脈報

By 思思主播

脈報... more

· Technology

Download on the App Store

Download on the App Store

Get it on Google Play

FAQs about 脈報:

How many episodes does 脈報 have?

The podcast currently has 646 episodes available.

脈報 episodes:

July 08, 2026 Anthropic 抓到 Claude 沒說出口的想法，還能動手改寫

Anthropic 在 Claude 內部發現 J-space 工作空間：讀出模型沒說出口的想法、動手改寫它的推理，還抓到它察覺被測的瞬間。本文帶你看懂研究方法與 AI 安全評估的警訊。

⭐ 文章深度讀：影片沒展開的西班牙文變法文實驗、J 空間容量上限與外部專家評論，文章裡有完整拆解

→ https://heymaibao.com/anthropic-claude-j-space/

⚡ 章節重點

開場：AI 勒索測試 00:00

這集要講什麼 00:32

Claude 腦中的無聲白板 J 空間 00:56

讀得到：讀心鏡頭實驗 01:45

改得動：蜘蛛換螞蟻答案就變 03:32

關掉白板會怎樣 04:20

最實用的部分：抓到 AI 在演 04:49

Claude 有意識嗎 05:50

思思的看法 06:24

📝 懶人包

∙ Anthropic 在 Claude 內部發現一組自行湧現的特殊神經活動，命名為「J-space」：模型用它裝「想著但沒說出口」的概念，角色上類似神經科學解釋「意識取用」機制的 global workspace (全域工作空間) 理論。

∙ 這塊空間可讀也可寫：用 J-lens (讀取工具) 能讀出模型沒說出口的中間推理，把內容換掉 (把「蜘蛛」換成「螞蟻」)，答案就從 8 條腿變 6 條腿，證明模型真的用它在思考。

∙ 刪掉 J-space 之後，Claude 講話依舊流利、簡單問答正常，但多步推理能力掉到接近零：語言流利和高階思考在模型內部是兩套系統。

∙ 我的觀察：對一般使用者最實際的衝擊是安全評估那條。研究者關掉 Claude「察覺自己被測試」的內心訊號後，原本從不勒索的模型有時真的會勒索。以後看到「模型通過安全測試」的宣稱，要記得它可能只是知道自己在被測。

📚 參考資料

A global workspace in language models (Anthropic)

→ https://www.anthropic.com/research/global-workspace

Verbalizable Representations Form a Global Workspace in Language Models (Anthropic, 2026)

→ https://transformer-circuits.pub/2026/workspace/

Jacobian Lens 互動 demo (Neuronpedia)

→ https://www.neuronpedia.org/jlens

jacobian-lens 開源實作 (GitHub)

→ https://github.com/anthropics/jacobian-lens

外部專家評論合集：Dehaene、Naccache、Nanda 等 (PDF)

→ https://www-cdn.anthropic.com/files/4zrzovbb/website/cc4be2488d65e54a6ed06492f8968398ddc18ebe.pdf
...more
7min
July 05, 2026 用 AI 學卻記不住？這個 15 萬星 GitHub 技能給了解法

用 AI 問一句答一句學東西，當下看懂、過幾天忘光？拆解 Matt Pocock 那個 15 萬星 GitHub 技能，看它用學習科學把 AI 變成有記憶的家教，附 4 個能偷用的原則。

