AI Monthly — July 2026

AI 趨勢月報 — 2026 年 7 月

四場、五個題目。雙因子驗證怎麼運作、補貼期與端側模型、用 AI 操作 iPhone 截 App 畫面、Palantir 與 FDE，以及官網會被 AI 讀。

Four sessions, five topics: how two-factor authentication works, subsidized pricing and on-device models, automating iPhone screenshots with AI, Palantir and the FDE model, and websites being read by AI.

這期只收我在每週內部分享會上自己講的段落。

07-03｜雙因子驗證怎麼運作

• 我示範了綁定。系統跳出雙因子驗證的綁定和 QR Code，用手機上的 Google 或 Microsoft 驗證 App 掃描，輸入驗證碼就可以綁定並登入。這比單純登入多一層保障，而且不需要和 Google 或 Microsoft 合作，也不用請他們架 server 來驗證。
• 原理可以想成一台計算機。手機和 server 都有現在的時間，用公式加上第一次掃 QR Code 時產生的金鑰，算出這個時間點的六位數答案。server 和手機同時在算，最後只比對結果。
• 時間以每 30 秒為一個單位切開，而且前後的時段都支援，所以不用急著在只剩幾秒時輸入。
• 學新議題時，可以請 AI 整理。如果它寫得太複雜，就叫它再簡單一點，這也是一個技巧。

07-17｜補貼期與端側模型

• 開源模型和中國的模型一直在追上。小模型遍地開花，用混合專家和量化，可以在小機器上跑，能力還可以。
• 用量方面，使用者一直在增加。GPT 這邊比較大方，不像 Anthropic 卡得嚴，還暫時解除了限制，短期內幾乎是用到飽。這些優惠未來一定會收斂，因為是投資人補貼出來的。
• 為了實驗，我自己買了一台本地機器在家測試。結果和我理解的差不多：端側模型沒辦法做比較長的任務，人設會崩壞，絕對不是拿來對標線上模型的。
• 小的判斷可以慢慢交給端側模型。也可以用小型 AI 機器去理解 AI 的運作原理、fine-tuning 或 embedding。這是場景分工的概念。
• 常見的指標是每秒吐出多少 token。我們現在看的比較像是有效 token：能不能解決你的問題。
• 補貼結束後，大家可能會往地端走，這也可能是未來的研發方向。透過 AI 完成的東西，要回過來反補成自己的東西，讓判斷力或品味變得更好。

07-17｜用 AI 操作 iPhone 截 App 畫面

• 專案需要做 App 的競品調研，被問到能不能用 iPhone 自動截取 App 畫面。我做了一個 POC，證實可行。我有 Apple 開發者帳號，加上 iPhone 和 Mac，整套可以打通，由 AI 做決策。
• 架構是電腦接上手機，手機上安裝 WebDriver Agent，接著就能讓 AI 持續操控手機做事。Demo 中，AI 開啟了手機上的 App。
• AI 會自己判斷並加遮罩，再依畫面上的內容去點擊，點完就截圖。我也展示了 AI 操作手機的錄影。因為太抖，我請 AI 加防手震，它就做了去抖動。
• 只要願意燒算力，叫它窮舉全部畫面，它就能窮舉。這條流程打通後，我已經封裝成 skill，只要把開發者帳號、測試機和 Mac 串起來就能跑。

07-24｜Palantir 與 FDE

• 到客戶現場執行 AI 落地的工程師（FDE），這個概念常被歸到 Palantir 這家公司，他們長期在做 AI 與資料聚合。OpenAI 和 Anthropic 好像也各自成立了這類單位，專門把自家模型部署進企業。
• 導入 LLM 不等於導入 AI，只是在使用而已。真正有價值的是企業內部資料，例如客戶資料、ERP 資料。
• 我的區分是這樣。RAG 把資料向量化，是單純用字詞做歸化。Palantir 提出的是建立真實語義上的關聯：把各部門隔離的資料做橫向連線與聚合，再用 AI 解決問題。這種語義關聯可能需要人去標註。
• 金融業客戶很在意資料能不能上雲。要讓資料和 AI 深度合作，連線的資料也必須可稽核。
• 我們去金融客戶現場，比較像是部署完就結案。FDE 更像共創的角色：和客戶的工程團隊一起把問題提出來，用 AI 解決，落地後對方買單。

07-31｜官網會被 AI 讀

• Google 搜尋現在會出現 AI 摘要，並列出資訊來源。已有客戶注意到，想在自家官網做類似的功能。我做了簡單的介紹和 POC，認為這可以是研發方向。
• 我認為未來網站的入口會是 AI 聊天機器人，使用者用模糊的語句來問。但 AI 的資訊來源還是官方網站，所以 CMS 和官網一定還會存在。官網是權威資料來源，只是會被 AI 索引。之後要考慮怎麼被 AI 讀。
• 我用 SEO 類比 AIO。以前做 SSR，是因為爬蟲不想先渲染單頁式網站。現在是 LLM 來爬網站，網站要先把自己總結好給 LLM 讀。如果沒有，LLM 不想替你總結，排名就會變低。
• 我 demo 了官網語意搜尋的 POC：從被動等 AI 來爬，改成主動讓 AI 讀。新的介面可以用模糊的語句搜尋，也提供範例問題。點擊後像 NotebookLM 一樣，依網站資料生成回答，還可以點進資料來源。後台有排程，把資料庫的內容向量化，需要架設向量資料庫、切分資料。
• 給 AI 讀的總結，可以每天批次、定期，或在內容發布時產生，讓 AI 產品先爬這個檔案，比較容易收錄並回答。這是很新的議題，規範可能隨模型變化而調整，功能要設計得有彈性。
• 不是每家廠商都能讓我們用雲端模型，所以也可以往地端發展。我已經做過地端 POC，認為沒有太大問題，主要只看能不能買到 GPU 或高記憶體的機器。
• 維運上，我做了一套監控：定時檢查網站有沒有壞掉，壞了先通知內部，至少不要被外部通知。也記錄 sitemap 的變化，希望比客戶更早知道系統狀況，及早安排人力。