Cheng's Tech & Life

讓照片開口說話，最難的部分從來不是嘴巴。 這句話跟直覺相反。畢竟整個「影片配音」技術的歷史，就是一部對嘴型的歷史：找到嘴唇區域，把嘴型換成新音訊對應的形狀，對得越準越好。準確率變成唯一的 KPI，大家拼命把嘴唇的誤差壓到一毫米以內。 然後你看到成品，還是一眼假。 問題出在哪？你回想一下自己上次跟人講話的樣子。你的眉毛在動，頭在點，肩膀偶爾聳一下，講到重點身體會往前傾。說話是全身的事，嘴巴只是其中聲音出來的那個洞。傳統配音技術把嘴型換得再準，其他部位僵在那裡不動，看起來就像一個人在嚼口香糖，而不是在說話。換句話說，觀眾的大腦抓到的破綻，從來不在嘴唇的誤差，在嘴唇以外那一整片「死掉的區域」。 InfiniteTalk 是阿里巴巴 MeiGen-AI 團隊開源的框架，它值得寫一篇的原因，就是它把這個題目整個翻面了。 不對嘴，反而更像在說話InfiniteTalk 提出的範式叫 Sparse-Frame Video Dubbing。聽起來很學術，拆開來其實是一個很乾脆的取捨：不要逐幀去對齊嘴型，只給模型幾個關鍵幀當參考，剩下的動作讓它自由生成。 差別在哪？逐幀對齊是「控制」——你規定每一...

以前在 Claude Code 裡想要「回快一點」，你只有一條路：把模型換小。 卡在等回應的時候，老做法是切到 Haiku 或 Sonnet。快是快了，但你心裡很清楚自己做了什麼交易——你拿品質換速度。複雜的重構、需要繞好幾層的推理，小模型常常給你一個「跑得動但不太對」的答案，最後你還是得切回 Opus 重來一遍。等於繞了一圈，時間不見得省到。 這個老問題現在有了新解法，而且解法的方向跟過去完全相反。 先把那個交易講清楚：速度和品質，過去為什麼必須二選一想像你去餐廳點菜。以前要「上菜快」，你只能點簡單的——三明治很快，但你想吃的是那道要慢火燉的牛肉。廚房的邏輯是：菜越複雜，做越久。想快，就得犧牲你真正想吃的東西。 過去 AI 模型的速度也是這個邏輯。模型越大越聰明，吐字就越慢，因為它要算的東西更多。所以「想快」幾乎等於「換個笨一點的腦袋」。Haiku 跑得飛快，但它本來就不是設計來扛複雜任務的。 Fast Mode 做的事，是把這條等式拆掉。它的核心很反直覺：同一道牛肉，不換廚師、不換食材，只是讓廚房用一套不一樣的流程把它端得更快。 具體來說，Fast Mode 用的還是 Cla...

這一週的新聞有個共同的味道：每一條都在把帳單往後遞。有人遞給電網，有人遞給開發者的信用卡，有人遞給資安團隊，有人遞給整個算力產業的基本假設。攤開來看，它們講的其實是同一件事——當下衝得多快，未來就有多少東西在排隊等著被結清。 一、SoftBank 砸 750 億歐元蓋法國資料中心，但混凝土不會因為錢多就乾得快孫正義站在馬克宏旁邊宣布了一個數字：750 億歐元，投進法國的 AI 資料中心，要鋪出 5GW 的容量。第一階段先砸 450 億歐元，目標 2031 年在北部上法蘭西大區交出 3.1GW，地點在敦克爾克、Bosquel、Bouchain。國營核電 EDF 提供一座舊電廠的場址，施耐德電機負責電力跟散熱。孫正義還補了一句，把整個系統算進去，真實投資規模接近 7,500 億美元。 聽起來很猛。但這裡藏著一個多數人不會去算的時間差。 金融的時間單位是天，混凝土、變壓器、電網接點的時間單位是年。錢可以在一場記者會上承諾完，變壓器卻要排隊等好幾年才交得了貨。當你看到「2031 年交付」這種字眼，要問的不是「哇好大」，而是「這中間有多少不可控的物理瓶頸」。資料中心的瓶頸從來不是缺投資意願...

