我們知道這個時代的遊戲規則變了。「一人公司」跟「超級個體」的底層邏輯，是自己一個人在房間裡敲鍵盤，把產品丟上網，就能觸及全世界。

但即便認知已經升級，我發現包括我在內的很多 Indie Hackers（獨立開發者），還是常常掉進一個巨大的陷阱裡：我們太迷信「複雜度」了。

我們總覺得，要打造一個成功的 Web App，或者做出一款爆款的 App，就必須要有驚天地泣鬼神的技術壁壘。每天埋頭苦幹，串接最新的 AI LLM API，搞微服務架構，把產品弄得無比龐大。

直到前幾天，我看到一個叫 Cat Goetze 的一人創業者的故事。

老實說，看完她的經歷，我有一種被狠狠打了一巴掌，但又瞬間清醒的感覺。她用一個「最沒技術含量」的破塑膠玩具，狠狠打臉了我們這些自以為是的科技創業者。

故事要從 2023 年說起。

那時候的 Cat，就跟我們多數人一樣，處於嚴重的數位焦慮跟資訊過載中。她受夠了每天盯著智慧型手機螢幕，滑那些永遠滑不完的短影音。她無比懷念小時候那種「室內電話」——你只能坐在沙發上，專心跟電話那頭的人講話，沒有推播通知，沒有無止盡的訊息轟炸。

這是一個極度真實的「個人痛點」。但當她真的去查了安裝實體市話的費用後，她傻眼了：不僅要換新號碼，每個月還要多付 70 到 80 塊美金的線路費。蛤？這到底是在搞什麼？為了一個懷舊的清淨，每個月要被電信商扒一層皮？

換作是一般人，可能抱怨兩句就繼續回去滑手機了。換作是硬核工程師，可能會想去寫一個超級複雜的「阻擋通知」底層 App。

但 Cat 的做法簡單粗暴到令人髮指。她跑去二手商店，撿了一台那種 Y2K 時期、復古得要命的粉紅色掀蓋室內電話。然後，她買了一點非常便宜、現成的藍牙組件，自己動手把這台破舊的室內電話，改造成了一個「可以透過藍牙連接智慧型手機」的超大號聽筒。

就這樣。這甚至稱不上是什麼「發明」，說穿了，這就是一個披著復古外皮的低配版藍牙耳機。

在接下來的兩年裡，她完全沒有要把這東西商業化的念頭。這台粉紅色的改裝電話，單純就是她用來拯救自己注意力的「避風港」。下班回家，手機丟在玄關，只用這台復古電話接朋友的來電。

這就是我覺得整個故事最迷人的第一個切入點：

就像我在開發 NoteTempo 或者是 1Chatbot 的時候，初衷也不是為了要顛覆什麼偉大的產業，單純就是因為我自己需要一個更順手的語音轉文字發文工具，或者一個更符合我工作流的自動客服回覆。當你解決的是自己的「瞎問題」，你對這個痛點的理解，絕對比那些坐在冷氣房裡看市場調查報告的 PM 來得深刻一百倍。

時間來到 2025 年的夏天。故事迎來了最戲劇性的轉折。

其實早在 2023 年，Cat 就曾經把這個自製的小玩具拍成影片發到 TikTok 上，但當時根本沒人鳥她，流量慘淡。為什麼？因為她當時只是一個路人，沒有「信任資產」。

但在這兩年間，她持續在網路上創作內容，以「CatGPT」這個身分分享科技與生活的平衡，慢慢養出了一批死忠的受眾。當她 2025 年 7 月再次把這台「粉紅破電話」的影片發上網時，結果完全不一樣了。

留言區直接炸鍋。幾百個人瘋狂敲碗：「天啊！這太酷了！哪裡可以買？快給我連結！」

面對這種突如其來的暴量需求，傳統的硬體創業思維會怎麼做？馬上寫商業計畫書、去找創投（VC）募資、找工廠開模、壓幾百萬的庫存、擔心賣不出去會破產。這也是為什麼以前我一直覺得硬體創業是個無底洞。

但 Cat 用的是極致的「一人公司輕資產」玩法。

她本來以為大概只有 15 到 20 個人會真的買單吧。於是，她隨便用電商平台架了一個極度陽春的預購網頁。沒有現貨，沒有工廠產線，就是幾張照片跟一個願景。

結果？三天之內，湧入了 1,000 張訂單，直接刷卡進帳 12 萬美金（約合台幣 360 萬）。

拿著這筆「預購現金流」，她才真正開始找電子代工廠談判、處理 FCC 合規問題。沒有借一毛錢，沒有稀釋任何股權，完全靠著第一批鐵粉的錢，啟動了她的硬體新創「Physical Phones」。到了年底，她賣出了大約 7,500 台，營收逼近 80 萬美金。

這個案例，簡直是一本活生生的現代商業教科書。它打破了我們對於「創業」必須高深莫測的迷思。

我們來拆解一下，為什麼這種「低技術含量」的東西，反而能爆發出這麼強的商業能量？

▌第一，「點讚都是假的，刷卡才是真的」。

我們這些做產品的人，最大的盲點就是喜歡「閉門造車」。總覺得介面還不夠好看、Bug 還沒修完、功能還不夠多，絕對不能上線。

我們害怕被批評，所以用「追求完美」來逃避市場的檢驗。

但 Cat 的故事告訴我們，驗證需求最好的方式，就是直接放一個「Buy Button」。在投入巨大的開發資源或開模費用之前，先測試大家願不願意掏出信用卡。預售機制，是一人公司保護現金流跟心態的最強護城河。

