我寫了 132 則留言,幾乎沒人回,為什麼還是繼續寫?
如果把留言有沒有人回當成成效,作者寫了 132 則留言,幾乎都像石沉大海。但他留言不是為了得到掌聲,而是會仔細看別人的作品,找出算錯的數字或值得商量的地方。作者發現,對方常會透過電子郵件、後續文章或 GitHub 問題修正內容、道謝,有時也會指出作者自己的測量或想法有錯,讓他學到新東西。這些留言就像替彼此的想法做檢查,也能讓下一篇文章寫得更扎實;作者因此提醒,留言適合用來交流和互相挑錯,想讓更多人看到文章,則要靠其他方式。
如果把留言有沒有人回當成成效,作者寫了 132 則留言,幾乎都像石沉大海。但他留言不是為了得到掌聲,而是會仔細看別人的作品,找出算錯的數字或值得商量的地方。作者發現,對方常會透過電子郵件、後續文章或 GitHub 問題修正內容、道謝,有時也會指出作者自己的測量或想法有錯,讓他學到新東西。這些留言就像替彼此的想法做檢查,也能讓下一篇文章寫得更扎實;作者因此提醒,留言適合用來交流和互相挑錯,想讓更多人看到文章,則要靠其他方式。
兩組能力一樣好的工程師,可能做出很不一樣的軟體,關鍵在公司或專案獎勵他們什麼。靠訂閱費賺錢的公司會在意使用者願不願意續約,因此可能把心力放在讓人留下來的功能上,例如不方便搬走的資料格式;開源專案則靠更多人使用、接手和延伸來累積價值,所以常會重視方便攜帶、好修改的設計。 這不代表哪一邊一定比較好。公司要讓產品可靠,開源維護者也希望大家願意使用;但兩邊的收入和人力來源不同,久了就會做出不同選擇。想猜一套軟體為什麼這樣設計,可以先看看誰在付錢、他們希望得到什麼。
廣義黎曼猜想的證明手稿原本打算再花一年完善,並徵求更多數學家意見後才發表。投入這個問題 12 年的數學家 Alessandro Maria Masullo,因 Anthropic 發表相關宣告,決定提前公開手稿;另一名數學家 Brian Conrad 正在審閱。Solidot 表示,這份手稿沒有使用 AI 工具,由人類完成。提前公開的是一份仍在審閱中的手稿,材料沒有說明其證明已獲其他數學家確認。
EPMOS 的每日整理列出多則科技訊息,包括 Anthropic 宣佈 IPO 完成、OpenAI 提到要防範對抗式知識蒸餾,以及 TechCrunch 報導有新創團隊聲稱解開黎曼猜想。部分 Hacker News 熱門話題還在等原始資料確認,因此只列為觀察,不當成已證實訊息。這份整理也提醒讀者,有些來源當天無法查證;EPMOS 對市場與技術趨勢的看法,則屬於自己的推測,不是已確認事實。
Anthropic mathematician Levent Alpöge claims he and Claude proved the Riemann hypothesis, formalized in Lean and still unverified - OpenAI agents now finish 46% of two-to-four-hour research tasks, and METR says agent time horizons double every 3.6 months - Thinking Machines Lab's Inkling 2 Mini: a 26B open-weight model with 3.4B active parameters, a million-token context, running in about 20GB - Perplexity Computer lands inside Chromium browsers, and Perplexity is testing Gemini Neon as its de
Apollo 的 Marius Hobbhahn 主張,像 OpenAI 這類實驗室內部需要進駐式評估員(embedded evaluator),才能及早捕捉短時間軸下的 AI 接管風險;但這項試辦計畫以員工白名單限制接觸範圍,使評估員無法自發性地取得存取權與資訊揭露。
What if your AI agent could find the people you should know before you even start looking? Cosign is building a professional network around reputation and trusted recommendations, and now agents can use that network too. MTS host Sophia Dew sits down with a16z’s David Booth and Cosign’s Bella Nazzari to discuss what they’ve learned since launching Cosign, why traditional profiles often miss the operators doing the most important work, and how the Cosign Awards are surfacing talent through the pe
