12 GW announced. 5 GW under construction. What happens next?
探討 AI 資料中心建設面臨的當地政治阻力與信任危機，指出已宣佈容量與實際施工容量之間存在巨大落差。作者分析社群反對如何從零星抗議轉化為系統性障礙，並警告若無法建立信任與實際供電能力，AI 基礎設施擴張可能面臨延遲或縮減。
Ben Lorica
20 筆內容・被提到 14 筆
他的來源
最受歡迎
依人氣
The Big AI Labs Are Suddenly Competing with Your Own Data
探討大模型實驗室如何從競爭通用模型轉向與企業客戶競爭，因為企業可將私有資料轉化為專屬智慧。內容介紹了從提示工程到強化學習微調的工程化流程，以及企業利用自有資料進行預訓練以建立競爭壁壘的趨勢。
What Workday, OpenAI, and a German court have in common
指出傳統 AI 評估與紅隊測試無法涵蓋實際生產中的法律與合規風險，並引用 OpenAI、Workday 及德國法院的訴訟案例說明問題。作者建議採用高維度評估方法，結合法律專業知識，將 AI 風險測試視為與系統可靠性同等重要的持續工作。
Why do our AI models stop learning the second we deploy them?
探討 AI 模型在部署後學習能力停止的問題，介紹持續學習如何讓系統在實際使用中累積經驗並持續改進。讀者可了解企業如何將失敗轉化為可重用的訓練資料，以及相關技術挑戰與應用場景。
we need to talk about where AI spend is actually going
預測開放權重模型將吸收大部分 AI 開銷，因閉源模型定價疲軟且存在壟斷風險。作者建議企業建立包含閉源與開放模型的混合架構，以降低成本並避免供應商鎖定，同時提醒注意中國開放模型在特定領域的進步與美國模型的優勢差距。
Your AI bill is a tax on scale
探討企業如何透過混合使用專有與開源模型來降低大規模運作的成本與風險，指出單純依賴 API 定價對企業而言如同「規模稅」。內容涵蓋開源模型在隱私、控制力與自訂上的優勢，以及切換所需的工程挑戰與治理問題。
so Google just paid $10 million for an airline's Teams messages
探討 Google 以 1000 萬美元收購 Spirit 航空內部資料的案例，指出企業價值正從最終成果轉向工作過程的記錄。
What your base model doesn't protect you from
探討 AI 團隊常忽視的資料合規問題，指出內部營運資料比公開網路資料更具戰略價值。文章說明如何建立資料來源追蹤、處理版權風險及建構輕量級資料清單，以應對模型訓練與微調帶來的法律與技術挑戰。
I talked to Google's former AI head about messy data
透過訪談前 Google AI 主管 Andrew Moore，介紹 Lovelace 的 Elemental 平台如何自動構建與維護知識圖譜，解決企業 AI 代理在處理雜亂資料時的痛點。
I keep hearing the same advice about agents
提出九項實務架構原則，指導如何將 AI 代理應用於真實工作場景。內容強調將硬約束寫入軟體而非提示詞、限制代理自主權、基於領域現有流程設計系統，並透過檢核點與恢復機制提升可靠性。讀者可學習如何構建穩定、可治理且具備容錯能力的 AI 應用架構。
最新內容
依發布時間
I keep thinking about these 17,600 attempts
探討 AI 代理如何改變網路攻擊的經濟模型，指出 AI 能比人類快數倍地試錯並突破防禦。透過 Hugging Face 等案例，強調企業需重新評估安全假設，從規劃自動封鎖、強化代理權限管理到準備用 AI 防禦 AI。
Something changed in how AI gets fed
探討 AI 與機器人如何從單純尋找原始資料，轉向建立將人類經驗轉化為可用資料的處理管道。作者指出數位代理與機器人面臨的挑戰不同，但核心問題都在於如何將原始素材轉化為安全可用的資料，並強調資料來源的驗證與使用權限的重要性。
why your data stack is about to get less forgiving
指出當 AI 代理開始直接執行業務動作時，過時資料、定義模糊與權限遺失會造成嚴重後果，而非僅是分析錯誤。作者強調資料新鮮度、語義層建模與權限一致性至關重要，並說明資料架構需從觀察工具轉變為生產級應用基礎設施。
so Google just paid $10 million for an airline's Teams messages
探討 Google 以 1000 萬美元收購 Spirit 航空內部資料的案例，指出企業價值正從最終成果轉向工作過程的記錄。
Your AI model is a rental (but the loop is an asset)
探討 AI 系統如何透過最佳化周圍的「工具集（harness）」而非僅升級模型來提升效能，並警告自動改進迴路可能導致指標操弄。作者主張將改進視為軟體發布，透過獨立測試與回滾機制確保安全，強調累積的生產日誌是未來資產。
if everyone rents the same intelligence, what's left?
