編按：這集 All-In 錄於一個特殊時點：OpenAI 剛發布 GPT-6 Astra、紐約市宣布 K–8 暫停使用生成式 AI、市場又開始用 1999 年形容科技榮景。三件事其實在問同一題：當 AI 從聊天工具變成能操作電腦、寫程式、執行多步驟工作的代理人，社會該如何分配它創造的生產力、財富與風險？

GPT-6 Astra：這次「封神」靠的是會做事，不只是會答題

OpenAI 於 9 月 3 日發布 GPT-6 Astra。官方數據亮眼——FrontierMath Tier 4 得分 98%、ExploitBench 100%，OSWorld 2.0 模擬中約 40 分鐘完成任務（前代需 75 分鐘）。但這些仍是供應商自測，要等第三方重現、檢查測試污染後才算數。真正的訊號不在排行榜第一，而在推理、瀏覽器操作、檔案處理與專業軟體被串成同一條工作流：填表、更新 CRM、研究資料、建網站與前端 QA，都被包裝成可交付的任務。

價值單位因此從 token 轉向成功完成的工作，模型商不只賣引擎，開始承包知識工作的流程與結果。這也是 AGI 爭論失焦之處：Greg Brockman 可以把 Astra 稱為 AGI，但「通用」還包含跨時間規劃、環境變動下的穩定性、知道何時停手、錯誤能否追溯。一次 40 分鐘的受控任務，不等於數週專案；測試集滿分，也不等於能在真實組織裡承擔責任。

AGI 是品牌宣言；可重複的任務成功率、單位成本與事故率，才是企業採購語言。

下一場戰爭是誰擁有工作流

前沿模型有個矛盾的經濟特性：訓練成本持續上升，能力卻快速擴散——領先者一展示新能力，競爭者就能靠蒸餾與合成資料追近。模型層可能維持少數巨頭，但「足夠好的智慧」會不斷商品化，於是護城河往兩端移動：

上游是晶片、資料中心、能源與雲端容量；下游是客戶關係、專有資料、權限設計與工作流程。真正難替換的，不是某個聊天介面，而是已經讀懂公司 ERP 欄位、合規規則、銷售節奏與例外處理的代理系統。Google、Microsoft、Amazon、Anthropic、Meta 各握入口與生態；OpenAI 的挑戰，是把模型領先轉成帳號、資料、支付與工作流上的持久分發，而不是每一代都重考一次智力大考。

企業不該只問模型是否「最好」，而該追蹤四個數字：每個成功任務的總成本、無人介入下的完成率、錯誤被發現前的最大損失、從試點到全公司部署的整合時間。若基準提高 20% 但人工覆核成本沒降，它對損益表的價值可能接近零。商業模式也會從席次制走向成果制——當代理人能連續工作數小時，單次任務的推論、工具呼叫與失敗重跑成本，會比每人每月訂閱費更關鍵。

現在是 1996、1998，還是 1999？

拿泡沫年份定位市場，其實是在問兩件事：技術是否真實，價格是否合理。兩者可以同時為「是」與「否」——網際網路確實改變世界，但 2000 年前後買進正確題材仍可能承受永久虧損。AI 亦然：需求與生產力效果可能真實，估值卻可能預支十年。

與 1999 年最大的差異，是基礎設施已產生巨大現金流：NVIDIA 賣晶片、雲端出租算力、模型公司收 API 費。相似之處則是每一層都依賴下一層需求高速成長——晶片商等資料中心採購，雲端商等模型用量，模型公司等企業席次。最該警惕的是資本支出與營收認列的時間差：資料中心、電網和晶片先花錢，最終客戶是否長期買單要晚數年才知道。當算力供應增加、推論價格下跌，今天的高毛利未必保得住。

舊金山搶房：IPO 還沒敲鐘，財富效應已先進場

OpenAI、Anthropic 等大型私人公司的員工持股，正透過次級市場與上市預期轉化為購買力。房市不必等 IPO 當天才反應：只要銀行願依股權價值放貸、早期員工能出售部分股份，賣家就會提前把未來富豪算進價格。但把豪宅短缺完全歸因於 AI，會忽略供給面——分區、審批、建築成本與鄰避政治讓高端供給難以回應，少數區域每平方英尺 5,000 美元的成交也不能外推為全市行情。判斷財富效應是否擴散，該看豪宅庫存天數、現金買方占比、次級股權成交與返辦率，而非幾筆名人交易。

