找不到那張沙發，是因為 AI 太想猜「大家都會選什麼」

TL;DR

• Onton 用一種叫 neurosymbolic（神經符號，把神經網路的直覺跟符號邏輯的推理綁在一起）的模型做電商搜尋，準確度是幾家全球最大搜尋公司的兩點五倍，訓練成本只有美國前沿模型單次訓練的千分之一
• 這個模型每搜一次就變聰明一點，不用重跑訓練；而且可以打開來看它為什麼給你這個結果
• 創辦人把購物拆成「需要」跟「想要」：牙膏、除臭劑那種需要，LLM 處理得很好；五十美金以上、牽扯到品味跟自我表達的想要，LLM 會退回平均值
• 電商資料被 SEO 玩壞了幾十年，把 LLM 疊上去只會放大幻覺
• 同一集另一段訪談：Spaceium 兩個人花五個月做出在軌測試過最精準的機械致動器，目標是在太空蓋加油站，手上已有近一億美金商業合約跟超過二十億美金的意向書
• 太空船現在都是「加剛好夠的油」上去，一旦能在軌補給，整個設計邏輯會被改寫

這集是哪來的

這集是 2026 年 8 月 19 日播出的 This Week in Startups。這個節目由 Jason Calacanis 主持，他是矽谷的天使投資人兼 Launch 加速器創辦人，早年投過 Uber、Robinhood，節目形式基本上就是他把自己看過或投過的新創抓來當場拆解，火力全開又不太客氣。這集還有共同主持人 Lon Harris 跟 Alex Wilhelm。

第一位來賓是 Zach Hudson，Onton 的共同創辦人兼執行長。Onton 是舊金山的電商搜尋與探索引擎，七月底發表了自己的模型 Ontology 1，主打神經符號架構。這裡要先揭露：Jason 自己是 Onton 的投資人，二〇二一到二二年間投的，那時候 ChatGPT 還沒出來。

第二位是 Ashi Dissanayake，Spaceium 的共同創辦人兼執行長。她是航太工程背景，專攻軌道力學跟推進系統，公司在二〇二四年夏天進 Y Combinator，做的事情很單純：在太空裡蓋加油站。

先看那個 demo

節目一開始 Zach 做了一件挺有畫面的事。他去翻 Jason 過去的 podcast，把他提過的旅館、喜歡的雜誌、幾件家具截圖，全部丟進 Onton 的一塊畫布裡，做成一張心情板。然後他把整張心情板拖進搜尋框。

出來的結果是符合那個氛圍的實體商品，而且是跨品類的。他還可以把搜到的沙發再丟回心情板裡，遞迴地往下搜。中間 Jason 提到自己很喜歡《銀翼殺手》裡 Deckard 的公寓，Zach 當場丟了一組《雙峰》的劇照進去，模型就開始理解「粗獷木質」「超現實」這些概念。

重點在於，這些標籤沒有人工標過。模型是即時學會的，而且學完之後直接存進模型裡。

每一次搜尋，這個模型都變聰明一點點，而且不需要重跑一次訓練。

這句話比 demo 本身重要。一般的大模型要變聰明，得排隊等下一次訓練跑完；Ontology 1 是邊用邊長。Zach 說他們家在家居品類學會「聚酯纖維」是什麼之後，之後要開服飾品類會直接變簡單，因為理解可以搬過去。傳統電商搜尋要進新品類，得把整套商品重新標一遍，那才是真正的成本。

「想要」跟「需要」是兩門完全不同的生意

Lon 直接問了那個所有人都想問的問題：你們是不是把品味這件事破解了。

Zach 的回答我覺得是整集最有價值的一段。他說大家習慣把購物當成一件事，其實裡面有兩種完全不同的行為。一種是「需要」，牙膏、除臭劑、洗衣精，這類東西高度商品化，你只想快點買完；另一種是「想要」，通常五十美金以上，背後是品味、自我表達、情緒跟畫面感。

然後他講了一句很狠的：LLM 在第二種上面表現不好，因為它們會退回平均值，找出最有可能的那個答案，而最有可能的答案通常不是你要的。

這個判斷跟之前寫過的AI 沒有品味這件事，現在是一門一千八百五十萬美金的生意幾乎是同一件事的兩種解法。那家公司的做法是花錢請一千個有品味的人來標資料，把分布邊緣的東西撈出來；Onton 的做法是換模型架構，讓每一次搜尋都長出一份專屬於這次搜尋的理解，而不是永遠只吐出那個最大公約數。

