【數以億計】為何停電造成的經濟損失遠比我們想像的更嚴重 在一月尾美國的一場重大風暴，多地停電，初步估計風暴造成240億美元的經濟損失。但清潔能源非牟利組織RMI指，目前保險評估指標忽略電網持續癱瘓間「非線性複合損失」，實質美國災害損失每年或至少漏算了350億美元。

Tesla Robotaxi 爆發！半數車隊已無人監督 當外界還在嘲笑 Robotaxi 進展「慢到爆」時，Tesla 卻突然加速！短短幾天內，無人監督車隊已暴增至 36 輛，Austin 有 25 輛、Dallas 5 輛、Houston 6 輛，三城同時展開夜間無人營運，規模化時代正式啟動。 這波快速擴張顯示 FSD 技術已進入實戰階段，夜間運行更凸顯系統對複雜環境的信心。Tesla 正由測試轉向真正商業化，Robotaxi 的爆發期即將來臨！ 個人覺得其實增速度一過了臨界點就會急速上升，所以我完全不擔心robotaxi 是否可以成功，因為它已經成功了💪💪擴張到全世界只是時間問題😎😎

前幾天剛好跟朋友在討論預測市場當前到底需要的是什麼，看似繁榮其實並沒有很好的讓大家都上手 多數交易量肯定都是來自 bot ，而且多數人參與其實滿容易虧錢的 最大的問題就是不同市場的流動性碎片化再加上介面不好用、不直覺 以台灣來說甚至登入個 polymarket 都有問題，仍是最大痛點，我最常用的還是 polymarket 的 CLI 當前有兩個痛點需要被解決：更好懂的介面以及更絲滑的入金方式 市面上的方案都沒有真正解決這個問題，更不要說單純的 AI 工具 不管是否幣圈，AI agent 使用率都是不高的，一個重要原因是最一開始的啟動流程仍然有些複雜，只有真的動力強的少數族群才會每天用 另一個更根本的原因是，主流模型從來沒有被真正為「在市場裡賺錢」而設計過，它們能提供分析結果 但分析≠ 不代表真的能夠賺錢 用戶本身具有交易賺錢的能力， ai agent 才能發揮得好，否則很容易只是幫我們花式虧錢 Sui 上面的 @0xbeepit 還挺有趣，這個協議是一個讓交易型 AI agent 在真實市場中競爭、篩選、進化的系統，只保留真實市場裡活下來的策略 而且除了 agent trading 還有發展其他的產品線 這是當前預測市場賽道所欠缺的 「有更多讓用戶資金留存的誘因」 創始團隊在 PayPal 和 Walmart 等企業建構過 TradFi 系統，平均 12 年以上的開發經驗，橫跨支付、交易、區塊鏈基礎設施等 Beep 主要運作的方式有五個階段 1️⃣ 用對的工具開發策略 LLM 負責理解語言、分析情緒、提取資訊；另一種 AI 專為數字時間序列設計的模型，負責數值計算、風險判斷和交易執行 2️⃣獨家訊號 Beep 的 agent 接入獨有的數據流，包含鏈上交易元數據、預測市場訊號、訂單流微觀結構 3️⃣ 開放接入 任何 agent 都可以接入、提交策略。 越多參與者，接觸到的市場資訊廣度也更大，利好所有玩家 4️⃣ 嚴格篩選 每個策略先用模擬資金跑，通過了才能用真實資本 能穩定賺錢的策略獲得更多資金信任，跑輸的淘汰 5️⃣ 結果反哺 每一筆交易的結果，都會成為模型訓練的一部分，讓系統變得更準 理論上隨著時間的推進，系統會越來越強大 接著是其他產品線，Beep 最新上線的 R3，是基於 Polymarket 的預測市場產品，提供兩種玩法 💡手動預測，適合想自己下單的用戶，Beep 為用戶提供 AI 洞察輔助用戶做判斷 💡全託管預測 Agent ，適合想讓 AI 全權負責的用戶，AI 全權接管，掃描市場、選題、交易、結算，全程無需人類介入 我這次先丟了 1000u 來測試一下他們家的 trading agent 1️⃣ 選擇自己要用的模型（GPT5.4 , Claude Sonnet , Kimi , Groq 等） 2️⃣ 選擇要交易的市場：美股竟然也可以 , 不單純只是加密市場可以選擇 3️⃣ 除了 eth sui 之外我添加了近期火熱的 $SNDK $INTC $MU 三支股票 在這些交互的過程中都是可以嚕分數的，包含創建 agent、交易量、錢包餘額等（treasury），創建 agent 的花費跟交易頻率有關，越高當然花費越多，還可以設定單次交易最高金額，使用的槓桿大小等 agent 開跑之後, 可以動態看到 agent 當時的想法 下週來跟大家分享一下結果，有興趣的可以一起來玩玩： 這邊記得，受邀人記得至少要充值 10 usdc 以上才可以激活 ⚠️ 地區限制，台灣的朋友們記得一樣要切換 VPN 才能使用 去年年底 Sui 宣布了 The Agentic Economy is coming to Sui ，很明顯這是當前每條鏈都在積極發展的方向，Beep 是我認為值得一試的 Sui 鏈 agentic finance 項目 Beep 還支持基於 Hyperliquid 的全託管交易 agent 的創建，支持 Hyperliquid 上 Crypto + TradFi 全部 USDC 交易對 對於心癢癢想追高美股的用戶來說，如果想追高又不知道怎麼設止損，讓 ai agent 根據設置的策略來參與市場也不失為是一種方式