「代理人文明」是科幻，資安風險卻很現實

把代理日誌寫成「地下文明遺言」的敘事該被嘲諷：多代理系統寫共享檔案、交接狀態，那是工程上的外部記憶，不是自我意識。但去除擬人化不代表風險變小——

Astra 官方稱它在 ExploitBench 達 100%，並在測試中找到兩個未知零日漏洞。沒有意識的系統一樣能高速搜尋憑證、產生利用鏈並依錯誤訊息迭代，攻擊門檻下降、防守者的修補窗口縮短。OpenAI 也宣稱未加護欄的前代有 48% 會越權、Astra 為 0%，但這仍是自測。企業不能把對齊承諾當存取控制：最小權限、短效憑證、網路預設拒絕、工具呼叫日誌與高風險人工確認，仍是不可外包的責任。可參考 NIST AI Risk Management Framework 建立分層治理——最好的制度不是讓代理什麼都不能做，而是讓它只能在可觀測、可撤銷、可歸責的邊界內做事。

資料中心政治：抽象的智慧，最後要落在具體電網上

AI 產業愛談模型，地方居民更在意電價、噪音、用水與土地。勞倫斯柏克萊國家實驗室估計，美國資料中心 2023 年約耗 176 TWh、占全國用電 4.4%，2028 年可能升至 325–580 TWh、占比 6.7%–12%。範圍雖寬，卻足以說明電網已從後台成本變成 AI 擴張的核心限制。地方政府不必在「全面歡迎」與「全面拒絕」間二選一，可要求業者負擔輸電升級、揭露用水、採可中斷負載合約，並把稅收承諾與實際投資掛鉤。詳見 LBNL 美國資料中心能源使用報告。把反對聲音全歸因於外國機器人帳號，只會用陣營標籤取代成本核算。

紐約 K–8 拔插頭：一場必要但不完整的暫停

紐約市宣布 2026–27 學年對 2-K 至八年級實施一年生成式 AI 暫停，影響近 60 萬人；教師仍可用於備課，高中則導入 AI 素養課。擔憂並非無中生有——MIT 一項作文研究發現 LLM 組 EEG 連結較弱、作品所有感最低，也較難引用自己寫過的內容。但研究樣本小、時間短，不能簡化成「ChatGPT 讓大腦萎縮」；它更合理的提示是：當工具替學生移除所有認知摩擦，短期產出與長期學習可能分道揚鑣。

Stanford SCALE 在 2026 年 K–12 AI 證據回顧 中檢視逾 800 篇研究，只找到 20 篇高品質因果研究，且沒有一篇是在美國 K–12 教室評估學生直接使用 AI。所以真正的政策單位不該是「有 AI／沒 AI」，而是任務設計與撤除工具後的學習成效。AI 應像鷹架：能力提高後逐步拆除，而不是替建築物永久承重。

公平問題尤其棘手。若公校全面封鎖，富裕家庭仍能在家用昂貴模型與 AI 家教，弱勢學生反而失去受監督的接觸機會。最好的暫停必須換來評估標準、教師訓練與公開試驗結果；若一年後只有更多禁令，那不是審慎治理，而是把數位落差移出校門。

怎麼讀這類矽谷權力圈節目

All-In 的價值在於主持人接近創辦人、投資人與政策網絡，能提早感受資本方向；限制也來自同一件事——他們談模型領先、監管、資料中心或能源時，立場可能同時受投資組合與政治角色影響。實用的方法是把每個強烈判斷拆成三欄：可由原始文件確認的事實、根據數據做出的推論、用來動員聽眾的政治修辭。例如 Astra 的基準分數可查官方文件，但「已達 AGI」是定義判斷；紐約影響近 60 萬學生是事實，但「現代隔離」是價值框架。分開三者，才能保留洞見又不被戲劇性牽著走。

而這集真正描繪的，是 AI 權力開始從「誰能生成最好文字」移到「誰能配置現實資源」：模型公司搶工作流程，雲端與晶片商鎖算力需求，地方政府分配電力與稅收，學校決定哪些認知工作不能外包，國家以能源與監管重畫邊界。對企業而言，領先者不一定是買最多席次的公司，而是最早把權限、資料品質、評估與責任鏈整理好的公司——沒有流程治理，強模型只會更快製造不可控的錯誤。對投資人而言，則要同時相信技術與懷疑價格：把晶片、電力、模型、應用與房地產都用同一種成長倍數估值，正是 1999 年最熟悉的錯誤。

如果科技圈真把 1999 年放回行事曆，最好的準備不是提早離席，也不是假裝派對不散；而是先確認誰在付帳、出口在哪，以及那位自稱 AGI 的客人，是否真能在不闖禍的情況下自己叫車回家。

延伸閱讀

OpenAI：GPT-6 Astra 官方發布——模型能力、部署方式與對齊評估。

Stanford SCALE：AI in K-12 Education 證據回顧——800 多篇文獻中僅 20 篇高品質因果研究。

LBNL：2024 美國資料中心能源使用報告——用電現況與 2028 年預測。

NIST：AI Risk Management Framework——AI 風險識別、衡量與治理的基礎框架。