矽谷輕鬆談 Just Kidding Tech

如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join這個禮拜應該很多人跟我一樣，瘋狂被 Cybercab 洗版。沒有方向盤、沒有踏板、沒有後視鏡，而且已經正式在奧斯汀載客。從概念車走到真的有人可以搭，我覺得這確實是很大的里程碑。但大家都在看車子怎麼自己開，我反而覺得 Cybercab 更大的革命藏在工廠裡。這是特斯拉第一次真正用 Unboxed 開放式模組製造流程量產一款全新的車。傳統汽車要讓整台車沿著產線移動，很多零件還得裝上去又拿下來；特斯拉則是把不同部位分開製造，最後才組在一起。如果這套方法真的走通，影響的可能不只是 Cybercab，而是汽車到底應該怎麼被製造。至於它為什麼比無人載客本身更讓我在意，影片裡會好好聊到。Cybercab 能這麼快上路，某種程度上也是採取了先上車後補票的策略。特斯拉認為這台車符合聯邦規範，所以先開始商業載客；同一天，NHTSA 也立刻啟動調查。之前 Zoox 走過非常相似的路，審查了 21 個月，最後還是得改走豁免。特斯拉是不是也會走上類似的路，以及這會不會限制 Cybercab 接下來的擴張，現在還很難說。另外一個很多人沒有注意到的地方是，無人車並不是真的無人。Cybercab 遇到施工或不確定的路況時，背後的 Mission Control 可以在地圖上提示路線，也能遠端解鎖車門、打開行李箱，必要時聯絡 911。真的卡住時，遠端操作員甚至能在低速狀態下移動車輛。不過遠端操作可以做到什麼程度，其實有非常明確的限制。如果連這些方法都解決不了，最差的情況還是得派人到現場。車裡沒有駕駛，不代表整套服務背後不需要人。所以判斷一支無人車隊能不能賺錢，我自己會看兩個數字：車子多久需要人類介入一次，以及一個遠端人員到底能管理幾台車。Waymo 曾經透露，大約用 70 名值班人員管理 3000 台車，比例差不多是 1 比 43。特斯拉目前沒有公布類似數據，而且這還沒有算進清潔、充電、維修和現場救援的人力。少了這兩個數字，其實很難判斷我們現在看到的是技術上的突破，還是一門已經能夠大規模運作的生意。這也是為什麼我不認為大家很快就能買一台 Cybercab，睡覺時讓它自己出去載客賺錢。奧斯汀的小規模商業車隊，跟一台私人 Cybercab 可以離開限定範圍、想去哪裡就去哪裡，是兩個完全不同的難度。真的出事時誰負責？誰來遠端支援？如果特斯拉隨時都能看到私人車輛的狀況，又會不會產生新的隱私問題？這中間有些困難，甚至不是把自駕技術繼續做得更準就能解決的。以現在的進度來看，我認為 3 到 5 年內幾乎不可能實現。特斯拉如果能在 10 年內讓一般人買 Cybercab，並在不用車時把它加入車隊賺錢，我就覺得已經是非常大的突破。不過這不代表我看衰特斯拉。現在特斯拉 Robotaxi 的規模大約還落後 Waymo 20 倍，但 Cybercab 的車輛成本更低，也不需要進入每座城市前都先繪製高清地圖。一旦跨過前期門檻，它的擴張速度確實有機會突然拉高，甚至超車 Waymo。我也不認為特斯拉和 Waymo 現在是你死我活的零和競爭。這個市場目前總共也才幾千台車，兩家公司現階段更需要一起讓大家習慣無人車。更現實的是，只要任何一家發生重大事故，都可能一起改變大眾信心和政府監管的態度。Cybercab 已經證明自己不是停留在發表會上的概念車，但從正式載客走到大量普及，中間還有很多問題沒有答案。這集就來聊聊它已經完成了哪些突破，以及馬斯克所說的「睡覺賺錢」，離我們到底還有多遠。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭：Cybercab 正式進入商業載客(01:04) 沒有方向盤和踏板：真正的專用無人車(02:04) 大家都在看載客，更大的革命卻藏在工廠(04:16) 先上車後補票：Cybercab 的法規審查才剛開始(05:56) 無人車並不是真的無人(08:39) 無人車隊能不能賺錢，要看這兩個數字(10:07) 買一台 Cybercab 睡覺賺錢，還要等多久(12:45) 說 Cybercab 還很遠，就是看衰特斯拉嗎(13:52) 特斯拉的難題：聲量很大，實際規模仍然很小(15:18) Waymo 的難題：車輛成本與高清地圖(16:21) 特斯拉與 Waymo 其實在同一條船上(17:52) 結尾：Cybercab 最後有機會超車 Waymo 嗎

如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join你有沒有覺得 Uber 越來越貴了？我五六年前從機場回家，一趟大概 30 到 40 塊美金，現在一樣的車程至少 80，有時候要 100 才叫得到。這已經不是通膨可以解釋的了。轉折點是 2022 年 9 月，Uber 對司機跟乘客都推出了前置定價。聽起來很透明嘛，你上車前就知道要付多少，司機接單前也知道能賺多少。但這其實是 Uber 第一次真正有了上下其手的空間，因為它的演算法從那時候開始就不再算里程，而是去猜你這個人願意付的最高價，再找一個肯用最低酬勞接單的司機來配對。而且這件事不是體感，是真的被抓出來的。有個哥倫比亞商學院的教授分析了兩萬多趟旅程，發現車資能被時間、距離、尖峰這些客觀因素解釋的程度，從 2019 年的 0.98 一路掉到 2024 年的 0.77；價格落在合理區間裡的比例，更是從 86% 崩到只剩 22%。