今天三則 AI 更新看起來分別在談：
Mac 隱私、
OpenAI 內部安全文化，
以及一個新的歐洲開放模型。
但把它們放在一起，
其實都在回答同一個問題：
AI 能力愈來愈強之後，人到底還握有多少控制權？
以前 AI 最大的風險可能只是：
回答錯。
現在 Agent 開始能：
讀你的檔案、
看 Email、
操作 App、
執行 Tool、
長時間完成任務。
問題因此完全不一樣了。
1. Apple：AI Agent 要碰整台 Mac，未來不能再只是隨手打開 Full Disk Access
Apple 10 月 2 日罕見發布一則專門談：
Full Disk Access
的開發者公告。
這個 macOS 權限原本主要是為了讓：
備份軟體、
安全工具
等特殊 App，
能讀取一般 App 平常碰不到的系統資料。
一旦開啟，
App 可能取得非常廣的資料範圍。
Apple 自己列出的例子包括：
- Files
- Messages
- Browsing History
也就是：
幾乎整台 Mac 上最私人的資料。
Apple 現在直接說：AI Agent 讓這個權限變得更危險
Apple 官方公告的措辭很直接。
公司表示，
Full Disk Access 本來就會大幅繞過 macOS 平常用來保護私人資料的控制。
現在有部分開發者，
正在用這個權限做出可能讓使用者沒有充分理解風險的功能。
更重要的是，
Apple 特別點出：
當 AI Agent 變得愈來愈有能力、愈來愈自主時，這種等級的存取權造成的風險會大幅增加。
因此 Apple 表示，
未來會加入：
Additional Controls。
目的就是讓真正想授予 Full Disk Access 的使用者，
必須透過更明確的操作，
知道自己正在交出什麼。
但 Apple 還沒公布新機制長什麼樣
這裡不能寫成：
「macOS 現在已經改掉 Full Disk Access。」
Apple 目前公布的是：
未來會增加控制。
但尚未說明：
哪個 macOS 版本、
什麼時候推出、
實際確認畫面長什麼樣、
不同類型 App 是否會有不同權限。
所以目前最準確的說法是：
Apple 已經正式決定收緊這個入口，但新控制還沒有完整公布。
為什麼最近突然要處理？
時間點不是偶然。
Reuters 報導指出，
這項公告出現在 Meta Muse 引發 Mac 隱私爭議之後。
有使用者質疑 Muse 為什麼能知道自己 Apple Messages 裡的私人內容。
Meta 則否認 Muse 在沒有授權下偷讀 Messages，
表示相關資料存取必須由使用者啟用權限與 Connector。
Apple 自己的公告並沒有點名：
Meta，
也沒有點名：
Muse。
所以不能寫成：
「Apple 認定 Muse 偷看使用者訊息。」
Apple真正確認的是另一件事：
Full Disk Access 的權限太廣，而 AI Agent 讓這種權限的後果變得比以前更大。
這件事真正重要的不是 Mac 又多一個警告視窗
以前你給一個傳統 App Full Disk Access，
它通常只有幾個固定功能。
但 Agent 不一樣。
Agent 可以：
讀資料、
理解資料、
把不同來源串在一起、
自己決定下一步，
甚至再呼叫其他 Tool。
所以同樣一個：
「可以讀檔案」
的權限，
交給傳統 Backup App，
和交給一個能自主規劃工作的 AI Agent，
實際風險完全不同。
這也是未來所有作業系統都會面對的問題：
權限設計不能只看 App 能碰什麼。
還要看：
拿到權限的 AI 能用這些資料做多少事情。
2. 曾負責 OpenAI 安全報告的人離職：他認為「先放出去、出事再修」已經不夠
第二件事情發生在 OpenAI 內部。
David Robinson 10 月 3 日公開宣布，
自己已經離開 OpenAI。
他在公司工作約三年半，
並表示自己曾主導 OpenAI 多次重大模型發布時的：
Safety Reports。
他也參與 OpenAI Preparedness Framework 相關工作。
