我覺得，你碰到的現象很可能是真的 performance regression，但目前沒有證據支持「主要因為中共 AI 算力不足」。反而你描述的時間點，剛好撞上 Manus 一次非常大的公司、資料與基礎設施切割；這比「GPU 不夠」更值得懷疑。
Manus 官方已確認，它正從 Meta 分拆、恢復獨立營運；Meta 在 2025 年 12 月 29 日收購 Manus，而 2026 年 8 月又開始正式脫離。更重要的是，這不是單純換股東：雙方從六月起已經停止資料共享、切斷內部系統存取，Meta 員工也不能再把 Manus 用於內部專案。8 月 23–24 日，部分使用者自收購日以來產生的資料甚至必須刪除、備份再恢復。這是一個相當劇烈的 operational discontinuity。
所以，我會把你的兩次經驗這樣排列可能性。
第一可能：Manus 的 backend / model routing 已經變了。
這是我最懷疑的。
今天我們看到一個產品叫「Manus」，很容易以為背後是一個固定的 AI。其實 agent product 通常是：
Manus orchestration layer
→ model A 做理解
→ model B 做搜尋
→ model C 做 coding
→ OCR/parser
→ retrieval
→ context compression
→ slide generator
→ verifier
其中任何一層換掉，你得到的東西都可以突然變笨。
尤其 Meta–Manus 分家以後，我目前找不到公開證據證明 Manus 仍然使用完全相同的 model mix、compute allocation、context management 和 Meta infrastructure。既然雙方已經做到 operational separation，這反而是很合理的疑點。
因此你看到的可能不是：
同一個 Manus 突然 IQ 降低。
而是：
螢幕上還叫 Manus，底下其實已不是兩三週前那套 Manus。
第二可能，而且我覺得非常重要：二十多萬字把它的 context-management 弄壞了。
這種情形很容易誤以為是「模型變笨」。
你的工作不是普通問答，而是：
Google Drive + blog archive
→ 數十萬字
→ retrieval
→ synthesis
→ conceptual hierarchy
→ PPT architecture
→ wording
→ typography / rendering。
其中最大的瓶頸其實未必是 context window 大小，而是 context engineering。
譬如 twenty萬字 technically 可以塞進某個大 context model，不代表模型真的可以：
看完 20 萬字
→ 保持所有人物、日期、術語、中文異體字
→ 建立結構
→ 不遺漏
→ 不 hallucinate
→ 再壓縮成二三十張 slide。
agent 往往會先偷偷做：
200,000 字
↓ chunking
↓ 30 個摘要
↓ 8 個摘要
↓ 一個 master summary
↓ PPT
到最後做 PPT 的 agent，根本沒看過你的原文。
它看到的是「摘要的摘要的摘要」。
這時就會發生一個很有趣的現象：
大意似乎對，細節卻開始笨笨的。
包括：
- 人名變形；
- 中文錯字；
- 專有名詞被「自動修正」；
- 年份錯置；
- 相似概念混在一起；
- 你的特殊用語被模型改成普通話。
這正是典型的 lossy compression cascade。
你特別提到一個症狀，我反而非常在意：
「錯字連篇。」
如果只是 reasoning 下降，我不一定會首先想到 compute。
因為 GPU 不足通常比較容易表現成：
慢、排隊、context 限制、較便宜模型 routing、較少 iterations。
它不會直接產生「中文突然不會寫」。
但如果公司在成本或 infrastructure transition 期間，把某些 workflow 從強模型 routing 到較便宜模型，那就完全可能出現：
quality ↓
spelling ↓
verification ↓
formatting ↓
iteration ↓
換句話說，算力不足若有影響，也比較可能是間接的：不是中國沒有 GPU，而是 Manus 為控制 inference cost 改變 model routing / token budget。
這兩件事完全不同。
還有第三個可能：它正在被迫省 token。
你已經注意到第一次「雖然很耗 tokens，但處理得漂亮」。
這句話其實提供了一條重要線索。
Agent quality 很常取決於：
test-time compute。
第一次 Manus 可能做了：
讀 → 想 → 查 → 重讀 → 修改 → verify → 再修改。
假設跑 200 次 model calls。
第二次為了節省成本，變成：
讀 → 摘要 → 做 PPT。
30 次 calls。
它表面上仍然完成工作，而且快很多，但品質會出現你說的：
「好像笨笨的。」
這正是 agent economics 最大的問題之一。
它和我們剛才談 Schmidt 的事情其實連起來了：
agent 的 intelligence 並不是一個固定 IQ。
更像：
\text{effective intelligence}
\approx
\text{base model}
\times
\text{context quality}
\times
\text{tool quality}
\times
\text{test-time compute}
\times
\text{verification}
其中一個掉下來，整個 agent 看起來就「退化」。
至於你問：
是不是中共 AI 算力不足？
我會答：目前證據不足，而且我不會把它排第一。
Manus 現在並不是簡單地「搬回中國」。它官方表示獨立後資料儲存在美國與新加坡；其公司也以新加坡為主要營運基地。另一方面，分拆後騰訊預計成為最大股東之一，但仍是 minority stake；Manus 保持獨立營運。
中國 AI 的 advanced-compute constraint 當然是真問題，但由你的這個單一觀察直接推出：
Manus 變笨
→ 中國 GPU 不夠
中間缺了好幾個環節。
我反而會排列：
① Meta 分拆造成 backend / infrastructure 改變
② model routing 改變
③ inference/token budget 降低
④ 20 萬字造成 compression degradation
⑤ PPT generation pipeline 本身退化
⑥ 才是 general compute shortage。
而且 ①–⑤完全可以同時發生。
你這次經驗還有一個我覺得很值得記下來的地方。
我們以前很容易想：
GPT-5 比 GPT-4 聰明。
Claude X 比 Claude Y 聰明。
到了 agents 時代，這種比較恐怕越來越沒有意義。
因為你真正使用的是：
一個暫時性的 assemblage。
今天的 Manus 和三週前的 Manus，即使 UI、名字、subscription 完全一樣，ontology 上可能已經不是同一個東西。
model 換了，
router 換了，
token budget 換了，
retrieval 換了，
memory 換了，
verification agent 被拿掉了，
它就變成另一個「Manus」。
這件事情對我們剛才談 Eric Schmidt 的 agentic AI 是一個很好的現實補充：
agent 並不是一個穩定的智能主體，而是一個由模型、算力、資料、工具、成本與公司政策臨時拼起來的生態系統。
所以我甚至會把你的觀察命名為：
AI 的人格不連續性
你以為昨天幫你工作的「那個人」今天又來了。
其實沒有。
帳號還在，名字還在，介面還在；昨晚那個 Manus 已經不存在了。
而這件事，在未來我們把重要學術資料、病歷、寫作、檔案與記憶交給 agents 時，恐怕比「AI 有沒有 consciousness」實際得多。
