今天與 {{active_subscriber_count}}+ 位讀者一起看：
🗞｜Tesla、SpaceX、xAI 自建 AI 晶片廠
🚀｜Cursor 推出自訓練模型 Composer 2
📊｜LLM 寫程式靠「死背」不是用推理
🔬｜讓 AI 真的記住東西的新方法
🔍｜Karpathy 說「寫程式」這個動詞該淘汰了
🗞️ NEWS
Tesla、SpaceX、xAI 自建 AI 晶片廠
200 億美元起跳： 廠房蓋在 Giga Texas 北區，目標是 2 奈米製程，初期每月產 10 萬片晶圓，全力衝刺的話要拼到每月 100 萬片，差不多是台積電全球產能的 70%。
兩種晶片： 一種是給 Tesla 車輛、Cybercab、Optimus 機器人用，另一種叫 D3 晶片，是專門設計來裝在 SpaceX 軌道 AI 衛星上的。
八成算力給太空： Musk 說太空的太陽輻射是地表的 5 倍，真空環境散熱又好，所以 Terafab 產出的算力大概 80% 會送上太空，SpaceX 已經向 FCC 申請發射 100 萬顆衛星來建軌道資料中心。
做得到嗎？ Tesla 完全沒有做過半導體，而且 2020 年 Musk 喊出 「4680 電池」量產目標，五年半過去進度遠不如預期，做晶片又比做電池難上好幾個等級。
🧰 TOOLS
monday.com：最直覺、最好上手的工作管理系統
monday.com 是目前市面上看起來最直覺、最好上手的工作管理系統，不管你做什麼工作，都能幫你加速完成！
任何工作適用：無論你是負責行銷、業務、財務、人資，還是產品開發，都能輕鬆管理專案進度。
可視化圖表：超過 27 種可以使用，甘特圖、Kanban 看板、行事曆、時間軸…
個人＋團隊：個人可以優化工作流程，團隊可以降低溝通成本，節省更多時間。
麥當勞、Canva 等公司都在使用：推薦使用免費版本試試看
🤝 ADVERTISING
讓 {{active_subscriber_count}}+ 位讀者認識你的產品
《Brief AI 電子報》讀者近 50% 擁有碩士以上學歷、管理階層超過 40%。超過 30 家國內外知名品牌合作，例如：Intel、數位時代、知識衛星…
🚀 LAUNCH
Cursor 推出自訓練模型 Composer 2
Cursor 不再只靠別人的模型了，推出自己訓練的 Coding 模型 Composer 2，寫程式的能力到了頂尖等級，價格還超便宜。
大幅進步： Composer 2 在 CursorBench 拿下 61.3 分，比前一代的 44.2 分進步了將近 40%，SWE-bench Multilingual 也從 65.9 跳到 73.7。
兩種版本： 標準版定價 $0.50/M input、$2.50/M output；還有一個跑更快的版本定價 $1.50/$7.50，Cursor 預設就是用快的那個。
怎麼練的： Cursor 第一次自己做 continued pretraining，再加上強化學習，讓模型能搞定那種要幾百步操作才能完成的長任務。
底層模型是什麼？ 有人從模型 ID 發現底層其實是用 Kimi K2.5，Cursor 官方一開始完全沒提，還好最後有透過 AI 商業授權解決。
📊 CHART
LLM 寫程式靠「死背」不是用推理
ICLR 2026 workshop 收錄研究 EsoLang-Bench，用 5 種冷門程式語言測試 LLM，結果在標準 benchmark 拿 85-95% 的模型，換成這些語言後準確率直接掉到 0-11%。
背多不代表會想： 研究挑了 Brainfuck、Whitespace、Shakespeare 等 5 種語言，它們在 GitHub 上的程式碼量只有 Python 的千分之一到十萬分之一，LLM 幾乎不可能從訓練資料裡背過。
最強也只對一成： GPT-5.2、o4-mini、Gemini 3 Pro、Qwen3-235B、Kimi K2 Thinking 全部陣亡，最好的 GPT-5.2 在 Befunge-98 上只拿到 11.2%。
補救也沒用： 給範例（few-shot）、讓模型自己修正（self-reflection），甚至用多個 Agent 協作，準確率都沒什麼改善。
給 Agent 工具呢？ 研究也測了 Codex、Claude Code，準確率大概是純 prompting 的 2 倍，但最高也只到 13.8%，一樣只在最簡單的題目上有用。
🔬 RESEARCH
讓 AI 真的記住東西的新方法
專門做 AI Agent 長期記憶的 EverMind 發了新論文 MSA（Memory Sparse Attention），把「記憶」直接做進注意力機制裡，讓模型可以處理一億 token 的超長上下文。
RAG 不夠用： 現有的 RAG 本質上是「開卷考試」，碰到資訊散在幾十份文件、需要跨文件推理的時候就容易出錯，而 KV cache 壓縮則是越壓越糊。
挑重點看： MSA 用一種叫 document-wise RoPE 的位置編碼讓模型知道文件邊界在哪，再透過 Memory Interleave 機制在散落各處的記憶片段之間做多跳推理。
小模型贏大系統： 從 16K 擴到一億 token，精度只掉不到 9%，而且 4B 參數的 MSA 模型在長上下文 benchmark 上直接打贏 235B 級別的頂級 RAG 系統。
RAG 要被淘汰了？ 資料量大的時候 RAG 還是划算得多，但碰到需要跨文件拼湊線索的場景，MSA 這種「真的記住」的做法確實是 RAG 做不到的。
🔍 INSIGHT
Karpathy 說「寫程式」這個動詞該淘汰了
Andrej Karpathy 最近上 No Priors Podcast 說，他從去年 12 月開始，幾乎沒有親手打過一行程式碼了，「寫程式」已經不是正確的動詞。
從 80/20 到 20/80： 以前自己寫八成、AI 幫兩成，12 月之後完全反過來，而且他覺得現在比 20/80 還誇張，從 12 月開始就沒打過程式碼了。
同時管十個 Repo： 頂尖工程師的新工作長這樣，像 Peter Steinberger（OpenClaw 創辦人）那樣螢幕上同時開十幾個 AI Agent，每個丟一個大功能，大約 20 分鐘就跑完，人只負責在中間切換、指派、看結果。
瓶頸是你自己： 他說這種焦慮跟讀博士時一模一樣，只是從「GPU 閒置」變成「token 額度沒用完」，額度還有剩就代表你還沒榨乾自己的產出。
光出嘴巴真的有用？ Karpathy 自己試了，他的 AutoResearch 專案讓 AI Agent 跑了兩天約 700 次實驗，自動挖出 20 項他手動調了二十年都沒抓到的優化，GPT-2 訓練效率直接快了 11%。