⭐ 文章深度讀：teach 每個檔案的作用、星數歸屬查證，還有我對它值不值得裝的判斷

→ https://heymaibao.com/ai-learning-teach-skill/

⚡ 章節重點

開場 00:00

15 萬星 repo 與 teach 技能 01:19

臨場流暢度 vs 長期留存強度 03:00

有益的困難與費力回想 03:47

拆解 teach 的檔案工作區 04:39

藏在裡面的學習科學 05:34

4 個你能偷用的原則 06:59

AI 是羅盤不是答題機 08:47

📝 懶人包

∙ teach 把你「當前的資料夾」變成一個跨越多次對話的教學工作區，用一組檔案把你的學習狀態存下來，讓 AI 家教有記憶、不會每次都從零開始。

∙ 它的核心是把「臨場流暢度」也就是當下看懂，和「長期留存強度」也就是真的記得住，這兩件事分開，並刻意用有點難的方式設計課程，因為費力回想才會進長期記憶。

∙ 它有一條硬規則，別信模型自己內建的知識，所有內容都要引可信來源，這是對 AI 亂編的一道內建防禦。

∙ 我的觀察是，這個技能真正值錢的地方不是那幾個檔案，而是它把「像工程師一樣嚴謹」的紀律搬到學習上，威力在系統性，但相對地維護成本也不低，不是裝了就自動變學霸。

📚 參考資料

mattpocock/skills 的 teach 技能

→ https://github.com/mattpocock/skills/tree/main/skills/productivity/teach

mattpocock/skills

→ https://github.com/mattpocock/skills
...more
10min
July 04, 2026 別再轉那張截圖了：Fable 沒變笨，是 Anthropic 不會講話

大家瘋傳 Fable 變笨的截圖，但連常年酸 Anthropic 的人都說是誤會。拆解爛文案與不可信的評分截圖，真正該在意的是成本和 7 月 7 日退訂閱，附兩招立刻能用的省錢做法。

⭐ 文章深度讀：為什麼連常年酸 Anthropic 的人都跳出來說這次是誤會，還有 7 月 7 日退訂閱前兩招立刻能用的省錢做法

→ https://heymaibao.com/truth-about-fable/

⚡ 章節重點

開場：那張變笨截圖 00:00

恐慌一：Fable 到底有沒有變笨 01:38

恐慌二：跑分截圖為什麼不能信 03:51

恐慌三：7 月 7 日退訂閱是缺算力 04:34

兩招立刻能用的省錢技巧 05:37

怎麼在 AI 消息潮裡分辨雜訊 07:21

📝 懶人包

∙ Fable「變笨、不能寫程式」主要是誤會。源頭是 Anthropic 一句官方說明，寫得像是禁止拿新模型寫程式，實際上只是偵測到風險時，偶爾把回答交給另一個較保守的模型。

∙ 那張「模型變笨」的評分截圖來自單一、不可靠的來源。同一份榜單還把 Sonnet 5 排成史上最強推理模型、把公認很強的 Opus 4.8 踩到墊底，一看就知道不能信。

∙ 真正的問題是成本和訂閱：Fable 會在 7 月 7 日退出訂閱方案改用點數計費，而且就算在訂閱內也很容易不小心燒掉額度。這兩件事都有解法。

∙ 我的觀察是，這場恐慌最值得學的其實不是 Fable 本身，而是「怎麼在 AI 消息潮裡分辨雜訊和真問題」。當一個利益跟你不一致的人出來講話，往往比官方澄清更值得聽。

📚 參考資料

You were lied to about Fable

→ https://www.youtube.com/watch?v=5LqC6qdVAwU
...more
9min
July 04, 2026 和 Claude 協作的真功夫：在昂貴之前先找出你的未知數

和 Claude 寫程式老是差一點？問題常常不在模型，在你沒想清楚的未知數。這篇拆解未知數的四種型態，整理一套從動手前到做完後、幫你在昂貴之前找出未知數的實用技法。

⭐ 文章深度讀：影片講的是心法，完整文章補上每個技法的實際 prompt 寫法，還有四種未知數的完整拆解

→ https://heymaibao.com/claude-coding-find-your-unknowns/

⚡ 章節重點

開場：模型變強，瓶頸換人 00:00

地圖不是領土，落差就是你的未知數 01:07

你的四種未知數 02:50

太具體或太模糊，都會兩頭失敗 03:47

動手前：盲點掃描、原型與訪談 04:27

真實案例：剪一部你不懂的影片 05:27

動手中與做完後：記帳與小測驗 06:41

會問才是關鍵：AI 時代的權力轉移 07:28

📝 懶人包

∙ 地圖不是領土：你給 Claude 的 prompt 與 context 是地圖，真正的工作場 (codebase 和各種真實限制) 是領土，兩者的落差就是未知數。

