比爾·蓋茨撰文談 AI：建議徵"機器人稅"、劃人類專屬崗位緩衝失業衝擊
AI資訊AI新閒資訊正文比爾·蓋茨撰文談 AI：建議徵"機器人稅"、劃人類專屬崗位緩衝失業衝擊發布於AI新閒資訊時間 :Aug 27, 2026閱讀 :1分鐘前微軟創始人比爾·蓋茨近日公開分享對 AI 長期發展的核心看法，直言現階段就應考慮徵收機器人稅，用政策緩衝 AI 全面替代人力帶來的社會震盪。他肯定全球頂尖從業者聯名呼籲放緩前沿 AI 的公開信《Pacing the Frontier》值得政策制定者考量，卻也懷疑這種靠行業自律減速的做法能否真正落地。
用稅制給"機器換人"踩剎車蓋茨點出當前稅收規則的反向激勵：企業僱人須繳工資稅，採購機器人或引入 AI 系統卻可計入成本並享抵扣，客觀上鼓勵企業用機器替代人工。他設想對替代人力的自動化系統徵專項稅費，既放慢無限制淘汰人工的速度，稅款又能定向用於下崗者再培訓與全民社保，消化就業衝擊。他同時提出"人類保留領域"新概念：通過政策把部分特殊工作劃為只能或主要由人承擔，嚴格限制 AI 進入。蓋茨認為這比多數人預想的更易操作，本質是從經濟穩定出發保住崗位——若放任 AI 全接行業，大齡或技能受限者難轉行，政府有必要幹預以免引發動盪。該領域覆蓋範圍並非固定，將隨產業結構動態調整。
各國可先劃定優先保留崗位、同時放開其他場景，留出數年甚至數十年緩衝期，讓 AI 滲透始終保有足夠人力崗位，避免升級成本全由普通勞動者承擔。蓋茨的思路給全球 AI 監管提供了一個新方向：技術本身不是問題，缺了社保兜底的技術替代，只會把收益給資本、成本甩給勞動者。相關推薦黃仁勳怒懟市場 “你們都搞錯了！”：DeepSeek R1 不是來砸場子， 反而是 Nvidia 的 “神助攻”“你們都搞錯了!” 近日， 英偉達掌門人 罕見 “ 動怒 ” ， 公開回應了市場對中國 AI 創企 DeepSeek 發佈 R1模型的 “ 過度 ” 反應。
在黃仁勳看來， DeepSeek R1的 橫空出世非但不是 對 Nvidia 的 “ 飯碗 ” 構成 威脅， 反而是加速AI發展的重大利好， 對英偉達而言 更是 “ 神助攻 ” 一般的存在。事情起因於今年1月 DeepSeek 發佈 R1模型 後， 市場普遍認為 R1的高效性意味著未來AI發展將不再需要如此龐大的算力資源， 這直接導致Nvidia股價單日暴跌16.9%， 市值瞬間蒸發數百億美元。市場 的恐慌情Feb 24, 2025287.
5kChatGPT最新功能：@任意GPTs讓三百萬GPTs為你打工["ChatGPT悄悄更新大功能，用戶現在可以在對話中@任意GPT商店裡的GPTs，實現類似在群聊中@一個人的功能。","用戶體驗中發現這一更新改變了與GPTs的互動方式，使得不同GPTs之間可以共享上下文，開啟了新的工作流程。","GPT Store中GPTs的數量已經超過300萬，用戶可以組合不同GPTs進行工作，實現更高效的任務處理。","GPT開發者也受到啟發，認為ChatGPT對話本身可以承擔數據存儲的角色，帶來新的開發思路。","意外的消息是，GPT-4.
5版本被取消，OpenAI直奔GPT-5，可能受到競爭對手的壓力和新模型Gemini Pro的崛起影響。"]Jan 29, 2024163.0k2023年AI發展:專家驚歎加速 科技界分歧懸殊["最新調查顯示，AI專家驚歎於人工智能發展的驚人速度，突顯了科技界加速論者和末日論者之間的分歧。","調查結果表明，AI專家普遍感受到全面加速的趨勢，預計在32種不同AI相關任務中，可行性提前了1.0年。","對於高級機器智能（HLMI）和完全自動化(FAOL)，專家們認為其到來時間分別提前了13年和48年，顯示了對自動化世界步伐的樂觀態度。","15.
6%專家認為AI發展速度較快，但絕大多數仍持觀望態度，79.6%認為發展速度在中間部分。","調查結果反映了專家對人工智能未來的期望和對加速技術發展的擔憂，但需注意調查受訪者可能缺乏非技術因素的經驗。"]Jan 8, 2024162.9k周鴻禕呼籲理性看待AI大模型["周鴻禕在中國企業領袖年會上談及AI大模型熱潮。","呼籲理性看待大模型能力，不過分高估當前，同時不低估未來潛力。","提醒大家充分發揮大模型長處，同時關註解決其存在的短板。"]Dec 11, 2023146.
1kOpenAI高管預測：未來10年內AI將勝任一切工作["OpenAI高管表示，未來10年內，人工智能將具備勝任人類各種工作的能力。","他們談到AI發展需要謹慎對待風險，確保監管和社會基礎設施與技術同步。","AI的改變可能引發不平等，但也有望提高生產力和創造力。"]Oct 24, 202398.3k智啟未來，您的人工智能解決方案智庫English簡體中文繁體中文にほんご© 2026
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。