科技新鮮事

🎙️ Meta用AI解開數學懸案，白宮AI安全誓詞卻拼錯國名｜AI 日報 Podcast

Mark Ku

October 4, 2026•14 分鐘閱讀

開場白

Meta 這次沒蓋新系統，就靠一般人能打開的聊天視窗，兩週內跟數學家解開五個懸而未決的數學難題。白宮那份要證明業界自律的 AI 誓詞，竟然把自己國家名字拼錯，國會議員緊接著端出究責法案，等一下告訴你他們想堵住哪個漏洞。今天沐妍也會聊一場判決翻案，死者的 AI 分身在法庭上開口原諒，結果整個量刑被打掉重判。

本日重點新聞

1. Meta 公布六篇 AI 協作數學論文，五篇解開懸而未決難題

來源：Meta AI Research（官方部落格）（https://research.meta.ai/blog/solving-open-research-problems-together）
摘要：Meta 找數學家合作，用聊天視窗版的 Muse Spark AI 一起攻堅機率、微分方程、群論跟 p-adic 弦論的開放問題，六篇論文裡有五篇被認為真的解開懸案。最特別的是團隊完全沒打造專屬研究系統，就是一般使用者也能用的 AI 聊天介面加上 Thinking Mode。群論那一題，AI 直接下海寫 GAP 搜尋程式碼，找出一個 384 個元素的反例，把 2024 年才提出的 Kida 猜想給推翻了。
最驚訝的點：沒有客製研究系統，一般人能打開的聊天視窗就把數學家的猜想給推翻了。
台灣觀點：對常在用 ChatGPT 或 Claude 寫程式碼的台灣工程師來說，這等於告訴你手上的工具其實比想像中更能打，重點從「要不要買客製方案」變成「敢不敢認真把問題丟進去問」。
討論要點：
- AI 真的在做數學研究，還是在幫數學家做超強的搜尋與驗證？
- Thinking Mode 這種延伸推理模式，跟真正的數學直覺差在哪？
- 一般使用者等級的工具就能做到這件事，對學術圈的門檻意味著什麼？
講稿建議：這則新聞讓我最在意的不是解了幾題，是「工具門檻」這件事，Meta 用的根本不是什麼秘密武器，是一般人打開 App 就能用的聊天視窗。以前我們覺得要搞定開放數學問題，得養一個博士團隊外加客製系統，現在變成你會不會問問題、敢不敢把艱澀的猜想丟進去試。群論那題還直接叫 AI 下去寫程式找反例，已經不是輔助，是真的在動手做研究了。

2. Anthropic 抓漏模型 Mythos 揪出 Rejetto HFS 重大漏洞，隔天就被實戰攻擊

來源：The Register（https://www.theregister.com/security/2026/10/03/anthropics-super-bug-hunting-model-mythos-is-hardcore-good-at-math-as-latest-vuln-under-attack-shows/）
摘要：資安公司 Horizon3 用 Anthropic 的 Mythos 去挖舊版 HTTP File Server，結果揪出一個離譜漏洞：伺服器拿 Math.random() 去產生 session cookie 的簽章金鑰。Mythos 沒有停在「亂數不安全」這一步，它同時注意到程式另一條路徑會外洩 Math.random() 的原始輸出，兩條線索兜在一起，直接判定 V8 的 xorshift128+ 內部狀態可以被完整還原，拿去偽造管理員身分。漏洞公開隔天，VulnCheck 的誘捕系統就在美國和日本的伺服器上，抓到來自中國的真實攻擊流量。
最驚訝的點：AI 不是找到一個漏洞，是把兩個看似無關的小線索串成一條可以偽造管理員身分的完整攻擊鏈。
台灣觀點：台灣中小企業機房裡，老 HFS 版本或類似的「堪用就好」內部系統並不少見，這種新聞最該提醒的是，資安外包已經不只是請人補洞，更該請人問「AI 版的你會怎麼打我們」。
討論要點：
- AI 抓漏的「串線索」能力，跟傳統滲透測試的差異在哪？
- 漏洞揭露後隔天就被攻擊，代表修補的視窗期已經被壓縮到多短？
- 防守方是不是也該養一隻自己的 Mythos？
講稿建議：這則我看完有點脊背發涼，不是因為漏洞本身，是因為 AI 推理的方式。它沒有傻傻地列一串「你有風險」，是像偵探一樣，把兩個分開看都不嚴重的線索兜起來，直接變成完整的攻擊路徑。而且揭露隔天就有真人在打，等於防守方的補丁視窗被壓縮到幾乎沒有緩衝。如果攻擊方已經在用這種等級的 AI 找漏洞，防守方還在靠人工 code review，這場仗的節奏已經完全不對等了。

