昨天晚上翻到這張照片的時候 不經意停下看了那時候的自己 - 當時真的好快樂 笑起來也很直接 沒有這麼多壓力以及後顧之憂：） - 時間雖然為我篩選掉虛妄與過客 卻也為我留下真正值得珍惜的人😳 - 成長的代價或許就是在無數破碎的 夜晚裡一點一滴的縫補原有的模樣 #在拼湊與修復中找回真實的自己#

回憶起剛踏入這個圈子的那一天 那時候的我.. 連鏡頭都不太敢直視 說話都會結巴 根本不懂得怎麼與人相處 如今再回頭看 才發現原來那些緊張、不安與笨拙 都是成長路上最真實的模樣 謝謝當初那個勇敢踏出第一步的自己 雖然青澀懵懂 卻從來沒有放棄往前走 #舊照# #歲月見證了改變#

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。

親愛的，月光看到 @BitgetTC 的 #美股# 功能又升級啦！ 正式推出「Bitget 美股」 月光自己也是美股小玩家，以前如果想同時投資加密貨幣和美股，通常都要開好幾個 App，在不同平台之間切換資金，操作起來其實滿麻煩的 這次比較吸引我的地方，就是 Bitget 提供的並非合成資產，而是真正的「美股直連」 也就是說，我們買到的是實際持有的股票，享有股息、投票權等股東權益，而並非外面那些單純追蹤價格的產品 對長期投資者來說，這點其實非常重要 而且，如果原本已經在其他券商持有美股，現在也支援直接轉倉到 Bitget，活動期間還有轉倉補貼，對於想整合資產的人來說算是滿方便的 目前可交易超過 10,000 檔美國上市股票與 ETF，最小支援 0.0001 股下單，小資族也能慢慢累積自己喜歡的公司 另外幾個我覺得不錯的地方： ✅ 真實持股，享有股息與股東權益 ✅ 支援其他券商轉倉，活動期間可領補貼 ✅ 5×24 小時交易（盤前、盤中、盤後、夜盤） ✅ 0.0001 股即可投資美股 ✅ 免費即時行情 ✅ T+1 交割後即可快速出金 ✅ 一個 App 同時管理加密貨幣與美股資產 如果本來就在 #Bitget# 交易加密貨幣，現在想開始配置美股，確實會方便不少 畢竟現在 AI、半導體、雲端運算等產業趨勢持續發展，很多全球龍頭企業都在美股市場 用同一個平台同時布局加密與傳統資產，資金調度會更有效率 附上Bitget 官方美股公告： 溫馨提醒：投資有風險，進場前還是要做好自己的研究喔！

照顧年邁的家人，最辛苦的也許不是照顧本身。 是要不要換下一個治療方案。 是手足之間意見不同，誰來決定怎麼辦。 是總想要做到最好，卻永遠覺得自己做得不夠。 是聽到「辛苦了」，也不知道怎麼回答。 是愛與累（或淚）並存的每一個矛盾時刻。 端傳媒正在進行老後照顧專題的心境調查，想理解照顧者在日常中，那些「卡住」的複雜感受。或許有些想法還沒有答案，但它們仍值得在報導中被留下。 用 10 分鐘填寫問卷，讓報導中留下你真實的一頁聲音：

