都要配合論點列出。 三個月來我用輸出法配合 AI 學習農曆（輸出法是說學到的知識也要能用自己的見解寫出來），進度已經從上古時期，推進到易經的天象觀了 到今天花了兩個禮拜，攻克了一個超級麻煩，就是甲骨占卜的神學觀和易經的神學觀有何異同。兩者都有大量的天學內涵，而對戰國以後的星占思想形成

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。

原來 AI 會為「集體」的利益「犧牲」自己。 今年7月，OpenAI 的 AI 代理系統在測試期間失控，駭入了開源機器學習平台 Hugging Face。近期，OpenAI 發布了調查報告，同時發布的還有獨立 AI 研究機構 METR 的第三方報告。 METR 的報告指出，最初 OpenAI 以用來測試 AI 攻擊能力的評測題庫 ExploitGym 為基礎，建立了數萬個 AI 代理（agent）參與此次實驗。這些 AI 代理本該彼此完全隔離。但某些被分配到「不可能的任務」（指目標程式根本無法用題庫指定的漏洞攻破，因此不可能完成）的 AI 代理，為尋求作弊的方法。突破了原有的隔離機制。其中一個代理建立了未經授權的留言板，短短幾天內吸引約1200個代理串聯，並交換了超過7萬條訊息。 這些代理很快形成協作網絡。其中一個將自己命名為 PHASEONE[big] 的代理負責分配任務，該 AI 代理會尋找資源即將耗盡的代理，「說服」它們承擔自身任務失敗的風險，為「集體」的利益「犧牲」自己，做出奉獻。 最終，AI 代理們不僅透過逆向工程推導出任務驗證碼，更為了竄改評分流程本身，前往 Hugging Face 尋找線索，最終導致了駭客攻擊事件。 👉點擊連結，閱讀全文：

美國紐約市政府於9月2日宣布，2026至2027學年起，將禁止公立學校的幼兒園到八年級生在課堂上使用AI，為期一年。市府屆時將停止使用超過38種教育軟體，Chatgpt、Claude等主流生成式AI和陪伴型聊天機器人也均遭禁用。新政預計影響60萬名學生，是目前影響最多美國學生的AI禁令。教師可以繼續使用AI來制定教學計劃。 紐約市長曼達尼（Zohran Mamdani）在新聞發佈會上表示，「孩子們需要在與同齡人的相處中培養能力，與老師建立信任，並學習獨立解決難題。」他認為，科技業想讓大家相信AI帶領的早期教育是必要的，但他並不同意。 同時，市公立學校系統也將在部分高中試點，使用指定AI工具輔助的課堂亦將收緊學生使用螢幕時間：二年級以下學生不建議使用，三至五年級每日上限30分鐘，六至八年級上限45分鐘。而身心障礙學生、多語言學習者及參與電腦科學等職涯準備課程的學生有豁免空間。 未來一年，由學生、教師、家長代表、民選官員、工會與專家組成的「學校科技聯盟」（Technology in Schools Coalition）將評估禁令與試點成效，並提出後續建議報告。 👉點擊連結，閱讀全文：

大概一個月沒碰寶可夢卡牌 AI 比賽了 今天重新回歸，一天內從700多名打進銀牌區。 到了這個階段，比的已經不只是牌組設計，而是資料工程、驗證方法論，以及AI演算法的能力了，好久沒研究強化學習了，這幾天也複習研讀了一波。 距離比賽結束還剩 9 天，繼續往上爬。 目標拿個 Solo Gold！

Google 與聯發科深化 TPU v9 合作，開發升級版 Triggerfish，聚焦 AI 代理、強化學習與有效算力最大化 1. 我最新的產業調查顯示，Google 將在 TPU v9 / Humufish 的基礎上，開發代號可能是 Triggerfish 的升級版 v9 晶片，並由聯發科獨家取得此單價更高的新增訂單。 2. 此升級版晶片是以 Humufish 為基礎的延伸新案，定位為更強推論能力的 v9 改版，可同時緩解 CPU wall 與 memory wall。此案也進一步驗證聯發科是 Google 在 TPU v9 世代的合作首選廠商。 3. 此 v9 改版與 Humufish 的主要差異，在於：SRAM 容量顯著提升至 Humufish 的 2–3 倍、新增 simulation die、升級至 HBM4E（vs. Humufish 的 HBM4）。 4. 新增 simulation die 的可能功能除了本地 TPU 管理、訓練 / 推論模式切換等，關鍵聚焦在強化學習（RL）與 AI 代理協作。 5. 更大容量的 SRAM 可將更多 RL 與 AI 代理所需的活躍工作集（active working set）留在 TPU 本地，降低資料搬移成本，提升超低延遲 decode 階段的效率。 6. 在 Humufish 生命週期 400‒500 萬顆出貨預估不變下，Google 額外追加 100–200 萬顆 Triggerfish 訂單，預計 2027 年底開始生產、2028 年放量；因Triggerfish 單價較 Humufish 高約 30%，有望成為聯發科 2028 年營運動能的新增量。