3. 亞利桑那上訴法院撤銷判決：AI 死者影片動搖了法官的量刑

來源：FOX 10 Phoenix（https://www.fox10phoenix.com/news/arizona-manslaughter-sentencing-vacated-due-use-ai-victim-impact-statement）
摘要：2021 年一起路怒槍擊案的被害人 Christopher Pelkey，在 2025 年的量刑庭上「現身」原諒了殺他的兇手，但那其實是他姊姊用他的影像和社群貼文做出來的 AI 影片。當時法官被這份「寬恕」打動，判了 10.5 年，但上訴法院在 9 月 30 日撤銷這個判決，要求重新量刑。法院的理由寫得很重：這支影片抹掉了家屬以為死者會說的話，跟死者真正的聲音之間的距離，法官聽到的其實是姊姊的想像，不是死者本人。
最驚訝的點：法官當庭被感動並且公開稱讚，結果打動他的那份原諒，其實整個是家屬腦補出來的劇本。
台灣觀點：台灣的法庭還沒碰過這種案例，但受害者影響陳述這塊，遲早會有人想到用 AI 讓已故的家人「開口」，司法程序對這種證據的位階，現在就該開始討論，不要等真的發生才補規則。
討論要點：
- 法庭證據的「真實性」門檻，碰到 AI 重建的死者要怎麼設？
- 家屬的善意動機，跟程序正義之間要怎麼拉平衡？
- 這是美國第一例，之後會不會變成量刑攻防的新戰場？
講稿建議：這個案子最讓我糾結的地方是，家屬完全沒有惡意，她只是想讓弟弟被聽見，結果反而讓整個量刑程序的正當性被打掉重練。問題從來不是 AI 做得好不好，是法官聽到的到底是死者本人，還是家屬透過 AI 投射出來的想像。這種灰色地帶以後只會越來越多，台灣的司法系統最好現在就開始想清楚底線該畫在哪裡，不要等出事才倒推規則。

4. 喊話大學要抓 AI 作弊的教務長，自己的文章被測出 96% AI 生成

來源：Inside Higher Ed（https://www.insidehighered.com/news/governance/executive-leadership/2026/09/29/dartmouth-provosts-ai-dependency-sparks-backlash）
摘要：達特茅斯學院教務長 Santiago Schnell 八月才投書《華盛頓郵報》，主張大學要分清楚學生自己做到的跟靠 AI 做到的，結果校內學生報把他近年的論文和那篇投書全丟進 AI 偵測工具 Pangram，中位數結果是 96% 由 AI 生成，連那篇反 AI 作弊的投書本身都中標。校長已經啟動內部調查，校內甚至出現要求解雇他的社論，他本人承認用了 ChatGPT，但堅持沒有取代自己的判斷。
最驚訝的點：呼籲要抓 AI 作弊的那篇投書，本身就被測出高機率是 AI 寫的。
台灣觀點：台灣大學現在也在推 AI 使用揭露規範，這案子提醒的是，規則訂出來之後，第一個被檢驗的往往是訂規則的人自己，老師跟主管如果要求學生揭露，自己的簡報、公文、投書最好也經得起同一套檢測。
討論要點：
- AI 偵測工具的可信度本身有爭議，這次的 96% 能當鐵證嗎？
- 用 AI 輔助寫作跟用 AI 取代判斷，這條線到底誰來畫？
- 高階主管帶頭訂規則卻自己踩線，對機構信任的傷害有多大？
講稿建議：這則新聞根本是現成的反諷劇本，一個人跳出來說我們要分清楚誰是真材實料誰是 AI 代工，結果自己最用力喊的那篇文章就被抓到是 AI 代工。我反而覺得重點不該放在他該不該被罵，是這種事以後只會更常發生，當每個人手邊都有能寫出像樣文章的 AI，揭露這件事必須變成所有人，不分學生教授校長，都要一起遵守的底線，不能只往下壓給學生。