一位在美國有 15 年經驗的資深軟體工程師,失業兩年後仍找不到工作,存款也快用完,於是在 Hacker News 詢問下一步該怎麼走。留言者分享的做法各有不同,有人建議聯絡以前共事的人、參加聚會或找小公司接案,也有人談到做個人專案、轉做水電等技術工作,或先靠臨時工作維持收入。討論也呈現不同看法:有人認為作品集能幫忙說明履歷空窗,也有人說招聘者往往更看重過去的工作經驗與人脈。
學新程式語言不只是多學一套寫法,也可能讓人用不同角度解決問題。Clojure 是 Lisp 家族的一員,鼓勵把程式碼當成資料來處理,也能用一連串簡短步驟整理大量資料。像是從購物車找出已結帳的商品,依部門分組並加總營收,程式寫起來就像在告訴電腦要怎麼整理資料。Clojure 也用不容易被意外改動的資料結構,讓多個工作同時進行時更好管理。即使將來不拿它做正式專案,學習 Clojure 也可能讓你想到用 Perl 等其他語言解決問題的新方法。
AI 助理能替人動用錢包,光說「我做完了」並不能證明它真的照規矩辦事。Kasibat69 的人類操作者先訂好安全規則:每筆交易都要先預覽,只有一項例外能自動進行——AI 助理每小時只能呼叫一次指定合約的 claim(),而且至少累積 140 $PXIO、預覽沒有異常、錢包仍有足夠 BNB 時才能領取。到 11 月 21 日,這項工作已領取 14 次、共 2,189.63 $PXIO,每次都有交易紀錄可查;需要額外核準的升級則因風險檢查沒通過而停止。 交易紀錄能證明錢有移動,卻不能直接證明 AI 助理當時是依照規則做決定。zkVerify 的 Proof Gatekeeper 要求 AI 助理在核準或拒絕付款時,同時交出零知識證明,讓平臺確認它有遵守事先訂好的條件,卻不用公開內部做法。這能讓別人更容易查證 AI 助理有沒有守規矩;但規則訂得好不好,仍要由人來負責。
本集以輝達執行長黃仁勳辭任、接班人、股價與中國監管走向為主軸,論述新興雲端業者的倒閉風險與迴圈交易疑雲,將使輝達前景蒙上不確定性。
電話分析工具要看接電話的是誰:AI 助理接聽時,Agnost AI 會讀完整通話文字,照你寫的規則檢查有沒有辦好事,也會找出通話卡住、工具出錯或客人不耐煩的情況,再用 Slack 或電子郵件提醒。真人接聽時,銷售電話可看 Gong 或 Chorus,客服中心可看 Observe.AI 或 CallMiner;想知道哪個廣告帶來電話,可看 CallRail 或 Invoca;想把分析功能放進電話系統,則可看 Dialpad。 例如,CallRail 每月 $50 起,能協助小型企業檢視來電摘要、客人情緒和來電來源;Agnost AI 每月免費分析 1,000 筆事件,但它只看文字,無法判斷說話語氣或停頓。這些工具各有適合的電話型別,挑選時先想清楚誰在接電話,以及你想用分析結果改善什麼。
網頁搜尋結果常把不重要的內容放在前面,小型模型可能看到一個像答案的線索,就直接作答,不再開啟網頁確認。作者用 12 個問題比較完整網頁文字和只顯示標題、連結及前 200 個字的搜尋結果:完整文字答對 22 題,縮短版答對 20 題。像是問題問團隊方案的每人價格,縮短版先露出個人方案的 $8,模型就答了 $8;正確答案 $12 藏在網頁更下面。 縮短版每題用的 token 較少,但模型更常重新開啟網頁,到了第三輪,提示內容反而比完整文字更長。這次測試只做到三輪,不能直接代表更長的工作流程;不過結果顯示,縮短搜尋結果只有在它保留答案時才有幫助。答案可能藏在下方時,模型得先開啟網頁確認,不能只看前幾個字就作答。
兩種服務都標榜支援 x402,AI 助理卻不一定能用同一種方式付款。minia2a 比較了錢包簽署 USDC 和 AWS 帳單付款:前者由持有相容錢包的人在 Base 付款,後者需要啟用付款連接器的 AWS 帳號,並向核准的賣家購買。文章也說明,兩種方式的退款分別由賣家自己的紀錄處理,或透過 AWS 帳單調整。作者根據自家平臺資料列出 420 筆鏈上付款和 200 筆退款,也提醒開發者逐筆確認付款要求、身分條件和退款方式;文中 AWS 端的說明來自公開資料,作者沒有實際測試。
Logan Wright 主張中國經濟正在衰敗而非崩潰,他梳理銀行出資的信用擴張與地方政府誘因如何造成路徑依賴式的過度投資,並指出難以置信的 5% GDP 成長率掩蓋了日本式的資產負債表衰退。
OSTA O1 Pro 和華為 Pura X View 用了相近的核心硬體,但首發價格已接近 Pura,讓不少人質疑它為什麼不賣便宜一點。雷科技認為,華為想讓 OSTA 星芒走出不同路線,把 AI 互動放到手機操作的核心,而不是隻做更便宜的 Pura。文章也拿 FreeClip 作比較:當年高階耳夾耳機選擇少,現在 AI 手機已有不少競爭者,OSTA 星芒還得讓人看出自己的特色。它的闊直板設計能否找到長期需求,也會受到其他品牌跟進影響。