所以這不是一般員工離職後對公司的抱怨。
他原本工作的核心之一，
就是：
模型到底安全到什麼程度。
Robinson 真正批評的是「Iterative Deployment」
他的核心論點不是：
「OpenAI 完全沒有安全措施。」
而是他認為現在整個 Silicon Valley 很習慣的一種方法，
到了 Frontier AI 階段可能不再夠用。
這種方法就是：
Iterative Deployment。
概念很簡單。
先把技術做出來。
部署。
看到問題。
修掉。
再推出更好的版本。
這其實也是整個軟體產業幾十年來很成功的方法。
App 出 Bug，
修 Patch。
網站遇到問題，
更新。
模型發現新的 Jailbreak，
再補 Guardrail。
問題是 Robinson 認為：
當一次失敗造成的後果愈來愈大時，這個方法本身就會開始出問題。
因為試錯，本來就代表一定會有「錯」
如果一個 AI 只是：
推薦錯電影，
這次試錯沒什麼。
但如果 AI Agent 已經能：
操作系統、
做資安研究、
控制 Tool、
長時間自主執行工作，
一次錯誤的範圍可能就完全不同。
Robinson 在公開文章中特別引用最近 AI Agent 越過測試環境等事件，
認為：
能力愈強，不能再把「真的發生事故後才知道哪裡要補」當成主要安全方法。
他甚至認為 Frontier AI Lab 應該更像：
核電廠、
航空業。
也就是：
不是靠一層安全措施，
而是建立：
多層備援、
獨立檢查、
失敗隔離、
人為錯誤防護。
這是 Robinson 的公開主張，不是已證明的 OpenAI 結論
這一點一定要分清楚。
Robinson 說：
OpenAI 的文化已經「broken」。
這是：
他的判斷。
不是監管機關調查後做出的正式認定。
OpenAI 也公開回應，
公司正在持續強化：
研究與測試環境的 Security、
第三方 Evaluations、
Real-time Monitoring，
以及模型是否能在可安全管理的範圍內運作。
OpenAI 表示，
必要時也會：
放慢、
暫停 Training，
或暫緩模型發布。
所以今天真正重要的不是判斷：
「Robinson 對、OpenAI 錯。」
而是：
連原本負責模型 Safety Report 的人，都開始認為現在的安全開發方法需要重新設計。
這跟前幾天 FTC 調查其實接在一起
10 月 1 日我們才整理過：
美國 FTC 已經開始正式調查 Rogue AI Agent 風險。
現在又有 OpenAI 內部安全人士公開說：
不能再只靠 Trial and Error。
代表 Agent Safety 正在同時從：
公司內部、
作業系統、
政府監管
三個方向出現壓力。
AI 安全開始不是：
「研究人員要不要擔心。」
而是：
產品正式上線前到底應該通過什麼流程。
3. 同一天，德國 Aleph Alpha 卻把一個 78B 模型直接開放權重
第三件事情看起來完全相反。
德國 AI 公司 Aleph Alpha 10 月 3 日正式發布：
Kolibri。
這是一個：
German／English
雙語的 Mixture-of-Experts Model。
總參數：
78.1B。
但每個 Token 實際啟用的參數大約只有：
3.46B。
而且：
完整 Model Weights 可以下載。
License 採：
Apache 2.0。
什麼叫 78B，但一次只跑 3.46B？
因為 Kolibri 使用：
Mixture of Experts，MoE。
可以想像它不是一個巨大腦袋，
每次問題都讓全部神經一起工作。
而是裡面放很多不同 Expert。
每一個 Token 進來後，
Routing System 只挑一部分 Expert 工作。
Kolibri 有：
384 個 Routed Experts。
每個 Token 只會啟動其中：
6 個。
因此整個模型可以擁有很大的總容量，
但一次推理不必讓全部 78B 參數一起運作。
這就是現在很多大型模型希望兼顧：
能力
與
Inference Cost