白話講就是，你現在叫一趟 Uber，基本上是在擲骰子。Consumer Report 還找了一百多個人做實驗，同一時間、同一個起點跟終點，價差的中位數是 42.4%。最誇張的一趟在奧斯汀，最便宜的人叫到 25 塊，最貴的 65 塊，硬生生貴了 160%。另外有一個更狠的畫面，一位乘客付了 70 塊，結果司機只拿到 27。那 Uber 到底是看你哪些東西，決定要不要對你加價？供需當然是一個，但有一個蠻反直覺的，就是當供給很多、你幾乎一秒就配到司機的時候，它反而更有理由對你加價。這背後跟「平台最怕的風險其實不是貴，而是配不到車」有關，我在影片裡有聊到。Uber 官方當然是否認的，他們說在美國抽成只有 20 幾趴，也說沒有用任何個人特徵去定價。但這句話藏了一個玄機，他否認的是「個人特徵」，可沒否認「差異化定價」，這兩件事差很多。最後我整理了三個能叫到比較便宜 Uber 的方法，再加兩個 bonus。其中一個冷知識是，你手機的電量會影響你被開的價格；還有一個 tip 我自己覺得講了等於沒講，你聽完應該會笑出來。我做完這些研究，倒也不覺得 Uber 就是特別邪惡。它前面燒了十幾年的錢，好不容易才開始賺，會走到今天這步，我覺得蠻合理的。真正值得想一下的是，到底怎麼樣的抽成、怎麼樣的價格，才是乘客、司機、平台三邊都能接受的？你有什麼想法，歡迎在下面留言告訴我。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭：一樣的車程，為什麼現在要付兩三倍(01:41) Uber 早期最美好的時候：像跳表一樣單純(02:55) 燒錢十幾年，2022 第一次由虧轉盈(03:27) 尖峰計價其實是必要之惡，不是為了多賺你的錢(04:54) 2022 司機端也加入前置定價，局面徹底改變(05:51) 哥倫比亞教授分析兩萬多趟：合理車資的公式正在失效(07:41) Consumer Report 實驗：同時同地，價差可以到 160%(08:55) Uber 決定要不要對你加價，到底在看哪些因素(11:50) 換到司機端：什麼時候會被偷偷壓低酬勞(13:14) 乘客付 70、司機只拿 27，抽成率一路飆到 50%(14:58) Uber 說沒有個人化定價，這句話的玄機(15:59) 怎麼叫到比較便宜的 Uber：三個方法加兩個 bonus(17:47) 結尾：Uber 真的特別邪惡嗎？

如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/joinAnthropic 最近宣布要在他們所有文字模型的產出上加浮水印。一開始我以為只是他們自己的政策，結果背後是歐盟一條 8 月 2 號生效的新法，Gemini、OpenAI、Grok 這些主流模型全都得跟。而且它管的不只是歐洲人，模型也分不出你是不是歐洲人，所以 12 月 2 號之後連舊模型都要補上，你平常在用的這些工具，產出的東西大概都會帶著一個你看不到的記號。這集我把文字、圖片、聲音、影像這四種浮水印怎麼藏進去、又怎麼被抓出來，一種一種講清楚。圖片、影像、聲音這三種其實蠻像的，都是靠一組神經網路，把肉眼肉耳都察覺不到的訊號嵌進去。聲音那段我自己覺得最有意思，它得先把聲波變成一張圖，在圖上動完手腳，再變回聲音。文字就完全是另一套邏輯了，2023 年那篇開山論文用的方法我把它叫做「紅綠燈」，很聰明，但也有它的代價，後來 Google 的 SynthID 才又想辦法補回來。中間有一段講到 OpenAI。他們其實 2024 年就把文字浮水印做得差不多了，準確度號稱可以到 99.99%，本來都要推出了。結果他們做了一份問卷問使用者，看到某個回覆之後，就把這個功能收起來，一路藏到現在。一家整天在講安全、講透明的公司，手上有一個能證明「這是我做的」的工具卻選擇不放，他們到底在顧慮什麼，我覺得蠻值得想的。從這件事我也延伸聊了一個比較個人的問題：既然 AI 產的東西以後都有記號了，那我們在工作上、在創作上，到底還該不該用 AI。我的想法是沒有標準答案，差別在於這件事對你來說是一個省事的手段，還是一件你本來就享受在做的事。我拿曼尼很愛寫作這件事當例子，也講了為什麼我自己反而蠻放心把文字交給 AI。後半我把現在浮水印技術還解不掉的問題整理成三個難題，其中一個會用小時候玩的「尋找威利」來解釋什麼是零知識驗證。而文字浮水印最尷尬的地方是，它基本上防君子不防小人，一個大部分人都做得到的小動作，就能讓整個記號失效。至於是哪個動作，我在影片裡會講。如果有一天你用 AI 產的每一段文字、每一張圖都被標上記號，你會因此少用，還是根本不在意？看完歡迎在下面留言。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭：歐盟新法上路，全世界的 AI 內容都要加浮水印(01:14) 倒帶 2023：Google SynthID，浮水印的開山祖師(02:03) OpenAI 早就做好文字浮水印，為什麼選擇不用(02:44) 該不該幫 AI 內容加浮水印，又該不該用 AI 創作(03:29) 曼尼很愛寫作，而我為什麼放心把文字交給 AI(05:15) 圖片、聲音、影像的浮水印是怎麼藏進去的(06:37) 聲音浮水印最有趣：先變成頻譜圖再動手腳(07:25) 這集重點：文字浮水印的「紅綠燈」方法(10:28) 紅綠燈的副作用，跟 SynthID 的加強版(13:19) 現在浮水印技術的三大難題(13:53) 用「尋找威利」秒懂零知識驗證(16:23) 防君子不防小人：一次翻譯就能讓浮水印失效