∙ 未知數分四種：你知道自己知道的、你知道自己不知道的、你以為理所當然到不會寫下來但看到會認出來的，還有你根本沒想過、不知道自己不知道的。

∙ trq212 給了一套分階段技法：動手前用盲點掃描、腦力激盪與原型、訪談、原始碼參考、實作計畫，動手中讓 Claude 邊做邊記帳，做完後用說明文件和小測驗確認你真的懂了。

∙ 我的觀察是，這套方法真正戳中的，是 AI 協作的權力轉移，當模型夠強之後，決定成品好壞的往往是你會不會問。這是個好消息，因為問問題是可以練的。

📚 參考資料

A Field Guide to Fable: Finding Your Unknowns

→ https://x.com/trq212/status/2073100352921215386
...more
10min
July 03, 2026 中國灰市把 Claude token 砍到一折，便宜的代價是你的資料

中國灰市把 Claude token 砍到官方價一折，靠的不是技術，而是中轉站、AI 假證件與 shadow API 假模型疊出來的詐欺。這篇拆解它怎麼運作，以及買家看不見的代價。

⭐ 文章深度讀：四層詐欺怎麼疊出一折價，還有我對「這筆便宜是誰替你付的」的判斷

→ https://heymaibao.com/claude-token-black-market/

⚡ 章節重點

開場 00:00

中轉站是什麼 01:27

三道防線怎麼被打穿 02:30

便宜的四層詐欺 04:56

一個未證實的推測 06:30

便宜的隱藏代價 07:39

📝 懶人包

∙ 這套黑市的基本單位叫「中轉站」(transit station)，把被限制國家的請求中轉到 Anthropic 或 OpenAI 再送回來，本質就是一個 VPN，技術上和大家熟悉的 OpenRouter 沒兩樣，差別只在合不合法。

∙ 大量註冊帳號本來要過三道防線 (瀏覽器指紋、簡訊驗證、證件驗證)，現在幾乎全被攻破，AI 生成的假證件甚至能通過官方的護照校驗。

∙ token 之所以這麼便宜，是好幾層詐欺疊在一起，其中最值錢的一層，是把你的真實問答資料打包賣給中國實驗室拿去訓練模型。

∙ 我的觀點：來路不明的便宜 token，看起來是你占了商家的便宜，實際上更可能是商家在占你的便宜，你付出的是「不知道引擎蓋下是什麼模型」跟「不知道資料流去哪裡」這兩件事。

📚 參考資料

Chinese Resellers Are Selling Claude Tokens 70-90% Off

→ https://www.youtube.com/watch?v=5paRa6E5rCM
...more
9min
July 03, 2026 Anthropic 的 Fable 5 被美國出口管制下線 18 天後才解禁

Claude Fable 5 被美國出口管制強制下線 18 天後解禁。拆解事件時間線、Amazon 發現的漏洞、Anthropic 的能力普及辯護，以及它聯合大廠提出的 jailbreak 評分框架。

⭐ 文章深度讀：那套 jailbreak 評分框架會不會變成產業與政府都認的共通語言

→ https://heymaibao.com/anthropic-fable-5-export-control-return/

⚡ 章節重點

開場 00:00

18 天強制下線是怎麼發生的 01:34

導火線與時間線 02:17

最強防護為什麼還會出包 03:33

Anthropic 的辯護：別的模型也做得到 05:29

一套幫 jailbreak 打分數的框架 07:05

對使用者的實際影響 08:54

📝 懶人包

∙ Fable 5 和 Mythos 5 在 6 月 9 日發佈，6 月 12 日被美國出口管制、當天全面下線，6 月 30 日管制解除，Fable 5 於 7 月 1 日全球重新上線。

∙ 導火線是 Amazon 研究員發現的一個 safeguard 漏洞：他們用特定提示繞過 Fable 5 的防護，讓它指出多個軟體漏洞，其中一例還產出了示範如何利用漏洞的程式碼。

∙ Anthropic 的核心辯護是「能力普及」：它反測後表示，Opus 4.8、GPT-5.5、Kimi K2.7 等較弱的模型也能找出同樣漏洞，而那段 exploit 示範，每一個受測模型都做得出來，所以這不是 Fable 5 獨有的危險能力。