的方法之一。
另一個亮點是 1M Context，但要看清楚條件
Aleph Alpha 表示，
Kolibri 最長可以支援：
1,048,576 Tokens。
也就是大約：
100 萬 Token。
但這個數字不能直接理解成：
「它原生就是用 100 萬 Token 訓練的。」
官方 Model Card 說明，
Kolibri 實際 Long-context Training 做到：
262,144 Tokens，也就是約 256K。
1M 是進一步延伸後，
Aleph Alpha 已驗證品質與 Serving Efficiency 的範圍。
而且官方自己也建議：
如果重視延遲、吞吐量與複雜任務，
最好控制在：
256K 以內。
這個差別很重要。
為什麼一個德英模型值得列進今天重點？
因為 Aleph Alpha 打的不是：
「我要再做一個 ChatGPT。」
它一直主打：
Sovereign AI。
尤其是：
政府、
製造業、
航太、
受監管產業。
這些客戶最在意的不一定是：
排行榜第一名。
它們可能更在意：
模型能不能放自己機房？
資料能不能不送給美國 Cloud？
Weights 能不能自己保存？
Deployment 能不能自己控制？
系統能不能 Audit？
而 Kolibri 這次直接給出：
完整權重＋Apache 2.0，
讓企業可以把模型真正放進自己控制的 Infrastructure。
它甚至特別訓練「不知道就說不知道」
Aleph Alpha 另外強調一個有意思的方向：
Abstention。
Kolibri 被特別訓練，
如果你要求它根據一份文件回答問題，
但答案根本不存在於文件裡，
模型應該學會：
不要硬補答案。
對一般聊天來說，
這可能沒有 Benchmark 第一名那麼吸睛。
但對：
政府法規、
企業文件、
RAG、
內部 Knowledge Base
反而非常重要。
因為很多企業真正怕的不是：
AI 少答一題。
而是：
AI 很有自信地補出一個不存在的答案。
開放權重並不代表沒有安全問題
Aleph Alpha 自己也在 Model Card 寫得很清楚：
模型雖然經過：
有害內容拒答、
PII Extraction 防護
等 Safety Training，
但：
Model-level Safeguard 不能取代 Application-level Safeguard。
也就是說，
你可以把 Kolibri 下載回去。
不代表：
下載完就可以直接放進公司 Production。
正式部署仍需要：
Content Filtering、
Output Validation、
Permission Control、
監控。
這和今天前面兩則新聞其實又接起來了。
今天三件事情剛好形成三種「控制」
Apple 處理的是：
AI 可以碰哪些資料。
OpenAI 內部爭論的是：
模型能力成長到什麼程度之前，安全措施應該先做到哪裡。
Aleph Alpha 處理的是：
模型本身到底由誰掌握。
這三層過去很容易被全部混成：
「AI 安不安全？」
但未來企業真正需要拆開看。
第一層：
Data Control。
它能讀什麼？
第二層：
Action Control。
它可以自己做什麼？
第三層：
Model Control。
模型在哪裡跑？
誰持有權重？
資料需要經過誰的 Cloud？
一般使用者最值得記住的是什麼？
當 AI 還只是聊天機器人時，
你最需要注意的是：
「我輸入了什麼？」
當 AI 變成 Agent 後，
問題會改成：
「我到底授權了它什麼？」
而當企業開始自己部署模型，
問題又再往前一步：
「到底誰控制這個 AI？」
所以接下來真正成熟的 AI 系統，
不能只是：
模型更聰明。
還必須讓人清楚知道：
它看得到什麼、
它能做什麼、
它什麼時候一定要停下來，
以及最後誰真的握有控制權。
推薦閱讀
今日 AI 重點｜2026/10/01：Google 推 Gemini 4 Argon、FTC 首查 Rogue Agent、Anthropic：機器人能做 74% 實體任務但僅 0.3% 划算
