本週浮現兩項針對人工智慧問責制的不同押注。在俄亥俄州哥倫布市，一家新創公司以 4,000 萬美元資金從學術界低調現身，旨在解決其創辦人所稱商業人工智慧中尚未解決的核心問題：代理程式僅約半數時間能成功運作。在華盛頓，兩黨眾議員組成的跨黨派組合提出 2026 年首部人工智慧專法，以清除兩院初步議程障礙，鎖定深偽內容散布，以及對舉報演算法安全缺失員工進行報復的企業。
這種並陳具有啟發性。由 Cambium Capital 與 Walden 催化劑 Ventures 投資、英特爾執行長 Lip-Bu Tan 及 Databricks 共同創辦人 Ion Stoica 參與的 NeoCognition，正透過機器學習研究攻克可靠性問題。美國國會則以刑事責任與吹哨者條款攻擊同一問責問題。單靠任一方都無法彌合差距。兩者結合，勾勒出一套體制的雛形，在此體制下，投資人與立法者終於在多年互等對方先行之後，開始並行推進。
定義商業代理程式市場的 50% 失敗率
Yu Su 創立 NeoCognition 的出發點聽來簡單卻衝擊強烈：當今最先進的人工智慧代理程式在複雜、多步驟任務上僅約 50% 時間能成功。此數據來自 Su 在俄亥俄州立大學主持人工智慧代理程式實驗室的同儕研究，意味著每兩次商業推銷的自動代理程式部署中，就有一次需要人為介入才能完成任務，否則便徹底失敗。
NeoCognition 的論點是，此失敗模式屬結構性，而非表面問題。現有代理程式被訓練為通用型；NeoCognition 希望訓練出專業化的代理程式，如同人類專業人士透過累積經驗發展領域專長。所謂「像人類一樣學習的代理程式」此一架構，在實務上轉化為持久記憶體架構、迭代自我修正迴圈，以及任務層級的結果加權微調。該公司尚未發布其模型或對外開放使用，因此對這些主張的獨立驗證仍有待產品推出。
Su 及其團隊已揭露的方向是：將代理程式從通用型助手轉變為在狹義定義領域中運作、且完成率可量測更高的專家。對企業買家而言，此一架構至關重要。一個失敗率 50% 的編碼代理程式只是新奇事物；一個在受限領域內失敗率 10% 的代理程式，則是具可計算投資報酬的可用工具，而這正是 NeoCognition 所描述的產品。
4000 萬美元募資輪與背後投資者
種子輪由 Cambium Capital 與 Walden 催化劑 Ventures 共同領投，Vista 股權 Partners 參投，另有數位天使投資人加入，顯示該公司野心不僅止於純研究。英特爾執行長 Lip-Bu Tan 的參與在商業上意義明確：當代理可靠性提升時，英特爾的 Gaudi 加速器與 Xeon 人工智慧藍圖將直接受惠，因為更可靠的代理能維持更長時間的不間斷運算資源作業，並擴大潛在推論市場規模。Databricks 共同創辦人 Ion Stoica 則帶來資料平台視角。Databricks 已服務於在自有資料基礎上建構代理的企業客戶，而代理失敗率降低將加速試點部署轉化為正式生產工作負載。
以 4000 萬美元而言，無論以何種標準衡量，這都是規模可觀的種子輪，僅次於 2026 年由前 Google DeepMind 研究人員創立的 Ineffable Intelligence 所募得 11 億美元、以及 Cursor 據報以超過 500 億美元估值募資 20 億美元等天文數字的募資輪。NeoCognition 並未定位為基礎模型實驗室或通用型代理架構，而是押注於特定可靠性缺口的研究轉產品策略，其募資規模足以提供多年營運資金，在平行推動商業試點的同時發表同儕審查研究成果。
Su 與俄亥俄州立大學的學術關係既是資產也是限制。研究管線經過同儕審查，意味投資人盡職調查可超越簡報宣稱，進一步檢視已發表的基準測試與可重現的實驗結果。限制則在於速度：學術實驗室優先追求正確性而非出貨節奏，而代理基礎設施的競爭窗口正逐月壓縮，OpenAI、Anthropic、Google DeepMind 及數十家資金充裕的新創公司持續推出迭代更新，並未等待同儕審查。
當代理可靠性成為差異化因素，誰能搶佔市占率
若 NeoCognition 的核心主張成立（即專業代理可達成遠高於 50% 的可靠性），立即受惠者將是將代理視為核心交付物的企業軟體供應商。Salesforce、微軟 Copilot 與 ServiceNow 均已推出代理功能，但商業接受度參差不齊，而主要銷售障礙正呼應 NeoCognition 的創立前提：客戶不信任代理能在無人監督下完成重大任務。示範環境（代理在指令碼化任務中受評估）與生產環境（邊緣案例倍增）之間的落差，正是 50% 失敗率所在之處。
