編輯評論

Matei Zaharia 獲頒 ACM 計算機獎，標誌著大數據時代與 AI 時代的完美交匯點。作為 Apache Spark 的創造者，Zaharia 在 2009 年開發的開源技術重新定義了大數據處理的速度與效率，而如今 Databricks 已演變為 AI 基礎設施的重要支柱。這座獎項不僅是對他個人技術貢獻的肯定，更反映了從大數據到 AI 的技術演進軌跡——Spark 當年如何加速大數據處理，如今 AI 正以相同的方式改變軟體開發與資訊檢索。

然而，更值得關注的是 Zaharia 對 AGI 的觀點。當業界仍在爭論 AGI 何時來臨、定義為何時，他提出了一個啟發性的角度：AGI 已經存在，只是我們一直錯誤地用人類標準來衡量它。這個觀點打破了「AI 必須像人類」的思維框架，轉而強調 AI 應該發揮其獨特優勢——處理海量資料、跨頻域感知、模擬複雜系統。對開發者而言，這意味著未來的 AI 應用設計應該從「模仿人類」轉向「善用機器能力」。

Zaharia 提到的安全隱憂也值得深思。當 AI agents 如 OpenClaw 被設計成「值得信賴的人類助手」時，用戶容易降低戒心，導致密碼、銀行帳戶等敏感資訊暴露在風險之中。這反映了當前 AI 產業的一個核心矛盾：為了讓 AI 更好用，我們讓它更像人；但為了安全，我們又必須時刻提醒自己它不是人。這個張力將持續影響未來 AI 產品的設計哲學。

結論摘要

  • ACM 計算機獎得主：Databricks 共同創辦人兼 CTO Matei Zaharia 獲頒 2026 年 ACM Prize in Computing，獎金 25 萬美元將全數捐贈慈善機構。

  • Apache Spark 的影響力：Zaharia 於 2009 年在 UC Berkeley 讀博期間開發的開源專案 Spark，徹底改變了大數據處理的效率，成為當時科技業的顛覆性技術。

  • 對 AGI 的獨特見解：Zaharia 認為 AGI 已經存在，只是人們誤用了人類標準來評估 AI 能力。他主張應該讓 AI 發揮其專屬優勢，而非強迫它模仿人類。

  • AI 安全警訊：他以 OpenClaw 為例，指出過度擬人化的 AI agents 可能導致用戶過度信任，造成資安風險與未授權的財務損失。

  • AI for Research 的願景：Zaharia 最期待的是 AI 在研究與工程領域的應用，特別是能夠準確檢索資訊、不產生幻覺的 AI 研究助手，未來可能像程式設計一樣普及。

原文翻譯

Databricks 共同創辦人兼 CTO Matei Zaharia 差點錯過了那封通知他獲得 2026 年 ACM 計算機獎的郵件。「對，這確實是個驚喜，」他告訴 TechCrunch。

早在 2009 年，Zaharia 在 UC Berkeley 攻讀博士學位時，在知名教授 Ion Stoica 的指導下開發的技術，後來發展成了 Databricks。

Zaharia 當時創造了一種能大幅加速緩慢笨重的大數據專案成果的方法，並將其作為開源專案 Spark 發布。大數據在當時的地位就如同今天的 AI，而 Spark 席捲了整個科技業。28 歲的 Zaharia 成為了科技明星。

從那時起，他主導了 Databricks 的工程技術發展，將公司從零開始打造成雲端儲存巨頭，如今更成為 AI 與 agents 的資料基礎平台。在此期間，公司籌集了超過 200 億美元資金，估值達到 1,340 億美元，營收達到 54 億美元。這是矽谷夢想的實現。

週三，美國計算機機協會（ACM）頒發此獎項以表彰他的累積貢獻。該獎項附帶 25 萬美元的獎金，他計畫捐贈給尚未決定的慈善機構。

除了擔任 CTO，Zaharia 同時也是 UC Berkeley 的副教授，他正向前看而非回顧過去。如同矽谷的每個人一樣，他看見的未來充滿了 AI。

「AGI 已經來臨了。只是它不是我們欣賞的形式，」他告訴 TechCrunch。「我認為更重要的觀點是：我們應該停止試圖將人類標準套用在這些 AI 模型上。」

舉例來說，人類只有整合了海量知識後才能通過律師考試。但 AI 可以輕鬆攝入大量事實。如果它正確回答了知識問題，那並不等同於通用知識。

這種將 AI 視為人類的傾向可能會產生深遠的負面影響。他以熱門的 AI agent OpenClaw 為例。

「一方面，它很棒。你可以用它做很多事。它會自動完成任務，」他說。但它同時也是「一個安全噩夢」，因為它被設計成模仿你信任的人類助理，可以處理密碼之類的事務。這導致被駭客入侵的風險，或者 agent 可能因為你的瀏覽器已登入而未經授權花掉你銀行帳戶的錢。

「對，那裡沒有一個小人，」他說。

身為教授與產品工程師，Zaharia 最興奮的是 AI 如何幫助自動化從生物學實驗到資料編譯的各種研究。

就像 vibe coding 讓原型設計與程式編寫對每個人都變得親民，他認為準確、無幻覺的 AI 驅動研究工具終有一天會變得普及。

「沒那麼多人需要建構應用程式，但很多人需要理解資訊，」他說。最終，我們會透過讓 AI 發揮它的優勢來讓它更為我們所用：告訴我們車子每一個異響的意義，或掃描超越文字與影像的範疇來包含無線電與微波，或者就像他現在看到學生在做的事，模擬分子層級的變化並預測其有效性。

「我最興奮的是我稱之為 AI 用於搜尋的技術，但特別是針對研究或工程領域，」他說。