（單純寫一些心得，但推特要我標記未滿18勿看，我就標記。） . 清詩有云：百無一用是書生。 20幾年前一頁書也說：戰場之上、才子何用？ 遙想當年，其實我在部隊混得不好，單純希望能循規蹈矩做事，卻處處受制。 歡送餐會上，很多人都來了，有力挺我的、也有不怎麼對盤的。 看不出什麼一笑泯恩仇，畢竟有些事情沒辦法簡單揭過。 可若是一直懷恨在心，那就太愚蠢了。 只能說這類笑面虎的人物，要特別提防。 官樣文章說得溜，但擺明了拿規則卡你。 惹不起，但躲得起。 . 總之吧！認不清楚現實，永遠都對未來存有幻想。 一直到退伍前才明白。 就算公文寫得再好、再如何引經據典，只要不符長官心意，依然是廢文一篇。 Nobody fucking cares.😌😌 他們沒有錯、我也沒有錯，錯在立場不同。 不是同一掛的，別人不會大開方便之門。 沒人會允許你莽過去，這是事實，只能盡可能不違心。 昨天羽哥也說我太理想化、曲高和寡。 我明白他苦口婆心，我深自檢討。 一路開車送湘湘回家，煙霧繚繞間，前方的路又開始模糊了。 有時候，真不明白自己到底缺失了什麼。 ======================== 活動告一段落，感謝參與的茶友及妹妹們。 再持續精進，讓參與的成員體驗更好，我會朝著好的方向走。 茶友們多半低調，我這邊就不詳列了；而妹妹們若有需要，我自會盡力幫忙。 雖然單幹很辛苦，但幸好有大家。 湘湘的資料我放8964，北社就先不放了。

1011 事件已經告訴我們：幣圈媒體完全沒有監督能力。 不是不願意，而是不能。 因為媒體賴以為生的廣告與贊助，90% 以上來自交易所與項目方。 你要他們去質疑、追問、監督長期給自己投放預算的金主？在商業現實下不可能做到。 而社群媒體呢？ 坦白說，也沒有好到哪裡去。 大部分 KOL 不會真的去跟交易所作對。 返佣、合作、推廣、專案、友情、站隊，各種利益關係都讓人難以開口。 這也是為什麼，在伊莉莎白詐捐事件後，KOL 幾乎全數表態，人人都上去踩一腳； 但到了 1011 這種市場系統級別的事故，哪怕自己也受影響，多數人仍選擇保持沉默。 我查了一下數據：伊莉莎白詐捐事件在中文 CT 中的流量峰值，全面壓過 1011。 兩者本來不該在同一個量級上，但現實就是這麼荒謬。 你會看到許多匪夷所思的現象： Digital Galaxy 這麼大的機構，都得在壓力下修改 1011 事件的標題。 幣安拿到阿布扎比牌照、招銀合作案、何一訪談的公關稿，媒體報得比誰都快、篇幅比誰都大。 但 1011 這種直接關乎市場安全與用戶資產的重大事故，媒體幾乎全部噤聲，訪談避重就輕，該追問的不追問，該解釋的通通略過。 拿我自己的例子來說，前陣子我寫了一篇英文長文，公開問責幣安 1011 事件的處理流程問題。 那篇文在 X 上有超過 30 萬曝光、1000+ 個讚、350+ 個轉發。 如果是以前，媒體問都不會問，早就搶著轉載，因為這是貨真價實的流量題材。 但這次的結果是什麼？ 全場只有一家中文媒體轉發。（雖然標題被修得比較溫和，但願意轉發，我已經很感謝了。） 幣安之所以能成為幣安，是因為它曾經做對了很多事。 但1011 事件這種級別的安全事故，只要處理不透明，就足以動搖八年累積的信任基礎。

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。

推文图片中的文字翻译： “作为一个加拿大人，我现在终于能理解，生活在一个精神失常、拥有核武器的狂人邻国旁边，韩国人是什么感受了。 唯一的区别是：金正恩不在爱泼斯坦档案里。”

