DeepSeek 創辦人梁文鋒在一場四小時的投資人會議上，親口承認中美算力差距「巨大」。會議逐字稿外流後，DeepSeek 暫停了正在進行中的募資談判。同一時間，Anthropic 發表了一篇技術文章，公開了一個不太符合公關直覺的數據：Claude Code 的 system prompt 被刪掉了 80%，對 Claude Opus 5 和 Fable 5 的程式碼評估沒有可量測的負面影響——那些過去被認為不可或缺得規則，原來有一大坨是模型根本不看的。今天兩條最大條的新聞都指向同一個命題：AI 競爭的底層限制在算力，上層的限制在 prompt engineering——而這兩個限制的鬆綁方式，一個靠承認現實，一個靠刪程式碼。

🔥 梁文鋒承認中美算力差距「巨大」，DeepSeek 暫停募資

中國 AI 公司 DeepSeek 的創辦人梁文鋒在 7 月 22 日舉行了一場長達四小時的投資人閉門會議。會議的中文原文和英文翻譯逐字稿隨後被上傳到 GitHub，引發軒然大波。

根據外流逐字稿的摘要，梁文鋒在會議中坦承中國與美國之間存在「巨大的」算力差距——這對於一家以「用更少算力做到同等性能」為核心敘事、並因此贏得全球關注的公司來說，是一記方向完全相反的內部表態。外流事件發生後，消息人士指出 DeepSeek 已暫停正在進行中的新一輪募資談判。

這個時間點值得注意。DeepSeek 年初的 V3 和 R1 模型以遠低於美國競爭對手的訓練成本引發市場重新估值，但此後數月，美國出口管制持續收緊，NVIDIA H100/H200 級晶片進入中國的管道進一步縮窄。梁文鋒這次的內部發言，等於在私人場合推翻了自己公司的公關敘事——「少算力也能贏」是一回事，「以後連少的算力都快拿不到了」是另一回事。

逐字稿目前以 PDF 形式上傳在 GitHub，沒有經過 DeepSeek 官方確認內容的真實性或完整性。但暫停募資的動作本身已經是信號——投資人看到創辦人親口說「我們落後很多」之後，募資簡報上那些追趕美國的 timeline 要怎麼寫？

🔧 Anthropic 自爆：Claude Code 的 system prompt 刪了 80%，coding 跑分完全沒掉

Anthropic 發表了一篇技術文章，題為「Claude 5 世代模型的 context engineering 新規則」。核心數據：Anthropic 內部針對 Claude Opus 5 和 Claude Fable 5 等新一代模型，把 Claude Code 的 system prompt 刪減了超過 80%，結果在他們的 coding 評估上沒有可量測的效能損失。

文章由 Anthropic 技術人員 Thariq Shihipar 撰寫，重點不是報喜而是報「我們以前給模型的規則是多餘的」。幾個被點名推翻的舊做法：

舊：給 Claude 規則 → 新：讓 Claude 用判斷力。 以前 Claude Code 的 system prompt 充滿「不要寫註解」「不要建立規劃文件」這類強硬指令——因為舊模型在沒有這些規則時會做出糟糕決定。新一代模型不需要了，改成「寫出來的程式碼風格要跟周圍的一致」。

舊：給 Claude 工具使用範例 → 新：設計工具介面本身。 以前教模型用工具的方式是給範例，但 Anthropic 發現範例反而限制了模型對工具的探索範圍。與其給範例，不如在工具參數和列舉值（例如 Todo 的 pending/in_progress/completed）裡就把意圖說清楚。

舊：把所有資訊塞進 system prompt → 新：漸進式揭露。 以前 Claude Code 的 system prompt 裝滿了 code review 指引、驗證流程等「以防萬一」的資訊。現在這些東西被拆成獨立的 skill，Claude Code 自己會在需要時載入。有些工具甚至設為延遲載入——模型要用之前得先搜尋完整定義。

舊：重複自己 → 新：工具描述寫一次就好。 舊模型有時需要同一個指令在不同位置重複出現才聽得進去。現在工具的使用說明只放在工具描述裡，system prompt 裡不需要再重複。

舊：記憶寫在 CLAUDE.md → 新：自動記憶。 以前要使用者手動按 # 快捷鍵把偏好寫進 CLAUDE.md，現在 Claude 會自動儲存跟工作和使用者相關的記憶。

Anthropic 還順便推出了 /doctor 指令，幫使用者自動瘦身 CLAUDE.md 和 skill 檔案。

這篇文章當然是一篇行銷文——它要賣的訊息是「Claude 5 世代模型更聰明，需要的提示更少」。但數字本身有參考價值：如果你的工具和流程是為上一代 AI 設計的，你可能花了 80% 的 token 在寫模型其實不再需要的指示。而那些 token 都是錢。

🗳️ Debian 社群對 LLM 使用啟動正式表決，四個方案從全面禁止到有條件允許

Debian 正在進行一次事關整個發行版未來的正式投票（General Resolution）：如何處理貢獻者在開發過程中使用 LLM 輔助的問題。投票頁面目前列出四個方案：