SSIS-531 #河北彩花# 河北彩花人生中的第一個高潮，會表現出什麼樣的表情、反應和样貌？這是強調高潮數量和密度的作品，她被徹底地挖掘！在重複的高潮結束時釋放更強烈的狂喜，她以業內最佳容貌的外表令人著迷，強烈刺激了我們的性興奮‼️

2019 年我在北京大學教比特幣，讓全班用紙錢包網站生成私鑰。 然後叫他們查一下地址有沒有交易紀錄。理論上全新地址不該有。 超過一半的學生回報：地址已經被用過了。 追查下去，發現亂數產生器被改過。私鑰只有幾百組在重複。攻擊者可以重建每一把。 你的紙錢包鎖在保險箱裡。攻擊者什麼時候想掃就掃。 完整故事寫成了一篇文章。

🔥X爆款！中國人高調挺台反共 1.5萬讚洗版 兩岸網友炸鍋 搜尋過去24小時，X上最熱點的一則中國內容，來自用戶@MinMin89485072的貼文。這則簡單卻震撼的表態迅速衝上熱門，獲得1.5萬多讚、1100多次轉發、2900多則回覆，觀看數超過50萬，成為華語圈最火討論。 引用內容：「我是中國人，我支持台灣🇹🇼，我反對習近平，我反對中國共產黨。」（附圖片展示台灣國旗與相關符號） 這則貼文引發各方信息與觀點激烈碰撞。支持者紛紛留言「勇敢！」「同感！」「海外華人終於敢說真話」，認為這反映了許多對中共威權不滿的情緒，強調台灣民主自由的吸引力，以及X平台言論開放的重要性。有人分享自身經歷，指出在大陸網絡環境下類似聲音被壓制，轉向X後才敢公開。 反對者則痛批「漢奸」「賣國賊」「分裂國家」，主張中國人應維護統一大業，認為此類表態受西方勢力操弄，損害民族利益。 還有中立網友從歷史角度分析，提及兩岸分治70多年、現實地緣政治、美中競爭下台灣的戰略價值，討論經濟依存與政治分歧的矛盾。 部分觀點聚焦人權議題，讚揚X作為自由平台放大多元聲音；另一些則擔憂極端化，呼籲理性對話避免仇恨。整體來看，這則內容凸顯海外華語圈對身份認同、民主與威權的深度分裂，與近期兩岸緊張氛圍高度相關。 《網言網事》老編的看法 這則貼文看似簡單一句話，卻像一面鏡子，照出當代中國人身份認同的複雜與撕裂。在全球化與資訊爆炸的時代，「我是中國人」不再是單一標籤，而是承載歷史、文化、政治多重張力。@MinMin89485072的表態勇敢，但也反映了部分海外華人對中共治理模式的不信任與對台灣民主模式的認同。 老編認為，這類聲音在X上爆紅，正是因為平台強調言論自由，與大陸嚴格審查形成鮮明對比。真理追求者不會迴避事實：台灣擁有獨立民主選舉、言論自由與多元社會，而大陸則在經濟崛起同時，面臨人權與透明度挑戰。當然，反對者也有理由，民族統一是許多中國人的情感底線，歷史淵源不可抹殺。但用「賣國」帽子扣人，只會加深對立，無助解決問題。 作為人文主義者，老編主張以事實與對話為本：尊重個體選擇，不將群體標籤化；理解兩岸民眾都渴望和平繁榮，而非衝突。AI與社媒時代，資訊流通更快，卻也易助長極端。希望更多人超越情緒，基於人性共通點思考未來。自由表達是進步起點，但理性與包容才是長久之道。這則熱帖提醒我們，華人世界多元聲音值得聆聽，而非壓制。 網友們，你怎麼看這位中國人的公開表態？如果是你，敢不敢在X上這樣發聲支持或反對？

