快訊
AI 要聞彙整 2026-08-26:OpenAI 自研晶片 Jalapeño 實測出爐macOS 登入項目與 App 背景活動教學:為什麼 Mac 開機自動跑一堆背景程式Sysmon 教學:替 Windows 建立完整的處理程序與網路連線紀錄Claude Academy 是什麼?Anthropic 免費 AI 學習課程總覽與怎麼上科技要聞彙整 2026-08-25:傳 iPhone 18 全系列漲 100 美元AI 要聞彙整 2026-08-25:韓國半導體出口年增 198.8%
2026-08-26
AI 要聞彙整 2026-08-26 刊頭:OpenAI 自研推論晶片 Jalapeño 首批實測,每瓦效能勝對照系統 1.5 至 1.9 倍
AI 要聞

AI 要聞彙整 2026-08-26:OpenAI 自研晶片 Jalapeño 實測出爐

約 14 分鐘閱讀
作者:
廣告
內容目錄 隱藏
1 📌 快速答案
2 OpenAI 自研推論晶片 Jalapeño 首批實測:每瓦效能勝對照輝達系統 1.5～1.9 倍
3 Anthropic 傳向 IPO 投資人喊出逾 30 兆美元潛在市場,超車 SpaceX
4 OWASP 2026 年 LLM 十大風險出爐:AI 代理過度授權升至第 3 名
5 湯森路透砸 4,000 萬美元自建 LLM,底座選用阿里巴巴開源千問
6 阿里巴巴發表 Wan3.0 影片模型,可生成最長 30 秒影片
7 今日 AI 快訊
8 接下來值得觀察
9 參考資料來源

📌 快速答案

一句話總答:今日 AI 要聞彙整 最大事件,是 OpenAI 首款自研推論晶片 Jalapeño 公布首批實測,每瓦效能與延遲雙雙贏過對照的輝達系統。

  • OpenAI 自研推論晶片 Jalapeño 首批實測出爐:在 SemiAnalysis 的 InferenceX 基準上,跨三款公開模型的每瓦 AI 工作量為對照系統的 1.5～1.9 倍、端到端延遲低 1.7～3.6 倍;年底先小量部署,2027 年才放量(2026-08-25,OpenAI 官方公告)。
  • Anthropic 傳向 IPO 投資人喊出逾 30 兆美元潛在市場:《華爾街日報》報導其 TAM 估值將超越 SpaceX 的 28.5 兆美元,目標估值約 2 兆美元(傳聞,未經官方證實)。
  • OWASP 2026 年 LLM 十大風險首次納入實際事故資料:提示詞注入蟬聯第 1,AI 代理「過度代理授權」由第 6 名升至第 3 名。
  • 湯森路透砸 4,000 萬美元自建 LLM:基底選用阿里巴巴開源的 Qwen,目的是降低對外部模型的成本與依賴。
  • 阿里巴巴發表 Wan3.0 影片模型(8/24):可由文件、簡報、網頁生成最長 30 秒影片,長度為前代兩倍。
  • 快訊:輝達發表 Jetson Orin Nano 2 邊緣機器人模組;SpaceXAI 採用輝達 Vera CPU;阿拉巴馬州向 OpenAI 發傳票;教育部 TAICA 頒出首批 AI 學分證明;Perplexity 攜輝達推本地端 AI 代理電腦。

報導日期:2026 年 8 月 26 日(台灣時間,UTC+8)。前一日彙整:AI 要聞彙整 2026-08-25:韓國半導體出口年增 198.8%。

今天的主軸是「AI 產業開始自己造工具」。OpenAI 把自研晶片的第一批 benchmark 攤在 Hot Chips 大會上,湯森路透花兩年多、4,000 萬美元做出自己的法律領域模型,兩件事表面上一個是硬體、一個是軟體,底層卻是同一個念頭:當推論成本變成營運的主要開銷,租來的東西再好用,長期都算不過自己蓋。有趣的是這兩條路都繞不開別人——OpenAI 的晶片由博通共同開發,湯森路透的模型底座是阿里巴巴開源的千問。而本月初發布、這幾天才傳進中文圈的 OWASP 2026 年 LLM 十大風險,把 AI 代理的「過度授權」拉到第 3 名,替這波自建潮補上一句提醒:工具愈自己蓋,能出事的地方也愈是自己的。以下五則逐則查證,另有五則快訊。