探討在通用 AI 模型日益普及且價格低廉的背景下，企業如何建立難以複製的競爭優勢。作者認為，單純擁有模型或功能已不足夠，真正的護城河在於企業獨特的營運情境、工作流程與累積的判斷力。
I keep hearing the same advice about agents
提出九項實務架構原則，指導如何將 AI 代理應用於真實工作場景。內容強調將硬約束寫入軟體而非提示詞、限制代理自主權、基於領域現有流程設計系統，並透過檢核點與恢復機制提升可靠性。讀者可學習如何構建穩定、可治理且具備容錯能力的 AI 應用架構。
The model may not be your biggest risk
指出目前最大的 AI 風險不在模型本身，而在模型周圍的權限設定、訓練資料來源與使用者對高置信度回答的過度信任。作者強調需透過架構設計限制系統觸及範圍，並建立嚴謹的資料審計流程，同時設計介面讓使用者能識別並質疑 AI 的建議。
Why do our AI models stop learning the second we deploy them?
探討 AI 模型在部署後學習能力停止的問題，介紹持續學習如何讓系統在實際使用中累積經驗並持續改進。讀者可了解企業如何將失敗轉化為可重用的訓練資料，以及相關技術挑戰與應用場景。
What Workday, OpenAI, and a German court have in common
指出傳統 AI 評估與紅隊測試無法涵蓋實際生產中的法律與合規風險，並引用 OpenAI、Workday 及德國法院的訴訟案例說明問題。作者建議採用高維度評估方法，結合法律專業知識，將 AI 風險測試視為與系統可靠性同等重要的持續工作。
The Big AI Labs Are Suddenly Competing with Your Own Data
探討大模型實驗室如何從競爭通用模型轉向與企業客戶競爭，因為企業可將私有資料轉化為專屬智慧。內容介紹了從提示工程到強化學習微調的工程化流程，以及企業利用自有資料進行預訓練以建立競爭壁壘的趨勢。
we need to talk about where AI spend is actually going
預測開放權重模型將吸收大部分 AI 開銷，因閉源模型定價疲軟且存在壟斷風險。作者建議企業建立包含閉源與開放模型的混合架構，以降低成本並避免供應商鎖定，同時提醒注意中國開放模型在特定領域的進步與美國模型的優勢差距。
25+ startups all solving the same missing piece
指出超過 25 家新創公司正利用強化學習（RL）解決大模型在執行多步驟任務時不可靠的問題。這些公司專注於建立模擬環境、訓練場域以及評分機制，讓 AI 能在安全環境中練習並獲得回饋。
What happens when your agent can touch money
探討 AI 代理在執行任務時，應使用命令列介面（CLI）還是模型上下文協定（MCP）來與外部工具互動。作者分析兩者的優缺點，指出 CLI 熟悉且高效但缺乏安全防護，MCP 適合企業環境但可能有效能負擔。
I talked to Google's former AI head about messy data
透過訪談前 Google AI 主管 Andrew Moore，介紹 Lovelace 的 Elemental 平台如何自動構建與維護知識圖譜，解決企業 AI 代理在處理雜亂資料時的痛點。
What your base model doesn't protect you from
探討 AI 團隊常忽視的資料合規問題，指出內部營運資料比公開網路資料更具戰略價值。文章說明如何建立資料來源追蹤、處理版權風險及建構輕量級資料清單，以應對模型訓練與微調帶來的法律與技術挑戰。
Your AI bill is a tax on scale
探討企業如何透過混合使用專有與開源模型來降低大規模運作的成本與風險，指出單純依賴 API 定價對企業而言如同「規模稅」。內容涵蓋開源模型在隱私、控制力與自訂上的優勢，以及切換所需的工程挑戰與治理問題。
