George Hotz：愛 LLM，但別信炒作
George Hotz 的重點不是唱衰 AI，而是把技術進步和市場炒作拆開看。他實際用 Linux、OpenCode 與本機 GLM-5.2，已能靠一句自然語言指令安裝 tmux 並套用自己的設定。LLM 在這裡比較像更聰明的搜尋、編譯器與自動化介面：能寫程式、操作工具、生成影片，也能協助自駕系統，但距離「一夜接管世界」仍是兩回事。
現實應用
現階段最直接受益的是開發者、IT 維運與需要反覆處理文字或程式碼的人。Coding agent 可以協助查文件、修改設定、產生樣板與執行終端工作；本機模型則適合重視程式碼隱私、希望自行控制成本的團隊。這套思路也延伸到 comma.ai 的輔助駕駛、影片生成與 tinygrad 這類底層運算工具：價值來自具體完成工作，不是模型看起來多像人。
期望評估
我認為低標期望，是把 LLM 當成 Stack Overflow、find/replace 與 regex 助手的綜合升級版，省下查資料和重複操作的時間，但輸出仍要人工檢查。高標期望則是熟悉 agent 工作方式後，個人能同時處理更大的程式庫與更長的任務鏈，讓小團隊做出過去需要更多人力的產品。不過我不會把「十倍生產力」當成普遍結果；模型也可能增加認知疲勞，vibe coding 產出的軟體更未必可靠。
商業策略分析
我認為真正受壓的是只靠模型稀缺性與封閉 API 維持高估值的 frontier labs。若能力持續被開源模型、算力進步與通用工具商品化，AI 創造的價值可能很大，但不一定由訓練最前沿模型的公司全部拿走。OpenCode、模型部署商、硬體供應鏈與垂直應用反而有機會分走價值。我猜值得跟進的不是「窗口即將關閉」這種焦慮，而是團隊能否建立可驗證、可替換模型的工作流程。
實作細節
OpenCode 可用安裝腳本 curl -fsSL https://opencode.ai/install | bash，支援終端、IDE、桌面版與本機模型。文中使用的 GLM-5.2 採 MIT 授權，可透過 vLLM、SGLang、Transformers 或量化版本部署；原始模型達 753B 參數，本機運行的硬體與量化方式會直接影響速度及可行性。