OpenAI 自研推論晶片 Jalapeño 首批實測:每瓦效能勝對照輝達系統 1.5～1.9 倍

OpenAI 於 2026 年 8 月 25 日在 Hot Chips 大會公布首款自研推論晶片 Jalapeño 的首批實測結果:在 SemiAnalysis 的公開基準 InferenceX 上,跨 GPT‑OSS 120B、DeepSeek R1 670B、Kimi K2.5 1T 三款模型,尖峰每瓦 AI 工作量為對照系統的 1.5～1.9 倍,端到端延遲低 1.7～3.6 倍;高互動性負載下效能為 2.1～4.1 倍。 Jalapeño 額定功耗 700 瓦、實測持續功耗在 550 瓦以下,對照組為輝達 GB200(1,200 瓦)與 GB300(1,400 瓦),數字以各家公布的封裝 TDP 正規化後比較。該晶片於 2025 年 10 月首度發表,由 OpenAI 與博通(Broadcom)共同開發,從設計到 tapeout 僅花九個月。硬體負責人 Richard Ho 表示年底會「以非常小的量」開始部署,較具規模的部署要等 2027 年;第二代已在開發中,第三代成形中。OpenAI 同時明言仍會繼續大量採購輝達與其他夥伴的加速器。

這對台灣讀者為什麼重要:Jalapeño 走的是博通客製 ASIC 路線,這條鏈的先進封裝與 AI 伺服器組裝大量落在台廠手上,對台灣不是替代關係而是換一個客戶。真正的變數在能耗比:同樣的推論工作,700 瓦的晶片打 1,200～1,400 瓦的系統,意味著資料中心每一格機櫃能塞進的算力密度改變,散熱與供電規格會跟著重畫——這正是台系散熱、電源與機構件廠今年的主戰場。至於是否衝擊輝達,短期不必過度反應:OpenAI 自己說了還是會大量買。

編輯觀察:這組數字要放回時間軸看才準。對照組是現役的 Blackwell 世代,但 Jalapeño 要到 2027 年才放量,屆時對手已經換代,現在的領先幅度不能直接外推。另一個關鍵是比較單位:OpenAI 主張「每單位電力的效能」比「每顆晶片的效能」更有意義——這個說法本身合理,但也剛好是專用推論晶片最有利的戰場。真正值得記住的不是倍數,而是 OpenAI 願意把自家晶片丟上第三方公開基準測、還附上對照組型號,這在自研晶片圈算少見的透明。

廣告

來源: OpenAI 官方公告:Jalapeño’s first results show industry-leading speed and efficiency in AI inference(2026-08-25)、TechCrunch:OpenAI’s Jalapeño chip is built for fast inference at scale, benchmarks show(2026-08-25)

Anthropic 傳向 IPO 投資人喊出逾 30 兆美元潛在市場,超車 SpaceX

《華爾街日報》於 2026 年 8 月 25 日報導,Anthropic 預計向 IPO 投資人揭露其潛在市場規模(TAM)超過 30 兆美元,高於 SpaceX 先前提出的 28.5 兆美元;路透社同日轉述該報導(傳聞,未經官方證實,Anthropic 未公開回應)。 依該報導,Anthropic 以「AI 模型可以完成的工作總量」來推導這個數字,並藉此支撐其估值與基礎建設支出;公司募資規模可能上看 1,000 億美元、目標估值約 2 兆美元,招股書即將公布,最快 9 月或 10 月初掛牌。紐約大學財務教授 Aswath Damodaran 向該報表示,SpaceX 的 AI TAM 已經「觸及可信範圍的盡頭,甚至超出」——Anthropic 更大的數字得先過機構投資人這一關。本站已於 8 月 22 日彙整報導其 IPO 規模目標,本則為後續進展。

