5/28, 1161 分)
- Using AI to write better code more slowly (HN 5/26)
- I'm Tired of Talking to AI (HN 5/27)
- I think Anthropic and OpenAI have found product-market fit (HN 5/28)
- Disagreement Among Frontier LLMs on Real-World Fact-Checks (HN 5/28, 426 分)
- AI sticker shock hits corporate America (Axios / HN 5/28)
- Outsourcing plus local AI will soon become more economical vs. frontier labs (HN 5/26)
- Zig 2026: No-AI Policy, $670K Foundation, Left GitHub (HN 5/28)
- Socrates as a Service (Every 5/29)
- Everything, Everywhere is Compliance (a16z 5/27)