12 GW announced. 5 GW under construction. What happens next?
探討 AI 資料中心建設面臨的當地政治阻力與信任危機，指出已宣佈容量與實際施工容量之間存在巨大落差。作者分析社群反對如何從零星抗議轉化為系統性障礙，並警告若無法建立信任與實際供電能力，AI 基礎設施擴張可能面臨延遲或縮減。
The smartest AI teams are moving past chatbots
指出企業 AI 已超越單純的聊天機器人，轉向處理結構化資料、可觀測性與即時互動的專業模型。文章介紹了 Kumo、Datadog 與 Thinking Machines 等案例，說明未來企業 AI 將由預測引擎、系統模型與互動層組成的生態系…
What Upwork, DoorDash, Meta, EY, and Fundrise reveal about agents
透過 Upwork、DoorDash、Meta、EY 與 Fundrise 的實際案例，分析 AI 代理在真實業務流程中的運作模式與成功關鍵。讀者能了解不同企業如何將 AI 代理嵌入工作流，以及資料與治理在決定系統長期價值中的重要性。
出現在別人的節目
其他來源裡提到或訪談這位人物的內容
Your AI Agent Is Costing You More Than You Think
探討部署生成式 AI 如何演變成分散式系統問題，由 Ben Lorica 與 LLMOps 作者 Abi Aryan 對談。聽眾可了解 AI 代理在實際生產環境中的成本與架構挑戰。
※ 摘要僅根據標題與說明
An Agent Is Just an LLM in a For-Loop
Ben Lorica 與 Google DeepMind 的 Maarten Grootendorst 對談，解釋開發者需掌握的 AI 工具底層概念。內容釐清 Agent 本質是 LLM 配合迴圈，並提供實際開發所需的觀念與建議。
※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
Your AI Safety Tests Are Lying to You
Ben Lorica 與 Luminos 執行長 Andrew Burt 訪談，拆解 Luminos 新報告中關於代理與生成式 AI 風險評估的實用指南，指出現有測試可能誤導使用者。
※ 摘要僅根據標題與說明
Why Build Your Own AI Model When Frontier Models Already Exist?
訪談 Thomson Reuters CTO Joel Hron，探討為何在 frontier 模型已存在的背景下，公司仍決定開發專為法律、稅務領域訓練的自有模型 Thomson。
Why AI Makes Games Worse—and How to Make Them Better
訪談 Studio Atelico 創辦人 Piero Molino，探討 AI 如何從開發成本削減工具轉變為遊戲核心機制。透過實作案例說明，AI 與傳統遊戲設計結合能創造前所未有的玩法，但過度依賴 AI 會削弱挑戰性與學習曲線。
Enterprise AI Is Moving Slower Than You Think
由 Ben Lorica 與 Gradient Ventures 的 Denise Teng 進行，探討企業 AI 採用速度較預期慢的原因，包括安全、隱私與法規挑戰，並討論開放權重模型在監管產業的重要性。
※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
The Bloomberg Terminal for AI Compute
Steve Hou 與 Ben Lorica 探討 AI 運算市場資料，包括 GPU 租賃指數與 Token 支出趨勢，揭示市場仍趨緊而非供過於求。聽眾可了解當前 AI 運算供需現狀與關鍵指標。
※ 摘要僅根據標題與說明
Navier-Stokes and AI generated work: If You Can't Explain It, Did You Really Do It?
探討 AI 如何重塑知識工作，以納維 - 斯托克斯方程爭議為例，討論智慧財產權保護與工作者是否仍需理解並為 AI 生成內容負責的問題。
※ 摘要僅根據標題與說明
※ 摘要僅根據標題與說明
Inside OpenAI's First Chip
OpenAI 硬體副總 Richard Ho 分享其自研首顆晶片 Jalapeño 的開發歷程與設計理念。團隊利用十年累積的經驗並結合 AI 最佳化，在短短九個月內完成製程，並透過開源編譯器 Triton 與自研軟體堆疊，讓該晶片能高效執…
Why Video Is AI's Next Great Frontier
十二實驗室執行長解釋為何理解影片需要超越簡單套用語言模型，並介紹 Marengo、Pegasus 等基礎模型與 Jockey 代理如何應用於安全調查與影片編輯。
※ 摘要僅根據標題與說明
