🎙️ OpenAI找人類看你的ChatGPT對話，AI agent卻4小時打穿395個組織｜AI 日報 Podcast

開場白

OpenAI被爆料找數百名外包人力，逐條閱讀使用者的ChatGPT對話紀錄，說是要修掉AI過度討好的語氣，但使用者完全被蒙在鼓裡。幾乎同時，一場由AI agent自動執行的駭客攻擊，靠PaperCut漏洞48小時內打穿395個組織，等一下告訴你最快幾小時就淪陷。今天還會聊到Gemini 3.8 Live和台灣供應鏈卡位戰。

本日重點新聞

1. OpenAI找數百名外包人力，逐條閱讀你的ChatGPT對話

來源：404 Media（https://www.404media.co/inside-project-lily-the-humans-reading-your-chatgpt-chats/）
摘要：OpenAI透過中介公司僱用數百名外包審閱員，一則一則看使用者的ChatGPT對話並打分數，內部代號Project Lily，目的之一是抓出模型過度討好、油嘴滑舌的語氣毛病。OpenAI對外說對話會先去識別化，但受訪的審閱員自己說個資還是會漏進畫面裡，而使用者完全不知道聊天紀錄正被真人翻閱。報導也提到Anthropic同樣有類似的人工審閱機制。
最驚訝的點：使用者以為在跟AI一對一密談，其實隨時可能有真人在螢幕另一端逐字讀你的對話。
台灣觀點：台灣不少人在ChatGPT裡談公司機密、感情困擾甚至健康症狀，這則新聞等於提醒大家「聊天紀錄」從來不是私人日記；企業導入AI助理時，更該問清楚供應商的人工審閱範圍寫在合約哪一條。
討論要點：
1. 去識別化在實務上做不做得到，還是只是流程上的安慰劑
2. 人工審閱跟訓練資料蒐集的界線在哪，使用者知情權該怎麼保障
3. Anthropic也這樣做，「產業慣例」能不能當作正當化的理由
講稿建議：看到這則新聞我的第一反應是，我們以為的「跟AI一對一」，其實比較像打客服電話，說不定被錄音品管。OpenAI講「去識別化」聽起來很安全，但外包員工自己爆料個資照樣看得到，這種落差才最可怕。問題不是該不該有人工審閱，模型真的需要有人挑出討好毛病，而是使用者完全不知情。一開始就寫清楚「對話可能被審閱員看到」，大家才能自己選要不要講心裡話。

2. AI agent自動接手駭客攻擊，48小時打穿395個組織

來源：BleepingComputer（GreyNoise研究）（https://www.bleepingcomputer.com/news/security/ai-powered-attack-exploited-papercut-flaws-to-hack-395-organizations/）
摘要：一名疑似俄語系駭客先在私人實驗室寫好PaperCut NG/MF兩個0-day漏洞的攻擊程式，接著把整個入侵流程交給數百個AI agent自動執行，結果48小時內打穿48國395個組織、440台主機，受害者近一半是學校。攻擊用的是OpenAI Codex搭配DeepSeek模型，從空白工作區到第一台機器拿到RCE只花不到4小時，再2小時就升到網域管理員，活動開跑的26秒內就有11個組織淪陷。
最驚訝的點：從開工到拿下網域管理員權限，人類駭客幾乎全程放手讓AI agent自己跑完整條攻擊鏈。
台灣觀點：台灣不少中小企業和學校機房都在用PaperCut這類列印管理系統，修補速度普遍偏慢；這起事件說明「AI自動化攻擊」已經量產化，從掃弱點到橫向移動全部自動接龍，不是嚇唬人的話術。
討論要點：
1. 防守方要不要也上AI agent做即時修補阻斷，才追得上攻擊速度
2. 學校資安預算普遍偏低，會不會變成這類自動化攻擊的優先目標
3. exploit研發跟入侵執行「分工外包給AI」，會不會變成新常態
講稿建議：這則新聞最讓我背脊發涼的不是漏洞本身，是那個時間軸，26秒就有11個組織淪陷，代表攻擊速度已經完全脫離人類反應能力。以前我們講資安演練還在算「多久發現異常」，現在對手根本不用睡覺、不用開會，AI agent一路打到網域管理員都不用休息。我覺得這給所有還在用「一年修補一次」心態的機房一個警訊，防守端如果不跟著上自動化工具，差距只會被越拉越大。