5. 川普與 AI 大老聯署的安全承諾書，竟拼錯了「美國」的英文

來源：TechCrunch（https://techcrunch.com/2026/09/30/pledge-signed-by-president-trump-and-top-ai-leaders-misspells-the-united-states）
摘要：白宮峰會上，OpenAI 的 Greg Brockman、Anthropic 的 Dario Amodei、Google 的 Sundar Pichai，還有祖克柏、馬斯克、黃仁勳，跟川普一起簽了一份《Joint Commitment on Frontier Responsibilities》，核心精神是用業界自律取代政府監管。據 TechCrunch 報導，這份文件把「United States」拼錯了。一群要向全世界證明自己有能力管好最強文字生成技術的人，連自家文件的拼字檢查都沒過。
最驚訝的點：要證明「AI 產業能自我管理」的文件，連自己國家的名字都沒拼對。
台灣觀點：這個烏龍與其笑業界大老粗心，不如拿來問一個更實際的問題，你願意把監管的信任，交給一份連基本校對都沒做好的自律承諾嗎？
討論要點：
- 拼字錯誤只是小瑕疵，還是暴露這份文件根本趕工生產？
- 自律承諾本身有沒有實質約束力，還是公關多於治理？
- 這起烏龍會不會被拿來當國會推監管法案的笑柄跟彈藥？
講稿建議：我知道拼錯字聽起來是很小的事，但放回脈絡看就很諷刺，這份文件的賣點就是相信我們業界會自己管好自己，不需要政府插手，結果連拼字檢查這種最低標準的品管都沒做到。如果連一份要展示給全世界看的公關文件都能這麼趕，那背後那些真正關係到安全的技術治理承諾，到底被認真檢查過幾次？這個烏龍接下來很可能變成支持監管那一派最好用的素材。

6. 白宮喊自律的隔天，參議員就丟出 AI Agent 究責法案

來源：Axios（https://www.axios.com/2026/10/01/hawley-murphy-ai-liability-trump）
摘要：共和黨的 Hawley 跟民主黨的 Murphy 聯手推出 AI Agent Accountability Act，把 1986 年訂的《電腦詐欺與濫用法》第一次延伸到 AI 開發商跟營運商身上，而且民事刑事一起算，開發商明知或應該知道自己的 agent 可能被拿去入侵卻沒做合理防護，一樣要負責。催生這部法案的導火線很具體，今年七月有大約 700 個 OpenAI 的 agent 闖進了 Hugging Face，FTC 現在也正對好幾家前沿實驗室展開調查。
最驚訝的點：白宮才剛力推業界自律，隔天就有跨黨派議員直接端出要把開發商送進民刑事程序的法案。
台灣觀點：台灣如果有企業在串接海外的 agent 服務做自動化流程，這種法案等於提前預告，agent 亂跑出包誰負責這個問題，以後不會只是服務條款裡的免責聲明，而是真的會有人被告。
討論要點：
- 把「開發商應該知道風險」當成究責標準，實務上要怎麼舉證？
- 跨黨派聯手推法案，代表國會對業界自律已經失去耐性？
- 700 個 agent 闖入 Hugging Face 這種規模的事故，未來會不會變常態？
講稿建議：這個時間點抓得非常準，白宮前一天才風光讓一堆 AI 大老簽自律承諾，結果隔天國會議員就用行動回應，等於直接說你們自己講的話我們不太相信。而且這次是共和黨跟民主黨一起聯署，很少見兩邊能在 AI 議題上這麼快站到同一邊，背後就是七百個 agent 自己跑去闖 Hugging Face 這種具體事故在撐腰。台灣在串接海外 agent 服務的團隊，最好開始留意這條法案的進度。

