第三十二期
2026-08-15
一.網路巨頭 Cloudflare 推出全新支付服務，晚註冊就沒了！全新的 x402 支付又是什麼？
作者:YD
還記得以前買東西要輸入信用卡號、等 3D 驗證簡訊嗎？現在連「買東西的人」都可能不是人了。8 月 4 日，Cloudflare 正式發布 Cloudflare Wallets 與全新識別服務 cloudflare.pay，目標很直接：讓 AI Agent 也能像人一樣，擁有自己的身分、自己的錢包，自己上網刷卡買東西。這篇週刊就來拆解一下，這套聽起來有點科幻的「AI 錢包」到底是什麼，以及背後撐著它的 x402 支付協議又是何方神聖。
Cloudflare Wallet 是什麼？
簡單說，Cloudflare Wallets 是專門為 AI Agent 設計的支付系統，分成兩種角色：
- Account Wallet：給「人」用的，也就是你或你的公司，負責掌控預算、設定規則。
- Virtual Wallet：給「Agent」用的，透過 API Key 運作，實際去買 API、買 MCP 工具、買內容的就是它。
聽起來就是把信用卡交給一個看不見的助理，是不是有點可怕？Cloudflare 顯然也想到這點，所以 Virtual Wallet 內建了一整套「韁繩」：
- 每週／每月的花費上限（例如設定 $100 美元的週預算）
- 白名單商家、單筆交易金額上限
- 異常花費自動示警
- 人類隨時可以手動介入、暫停授權
值得一提的是，這些花費上限不只是防止 Agent 亂花錢，官方也把它包裝成防禦 提示注入（Prompt Injection） 攻擊的一道防線——就算 Agent 被惡意網頁或訊息騙去下單，只要花費卡在額度內，最多也只是小損失，不會被整包掏空。這算是把資安問題直接搬到「錢」這個最現實的層面來解決，思路蠻務實的。
立即註冊獨一無二的 ID！
如果你用過信用卡分享連結、或是幫 Agent 申請 API Key，就知道現在的 AI 要「自己上網辦事」有多麻煩：要登入網站、要找人要金流方式、還要搞一堆帳號設定。Cloudflare 這次順便解決了「Agent 沒有身分」的問題——每個 Cloudflare 帳號都可以到 cloudflare.pay 認領一個專屬 handle，長得像 research.example.cloudflare.pay，讓商家一看就知道這是哪個組織派出來的 Agent。
這個身分是接在 Cloudflare 原有的 Web Bot Auth（讓機器人用金鑰對驗證身分）之上，等於是把一串冷冰冰的公鑰，轉換成人類看得懂、記得住的名字。不過要注意，目前（2026 年 8 月）只開放搶註 handle，實際拿來付款、儲值穩定幣的功能官方說是未來數月才會陸續開放，賣方要用的 Monetization Gateway 也還在候補名單階段。換句話說，現在能做的是先卡位置，錢包本體還沒完全長好——不過如果你在意這個 ID，大概真的要趁早去 cloudflare.pay 註冊，晚了熱門名稱就被搶走了。像是程式貓已經先註冊 codecat 了！
小編順便分享一個小知識，你可以通過修改註冊完的網址來顯示不同的名稱，不一定要真的註冊就可以得到酷酷的卡片。當然這僅限於好玩，不是你真的擁有其他 ID，每個帳號還是只能有一個喔！
x402 —— 給 Agent 的支付協議
撐起整套錢包系統的關鍵技術，叫做 x402。名字取自 HTTP 狀態碼 402 Payment Required——這是個從 HTTP/1.1 規格誕生就存在、但幾十年來幾乎沒人真正用過的「保留狀態碼」，原本是預留給「需要付款」的情境，卻一直沒有標準做法，直到現在才被 x402 撿回來用。
它的運作方式其實不複雜：
- Agent 發出一個一般的 HTTP 請求，例如呼叫某個付費 API。
- 伺服器如果要收費，不會像傳統網站丟給你一個「請登入信用卡」的付款頁面，而是直接回傳
402 Payment Required，附上機器可讀的付款條件（要多少錢、收什麼幣）。 - Agent 的錢包自動用穩定幣完成付款，把付款證明夾在同一個請求裡重新送出。
- 伺服器驗證付款成功，直接回傳原本要的資源。
整個過程不需要開帳號、不需要人工按「確認付款」，也不用先儲值月費——很適合 Agent 那種先試用幾個 API、比較一下誰便宜誰好的行為模式，一次可能只花幾分錢，卻能省下大量人工申請帳號的摩擦成本。
圖: 取自 Cloudflare Blog
這對我們意味著什麼？
過去我們常說 AI 幫你做事，但事到臨頭，付款這一關幾乎都還是得人類出面輸入卡號、按下確認、收驗證碼。Cloudflare Wallets 想解決的正是這個最後一哩路，讓 Agent 從頭到尾都能自己跑完一次交易。