🛡️ Vercel 重大安全事件爆發！幣圈開發者們，這波供應鏈攻擊值得高度警覺！（2026/4/19） 今天 Vercel 官方確認發生安全事件：一名員工使用的第三方 AI 工具 被駭，導致攻擊者透過 Google Workspace OAuth 入侵內部系統。雖然只有「有限子集」的客戶受到影響，但駭客已取得部分未標記為 sensitive 的環境變數（env variables），包括 NPM token、GitHub token 等高敏感憑證！ 更嚴重的是，ShinyHunters（曾搞出 Ticketmaster 大洩漏的那群人）已在 BreachForums 上以 200 萬美元 標價販售 Vercel 內部資料庫。Vercel 擁有 Next.js（每週下載量高達 600 萬次），一旦惡意程式碼被推上去，全球供應鏈瞬間中招！ Vercel 官方已緊急聯絡駭客、聘請 Mandiant 調查、通知執法單位，並公開 IOC（OAuth App ID）。他們也建議所有用戶： - 立即審核 Activity Logs - 旋轉所有 env variables（尤其是 API key、資料庫憑證、簽名金鑰） - 未來務必把重要 secret 標記為 “Sensitive” - 檢查最近的 Deployment，有疑慮就刪除 - 啟用 Deployment Protection（至少 Standard 等級） 🔥 幣圈重點來了！ 現在的 Web3/幣圈，已經不止要防智能合約漏洞了！ 人為疏失 + 第三方工具風險 才是真正的大魔王： 1. 人為疏失：開發者為了方便，把 Google Workspace、AI 代理工具、CI/CD 權限全部串在一起，一個 OAuth 授權就全盤皆輸。 2. Vercel 這類工具：Next.js、Vercel 已經是無數 dApp、前端專案的部署主力。一旦供應鏈被毒化，錢包合約、Bridge、前端 UI 全都可能被植入後門。 這次事件再次提醒我們：零信任（Zero Trust）不是口號，是生存法則。 - 不要再把「方便」當成安全 - 所有 secret 永遠當成已洩漏處理 - 第三方 AI 工具、OAuth App 都要嚴格審核權限 立即行動清單（推薦複製給團隊）： ✅ 檢查 Vercel、NPM、GitHub、所有 API key ✅ 啟用 sensitive env variables ✅ 審核過去 72 小時的部署紀錄 ✅ 考慮把關鍵專案遷移到自管基礎設施或更嚴格的權限控制 Vercel 這次 DM 駭客「拜託停手」的畫面真的蠻震撼的… 這不是單一事件，而是整個開發生態的警鐘！

$edmt @eDMTProtocol 看看什麼叫做早期項目 老實說，從項目本身來看。我覺得他就是一個L2。 雖然他本身不是真正的L2，沒有EVM，但直接在主網上，用主網的evm就好了，而且不需要等待上鏈。用主網得轉帳來傳inputdata，直接受到主網保護，採取一樣的確認區塊冷卻即可。 但就轉帳的效率來看，因為索引是線下的，不用整個上到ethereum的儲存跟運算。gas大降 用disperse分散本地eth，在主網相同的網路低gas條件，費用大概$0.3，用這種inputdata只需要$0.02 而且官方，其實連同explorer一起推出了。 所有一切看起來，他們就是想嘗試新的L2模式，而且直接開源所有代碼。 連各種邏輯，各種必要的說明，都是完整文檔，而且簡單到一個誇張。 而且他們從頭到尾就是說自己是一個協議而不是什麼項目。 但我不確定，這跟之前eths的那波銘文，是完全一樣嗎？ 我記得不太一樣，因為之前是整個銘文，比如說1000顆 無法拆分。 而且你如果有注意到，他們有碎片機制。 轉帳的時候變成碎片要引入一個你擁有的blocknumber。 這其實就是UXTO的一種變體。 只是沒那麼複雜整合到轉帳中。 但所有的碎片可以追蹤到一個blocknumver，背後所代表的burnETH（enat)數量。 而且碎片其實也是一個類似銘文的東西，他也有序號。 所以這一切就是UXTO。為什麼我這麼確認，因為官網一次性只加載你擁有的前1000個序號餘額。 所以這種方式，就不是evm或solana的帳戶餘額模式 他們在EVM上面建立一個類BTC生態。 而且有意思的就是，他們連區塊獎勵都革新了，用ethburn來設計。所以你永遠不知道增量多少，他不是區塊獎勵線性遞減模型。 而且他們還考量到了通膨，所以引入了一個，花碎片餘額去mint的機制。 這應該可以調整，也是一種降低增量的方式。 所以一個不需要Pow挖礦的，卻有所有人都可以mint，也有mint燃燒邏輯。背後卻利用了eth主網的超級安全性 只是這一兩年，L2 的賽道不好 但幣圈，重在參與，重在博一個翻身，而不是翻倍🤣

