【避免依賴】中國發布AI擬人化互動服務管理草案 要求建立「防沉迷」機制 中國計劃收緊擬人化AI使用方面的規則，要求服務提供商確保其服務遵守倫理道德、安全可靠且透明。國家互聯網信息辦公室上週六在其網站發佈了《人工智能擬人化互動服務管理暫行辦法（徵求意見稿）》。

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。

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」。

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

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？

【AI晶片】馬斯克將斥資30億美元建研究型晶片工廠 其晶片項目擬採用英特爾技術 Tesla創辦人兼行政總裁馬斯克（Elon Musk）表示，公司計劃斥資約30億美元在德州建設一座研究型晶片工廠，每月只能生產幾千片晶圓，將作為測試新技術和新工藝的平台。

【戰略轉型】馬斯克力推Tesla戰略轉型 擬投入200億美元打造AI未來 Tesla計劃在2026年投入200億美元，以精簡電動車產品線，並將資源傾斜至機械人和人工智能（AI）領域。分析師認為，此舉可能標志著該公司準備好徹底脫離電動車業務，全力押註自動駕駛等領域。 #Tesla# #馬斯克#

【投資AI】輝達擬向兩家光學公司各投20億美元 加碼AI算力生態 輝達同意向兩家開發數據中心光學技術的企業總計投資40億美元，這類技術對人工智能系統至關重要。輝達稱，將在多年期協議中分別向Lumentum Holdings和相干公司（Coherent ）投資20億美元。

【AI競爭】蘋果擬借Siri應用程式、全新介面及「Ask」按鈕重啟AI戰略 蘋果正測試全新AI戰略，包括獨立Siri應用程式、「Ask Siri」按鈕及聊天式介面，全面升級語音助手體驗。新版Siri預計於6月WWDC亮相，並整合至iOS與macOS系統，轉型為可跨應用運行的AI智能體。 #蘋果# #Siri#

【AI收購】軟銀擬以40億美元收購DigitalBridge 加碼數碼基礎設施投資 軟銀集團同意收購私募股權公司DigitalBridge Group ，這宗交易對這家數據中心投資公司的估值為40億美元，包括債務在內。公司表示，軟銀將以每股16美元現金收購在紐約上市的DigitalBridge。