每天睡醒睜開眼睛奇葩的事都在發生 只是你有沒有遇到而已 #夠不夠讓你傻眼# 我只願新的一年能夠順利的過每一天 即使碰到困難也能夠迎刃而解就好🙏 #你有高人指點# #我也有高人指點迷津😉#

第一次用這個姿勢跟大家打招呼 - 給你們滿滿的視覺效果讓你賞鮑賞到飽 不知道你們看到會不會肚子餓🤤 『感覺用這個角度可以榨乾很多人😳』 #看不夠的可以來TG那裡非常管夠#

雖然我不約了，但還是想說。 男孩子要出來跟人家約砲本來就要自備套子，為什麼會要做了才說沒有套子？ 沒、有、套、子？ 你可以不用怕女生懷孕，因為不是你懷。 但你不怕生病嗎？不怕嗎？ 雖然我自己本身就都會準備著，怕做太多子套子不夠，但不是讓男生拿來擋沒自備套子的。 真的不要這樣，很差勁。

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。

販毒的黑道常會告誡手下，「不要用自己賣的東西」，我最近找到一個新的例子，芝加哥教師工會的會長，把自己的小孩，送去唸私立學校，拒絕用自己賣的產品。這是很不可思議的虛偽，更暴露出教師工會現在把美國的公立學校弄成什麼樣子。芝加哥的公立學校，是美國數一數二大的學區，但二十年來，學生人數少了近八萬人，教職員卻多了三千人，整體學區預算幾乎加倍，師生比拉這這麼高，資源這麼豐富，教育品質一定好了？沒有，芝加哥公立高中學生達到伊利諾規定的學業水準，只有兩成！州定的標準，已經相當低，還有近八成的芝加哥學生達不到。我有很多芝加哥高中畢業的學生，所以我深受其害，面對這麼多基本算數、識字寫作都有問題的學生，我只能一直放鬆教學內容，連帶影響其它程度好的學生。 公立學校資源一點都不是問題，但工會教師就一直用錢不夠的理由，找到機會就罷工抗議。如果不是家長太過憤怒，讓政治人物害怕，工會原本還要在五一國際勞動節停課，讓學生上街抗議。抗議什麼？名義上是為教師勞動權益，但很多是想拿反川的標語上街。他們要抗議川普是有道理的，芝加哥學區這幾年本地學生巨幅外流，如果不是非法的拉丁裔移民填補了空缺，芝加哥還要少更多的學生，預算還會有更大的問題，所以他們當然要抗議川普抓非法移民。有一個學生告訴我，他的朋友最近經濟發生困難，因為他原本的工作是安置芝加哥的非法移民，拿的是政府經費，結果被川普政府搞到沒有收入。我忍不住問他，你沒有覺得奇怪嗎？我沒沒有說出來的是，幹得好。稅金，就給這些米蟲拿去了。 很多移民來到美國，小孩上學了，就會發現，這國家錢真多。公立學校教室設備一流，公發的電子產品人手一台，學生自由，活潑開放。但時間一長，就發現這是個糞坑，這是個教師工會的社會福利機構。老師經常請假，代課老師只會點名，上課時間很少，管秩序時間很多，老師的精力，都花在處理少數具有破壞性的學生，好的老師不敢管教學生，壞的老師不懂教學，浪費學生時間，再不然就整天講黑命貴、川普種族主義、LGBTQ權益，每日上課時數極短，每年上課天數極少。然後一天到晚道德綁架家長，只有他們懂教育，只有他們最辛苦，只有他們收入最少。但讓我講一個很多人不知道的事，大部份的美國公立學校教師，不用繳Social Security，這個僱主和員工合繳12.4%的稅，老師是不繳的。 工會殘害美國至巨，但要怎麼改革這個問題呢？目前有一個聲音是要在最高法院打官司，禁止教師成立工會。這有法律上的道理，因為如果反拖拉斯的目的是反對商業市場壟斷，那教師工會在實質上也是在就業市場壟斷，同樣是傷害消費者行為。進行這個訟訴也有政治上的道理，因為民主黨和教師工會交相苟且，一個把會費金錢輸送給政黨，一個用政黨控制政府的能力，保證工會的利益。這就是芝加哥教師工會這麼囂張的原因，如果把教師工會判為違法，那是一石二鳥。但也因為這個關係到民主黨的權力掌控能力，所以民主黨一定會誓死而反對。 但更重要的是，我認為把工會廢了，公立學校也救不回來。美國沒有什麼師範學校，普通大學畢業，上個教育學程，滿足州的教師規定，就可以當老師。此前，女性受到歧視，工作機會不多的時候，很多優秀的女性，想要展長才的女生，很多都當了老師，因為那是少數女生能在職場發揮的地方，而因此，美國以前公立學校的品質非常高。但這個壓抑女性的社會問題大致解決了，公立學校的老師也失去了優秀人材的管道。現在在大學唸教育的，通常是其它學門唸不來的學生的最後選擇，有統計說，美國大學的專業裡面，平均智商最低的就是教育系。當然少部份學生是為了理念去唸教育，也很有能力，我常在鄉下來的高中畢業生裡看到這種學生，但他們很快就被丟進一個不需要太認真就可以畢業的環境，很快就向下平均去了。在逆向淘汰的情況下，造成公立學校教師資質越來越差。這一點，就連廢掉教師工會也救不回來。 所以，最好的解決方法，是讓工會徹底把公立教學搞砸，那就會有更多納稅人要求開放教育券的發放，鼓勵私立和特許學校的成立。我們愛荷華州這幾年在共和黨的全面執政下，教育券得到充份實施，私立學校像雨後春筍一樣，紛紛冒出頭，也順帶推倒許多品質江河日下的公立學校。私立學校並不一定好，但有競爭才會有進步，才會想要嚐試教學的新作法，在這個AI改變人類生活的時代，我們更需要這種民間的競爭，來導入AI教學，提高教學品質。因此，我非常支持這些混蛋教師工會的惡搞，越惡搞，越加速公立學校的死亡。

