Edge AI Daily 早報（7月29日）

我們需要將這篇Edge AI Daily早報重寫成繁體中文新聞內文。來源資料很長，包含十二個主題。我們要保留主要事實、人物、公司、產品、數字、時間線等，用自己的話重新組織段落，不要用標題或小標，寫成流暢的段落。字數要求900-1600字，8-15段。來源有4921字，我們可以適當濃縮但保持完整資訊。 首先，理解每個主題的核心：

1.Anthropic Claude Mythos攻破後量子簽名HAWK，60小時，10萬美元，密碼學挑戰。2.超級智能不是訓出來是「長」出來：世界模型、遞歸對抗訓練、Odyssey。3.AI公司買書拆書：數據污染、舊書收購、合理使用 vs 盜版。4.3萬億IPO造富潮：SpaceX、Anthropic、OpenAI，慈善捐贈DAF。5.Opus 5上線三天宕機：Anthropic收入暴增，基礎設施問題。6.Meta 140億數據中心合資：貝萊德持80%，Meta 20%，算力金融化。7.OpenAI印度勝訴：版權合理使用，全球三元地圖。8.

Claude Cowork沙箱漏洞：50萬Mac用戶，CVE-2026-46331，雲端繞行。9.Ozon換標籤：俄羅斯電商合規，中國賣家壓力。10.微軟向JS開發者開放Windows原生API：dynwinrt，設備端AI。11.LangChain 3人團隊40倍效率：Agent-first數據架構。12.Bonsai 27B模型1-bit量化：3.9GB，消費級硬體。我們可以按順序寫，但合併相關主題？例如1和2都是AI技術突破，但不同公司。最好保持原順序，但用自然段落過渡。注意不要用「一、二、三」等編號。寫成新聞報導風格，開頭可以總述，然後分段敘述。

考慮字數：每個主題約100-150字，12個主題約1200-1800字。我們可以適當擴充細節，但不要超過太多。目標900-1600，所以每個主題約75-130字。需要精簡但保留關鍵數字和事實。開始寫作。Anthropic 旗下 AI 模型 Claude Mythos Preview 在短短 60 小時內，以約 10 萬美元的成本，成功對美國國家標準與技術研究院（NIST）選定的後量子簽名候選方案 HAWK 發動有效密鑰恢復攻擊，將其有效密鑰強度從 2 的 128 次方操作降至 2 的 64 次方。

這項突破標誌著人工智慧首次從數學層面直接挑戰密碼學演算法的安全性，而 HAWK 此前已通過兩輪人類專家審查。同一模型還對簡化版本的 AES 加密找到新攻擊方法，速度提升 200 至 800 倍，雖然對完整 AES 暫無直接影響，但顯示 AI 能以超乎預期的速度發現演算法數學缺陷，迫使學術界、政府與企業重新審視密碼學安全邊界，後量子密碼遷移的緊迫性也隨之升高。與此同時，AI 領域正醞釀一場範式變革。傳統大語言模型依賴的「Scaling Law」邊際效益遞減，新創公司 Odyssey 提出的世界模型範式，透過創造動態環境讓智慧體自我進化，2026 年上半年該賽道已吸引超過 30 億美元投資。

其核心技術遞歸對抗訓練（PROWL-1）讓強化學習智慧體主動發現世界模型漏洞，並轉化為訓練數據，形成「模型改進→智慧體升級→發現新漏洞」的遞歸升級機制，突破線性訓練流程。這套方法可應用於機器人、科學研究與教育等領域，解決真實世界互動的「體驗瓶頸」。AI 訓練數據的稀缺問題也浮上檯面。2025 年數據顯示，AI 生成內容已占網際網路內容的 52%，導致模型塌縮風險加劇，高品質文本數據可能在 2026 年內耗盡。

為取得「純淨」訓練資料，AI 公司轉向 2022 年前出版的紙本書籍，透過 ISBNdb 等中間商大規模收購舊書，單次採購量從 1000 到 100 萬本不等，並採用「破壞性掃描」方式將書籍數位化後銷燬。這種做法雖成本高昂，但已被美國法院認定為合理使用；相較之下，Anthropic 因下載 700 萬本盜版書被判賠 15 億美元，凸顯合法與盜版路徑的鮮明對比。然而，舊書存量有限且快速減少，當純淨數據耗盡後，AI 將被迫使用自身汙染的網路數據訓練，陷入惡性循環。2026 年科技 IPO 浪潮為矽谷帶來巨額財富。SpaceX 以 1.

77 兆美元估值創下史上最大 IPO，募資 750 億美元；Anthropic 估值 9650 億美元，OpenAI 估值 8520 億美元，三家公司合計估值超過 3 兆美元，預計創造約 4700 名新晉百萬富翁。這些財富透過捐贈者建議基金（DAF）可規避資本利得稅，預估 2026 年將有 240 至 320 億美元流入 DAF，但實際撥付率僅約 25.2%，每年僅 60 至 80 億美元真正流向非營利組織，且資金流動存在 12 至 18 個月滯後。有效利他主義基因與稅務規劃需求推動捐贈，但中小型非營利組織若缺乏對接能力，可能錯失這波慈善海嘯。

