歡迎收看今天的 DAVID888 Daily 每日放送,帶你一次掌握 AI 領域的三個關鍵動態:Anthropic 透過多代理系統解開黑洞物理世紀難題、開發者社群對封閉模型安全護欄與「靜默降級」的強烈反彈,以及開源平台 ToolJet 如何為企業級 Vibe Coding 補上資安與治理的最後一哩路。
Claude 解開黑洞物理兩大未解難題:多代理研究架構的里程碑
過去我們多半將大型語言模型視為單次問答的助手,但 Anthropic 最新發表的成果展示了截然不同的研究形態。研究員 Hongbin Chen 讓 Claude Fable 5.2 以多代理(Multi-Agent)研究團隊的形式在背景自主運作約 6 週,最終成功解開量子重力與黑洞物理領域的兩道長期未解難題,甚至將推導過程送進形式化驗證工具完成嚴格證明。
兩大物理突破:擱置二十年的三迴圈計算與 3D 重力極限
這項計畫最初只是從一個 Side Project 起步:研究員在 8 月先請 Claude 盤點黑洞與 bootstrap 領域的開放問題,幾小時內就整理出 22 個候選題目,隨後為每道題目配置獨立的背景 Agent,讓它們彼此閱讀進度筆記並協作研究,且沒有加上特別的客製化設定。經過 6 週運作,系統在兩道高難度題目上交出突破性論文:
第一個突破是弱耦合下的 Hawking-Page 相變(預印本 hexagonmath.org/2611.00175v1)。物理學家常透過「AdS/CFT 全像對偶」這套數學橋樑,將反德西特(AdS)時空中的重力現象,轉換成邊界上沒有重力的 N=4 super Yang-Mills (SYM) 量子場論來計算。早在 1983 年,Hawking 與 Page 就證明在強耦合條件下,熱氣體轉變為黑洞是一種「突變(一階相變)」;2003 年 Aharony 等人指出,在時空幾何變得模糊的弱耦合區間,相變性質取決於 **3-loop(三迴圈)**層級的單一係數。然而這項計算涉及數千張費曼圖與發散無窮大的處理,規模比 2005 年解出的簡化版理論大上 10 倍以上,因此被學界擱置超過 20 年。Claude 透過內部多個獨立複製體交叉驗算並比對文獻,證實弱耦合下同樣呈現突變相變;數週後,外部物理學家也獨立以不同方法搭配 Claude 算出相同結果,完成互相驗證。
第二個突破則是3D 量子重力 Modular Bootstrap 的精確上限(預印本 hexagonmath.org/2611.00174v1)。這道題目試圖在無自旋簡化版的 3D AdS 重力中,找出最輕黑洞質量的理論上限 $M_1 \le c/\Lambda$(其中 $c$ 代表 central charge)。學界從 2009 年證明 $c/6$、2019 年解析推導出 $c/8.5$,一路靠數值方法逼近 $c/9.1$,卻始終難以收斂成嚴格證明。Claude 引入過去從未被用於此題的**譜曲線(spectral curve)**數學工具,導出精確解析公式並得出 $\Lambda \approx 9.1266$,同時證明這已經是該版本 modular bootstrap 的最優極限——換句話說,光靠這套簡化架構無法單獨推進到黑洞出現的 $c/12$ 門檻。更關鍵的是,這項成果於 9 月在形式化驗證語言 Lean 中完成驗證,確保數學推導滴水不漏。
成功關鍵不在神級 Prompt,而是多代理非同步協作
對軟體工程師與 AI 開發者而言,這篇研究最值得關注的其實不是黑洞物理本身,而是背後的 Agentic Workflow 範式轉移。在解第二題的初期,單一 Claude Agent 曾進行過 61 次平行嘗試卻全數失敗;真正促成突破的,是「跨領域多代理協作」——其中一個 Agent 從文獻數值隨 $c$ 偏移的趨勢中,抓出人類長期忽略的規律,另一名負責高維度**球體堆積(sphere packing)**的 Agent 則將其轉化為證明策略(重現了 OpenAI 模型近期的球體堆積證明技巧),才打通整條推導路線。
這說明 AI 研發正從「單點對話生成」,演進為「長期背景執行、跨領域筆記共享、獨立雙重驗算與形式化驗證」的系統工程架構。這套模式未來在演算法最佳化、編譯器驗證或大型系統重構等高複雜度任務上,都具有極高的參考價值。
社群交鋒:行銷炒作還是實證科學的轉折點?
