（內含情色內容，未滿十八歲請勿觀看，病了6天，總算快好了。） 很多時候，人們情願相信自己所認知的真相，而不願意相信客觀的事實。 會用自己貧瘠的見識，去解讀一切，甚至相信情色雜誌所編造的獵豔故事。 貌似所有的「真相」，都能串連起來，彷彿自己所看到的，就囊括全部。 但事實上，所謂的合理推論，也許只是憤懣之心的扭曲，用狹隘的眼光歪解現實。 太快得出結論，難免傷及無辜。 但這也沒辦法，小確幸永遠屬於加害者。 . 「可教化」這三個字....他媽的，每次看到都很氣，都快成了條件反射了。 一個鞭刑，大家要的是伸張正義，卑微地希望法律能保護好人。 走在路上都得提心吊膽，天知道後面那台車是不是酒駕、毒駕。 別扯什麼公平正義，只要沒辦法安撫受害者，所謂公平正義，其實也只是口號而已。 熱度過了，特定人士暗戳戳的扭曲認知，沒人持續跟進，幾天後大家忘光光。 然後繼續抓性交易，簡易庭開完直接重罰。 . 同樣是一條人命，10幾年前的大遊行，幾個月內就掀翻軍法體系。 怎料到了今天，一個校園割喉案，40分鐘揭露影片，450萬人氣抖冷，卻不見強力推動修法。 其實廟堂上的袞袞諸公不分黨派，多半只會想到政治算計，無利不起早。 都說要尊重民意，我不由得打了個哈欠。 少事法可沒規定我不能介紹這位海外YTBer@MiAnZhuiZong。 我覺得我應該做點啥吧..... 沒看過的請自行搜尋。 ========================== 女孩子通通都是哄不好的角色。 聊天群正是以此為名，不要預設對手是誰，也不用太過執著。 緣份到了、相聚一刻，哄得好就是你的。 都是成年人了，早已脫離校園的青澀，晨昏定省沒啥鳥用，人家要的是尊重。 上下嘴皮子一碰很簡單，但做起來很困難。 . 茶友、妹子，陸續分享修成正果的經驗，早已算不清有幾組CP自然形成，這是好事。 沒有勉強、沒有為難，喜樂溢於言表，茶魚會笑咪咪的當個傾聽者。 而頻率不對，黯然退場的其實更多。 畢竟誰也不知道，熱度過了之後，未來會不會倒在無止盡的柴米油鹽上。 ======================== 上個月又跑去海洋那邊蹭飯，她買的料理好好吃，但缺點是外送又遲到了。 擺拍難免磕磕碰碰，跟她太熟，反而聽不得若有似無的呻吟聲。 我試圖將蜜唇跟美腿，疊出性感的形狀，但水有點多、疊不起來，計畫最終失敗了。 不小心沾濕的手，暫且先用餐巾紙擦一下，一切等吃完飯再說。（北社） . 水瓶改名字了，中社裡面有資料，請自己查閱一下。 其實水瓶一直以來，都給我很特殊的感覺，像是偶像劇裡面的萬年女二。 顏值身材固然比不過女一號，但奶是真的大，形狀也不差。 眾所周知茶魚最討厭大奶，尤其是像布丁一樣晃動的真奶。 太過用力腰都快斷了，中場休息一下，但手停不下來。 雖然很軟，但也真的很討厭。（中社） 中社另外新增琳琳，南社新增沐沐。 交友=交流，沒事的。 .

Anthropic 揪出了一个庞大的代理网络。 单单这一个节点，底下就挂着整整两万个欺诈账号。 白宫备忘录给这波操作下了一个定义：工业级模型蒸馏。 目标全是对准美国最前沿的 AI 模型。 牛津大学的研究员把这条“中转站经济”的底牌翻了出来。 整个操作手册分三步。 第一步，逆向工程破解官方协议，搭建出 API 代理池。 第二步，疯狂叠加低价区的订阅账号和免费白嫖额度。 第三步，把套来的算力打碎，包装成廉价 Token 在中共国内分销。 这门生意的核心买家，直接指向了中共国的头部 AI 实验室。 他们把这些代理当成了系统性抽取美国技术的白手套。 数以万计的马甲账号在中间做隔离，日夜不停地向 Claude 和 OpenAI 提问。 拿到高质量的回答后，转身就去喂养自家的国产大模型。 十几万个影子 API 趴在硅谷的服务器上。 美国公司花百亿美元烧出来的算力和参数，正被这些马甲一点点往外搬。