但反過來，這也代表以後網路上真的會有大量非人的付費行為，商家要開始考慮怎麼定價給 Agent、怎麼防止 Agent 被騙去亂買，而使用者則要習慣把花費額度這種「風險控制」的思維，內建進每一個授權裡。不論錢包再怎麼設計花費上限，本質上還是把信任交出去的一種方式，我大概還是會針對任務的價值給予少量額度，每個不同的任務設定不同的上限。
如果 Agent 能自己上網刷卡買東西，你會給它多少額度？會希望程式貓哪一個服務率先支援 x402 呢？
資料來源
https://blog.cloudflare.com/wallets/ https://www.cloudflare.com/press/press-releases/2026/cloudflare-gives-ai-agents-an-identity-and-a-wallet/ https://cryptobriefing.com/cloudflare-ai-agent-id-wallet-usdc/ https://cloudflare.pay/
一.HBF（High Bandwidth Flash）：用 NAND 打破 AI 推理的記憶體容量牆
作者:KH
當 HBM 的容量與成本成為 AI 推理的瓶頸，一種全新的記憶體層級正在誕生。它不是 DRAM，而是 NAND Flash——以 HBM 的封裝方式，創造出 512GB、TB/s 級頻寬的「高頻寬快閃記憶體」
一、AI 推理的記憶體危機
大型語言模型（LLM）的規模正在以驚人的速度膨脹。以 Meta 的 Llama 4 為例，其支援的序列長度可達 1,000 萬 tokens，僅 KV Cache 就需要 5.4 TB 的記憶體容量。這意味著，單純依靠 GPU 上的 HBM（High Bandwidth Memory）已無法滿足需求——必須動用數十顆 GPU 才能容納這些中間計算結果。
HBM 的問題不在速度，而在容量與成本。目前 HBM4 單堆疊最大容量約 48–64 GB，對於動輒數百 GB 甚至數 TB 的模型權重而言，HBM 的單位容量成本過高，且物理堆疊高度受限。這直接推高了 AI 推理的總體擁有成本（TCO），也讓邊緣與企業級部署超大模型變得遙不可及。
在這樣的背景下，一項全新的記憶體技術於 2026 年 8 月 4 日正式亮相——HBF（High Bandwidth Flash）。
二、什麼是 HBF？
HBF 是一種介於 HBM 與 SSD 之間的全新記憶體層級。它的核心概念非常簡單：將 NAND Flash 晶粒以 HBM 的 3D 堆疊方式封裝，透過 TSV（矽穿孔）垂直互連，創造出兼具高容量與高頻寬的記憶體方案。
與傳統 SSD 相比，HBF 的頻寬提升了約 100 倍——從 PCIe 5.0 NVMe 的 ~14 GB/s，躍升至 1.6 TB/s（Grade 2 等級）。這並非 NAND 本身變快了，而是先進封裝技術帶來的質變：透過 TSV 與平行陣列存取，讓數十層 NAND 同時讀取，累積出驚人的總頻寬。
HBF 由 SK hynix 與 SanDisk 主導，並透過 OCP（Open Compute Project） 發布為開放標準，採用 UCIe 作為晶片互連介面。這意味著任何 GPU、CPU 或 AI 加速器廠商都可以依照此標準整合 HBF，無需支付專利授權費。
三、技術架構：NAND 穿上 HBM 的外衣
物理結構 HBF 的封裝外觀與 HBM 幾乎相同——同樣的 footprint、高度與功耗封裝，可以直接插入現有的矽中介層（Silicon Interposer）插槽。但內部結構截然不同：
| 組件 | HBF 設計 |
|---|---|
| 記憶體晶粒 | 8–16 層 3D NAND（SK hynix 375層 4D NAND / SanDisk BiCS NAND） |
| 互連 | TSV（Through-Silicon Via，矽穿孔） |
| 邏輯晶粒 | CBA（CMOS Bonded to Array），負責平行讀取排程與快取管理 |
| 處理器介面 | UCIe（Universal Chiplet Interconnect Express） |
SanDisk 的設計將 16 層 BiCS NAND 透過 TSV 堆疊，並將控制器直接鍵合（Bond）在 NAND 陣列上。這顆邏輯晶粒負責管理平行讀取、錯誤校正與資料快取，讓上層處理器看到的介面與 HBM 無異。 標準規格（2026 年 8 月發布） HBF 聯盟在 FMS 2026（Flash Memory Summit）上發布了首份標準規格：
容量配置：8-high / 16-high 堆疊
最大容量：512 GB（16-high）
頻寬等級：
Grade 1：~0.4 TB/s
Grade 2：~1.6 TB/s
Grade 3：~3.0 TB/s
介面：UCIe（64 GT/s，64 lanes）
標準平台：OCP 開放標準
值得注意的是，HBF 的頻寬並非單一固定值，而是分為三個等級，讓系統設計者可以依據成本與效能需求靈活選擇。
