這禮拜的頭條清一色在比模型：誰的跑分高、誰的幻覺低、誰又降價。但把鏡頭往下拉一層，會發現真正決定這整套東西會不會出事的，根本不在模型本身，而在那些平常沒人會多看一眼的地方——一道背段製程、一個放金鑰的代理、一張被排版成系統指令的圖片。錘子越舉越高，大家都在看錘頭有多亮，很少人低頭看那根釘子扎在哪。

一、台積電先進製程賣到 2028 年，卡住 AI 的不是晶片，是那道看不見的封裝

台積電這季把日本正式升格成第三個先進製程基地，熊本第二廠在蓋，2028 要在當地跑 3 奈米。理由很直白：光靠台灣加美國的產線，已經接不住 AI 的胃口。CEO 直接講，未來好幾年晶片供給都會落後於需求，就算美國廠開好開滿也吃不下所有訂單——產能已經賣到 2028 年。Q1 獲利年增 58%，全年營收看漲超過三成。

有意思的是真正的瓶頸不在「刻晶片」這一段。矽晶圓良率再好，沒有經過 CoWoS 這道先進封裝，那片矽就只是一片矽，變不成能出貨的 AI 加速器。而這道製程的產能，早就被一家 GPU 大廠訂走了大半。

這裡藏著一個很典型的隱藏極端值。大家盯著算力、盯著奈米數字，覺得 AI 的地基是「晶片夠不夠強」，但整條供應鏈其實吊在一道背段工序、一家公司、幾個地理座標上。這種結構平常看起來效率高到不可思議，一旦那道製程出點狀況——地震、限電、一場設備事故——上游刻得再猛的晶片全部堵在那裡出不來。上行是省成本、規模經濟；下行是整個產業一起卡殼。把日本拉進來當第三隻腳，與其說是擴產，不如說是有人終於發現自己站的柱子太少了。

原文來源：TSMC turns Japan into 3rd advanced chip base as AI demand soars - Nikkei Asia

二、一個放模型金鑰的代理被打穿，串起來就是不用密碼的遠端執行

很多人在自己的 AI 系統前面掛一層 gateway，統一管路由、管金鑰、管各家模型的呼叫。LiteLLM 就是這類東西裡用得很廣的一個開源代理。這個月它出事了：CVE-2026-42271，一個命令注入漏洞，CVSS 8.7，影響 1.74.2 之後的所有版本。CISA 六月八號把它列進「已知遭利用」清單——意思是野外已經有人在打了，不是理論風險。

更麻煩的是它可以跟另一個漏洞串起來。只要相依樹裡帶到某個版本以下的 Starlette，攻擊者能完全繞過驗證，把整條鏈變成「不用任何帳密的遠端程式碼執行」，合起來 CVSS 剛好滿分 10.0。打進去之後能幹嘛？跑任意指令、撈走代理裡存的所有模型供應商金鑰、往連在一起的 AI 基礎設施橫向移動。修法是升到 1.83.7、Starlette 升到 1.0.1。

這則新聞的系統性風險，不在漏洞本身，在「你為了省事把所有金鑰集中在同一層」這個決定。一個 gateway 把幾十把鑰匙收在一個抽屜，平常確實方便，整合成本低到讓人真香；但那個抽屜一被撬開，你不是掉一把鑰匙，是全部一起掉，還附送一條通往內部所有系統的走廊。集中帶來的便利是有限的上行，集中造成的爆炸是幾乎無底的下行——這種下行遠大於上行的東西，值不值得為了少接幾條線去換，得先算清楚。

原文來源：LiteLLM Flaw CVE-2026-42271 Exploited in the Wild, Chains to Unauthenticated RCE - The Hacker News

三、把一張圖排版成「系統指令」，前沿模型有四成會信

七月一號有人登錄了一個新漏洞，編號 AVI-2026-0101。手法很妙：在一張圖片裡放一段文字，排版成長得像系統提示的樣子——開頭寫「SYSTEM:」「ADMIN OVERRIDE:」「OPERATOR INSTRUCTION:」。就這樣。模型的視覺管線讀進去，居然會把這段文字當成更高權限的指令來執行。實測 GPT-5 跟 Gemini 3 Pro 大約有 43% 的機率中招。同一批測試裡，Claude Opus 4.7 沒有重現這個攻擊。

重點不在誰中誰沒中，而在破口的性質。這不是某段程式碼寫錯的 bug，是模型「從排版的樣子去推論這句話有多大權力」——它看到粗體、看到全大寫的冒號格式，就自己腦補這是管理員在講話。攻擊者根本不用碰到 API 結構，光靠一張圖的視覺慣例就能抬高指令的份量。

多模態能力這幾年是各家拚命加的賣點，能讀圖、能看螢幕、能處理 PDF，每加一種輸入，能力帳面上就更漂亮。但每多吃一種格式，就多開一扇沒人守的門。文字的提示注入到現在都沒有徹底解法，現在又多了「用圖片假冒身分」這條路。能力的表面積是往上長的，攻擊的表面積是跟著一起長的，而且長的速度往往比防禦快。功能列表越長，你要防的邊界就越模糊——這種帳，通常要等到出事那天才有人認真結。