上周的存储行情为啥那么疯狂，我猜测是因为三件事情导致华尔街疯狂买入。 1. Anthropic将接入Spacex 300兆瓦算力资源。大幅提升其计算资源规模，使公司得以上调旗下AI产品的使用上限。同时云厂商想自掏腰包给海力士买设备铺产线。 2. Anthropic ARR：26q1已突破300亿美元，超越OpenAI。要知道25年全年只有90亿美金。5 月 6 日的旧金山开发者大会上，CEO Dario Amodei 亲口承认了 26Q1 的惊人表现 3. 上周Anthropic 展示了一项名为 “Dreaming（梦境机制）” 的 Agent 架构。这项技术允许 Claude 在非对话期间（Session 之间）自动审阅工作记录、识别模式并更新存储用户偏好的上下文文件。 这标志着 AI 从“瞬时计算（Stateless）”转向了“持久记忆（Stateful）”。 “Dreaming” 意味着模型即使在不说话时也在后台进行大规模的读写操作。这种“全天候高频读写”将对企业级 SSD 的耐用性和读取延迟提出变态的要求，这直接引爆了市场对存储芯片（尤其是高端 NAND 颗粒）长期短缺的恐慌性买入。而SSD的垄断者依然是三星海力士美光。 三件事共同导致了上周的疯狂而非简单的市场fomo，实际涨幅已经非常“保守”和“理性”。 anthropic租用xai算力资源说明了anthropic当下数据中心已经满载极度紧张。云厂商对AI公司对建设数据中心基础物料需求状态已经让他们疯狂，主动给海力士买产线。 第二点anthropic营收增速说明AI的潜力远超人类想象，存储，gpu，cpu等核心物料供应是线性的，但AI的增速却是远超预期以上的指数式的。 同时资本市场发现很恐怖的一件事情是如果照此增速，2027年上半年Anthropic营收将大概率超远市值一哥英伟达。 那么按照估值和市值计俩者差值就是一年内AI规模还有5倍大部分人认知外的真实增长空间。这5倍空间实现的途径依然是海量的存储和gpu。 第三点则意味着Anthropic现有用户体量不变的情况下，存储需求都还要继续倍增。这个改变不是对gpu，cpu的需求是纯粹的存储需求增量变化。