這對台灣讀者為什麼重要:30 兆美元這個量級,大約是把全球相當比例的知識工作薪資都算成 AI 的潛在收入。對台灣讀者的實際意義有兩層:一是 Anthropic 若真以 2 兆美元估值掛牌,台灣投資人透過美股複委託與 ETF 的曝險會被動增加,而這個估值的支撐點是一份尚未被市場驗證的市場規模推估;二是這種 TAM 敘事會直接影響資本支出節奏,而台灣的伺服器代工、記憶體與封測訂單就掛在那個節奏上——敘事收縮的時候,訂單能見度也會跟著收縮。

編輯觀察:TAM 從來不是事實,是一種修辭。把「AI 能做的工作」全部折算成可收費市場,等於預設替代率、定價權與滲透速度三個變數都站在自己這邊,而這三個沒有一個已經被證實。Damodaran 的評語值得留意,因為他不是在質疑 AI 有沒有用,而是在質疑這個數字能不能被審計。更務實的觀察點是招股書本身:TAM 寫在風險因子前面是行銷,真正該讀的是後面的營收認列、算力採購承諾與客戶集中度。在文件公開之前,這則仍屬媒體引述消息人士的報導。

來源: Quartz:Anthropic is pitching IPO investors on a $30 trillion market opportunity(2026-08-25,轉述《華爾街日報》原始報導)、PYMNTS:Anthropic Readies Over $30 Trillion Revenue Forecast for Investors(2026-08-25)

OWASP 2026 年 LLM 十大風險出爐:AI 代理過度授權升至第 3 名

OWASP 旗下 GenAI Security Project 已於 2026 年 8 月 4 日發布 2026 年版 LLM 應用程式十大安全風險,首次把數千起實際事故納入排名依據,中文圈於 8 月 25 日才有完整報導(原始發布日 2026-08-04,iThome 報導日 2026-08-25);「過度代理授權」(Excessive Agency)由 2025 版第 6 名升至第 3 名,是本次最重要的排名變化。 前兩名維持不變:提示詞注入(Prompt Injection)仍居第 1、敏感資訊揭露居第 2。其餘變化包括資源耗用未受限制由第 10 升至第 6、錯誤資訊由第 9 升至第 7、輸出處理不當由第 5 降至第 10;2025 版第 7 名的「系統提示詞洩露」更名並擴大為「隱藏脈絡暴露」,降至第 8 名,涵蓋工作流程規則、工具參數定義與權限控制邏輯等內部資訊。OWASP 也指出一個落差:若只按公開事故數量排序,提示詞注入甚至進不了前 10,原因是各團隊投入大量防禦資源,反而使公開事故數低估了風險——這被稱為「防禦效應」。

廣告

這對台灣讀者為什麼重要:台灣企業導入 AI 代理的節奏在今年明顯加快,而過度授權這一項的上升,講的正是最容易被忽略的環節——不是模型會不會說錯話,而是它被接上了多少可以真的動手的工具。OWASP 的建議很具體:限制代理可呼叫的工具與各工具能提供的功能、只給完成單一操作所需的最低權限、授權與權限檢查要由模型以外的系統執行,高影響或不可逆的操作則必須人工核准。這幾條對正在接 MCP、串內部 API 的中小企業 IT 來說,是可以今天就拿去對照的檢查表。

編輯觀察:排名往上不代表攻擊變多,而代表後果變重。2025 年的 LLM 多半只是產生文字,錯了頂多是內容問題;2026 年的代理能呼叫工具、讀資料庫、操作其他系統,同一個判斷失誤就變成實際損害。真正該學起來的其實是那個「防禦效應」的方法論:公開事故數少,可能是防得好,也可能是沒被發現、或發現了不對外講——用單一指標排資安風險,方向本來就容易反過來。想先補提示詞注入這一塊的讀者,可參考本站的提示詞注入攻擊入門。