我自己的看法是，這也解釋了為什麼那麼多人用 ChatGPT 查東西查得很爽，卻幾乎沒人真的用它買一張三萬塊的沙發。查資料要的是共識，買家具要的是那個只有你自己說得出來的感覺。

千分之一的成本，跟一個可以打開的盒子

技術面 Zach 給了幾個數字。Ontology 1 的表現已經是幾家全球最大搜尋公司的兩點五倍，而且他們的索引規模小得多。訓練成本是美國一次前沿模型訓練的千分之一。

他用了一個我覺得挺好懂的比喻：大腦有直覺的一半跟邏輯的一半，LLM 是直覺那半，很擅長心理學講的系統一思考。神經符號模型是把邏輯那半接回去，底下有他們自己蓋的圖資料庫（graph database，用節點跟關係來存資訊的資料庫）在撐。

比成本更值錢的是可解釋性。他強調你可以往模型裡面看，看到某個結果為什麼被撈出來，這不是黑盒子。Zach 認為 LLM 真正發光的地方是「可驗證的領域」，程式碼、數學這種你可以用外部工具去查對錯的；一旦你需要的是消除幻覺跟建立信任，就得換工具。

Lon 追問了一個好問題：神經符號模型有沒有可能通往 AGI？Zach 沒有硬答，只說在夠大的規模下所有模型大概都能做很多事，但真正的問題是「這是不是最有效率的做法」。這種不誇口的回答，比一堆「我們要做 AGI」的簡報實在多了。

電商資料早就被玩壞了

節目後半有一段我覺得所有做內容的人都該聽。

Zach 說他們一開始也試過把 LLM 疊在電商資料上面，結果幻覺不斷，撈回來的商品跟需求完全無關。原因不是模型太笨，是資料太髒。電商資料被 SEO 操弄了二十年，商品標題塞滿關鍵字、規格欄位胡亂填，這種東西餵給 LLM 只會把垃圾放大。

他還講了一個更長期的隱憂：LLM 正在吃掉自己賴以訓練的資料。以前有一堆部落客、Wirecutter 這種評測站認真寫東西，現在寫了會被立刻抓走，沒人有動機寫了。所以他的結論是，如果你的產品裡沒有內容、沒有使用者生成的內容，你未來就沒有東西可以訓練、也沒有東西可以拿來推薦。

Jason 補了一個更黑的案例：有人做了一個完全不存在的除臭劑品牌，三週之內就讓 ChatGPT 開始幫這個假品牌唱讚歌。Lon 提到 dead internet theory（死網路理論，認為網路上的內容跟流量會逐漸被機器人蓋過人類），並且說留言區大概已經到那一步了。

順帶一提，關於 AEO（answer engine optimization，答案引擎最佳化）跟 GEO，Zach 的看法很務實：這兩者跟 SEO 差別沒那麼大，因為那些答案引擎底下用的還是既有的搜尋索引，只是上面套了一層 LLM。以前有效的東西現在大致還有效，最大的差別是查詢變長了，不再是幾個關鍵字。想追這條線的話，之前那篇你 LinkedIn 底下那句「Great insight!」，現在被關進小房間了講的推薦系統重寫是同一個大方向。

換個場景：太空加油站

這集後半段 Alex Wilhelm 訪了 Spaceium 的 Ashi Dissanayake，題目跳到太空。

她的開場比喻很直接：太空船現在的處境，就像你從洛杉磯開到紐約，出發前算好油量，路上一滴都不能多用。所有太空船都是帶著剛剛好的燃料上去的，這代表你為了多帶燃料就得犧牲酬載，為了多帶酬載就得犧牲航程，而且不能臨時改軌道、不能做大幅度機動。任務中途出問題，答案通常是整個任務報廢，重發一顆。