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。

販毒的黑道常會告誡手下，「不要用自己賣的東西」，我最近找到一個新的例子，芝加哥教師工會的會長，把自己的小孩，送去唸私立學校，拒絕用自己賣的產品。這是很不可思議的虛偽，更暴露出教師工會現在把美國的公立學校弄成什麼樣子。芝加哥的公立學校，是美國數一數二大的學區，但二十年來，學生人數少了近八萬人，教職員卻多了三千人，整體學區預算幾乎加倍，師生比拉這這麼高，資源這麼豐富，教育品質一定好了？沒有，芝加哥公立高中學生達到伊利諾規定的學業水準，只有兩成！州定的標準，已經相當低，還有近八成的芝加哥學生達不到。我有很多芝加哥高中畢業的學生，所以我深受其害，面對這麼多基本算數、識字寫作都有問題的學生，我只能一直放鬆教學內容，連帶影響其它程度好的學生。 公立學校資源一點都不是問題，但工會教師就一直用錢不夠的理由，找到機會就罷工抗議。如果不是家長太過憤怒，讓政治人物害怕，工會原本還要在五一國際勞動節停課，讓學生上街抗議。抗議什麼？名義上是為教師勞動權益，但很多是想拿反川的標語上街。他們要抗議川普是有道理的，芝加哥學區這幾年本地學生巨幅外流，如果不是非法的拉丁裔移民填補了空缺，芝加哥還要少更多的學生，預算還會有更大的問題，所以他們當然要抗議川普抓非法移民。有一個學生告訴我，他的朋友最近經濟發生困難，因為他原本的工作是安置芝加哥的非法移民，拿的是政府經費，結果被川普政府搞到沒有收入。我忍不住問他，你沒有覺得奇怪嗎？我沒沒有說出來的是，幹得好。稅金，就給這些米蟲拿去了。 很多移民來到美國，小孩上學了，就會發現，這國家錢真多。公立學校教室設備一流，公發的電子產品人手一台，學生自由，活潑開放。但時間一長，就發現這是個糞坑，這是個教師工會的社會福利機構。老師經常請假，代課老師只會點名，上課時間很少，管秩序時間很多，老師的精力，都花在處理少數具有破壞性的學生，好的老師不敢管教學生，壞的老師不懂教學，浪費學生時間，再不然就整天講黑命貴、川普種族主義、LGBTQ權益，每日上課時數極短，每年上課天數極少。然後一天到晚道德綁架家長，只有他們懂教育，只有他們最辛苦，只有他們收入最少。但讓我講一個很多人不知道的事，大部份的美國公立學校教師，不用繳Social Security，這個僱主和員工合繳12.4%的稅，老師是不繳的。 工會殘害美國至巨，但要怎麼改革這個問題呢？目前有一個聲音是要在最高法院打官司，禁止教師成立工會。這有法律上的道理，因為如果反拖拉斯的目的是反對商業市場壟斷，那教師工會在實質上也是在就業市場壟斷，同樣是傷害消費者行為。進行這個訟訴也有政治上的道理，因為民主黨和教師工會交相苟且，一個把會費金錢輸送給政黨，一個用政黨控制政府的能力，保證工會的利益。這就是芝加哥教師工會這麼囂張的原因，如果把教師工會判為違法，那是一石二鳥。但也因為這個關係到民主黨的權力掌控能力，所以民主黨一定會誓死而反對。 但更重要的是，我認為把工會廢了，公立學校也救不回來。美國沒有什麼師範學校，普通大學畢業，上個教育學程，滿足州的教師規定，就可以當老師。此前，女性受到歧視，工作機會不多的時候，很多優秀的女性，想要展長才的女生，很多都當了老師，因為那是少數女生能在職場發揮的地方，而因此，美國以前公立學校的品質非常高。但這個壓抑女性的社會問題大致解決了，公立學校的老師也失去了優秀人材的管道。現在在大學唸教育的，通常是其它學門唸不來的學生的最後選擇，有統計說，美國大學的專業裡面，平均智商最低的就是教育系。當然少部份學生是為了理念去唸教育，也很有能力，我常在鄉下來的高中畢業生裡看到這種學生，但他們很快就被丟進一個不需要太認真就可以畢業的環境，很快就向下平均去了。在逆向淘汰的情況下，造成公立學校教師資質越來越差。這一點，就連廢掉教師工會也救不回來。 所以，最好的解決方法，是讓工會徹底把公立教學搞砸，那就會有更多納稅人要求開放教育券的發放，鼓勵私立和特許學校的成立。我們愛荷華州這幾年在共和黨的全面執政下，教育券得到充份實施，私立學校像雨後春筍一樣，紛紛冒出頭，也順帶推倒許多品質江河日下的公立學校。私立學校並不一定好，但有競爭才會有進步，才會想要嚐試教學的新作法，在這個AI改變人類生活的時代，我們更需要這種民間的競爭，來導入AI教學，提高教學品質。因此，我非常支持這些混蛋教師工會的惡搞，越惡搞，越加速公立學校的死亡。

人工智能（AI）相关投资对美国GDP增长的直接贡献显著，预计将从2023年的0.3个百分点攀升至2026年的1.0个百分点以上，但扣除计算机及外围设备的大量进口后，其对GDP的净贡献则温和得多，预计在2026年和2027年仅为0.15和0.18个百分点。 来源：摩根士丹利

