軟銀出租 10GW 算力。記憶體缺貨先變成政治題。

今日漫畫 出演・水無瀨 澪

軟銀把算力當商品出租，記憶體缺貨變成政治題

軟銀決定把 AI 算力本身做成一門出租生意。

軟銀集團與電信子公司軟銀宣布，2026 年 7 月內會在美國成立新公司 SB Neo，切入 AI 算力出租市場。持股結構是軟銀公司 51%、軟銀集團 49%，服務對象包含大型雲端業者，預計 2027 年度啟動業務。

做法是以 Neocloud 形式出租 AI 運算資源，同時提供 AI 晶片與雲端服務。軟銀公司社長宮川潤一說，這項事業會先從美國德州啟動，長期目標是 2030 年前後為大規模模型訓練與推論提供高達 10GW 規模的資料中心容量。

這門生意的門檻寫在數字裡。每推動 1GW 服務，需要的股權投資約為數億美元，軟銀因此規劃跟其他企業合作興建資料中心基礎設施，把財務風險攤開。

同一天另一則消息，把算力供應鏈更上游的問題端上檯面。國際半導體產業協會 SEMI 在 7 月 1 日寫信給美國財政部長 Scott Bessent，警告川普政府如果試圖透過影響價格或產能來解決全球記憶體晶片短缺，可能讓 AI 熱潮帶來的供應緊張變得更糟。

一邊是有人把算力打包成可出租的商品，一邊是產業協會請政府不要伸手進記憶體市場。這兩件事指向同一個現實：AI 基礎設施的每一層都在變緊，緊到記憶體缺貨開始需要動用政治遊說。如果華府真的介入定價或產能，SEMI 擔心的供應惡化就會從警告變成帳單。

物理 AI 的日本戰場，台灣卡在感測器與代工

日本這波 AI 機會，藏在它的人力缺口裡。

人口老化逼出機器人與自動化的真實需求，精密製造與感測器產業的長期積累，讓日本在物理 AI 這一輪握有一手好牌，九州更已啟動十億瓦級的 AI 基礎設施建設。在東京 IVS（Infinity Ventures Summit），幾位創業者與創投從不同角度描繪了這個市場，也把台灣的位置講清楚了。

自從黃仁勳提出物理 AI 之後，人型機器人的討論度一路走高。RLWRLD 創辦人 Junghee Ryu 把它定義成在大型語言模型基礎上建立人型機器人的智慧，Valtec 創辦人葛維邦強調 AI 要能解讀真實世界並做決策，Braid Technologies 的 Guido Cossu 則認為物理 AI 要讓 AI 對真實世界負責、即時且正確。

跟台灣關係最深的案例是 Valtec，一家由 SparkLabs Taiwan 投資的台灣新創，主力客群是遠洋漁業的鮪魚圍網船隊。葛維邦選在日本設公司的關鍵是感測器。他說日本生產全世界最好的海事感測器，雷達裝在全球 50% 商用船隻，聲納也是。日本在雷達、聲納的技術含量，直接決定物理 AI 系統拿得到多好的數據。

海上作業的不確定性，被葛維邦稱作最大的敵人。無人機降落船上時，船體結構造成的側風會形成劇烈亂流，海水鹽害與紫外線又侵蝕電子零件。他把這種不確定性當成護城河：能解決這些問題，客戶就會被鎖住，一般無人機在海上撐不了多久。

這道護城河背後有個真實的轉折。一位客戶原本用直升機在船隊間巡邏，卻發生直升機意外損壞船體、單次損失高達 600 萬美元的事故，客戶因此主動要求換用 Valtec 系統。葛維邦順勢設計服務型商業模式，客戶不必買無人機硬體、只付服務費，損耗由 Valtec 吸收。

物理 AI 的部署難題，RLWRLD 與 Braid 從另一頭給了答案。Junghee Ryu 說他們採用的視覺語言動作模型建在大型語言模型上，也繼承了幻覺問題，有時沒辦法預測機器人會做什麼動作，所以團隊在模型外疊一層傳統機器人控制邏輯擋住異常。Guido Cossu 乾脆不用這類依賴數據學習的模型，改打造一層符號層，用數學保證設計結果一定符合物理與工程限制，因為這是他要向衛星火箭客戶保證的事。