方案 A（全面禁止）： 提案人 Matthias Geiger。主張在 Debian Social Contract 中加入第六條，明確禁止任何使用 LLM 或生成式 AI 工具輔助的直接貢獻——包括打包、原生軟體（如 lintian）、文件、翻譯、官網資源等。理由涵蓋：版權不明（LLM 輸出的授權狀態不清，Debian 要求絕對明確）、品質疑慮（LLM 不「知道」輸出是否正確）、社群傷害（新人交 LLM 產出讓審查者 burnout，而且不學東西）、倫理問題（LLM 公司無視授權和 robots.txt 大規模爬蟲，曾導致 Debian 基礎設施實質上的 DDoS）。

方案 B（有條件允許）： 提案人 Lucas Nussbaum（曾任 DPL）。承認 AI 工具對許多貢獻者有幫助，但設下六個條件：工具的合約條款不得與 Debian 的授權衝突；輸出中若包含第三方版權素材，貢獻者必須確認有權提交；貢獻者對提交內容負全責（包括技術、安全、授權）；大量使用時必須揭露；大量或自動產生的變更必須事先討論；不得用雲端 AI 處理敏感或非公開資訊。

方案 C（盡可能拒絕）： 提案人 Ian Jackson。立場最強硬但不走全面禁止路線——「請求」所有貢獻者避免使用 LLM，「請求」決策者盡可能阻止，甚至「請求」整個開源社群拒絕這項技術。具體強制規定包括：任何給人類看的訊息（bug report、郵件列表、Salsa 討論）必須純人寫；使用 LLM 必須揭露；個別專案和維護者可以完全禁止 LLM 貢獻且必須被尊重。

方案 D（接受現況）： 提案人 Pierre-Elliott Bécue。承認「禁止無法執行」的現實主義立場：AI 輔助貢獻允許，但必須符合 DFSG、提交者自負全責、應標記 AI 輔助、不得用雲端 AI 處理敏感資料。

四個方案的提案人之間有部分重疊——Matthias Geiger 同時是方案 A 的提案人和方案 C 的連署人（seconds），Ian Jackson 同時連署了方案 A 並提出方案 C。Debian 使用 Condorcet 投票制，結果不只是「哪個方案贏」，更是「社群對 AI 的容忍度落在哪個點上」的一次溫度計。

這是第一個以正式投票表決 LLM 使用規範的主流開源發行版。結果不只影響 Debian 自己——它會成為其他開源專案制定政策時必定引用的先例。

🔌 AMD 推出 ROCm.AI：讓 Claude、GPT 自己寫 AMD GPU 的 kernel

AMD 本週在 Advancing AI 活動上發表了 ROCm.AI——一個讓前沿模型直接為 AMD GPU 編寫、除錯、優化 kernel 的平台。核心賣點：AMD 公開發表了機器可讀（machine-readable）的 ISA 規格，所以 Claude、GPT 這類前沿模型「非常擅長為 AMD 硬體寫程式」，AMD 軟體 VP Anush Elangovan 如此表示。

ROCm.AI 會以 plugin 形式整合進 Claude Code、OpenAI Codex、Google Antigravity 和 Cursor 等主流 coding assistant。其中一個亮點工具叫 Hyperloom：使用者對 coding assistant 說「用 Hyperloom 優化 MiniMax M3」，Hyperloom 就自動在 Docker 容器內啟動 inference server、跑 benchmark 建立 baseline、分析瓶頸、調整設定、甚至即時產生自訂 GPU kernel。AMD 宣稱在自家 Helios 機櫃上，這個流程能把模型效能提升 38%。

Elangovan 強調這不只是讓前沿模型產生 kernel——AMD 正在跟 OpenAI、Anthropic 等模型廠商深入合作，「讓這些模型原生就會講 AMD 的程式語言」。

CUDA 護城河這個老話題，AMD 這幾年的回應策略大致是：先讓 PyTorch/JAX 這層做到 write once run anywhere（讓你不必碰 CUDA），現在再加一層——讓 AI 幫你處理那些你真的需要手寫 kernel 的最佳化環節。沒有否認 CUDA 生態的深厚，但試圖讓繞過它的成本低到不值得在意。

📡 其他值得關注

  • AMD PyTorch Monarch 登上 ROCm：PyTorch Monarch 的單控制器分散式訓練架構正式支援 AMD GPU，在 MI300/355 叢集上實測動態容錯——節點掛了不用從 checkpoint 重來，其他節點繼續訓練，掛掉的節點透過 peer checkpoint transfer 恢復後自動加回。16 節點 MI300（128 GPU）環境每 180 秒注入 RCCL 錯誤仍穩定收斂。 → PyTorch

  • 28.9M 參數 LLM 跑在 $8 的 ESP32 微控制器上：slvDev 用 Google Gemma 的 Per-Layer Embeddings 技術，把 25M 行的 embedding table 留在慢速 flash，每次 token 只讀 450 bytes 到 SRAM，在 ESP32-S3 上跑到約 9 tokens/s。模型用 TinyStories 訓練，只能講簡單故事——亮點是架構而非產出。前一個跑在類似晶片上的模型只有 260K 參數。 → GitHub

  • Yorishiro：讓 AI agent 有身體的 macOS 終端機：一個有角色動畫、燈光提示、場景系統的終端機 app。AI agent 在思考時角色眼神會飄、出錯時表情立刻變、需要你批准時畫面燈光會亮。支援 Claude Code 和 Codex，核心以外的 UI/角色/反應全部透過「packs」機制可自訂。由日本開發者製作，大量程式碼是和住在終端機裡的 AI 一起寫的。 → GitHub