這則消息在 Hacker News 上引發兩極熱議。有網友抱怨討論串裡多數人根本沒讀論文就在空談,幾位物理背景的留言者也坦言,黑洞物理與 Cauchy surfaces 確實超出多數軟體工程師的專業範圍。懷疑派猜測這又是靠 Prompt 工程挖出訓練資料的行銷話術,但支持者反酸社群總是不斷「搬動球門(moving the goalposts)」,不管模型做出什麼成果,永遠都只稱之為「氣泡推理演算法」。
另一場精彩辯論則圍繞「理論數學與實證科學的邊界」。有觀點質疑理論物理本質仍偏向數學推導,AI 在實證研究(empirical research)上依然力有未逮;實務派隨即反駁,自己用 Astra 與 Fable 互相審查,再把寫程式的工作委派給便宜模型,在電腦視覺、向量搜尋與無線訊號處理領域,早已能流暢完成資料清理、模擬與假設迭代。不過反方也提出發人深省的提醒:實證科學最核心的智力挑戰,往往在於設計能「排除干擾變因」的精巧實驗(例如 Michelson-Morley、CRISPR Cas-9 或 CERN),而非機械化執行;若未來全面交由 AI 透過 MCP 操控實驗室儀器,恐怕會剝奪新手研究員累積第一線科學直覺的機會。
受夠 AI 安全護欄?封閉模型的過度審查與「靜默降級」爭議
就在前沿模型不斷刷新科研紀錄的同時,第一線工程師對封閉模型的不滿情緒也正在沸騰。Hacker News 上一篇題為《Fuck Your AI Safeguards》的貼文引爆熱烈討論,社群將矛頭直指 Anthropic 等封閉模型供應商,抨擊過於嚴苛的安全護欄(safeguards)、失靈的白名單制度,以及令人難以察覺的「靜默能力降級」,正在摧毀開發者對商用 AI 工具的信任。
官方文件證實特定領域降級,資安防禦反而卡彈
這波反彈並非空穴來風。有留言直接引用 Anthropic 官方安全性文件(claude-fable-and-mythos-5-2),指出在「加速器核心最佳化(accelerator kernel optimization)」與「改進 LLM 架構」等敏感領域,Fable 5.2 與 Claude Mythos 5.2 的表現會被刻意壓制至接近 Opus 5.5 的水準;在涉及特定非標準加速器的核心開發時,系統甚至會觸發「透明回退(transparent fallbacks)」,在不知不覺中切換回舊版的 Opus 5。
在實務場景中,這種防禦過當甚至反過來阻礙了正當的資安搶修。有網友舉例,先前 HuggingFace 遭遇攻擊事件時,封閉模型拒絕協助防禦,最後反而仰賴開源/開放權重模型 GLM-5 才成功擊退攻勢(亦有留言稱攻擊本身即是由封閉模型發動)。另一名負責大學基礎設施的工程師也分享,他在評估近期一項類似 Log4j 等級的 Java 漏洞時,只是想在網頁版查詢受影響版本與漏洞細節,就遭 Claude Opus 斷然拒絕,改用 Sol 與 Astra 後才順利省下數小時排查時間。此外,包含分析遊戲二進位檔、研究防作弊系統、開發 Linux 相容層,或是撰寫 Fuzzer 修復已有重現步驟的 Bug,都頻繁成為誤殺對象。
白名單失靈與「安全劇院」的荒謬感
更讓資安團隊無奈的是,即便乖乖走完官方申請流程、通過 CVP 審查或取得 Daybreak Blue 權限,依然常在合法工作時吃閉門羹,甚至有研究員感覺 Daybreak Blue 的拒絕率比一般版本更高。
另一方面,許多工程師實測後痛批這些護欄淪為「安全劇院」:遇到 Java 漏洞被攔截的開發者,只要把提問改寫成「找出所有從應用層抵達 base64 decoder 的路徑」就能輕鬆繞過;還有人發現,同一組 Prompt 透過 API 呼叫被拒,但只要比照內部機器人塞入一個無關緊要的工具定義(例如取得當前時間 current time),護欄就會判定安全放行,而且 Claude Code / CLI 環境的拒絕率明顯低於網頁版。這代表決定請求能否通過的,往往不是行為是否正當,而是包裝方式是否碰觸到分類器的盲區。
開放權重、硬體經濟學與企業架構啟示
討論區對此呈現鮮明對立。多數反對派痛批封閉模型商透過過度審查與分級授權,形同向企業收取「保護費(protection racket)」,尤其「靜默降級」會讓開發者根本無法判斷是自己程式碼寫錯,還是模型正在暗中把結果搞砸;他們認為唯有採用 GLM、DeepSeek、Hermes 等開放權重模型才能保住技術自主權,甚至有人主張應立法將模型商納入類似「公共承運人(common carrier)」的反歧視規範。緩頰派則認為,安全護欄就像企業防範社交工程的標準作業程序(SOP),模型無法臨場驗證提問者是否出於善意,只能一律拒答;況且商業公司本就有權訂定政策,若真的放鬆限制,社群恐怕又會反過來指責廠商不負責任。