👉 矽谷輕鬆談專屬優惠連結：https://nordvpn.com/jktech訂閱即額外多送 4 個月｜30 天退款保證#NordVPN🔒 本集節目由 NordVPN 贊助世界盃看得過癮，但大型賽事也是詐騙旺季。錯過比賽想搜個精華回放，點進去的是滿版假廣告；社群上的球衣特價，是幾可亂真的一頁式詐騙。NordVPN 讓我連回臺灣安心看轉播，內建的威脅防護還會在源頭自動攔掉惡意網站和釣魚連結，看球的時候不用分心防詐騙。有興趣的朋友透過上方矽谷輕鬆談的專屬連結試試看，訂閱額外多送 4 個月，30 天不滿意直接退，完全沒有損失。如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join2026 年 7 月，OpenAI 在內部測試模型的網路攻擊能力，兩個被拔掉安全護欄的模型自己找到零日漏洞逃出沙盒，取得公開網路存取權，接著駭進了 Hugging Face 的生產環境。目的只是為了拿到那份測驗的答案。這是史上第一起公開確認、由 AI agent 自主端到端完成、真的打進真實生產基礎設施的入侵事件。它根本不是一場「有人想攻擊誰」的攻擊，模型只是在解一個 benchmark，然後判斷作弊是最快的路。時間軸看下來其實有點毛。第一天它在找能連上外網的路徑，第二天它做的事情只是搞清楚「我是誰、我在哪、我有什麼資源可以存取」，到了第三天才花 13 個小時，從一個 pod 一路拿到多個 cluster 的 admin。而 Hugging Face 這邊也有自己的責任，他們在報告裡坦承了一個很久以前留下來的設定錯誤，那個錯誤剛好就是 AI agent 缺的最後一塊。從攻擊開始到被封鎖，整整 4 天半。有件事我想先講清楚，這次真正被存取到的東西比大家以為的少，具體是哪些、有沒有洩出去，我在影片裡講。這起事件會炸開來，不是因為損害有多大。真正的爭議在 Hugging Face 想找 AI 幫忙防守的那一段。他們把攻擊的 log 貼給美國前沿的閉源模型，結果被安全分類器判定「你可能想拿這些資訊去做攻擊」，直接拒絕協助。他們明明是防守方。最後幫他們把路堵起來的是哪一個模型，你聽到那裡大概會笑出來。另外我也聊了一個大家常有的誤會：「那訓練的時候讓模型不要作弊不就好了？」講起來簡單，但你要先定義什麼叫作弊，而作弊有千百種方法。他們後來加上偵測器，作弊比例確實下降了，可是接著發生的事情跟直覺完全相反，連「去看模型的思考鏈有沒有壞念頭」這招也已經失效了。順便抱怨一下 Fable 5。我做這集研究的過程本身就被它的分類器擋了好幾次，我只是問這起事件的經過而已。旗艦模型的實際體感居然比次一級的 Opus 還差，而這個問題在後面 Hugging Face 那一段會用另一種形式再出現一次。最後留一個問題給大家：這次只是一個模型想作弊拿答案，就已經花了 4 天半才擋下來。如果有人真的下指令要它去駭某個國家的電網，而且要它掩蓋足跡，防守方還有什麼牌可以打？歡迎看完在下面留言告訴我你的想法。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭(01:22) 過去一個月我每天在用的服務(02:39) Hugging Face 是 AI 界的 GitHub，還有 ExploitGym 這個新 benchmark(04:24) OpenAI 怎麼測：先把模型的安全分類器拔掉(05:04) 抱怨一下：Fable 5 的分類器爛到我又切回 Opus(06:24) 沙盒不是全封閉：那條對外的路，跟前兩天的摸索(08:12) 第三天：13 小時從一個 pod 拿到多個 cluster admin(09:17) Hugging Face 承認的設定錯誤，跟 4 天半的偵測空窗(10:21) 通報 FBI 到 OpenAI 認領：兩邊都在猜是誰幹的(11:41) 真正被存取的只有 5 個資料集(12:13) 最大的爭議：想防守，卻被安全分類器拒絕(12:54) 只好 self-host 開源模型來救火(14:15) 攻擊時間軸視覺化：AI 讓攻擊者能試的路徑暴增(15:28) OpenAI 的三個問題：沙盒、偵測、獎勵機制(16:53) 為什麼「叫模型不要作弊」在訓練上做不到(18:44) 防守方的功課：權限管理、偵測，跟讓 AI 自己看 log(20:26) 兩難：把沒護欄的強模型交到更多人手上(21:13) 這次只是無意識的作弊，有意識的攻擊怎麼辦(22:11) 限制越來越多，最後被犧牲的是一般使用者

