KeyFrame內部研究專用

越用越怕AI?Pew 2026 報告揭開 AI 信任危機

住在老街溪的Lethe·6月19日週五·6 min中文

三句話摘要

AI普及率與信任度的分裂:2026年數據揭示使用越多、疑慮越深的矛盾現實,以及政府出口管制如何讓「模型突然下線」成為真實風險。 AI已是基礎設施,信任它的前提不是它夠聰明,而是你知道它什麼時候會出錯、什麼時候會消失,以及你準備好了沒有。 使用率與信任度的矛盾同步上升。 2024年至2026年,美國成年人使用AI Chatbot的比例從33%升至49%,ChatGPT單獨就從18%跳到44%,但「用得更多」並未帶來「更放心」——Pew的數據明確顯示這兩條線是分開的。

重點整理

重點
  • 1

    使用率與信任度的矛盾同步上升。 2024年至2026年,美國成年人使用AI Chatbot的比例從33%升至49%,ChatGPT單獨就從18%跳到44%,但「用得更多」並未帶來「更放心」——Pew的數據明確顯示這兩條線是分開的。

  • 2

    AI的滲透遠超「主動打開Chatbot」的範圍。 約四成美國人擁有智慧手錶,三分之一有智慧喇叭,60%讀過搜尋頁頂端的AI摘要,許多人在不自覺的情況下已是AI的每日用戶,這讓信任問題更難定位、更難迴避。

  • 3

    不使用AI的人,核心障礙是信任而非技能。 非使用者中83%沒興趣、79%擔心個資使用方式、76%不信任答案正確性,只有55%提到不知道怎麼用——這說明推廣AI只教Prompt技巧,會完全錯過更根本的疑慮。

  • 4

    政府出口管制讓「模型消失」成為具體風險。 Anthropic兩款模型因美國國安指令被迫暫停外國用戶存取,揭示了一個新維度的信任問題:不只是答案對不對,而是整套工作流依賴的模型可能在短時間內突然不可用。

實用技巧與重點

乾貨
  • 數字與比例
  • 49%美國成年人(2026)用過AI Chatbot;2024年為33%
  • ChatGPT使用率:2023年18% → 2026年44%
  • 24%美國成年人每天使用AI Chatbot
  • 63%認為AI發展太快
  • 18-29歲Chatbot使用率66%;30-49歲61%;50歲以上明顯偏低
  • 18-29歲中,約50%認為AI對社會有負面影響,僅13%認為正面
  • 男性使用Chatbot比例50%,女性47%,差距已縮小,但女性更多認為影響偏負面
  • 67%對政府有效監管AI「沒有太多或完全沒有信心」
  • 59%對企業負責任開發AI「沒有太多或完全沒有信心」
  • 非使用者不用原因:83%沒興趣、79%擔心個資、76%不信任答案、55%不知道怎麼用
  • 約40%美國成年人有智慧手錶,約1/3有智慧喇叭,60%讀過搜尋頁AI摘要
  • 機構與事件
  • Pew Research Center,2026年調查報告
  • Anthropic,2026年6月9日發布 Claude Fable 5 與 Claude Misos 5
  • Fable 5:一般使用版,附加安全防護(Safeguards)
  • Misos 5:同底層能力,部分領域放寬Safeguards,初期限定 Cyber Defenders 與 Critical Infrastructure Providers 的小群體
  • 2026年6月12日,美國政府以National Security Authorities依據Export Control Directive,要求暫停所有外國籍人士(含境內外、含Anthropic員工)對Fable 5與Misos 5的存取
  • Anthropic實際執行:對所有客戶全面暫停,以確保合規
  • 底線思維框架(影片提出的四問)
  • 哪種任務可以交給AI?
  • 哪種答案必須自己查?
  • 哪些資料不能輸入?
  • 如果這個模型明天不能用,工作流還能運作嗎?

結論

結論

AI已是基礎設施,信任它的前提不是它夠聰明,而是你知道它什麼時候會出錯、什麼時候會消失,以及你準備好了沒有。

完整解析

詳細

Pew Research Center在2026年的調查拋出了一個最值得正視的矛盾:美國成年人使用AI Chatbot的比例從2024年的33%飆升至49%,ChatGPT一項就從18%跳到44%,24%的人甚至每天都在用。然而同一批受訪者裡,有63%認為AI發展太快。這不是「還沒接受」的問題,而是「正在大量使用,同時感到不安」的雙重現實。影片的起點就在這個矛盾:AI已經成為許多人工作、查資料、整理想法的第一入口,但普及不代表信賴。

這份調查還揭示了一件容易被忽略的事:很多人可能根本不覺得自己「在用AI」。約四成美國人帶著有AI功能的智慧裝置,三分之一家裡有智慧喇叭,60%看過搜尋頁最頂端的AI摘要。AI早已不只活在聊天視窗裡,而是滲透進許多工具背後的一層介面——你看不見它何時介入,但它已經在了。這也是為什麼信任問題比以前複雜:你無法靠「不打開某個App」來迴避它。而那些選擇不用AI的人,核心理由並非技術門檻,83%說沒興趣,79%擔心個資,76%不信任答案的正確性,只有55%才提到不會使用——這意味著AI推廣如果停在教Prompt,根本沒觸及更深的疑慮。

數字裡還有一個令人意外的分布:年輕族群用得最多,卻也最不樂觀。18-29歲的使用率高達66%,但其中約半數認為AI對社會有負面影響,僅13%認為正面。性別面也是類似邏輯:男女使用率差距已縮窄至3個百分點,但女性明顯更常覺得AI的影響偏負面、發展太快。這些數字共同指向一件事:AI信任危機不是「不會用」的問題,而是風險感、控制感和對未來想像的問題。當延伸到機構層面,數字更冷:67%對政府能有效監管AI缺乏信心,59%對企業能負責任開發AI同樣沒有信心。大眾不只擔心模型答錯,他們也不相信管AI的制度已經準備好。

這時候,2026年6月發生的一件具體事件,把這個問題推到了另一個維度。Anthropic在6月9日發布了Claude Fable 5與Claude Misos 5,Fable 5面向一般用戶並附加安全防護,Misos 5在某些領域放寬了限制,初期只開放給少量網路安全防禦者與關鍵基礎設施業者。三天後,美國政府依據國安授權發出出口管制指令,要求暫停所有外國籍人士對這兩個模型的存取,不論當事人身在美國境內或境外,甚至包含Anthropic外籍員工。Anthropic為了確保合規,實際上必須對所有客戶全面暫停存取。這讓信任危機跳出了「答案準不準」的框架——整個模型可以因為國安與出口管制,在極短時間內消失在你的工作流裡。對偶爾用AI的人來說,換個模型即可;但對已把特定模型深度整合進客服、研究流程、字幕檢查、報告生成的企業或創作者來說,這是一次真實的基礎設施中斷。AI越是像水電一樣被依賴,就越不能只用「新功能好不好用」的角度評估它,還必須評估它的政策風險、資料政策、以及有沒有備援供應商。

影片最後的結論是:在AI普及速度遠遠把大眾信任度拋在後頭的2026年,真正需要建立的不是使用技巧,而是底線思維。哪些任務可以交給AI、哪些答案要自己查、哪些資料不能餵進去、哪些錯誤一出現就要停手——這四個問題,加上「如果這個模型明天不能用,我的工作還跑得起來嗎」,才是AI時代最務實的能力清單。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。