標籤: AI
此標籤的文章
- Anthropic 工作重組:junior 技術職聘用占比下滑,Agent 管理成新工作
Anthropic 的內部報告同時記錄 junior 技術職聘用占比下降、Agent runtime 擴張與監督工作增加;這是單一公司的工作重組證據,不是整體勞動市場預測。
- 別只叫 LLM 回答:把輸出做成真正幫助理解的介面
從 Karpathy 對文字、圖解、互動頁面與解說影片的觀察出發,建立一套依理解任務選格式、再按格式驗收 AI 產物的方法。
- 機器人能做,不等於值得自動化:Anthropic 的工作曝光與成本落差
Anthropic 估計機器人可在某些情境執行 74% 的美國實體任務,但目前僅 0.3% 的工作具成本競爭力;本文拆解分級方法、成本假設與企業評估方式。
- Kumo Tabular:用合成表格預訓練,讓新任務從範例開始
NVIDIA Kumo Tabular 把表格預測改成 in-context learning:模型先在合成表格上預訓練,再從標記列預測新資料;本文拆解方法、榜單主張與企業驗證條件。
- 當代 LLM 架構比較:DeepSeek V3、Gemma 3、Kimi K2 的記憶體與路由取捨
比較 DeepSeek V3、Gemma 3、Kimi K2 等開放權重模型如何運用 MLA、MoE、GQA 與滑動視窗注意力,在品質、KV Cache、吞吐量與部署複雜度間取捨。
- Siri AI 實測怎麼讀:beta 能力、App Intents 與尚未確定的邊界
以 The Verge 實測與 Apple 官方資料交叉檢視 iOS 27 Siri AI:哪些能力已出現在開發者測試、第三方 App 要準備什麼,以及哪些結論仍需等待 beta 驗證。
- GPT-Live 語音架構解析:全雙工互動、模型委派與 API 邊界
釐清 OpenAI GPT-Live 在 ChatGPT Voice 的全雙工與背景委派架構、它和 Realtime API 的產品邊界,以及語音系統上線前應驗證的失敗模式。
- Meta Muse Spark 到 1.2:多模態推理、平行 Agent 與版本邊界
從初代 Muse Spark 到 1.1、1.2,整理 Meta 已公開的多模態、平行 Agent、coding 與 API 能力,並區分官方宣稱和未公開的模型內部細節。
- Meta Muse Image 是什麼?Agentic 圖像生成、可用範圍與工程限制
依 Meta 官方技術資料解析 Muse Image 的搜尋、程式工具、自我修正與 test-time compute,並釐清產品 availability、評測證據與導入限制。
- Kaggle Titanic:從 0.74 到 0.816,特徵工程比調參重要
鐵達尼號生存預測競賽的完整實戰紀錄:漸進式特徵工程、CatBoost 與 RF 集成、CV 與 Public LB 脫鉤、嚴格 notebook 移植,以及何時該停手。最終 Public LB 0.81578。
- GraphRAG 是什麼:用知識圖譜補足多跳查詢與證據關係
從 QCon AI GraphRAG 演講拆解圖式檢索、社群摘要、Cypher 多跳案例、來源追溯、Graph ETL 成本及失敗邊界。
- Nano Banana 2 Lite 與 Gemini Omni Flash:官方規格、預覽限制與導入判斷
整理 Google 公布的 Nano Banana 2 Lite 與 Gemini Omni Flash 規格、價格與預覽限制,並說明影像到影片管道在導入前應驗證的事項。
- NotebookLM 短影音摘要:先確認來源邊界,再談學習效率
NotebookLM 的短影音摘要把來源資料轉成約一分鐘的直式影片;本文整理已知功能、可用情境,以及不能從產品介面反推的內部架構。
- 2026 創業新規則:為什麼「建構能力」已不再是核心競爭力
站在 2026 年的創業現場,我們正目睹一場前所未有的範式轉移。在 AI 原生時代,開發成本與時間被極度壓縮,創業的瓶頸不再是「建構能力」,而是「選擇能力」。本文揭示 AI 驅動創業生態中最具顛覆性的核心洞察。
- 高效學術論文閱讀:三遍掃描法
把「三遍讀論文法」落地成可執行流程:用 5–10 分鐘做海選、用 1 小時抓住方法與證據、再用「虛擬重做一遍」吃透細節。本文整合 Keshav 的 three-pass 與李沐老師的實作要點,附檢查清單與文獻綜述讀法。
- AI 對勞動市場的衝擊:從「理論能力」到「實際使用」的新衡量方式
根據 Anthropic《Labor market impacts of AI: A new measure and early evidence》整理:介紹「觀察到的曝光度」指標,說明哪些職業最暴露在 AI 之下、與就業成長與失業率的關係,以及對政策、企業與個人職涯的啟示。
歡迎演講、企業內部技術分享與架構交流;可以先查看我適合分享的主題與公開工程成果。
演講與聯絡