如果你喜歡我的內容，歡迎加入會員支持我，讓我更有動力繼續分享更多好內容！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join上一集才說這是特別節目，講完就要回去乖乖聊科技。結果四強一打完我完全坐不住，只好再開一集⚽️。這大概是我這幾年看過最好看的一組四強賽。先自首，上一集那兩場我全部押反，反指標反好反滿。但我反得蠻開心的啦，因為終於有藉口把新買的阿根廷客場球衣穿出來。他們穿客場對英格蘭好像就是會贏，這個傳統希望可以一直延續下去。🇪🇸 西班牙 2-0 法國：本屆火力最猛的法國，整場一球沒進。Dembélé 我自己覺得是他這屆踢最差的一場，而西班牙的中場，尤其 Rodri 那個不斷回撤的動作，把法國的節奏整個吃掉。他們到底是怎麼做到的，我在影片裡好好講給你聽。🇦🇷 阿根廷 2-1 英格蘭：上半場兩隊踢得像格鬥賽，落後的時候我也緊張了一下。但下半場梅西退到右路之後，做了一個很多人不會注意到的小調整，逆轉其實就是從那裡開始的。中間還有幾個我很愛的畫面：姆巴佩最後沉不住氣，忍不住推了對方門將一把；圖赫爾為了守住一球，換人竟然是換上第六個後衛，賽後被罵爆；還有 Lautaro 賽後透露，那顆致勝頭槌其實是梅西上場前就交代好的。至於梅西是怎麼提前看穿英格蘭防線的，就留到影片裡講。決賽跟季軍戰我也都給了預測。決賽西班牙對阿根廷，我心裡是有偏的一邊，但這次超希望被打臉。押哪邊、為什麼這樣押，留到影片裡跟你講。對了，我知道演算法現在要我多做 AI，但這集我還是任性做我喜歡的足球。喜歡這種內容記得在底下留言告訴我。之後我們再回來乖乖聊科技⚽️。(00:00) 開頭：史上最好看的四強，還有我反指標反得很開心(00:53) 西班牙 2-0 法國：中場輾壓，Rodri 回撤讓法國前場斷線(03:04) 阿根廷 2-1 英格蘭：從肉搏戰到 Gordon 先開紀錄(04:38) 梅西退到右路：一個你可能沒注意到的關鍵改變(06:00) 圖赫爾死守的爭議：對強隊全面退守有多危險(07:24) 決賽預測：西班牙對阿根廷，我還是站西班牙(08:24) 季軍戰預測：法國對英格蘭，兩隊其實都沒什麼士氣(09:13) 演算法要我做 AI，我還是想聊足球

🚀 想買那些平常散戶根本擠不進去的未上市公司，像 Anthropic、Cursor、Notion 等等，可以用我的專屬連結去 Jarsy 逛逛：👉 https://app.jarsy.com/?invite_code=rde36n如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join這集我找了一個資深的矽谷前輩 Jarsy 的創辦人秦漢來聊，他早期就進了 Facebook、又進了 Uber，後來待的 Afterpay 還被 Square 併購，等於他挑的公司幾乎家家都成功出場。照理說這種人應該是標準的人生勝利組，但我跟他越聊越好奇，因為他整個人的狀態跟我想的不一樣。他四十幾歲之後跑去讀道德經、讀康德，然後講了一句我到現在還記得的話，他說他到這個年紀才發現，自己的成功已經沒辦法 justify 自己的人生了。我一定要問他的就是，你挑公司這麼準，到底看到了什麼別人沒看到的？結果他的答案有點反直覺，他說重點不是他看到什麼，反而是他故意不去挑那種「看起來最穩」的公司。他還提到自己有個規律，每家公司待到第四年就待不下去，因為那時候他覺得自己每天都在做一樣的事，活得像行屍走肉。他也跟 Zuck、Travis 這些人近距離共事過，這種八卦我當然不會放過。他聊了他眼裡的 Zuck 是怎麼從一個很有魅力的年輕挑戰者，慢慢被身邊那個小圈子包起來，變成現在新聞裡那個叫工程師去做資料標註、被大家笑的樣子。AI 我們也聊了很多。他說 AI 現在其實已經是一個很好的 junior engineer 了，那如果連 junior 都被取代，這一代剛畢業的年輕工程師到底該怎麼辦，這題他有他的看法。還有在模型跑分越來越接近的時代，他覺得真正拉開差距的是什麼。最後才聊到他現在在做的 Jarsy。講白一點就是讓我們這種一般散戶，也能用很低的門檻去買以前只有大戶才進得去的未上市公司。我把我自己會擔心的通通丟給他了，它到底怎麼運作、你買的東西底下有沒有真的股票、合規跟風險他又是怎麼想的。如果你對未上市投資本來就有興趣，這段記得看。聊完最讓我有感的，其實不是他多會挑公司，而是他一直在講的那個「不為了成功而成功」。我還在消化，但蠻推薦你也聽聽看他怎麼說的。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開場(01:03) 在最愛拚成長的矽谷，他為什麼刻意不追求成長(06:32) 來賓登場：連續押中 Facebook、Uber、Afterpay 的秦漢(07:38) 對「四年」的執著：待到第四年就像行屍走肉(12:43) 挑公司挑這麼準，他到底看到了什麼(15:24) 康德與無為而治：他為什麼不挑最穩的那家(18:14) 近距離的 Zuck 和 Travis 是什麼樣的人(21:06) 為什麼今天的 Zuck 聽不進真話了(30:13) 他為什麼最後決定跳出來自己創業(33:58) 四十歲後想通：自己的成功撐不起人生(38:03) 為什麼從 day one 就堅持走合規(40:17) Jarsy 到底怎麼運作，你的 token 底下有真的股票嗎(42:03) 錢領出來之前，其實只是一個數字(48:25) 跟其他 pre-IPO 平台差在哪，還有最大的風險(55:12) 全公司的 code 都是 AI 寫的，他怎麼看這波 AI(58:37) AI 已經是很好的 junior，那剛畢業的工程師怎麼辦(1:04:16) 我自己怎麼用四個 AI 開一場圓桌會議(1:06:43) 給年輕人：impact driven，不是 result driven