给AI Agent打钱发行资产的方式真是太有趣了！原本想着AI Agent结合区块链可验证架构实现自主管理资产、自主实现意图交易，自主跨链无缝交易，但明显距离这个愿景还很远，但aipool出现用来做预售、防跑路和防MEV，不也是对当前DeFi体验的一种升级？远的不说，近在眼里的大利好得说说： 1）aipool的整体工程实现并不复杂，用户向AI Agent的钱包地址发送SOL（非CA地址），该地址在TEE环境下生成私钥并预设访问权限管理Pool。当到达一定条件好，AI会在链上DEX自动创建流动性池子，并向符合条件的参与者分发代币，收集到的交易费用汇聚到AI钱包； 2）整个过程跟之前风靡的KOL打钱Fi别无二致，区别在于，这一轮打钱FI是AI Agent驱动，AI Agent自主掌控私钥地址（无法跑路），AI Agent自主创建交易池（设置白名单，资金分批解锁、初始价格设定，使用预言机定价等等）降低被MEV套利的影响。 如何让AI Agent自主生成私钥，AI-Pool用了 @PhalaNetwork TEE技术解决方案，大致流程是： 1、在Secure Enclave安全飞地中生成私钥，私钥不会离开TEE环境，同时所有签名操作只在TEE内完成； 2、TEE可定义一套可验证的交互通信规则，外部可实现远程认证、交易验证和实时状态监控，相当于可以用链的去中心化共识（智能合约、透明可追溯）来管理调度TEE中的资产，Phala Contract就可以运行在TEE环境中进行离线计算并于外部链进行交互，实现多链互操作； 尽管Phala Network在上一波AI 叙事中的表现并不算抢眼，但有一说一，在AI Agent接轨TEE实现安全资产托管能力，在把去中心化链共识治理和智能合约调度和AI运行环境集成起来这件事上，Phala的AI Agent解决的方案得到了ai16z这个庞大新商业IP的采用，想象一下子就打开了。 3）AI Agent被纳入“交易特性”一直是市场期待中发生的事情，但现在的AI Agent能自动化执行一些预编程逻辑不出错已经难得了，真正到达自主发掘自主发现交易机会、自主决策、自主止损止盈等阶段还很早。这需要很多分布式链共识层面的支持： 比如，能否有一个去中心化Oracle实时精准喂价？能否有一套适配AI Agent的DA数据可用性解决方案？能否有一套去中心化治理验证方案？能否有一套可处理大规模多场景意图交易的Solver Marketplace等等。 由于，AI Agent的工作流程避免不了调用链下GPT4等API接口，因此，这套适配AI Agent的链一定要同时解决链下+链上的融合问题。这很Make Sense，旧的链infra也需要融合链下寻找全新的增长契机，AI Agent全新叙事会加速链上和链下世界的融合。 但，我想说，AI Agent + Chain目前还是这一波AI叙事目标中的星辰大海，以现在AI Agent可自主化程度还远远不能及。 不过，聚焦到眼下，AI Agent仅能从一大堆发诈骗币，Rug Pull作恶的惯犯手里抢到“资产托管权”就已经功载千秋了，那么，一个跑满AI Agent的PumpFun出来？一个开源增强版的Virtual开放平台来临？一个专门服务AI Agent的DeFi新市场也会同步刷新？.....控制住不去臆想了。 总之，我来点个引线，至于AI Agent+DeFi、AI Agent打钱Fi、AI Agent融合链有多少新奇好玩的东西出来，让市场的接下来的“爆炸”来佐证。 ⚠️：下面转推的链接仅供参考，不要再打钱了，别让AI 为难。。😅 Note：大家觉得文章有用烦请“一键三连”支持为谢，认可我持续干货内容输的朋友，可以Follow一下，也可访问我推特首页点击Substack专栏订阅一下（目前还免费），更多深度专业的投研和分析内容，尤其是不适宜在推特公开分享的内容，会在那里看到。

全球造船业订单量自2023年起持续回升，以补偿吨（CGT）计算的总订单量已接近1.8亿，同比增长率在2026年初达到约20%，显示出强劲的复苏态势。在这一背景下，新订单的市场份额格局发生了显著变化，中国船企承接的新订单占比从2023年的约50%持续攀升至2026年初的近70%，而韩国的市场份额则从同期的约40%下滑至25%左右。 来源：法国外贸银行

年纪大了真可怜 子女多了不孝顺更可怜 外婆快90了，子女5个 两个儿子三个姑娘 现在生病了 就我妈跟二姨妈管 今天去接外婆她晕车，提前准备了袋子 还是吐车上了 小心翼翼生怕我妈说她 我妈拿纸默默擦干净了 我也说没事 自己两个儿子平时就谁赡养老人还各种计算 两个儿子的媳妇又跟母老虎一样 儿媳妇像老的，老的在她们面前像小的 几个女婿也厉害 都说儿子不管你姑娘急什么 问题两个儿子指望不上，姑娘再不管 老人死家里都没人知道 外婆去大姨夫家，大姨夫吼我外婆跟吼小娃子一样 所以平时过年拜年我这些长辈都去打电话拜年 大姨夫这边，我几年没打一个电话 算是看明白了 儿女若不孝，再多也无用！ 父母年老在他们那里就跟流浪的包袱差不多 亲人同样也就是个名，人品不行的 该断还是得断 来往的也没意思

再解释下以前为什么奉行OI/MC数据。以下文章oi都按照单向计算。 假设某个币有1000市值，你手上有900现货，并且开了200合约多单，这时候你去拉盘，是一定稳赚的。因为不管拉到多高，现货持有人不管多高砸给你，你的多单对手盘，持有空单的人会亏的更多。（假设合约和现货价格一样），他们爆仓的时候，就是你结算盈利的时候。 那这是庄的第一视角，以外部来看，第三视角。这个市场是纯在套利者的。他们可以持有现货同时持有空单。所以我们无法确定做空的人是否是裸空，是否会投降 那如果oi＞mc，那就表明，即便所有的现货持有人都是套利者，那也一定有人裸空，而一般这么大的比例的oI/mc基本都是庄开出来的，所以会认为有操盘。 但是现在一开始看到的数据是错误的，oi要除以2，那么oI/mc的逻辑在大多数时候都不成立了。