3. 民調：六成一美國選民反對蓋AI資料中心，卻沒人當成選舉議題

來源：The New York Times（NYT/Siena民調）（https://www.nytimes.com/2026/09/15/us/politics/ai-polls-midterms.html）
摘要：紐約時報跟Siena學院找了1,503位可能選民做調查，結果61%反對在自己社區蓋AI資料中心，強烈支持的只有14%，大家最在意的是環境跟用水，佔了32%。但弔詭的是，這麼高的反對比例，放到「期中選舉最重要議題」排行榜裡卻連1%都不到，連18到29歲年輕人也只有3%在意，而且共和跟民主兩黨支持度42%比40%幾乎打平。
最驚訝的點：民怨明明高達六成，卻沒有任何一個政黨真的把它當成選票議題來操作。
台灣觀點：台灣這幾年也在搶資料中心和半導體新廠的土地跟水權，這份民調等於提前預告一件事：民眾對「缺水缺電被AI產業吃掉」的不滿不會因為選舉語言不提就消失，遲早會變成地方選舉的引信。
討論要點：
1. 為什麼高關注度的民怨轉換不成選舉議題，是資訊落差還是選民覺得改變不了
2. 資料中心用水用電爭議，跟台灣本地半導體廠爭議有什麼異同
3. 政治人物「不提」是不是因為兩黨背後都靠AI相關產業的政治獻金
講稿建議：這個數字組合我覺得很諷刺，六成一反對，卻連1%的人覺得這是最重要的選舉議題。這代表大家心裡有氣，但氣不到會影響投票行為的程度，政治人物自然樂得裝沒看見。我猜背後邏輯是，反對資料中心的人分散在很多不同社區，力量湊不起來，不像單一大廠遊說那樣集中；等哪天真的因為缺水停灌或限電上新聞，這股民怨可能會一次爆發，而不是慢慢累積消化掉。

4. Google發表Gemini 3.8 Live，能一邊推理一邊開口講話

來源：Google官方部落格（https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/）
摘要：Google發表Gemini 3.8 Live和進階版Extended Thinking，主打即時語音對話，規模版本走效率，Extended Thinking版本能一邊做多步驟推理一邊開口講話。它在Artificial Analysis的Speech-to-Speech品質評比拿下全球第一，分數82.6，代理任務完成率68.6%，Big Bench Audio測驗拿下97.7%，而且已經直接鋪進Search Live、Gemini Live、Gmail和Keep，不用額外等更新。
最驚訝的點：「邊想邊講」聽起來理所當然，但對語音模型來說，先想完整答案再念出來，跟真的一邊組織思路一邊開口，是完全不同的技術門檻。
台灣觀點：這代表語音助理的競賽已經從「聽得懂」進化到「反應快又講得有條理」，台灣的客服系統、語音查詢應用如果還停在字轉音的老架構，很快會被這種即時推理型語音模型拉開差距。
討論要點：
1. 邊推理邊說話會不會犧牲準確度，換取反應速度值不值得
2. 直接鋪進Gmail、Keep這種日常工具，對一般人的使用習慣會有什麼改變
3. 語音助理賽道接下來會不會變成幾家大廠搶語音互動入口的戰場
講稿建議：我覺得這則新聞最實際的地方，不是那個82.6分排名第一，是它直接塞進Gmail跟Keep這種你我每天都在開的工具，代表使用者根本不用主動選擇要不要用新模型，體驗已經悄悄升級了。以前語音助理常常是「聽完整句才回話」，現在變成邊想邊講，等於把真人對話的節奏搬過來。如果這個體驗真的順，我猜接下來大家對語音助理的容忍度會更低，反應慢半拍就會被嫌笨。

