一上車就發現它有點不安分 偏偏主人還一副很鎮定的樣子 看得我都忍不住想笑 本來想說乖乖等到了再幫他解放 但他說自己已經忍了一個禮拜 我突然覺得不先處理一下好像不太行 只好先在車上吃點甜甜的棒棒糖 順便幫他降降溫 不然我真的很怕我剛要享受 他就下課 畢竟我可是很期待這次約會的 #結果他還是給我三分鐘下課# #下次那種一個禮拜不尻尻的先別來#

我記得花椰菜沒有那麼黑的品種吧.. 最近我是不是被蔬菜支配了？ 上次是杏鮑菇這次是花椰菜 #那下次又會是什麼玉米筍嘛🙂‍↕️# 已經開始懷疑老天在暗示我些什麼 每次脫下來就像在開盲盒 再這樣我是不是可以開間生鮮超市ಥ_ಥ 如果真的是這樣！ #我希望下一個是白蘿蔔或玉米啦#

狗哥來台灣！前天在 @94cho94134 周周 Sitdown Taipei 吃飯，每間交易所都到齊了，大佬跟 kol 也到了。整個場地都是人，大家都來狗哥見面會！ 辛苦周周安排這場活動，忙進忙出安排餐點，照顧大家。我都直接跟狗哥說，來台灣想幹啥，直接找周周就行了，什麼需求都能完成，周周就是咱們台灣的核心樞紐，超級扛壩子周周同學 感謝狗哥 @gokunocool 招待吃飯，挺喜歡 @chipchipgamezh 9月計畫，如果落地實現那真的太牛啦！非常期待，歡迎你來到台灣，希望你喜歡！ 好久不見的 @nancy_c813 遠道而來，太辛苦了，還騙我跟狗哥說不會來，結果來個大驚喜啊，下次我們 TBW 再見 那天知道要聚會，馬上就約 @yi_0411 一起來玩，結果她化了一個超美眼妝，全場都在用漂亮的眼睛放電，太美了啊 跟 @SaBiBro666 聊天，聊 Stable chain、Robinhood，還有預測市場的套利，這哥還是很牛，賺錢印鈔票 遇上 @yoaka__ 優卡卡聊了很多，優卡一直是超級優秀的人，Bitget 繁中在她 marketing 企劃推動下，整個品牌已經在台灣完全打出知名度。現在想到 BG 都會直接聯想到 Yoaka 了。 之前一直沒機會跟 @Rav_Hedda 嘿打老師聊天，這次聊了好長一段時間，成為整場活動最後離開的兩個人🤣 嘿打一直在圈內耕耘 @0xmediaco 很厲害，感謝 Hedda 分享好多行業秘辛 新認識 @johantsa0x chipchipgame 台灣負責人，好像才04年啊！年輕人真的是人才輩出，據說打德撲也特別厲害，跟幣圈熱點也很快，很高興認識你 這次換我忘記帶 Asteroid 玩偶給 @BalloonConan 下次一定要提醒我 南港 lisa @Josephine_0xbtc 說我是小助理，沒辦法我是 @TaipeiWeek 小粉絲，永遠支持我們台灣未來祭活動！ 最後就是在交易所桌 @hannaARB2u @Chloeeee1128 @leochang_MEXC 和台灣匹克球大D @CryptoDevinL 👋 還有出差只能遠端參與 @blockjengirl Jen 哈哈 有幸參與這次狗哥台灣吃飯聚，看到大家在熊市都還在建設項目，平時也是忙的飛起，各種開會電話一直來，太有趣了，感覺根本就不是熊市一樣。 期待我們下次再一起吃飯！九月見！

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。

在逢甲夜市外 車窗外人來人往 車子的晃動又深怕被別人發現 我總是喜歡挑戰這種容易被人發現的地方 那種緊張到不敢呼吸的刺激感 真的會讓人上癮 #他說下次要挑戰別的地方# #你們有推薦的約會景點可以跟我說嗎#