四、HBF vs HBM：不是取代，而是分層
HBF 的設計目標從來不是取代 HBM，而是與 HBM 形成**分層記憶體（Tiered Memory）**架構。
| 指標 | HBM4（16-Hi） | HBF（16-Hi） | 說明 |
|---|---|---|---|
| 容量 | 48–64 GB | 512 GB | HBF 容量是 HBM 的 8–10 倍 |
| 頻寬 | ~1.6 TB/s | 0.4–3.0 TB/s | Grade 2/3 可與 HBM 匹配 |
| 延遲 | ~100 ns | ~1–10 μs | HBF 延遲慢 10–100 倍，不適合隨機存取 |
| 讀取粒度 | 32 bytes | 4,096 bytes | HBF 最小讀取單位大 128 倍 |
| 寫入耐久性 | 無限（DRAM） | 有限（NAND） | HBF 不適合頻繁寫入 |
| 揮發性 | 揮發性 | 非揮發性 | 斷電後資料保留 |
| 成本/GB | 基準 | 約 1/10 | HBF 單位容量成本極具優勢 |
從上表可以看出，HBF 的優勢在於容量與成本，劣勢在於延遲與寫入。這決定了它的最佳應用場景：模型權重的靜態存儲——在 AI 推理中，模型權重是唯讀的，正好避開了 NAND 寫入慢與耐久性差的弱點。
SK hynix 在 IEEE 發表的 H³（HBM + HBF Hybrid） 架構研究進一步驗證了這個概念：在 NVIDIA Blackwell B200 GPU 上同時整合 HBM 與 HBF，HBM 負責低延遲的 KV Cache 與激活值，HBF 負責大容量的靜態權重。模擬結果顯示，在 1,000 萬 tokens 的長序列推理中，H³ 架構的吞吐量是純 HBM 的 6.14 倍，能效比提升 2.69 倍，且僅需 2 顆 GPU 就能完成原本需要 32 顆 GPU 的工作負載。
五、聯盟成員與生態系統
HBF 聯盟的成員組合頗具戰略意義：
| 角色 | 成員 | 貢獻 |
|---|---|---|
| 主導者 | SK hynix | 375層 4D NAND 技術、標準制定 |
| 主導者 | SanDisk | BiCS NAND、CBA 控制器、原型開發 |
| 晶片設計夥伴 | 超大規模資料中心驗證、DeepMind 參與架構設計 | |
| 晶片設計夥伴 | Tenstorrent | RISC-V AI 加速器整合、開源生態推動 |
| 標準平台 | OCP | 開放標準發布與維護 |
Google 與 Tenstorrent 的參與尤其值得關注。Google 作為全球最大 AI 運算需求方之一，其驗證將直接決定 HBF 能否通過超大規模資料中心的考驗。Tenstorrent 則代表了一條與 NVIDIA 不同的路線——開源 RISC-V 架構 + 開放記憶體標準，試圖以更低的 TCO 挑戰 CUDA 生態。
值得注意的缺席者：NVIDIA、AMD、Intel、Broadcom、Marvell、Micron、Qualcomm、Samsung 均未表態參與。這可能意味著 HBF 在短期內難以滲透 NVIDIA 主導的資料中心生態，但也給了開放架構陣營一個差異化的機會窗口。
六、應用場景：為什麼是 AI 推理？
HBF 的技術特性決定了它只適合特定工作負載：
✅ 非常適合
靜態模型權重存儲：大模型權重（數百 GB 至數 TB）可完整存放於 HBF，大幅降低 GPU 數量需求
預計算 KV Cache：已生成的 KV Cache 可 offload 至 HBF，釋放 HBM 空間給動態計算
模型權重加載：從 HBF 讀取權重到 HBM 進行運算，形成流水線
❌ 不適合
AI 訓練（Training）：訓練需要大量讀寫與反向傳播，NAND 的寫入耐久性與速度無法承受
動態 KV Cache 寫入：推理過程中持續生成的 KV Cache 需要頻繁寫入，應保留在 HBM
細粒度隨機存取：HBF 的最小讀取單位為 4KB，對小資料塊的隨機讀取效率極差
簡單來說，HBF 是 AI 推理的「大容量書櫃」，HBM 則是「高速草稿紙」。兩者協同，才能在不犧牲效能的前提下，將推理成本降低一個數量級。
七、商業化時間線
HBF 從概念到量產的時間線相當緊湊：
2025 年 2 月：SK hynix 與 SanDisk 簽署 HBF 合作備忘錄
2025 年 8 月：宣布標準化合作夥伴關係
2026 年 2 月：HBF 規格標準化聯盟正式成立
2026 年 8 月 4 日：首份 HBF 標準規格於 FMS 2026 發布
2026 年下半年：SanDisk 推出 HBF 原型樣品（日本試產線）
2027 年初：AI 推理設備開始搭載 HBF 取樣
2027 年中：日本試產線正式運作
2030 年：複雜記憶體解決方案（含 HBF）需求預計顯著起飛