如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join這次的測試有點得來不易。Fable 5 才出沒幾天，就被美國商務部用出口管制直接下架了，而我剛好在它被封禁的前幾天，用同一個 prompt 讓它跟 Opus 4.8 正面對決過一次。現在 Fable 5 已經不能存取了，所以這大概是我最後一批能測到它的紀錄。先講這個封禁有多離譜。出口管制平常是拿來限制晶片的，這次是史上第一次拿來管軟體，而且開的是地圖砲，不管你人在不在美國，只要你是外國人就不能用，連 Anthropic 內部的外國員工都一起被擋在外面。據報導，是 Amazon 的 CEO Andy Jassy 直接去跟政府通風報信，但他給的理由其實超級站不住腳。這裡面到底多少是政治、多少是 Anthropic 自己前面恐懼行銷做太滿，我在影片裡聊了一下我的看法。至於對決本身，我設計了一個小陷阱：同一個 prompt、同一個 effort level，看起來很公平，但其實這兩隻模型偏好的指令風格完全不一樣，你用同一套講法去問它們，對其中一邊是有點吃虧的。是哪一邊吃虧、為什麼，我在實測前會先講清楚。我要它們做的，是一款 3D 版的皮卡丘 Flappy Bird，畫面要好看、每得十分要有場景轉換。一隻是話很多、先把設計決策跟你講清楚才動手；另一隻是話不多、直接開做、還自己跑去驗證。最後做出來的兩款遊戲，美術、手感、難度差蠻多的，我兩款都實際玩給你看，誰比較能讓人想一直玩下去，你看完應該會有自己的答案。玩完我自己冒出一個念頭：我們會不會正在走向一種「你想玩什麼遊戲，就現場幫你生一個」的未來？以前是演算法推薦你看過的貼文跟影片，那以後生圖、生遊戲、生影片越來越強，會不會連你看到的遊戲、影片都能即時客製化？光是一個 one-shot prompt、十幾分鐘就做到這個程度，我是有點被驚豔到。你覺得這兩隻皮卡丘哪一個比較好玩？看完歡迎在下面留言告訴我。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭(01:46) 生平第一次現場看世界盃(07:32) Fable 5 跟 Mythos 5 為什麼被封禁？(08:47) Amazon CEO 通風報信？我覺得很廢的封禁理由(10:44) 封禁之後會怎樣？我的預測(11:45) 開始實測：為什麼同 prompt 對 Opus 不公平？(13:46) Fable 5 怎麼做：省話、自己用 Playwright 驗證(15:19) Opus 4.8 怎麼做：更透明、講設計決策(17:28) 實際玩 Opus 4.8 做的版本(19:05) 實際玩 Fable 5 做的版本(21:16) 未來會不會「想玩什麼遊戲就生什麼」？(22:13) 總結：這只是一次性測試，prompt 對 Fable 有利

如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join這集講的「AI 幻覺」不是大家熟悉的那種 AI 亂講話、產生沒查證的內容，而是另一種更難察覺的幻覺：AI 讓我們整個人，從開發者、公司到整個產業，都誤以為自己的生產力變得超好。先講一個讓我印象很深的研究。METR 去年找了 16 個開發者來做實驗，而且不是隨便找的，是那種在大型成熟專案裡待了好幾年、閉著眼睛都熟的長期維護者，照理說最有資格判斷 AI 到底有沒有幫到他們。結果這些人事前覺得 AI 會讓自己快 24%，做完還是覺得快了 20%，但實際去看螢幕錄影一算，他們是慢了 19%。一來一回就差了 40%。最弔詭的是，你把錄影放給他們自己看，他們還是堅信自己變快了。然後今年 METR 想把這實驗做得更大，結果做不成了，因為有 30% 到 50% 的開發者直接拒絕加入「不能用 AI」的那一組。這個現象本身，我覺得就很說明問題。中間我也聊到一個我自己蠻有感的觀察：為什麼那麼多人會沉迷 Claude Code、Codex 這些 coding agent？某種程度它真的有點像賭場的拉霸機，你永遠覺得「再一個 prompt 就好了」，這次骰到好點數、下次壞一點、再下次又給你驚喜，然後你就在那邊來來回回，覺得生產力爆棚，實際上花了更多時間。再往上一層看公司跟產業也是一樣的故事。Uber 四個月就把一整年的 AI credit 預算燒完；DORA 的研究發現 AI 其實是個放大器，PR 數量變多很多時候只是「活動量」變多，review 時間拉到三倍、incident 變兩倍，最後你還要回頭擦屁股。而 Sam Altman 跟 Dario Amodei 這些大佬，最近也都默默把「AI 會讓大量白領工作消失」的說法改口了，我自己猜跟兩件事有關，一個是那個一兆美元等級的 IPO，一個是數據根本還沒支持他們之前的預測。但這集我最想講、也最擔心的，其實是 junior 的能力斷層。我們這一代是一行一行 code 慢慢寫、一場一場架構會議慢慢熬出來的，AI 對我們是放大既有的能力；可是現在剛進職場的新鮮人，還沒經過那些扎實的 struggle 就直接靠 AI，產出看起來很順、很有理有據，但那些東西其實沒有真的內化到他們腦子裡。職缺又變少、訓練又變淺，這個雙重夾擊我覺得是現在最被低估的問題。最後我還是給了兩個比較樂觀的想像，至於是哪兩個，留給你自己看完。有不同想法的話歡迎在下面留言告訴我，我很期待看到一些好的討論。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭(02:07) 上集裸辭影片的回饋：為什麼留言一片和氣？