台灣的切點也在這場對談裡浮出來。GMI Cloud 創辦人葉威延先在台灣建 AI Factory 分階段擴建，下一步把規模拉到日本九州蓋十億瓦級資料中心，選址九州是看上當地電力與光纖基礎設施、地方政府稅務優惠與較便宜的土地。這個計畫裡有兩家台灣企業：緯創負責硬體與伺服器建置，中華開發負責整個計畫的融資。

不過台灣在物理 AI 有明顯的短板。Junghee Ryu 直言，以 AI 基礎研究的論文產量看，台灣與韓國、日本有明顯落差，韓國科學家已跟美國、中國站在同一水位，台灣和日本目前還沒有夠強的大學支撐 AI 基礎研究，這也是 RLWRLD 選擇在韓國設研發實驗室的原因之一。台灣供應鏈已經在感測器整合、代工與融資找到切入點，如果補得上基礎研究這塊拼圖，未來能卡到的位置就會不一樣。

自殺無人機第一次從軍艦上射出去

英國皇家海軍把一款自殺無人機，第一次從行進中的軍艦上彈射出去。

在英格蘭南部海岸的 Neptune Reach 演習中，海、陸、空三軍聯手，從科技實驗船派崔克布萊克特號（Patrick Blackett）成功彈射一款名為 Nyan 的單向攻擊無人機。無人機在軍艦航行時由操作人員設定程式，隨後完全自主飛行到指定目標。

Nyan 由 BAE 系統旗下 Callen-Lenz 研發，最大的亮點是性價比。單價低於 10 萬英鎊，約新台幣 400 萬元，成本遠低於傳統的魚叉反艦飛彈，航程卻能達到 150 公里以上。翼展約 2.9 公尺的機體主要由碳纖維製成，配小型渦輪噴射發動機，外型與排氣噴嘴融入低可偵測性的隱形設計，降低被防空系統攔截的機率。

這款無人機不是全新的東西。它先前已在烏克蘭戰場完成實戰首秀，在英國陸軍服役並量產超過千架，這次是它成功適應海洋戰場。英國國防部想要的是一支混合航艦航空團，用 F-35B 戰機搭配大量廉價、單次使用的無人機做高低搭配，官方接下來計劃在伊麗莎白女王號航空母艦上做進一步試驗。如果這種低成本消耗性打擊力真的量產上艦，海軍算的就不再是每一枚飛彈捨不捨得打，而是一次能派出多少台。

AI 模糊測試挖出 FatFs 七個漏洞

資安團隊這次挖漏洞，用上了 GitHub Copilot。

資安廠商 runZero 在 7 月初揭露嵌入式檔案系統模組 FatFs R0.16 與更早版本存在七個漏洞。其中 CVE-2026-6682、CVE-2026-6687、CVE-2026-6688 為高風險 7.6 分，另有中度風險 6.1 分的 CVE-2026-6685，以及三個 4.6 分的漏洞。

FatFs 是專為小型嵌入式系統設計的通用 FAT/exFAT 檔案系統模組，能整合進資源有限的小型 MCU，影響面因此很廣。runZero 點名意法半導體的 STM32Cube 中介軟體、樂鑫科技的 ESP-IDF 框架、Zephyr RTOS、廣泛用於無人機與自駕裝置的 ArduPilot，衝擊延伸到消費型物聯網設備、工業控制器、無人機與加密錢包。

挖出這批漏洞的方法值得記一筆。針對 FatFs 的探查工作最早在 2017 年做過手動稽核與多天模糊測試，當時只找到幾個基礎但不顯著的問題。runZero 今年 3 月重啟專案，改用 Visual Studio Code 加上 GitHub Copilot 的自動模式與一些基本提示，組建能處理各式新奇輸入的模糊測試工具，不只找到手動稽核遺漏的漏洞，還能用自動化流程驗證這些漏洞在不同嵌入式情境確實可利用。