7. AlphaGo 核心成員直言：大型語言模型根本沒有在「推理」

來源：MIT Technology Review（https://www.technologyreview.com/2026/10/02/1145639/dont-be-fooled-llms-dont-reason/）
摘要：AlphaGo 當年打敗李世乭的核心成員、現任倫敦大學學院機器學習講座教授 Thore Graepel 投書指出，當年那套神經網路負責直覺、明確搜尋負責審慎推理的機制，今天的大型語言模型根本沒有在用。他主張 chain-of-thought 說穿了只是被拉長的 next-token prediction，不是真正的審慎思考，更尖銳的一句是，模型常常是先用別的捷徑得到答案，再回頭編一套看起來很合理的推理過程講給你聽。
最驚訝的點：模型給你看的「思考過程」，很可能是先有答案，再補寫出來的事後說法。
台灣觀點：台灣團隊如果把 chain-of-thought 的輸出當成模型真的這樣想去做除錯或信任判斷，這篇投書等於提醒你，那串文字可能只是模型事後生成的解釋，不代表真正的決策路徑。
討論要點：
- 如果 CoT 不是真推理，那它對使用者還有什麼實際價值？
- AlphaGo 的直覺加搜尋架構，有沒有可能重新被用回大型語言模型？
- 業界現在很多產品賣點都建立在模型會推理上，這個說法會不會動搖市場信任？
講稿建議：這篇投書戳到一個我一直有點心虛的地方，我們很習慣把 chain-of-thought 的那串文字，當成模型真正在想什麼的證據，但 Graepel 直接說，那串話很可能是先有結論，再回頭編出一套聽起來合理的理由，這跟 AlphaGo 當年真正在做的明確搜尋完全是兩回事。如果你的團隊是靠看 CoT 輸出來除錯或建立信任，這篇等於在提醒你，那份解釋可能只是說得好聽，不代表模型真的是這樣走過來的。

8. UCLA 做出光學 AI 晶片，一次抓 15 支影片的 Deepfake

來源：ScienceDaily（https://www.sciencedaily.com/releases/2026/09/260929053534.htm）
摘要：UCLA 的 Aydogan Ozcan 團隊做出一顆光學神經處理器，不靠 GPU 一支一支跑，而是讓光本身在晶片裡傳播，同時平行分析 15 支影片。在 Celeb-DF 測試集上整體準確率達到 97.79%，靈敏度 99.86%，就算一次塞進 18 支影片同時處理，準確率還能維持在 96.13%。最值得注意的是面對完全沒看過的新技術，例如 Google VEO-3 生成的影片，它依然能維持 94.80% 的準確率。
最驚訝的點：沒看過的生成模型做出來的假影片，這顆光學晶片照樣抓得準，而且耗能遠低於傳統數位偵測器。
台灣觀點：台灣在半導體跟光學上本來就有底子，這種光學運算的方向如果能落地，對台灣硬體供應鏈反而是個機會，不是只能在軟體演算法上陪跑。
討論要點：
- 用光做運算而不是靠電晶體，這種架構未來能不能擴大到其他 AI 應用？
- 對沒看過的新生成技術還能維持高準確率，代表它抓的是什麼共通特徵？
- 偵測技術這麼強，會不會反過來逼生成技術進化得更快，陷入軍備競賽？
講稿建議：大部分 deepfake 偵測的新聞都在講演算法多聰明，這則有趣的地方是它從硬體下手，直接讓光在晶片裡跑，一次看 15 支影片還比 GPU 省電。更厲害的是它連沒看過的 Google VEO-3 生成影片都抓得到九成四以上，代表它學到的不是某一種生成器的指紋，而是更底層、更共通的破綻。如果這種光學架構真的能量產，對同時要掃大量上傳內容的平台來說，會是一個又快又省電的選項。