從蘋果交棒到 Mac 變成訓練器材：AI 正把經驗改寫成基礎設施

從蘋果交棒、實驗室把配方變成機器指令，到 Mac 變成代理訓練器材，這一輪 AI 競賽正在把經驗、預測與基礎設施重新定價。

今天真正值得注意的，不是又多了一個模型名稱，而是 AI 開始碰到過去由人掌握的幾種稀缺資源：公司的產品判斷、實驗室裡說不出口的操作手感、預測模型的調校經驗，以及讓代理能夠實際動手的電腦與資料中心。當這些資源被變成軟體、檔案或可複製的機器流程，競爭的單位就從「誰有專家」逐漸移向「誰能把專家的判斷安全地接進系統」。

蘋果交棒：供應鏈很強，AI 產品卻是另一種問題

Apple 在官方公告中宣布，Tim Cook 於 2026 年 9 月 1 日轉任執行董事長，由 John Ternus 接任執行長；Cook 的任期約 15 年，期間公司營收從 1,080 億美元成長到超過 4,160 億美元，也完成 Apple silicon 取代 Intel、Apple Watch 與 AirPods 開出新產品類別等幾個關鍵轉折。這是一份執行力很漂亮的成績單，但它同時把一個尷尬問題交給新任 CEO：把供應鏈準時交付，和把需要長期產品判斷的 AI 助理做對，並不是同一種管理題目。Apple 的交棒公告也明確寫出 Cook 會留任董事長，代表供應與營運經驗不會突然消失。

Apple Intelligence 的落差，正在於使用者期待的不是多一個摘要按鈕，而是能理解個人上下文、看懂畫面、替人完成多步驟工作的 Siri。Apple 今年公布的新 Siri AI 仍是以「更個人、更有能力」為主軸；接下來真正要驗證的是，這些功能何時、在哪些地區能穩定提供給使用者。同一時間，Apple 也公開說明已與 Google 合作，利用 Gemini 家族技術打造下一代 Apple Foundation Models。Apple 的 Siri AI 公告與Private Cloud Compute 說明放在一起看，訊號很清楚：隱私與裝置整合仍由 Apple 定義，但底層模型能力不必全部自己從零打造。

所以「Cook 沒有把 AI 交付出來」不宜簡化成個人能力評分。更精確的說法是：一套擅長採購、製造與產品週期管理的組織能力，遇到需要快速試錯、持續更新、又要承擔隱私責任的模型產品時，未必能直接平移。Ternus 接手的不是空白畫布，而是一個資產、渠道和裝置生態都很強，卻必須重新證明 AI 體驗的系統。

實驗室的隱性知識，開始被編譯成機器指令

Google DeepMind 的 Co-Scientist 把問題推到更具體的地方：不是請模型寫一篇研究摘要，而是讓多代理系統在真實化學氣相沉積（CVD）反應器的限制下，設計材料配方，再轉成可以交給設備執行的機器指令。研究團隊在論文摘要中報告，系統協助完成 MoS₂、MoSe₂、WS₂ 等單層二維材料的單次嘗試生長；對 MXene，系統提出了新的直接合成路徑，但原子結構仍需要後續實驗確認。Google DeepMind 的專案說明與論文摘要都把「真實設備限制」放在核心，而不是只展示文字推理。

這裡最重要的不是把一次成功宣傳成「AI 已經會做材料科學」，而是工作邊界被往前推了一格。每一座晶圓廠、每一間材料實驗室，都有一層不完全寫在論文裡的經驗：哪個參數要先調、哪種失敗模式看起來像另一種問題、設備的理論規格與實際狀態差多少。這層經驗過去靠人長時間站在設備前累積，現在至少有一部分可以被模型搜尋、比較，再以設備可以接受的格式輸出。

這不代表專家消失。實驗設計、風險界線、樣品判讀與失敗後的接管仍然需要人；論文也不是一張「放進任何工廠都會成功」的保證書。但專家的價值可能會從反覆找參數，移到定義可接受的搜尋空間、檢查結果，以及決定哪些結果值得繼續投資。所謂 tacit knowledge 被軟體化，真正被壓縮的是學徒期，不是科學的驗證成本。

預測模型把資料科學家的入口，改成一個 CSV

Google Research 發布 TimesFM-3，主打不必針對企業資料重新訓練，就能直接從時間序列產生預測。官方介紹稱，模型以超過一兆個時間點訓練，參數規模約 3.3 億，並在 Gift-Eval、FEV-Bench 與 Time 三項時間序列 benchmark 上取得領先；示範資料把銷售、客流與促銷日放在同一個多變量預測裡，促銷日的預測量在展示中上升約 20%。這些數字是 Google 對其模型與 benchmark 的報告，不能直接等同於每一家公司的生產環境表現。Google Research 的 TimesFM-3 說明提供了模型限制與公開資源，官方 GitHub repository則讓部署者能檢查實作。

預測的價值從來不只在模型本身，還在於有人知道資料缺口在哪裡、促銷日曆是否可信、異常值該不該刪，以及預測錯了由誰承擔庫存或現金流後果。Zero-shot 把「先做出一版可用預測」的門檻大幅降低，卻沒有把業務定義與責任分配自動完成。未來更可能出現的變化，不是所有資料科學家突然失業，而是企業不再願意為每一個基礎 forecast 都支付同樣的客製化成本。