回頭看 Claude Code 的 skill 機制剛出來那陣子，大家其實沒人知道該拿它幹嘛。 那時候的 skill 就是一個資料夾、一個 SKILL.md，裡面寫幾句「遇到 X 你就照 Y 做」。聽起來很美好，實際上呢？多數人裝了三五個 skill，跑了兩天，發現它們各自為政，沒有一條主線把它們串起來。你叫 AI 寫功能，它有時候記得用 TDD，有時候又忘了；有時候會先 brainstorm，有時候直接動手寫一坨。skill 是有了，但「什麼時候該用哪個 skill」這件事，還是塞在工程師自己腦袋裡。 一年後的今天，這個混沌期結束了。市面上演化出兩種完全不同的解法，而且兩種都很成熟。一種是 Anthropic 自己下場做的 Superpower，一種是企業內部長出來的 Crew。它們解的是同一個痛，路線卻徹底分岔——分岔到你幾乎可以說，它們對「AI 該怎麼幫人寫程式」這件事的世界觀根本不同。 今天就把這兩條路攤開講清楚。如果你正在幫團隊評估要導入哪一套，這篇就是寫給你的。 先講最關鍵的那一刀：通用方法論 vs 領域工作流決定一套架構長什麼樣的，從來不是它有多少功能，而是它選擇不...

禮拜一早上，比利時資安中心的紅色警告在各家企業的資安群組裡轉發——domain controller 正在被打，0-click，不用帳號密碼。同一個早上，財經版的頭條是另一個世界：DeepSeek 快要拿到 74 億美金，中國史上最大的新創募資之一。一邊在搶修，一邊在搶錢，這兩條線看似無關，但都在重新定價同一件事：AI 時代裡，什麼東西才算「基礎設施」。 一、DeepSeek 接近完成 74 億美金募資，開源模型背後站著國家資本Bloomberg 在 6 月 3 日報導，DeepSeek 接近完成 74 億美金 的首輪外部募資，估值落在 520 到 590 億美金之間。投資人名單比金額更值得看：騰訊以 100 億人民幣成為最大投資方，第二大是電池巨頭寧德時代（CATL），後面還有官方背景的國家人工智慧產業投資基金。創辦人梁文鋒自己也掏錢進場，並承諾繼續走開源路線、目標直指 AGI。 管理層對投資人講的話很有意思：「專注突破性研究，不做短期商業化。」一家公司拿了 74 億，然後告訴金主不打算賺快錢——這句話能成立，前提是回報根本不在現金流上。騰訊買的是生態卡位，寧德時代買的是「電池...

在終端機打 claude --remote "修掉 auth.spec.ts 那個 flaky test"，然後闔上筆電去吃午餐——任務還在跑。回來打開手機的 Claude app，它已經改完在等你看 diff。這個流程現在對 Pro、Max、Team 用戶都開放了（research preview），入口是 claude.ai/code。 但先別管它能做什麼。值得拆開看的是底層：你按下送出的那一刻，到底發生了什麼事？搞懂這條鏈，後面所有設定選項都會變得理所當然。 按下送出之後的 60 秒每個雲端 session 開始時，Anthropic 會開一台全新的隔離 VM——Ubuntu 24.04，大約 4 vCPU、16GB RAM、30GB 硬碟——然後從 GitHub clone 你的 repo 進去。注意這個字：clone。VM 的世界裡只有 GitHub，沒有你的電腦。所以你本機有、但沒 push 的 commit，雲端看不到；你 ~/.claude/ 底下的個人設定，雲端也看不到。 這條規則決定了什麼東西會跟過去、什麼不會： 會跟過去：re...

Agent 最值錢的能力，是記得自己怎麼學會的。 這句話聽起來像雞湯，但 Hermes Agent 過去 30 天的進化把它做成了程式碼。上次寫過在自家 VM 部署 Hermes 的踩坑記錄，那時它還是 v0.13.0，一套「能用的開源 AI 代理框架」。一個月後回頭看，數字有點誇張：152K stars、近 9 天 808 commits / 633 PRs、版本從 v0.11 衝到 v0.14，在 OpenRouter 排行榜上超越 OpenClaw 變成第一。 量變不稀奇，開源專案衝星等的戲碼看多了。值得停下來看的是質變——它把「Agent 解過的題」變成了資產。 解一次，封裝一次Hermes v0.12 之後有個機制：Agent 完成一個用了 5 個以上工具呼叫的複雜任務後，會自動把解法封裝成一個 Skill。下次遇到類似問題，直接調用，不用重新摸索。 這個設計的威力要用數字才看得出來。社群有人實測 Autobrowse 爬 Hacker News：第一次跑，Agent 逐步點擊頁面，花了 102 秒、燒掉 1.46 美金。兩次迭代之後，它自己學會用 JS ev...