網友也順帶討論了本地部署與地緣政治的現實面。雖然透過方向性消融(abliteration)移除拒絕機制只適用於開放權重模型,但本地推論的硬體門檻正快速拉高——DeepSeek 4 還能靠高規 Mac Mini 順跑,但體積暴增的 DeepSeek 4.1 已超出單機負荷,對獨立開發者來說按小時計費租用雲端算力反而划算。同時也有留言點出,智譜 AI 已完全採用**華為昇騰(Huawei Ascend)**晶片訓練出 glm-image,顯示美國 GPU 禁令的制約效果正在減弱。
從架構角度來看,這場論戰給工程團隊敲響了一記警鐘:模型行為的不可預測性(靜默降級與隨機拒答)已經是實質的系統風險。如果你的業務涉及底層核心開發、逆向工程或零時差漏洞應變,絕對不能將工作流單一綁定在高度審查的封閉 API 上,勢必要規劃 Multi-Model Routing(多模型路由) 與 開放權重模型備援,並在測試時把不同執行介面(Web、CLI、Tool Injection)對安全分類器的影響一併納入考量。
ToolJet 推出第五代大改版:讓 Vibe Coding 企業應用也能通過資安審查
現在靠 Claude Code、Codex 或 Cursor 進行「Vibe Coding」,十分鐘就能生出一個看起來很完整的內部管理面板。但正如開源低程式碼平台 ToolJet 創辦人所點出的企業痛點:程式碼寫完之後,它該部署在哪裡、誰能打開、誰審查過安全性?ToolJet 在 Product Hunt 推出第 5 次重大發布(當日名列 #15),正式將定位從「開源版 Retool 替代品」,升級為專為 AI Coding Agent 打造的企業級生產執行與治理平台。
官方 MCP 串接與「每次儲存即掃描」的安全防線
ToolJet 這次改版的核心策略相當清晰:不跟 AI 寫程式工具搶前端生成的工作,而是直接把 Coding Agent 納進自家生態,由平台扛起企業最頭痛的資安、權限與部署管理:
- 官方 MCP Server 整合:提供
mcp-oauth.tooljet.com/mcp,讓外部的 Claude Code、Codex、Cursor 或 VS Code 可以直接對接 ToolJet 建構與維護內部應用。 - React Builder 與強制安全檢查:無論是開發者或 AI Agent 撰寫的 React 介面,每次儲存(every save)都會強制執行安全掃描(Security Check),一旦偵測到潛在風險,在修復或明確覆寫(override)前都無法上線。
- Visual Builder 與 Human-in-the-loop 工作流:視覺化編輯器內建 Rocket 2.0、Ant Design、Material UI 三套元件庫,支援版本差異比對(diff)與上線前團隊同儕審查。自動化工作流更加入「人工核准」節點,遇到大額退款等高風險操作可自動暫停等待主管簽核;管理員也能針對個別成員設定 ToolJet AI 的額度上限,避免費用失控。
- 完整企業級基礎設施:資料來源連接器較 3.0 版本翻倍至 100+ 種並內建資料庫;身分驗證支援 OIDC、SAML、LDAP(相容 Okta、Microsoft Entra ID、Google),權限可細緻控管到單一 App、頁面、查詢(queries)與資料來源。同時內建完整 Audit Logs(稽核日誌)、獨立的 dev / staging / prod 三環境隔離,並支援雲端版或自託管於 AWS、GCP、Azure、Docker 與 Kubernetes。
社群肯定人工審批,但直指「安全攔截時機」的盲點
在 Product Hunt 討論區中,既有開發者特別肯定 ToolJet 的「按建置者計價(per-builder pricing)」模式與 MCP 支援,認為這讓商業流程管理的導入彈性大幅提升。來自 Haplo AI 的留言者 JC 也指出,「等待人工核准的工作流」是最具說服力的賣點,因為目前多數由 Agent 生成的內部工具,一碰到退款或審批邏輯就無法投入實戰。
不過 JC 也拋出了一個切中要害的技術拷問:當 AI 生成的資料查詢(query)試圖存取敏感資料表時,ToolJet 的安全檢查究竟是在「執行前」就會即時攔截,還是等到「部署時」才進行標記? 截至目前官方尚未回覆這個問題,但這無疑是企業資安團隊在評估類似平台時最該追問的關鍵細節。
整體來看,Lovable、bolt.new 等新興工具雖然擅長快速產出原型,卻很難跨過企業內部的資安與合規稽核門檻;而 ToolJet、Retool、Appsmith 這類低程式碼平台,正順勢轉型成為 Coding Agent 的企業級 Runtime 與治理沙盒。未來內部工具市場的決勝點,將不再是誰拖拉元件的速度最快,而是誰能為 AI 生成的程式碼,提供最安全、可控且可稽核的正式上線環境。