修補進度目前並不完整。runZero 的專屬 GitHub 儲存庫提到 R0.16 可修正 CVE-2026-6684、對 CVE-2026-6683 提供部分防護，其餘五個漏洞沒列出修補機制。現階段的防護重點落在禁用不受信任的 USB 儲存裝置或 SD 記憶卡、停用不需要的 exFAT 支援，以及由下游廠商自行加防護邏輯。這七個漏洞全由 runZero 創辦人 HD Moore 發現，聯絡 FatFs 維護者 ChaN 與 JPCERT/CC 都沒得到回應，最後在 7 月 1 日對外揭露。

AI 時代最值錢的能力，是當編輯

有兩篇文章這幾天談的其實是同一件事：人在 AI 面前該保留哪些能力。

一位在 Google 協助企業導入 AI 的母親 Carolaine Pino，八年來刻意讓 8 歲女兒遠離螢幕，卻在一次陪做功課時發現自己早把對 AI 的依賴傳給了孩子。那次她為了方便，直接拿手機請 ChatGPT 用 8 歲能懂的方式解釋生字。幾天後在公園遇到類似狀況，女兒急著要她直接問 ChatGPT，這句話讓她意識到孩子正在模仿大人把思考外包的習慣。

她替家庭立了三條規矩：問 AI 之前先自己猜答案、刻意找不同來源做查證、以及先去問真人的看法。她強調 AI 時代的教養重點，不是讓孩子提早學會用工具提高效率，而是刻意保留生活裡的一些不方便，讓孩子在挫折與反覆嘗試裡建立起無法外包的判斷力。

另一篇談的是成年人版本的同一課題。生成式 AI 與代理式工作流普及後，真正有效的用法不在使用頻率與數量，而在人能不能像專業編輯那樣篩選、修正與拒絕 AI 的產出。作者給了三個動作：用前先想清楚任務目的、給具體而非模糊的回饋、以及把事實查核當成不可省略的防線，因為 AI 常生成看似合理卻與事實不符的內容，文中引用的數據是某些測試的幻覺率曾高達 79%。

小孩版跟大人版指向同一條線：判斷力不能外包。工具會愈來愈會給答案，如果人連猜一次、查一次、問一次真人的習慣都省掉，被淘汰的不會是不會用工具的人，而是把思考整段交出去的人。

有人用 25GB 筆電硬跑 744B 模型

本地跑模型這群人，最近的樂趣是拿硬體極限開玩笑。

有位開發者不信邪，想在一台 12 核、25GB RAM 的普通筆電上跑起 GLM-5.2 這個 744B 的 MoE 模型。他寫了一個叫 colibrì 的純 C 引擎，把稠密部分約 10GB 留在 RAM、把路由的 experts 依需求從磁碟串流出來。速度慢到冷啟只有 0.05 到 0.1 t/s，但它真的會回應、還能用義大利文聊天，對他而言那份成就感夠了。

同一個社群裡，另一份測試把重點放在跑得快不快。一位使用者在 128GB 的 M3 Max 上測速，發現最影響速度的不是選哪個模型，而是選哪個執行環境。同一顆 Qwen3.5 122B-A10B、同樣 Q4 量化，在 llama.cpp 跑到 35.1 tok/s，換 Ollama 只剩 27.7。他原本以為模型選擇最關鍵，跑完反而更在意 serving path。

agent harness 這塊也很熱鬧。有人發布 MetaHarness，宣稱首兩週下載破 10 萬次，主打替每個 repo 生成專屬的 agent 外殼、把每次失敗變成 harness 的訓練訊號。也有人做出用「融合面板」當推理核心的 Chimera，讓多個模型回答同一題、再由一個 judge 做交叉分析、synthesizer 寫最終答案，前面還擺一個成本感知的路由器決定這回合值不值得融合。這些專案共同的問題其實一樣：多花的算力，到底在哪裡真的換到更好的答案。