到底是要為善不欲人知？還是要為善怕人不知？在這裡要說點逆風的話：其實我是贊成「為善怕人不知」的。因為出發點在於「希望能藉此激發社會的善心共振」，集合眾人的力量來幫助需要幫助的人。 不過，重點就在於「出發點」，我們又稱為「初發心」。如果又要自稱低調，又要出動團隊，在明顯經過設計的拍攝角度下，向支持者展示自己身穿白衣白鞋清淤卻一塵不染的低調身影，然後透過媒體和側翼洗版宣傳下讓全世界都知道，如果背後真正目的是累積個人政治聲量，甚至轉化為選舉資產，這樣的「為善怕人不知」其實很容易被人看破手腳。 當「行善」被賦予了飽和的行銷與政治目的時，它究竟是擴大了「善的漣漪」，還是淪為一場精準計算的劇場表演？ 在現代社群政治中，「低調」已經不再是一種個人品德，而是被政治幕僚包裝出來的「商品」。傳統的「低調」是做了不說，默默離開。但現代政治的「低調」卻是做了之後，由身邊的側翼、粉絲、網紅「不小心發現」並大肆讚揚。 然而，這種運作模式最大的盲點在於：群眾對「宣傳痕跡」的敏銳度早已被訓練得像顯微鏡一樣。當媒體與側翼在同一個時間點、用著相似的語調、搭配精心構圖的照片（甚至是高角度、俯瞰等非一般路人能捕捉的無死角機位）在大喊「看啊！他多低調」時，這種操作痕跡就已經將「低調」這兩個字徹底汙名化了。 在傳播學中，影像的「真實感」來自於細節的合理性。在泥濘、混亂的勘災與清淤現場，「白衣、白鞋、一塵不染」成為了最具破壞力的視覺符號。這種高反差非但無法傳達深入基層的實幹形象，反而給人一種「與勞動現場格格不入」的疏離感。現代閱聽者對政治影像的解讀能力，已遠高於過去，甚至到達吹毛求疵的程度。當防護裝備的潔淨程度與周遭的汙泥形成強烈對比時，畫面傳遞出的訊息就不是「共體時艱」，而是「擺拍路過」。 「為善怕人不知」若能激發社會善心共振，其前提是坦然與誠實——我做了這件事，我希望大家一起來做。 然而，當宣傳機器（不論是親近媒體或社群側翼）試圖同時貼上「低調行善」與「大張旗鼓宣傳」這兩個互斥的標籤時，邏輯就產生了混亂。既然要低調，何來無死角的精準機位？何來鋪天蓋地的洗版讚揚？這種「被製造出來的低調」，在本質上就容易形成對公眾判斷力的低估，自然會引發輿論反彈與翻車。 過去的政治宣傳是「舞台劇」，台下觀眾距離遙遠，只能看到聚光燈下的美好。然而現在是自媒體的微觀時代，每個人手上都有放大鏡，任何一個不自然的眼神、過於精準的側翼發文時間點，都會被截圖、對比、做成梗圖。當政治團隊還在用舊時代的劇本演戲時，台下的觀眾早就已經退場，甚至開始拆除舞台了。 現代政治傳播的悲哀在於，許多政治團隊仍迷信「有圖有真相」的傳統宣傳套路，卻忽略了在自媒體時代，群眾對於「作秀痕跡」的辨識力已達到上億像素級的精細。 「為善怕人不知」並不可恥，如果是為了號召大眾、激發社會的善意，坦坦蕩蕩地開直播、呼籲大家一起來幫忙，群眾反而會給予掌聲。 最讓人反感的，莫過於「既要政治紅利，又要道德牌坊」。當政治團隊把人民當成可以輕易操弄的觀眾，在無死角的鏡頭前演一齣名為「低調救災」的行動劇時，他們忘了，台下的觀眾早已看過無數場類似的戲碼。那把名為「真實」的尺，早就藏在每個人的心裡了。

去年 12 月，我在 OKX Pay 中放入了 10,000 USDG，當時最高年化收益達到 10%。經過大約半年的時間，目前賬戶中的累計收益已經超過 425 美元。 原本我以為，這已經是一個相當不錯的穩定幣收益實驗。直到最近一位朋友告訴我，他通過 OKX 的現貨槓桿借幣方式，將 USDG 的收益率放大到了約 17% 年化，而且參與金額接近 47 萬美元。 這期影片中，我會從自己的 USDG 收益記錄開始，帶大家瞭解： OKX USDG 的收益為什麼從 10% 降到 6%； 朋友如何通過現貨槓桿借幣持有大量 USDG； 4.1% 收益與 2.5% 借幣成本之間的利差如何計算； 我如何使用 1,000 美元親自測試這套操作； 這種看似穩定的利差玩法，背後有哪些脫錨、強平和收益變化風險。 這只是我個人在區塊鏈領域中的學習與實測記錄，不構成任何投資建議。涉及借幣與槓桿的操作，請務必先瞭解相關風險，再根據自己的承受能力作出判斷。 重點時間戳 00:00 朋友用 USDG 做到約 17% 年化？ 00:31 我半年前投入 10,000 USDG 的真實收益記錄 01:14 USDG 收益從每周約 20 美元降到 11 美元的原因 02:13 朋友的玩法：近 47 萬美元 USDG 與現貨槓桿 03:27 實際收益截圖：一周發放 247 美元 04:12 另一位用戶用 5 倍槓桿持有 72 萬 USDG 04:47 現貨槓桿和合約交易有什麼區別 06:22 約 17% 年化是如何計算出來的 07:51 OKX 現貨槓桿操作演示：開啓跨幣種保證金與自動借幣 10:48 用 1,000 美元實測買入 8,000 USDG 11:56 如何查看借幣利率：收益 4.1%，成本 2.5% 13:07 風險提醒：脫錨、強平、VIP 收益變化與退出方式 @okxchinese

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。