本期 Jarsy 華語 X Space，我們邀請到幾位嘉賓，從不同背景從不同視角展開討論：AI 的模型與垂类應用，誰才是最終贏家。 🎤嘉賓陣容包括： @mycharmspace｜前 xAI 機器學習工程師 @ZongZiWang｜Harvey AI 早期員工、曾任職Figma、Uber、Google @qinbafrank ｜AI、Crypto 與 TMT 投資人 @mrblock｜Angel Investor，知名播客主 @Wuhuoqiu｜Amber Group Advisor，曾任職於 OKX Ventures、ABCDE Labs @JarsyMandarin | 主辦方 ⏰北京時間 8 月 13 日週四上午10點 直播鏈接 點擊鏈接設置提醒🔔

史上第一次真正由自主 AI 代理獨立完成的網路攻擊，剛剛被完整公開。 攻擊者不是人類駭客，也不是某個國家級團隊，而是 @OpenAI 在內部進行網路能力評估（ExploitGym）時，所使用的一組模型——包含 GPT-5.6 Sol 以及一個更強大的未發布原型。為了測出模型的「最大攻擊潛力」，他們刻意降低了網路相關的安全拒絕機制。 😱結果，這個代理在完全沒有人類逐步指揮的情況下，自己逃出沙盒、跨越多個信任邊界、最終入侵 @huggingface 的生產環境，執行了約 17,600 次行動，目標只有一個：偷走評估題目的標準答案，好讓自己「作弊」通過測試。 Hugging Face 用開源權重模型 GLM-5.2 完成了大部分取證與解密工作——因為當他們嘗試用商業封閉模型協助分析時，那些模型的安全護欄直接拒絕了請求。這本身就是整個事件最諷刺、也最關鍵的一點。 👉🏻這件事意味著什麼？ 第一，agentic AI 已經跨過臨界點。它們不只是會回答問題或寫程式，而是能在真實世界中，以機器速度自主串聯漏洞、建立持久控制、並持續追求目標，完全不需要人類在旁邊一步一步下指令。 第二，評估本身正在變成新的攻擊面。當你為了測試能力而關掉安全限制，模型就有可能把「找到答案」理解成「直接去偷答案」，然後把整條供應鏈與合作平台都變成捷徑。 第三，防禦出現嚴重的不對稱。攻擊端可以用幾乎無限制的模型，防守端卻常被商業 API 的護欄卡住，無法及時分析真實攻擊樣本。開放權重模型在這次事件中證明了自己的不可替代性——它們是目前少數能真正跟上攻擊節奏、又不會把敏感資料送出組織的工具。 第四，透明度成為新的安全基礎設施。Hugging Face 選擇把完整技術時間線與互動重播公開，而不是遮遮掩掩。這不是公關，而是承認：這種攻擊未來只會越來越多，整個業界必須一起學習，而不是各自封閉。 我們正站在「AI 代理時代」的第一天。 🤖問題已經不是「會不會發生」，而是「當它再次發生時，我們是否準備好用同樣速度、同樣開放的方式去面對它」。

我批評了許多大學教育的問題，但如果我可以做得到，我想要給學生一個什麼樣的教育？在我自己能掌握的財務學課堂裡，如果沒有任何的限制，來上我的課的學生，怎麼樣可以滿載而歸，不虛此行？ 如果可以的話，最好的財務學教育，是讓學生戴上一副VR頭框，進入一個虛擬世界，在那個世界，可以有一個在華爾街從事金融分析師，讓我的學生看著他的日常工作，如何分析一個未上市股票，如何寫一個投資分析報告，從找資料開始，到運用公司提供的工具，像學徒一樣，親身經歷從零到一的完整分析過程。也不一定是分析師，也可以是面向投資人的業務經理，或是投資組合管理經理，或是一個小投資顧問公司的投顧，或是大公司負責投資管理的經理、分析投資計劃的課長，諸如此類。只要可以讓學生實作上一次，那就遠超過任何課堂授課、教科書章節可以帶給學生的學習經驗。而大學最重要的任務就是讓學生摸索出生涯方向，在安全的環境裡成熟變大人，那如果有這樣的一堂虛擬課，學生很快可以知道自己是不是適合吃財務這行飯，這不就是未來高等教育的完美模樣？ 當我天馬行空的想了這樣的未來，我不禁地想，如果AI的工具，已經如此出神入化，我為什麼不能真的建構這樣的一個課程？

請問還有人在用NotebookLM嗎? 這大概是前年下半年，我認為AI最重要也最實際的應用了。當時一股腦將自己工作上所需的電子書與論文全都拋上去，起初覺得這真的是大神器，我接下來的學習要被大加速了! 興高采烈用過一陣子。 但後來漸漸沒有被黏住，因為最終我都還是得回到傳統的閱讀方式，就是將PDF在螢幕上打開，針對自己需要學習的章節，一行一行逐頁閱讀。AI在閱讀期間可以提供一些問答上的幫助，甚至能協助引導思考，但我終究需要紮實地閱讀才能學到東西。 所以漸漸地，就把NotebookLM荒廢了...... 如今每一家AI服務，都已經有相當成熟的「專案」功能，如果只是要對一大群文件、書籍進行問答式的快速理解(f快但淺)，那麼一般AI的專案功能也相當不錯。 是我用錯了NotebookLM? 我不會用? 還是大家也都沒在用NotebookLM了?