入口不只一個 重點是你敢不敢試 最近在‘’推特‘’以外的交友圈認識ㄉ 不是粗又長就是上翹 真的有點讓人離不開 其實我覺得13公分兩指寬就足夠讓我噴💦 其餘不足的我們前戲補足 話已至此 想約就直接往右邊走 જ⁀➴ 還在觀望的 別想那麼多ㄌ 很多時候差的真的只是你敢不敢而已

從OpenAI出來的投資天才，今天出了第一季的完整部位報告，華爾街引頸盼望的部位佈署，讓不少人搞不清楚方向。他的手上還有很多AI半導體的股票，但是選擇權的部位剛好相反，不到五十萬的輝達多頭部位，卻有極大的賣權部位(近十六億的合約金額數目)。我當然不知道他在做什麼，但是想跟著Leopold Aschenbrenner炒股的人，最好要比他還知道他在幹什麼。 這種13F表單的揭露，和所有的SEC公告一樣，在以前很有價值。古早以前，華爾街會派人在華府SEC大樓的公告欄，看著政府公務員貼出來，各大上市公司依法揭露的公告，華爾街可以在第一時間看著報告交易而賺錢。但公告上網後，這個短期套利的機會沒有了。短期投機沒有了，但有可能跟著買賣，跟著人家高風起飛嗎？ 巴菲特的公司BRK以前只有一類股，但因為他從來不發股利，也不分割股票，所以股價一直漲，漲到一般人買不起。零股買賣是要到2010年代後期才有可能，所以BRK變得可望而不可及，於是有些聰明的傢伙，成立基金集資，然後看著巴菲特的季報揭露，跟著買，像外界推銷說，「買不到BRK，買我們的也一樣」。巴菲特很火大，「哪裡一樣？」，為了防堵這些抄襲者，巴菲特終於另立新股，現在的A股，一股七十幾萬美元，多數人還是買不起，但B股，一股只要四百多，權利又大致相同，只是B股的股權為A股的一千五百分之一。 為什麼巴菲特說他的持股和抄襲者不一樣？因為在公告的三個月之中，他可能換了很多部位，抄襲的人不知道，只能每三個月跟著轉換。也許巴菲特一公告後，就賣了部位呢？而且，有時候，巴菲特會向SEC申請秘密部位，SEC三不五時會批准，那抄襲的人要怎麼抄作業呢？想跟著Leopold Aschenbrenner操作的人，也有一樣的問題，而且很可能你還幫了他，推高他想賣的股票，幫忙他脫手。所以看13F的方法是這樣，看個熱閙就好，最多就是給你一些啟發，讓你拿點子來自己研究，但千萬不要照抄。 比較有意思的討論是，Leopold Aschenbrenner的金手指，能夠持續多久？我相信市場大致是有效率的，多數人不能賺到超常的報酬，有些賺了很多錢的人，只是買了風險很大的股票，是強運，而很少是真的選股厲害。但我也從來不敢說，「沒有人」可以賺到超常報酬。RenTech的Medallion常年賺大錢，就是一個例子。但Medallion還是會碰到市場的極度有效，證據是他們的交易極度秘密，外人不得而知如何選股，就像Leopold Aschenbrenner一樣，一給外人知道了，就沒戲了。更重要的是，Medallion不能太大，他們的交易演算法，有部位的限制，一旦交易量太大，市場會發現他們的蹤跡，獲利機會就不見了。這也是我對Leopold Aschenbrenner長期的看法，他可以一直贏下去，但很快就會碰到市場的「物理上限」，遲早要把錢退回給投資人。