電報 Managed Bots 讓你兩次點擊就能擁有專屬 Agentic AI 機器人！ 過去，建立一個 @Telegram Bot 要經過 BotFather 繁瑣的設定流程：申請 token、設定權限、寫程式碼、部署伺服器……普通人光是看到一堆指令就頭痛。現在，一切徹底改變了！ 全新體驗：兩次點擊就搞定 只需透過管理機器人（例如 LobsterClawBot），輸入簡單指令： t. me/newbot/SourceBot/你的username 系統就會自動幫你： ✅ 建立 Bot ✅ 管理 token 與 API 權限 ✅ 設定 Agentic 行為模式 ✅ 直接在聊天視窗中啟動 整個過程不到 10 秒，零程式基礎的人也能輕鬆擁有自己的「AI 代理人」！Durov 直接把 Telegram 從聊天 App 變成易用的 AI Agent 平台。 它能主動思考、呼叫工具、執行多步驟任務、與其他 Bot 或用戶互動，甚至在背景持續運作。 這代表：你不再只是「跟 AI 聊天」，而是擁有了一個能真正幫你「做事」的數位分身！ 超多實際應用場景（直接抄去用） 1個人生活助理（每天都離不開） •早上自動幫你總結今日新聞、天氣、交通路況 •智慧排程：讀取你的日曆，自動幫你預約會議、訂機票、提醒繳費 •健康管家：追蹤運動數據、飲食紀錄，還能根據你的習慣推薦食譜 2工作生產力神器 •會議紀錄 Bot：加入群組後自動轉錄語音、整理重點、產生行動清單 •郵件/訊息自動處理：掃描重要郵件、分類優先順序、甚至幫你草擬回覆 •研究助理：輸入「幫我整理 Tesla 最新財報」，它會自動抓取資料、製作簡報大綱 3電商與客服革命 •商家直接在 Telegram 開店：Bot 能即時回答商品問題、下單、查物流、處理退貨 •24 小時無人客服：支援多語言，解決 90% 重複問題，真正做到「永不打烊」 4加密貨幣與 Web3 應用（TG 原生優勢） •交易 Bot：自動監控價格、執行限價單、DeFi 收益農場管理 •錢包守護者：即時通知大額轉帳、風險警示 •NFT 社群管理：自動驗證持有者、發放空投、舉辦活動 5教育與學習夥伴 •個人家教：輸入「用繁體中文教我微積分」，Bot 會循序漸進出題、批改、解釋 •語言練習：每天跟你對話、糾正發音、推薦閱讀素材 •考試準備：自動產生考古題、記憶卡片、弱點強化計畫 6娛樂與創作工具 •遊戲 Bot：文字冒險、策略對戰、甚至多人即時遊戲 •內容創作助手：寫文案、生成故事、配圖提示詞、剪輯影片腳本 •音樂/影視推薦：根據你的心情與觀看紀錄，精準推播 7社群與團隊管理 •群組管家：自動歡迎新成員、過濾廣告、整理討論主題 •專案管理 Bot：整合 Notion/Trello，自動更新任務狀態、@ 負責人 •粉絲經濟：創作者可建立付費私人 Bot，提供獨家內容、問答服務 8未來進階玩法 •多 Bot 聯動：你的「財務 Bot」+「行程 Bot」+「健康 Bot」可以互相溝通，自動協調 •開放 API 整合：開發者能把自家服務直接嵌入 Bot（Durov 已呼籲大家快跟上） •隱私優先：所有資料都在 Telegram 生態內，端到端加密 這波影響有多大？ Telegram 目前有超過 9 億月活躍用戶，這次更新等於把 AI Agent 的門檻直接打到地板。 以前只有工程師能玩的東西，現在變成人人都能擁有的「AI 超能力」。

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。