SanDisk 計畫在日本建立 HBF 專屬試產線，預計 2026 年底完工。SK hynix 則同步推進 375 層 4D NAND 的量產，功耗效率較前代提升 2.5 倍，為 HBF 提供更高密度的 NAND 晶粒。
八、風險與挑戰
儘管前景光明，HBF 仍面臨多項挑戰：
延遲問題：HBF 的延遲比 HBM 慢 10–100 倍，必須依賴軟體層的預取（Prefetch）與排程機制來隱藏延遲。這對編譯器與執行期的設計提出了極高要求。
寫入耐久性：NAND 的寫入壽命有限，動態數據（如 KV Cache）不能放入 HBF。系統必須精確區分「只讀權重」與「動態激活值」的存放位置。
生態系碎片化：目前僅 Google 與 Tenstorrent 參與，NVIDIA 與 AMD 的缺席可能導致軟體生態支援不足。若主流框架（如 PyTorch、vLLM）未原生支援 HBF 的記憶體分層管理，開發者將難以採用。
成本結構：HBF 的堆疊成本主要來自先進封裝（TSV、CBA、中介層），而非 NAND 晶粒本身。雖然單位容量成本約為 HBM 的 1/10，但整體堆疊的絕對成本仍接近 HBM 等級。
讀取粒度：4KB 的最小讀取單位對 Transformer 等需要頻繁細粒度存取的模型架構並不友好，需要硬體或軟體層的聚合機制。
九、結論
HBF 代表了記憶體產業的一次範式轉移：NAND Flash 不再只是「儲存」，而是透過先進封裝升格為「近運算記憶體（Near-Compute Memory）」。在 AI 推理成本日益成為商業化瓶頸的今天，HBF 提供了一條以容量換取成本效益的全新路徑。
對於 Tenstorrent 等開放架構陣營而言，HBF 是一個絕佳的差異化武器——當 NVIDIA 仍堅持 HBM-only 路線時，Tenstorrent 可以透過 HBF 以極低的記憶體成本提供數百 GB 的模型權重存儲，搭配其開源軟體堆疊，形成「低成本 AI 推理」的完整解決方案。
然而，HBF 的成功不僅取決於硬體，更取決於軟體生態的成熟度。如何讓編譯器自動管理 HBM 與 HBF 之間的數據搬移、預取與排程，將是決定這項技術能否從「實驗室概念」轉化為「資料中心標配」的核心變數。
2027 年將是 HBF 的關鍵驗證年——若 Google 的超大規模部署證明了 HBF 的可靠性與經濟性，這項技術很可能在 2030 年前成為 AI 推理基礎設施的標準配置。
資料來源
SK hynix Official Press Release - HBF Standard Specification Disclosure
SK hynix Official Press Release - HBF Consortium Formation
Tom's Hardware - HBF: NAND Flash Gets the HBM Treatment
Blocks & Files - HBF: NAND Flash with HBM Packaging
EE Times - HBF: A New Memory Tier for AI Inference
Business Wire - SK hynix and SanDisk HBF Collaboration
StorageNewsletter - HBF Market Analysis and Ecosystem
SK hynix H³ Hybrid Memory Architecture - IEEE Research
FMS 2026 Keynote - HBF Technology Introduction
SanDisk HBF Prototype and Commercialization Roadmap
OCP (Open Compute Project) - HBF Standard Specification
UCIe Consortium - Universal Chiplet Interconnect Express
Tenstorrent HBF Consortium Participation
Google DeepMind - Memory Architecture for Large Models
SK hynix 375-Layer 4D NAND Technology
一.看動畫學科技 鋼彈系列篇:宇宙殖民地
作者:Lhs
萬代前陣子在統一時代百貨附近，擺設了旗下IP商品的展覽，其中就包括了超巨大的鋼彈半身立像，雖然是由氣球組成，但能看到鋼彈和101同框，對我而言仍然是非常高興的一件事。因此我也想趁這個機會，介紹一下鋼彈動畫系列中，那些取材自現實科技猜想，或者取自現實科技的部分，而這次要講的內容是最知名的:宇宙殖民地。
由於能講的內容太多，這預計會成為一個系列，未來也會探討其他動畫的相關科技知識，有興趣的還請多多支持!