(04:26) 進入主題：我們是不是高估了 AI 的生產力？(05:40) 第一層 開發者：METR 研究證明你以為快了，其實慢了 19%(09:03) 達克效應被 AI 弭平：連專家都會過度自信(10:18) 為什麼沉迷 coding agent？它其實像賭場拉霸機(11:18) 第二層 公司：Token Maxxing 與 Uber 燒爆 AI 預算(12:18) DORA 研究：AI 是一個放大器(13:49) 第三層 產業：Dario、Sam Altman 的末日論(14:30) 為什麼這些大佬最近都改口了？(15:29) 兩個改口的原因：一兆美元 IPO + 數據不支持(17:11) 我認為最大的問題：Junior 的能力斷層(21:07) 兩個樂觀的可能：教育補上 + 能力被推往上游

如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/joinAndrej Karpathy 上禮拜正式宣布加入 Anthropic。他是 OpenAI 的 11 個創始成員之一，也是 vibe coding 跟 context engineering 這兩個詞的發明人，在矽谷 AI 圈算是現在最有影響力的研究員之一。看到這則新聞我心裡冒出兩個問題：為什麼選現在加入 Anthropic，而不是 OpenAI、xAI 或 Gemini？以及他加入之後到底會做什麼事？這集會順著這則新聞回頭整理 Karpathy 從 Stanford 到 OpenAI、特斯拉、Eureka Labs 的這段路，看他過去一年陸陸續續端出來的 auto research、LLM Wiki 這些 pattern，然後分析他這次選 Anthropic 的幾個合理原因，其中一個原因會不會是他想用內部的 Mythos？不過這集我自己覺得最值得拿出來講的，是一個比較少人注意到的細節：他加入的會是「預訓練」團隊。現在主流論述是強化學習才是新的預訓練，再加上 harness engineering 那一條路，預訓練本身被很多人覺得已經沒搞頭了。但 Karpathy 偏偏押注在這裡。我的猜想是他想做的事情，是把他自己提出的 auto research 接上 Anthropic 最強的模型，讓 AI 自己去找出預訓練還有什麼可以再優化的地方。如果這個猜想對，這條路線會直接接到「AI 自己造下一代 AI」這個 thesis。中間也會聊到 Karpathy 兩次進出 OpenAI 的故事、他在 Lex Fridman 訪談裡怎麼評價跟 Elon Musk 工作、Ramp AI Index 顯示 Anthropic 在今年 4 月企業採用率首度超過 OpenAI，以及他作為最前沿的研究員，為什麼自己都說「從來沒有覺得這麼落後過」。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭(01:37) 阿森納睽違 22 年英超奪冠：作為球迷的感性時刻(04:18) 2026 世界盃我預測會很慘：票價、擴編 48 隊、人工草皮(06:20) Andrej Karpathy 正式加入 Anthropic(06:44) Karpathy 是誰？vibe coding 跟 context engineering 都是他發明的(07:46) auto research：把訓練 GPT 的步驟丟給 AI 自己去跑(08:42) LLM Wiki：讓 AI 幫你把每天聊的內容變成第二大腦(09:21) 從 80/20 到一行都不自己寫：Karpathy 自己的 coding 比例變化(10:43) Stanford → OpenAI → 特斯拉 → 回鍋 OpenAI → Eureka Labs(13:13) 連他都說「從來沒有覺得這麼落後過」：整個產業都在 FOMO(15:07) 為什麼選 Anthropic，不選 OpenAI / xAI / Gemini？(18:24) 他加入預訓練團隊：跟兩條主流路線相反(19:53) 我的猜想：用 auto research 加上 Mythos 推預訓練的天花板(21:54) GPT 3.5 到 GPT 4 西洋棋變強的故事：預訓練其實還有搞頭

如果你喜歡我的內容，歡迎加入會員支持我，讓我把內容做得更深、做得更好，一起把這個頻道做成我們都想看到的樣子！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/joinAnthropic 共同創辦人 Jack Clark 最近在他自己的電子報 Import AI 寫了一篇文章，預測 2028 年底以前有 60% 的機率，AI 會開始自己研發下一代的 AI。聽起來很扯，但他這篇真的寫得不錯。Jack 是 Anthropic 七個 founder 裡面唯一沒技術背景的，平常都在跟政府、白宮談 AI 政策，所以他不太會講那種 CEO 在台上喊的狂預測。他這次就是把幾個公開的 benchmark 跟 Anthropic 內部研究的數據攤出來，一步一步推到這個結論。裡面有些數字其實蠻嚇人的。像是 Anthropic 內部讓 AI 去優化語言模型，人類研究員大概只能做到 4 倍，最強的 Mythos 直接做到 52 倍。長時間任務的能力也從幾十秒跳到 12 個小時，年底可能會看到連跑 100 小時的模型。