你叫 Claude 跑個測試，它跳出來問「可以執行 npm test 嗎？」你按 yes。它要讀一個檔案，又問。要寫回去，再問。十分鐘內你按了十五次 yes，手指比腦袋還忙。到後來你乾脆眼睛都不看，看到框就按 Enter——而這正是最危險的瞬間，因為總有一次它要跑的是 rm -rf，而你已經被訓練成反射性點頭了。 這就是大部分人用 Claude Code 的真實狀態：不是太囉嗦，就是太放縱。中間那條剛剛好的線，其實藏在一個很多人沒打開過的設定系統裡。 先試了兩條死路卡在這裡的人，通常會先試兩招。 第一招是無腦開 bypassPermissions——也就是俗稱的「危險模式」，全部自動同意，再也不問。爽是很爽，但這等於把家裡大門拆掉說「反正我家沒小偷」。哪天 Claude 理解錯一個指令，或是你跑了一個來路不明的 skill，沒有任何一道關卡會攔它。 第二招是回到 default 模式乖乖每次都按。安全是安全，但你會慢慢退化成那台只會點頭的機器，安全感是假的——因為真正出事的那次，你也一樣會按下去。 兩條路都錯在同一個地方：它們把「要不要信任」當成一個全有或全無的開關。但你心裡其實...

一個問題：當全世界的雲端基礎設施供應商，開始自己做要跟客戶競爭的東西，這代表市場到了哪個階段？ 過去兩年微軟在 AI 賽局裡的角色很清楚——出機房、出通路、當 OpenAI 最大的股東跟金主。它不需要自己有模型，因為它租得到最好的。這個分工這週裂開了一道縫。下面這幾則拆開看是各自獨立的新聞，但擺在一起，講的是同一件事：每一層都在往上下游伸手，沒有人想只當管線。 一、微軟自己下場做編碼模型，不想再只當 OpenAI 的房東微軟在舊金山的 Build 開發者大會上，發表了第一個自家編碼模型 MAI-Code-1-Flash——你用自然語言描述要什麼，它吐出應用程式跟網站的原始碼。同場還有一個推理模型 MAI-Thinking-1，兩個都主打「推論超高效率」。Flash 已經接進 GitHub Copilot 跟 Visual Studio Code。 這件事的份量不在模型本身強不強，在於微軟願意花成本養一支跟金主重疊的能力。一家公司的主要角色，從「提供基礎設施跟投資」轉成「我也要有自己的模型」，這種轉向通常不是因為看好新生意，而是因為意識到只當房東的下行風險太大——租客哪天自己蓋樓，...

先問你自己一個問題：你做的這支 LINE Bot，一年到頭要推幾種不同版型的卡片？ 如果答案是「就一兩種，訂單確認加個物流通知」，那下面這包東西可能是你今年最省事的一次複製貼上。如果答案是「我要做一套會隨資料動態長出十幾種版面的卡片系統」，那它幫你的，可能只有開頭那十分鐘。 這個分界，決定了 arieslee/line-flex-message-templates 對你到底是神器還是雞肋。 它是一包 JSON，不是一個套件先把最容易誤會的事講掉。這東西不是 npm 套件，不是 SDK，你在 npm install 那邊找不到它。它就是一包現成的 JSON 檔——56 個設計好的 LINE Flex Message 範本，繁中、日文雙語都有，挑一張、改掉文字跟圖片連結，直接塞進 LINE API 就能發出去。 repo 裡是有幾支 Python 跟 Node 腳本沒錯，但那是作者自己拿來產內容、截預覽圖用的，跟你怎麼套模板一點關係都沒有。把這件事認清楚，後面所有判斷都會變得很乾淨：你買的不是工具，是素材。 說穿了它只有兩個資料夾。jsons/ 裡是 56 個檔案，檔名長成 編號_語...