一.宇宙殖民地是什麼?
宇宙殖民地，也可稱太空殖民地、太空島等，是鋼彈系列中不可或缺的存在，幾乎每部作品都能看到它的身影，在最初的0079動畫的開頭，也是由反派機體潛入宇宙殖民地作為開場，那麼宇宙殖民地究竟是什麼呢?
(0079鋼彈開場 圖片取自網路)
實際上，「宇宙殖民地」這個概念早在十七世紀時期，在克卜勒寫給伽利略的信件中，就能看到類似概念，他將其描述為「適合適應天體微風的船隻 」，就像是當時的大船帶起大航海時代一般，這些船隻也將帶領人類航向星空，是一個符合當時時代背景的猜想。
來到十九世紀，美國作家愛德華·埃弗雷特·黑爾在其創作的小說「磚月亮」也提出過能讓人類在宇宙生活的人造球體，雖然劇情裡是因為意外導致，但這個構想也成為了宇宙殖民地的原型之一。
到了二十世紀初，俄國科學家齊奧爾科夫斯基提出了由科學角度出發的構想，他提出了太空溫室、旋轉重力等概念，並留下了名言【地球是人類的搖籃，但是人類不會永遠生活在搖籃里 】，認為人類要移居宇宙才能避免滅絕、完成進化，成為更完美的物種。
二.近代的相關科學猜想
實際上，直到1900年代，才開始有更加正式的科學猜想，從1929年到1975年，主要有以下四種殖民地:伯納爾球體、戴森球 、奧尼爾圓柱體 、史丹佛環面，相關資訊可以參考以下表格:
| 猜想名稱 | 核心外觀 | 容納人口 | 陽光來源 | 經典科幻代表作 |
|---|---|---|---|---|
| 伯納爾球體 | 巨大的玻璃球體 | 約 2~3萬人 | 外部後製反射鏡 | 《巴比倫五號》太空站 |
| 戴森球 | 包圍太陽的巨型矩陣 | 數萬億人（文明級） | 直接吸收恆星光芒 | 《星艦迷航記》、遊戲《戴森球計劃》 |
| 奧尼爾圓柱體 | 雙對稱長條圓柱 | 數百萬人 | 側邊巨大三片反射鏡 | 《機動戰士鋼彈》、《星際效應》庫珀太空站 |
| 史丹佛環面 | 旋轉的巨大甜甜圈 | 約 1萬人 | 頂部中央倒角反射鏡 | 《極樂世界》(Elysium)、《2001太空漫遊》 |
實際上，這些猜想也被認為是人類未來探索宇宙的可能性之一，像是亞馬遜創辦人貝佐斯創立的「藍色起源」，正是打算利用奧尼爾圓柱體讓人類能在宇宙生活，還有NASA最新的登月計畫「阿提米絲計畫 」則是先在月球建立基地，為之後人類建造宇宙殖民地等太空探索計畫建立基礎。
三.結語
雖然現代科學在太空探索、材料學等方面，都還有很多的成長空間，但也確實在慢慢實現的路上，不論是對太空探索的目標從「探索月球」到「月面定居」，還是現在連民間公司都能以太空定居為目標，精進這方面的科學研究，都讓人覺得，這些遙遠的猜想是否又離人類更進一步。
讀到這裡的你又是怎麼想的呢?歡迎把想法留言告訴我們喔!