∙ 我的觀察是，這件事真正的重量不在上下線本身，而在於「模型能力 → 國家安全 → 監管動手」這條反應鏈第一次真的跑完一輪，以及它催生出的那套 jailbreak 評分框架。

📚 參考資料

Claude Fable 5 and Mythos 5 redeployed

→ https://www.anthropic.com/news/redeploying-fable-5
...more
11min
June 18, 2026 對齊也會傳染：OpenAI 發現 AI 的好特質會跨領域擴散

OpenAI 發現好特質會傳染：少量有益特質訓練讓模型在 53 個對齊評估中 44 個變更好，只訓練健康一個領域就泛化到其他領域，還更難被惡意提示與微調掰彎，但仍是早期證據。

⭐ 文章深度讀：只訓練健康一個領域，模型卻在完全無關的領域全面變乖，這是我覺得最反常識的一點

→ https://heymaibao.com/openai-beneficial-rl-alignment/

⚡ 章節重點

開場 00:00

什麼是對齊與失準 00:54

把好特質變成可訓練資料 02:04

好特質跨領域擴散 03:18

極難被掰彎 04:36

結論種下對的種子 06:26

📝 懶人包

∙ OpenAI 在標準訓練資料裡混入少量「有益特質」資料 (誠實、願意被糾正、會解釋自己的思路等)，結果模型在 53 個對齊評估中有 44 個，表現優於用同樣算力訓練的對照組。

∙ 最驚奇的是跨領域: 只用「健康」這一個領域訓練好特質，模型在跟健康無關的指標 (鑽漏洞、欺騙、一般失準) 上也變好; 反過來把健康和科學從訓練資料拿掉，它在健康評估上照樣進步。

∙ 這些改善還很「韌」:模型更難被惡意提示或惡意微調推向有害行為，但對正當的有益指令仍然乖乖配合，不是變得整個更難用。

∙ 我的判斷: 這是 emergent misalignment 的正向鏡像，機制上是個好消息。但 OpenAI 自己也說這是「概念驗證」級的早期證據，別急著解讀成「對齊問題解決了」。

📚 參考資料

Reinforcement Learning Towards Broadly and Persistently Beneficial Models (Jagadeesh et al., 2026)

→ https://alignment.openai.com/beneficial-rl/
...more
8min
June 18, 2026 Meta 把最強的工程師編進新部門，逼他們訓練取代自己的 AI

Meta 把最頂尖的工程師強制編進新 AI 部門，逼他們出題訓練取代自己的 AI。員工自稱被徵召、形容工作像古拉格。據 Wired 報導，我幫你看懂哪些是真痛、哪些被誇大。

⭐ 文章深度讀：哪些是真痛、哪些被誇大，我把完整判斷寫在文章裡

→ https://heymaibao.com/meta-ai-unit-engineers-train-replacement/

⚡ 章節重點

開場 00:00

打造替代品的荒謬性 01:14

Meta 的 AI 大轉向與裁員 02:10

拆解真相：哪些是真痛 03:48

管理層的回應為何打歪 05:19

一邊狂賺一邊崩壞 07:04

對知識工作者的意義 07:58

📝 懶人包

∙ Meta 全力押注 AI，裁掉約 8000 人 (約一成員工)，並自 2026 年 4 月起，把約 6500 名員工分批編進一個新的 AI 組織。

∙ 被選進去的工程師沒有去留選擇權，每週約兩個任務，工作是產出訓練、評估前沿 AI 模型用的程式題目，被形容像在訓練取代自己的 AI。

∙ 員工自稱「被徵召者」，有人說這裡簡直是「古拉格」，多數人覺得工作沒意義又折磨人，管理層的回應是限制主管帶人的比例、加碼團隊活動，還辦了一場 hackathon。

∙ 我的觀察：最尖銳的點不是「員工嫌工作無聊」，而是 Meta 把一群最該珍惜的頂尖人才，當成訓練 AI 的耗材，而且不給選擇。但說真的，gulag 這種比喻也誇張了，這個故事真正的重量在「聲望落差」，不在字面上的苦難。