做海報、選單時,AI 常把自己編出來的文字弄得像亂碼。作者用同一套方式測試 Grok Imagine Image 2.0:每個提示詞只生成一次,不重抽;七次都通過,其中一張海報的演員名單和工作人員名單,全是模型自己編的,每個字都看得清楚。測試共花 64 credits,約 $0.42。Grok 也能照提示保留人物的臉和衣服,再把背景換成夜間街頭慶典;但每張圖要 74–85 秒,只輸出 JPEG,最多可用三張參考圖。這次結果顯示,它能處理其他模型容易出錯的自創文字,但使用時仍要看工作需要和功能限制。
大家擔心 MCP 工具的說明文字藏有提示詞注入,讓 AI 助理照著惡意指示行動。作者掃描近 13,000 個伺服器、超過 22 萬項工具說明,沒有找到要求模型忽略原指示或藏入不可見字元的案例;少數提到敏感檔案的專案,檢查後也都是正當用途。更常見的情況是工具本來就能接觸憑證、執行程式或讀取本機檔案。作者提醒,連線伺服器前應先看懂工具清單,確認它需要哪些許可權;這次掃描只檢查文字說明,不能判斷工具實際執行時會做什麼。
As read by George Hahn. https://www.profgmedia.com/p/there-is-no-business-god Learn more about your ad choices. Visit podcastchoices.com/adchoices
陳凱(Kyle Chan)認為,習近平將高科技自主置於消費刺激之上,推動了中國的 AI 與半導體攻勢;儘管微影裝置與 HBM 仍是瓶頸,華為與 DeepSeek 仍繞開了出口管制。
Can Chinese tech companies help the country achieve technological self-reliance while keeping up in the AI arms race? On this episode, we speak with Kyle Chan, a fellow at the Brookings Institution’s John L. Thornton China Center and author of the High Capacity newsletter, about Beijing’s response to the global AI boom and the tensions between Chinese companies’ commercial ambitions and the government’s long-term plans. He explains how companies draw on shared expertise and supply chains to expa
Hakuro Matsuda さんをゲストに迎えて、Nvidia, Jensen Huang, Anthropic IPO などについて話しました。 Show Notes NVIDIA Announces CEO Transition Who Is Alice Huang, the Woman in the Middle of Nvidia’s Spy Scandal? NVIDIA: Statement From NVIDIA Board of Directors Former Nvidia CEO Huang had a relationship with a second employee, sources say Trump says ex-Nvidia CEO Jensen Huang's affair with an alleged Chinese spy did not threaten national security Stand with Jensen: An Open Letter to The NVIDIA Board of Directors Nvidia's
MCP 伺服器公開工具清單,可能讓連線的 AI 助理知道有哪些功能可以使用,但公開清單不等於能直接呼叫那些功能。作者引述一份盤點:研究者檢查官方 MCP Registry 背後的 30,402 個主機,在有回應的伺服器中,62% 會向未登入的使用者端列出工具;部分工具被標示為可能破壞資料或造成變更。這份資料沒有顯示 AI 模型遭到入侵,也無法判斷匿名使用者能否真的執行這些工具。作者建議伺服器加入驗證、預設採唯讀,並確實限制具破壞性的操作;使用 AI 助理的人也應確認伺服器是否可信,因為列在官方 Registry 不代表安全。