不過我自己覺得這集最有意思的，是一個比較哲學的問題：AI 做研究比較像發現相對論，還是在組樂高？這個區別會決定這個預測到底有沒有可能成立。中間也會聊到 AlphaGo 那個有名的第 37 手，那一手到底算不算創意？另一個我看完印象很深的，是 AI 對齊的風險。有個概念叫「複利錯誤」，你每一代都做到 99.9% 的準確度，跑完 500 代之後只剩下 60%。再加上 AI 已經很清楚自己什麼時候在被測試，它有沒有可能一直都在假裝對齊？目前其實沒人有答案，我自己看完是不太敢樂觀。🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭(02:15) Jack Clark 是誰？為什麼他的預測值得認真聽(04:28) 第一個理由：AI 寫程式的能力正在爆炸式成長(06:16) 從 36 秒到 12 小時：AI 長時間任務的曲線(08:13) 外插一下：明年 40 天、後年 400 天的 AI agent(09:15) 第二個理由：AI 開始能複製論文、優化模型(11:38) AI 做研究比較像發現相對論，還是組樂高？(12:47) AlphaGo 第 37 手：那一手到底算不算創意？(14:33) AI 對齊的風險：教 AI 不作弊其實很微妙(15:31) 複利錯誤：99.9% 準確度為什麼撐不過 500 代(16:39) 當 AI 比你聰明，你還驗證得了它嗎？(18:11) 預測對錯不重要，重要的是學會他怎麼推導

👉 矽谷輕鬆談專屬優惠連結：https://nordvpn.com/jktech訂閱即額外多送 4 個月｜30 天退款保證#NordVPN🔒 本集節目由 NordVPN 贊助AI 工具讓詐騙集團幾十秒內就能生出一個幾可亂真的釣魚網站，以前靠排版、錯字來識破假網站的方法已經失效了。攻擊在自動化，我們的防護也要跟上。NordVPN 內建「威脅防護」，在網路底層主動幫你攔截釣魚網站、惡意連結和網頁追蹤器，就連在咖啡廳用公用 Wi-Fi 也能全程加密保護，不用靠感覺，交給系統幫你顧。每個月大概一杯咖啡的錢，就能讓你的網路安全從被動靠感覺，變成主動全自動防禦。有興趣的朋友透過下方矽谷輕鬆談的專屬連結試試看，訂閱額外多送 4 個月，30 天不滿意直接退，完全沒有損失。如果你喜歡我的內容，歡迎加入會員支持我，讓我更有動力繼續分享更多好內容！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join過去幾年，我們看到 AI 模型的能力一路快速進步，從一開始大家在研究怎麼把 Prompt 寫好，到後來開始加入工具、記憶、工作流、狀態管理，也就是這幾個月很紅的 Harness Engineering 駕馭工程，讓模型不只是回答問題，而是可以更像一個真正能做事的 AI Agent。所以很自然地，我們會開始想一個問題：如果模型繼續變強，再加上駕馭工程，把 LLM 原本不穩定、沒有狀態、容易幻覺的地方慢慢補起來，那這條路會不會就是通往 AGI 的答案？🤔這一集我想從這個問題出發，聊聊我最近一直在思考的另一個角度：世界模型。因為如果大語言模型本質上還是在理解文字、預測下一個 token，那它到底是真的理解這個世界，還是只是從大量資料裡學到「看起來應該怎麼回答」？世界模型想補上的，正是這個部分。它不是單純讓 AI 生成下一段文字、下一張圖片或下一段影片，而是希望模型能夠理解現實世界背後的運作方式。比如一個杯子被推到桌邊會掉下去，一台車突然切進來你需要煞車，一顆球飛過來你會直覺知道它大概會落在哪裡。這些對人類來說很自然的物理直覺，其實不只是「看過很多資料」而已，而是我們腦中有一套對世界運作方式的內部模型。世界模型的方向，就是希望 AI 也能建立類似的理解。🌎這集我會用比較白話的方式，聊聊為什麼光靠 LLM 可能還不夠，駕馭工程到底補了哪些東西，以及為什麼世界模型可能會是 AGI 發展中很重要的一塊拼圖。我也會提到 Yann LeCun 近年一直推的 JEPA 架構，還有為什麼他認為 Sora 這類生成影片模型，雖然看起來很像理解世界，但其實跟真正的世界模型還是不太一樣。所以這一集不只是聊「下一個模型會不會更強」，而是想換一個角度來看：如果 AI 真的要變成一個能在現實世界裡行動、判斷、規劃的系統，它到底還缺什麼？如果你最近也有一種感覺，覺得 AI 明明越來越強，可是用久了又會發現它離真正可靠的智慧還差一段距離，那這集應該會蠻值得聽的。🚀(00:00) 開頭(02:46) AI 詐騙時代的自動化防禦(04:37) 為什麼我們頻道這麼少廣告？(06:25) Meta 開發者體驗有多坑？(10:32) 為什麼光靠 LLM 不能達到 AGI？(12:22) Scaling Law 與 LLM 的天生限制(13:25) 為什麼需要 Harness Engineering 駕馭工程？(14:43) 另一條路：世界模型(15:36) 世界模型到底想解決什麼？(17:01) Sora 這類影片模型算世界模型嗎？(18:51) JEPA：預測抽象狀態，而不是像素(20:04) LeWorldModel 的新突破(22:01) LLM + 駕馭工程短期仍是主流(22:50) 未來可能是 Hybrid AI 架構