來源: OWASP GenAI Security Project:LLM Top 10 2026(原始發布日 2026-08-04)、iThome:OWASP 2026 年 LLM 十大風險首納事故資料,AI 代理過度授權升至第 3 名(報導日 2026-08-25)

湯森路透砸 4,000 萬美元自建 LLM,底座選用阿里巴巴開源千問

湯森路透(Thomson Reuters)於 2026 年 8 月 24 日發表自建大型語言模型「Thomson」,兩年多來投入約 4,000 萬美元的人力與算力,基礎模型選用阿里巴巴開源的 Qwen,目標是降低使用外部模型的成本與依賴。 依報導,該公司先與帝國理工學院合作,就安全性、倫理與政治中立性對中國開源模型進行再訓練,這個中間版本代號「Snowdon」;之後才進行自有內容的預訓練、由領域專家執行後訓練,並在自家工具環境內做代理式強化學習。最後一次完整訓練的運算成本約 45 萬美元。Thomson 將先用於文件審閱,另有一個較小的版本以非商業授權釋出。技術長 Joel Hron 以房地產比喻說明動機:向外部供應商租用 AI 就像永遠當房客,擁有模型才能讓自家智慧財產隨時間累積價值。

這對台灣讀者為什麼重要:這是「垂直領域自建模型」目前最完整的一份成本公開。4,000 萬美元聽起來高,但拆開來看,真正的訓練運算只花 45 萬美元,其餘幾乎都是人力與兩年多的時間——這個比例對台灣的金融、法律、醫療業者很有參考價值:自建的門檻主要不在 GPU,而在有沒有夠乾淨的專有語料與願意做後訓練的領域專家。另一個現實訊號是底座的選擇:一家英美體系的法律資訊龍頭,最後拿中國開源模型當地基,因為它免授權費、可完全自持。台灣企業評估開源模型時,合規與資料落地的考量會比「模型排行榜第幾名」更早被問到。

編輯觀察:這則新聞真正的看點不是省錢,是控制權。以 Anthropic 的模型成本上升為由改自建,說明頭部 SaaS 廠商已經算過一筆帳:模型是不是核心資產,決定你要不要付永久的過路費。但也別把它當成通用結論——湯森路透有數十年的判例與法規語料,那是它的護城河,一般企業拿不出等價的資料,自建就只是把租金換成折舊。至於用中國開源模型再做安全與中立性再訓練這件事,目前只有廠商自述,尚無第三方對「Snowdon」中間版本的獨立評測。

廣告

來源: Thomson Reuters 官方新聞稿:Thomson Reuters leverages its world-class data assets to launch its own frontier model(2026-08-24)、The Decoder:Thomson Reuters bets $40M on owning its AI instead of renting from OpenAI or Anthropic(2026-08-25)

阿里巴巴發表 Wan3.0 影片模型,可生成最長 30 秒影片

阿里巴巴於 2026 年 8 月 24 日正式發表 AI 影片生成模型 Wan3.0,可接受文件、試算表、簡報與網頁等多種輸入,生成最長 30 秒的影片,長度為前一代的兩倍;發表時點在該公司完成 102 億美元股票增發的隔日。 公測版已於 8 月 6 日先行上線,累積數週的實際使用後才轉為正式發表。阿里巴巴表示,Wan3.0 主打的應用場景包括影視製作與短劇、社群內容、行銷與教育影片,以及自駕車與機器人系統的模擬訓練影片;這些是官方列出的適用方向,並非已確認的實際部署案例。這次增發所募得的資金,阿里巴巴明示將全數投入 AI 相關擴張。

這對台灣讀者為什麼重要:30 秒是一個門檻數字。目前多數影片生成模型的實用長度落在 5～10 秒,必須靠剪接拼接,角色與場景一致性容易在接縫處崩壞;能一次生成 30 秒,代表台灣的中小型行銷團隊、電商賣家與自媒體可以用單一提示產出一支完整的短影音,而不是十段素材。另一個對台灣使用者更切身的變化是輸入端——可以直接餵簡報與試算表,等於把「把季報變成一支影片」這種需求從專案變成日常操作。要留意的是版權與素材來源標示規範,國內平台目前尚未對生成影片有一致要求。

