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。

✨AGA心得✨ 空間超大、然後位子也很好 一度跳舞跳的很熱然後又被夠強的冷氣吹的有點冷🤣 還有好幾組採訪，紅犀牛還送吃的喝的給我真的大感謝😭😭😭 上台表演大家給的掌聲也很大！下次還會考慮上台的 這次還收到粉絲送的生日禮物！誠意滿滿的大驚喜🥰超喜歡的 下一屆一定參加！

今天以《碧藍航線》柴郡的 Cosplay 參加活動啦!!!! 謝謝特地來找我、跟我打招呼的大家💙 下次一定還會再來台灣見你們！ #FF46# #台湾FF46# #AzurLane#

昨天的聚會謝謝大家☺️🩷 我昨天喝太多酒了，聽說醉得很厲害😂🍻 如果有造成大家的困擾，真的很不好意思🥹💦 希望下次還有機會跟大家一起開心玩✨

🎉 7 月份抽籤吃飯名單公布 🎉 寶寶們 偶肥來了🫶🏻💕💕 恭喜中籤的寶寶！ 記得主動私訊我，方便一起安排吃飯時間～🫶🏻 謝謝大家一直以來的支持，沒有中籤的也別灰心，下次還有機會 ❤️

骨感小隻馬女大生 性經驗的次數跟對象都不多 藉由這次單身的時候 鼓起勇氣 19歲的粉嫩小蜜穴 被肉棒毫不留情狠狠的撐開❤️ 她說下次還要再被撐開⋯🥵 #Fansone訂閱完整版# #19歲# #超色視角# #骨感女大生# #小穴被完美的撐開# #單身後忍不住了# #歡迎私訊給彼此機會# @ToBulaer @ToBuerma @KawasawaSen @BulmaList

小狗跟人不一樣 狗的心態是「永遠樂觀」 小狗的心態只有一個：萬一成功了呢？ 不讓牠進臥室，牠趁你開門的時候 趕快溜進去，然後安靜趴著， 假裝什麼事都沒有，看你反應 你一吼牠，牠就搖搖尾巴出來 但下次還要試，完全不往心裡去 想吃人類食物 就一次次扒上餐桌 說不定哪次就能得到一塊  小狗厲害的地方，是牠不會花半天檢討剛才為什麼被趕出去。牠只是記住這次沒成功，然後等待下一個機會。 我們能學到的是：不論什麼事，做錯了就學一點，再接著試。嘗試次數變多，成功的機會也跟著變多。 原來搖搖尾巴，是一種很強的行動能力。

@dalshasha_cos @chihiro_changTW Chihiro小姐，您真的非常美麗。很高興見到您！ 因為語言的障礙，沒能把我的喜愛更完整地傳達給您，真的覺得很可惜！ 希望下次還能再見到您！ 您辛苦了，如果之後有去台灣的活動，我一定會去找您！ 非常感謝您！ 💖