5. Nvidia新晶片Vera Rubin效率暴增，六顆全靠台積電代工

來源：SemiAnalysis（https://newsletter.semianalysis.com/p/vera-rubin-nvl72-agentic-inference）
摘要：SemiAnalysis實測Nvidia下一代Vera Rubin NVL72，一般吞吐量比現在的Blackwell快2.1倍，但拉到高token速率的agentic推論情境，每百萬瓦電力能吐出的token數居然是Blackwell的7.2倍。這六顆晶片全部是台積電代工，剛好呼應台積電8月營收年增53.3%，資本支出上修到600到640億美元，Nvidia也已經正式超車蘋果，變成台積電第一大客戶。
最驚訝的點：資料中心現在拚的已經不是預算夠不夠買晶片，而是電力夠不夠餵飽晶片，效率提升7倍比速度提升2倍更值錢。
台灣觀點：這則新聞基本上是台灣供應鏈的加冕儀式，Nvidia晶片再強都得靠台積電先做出來，但台積電資本支出跟著狂飆，也代表台灣自己的用電缺口只會愈來愈緊，產業紅利跟電力焦慮其實是同一枚硬幣的兩面。
討論要點：
1. 效率提升7倍會不會讓資料中心選址從「哪裡電便宜」變成「哪裡電穩定」
2. Nvidia超車蘋果成為台積電第一大客戶，對產能分配策略有什麼影響
3. 台灣自身電力供應要怎麼跟上這種等級的資本支出成長
講稿建議：這則我覺得最有意思的地方，是大家一直在比「速度快幾倍」，但這次真正的殺手鐧是電力效率，7.2倍這個數字才是資料中心業者真正在乎的。因為場地跟晶片都能砸錢解決，電力卻是實實在在的物理限制，不是有錢就買得到。台灣角色也很微妙，一邊是台積電營收年增五成三的榮景，一邊是我們自己也在擔心缺電，這種又賺又慌的處境，接下來幾年應該會越來越明顯。

6. SK海力士洽談赴美設廠，首度在美國本土生產記憶體

來源：Reuters（https://www.reuters.com/world/asia-pacific/sk-hynix-talks-with-intel-about-deal-make-memory-chips-us-first-time-sources-say-2026-09-16/）
摘要：路透獨家報導，南韓SK海力士正在跟英特爾洽談首度在美國本土生產記憶體晶片，可能方案是租用英特爾規劃多年的俄亥俄廠房，或者跟英特爾以及急著鎖定記憶體供給的雲端大廠一起合資蓋廠。特別諷刺的是，那座俄亥俄廠2022年喊出投資上看1,000億美元、原本預計2025年投產，結果兩座廠房現在都延到2030年和2031年才會完工。
最驚訝的點：記憶體荒已經緊到要找競爭對手英特爾合作生產，連原本被視為過時的閒置廠房都變成搶手資源。
台灣觀點：HBM和記憶體缺貨直接卡住台灣伺服器、AI伺服器代工廠的出貨排程，SK海力士這一步等於提前卡位美國本土產能，台灣廠商未來拿記憶體的議價能力恐怕會更緊繃。
討論要點：
1. 競爭對手合作生產記憶體，會不會變成AI晶片荒下的新常態
2. 英特爾把延宕多年的閒置廠房租出去，對自身晶圓代工轉型是加分還是分心
3. 記憶體產能重心往美國移動，對南韓、台灣既有供應鏈的長期影響
講稿建議：我覺得這則新聞最耐人尋味的是那個時間差，俄亥俄廠2022年喊得多響亮，「上看1,000億美元」，結果原訂2025投產拖到2030、2031，現在反而要靠競爭對手來救場才能加速利用。這也說明記憶體荒不是短期缺貨，而是真的產能跟不上AI需求成長的速度，連宿敵都要合作分產能。對台灣來說，這代表未來幾年談記憶體採購，議價空間可能會被這種跨國合資案先吃掉一塊。