Spaceium 要做的就是在軌道上放服務站。他們做兩類燃料，一類是常溫可儲存的氙、氪、聯氨；一類是低溫推進劑（cryogenic，必須存在攝氏零下一百九十度左右的燃料，例如液氧）。低溫這類的麻煩在於溫度一升就會沸騰蒸發，你花大錢送上去，結果只能慢慢排掉，不然會爆炸。他們在 YC 期間解掉的就是這個，做出零蒸發的儲存槽。

我覺得最有意思的是需求側。有客戶開口要十公噸的低溫燃料，只為了一趟月球任務。而她說現在已經不需要跟客戶解釋「加了油你能多做什麼」，因為太空公司開始直接把「未來會有加油站」寫進設計假設裡了。她估三到五年內太空船的設計邏輯會全面改寫。

這條線跟之前寫過的太空裡的貨車和工地上的印表機接得上，那集的 Impulse Space 做的 Helios 就是把地球同步軌道的旅程從十個月壓到一天，而 Ashi 在這集直接點名，如果有加油站，Helios 從低軌道到同步軌道能榨出更多價值。

兩個人、五個月、0.5 毫米

Spaceium 去年十二月發射，今年二月宣布飛出了在軌測試過最精準的機械致動器。這東西是機械手臂的關節，精度換算到手臂末端大約在零點五毫米內。

Alex 問了一個外行但很好的問題：為什麼要這麼準？太空船不是應該很堅固嗎？

Ashi 的回答很妙。她說火箭我們是照著「要很粗勇」在造的，但太空船造出來像小嬰兒，碰不得。而且船上沒有人，出事沒有第二次機會，所以對接一定要一次到位。客戶不接受任何多餘的風險。

更誇張的是速度。第一個酬載是她跟共同創辦人兩個人花五個月做出來的。她把原因歸給兩件事：一是真的著迷到不覺得自己在上班，二是把測試全部搬進自己家裡，九成八的測試自己做，做到壞為止再改。傳統太空業的迭代週期就是卡在外送測試上。

團隊到現在七個人，她說刻意維持精簡，因為官僚一多速度就沒了。招人的時候不看技術知識，看的是那種早上五點就開始做、你叫他回家他還不肯走的心態。

商業面：接下來兩趟任務（一趟氙燃料在軌轉移，一趟自由飛行太空船對接後轉移）都已經募足資金。手上有接近一億美金的商業合約，加上超過二十億美金的意向書（LOI，還沒正式簽約的購買意向）。她說只要這些合約轉化，公司就能走到獲利。

她也提到 SpaceX 上市之後，主動來找她聊的投資人明顯變多了。一個 IPO 把整個產業的燈打亮，這件事在 crypto 圈也發生過好幾次，只是名字不一樣。

兩段訪談其實在講同一件事

Onton 講的是「用最省的模型解最對的問題」，Spaceium 講的是「用最小的團隊解最貴的問題」。表面上一個做電商搜尋、一個做太空補給，八竿子打不著，但底下的邏輯是同一條：不要用通用的大砲去打一個有結構的小目標。

Zach 那句話我記了下來，大意是公司的形狀正在改變，以前是先有產品再找技術去強化它，現在是你有一個特別擅長某件事的模型，產品只是那個模型能力的投影。OpenAI 的模型擅長對話所以有 ChatGPT，後來擅長寫程式所以有 Codex。Onton 的模型擅長需要準確度跟可信任的搜尋，所以產品長成現在這樣。

如果你正在做 AI 產品，這個框架比任何一份市場報告都好用：先問自己你手上那個模型到底特別擅長什麼，然後讓產品去反映它。而不是先畫一個很漂亮的產品，再硬把一個通用模型塞進去，最後發現它一直在給你「大家都會選的那個答案」。

這類把技術架構跟商業判斷串起來的內容，我會持續整理放在 wilsonhuang.xyz，訂閱一下就不會漏掉。

Sources:

• Onton Debuts Groundbreaking AI Model for Trustworthy Product Discovery
• Ontology 1: A Successor Architecture for Search | Onton
• Onton Releases Ontology 1: A Neurosymbolic Search Model — MarkTechPost
• Zach Hudson - CEO @ Onton (LinkedIn)
• Y Combinator grad Spaceium raises oversubscribed $6.3M for space re-fueling
• Spaceium demonstrates refueling actuator in orbit - SpaceNews
• About Us – Spaceium