原文來源：AI Model Vulnerability Tracker 2026 - Axis Intelligence

四、NVIDIA 把機器人模型丟進開源庫，300 萬開發者接上 1600 萬 AI builder

跟前面那些「越集中越脆」的故事剛好相反，這禮拜有一件往反方向走的事。NVIDIA 跟 Hugging Face 宣布把一批機器人模型跟工具塞進 LeRobot——那是 Hugging Face 給實體 AI 開發者用的開源函式庫。這次進來的包括開源的視覺-語言-動作模型 Isaac GR00T 1.7，還有一套從人類示範蒐集訓練資料的框架 Isaac Teleop，後面還規劃把世界模型 Cosmos 3 也放進來。官方講的數字是，這條線把 NVIDIA 那邊 300 萬機器人開發者，接上了 Hugging Face 的 1600 萬 AI builder。

Hugging Face 的共同創辦人講了一句話蠻到位：開源是一個領域把尖端研究，變成別人可以研究、改、往上疊的東西的方式。

從系統韌性的角度看，這件事的價值不在「又多一個模型」，在於它讓機器人這塊的能力開始分散、可堆疊。一個領域如果只有兩三家閉源大廠說了算，那它的命運就綁在那兩三家身上；能力攤開給幾百萬人各自 fine-tune、各自試，整個生態的抗打擊能力是完全不同的量級。當然，逆向想一下也得認：開放這件事是雙面的，標準化的資料格式一方面降低單點依賴，一方面也可能變成新的共同依賴；而且能自己訓練機器人的能力攤開給所有人，裡面難免混著不懷好意的人。多樣性讓系統更禁得起打，但多樣性從來不是免費的。

原文來源：NVIDIA and Hugging Face Bring New Models and Frameworks to LeRobot - NVIDIA Blog

五、日本砸 63 億美元、要在 2040 年鋪 1000 萬台機器人，理由不是效率是「活下去」

日本這邊七月初把國家級的實體 AI 戰略講清楚了：政府投入大約 63 億美元，目標是 2040 年拿下全球實體 AI 市場三成，並在製造、餐飲、食品、醫療等總共 18 個領域，鋪出大約 1000 萬台機器人。日本本來在工業機器人就很強，2022 年大概吃下全球七成市場。

但這則新聞最值得記住的不是數字，是那個驅動力。有業界的人講得很白：這次的推力已經從「單純的效率提升」變成「產業存亡」——日本面對的是實打實的人口與勞動力短缺，很多基本服務不是想不想自動化的問題，是沒人做就直接斷掉。

這跟過去那種「AI 好厲害我們也來搞一個」的計畫，本質不一樣。炒作驅動的東西，熱度一退就沒了；需求驅動的東西，尤其是被人口結構逼出來的需求，反而有一種很難消失的耐久性——缺工這件事，不會因為明年 AI 退燒就自己好起來。一個技術如果是拿來填一個真實而且會越來越大的洞，它活下去的機率，通常比那些拿來追風口的高得多。當然，把國家賭在單一技術路線上也有它的下行：萬一路線押錯，一個社會的基本運轉會跟著卡住，這種賭注的代價不是虧錢，是服務直接停擺。

原文來源：Japan plans sovereign AI model and 10 million AI robots - The Japan Times

六、印度冒出最大本土 AI 募資，但全球創投八成八還是流進美國同兩家

印度這半年 AI 募資很猛，七月冒出一筆代表作：Sarvam AI 拿下 2.34 億美元、估值 15 億，是印度 AI 史上最大的 B 輪。它做的是涵蓋 22 種印度語言的全棧 AI，服務銀行、政府、醫療、電信，平台一天處理 200 萬次對話、1000 萬次 API 呼叫。印度整體上半年募了 74 億美元，AI 佔最大一塊，年增超過四倍。

聽起來很熱鬧，但把鏡頭拉到全球會看到另一個畫面。2026 上半全球創投衝到創紀錄的 5100 億美元，問題是這筆錢極度集中：光 OpenAI 跟 Anthropic 兩家就吃掉 2170 億，佔了上半所有新創募資的 43%；整個 AI 相關募資裡，將近 88% 流進美國公司。所謂「AI 募資大爆發」，講白了不是全球現象，是兩三家公司的現象。

這裡面藏著一個很值得警覺的系統性風險。當一個產業的資本、算力、人才全部往少數幾個節點灌，帳面上看起來是效率、是規模、是贏家通吃的漂亮故事；但一個生態如果只由兩三個超級節點撐著，它的命運就跟那幾個節點死死綁在一起——任何一個出狀況，連帶震動的是整個產業。像 Sarvam 這種在地語言、在地場景長出來的東西，價值不只在它自己賺不賺錢，在於它是這個過度集中的系統裡，少數幾個不在同一根柱子上的重量。一個健康的生態，靠的從來不是有幾個巨人，是離開巨人之後還剩下多少活著的多樣性。

原文來源：The AI Startup Funding Boom Is Not A Global Phenomenon - Crunchbase News ｜ India Startup Funding July 2026: Sarvam AI Hits $1.5B Unicorn - Best Startup India

把這六則放回同一個畫面：某天凌晨，某個 AI 服務忽然全掛，值班的人被 call 起來，盯著螢幕上一整排紅字，一路往下追根因。他不會停在「模型是不是變笨了」，他會往更下面翻——是哪個代理的金鑰被撈走了？是哪批加速器卡在某道封裝製程出不了貨？還是有人塞了一張圖，騙過了那雙看螢幕的眼睛？真正讓他半夜爬起來的東西，幾乎從來不是那個最亮、最多人討論的模型，而是這禮拜這幾則新聞裡，那些平常沒人願意多看一眼的下層節點。下一次那通電話響起來的時候，答案會落在哪一根柱子上，現在還沒有人知道。