台湾社会还有有言论自由和出版自由吗？ 从法律上，大多数时候当然是有的（当然大陆大多数时候也有）。但是，当一个社会的舆论氛围倾向明显的时候，出版机构会通过选择性出产作品，来限制作者的机会，同时影响大众的认知。 而执政党也会通过司法案件、制造舆论氛围来影响大众对特定议题的讨论，执政党的狂热支持者也会通过网络暴力、组织化的出征，来影响公共议题的输出。 比如这个截图中这位台湾知名媒体人就说了他们这几年的遭遇：“合灣被視為華文世界出版最自由的地方，但同樣完美複製牧場與牧草的運作邏輯。若干年前，在幾位重量級學者的牽頭下，希望撰寫一本打破既有迷思，介紹真實中國大陸的普及讀物，撰稿人皆為一時之選，我也有幸受邀負責其中一章。當大家都谁時交稿，主編也統整完全書後，數年來卻找不到一家出版社願意出版，儘管領街的編者非常響亮，也只能向作者群一一致歉。原因為何？只要 到書店裡看一下中國大陸分類櫃中的書籍傾向，答案也就不言而喻了。” 他说的这个现象我特别有感，作为经常去图书馆的人，我会特别留意文史相关的分类区。我所在的桃园已经算偏蓝的蓝，但是在两岸政治的部分，大概有8成以上的书都是批判大陆的。大陆当然不是不能批判，但是这些研究8成都出自最鹰派的海外民运和台湾独派的著作。稍微有一点客观介绍两岸和大陆现实的著作，基本都是2014年以前出版的——大概就是太阳花运动之前。