兩位高大型男站兩旁讓我顯得好渺小🥰 總共23位到場我也就不一一標記了 #重要的是聖誕趴唱得開心吃得快樂喝的滿足# 總結就是➡️ 謝謝你們 我愛你們大家🥲🥲 #阿里呀多你們大家這麼捧場♥️# #結識了好多有趣好相處的男人女人☺️# #願我們能夠一直這樣好下去# 🙈 #光頭鵝肉敲好吃😋#

這絕對是個大工程。能把這種跨越幾百萬年的宏大敘事撐滿兩個小時，沒點耐性真做不出來。 這類影片看下來，最讓人震撼的通常不是資訊量，而是那種「視覺上的跨越感」。你想想，畫面從幾百萬年前在樹上晃蕩的古猿，鏡頭一轉，變成在草原上直立行走、眼神開始有了神采的原始人。接著是火光的亮起、石器的打磨，再到後來古埃及、美索不達米亞的黃沙與神廟，最後一路飆到現代的霓虹燈和未來的星際探索。這中間的視覺張力，光是用腦袋想像就夠起雞皮疙瘩了。 不過，要用 Seedance 2.0 熬出這兩個小時，背後的工作量其實挺考驗人的。 多模態的優勢與代價 Seedance 2.0 厲害的地方在於它那種 「多模態控制」，你可以餵給它圖片、分鏡，甚至塞一段現成的視頻去讓它學習運鏡。做這種歷史迭代的影片，最怕的就是前後畫風崩掉，前一秒還是寫實史詩風，後一秒突然變成廉價 3D 動畫。作者大概用了大量的角色與場景參考圖，去死磕那種歷史的厚重感和前後的一致性。 而且它自帶音效同步，原始人打砸石器的撞擊聲、遠古暴風雨的咆哮，這種環境音要是合得好，史詩感立刻翻倍。 兩個小時是怎麼拼出來的？ 雖然這模型比以前進步很多，但它單次輸出的片長畢竟有限，也就十幾秒。這意味著，兩個小時的成片是由成百上千個鏡頭硬生生拼接出來的。 • 工作流的考驗： 作者得先把劇本和時間線拉好，古猿、南方古猿、直立人、智人、農業革命、工業革命……每一階段都要瘋狂生成素材。 • 墊圖與墊片： 為了讓轉場順暢，可能用了大量的 Image-to-Video 或者 Video-to-Video。比如用前一個時代的結尾畫面當作下一段的起點，或者指定運鏡讓鏡頭從遠古的星空拉下來，變成現代的夜景。 • 後期剪輯： AI 把畫面生出來只是第一步，後面還得靠傳統剪輯軟體去調色、對軌、加上轉場和旁白，不然單靠 AI 生出來的片段直出，節奏很容易散掉。 這種影片看著看著，真的會讓人有一種「人類好渺小、但文明又好神奇」的宿命感。你看過最震撼的是哪一個歷史階段的轉場？還是說，你對它最後預測的「未來進化」部分更有興趣？