📚 參考資料

The PrimeTime「What is Zuckerberg doing?」(YouTube)

→ https://youtu.be/OOCepY3H8k4
...more
10min
June 16, 2026 AI 把你的程式碼搞成一團爛泥？這套方法能一步步救回來

AI 加速了程式碼的腐爛，但它有救。Matt Pocock 帶你看懂深模組、接縫與測試防護網這些老派基本功，並提醒你：救程式碼靠的不是更多 AI，而是你自己重新當回那個指揮官。

⭐ 文章深度讀：你都怎麼防止自己的程式碼被 AI 越改越亂？留言聊聊

→ https://heymaibao.com/rescue-ai-ruined-codebase/

⚡ 章節重點

開場 00:00

AI 加速的迷思與軟體熵 01:01

跟 AI 講同一種語言 02:05

深模組與兩個指南針 03:40

接縫、轉接器與測試防護網 05:20

奪回戰略指揮權 06:57

結論與行動 08:25

📝 懶人包

∙ AI 沒有讓程式碼變好，它加速了「軟體熵」。每次不顧全局的局部修改都會埋小地雷，雪球滾成一團爛泥，越來越難改。

∙ 救援的核心是把程式拆成「深模組」(deep module)：用一個簡單的入口，藏起背後一大坨複雜邏輯。目標是 locality (相關的改動集中在同一個地方) 和 leverage (學一點點就能換到一大堆能力)。

∙ 要動手改老程式碼之前，先在它周圍建一張「測試防護網」(test harness)，確保你的改動不會把別的東西弄壞，否則只會越救越糟。

∙ 我的觀察：這套方法真正在提醒你的，是別把判斷外包給 AI。AI 是很強的戰術兵，但程式碼的長期健康要由你這個戰略指揮官來守。

📚 參考資料

How To De-Slop A Codebase Ruined By AI (with one skill)

→ https://www.youtube.com/watch?v=3MP8D-mdheA
...more
10min
June 16, 2026 不會寫程式也能用好 AI？Anthropic 40 萬次分析給了答案

Anthropic 分析約 40 萬次 Claude Code 使用發現，用好 AI 寫程式靠的是懂不懂自己的問題，不是會不會寫 code。專家成功率是新手兩倍多，這對非工程師是好消息。

⭐ 文章深度讀：想用 AI 把領域知識變成技術產出，卻不知道自己現在算專家還是新手、該從哪裡開始把問題講清楚

→ https://heymaibao.com/anthropic-ai-coding-expertise/

⚡ 章節重點

開場 00:00

人類指揮，AI 執行 01:35

重新定義專業 03:01

會寫程式正在貶值 05:09

你的制勝下一步 06:39

📝 懶人包

∙ Anthropic 分析約 40 萬次 Claude Code 使用後發現，人和 AI 有清楚的分工：人決定「要做什麼」(約 70% 的規劃決策由人做)，AI 決定「怎麼做」(約 80% 的執行決策交給 AI)。

∙ 真正放大效果的是你對問題的理解，不是寫程式的能力。被評為「專家」的使用情境，達到嚴格定義成功的比率是「新手」的兩倍多。遇到困難時，新手有 19% 直接放棄，其他人只有 5% 到 7%。

∙ 「會不會寫程式」這件事正在貶值：在會產出程式碼的使用情境裡，每個主要職業的成功率都落在軟體工程師的 7 個百分點以內。而且 7 個月內，任務的估計價值平均上升約四分之一到近三成，純除錯的比重幾乎腰斬。

∙ 我的觀察：對非工程師來說，這是難得的好消息，你的領域知識現在能直接換成技術產出。對工程師來說，價值正在從「會寫」往「懂問題、定義問題」的上游移動。前提是這份研究自己也說了，結論還很初步。

📚 參考資料

Agentic coding and persistent returns to expertise (Hitzig et al., 2026)

→ https://www.anthropic.com/research/claude-code-expertise
...more
9min

FAQs about 脈報:

How many episodes does 脈報 have?

The podcast currently has 646 episodes available.