今天只留兩則。
因為這兩則剛好把現在 AI 競爭最重要的兩層放在一起：
上面，是 Agent 到底能變多強。
下面，是誰能用更低成本把這些 Agent 跑到真正大規模。
Meta 最新推出 Muse Wonder 與 Muse Wonder Full。
另一邊，Microsoft 正式公布 Maia 300，而且不只準備做幾批測試晶片，而是要從 2027 年開始往 multi-gigawatt 規模部署。
AI 戰場正在從「誰有最強模型」，進一步變成：
誰能同時掌握模型、Agent、晶片與資料中心。
1. Meta 推 Muse Wonder／Wonder Full：下一版 Muse 要靠自己的 frontier model 跑
Meta 10 月 12 日正式公布兩款新模型：
Muse Wonder
以及
Muse Wonder Full。
Meta 把它們形容為公司目前能力最強的模型，主要不是只拿來聊天，而是針對 personal／professional agentic tasks 設計。
例如：
理解租約、
協助處理保險申訴、
長時間完成工作任務，
甚至從零做出可以運作的 App。
其中 Muse Wonder 已經可以透過 Meta Model API 與 Muse Code 使用。
Wonder Full 則先提供 Muse Code 訂閱者。
更重要的是：
Muse Wonder 接下來會直接成為 Muse 的核心模型之一。
Meta 表示，Wonder 將先向 Muse 訂閱者推出，再逐步進入更多 Muse 體驗。
這代表 Meta 之前花一個多月鋪好的 Muse 生態，現在開始補上自己的高階模型。
Meta 真正想補的，不只是 Benchmark
Meta 今年已經陸續把 Muse 放進：
個人 Agent、
工作 Agent、
Coding，
甚至中小企業工作流程。
但真正要和 OpenAI、Anthropic、Google 正面競爭，問題一直是：
底下跑的模型夠不夠強？
Meta 現在宣稱 Muse Wonder 已經進入 frontier 等級，並在部分內部與公開 Benchmark 上能和 GPT-6 Astra、Claude Opus 5.5 等高階模型競爭。
這些目前仍然主要是 Meta 自己公布的測試結果。
因此還不能只看官方 Benchmark，就直接下結論說 Wonder 已經全面超越其他 frontier model。
真正值得追的是：
它進入 Muse 之後，
能不能在真實的長時間 Agent 任務裡，
更穩定地記住 Context、
持續工作、
使用工具，
而且不要在中間偏離目標。
這才是一般使用者真正會感受到的差異。
這也讓 Meta 的 AI 路線出現一個很明顯的分層
8 月時，Meta 推出的 Muse Glimmer 是一條完全不同的路。
Glimmer 是 30B 開放權重模型，重點是可以縮小到本機裝置上運行。
Wonder／Wonder Full 則瞄準最前沿能力。
也就是說，Meta 現在同時在做：
小模型放到更多裝置。
以及：
大模型把 Agent 能力往上推。
未來 Muse 不一定只靠一個模型完成所有事情。
簡單任務可以交給便宜、快速的模型。
真正需要長 Context、多步驟操作與複雜推理時，再切到 Wonder 等更強模型。
這其實也是整個 Agent 市場正在形成的架構。
2. Microsoft Maia 300：2027 年開始，自己的晶片要變成主要 AI 推論系統
另一則重要更新發生在模型下面。
Microsoft 10 月 12 日正式公布第三代自研 AI 晶片：
Maia 300。
之前 SasaDaily 8 月已經追過 Maia 300 的消息。
當時它還主要是「Microsoft 據報準備推出下一代自研晶片」。
現在變成正式規格與部署計畫。
Microsoft 說得非常直接：
從 2027 年開始，
Azure Maia 要進入 multi-gigawatt deployments。
Maia 300 也將成為 Microsoft 產品與服務的主要 AI inference system。
也就是說，它不是只拿來做實驗。
未來 Microsoft 自己每天大量運行的：
Copilot、
Agent、
Coding 工作，
以及各種 Azure AI 服務，
會愈來愈多跑在 Microsoft 自己設計的晶片上。
為什麼 Microsoft 不乾脆一直買 Nvidia？
因為 AI 最大的成本問題，已經慢慢從：
「模型能不能做？」
變成：
「每一次推論到底要花多少電、多少晶片、多少錢？」
Maia 300 就是直接針對這件事。
Microsoft 官方表示，它是針對：
長 Context Reasoning、
低延遲對話、
長時間 Multi-step Agent 任務
設計。
完整一個 Rack 可以放 96 顆 Accelerator。
Microsoft 宣稱，相較 Maia 200，完整 Rack 的 Token Throughput 最高可提升到 7 倍。
公司也宣稱，Maia 300 相較「leading GPU-based systems」，每一 MW 可以多產出約 40% 的 Token。
這些仍然是 Microsoft 自己公布的比較數據，而且它沒有明確公開被拿來比較的 GPU 系統是哪一套。
所以現階段應該理解成：
Microsoft 對自己的效率目標。
而不是已經有獨立第三方證明它全面比 Nvidia 快 40%。
Reuters：Microsoft 甚至可能部署超過 100 萬顆
Reuters 進一步報導，Microsoft 明年可能部署超過 100 萬顆 Maia 300。
如果最後真的做到這個量級，意義就不只是「Microsoft 也有一顆 AI 晶片」。
而是它開始真正降低：
Azure、
Copilot、
Agent
對第三方 GPU 的單一依賴。
Maia 300 的核心 Compute Chiplet 採用台積電 2nm 等先進製程。
Microsoft 自己掌握晶片設計，
台積電負責製造，
再把晶片、記憶體、網路、Rack、資料中心一路一起優化。
這條路和 Google TPU、Amazon Trainium／Inferentia 本質上是一樣的：
雲端公司不想永遠只當 Nvidia 的大客戶。
它們也想自己決定一個 AI 任務到底要花多少錢。
今天兩則新聞其實是同一件事
表面上看：
Meta 在發布模型。
Microsoft 在發布晶片。
但兩家公司真正追的是同一個問題：
Agent 如果真的要每天替數億人工作，怎麼把它跑得夠強、夠久，而且成本不能失控？
Meta 解的是上層：
Agent 到底能不能理解更複雜的事情、記更久、自己完成更多步驟。
Microsoft 解的是底層：
同樣一個 Agent 任務，怎麼用更少的電、更少的硬體成本跑出更多 Token。
所以未來 AI 競爭，很可能愈來愈不能只比較：
GPT 幾分、
Claude 幾分、
Gemini 幾分。
真正決定產品能不能大規模普及的，還包括：
一個任務要跑多久？
用多少 Context？
要呼叫多少次模型？
每一百萬次 Agent 任務要多少電？
最後一件工作到底花多少錢？
模型能力只是其中一層。
真正的 AI 平台競爭，已經開始一路從 Agent 往下打到晶片與資料中心。
推薦閱讀
今日 AI 工具｜2026/09/09：Meta Muse，把 Email、旅行與購物交給個人 AI Agent，關掉 App 後還能繼續跑任務
Wonder 接下來要進入 Muse；這篇可以先理解 Muse 到底和一般聊天 AI 有什麼不同，以及它原本已經能處理哪些長時間任務。
8 月時 Maia 300 還停留在據報準備推出；現在 Microsoft 已經正式公布產品架構與 2027 大規模部署計畫，可以直接看出兩個月之間從「傳聞」到「正式基礎設施戰略」的變化。