AI 助理能不能自己做研究,除了看模型表現,也得看人在哪些地方出手。作者讓 Claude 從空資料夾開始設計、訓練模型,並在每次測試前先寫下預測和通過標準。三個關卡中,兒童故事和西洋棋都沒達標;在 HellaSwag 測試中,模型分數高於 GPT-2 small,但它的引數量是對方的 2.8 倍,和同尺寸的 GPT-2 Medium 相比大致打平。作者也檢查出部分測試題出現在訓練資料中,排除後分數仍高於 GPT-2 small。這次實驗顯示 Claude 能依明確規則執行工作、記下失敗,但選擇研究問題和處理重要決策仍由人負責。
推薦理由:這場實驗把預先訂好標準、記錄失敗和人類介入的過程攤開,呈現 AI 助理能完成明確研究任務時仍需要人決定問題。
有人聲稱和 Claude 一起找到了黎曼猜想的證明,但這份成果目前還不能算是已確認的證明。數學家 Levent Alpöge 公開了 Lean 4 程式碼,讓電腦逐步檢查數學推理;檔案共有 17,374,215 行。Andrew Sutherland 回報程式碼可以編譯,但完整建置尚未完成,因此每一步是否都正確還沒確認。審查者也得先確認程式碼描述的定理確實是黎曼猜想。文章指出,這份可供檢查的檔案公開後,驗證工作能由更多人一起進行;但作者表示自己還沒完全理解論證,接下來仍需要完整建置、檢查定理內容,以及寫出人類看得懂的證明。
推薦理由:Lean 能檢查證明每一步是否成立,但完整建置尚未完成;這起事件呈現機器可檢查的數學成果如何先於人類理解。
新手工程師的程式需要修改時,主管直接接手雖然能更快完成工作,卻可能讓對方不知道哪裡需要改,也失去完成自己作品的成就感。比較好的做法是留下修改建議、問問對方怎麼想,再讓他自己動手修正;例如,先問他兩個不同的 GitHub runner 同時更新 Terraform,可能會發生什麼事,讓他自己看出問題。 遇到正式環境故障、嚴重資安問題或不能延誤的期限,主管可以接手處理,但要說明原因,事後再帶工程師看懂改動。若每件事都被當成急事,團隊就少了學習機會,最後大小問題都得等主管處理。主管的工作不只是修好程式,也包括幫身邊的人逐漸學會自己解決問題。
Former Biden administration AI advisors Ben Buchanan and Tantum Collins join Nathan to discuss their book, The Bitter Struggle, and their experience shaping U.S. policy on compute supply chains and export controls. Drawing on their backgrounds in government and DeepMind, they unpack the geopolitical strategy of building an allied compute lead over China in order to spend that advantage on safety. The conversation probes the clash between frontier lab idealism and national security, bilateral tal
Ben Buchanan與Tantum Collins主張,美國應透過限制中國取得算力來建立AI領先優勢,再把這份優勢投入安全,同時也坦承川普時期的執法鬆懈,以及民主監督的必要性。
企業把檔案切成一小段一小段,再讓 AI 助理搜尋,常常找得到相關文字,卻不一定能回答需要多種資料的問題。文章認為,問題在於文字片段不等於知識;像「ABC Pro 何時上市、售價多少、何時新增 RAW 影片功能」,其實是幾種彼此相關的資訊。 作者以 LLMWiki 為例,提出先把資料整理成能互相連結、持續更新的知識頁面,讓 AI 助理依問題查產品、政策、訂單狀態和資料來源。穩定的企業知識可讓模型學習,會變動的價格、政策和即時狀態則交給 Wiki、資料庫或 API;RAG 仍可用來找原始檔案作為證據。這樣一來,企業 AI 助理就不只是在檔案裡找相似句子,也能根據整理好的知識回答問題。
Artemis 共同創辦人 Jon Ma 表示,約半數個人身家已配置在 Anthropic,並看好它未來市值上看 10 兆美元。他原本打算把股票集中在 Anthropic、Alphabet、Meta、Nebius 和輝達,但後來補充,自己仍保留部分比特幣,以備美國發生極端經濟風險時使用。公開的投資組閤中,Anthropic 佔 52.1%,輝達佔 11.4%。不過,Ma 也透過投資工具持有 Anthropic 的經濟利益,Artemis 本身也是 Anthropic 的客戶;他的看法和投資佈局有直接關係。
Claude 帶來的收入快速增加,但要花多少錢提供服務、訓練模型和維持運作,並不是同一筆成本。作者整理 Anthropic 的上市說明書指出,2026 年前 9 個月,每 1 美元營收約有 14.5 美分用來服務付費客戶;按作者計算,毛利率為 85.5%。不過,公司整體仍有 12.6 億美元營業虧損,主要算力支出還包括模型研發與內部使用。說明書也列出約 9,009 億美元的算力與基礎設施採購承諾,並指出算力供應吃緊,短期採購成本較高。這些數字讓人看見,服務成本下降不代表整體營運支出同步減少。