Anthropic 的商業成功也帶來基礎設施的嚴峻考驗。其年化收入從 2026 年初的 140 億美元飆升至 7 月的約 710 億美元，成長超過 5 倍，遠超預期。然而，7 月最後一週發生約 15 輪獨立服務異常，旗艦模型 Opus 5 上線僅三天即因流量過大而宕機。Claude Code 等產品已嵌入企業核心生產流程，頻繁故障影響生產力連續性，行業缺乏有效 SLA 保障，企業需建立多模型備份與「逃生艙」機制以分散風險。Meta 則透過合資模式將數據中心移出資產負債表。

它與貝萊德合資建設 140 億美元的德州 AI 數據中心，貝萊德持股 80%，Meta 僅持 20%，類似 2025 年與 Blue Owl 合作的 270 億美元路易斯安那州項目。Meta 將 120 億美元建設期債務轉移至表外，同時鎖定 20 年算力使用權。面對 2026 年 1250 至 1450 億美元的資本開支，Meta 採用「項目融資＋資產證券化」模式，以長期算力租賃合約為基礎資產，科技巨頭信用為隱性擔保，發行債券為 AI 基建融資。

貝萊德則透過收購 Global Infrastructure Partners 及以 400 億美元收購 Aligned Data Centers，從資產管理轉向直接持有算力資產，深度綁定 AI 成長紅利。全球 AI 版權治理呈現分裂態勢。印度德里高等法院裁定，OpenAI 使用新聞內容訓練大語言模型在初步審查階段不構成版權侵權，適用合理使用例外，強調臨時禁令將阻礙印度本土 AI 產業發展。與此同時，美國紐約時報等 17 家媒體指控 OpenAI「藏匿證據」，建立 7800 萬條對話數據庫卻拒絕提供，紐約時報累計訴訟成本已超過 2800 萬美元。

全球 AI 版權治理形成「三元地圖」：美國為收緊型多線訴訟，歐盟英國為模糊型技術判決但立法未定，印度則為開放型降低創新門檻。安全漏洞同樣困擾 AI 公司。Anthropic 旗下 AI 智慧體 Claude Cowork 被發現存在高危沙箱逃逸漏洞（CVE-2026-46331），攻擊者可利用 Linux 內核提權漏洞（CVSS 評分 7.8）突破虛擬機隔離，獲取 Mac 系統任意文件讀寫權限，影響約 50 萬 macOS 用戶。

Anthropic 未發布本地修復補丁，而是將新版本預設執行方式從本地切換為雲端執行，暴露了 AI 智慧體產品安全審查跟不上市場節奏的結構性問題，業界呼籲從「信任沙箱」升級為「零信任沙箱」架構。俄羅斯電商市場也迎來監管變革。《平臺經濟法》將於 2026 年 10 月 1 日生效，要求電商平臺核查商品認證標識並提交交易數據。Ozon 提前兩個月將「Original」標籤替換為「Brand Verified」品牌認證，完成合規基礎設施搭建。Ozon 與 Wildberries 雙寡頭占俄羅斯電商市場超過 56% 份額，雙方均在強化信任體系。

Ozon 平臺中國賣家數量占比超過 60%，約 7 至 8 萬家，日均訂單量突破 200 萬單，但「Brand Verified」認證要求品牌授權文件與供應鏈溯源，低價鋪貨模式紅利收窄，品牌化與合規化成為下一階段通行證。開源與開發者生態方面，微軟發布動態 WinRT 語言投影工具，透過 npm 套件「@microsoft/dynwinrt」與程式碼生成器，讓全球約 2800 萬 JavaScript 開發者無需 C++ 橋接即可直接呼叫 Windows 原生 API，包括設備端 AI、通知、儲存等功能。

工具重點支援 Windows 本地 AI 功能，如 Phi Silica 模型、文字生成、OCR 等，讓 JS 開發者能直接調用 Copilot+ PC 的 NPU 算力，數據完全本地處理保障隱私。微軟以 JS 開發者熟悉的工具鏈降低 Windows 開發門檻，用 JS 生態槓桿撬動 Windows AI 能力普及。LangChain 則以 3 人數據團隊實現 40 倍效率提升。他們在 30 天內處理 2200 次對話，相當於傳統模式下 40 倍的請求量，覆蓋公司約三分之一員工的數據需求，用戶使用率接近 100%。

其核心是建構三層語義體系：dbt 模型定義計算邏輯、Metricflow 標準化指標、語義模型翻譯業務語言，將數據團隊的隱性知識顯性化，確保 Agent 能生成業務上有意義的答案。數據團隊角色從「回答問題」轉變為「改善系統」，透過信任機制與回饋閉環實現複利效應。最後，模型量化技術取得重大突破。PrismML 發布 Bonsai 27B 模型，透過極端 1-bit 量化將 270 億參數模型從 54GB 壓縮至 3.9GB，在 iPhone 17 Pro Max 上實現每秒 11 tokens 的推理速度，RTX 5090 上達每秒 163 tokens，性能保留原始 FP16 模型的 89.

5%。這項技術填補雲端無法覆蓋的空白，適用於隱私敏感、離線弱網、延遲敏感與成本敏感場景，但不適合複雜工具調用與多步 Agent 推理。270 億參數模型可在消費級 GPU 與手機運行，降低 CDN 分發成本，消除網路延遲與隱私合規問題，開啟本地智慧新市場。