對超大規模雲端業者而言，更高的代理可靠性重塑了運算資源的消費模式。可靠的代理能在每個工作流程中維持更長、不中斷的任務執行，帶動持續的繪圖處理器（GPU）使用時數，而非爆發後即中止的循環。微軟 Azure 與亞馬遜網路服務均已針對代理型工作負載設計分層定價；當企業客戶承諾採用這些方案，而非將代理視為展示工具時，業者即可從中受惠。若任務完成率足以支撐大規模無人監督部署，Databricks 可望受惠於代理驅動的資料管線消費量攀升。
相對受創的業者，是那些差異化優勢建立在「人機協作」流程仍屬必要之上的供應商。若 NeoCognition 的專業代理能以高可靠性完成領域任務，管理人工審查佇列的溢價軟體市場將隨之萎縮。流程自動化既有業者已大舉投資代理層，但其競爭定位部分取決於代理仍需大量人為監督。失敗率若從 50% 降至個位數低段，將重塑這些市場動態。
劉（Lieu）與歐伯諾特（Obernolte）法案的實際內容
由加州民主黨眾議員劉雲平（Ted Lieu）提出的這項法案——他是眾議院在人工智慧監管議題上最具技術細節觀點的聲音——處理了美國國會先前人工智慧法案大多未能在單一包裹中整合的三個問題。首先，法案對散布未經同意之深偽影像設立更嚴格的聯邦刑事與民事罰則。現行法規對此類犯行涵蓋不足，因為損害橫跨內容生成、託管及跨管轄區散布，而各州零散法律造成責任認定不一致。聯邦標準填補此缺口，並為檢察官建立統一的執法管轄權。
其次，法案為向內部或監管機構通報人工智慧安全風險的員工，建立正式的吹哨者保護架構。開發大型人工智慧系統的公司曾開除或對公開表達模型行為疑慮的工程師提出法律威脅；法案提議賦予這些員工與多德 - 法蘭克（Dodd-Frank）架構下金融業吹哨者相同的受保護地位。這是一項重大的結構性轉變。公司若透過正當管道通報危險模型行為的員工進行報復，將面臨聯邦法律責任。
第三，該法案要求美國參與國際人工智慧標準制定組織。此項規定看似程序性，但實則針對一個具體的戰略缺口：歐盟人工智慧法案、中國人工智慧治理架構及 ISO 工作小組各自制定不同的技術標準，而美國在跨國程序中基本上缺席。若美國在這些會議中沒有正式席位，美國企業將面對由他人建立的零散法遵環境。共和黨共同提案人 Obernolte 正準備在年底前推出更廣泛的人工智慧立法套案，這使 Lieu 法案定位為更大架構中的先遣措施，而非獨立行動。
私人資本與監管在人工智慧問責制上交會
NeoCognition 的募資輪與 Lieu–Obernolte 法案並無直接關聯，但兩者針對的是相同的市場失靈問題：以可靠為賣點銷售的人工智慧系統並非真正可靠，而供應商宣傳與實際表現之間的落差，對買方、勞工及監管機構皆構成系統性風險。私人資本押注解決方案主要來自技術層面。華盛頓則押注部分解決方案來自法律層面。
兩者可能都正確，而兩項訊號在同一週出現並非巧合。NeoCognition 的研究方法——在特定領域訓練專業化、自我修正的代理系統——從工程面解決可靠性問題。但缺乏法律問責的技術可靠性在商業上仍然脆弱。企業部署自主代理系統執行重大任務時，需要關於代理系統失效時責任歸屬的法律確定性、為內部發現失效的工程師提供受保護的通報管道，以及能區分展示用途與關鍵任務系統的監管架構。
Lieu 法案中的吹哨者條款在結構上比深偽處罰對人工智慧產業的內部治理更為重要。如果人工智慧實驗室內的研究人員與工程師知道透過正當管道提出安全疑慮不會危及職位，內部模型審查的品質將在系統部署前獲得提升。這與 NeoCognition 所建構的可靠性屬於不同類型，但同樣回應相同的商業需求：人工智慧系統在關鍵條件下能如宣傳般正常運作。
對於追蹤這兩項訊號的投資人而言，立法動能意味著若問責缺口無法單靠工程面彌合，將透過監管來填補。能透過同儕審查基準證明可衡量可靠性的公司，相較於僅提出質效能力宣稱者，將在客戶檢視與監管審查中佔有更有利的位置。
代理可靠性問題多年來已有文獻記載，業界大致將其視為研究問題，等待更長時間的訓練來解決。自國會首輪聽證會以來，人工智慧問責制的政治關注持續累積。2026 年 4 月的變化在於，兩股壓力同時到來，私人資本與立法相互強化，而非等待對方先行動。NeoCognition 的 4,000 萬美元押注，是相信工程能力能超越不可靠代理在企業部署中造成的聲譽損害。Lieu–Obernolte 法案則押注，法律架構能加速市場紀律，而這正是可靠性基準單獨無法強制執行的。未來十八個月將考驗兩者，而每一家大規模部署自主系統的企業，都與哪項押注率先奏效息息相關。
BossBlog 每日快報
一封信講完當天的 AI 與市場重點——13F 機構持股的異動、國會議員申報的交易，以及有什麼變了。沒有固定的發送時間，也不寫廢話：有值得寄的內容才寄。
隨時可退訂。名單不會外流或販售。