這也解釋了為什麼 3.3 億參數很重要：它把嘗試成本壓到更多團隊負擔得起的範圍，並讓「先上傳資料看看」成為可行的第一步。高價值的人力會往資料治理、因果判讀、場景設計與決策覆核移動；只負責把既有表格套進固定模型的服務，則會先感受到價格壓力。

Mac 不只是終端設備，而是代理學習的實體環境

《The Information》報導 OpenAI 買進數以萬計的 Mac mini 與 Mac Studio，原因不是要把它們當成一般辦公電腦，而是 computer-use agent 需要在真實作業系統裡學習如何開啟應用程式、點擊介面、處理檔案與恢復錯誤。《MacRumors》的整理則是轉述《The Information》，指出企業 AI 需求正在推高 Mac mini 與 Mac Studio 的意外需求；目前沒有公開的完整採購合約，因此這仍是單一媒體來源的報導，不等同於 OpenAI 或 Apple 的正式確認。《The Information》的報導與《MacRumors》的轉述可用來理解事件脈絡，但不能當成採購數量的獨立驗證。

Apple 最新申報資料顯示，最近一季 Mac 淨銷售約 103.5 億美元，年增 29%。這讓一台原本被理解為開發者或學生入口的桌機，出現另一種需求曲線：它不只是在賣給人，也可能被買來當作代理的訓練、測試與復原場景。這不是說 Mac 會取代 GPU；代理仍需要大規模模型訓練與推論算力，而是說「教模型使用電腦」本身也需要大量、可重複、可觀測的實體環境。Apple 的季度業績公告與Apple 的 SEC 申報提供了 Mac 業務數字。

這種需求也把硬體供應鏈與代理安全綁在一起。訓練環境如果能執行真實操作，就同時需要權限隔離、可還原快照、網路分段與完整操作紀錄；否則模型學到的可能不只是工作流程，也包含錯誤點擊、洩漏資料或繞過確認視窗的方法。硬體變便宜，只會讓實驗規模變大，不會自動把風險變小。

八則短訊：AI 開始直接碰到制度、資本與現場設備

• T1｜美國國防部在 GenAI.mil 提供 ChatGPT 與 Grok 的軍用版本，官方描述的涵蓋範圍約為 300 萬名國防體系人員；TechCrunch 同時報導，實際已上線的是逾 170 萬名獨立使用者。前者是可涵蓋規模，後者是目前使用量，不能混寫成 300 萬人都已使用。OpenAI 的 GenAI.mil 說明與TechCrunch 的報導分別提供官方與媒體角度。
• T2｜歐盟執委會把 ChatGPT 列為《數位服務法》下的超大型線上搜尋引擎，OpenAI 因此要面對更高強度的風險、透明度與安全義務；指定本身不是違法裁決，而是進入更嚴格監管框架。歐盟執委會公告說明了指定原因與後續時程。
• T3｜Apple 在針對前員工的訴訟文件中提出新證據，主張對方在加入 OpenAI 前竊取公司資料；這是 Apple 在訴訟中的主張，不是法院已確定的事實。TechCrunch 的訴訟整理報導了文件與程序進展。
• T4｜Instagram 將原有的「AI creator」標籤改成「AI-generated profile」，並表示未清楚標示、卻使用 AI 生成人物的帳號可能被限制觸及；一般用 AI 修圖、潤飾文字或做視覺編輯，不必然落入同一標籤。TechCrunch 的政策整理說明了適用範圍。
• T5｜NVIDIA 宣布以 35 億美元投資 MediaTek 發行的可轉換債券，雙方將深化從邊緣到雲端、包含 hyperscaler 客製化 AI 平台的合作；這筆交易是合作與資本安排，不能直接解讀成新晶片已量產。NVIDIA 官方公告提供交易形式與合作方向。
• T6｜金融穩定委員會主席、英格蘭銀行總裁 Andrew Bailey 在致 G20 財長與央行總裁的信中警告，前沿 AI 對網路風險的速度、規模與經濟性可能造成系統性影響；他也把高估值、槓桿與市場集中列為可能放大修正的因素。FSB 的官方信函說明是這項警告的第一手來源。
• T7｜Meta 正在資料中心測試能換接線、重啟伺服器與搬運設備的機器人，現階段仍有速度、充電與需要人員監督等限制；它比較像把物理維運納入 AI 基礎設施試驗，而不是已經完成無人化。WIRED 的現場報導提供了測試細節與 Meta 的回應。
• T8｜Clipto 以跨影片、會議、音訊與文件的 AI 搜尋募得 1,500 萬美元，投後估值達 2.5 億美元；公司主張索引與處理可在使用者裝置上進行，但估值與營收數字主要來自公司及投資交易報導，仍應和大型平台內建搜尋比較後再判斷市場規模。TechCrunch 的報導提供了融資、產品與商業數字。

把這些事件放在一起，主線不是 AI 突然跨過某條神奇的能力界線，而是它開始接觸更多真實的控制面：領導與供應鏈決定產品能不能交付，實驗設備決定文字推理能不能落地，CSV 決定預測能不能被廣泛嘗試，Mac 與機器人則把代理帶進作業系統與資料中心。制度與資本市場隨後才會追問：誰可以使用、誰要負責、誰能撤回，以及出了錯能不能把系統恢復到上一個可驗證狀態。

因此，企業在把代理接進工作流程前，至少要先回答四個問題：它可以碰哪些設備與資料、每一步是否留下權限與操作紀錄、成本在尖峰時段是否仍可預測，以及失敗時誰能接管。AI 把經驗變成軟體的速度越快，這四個答案就越不能只存在某位專家的記憶裡。