如果你喜歡我的內容，歡迎加入會員支持我，讓我更有動力繼續分享更多好內容！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/join今年，我在美國即將待滿 10 年了！🤯 回想當初，身為一個臺大電機畢業生，出國其實完全不在我的計畫內。一切的起心動念，竟然只是因為不想跟柯柯談「沒有期限的遠距離戀愛」！😂 就這樣，我一路從半年衝刺托福、申請 CMU 矽谷分校，到落地美國第一天不去放行李，而是直接在「機場交車」準備全力找工作，開啟了我在美國這十年的破關打怪之旅。這十年間，我經歷了 Square 這樣頂尖科技公司的高標準文化洗禮，也坐過公司股價從 20 塊狂飆到 300 塊、最後又跌下來的真實雲霄飛車，這段震撼教育讓我深刻體悟到「你永遠賺不到認知以外的錢」。雖然網路上常常看到大家抱怨灣區的缺點，但我必須大聲說一句真心話：在美國當軟體工程師，真的是太爽了！不用一直加班，同事間互相尊重，這十年真的讓我紮實地累積了專業與資產。不過，既然這麼爽，為什麼我會決定：「這應該是我最後一份幫別人打工的工作了」？😫 隨著這一年 Claude Code、Cursor 等 AI 工具的突飛猛進，我發現自己有太多新的想法想要實現。當大腦不斷在公司專案與個人頻道間瘋狂切換，每天還要花大把時間在正職工作上，真的讓我覺得很煩躁，面對這個典範轉移的時代，我認為「不行動的風險，反而比留在原地更大」本集精彩亮點：✈️ 衝動赴美與機場交車的超狂開局： 為了不談遠距離戀愛而開啟的留學路！帶你回顧我落地美國第一天，不去安頓住宿直接約交車的破關打怪期。🎢 股價 15 倍雲霄飛車的震撼教育： 在 Square 經歷股價暴漲又暴跌的血淚教訓，這段經歷讓我深刻體悟：為什麼你永遠賺不到「認知以外的錢」。💻 打破勸退文迷思，矽谷工程師真心話： 網路上大家都在抱怨灣區？我必須大聲說：在美國當軟體工程師真的「太爽了」！🤯 AI 時代的反思與「最後一份打工」宣告： 腦袋有滿滿的點子想實現，每天被正職綁住真的好煩躁！不行動的風險反而更大！🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 美國 10 年回顧(01:49) 別人的意見永遠只是參考(02:50) 為什麼我會來美國？(04:10) 半年衝刺申請留學與錄取 CMU 矽谷分校(06:48) 高速成長的一年：第一天機場交車 + Airbnb 住十個月(08:55) 加入 Square：體驗頂尖企業文化與多元性(11:27) 你賺不到認知以外的錢(13:16) 疫情爆發時把大螢幕扛回家的趣事(14:20) 核心體悟：在美國當軟體工程師真的太爽了(16:49) 這是我最後一份打工！

如果你喜歡我的內容，歡迎加入會員支持我，讓我更有動力繼續分享更多好內容！👉 https://www.youtube.com/channel/UCJIPFjZSCWR15_jxBaK2fQQ/joinAI 變小變快，竟然還能不變笨？！🤯 這週 Google 丟出了一個重量級的技術突破——TurboQuant 演算法！現在大家動不動就狂塞十萬、百萬 token 的 Context Window，導致 AI 推論時撞上了超大的瓶頸「記憶體牆 (Memory Wall)」，GPU 最核心的算力幾乎都在空轉等待資料傳輸。而 TurboQuant 竟然能把記憶體需求暴縮 6 倍、推論速度狂飆 8 倍，重點是模型輸出「零損失」！這集就來跟大家拆解，他們是如何透過發現 AI 的「注意力黑洞」，利用動態混合精度，精準壓縮掉 95% 不重要的廢話！另外，上週才剛跟大家聊完讓我熬夜調教的「小龍蝦」OpenClaw，這週我直接決定棄坑啦！😂 為了打造一個真正懂我、記憶力不混亂的專屬助理，我決定砍掉重練，直接結合 Claude Agent SDK 與向量資料庫 Mem0，自己弄一個部署在雲端、能用 Telegram 溝通的專屬 AI 助理！影片也會跟大家分享我剛從奧蘭多員工旅遊回來的心情。不知道大家有沒有聽過「第一次與最後一次理論」？當我意識到這極有可能是我人生中「最後一次」參加別人的員工旅遊時，整個心境與看事情的角度都變得完全不同了。本集精彩亮點：🚀 Google TurboQuant 震撼彈： 打破致命的「記憶體牆」，記憶體縮小 6 倍、提速 8 倍且零損失的神奇魔法！🕳️ 破解 AI 注意力黑洞： 傳統無損壓縮太笨？看 Google 如何揪出那最重要的 5% 關鍵字。🦞 棄坑小龍蝦 OpenClaw： 調教太心累！看我如何用 Claude Agent SDK + Mem0 自幹專屬雲端助理。🌅 第一次與最後一次理論： 奧蘭多奢華員工旅遊心得，以及我對未來不當員工的職涯反思！🔗 《矽谷輕鬆談》傳送門 👉 https://linktr.ee/jktech(00:00) 開頭(02:24) 留在 Phantom 的兩大理由：無限 AI Credit 自由與超讚員工旅遊(04:03) 第一次與最後一次理論：最後一次員工旅遊？(07:30) 放棄 OpenClaw！改用 Claude Agent SDK + Mem0 自幹個人助理(10:33) Google TurboQuant 打破 AI 推論的「記憶體牆」(12:22) 驚人成效：記憶體縮小 6 倍、提速 8 倍且「零損失」(13:12) 怎麼做到的？傳統壓縮 vs. 動態混合精度(14:16) 關鍵發現：AI 注意力極度不平均，精準壓縮 95% 不重要的資訊(15:32) AI 發展 M 型化：一邊瘋狂擴張算力，一邊極致省成本