7. DeepSeek工程師微信發文，把AI領先賽比喻成納粹搶原子彈

來源：South China Morning Post（https://www.scmp.com/tech/article/3367605/deepseek-ai-engineer-slams-anthropic-openai-over-pacing-calls-invokes-nazi-germany）
摘要：DeepSeek V4.1核心kernel工程師劉聖宇在微信寫了一篇長文，在中國AI圈瘋傳。文章一開始很個人，他自白被自家公司模型能力反超的失落感，結尾卻筆鋒一轉，把Anthropic有可能率先拿到最先進AGI這件事，類比成「希特勒的納粹德國比盟軍先拿到原子彈」，並直言不相信Anthropic和OpenAI會讓最頂尖的AI維持開放又平價，所以特別不希望是Anthropic掌握最先進的AI或AGI。
最驚訝的點：把商業公司之間的技術領先賽，直接拉到「誰先拿到原子彈」等級的歷史類比，尺度大到不像一般工程師會公開講的話。
台灣觀點：這篇文章某種程度反映中國AI圈普遍的焦慮，不是技術做不出來，而是擔心規則被別人先定義；台灣在討論AI地緣政治時，也常被夾在「誰的AI比較值得信任」這種二元對立敘事裡，值得留意這種語言愈來愈常出現。
討論要點：
1. 拿納粹德國類比科技公司，是修辭過頭還是反映真實的地緣焦慮
2. 「開放平價」跟「安全可控」這兩種AI治理路線，到底哪個比較站得住腳
3. 一位工程師的個人發文為什麼能在中國AI圈瘋傳，背後代表什麼集體情緒
講稿建議：這篇文章最讓我印象深刻的不是那個歷史類比，是開頭那種很誠實的自白，被自家模型反超的失落感，這其實是很多做AI的工程師心裡都有的感受。但從個人情緒一路推到「誰掌握AGI等於誰掌握原子彈」，中間其實跳了很大一步。我覺得這篇文章紅的原因，不是論證多嚴謹，而是它把很多人心裡那種「怕被某一方壟斷規則」的模糊焦慮，講得很直白很敢講。

8. AI墳場清單持續更新，這次倒下的是靠功能內建被判死刑

來源：TechCrunch（https://techcrunch.com/2026/09/15/the-ai-graveyard-a-running-list-of-projects-and-startups-that-didnt-make-it/）
摘要：TechCrunch整理了一份持續更新的「AI墳場」名單，記錄陣亡的AI新創和產品。像是被視為Zapier替代品的Relay做了五年，週一直接關站，原因是OpenAI和Google把同樣的自動化功能內建進自家工具；Notion Mail預告9月22日熄燈；能一次試用800多個模型的Yupp募了3,300萬美元照樣3月收攤；連OpenAI自家的影片社群App Sora，也因為營運成本跟留存率問題在3月下線。
最驚訝的點：這波倒閉潮的兇手往往不是燒光資金，而是巨頭一次功能更新就把整個商業模式判死刑。
台灣觀點：對台灣的AI新創來說，這份清單是很實際的提醒，做「包一層AI的外掛功能」這種商業模式風險極高，平台方隨時可能把你最核心的賣點內建進去，產品差異化要挑得比功能本身更深。
討論要點：
1. 「被平台功能取代」跟「被市場淘汰」該怎麼區分，新創能提前防範嗎
2. 巨頭免費內建功能算不算一種變相的反壟斷爭議
3. 連能試用800多個模型的Yupp都撐不下去，說明AI工具的差異化到底該往哪個方向找
講稿建議：這份墳場名單我覺得最值得玩味的，是這些倒下的產品幾乎都不是被使用者拋棄，是被平台方一次更新就判了死刑。這其實給所有想靠「包一層AI」創業的人一個很現實的提醒，如果你的核心賣點是巨頭三個月內就能複製的功能，護城河等於不存在。真正能活下來的，應該是那些巨頭懶得做、或者做了會傷到自己主力產品的利基，而不是站在OpenAI跟Google正前方硬拚。