最近跟一位在圈內闖蕩多年、已經財富自由的朋友交流。 她提出一個非常有意思的洞察： 「現在的錢，已經沒有以前那麼好用了。」 為什麼？ 因為在高度工業化的現代，過去王公貴族才能享受的生活品質，現在平民老百姓都觸手可及。 這位朋友提出了一個經典例子：Jeff Bezos 拿的 iPhone，跟普通人拿的 iPhone 沒有任何差別。即便你再有錢，你也買不到一台比 iPhone 領先 50 年的通訊設備，因為技術邊界就在那裡。 我仔細想想，好像真的是這樣。 在清末，慈禧太后用的馬桶是檀香木刻、鋪著綢緞與香料的「官盆」，而平民用的是簡陋的茅坑，兩者有著天壤之別。但在今天，你家裡的馬桶跟首富家裡的，本質上已無代差。即便多花了幾十倍的錢，頂多也就是多了免治功能或自動掀蓋——在最基本的生理尊嚴上，現代工業已經抹平了階級的鴻溝。 這代表財富在「物質功能」上的邊際效應遞減得極快： 食： 財富自由的人吃一頓米其林三星，跟你吃一頓精緻料理的飽足感與美味落差，已不再是天壤之別。 衣： 頂級訂製西裝與優質成衣的差距，比起百年前的絲綢與粗麻，視覺上的階級感大幅縮小。 行： 頭等艙與經濟艙雖然舒適度有差，但抵達目的地的時間是一樣的。 如果第一個 100 萬美金帶給你的邊際效用是 10（它解決了安全感與基本自由）； 那麼第二個 100 萬美金，效用可能就遞減到 5； 到了第三個，效用可能只剩下 1。 這個效用遞減函數不是線性的，而是斷崖式的（Cliff）。 這位朋友說，她見過不少人白手起家，資產從 A6 翻到 A9，又從 A9 跌回 A6（單位是美元）。 很多人財富增加了，心態卻仍停留在 Degen 慣性。簡單來說，就是賭上癮了。 他們成了數字的囚徒，為了追逐帳面上更高的收益，在錯誤的時間點重倉豪賭，冒著 100% 返貧的風險，去換取那早已遞減到幾乎為零的邊際效用。 我跟她也有類似的觀察。或許是華人基因裡帶有上一代的苦難記憶，我們普遍對金錢有一種深層的恐懼感，喜歡囤積數字、喜歡攀比。這種「匱乏感」就像是一種基因病毒，代代相傳。 即便我們已經生活在物質過剩的時代，腦袋裡的作業系統卻還停留在「飢荒模式」。我們習慣用資產的數字來填補內心的不安全感，卻忘了問自己：當邊際效應已經進入斷崖區，繼續透支生命去交換那些多出的數字，代價究竟是什麼？ 如果你觀察那些在幣圈起伏、最終卻無法守住財富的人，你會發現，他們追求的往往不是「更好的生活」，而是「贏過別人的感覺」。 他們買超跑、買名牌，本質上不是為了自己爽，而是買給別人看的。 試想一下，如果你住在一個無人島上，你會想開一輛藍寶堅尼嗎？上下車得彎腰、椅子難坐得要死，進出車庫還怕刮到底盤。在沒有觀眾的地方，這些財富象徵反而是一種累贅。 有趣的是，這種「優越感」完全是比較出來的結果。再做另一個思想實驗：如果你住的不是無人島，而是所有人都開藍寶堅尼的小島，你還會想開它嗎？應該也不會，因為當超跑變成標配，它就失去了炫耀的價值。 這種對「優越感」的追逐，本質上是一場永無止盡的西西弗斯推石遊戲。 優越感不是來自於你「擁有的多」，而是來自於你「比別人多」。這意味著你的幸福感並非建立在自己的基座上，而是漂浮在別人的目光裡。一旦進入更高階層的圈子，原有的優越感會瞬間崩塌，迫使你投入更多的人生預算去換取下一個階梯的虛榮。 這正是為什麼有些資產 A9 的人依然活得像個飢餓的囚徒。因為在優越感的金字塔中，永遠有比你位居更高處的人。 真正通透的人生，是把自主權從別人的眼光奪回到自己手裡。 這意味著你清楚知道自己需要多少物質就能抵達「舒適」的邊界，而邊界之外的每一分精力，你都選擇用來餵養自己的靈魂，而不是用來滿足無止盡的攀比。 真正的自由，並非擁有買下一切的權力，而是擁有一種「即便不參與這場遊戲，也不覺得自己輸給任何人」的底氣。 當你不再是數字的囚徒，也不再是別人的對照組，你終於能在這擁擠的世界裡，找到一個最讓自己舒服的坐姿。 就像風清揚傳授獨孤九劍時，對令狐沖說的那句：「根本無招，如何可破？」 如果說人生也有獨孤九劍，那麼破除一切煩惱的招式，就是放下心中的比較心——「根本無人，何必去贏？」

整理照片 真的拍了好多花蓮的山⛰️ 我曾經在台東住過兩年 一樣在市區看得到山 但花蓮的山真的是靠得很近 一回頭就在身邊跟你說嗨 #花蓮#

當年撒切爾夫人對＂歸還香港＂還是心有不甘的。畢竟英國花了一百年才培養岀來一個＂優等生＂，也是世界三大金融中心之一，真心不容易。誰也沒料到交到中共手里不到30年，就被共產黨玩＂砸＂了，可見共產黨對香港的破壞遠超英國的培養速度。如果現在香港還在英國人手里，決對不會變成今天這個樣子。

5年沒上 Kaggle 打 AI 演算法比賽，久違的回到銀牌 ZONE。 現在打比賽比以前友善許多，只需要把想法跟 Agentic AI 討論，就可以直接做出實驗。 以前做 EDA、驗證策略、改模型或調參，常常要花不少時間改 code，現在很多時候只要一句 prompt，然後就可以去做自己的事情，晚點回來看結果跟報告。 分享一下我的 agent 目前打得最漂亮的一場 PTCG 比賽。 同樣是 Lucario 牌組，中盤一隻 Mega Lucario 剩 10 HP，還是成功撐住節奏、反殺對面，接著接上第二隻 Mega Lucario，把 prize race 收掉。 感覺最有趣的不是單純比「牌組強」，而是 agent 在交換、備用 attacker、Boss timing 這些細節上真的有做出一些像人在打牌的判斷，後期就是真的在比Agent出牌的Policy了。

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。