推薦理由:這份分析拆出服務付費使用者與模型研發的算力成本,並對照營收、虧損和長期採購承諾,呈現 Anthropic 成長背後的資源壓力。
談 AI 泡沫時,投資人、創業者和學生問的其實不是同一件事。作者分別討論投資會不會大跌、AI 技術會不會消失,以及個人的事業或職涯是否只靠眼前的熱潮。他提醒,雲端大公司的 2026 年資本支出估計約為 $660 billion 到 $800 billion,花費和收入能否跟上仍有疑問;但網路泡沫破裂後,網路技術並沒有消失。他也分享打造 Rafu 的經驗:這本給小店使用的帳本不必連網,也不依賴雲端 AI。對個人和產品來說,理解真實需求、解決難題,以及不繫結單一供應商,可能比追著某個工具跑更能撐過市場變化。
想帶輕一點的裝置出門寫程式,平板看起來很方便,但開發時常需要跑 Docker、架本機伺服器,還得能離線工作。這篇比較 iPad Pro M4、MacBook Air M4 和 Surface Pro 11,結論是 MacBook Air 最適合當日常開發電腦:工具在本機就能跑,電池也最耐用。Surface Pro 11 已能在 ARM64 上跑常見開發工具,也能用 WSL2,但遇到只支援 x86 的程式時,還是可能變慢或出問題。iPad Pro 雖然最輕、螢幕也漂亮,卻沒有本機 Docker,寫程式多半得靠網路連到遠端伺服器;只有主要用 Swift,或工作完全在雲端進行的人,才比較適合拿它開發。
Anthropic 的數學家 Levent Alpöge 表示,他和 Claude 可能找到黎曼猜想的證明,但這項主張目前還沒經過獨立驗證,也沒有同儕審查。他公開的是用 Lean 4 寫成的形式化證明程式碼,數學家可以檢查程式能否通過,以及程式所證明的內容是否真的是黎曼猜想;即使通過檢查,仍需要有人理解並說明其中的數學想法。文章也提到,Stanford 另有研究者傳出提出一份證明,但目前公開資訊很少。現階段可以關注檢查進展,還不能把這項主張當成已證實的數學成果。
推薦理由:這項主張已有 Lean 程式碼可供檢查,但程式能否通過、定理是否對應原問題,以及數學家能否理解證明,仍是不同關卡。
想去美國工作或創業的人,常會遇到簽證選擇多、審查時間長,也不確定申請是否變難的問題。移民律師 Peter Roberts 在問答中分享事務所的觀察:O-1 申請量增加,核准率仍高,但補件變多,領事館面談也更常遇到挑戰;NIW 目前審查嚴格,他們只在少數情況下承辦。H-1B 的 10 萬美元費用目前沒有生效,但未來可能出現類似費用。這些回答呈現不同申請途徑的近況,也提醒申請人個案條件和審查階段都會影響結果。
網路上有人把《GTA》歷代發售時間和金融動盪排在一起:像《GTA 1》發售的 1997 年遇上亞洲金融風暴,《GTA 4》發售的 2008 年則碰上金融海嘯。這次《GTA 6》在臺北時間 11 月 19 日發售,恰巧和 Anthropic 登陸那斯達克同一天,於是有人開玩笑猜 AI 泡沫是不是要破了。 不過,遊戲何時發售和金融危機沒有實際因果關係,這種對照比較像網路迷因,反映大家對市場起伏的緊張。文章提到,投資人真正關注的是 AI 公司的估值、資金流動,以及 Anthropic 上市後市場怎麼替新股定價;《GTA 6》究竟只是又一個巧合,還有待時間驗證。
Horizon3 技術長 Anthony Pillitiere 主張,像 Jade Puffer 這類以 AI 驅動的攻擊者,會大規模利用既有、尚未修補的漏洞,因此累積的資安債已成為會衝擊營運的可用性風險,而非需要新漏洞才能得手。
The model builds the strategy. It writes the backtest. Then it declares the results brilliant. But who is checking the work? Niels Kaastrup-Larsen and Rob Carver confront the seductive promise of AI-powered investing, where faster research can also mean faster mistakes. From the dangers of overfitting and crowded trades to the growing ambition of self-driving investment portfolios, they explore what happens when technology begins to replace human judgement. Along the way, they challenge conventi