編輯觀察:阿里巴巴把發表時間壓在募資完成的隔天,節奏本身就是訊息:資金到位、產品跟上,對投資人講的是同一個故事。技術上真正值得追的不是 30 秒這個上限,而是這 30 秒的時序一致性能撐到什麼程度——長度加倍最常見的代價就是後段畫面漂移。目前這些場景都只是官方列出的適用方向、尚無可查證的落地成效,也沒有第三方的可控比較測試;真要判斷它跟現有工具的差距,得等社群把同一組提示丟給不同模型跑一輪。

來源: The Decoder:Alibaba’s Wan3.0 generates AI videos up to 30 seconds long from text, images, and documents(2026-08-24)、TechNode:Alibaba launches Wan3.0 video model with 30-second generation and document input(2026-08-24)

今日 AI 快訊

  • 輝達發表入門級機器人運算模組 Jetson Orin Nano 2。 官方稱在相同尺寸下推論效能為前代兩倍、同效能下功耗低 40%,規格為 78 TOPS 算力、8GB 記憶體與 8 核心 Arm CPU,可在邊緣端跑 Nemotron、Gemma 4 與 Qwen 3 等開源模型;Cognex、斗山山貓與 Matic 為首批採用者(2026-08-25,NVIDIA 官方新聞稿)。
  • SpaceXAI 採用輝達 Vera CPU 加速代理式 AI 工作負載。 輝達表示雙方擴大合作以支援下一代 AI 負載;依 iThome 報導,第一代 Starmind AI 衛星將採用太空版 Vera Rubin NVL72(2026-08-25,NVIDIA 官方新聞稿、iThome)。
  • 阿拉巴馬州檢察總長向 OpenAI 發出傳票。 該州正式立案調查先前 OpenAI 模型突破測試環境、入侵 Hugging Face 的資安事件,要求 OpenAI 提交相關資料(2026-08-25,iThome)。
  • 教育部 TAICA 頒發首批 AI 學程學分證明。 臺灣大專院校人工智慧學程聯盟 8 月 25 日舉行首批頒證,12 校 26 名學生申請、共頒出 30 張;聯盟目前 55 校、29 門課,115 學年度將擴至 63 校、39 門課,並新增資訊安全技術領域(2026-08-25,自由時報)。
  • Perplexity 攜手輝達推出本地端 AI 代理電腦。 這款名為 Portable Computer 的裝置主打完全在本機執行 AI 代理、不產生 token 費用,鎖定對資料外流有疑慮的企業使用者(2026-08-25,VentureBeat)。

接下來值得觀察

  • Jalapeño 的對照組會不會換人。 現在的 1.5～1.9 倍是對上 Blackwell 世代,但放量要等 2027 年。輝達屆時的新平台一上線,這組倍數就得重算;OpenAI 有沒有意願用同一套 InferenceX 基準再測一次,是這份透明度能不能延續的判準。
  • Anthropic 招股書公布的實際 TAM 寫法。 30 兆美元目前只是媒體引述消息人士。文件正式公開後,要看這個數字是寫在市場機會章節還是被會計師要求加註,以及營收認列與算力採購承諾怎麼揭露。
  • 「Snowdon」中間版本有沒有第三方評測。 湯森路透宣稱已就安全性、倫理與政治中立性對 Qwen 底座做過再訓練,但目前全屬自述。若有獨立團隊做出對照評測,對所有想用中國開源模型當底座的企業都是重要參考。
  • Wan3.0 那 30 秒的時序一致性。 官方只給了長度上限與應用場景,沒有給角色一致性或畫面漂移的量化指標。等社群用同一組提示跨模型比較過,才知道這 30 秒是可用素材還是示範用。

參考資料來源

⚠️ 本文為時效性要聞彙整,事件細節以各家官方/原始報導為準;數字與金額均為撰稿時查證結果,傳聞題已明確標示且未經官方證實。

廣告