推文在目前阶段得到长期流传的难度还比较大，而且很碎片化。书本毕竟是最古老的传递信息的模式，如果想为自己正名，写一本从 Star 视角看到的行业历史会更好

上次推文重点提到CPU的爆发需求，不辱使命，如期迎来大暴涨，上次AMD价格还在280美金，今天已经409美金，半个月涨幅高达46%！从最新苏妈的电话会议来看，未来GPU与CPU需求将是1：1的比例，更加证实了当时我们的预判：「到2030年，未来75%的AI计算需求将会来自推理，CPU市场将会迎来大爆发」 今天看完 #AMD# 交出的这份 2026 Q1 成绩单，我最直观的感受是，风向变了。 如果说过去两年是“大模型训练”的肌肉秀，那么现在，我们正式进入了「AI Agent与推理」的爆发期。在这个阶段，原本被视为“配角”的 CPU，正在拿回它的主场。 1️⃣逻辑重构：CPU 配比逻辑变了！ 以前数据中心都是1颗CPU带8颗GPU，CPU就是个配角，负责发指令递数据。 但苏妈这次财报会提到，推理和智能体场景下，CPU的压力远超预期。 Agent不是简单的问答，它要做任务编排、拆解步骤、调用插件，这些都是CPU干的活。 所以现在高密度AI场景下，CPU和GPU的配比正在从1:8往1:1演进，甚至更高。 AMD把服务器CPU的市场预期直接从18%年复合增长拉到35%，到2030年是1200亿美金的盘子。这个调整很有意思。 2️⃣财报十分亮眼：不只是增长，是质变 这次 AMD 的数据确实硬气，创纪录的 103 亿美元营收（同比增长 38%）只是表象，真正让我这个投资者兴奋的是底层的财务质量： 利润率实现“戴维斯双击”， 毛利率拉升到 55%，自由现金流翻了三倍多。这说明 AMD 卖出的产品越来越高端，话语权越来越强。 数据中心成了绝对核心，营收占比和增长几乎全靠数据中心（同比涨 57%）。以前大家觉得 AMD 是靠 PC 起家的，现在它已经彻底进化成了一家高性能 AI 基础设施公司。 另外Meta给了个6GW级别的大单，还是多代定制的MI450，说明在顶级客户眼里，AMD已经不是备胎，是正选了。 3️⃣护城河：从“单兵作战”到“机架级全家桶” 我注意到苏妈提到了一个关键词：「Helios 架构」。 这是AMD的杀手锏，把自家最强的EPYC CPU（Verano系列）和Instinct GPU（MI450）做成机架级方案，直接送货上门。 相比之下，英特尔虽然也在追赶，但制程和生态整合上还有坑；而 ARM 方案虽然省电，但在处理复杂、高吞吐的 AI 编排任务时，还是打不过 AMD 的 x86 性能怪兽。 4️⃣有个小风险⚠️ 内存价格暴涨，HBM4和高端内存太贵，成本压力很大，游戏业务下半年预期下滑20%以上。虽然苏妈说供应链他们能处理，但这块肉确实被割了。 总结来说，我个人目前长期看好CPU发展的逻辑和方向，AMD已经从便宜替代品变成高性能定义者。苏妈提的EPS超20美金目标，按现在增长势头（Q2预期涨46%），不像画饼。 关注7月份推进AI活动，会有2纳米Zen 6架构CPU和MI450的更多细节。 如果您跟我一样，坚定的相信，AI会从聊天框演变成全自动AI Agent时代，那么AMD的CPU+GPU双轮驱动，可能是目前市场上比较稳的爆发点。 以前买AMD是买潜力，现在买AMD是买确定性。🧐 持续关注CPU赛道，另外还有其他相关利好公司，比如 #ARM# #INTC# 等，DYOR🙏 目前上述提及的公司在 #MSX# 上面基本都有，炒美股，我选择用 #RWA# 美股代币化平台 #MSX，一同投资参与美股市场：# 早期美股投资粉丝和伙伴，可以私信我，填写表单后，可免费进入美股交流和探讨社群(目前每周仅限定10人，助理审核，可能需要一点时间，感恩🙏)！