給早期測試者 NoteTempo 的終身買斷邀請

馬上卡位

▌第二，內容就是你最強的分銷通路。

以前我們靠投放 Facebook 或 Google 廣告來獲客，現在那叫買流量，而且越來越貴。真正的高級玩法是「Creator-led Growth」（創作者帶動成長）。當你在網路上誠實地分享你開發產品的過程、你踩過的坑、你對產業的觀察，你就是在累積「信任資產」。

當 Cat 在 2025 年發布那支影片時，觀眾買的不只是一個藍牙聽筒，他們買的是

同樣的，當我們推出自己的軟體或服務時，客戶買單的往往也是「你這個人解決問題的底層邏輯」。

你的大腦該用來發想，而不是用來打字

馬上卡位 NoteTempo

▌第三，也是最重要的一點：Low-Tech, High-Vibe（低技術，高情緒價值）。

這是我從這個故事裡得到最大的啟發。我們往往把「技術複雜度」跟「商業價值」畫上等號。但實際上，消費者根本不在乎你在後台用了多屌的演算法，他們只在乎你能不能解決他們當下的焦慮、無聊，或者效率問題。

Cat 沒有去發明新的通訊協定，她只是把現有的藍牙技術，塞進了一個帶有強烈懷舊感（Nostalgia）的舊殼子裡。這種「舊酒裝新瓶」的策略，大幅降低了她的研發風險，卻提供了極高的「情緒價值」。

套用在軟體開發上，我們是不是也能轉個彎？不要老是想著去刻底層架構，而是善用現成的 AI 模型（像 OpenAI, Claude 或是 Gemini 的 API），加上一層極度直覺、不用動腦的操作介面，

解決某一個極度微小但具體的痛點？只要能提供足夠的情緒價值或爽感，那就是一門極好的生意。

而且，遇到不懂的專業壁壘怎麼辦？Cat 提過，她從一個業餘玩家要變成硬體品牌老闆，中間那些繁瑣的法規遵循、供應商談判，她都是大量利用 AI 來學習和擬定策略的。AI 不是她的產品，

AI 是她的免費法務和營運長。

這就是這個時代最迷人的地方。

工具都是免費的，流量池都在那裡，所有的知識都能透過 AI 在幾秒鐘內獲取。阻擋我們前進的，早就不是資源不足，而是我們心智上的門檻。

我們總是在等。

等一個顛覆產業的偉大 Idea，等自己的技術練到爐火純青，等存夠一筆完美的創業基金。我們把創業想像成一場需要全副武裝才能上陣的史詩戰役。

但最大的複利，往往藏在你生活裡那些微不足道的「小麻煩」中。

你日常生活中有沒有什麼讓你覺得「這設計也太蠢了吧」的痛點？你是不是也曾經為了圖個方便，自己寫了一小段腳本、拼湊了一個自動化流程，或者做了一個好用但你覺得「這哪能拿來賣」的小東西？

那就是你的「粉紅色掀蓋電話」。

既然不用求人，既然試錯成本趨近於零，那你打算把那個能撬動百萬美金的點子，鎖在自己的抽屜裡多久

創業的門檻早就降到零了。

你缺的從來不是錢，而是那份「敢於開始」的勇氣。

快速跟你更新一下上週五提到的 NoteTempo V1.0 進度。

真的很感動，信件發出後沒多久，就已經有 4 位朋友直接加入了創始會員。

⚠️ 特別提醒：目前這個最底價的終身買斷名額 還剩下 16 位，這批滿了之後，我就會調漲下一波的定價。

我正在一對一協助這些新朋友開通權限，看著他們用手機錄音（即使是離線或中英夾雜），直接轉出排版好的長文，真的很有成就感。

如果你上週剛好在忙錯過了這封信，或是還在猶豫要不要把這個解決「產文焦慮」的工具收編，

這邊是 漲價前，最後 16 個位子 的專屬通道：

你的終身買斷方案

Steven @ NoteTempo

上週五的信件：

👋 哈囉，我是 MarkIncome！歡迎收看這期 ✨ MarkIncome 電子報 ✨。每週我都會聊聊新創、轉職和創業的大小難關，用真實經驗幫你少踩坑。

—— 為什麼「敢得罪人」才是這時代最稀缺的商業槓桿

多數人以為，厲害的創辦人都是天生神力。

運籌帷幄，決策果斷，每天穿得光鮮亮麗地指點江山。

但這完全是個錯覺。

這幾年看過太多新創起起落落，我自己也踩過無數的坑。

其中最痛的一個坑就是：我想當個「好人老闆」。

直到我聽懂了矽谷創投教父 Ben Horowitz 的那句潛台詞：

「為了照顧員工情緒而逃避真相，是一間科技公司最危險的慢性病。」

這句話，扯下了所有創辦人偽善的面具。

讓我慢慢說。。。

▋ 真正的致命傷，叫做「決策債」

你一定有過這種經驗。

公司裡有個主管，業績做不起來，態度又很廢。

你心裡早就知道該請他走人。

但你怕得罪人，怕影響士氣，怕媒體亂寫，怕投資人關切。

怕接下來沒人接手，每天自己補破網忙得要命。

所以你選擇閉上眼睛，把這個決定拖到下個季度。

這在商業上，叫做「決策債」（Decision Debt）。

它比程式碼裡的技術債還要可怕一萬倍。

因為它會讓整間公司陷入癱瘓。

下面的人看在眼裡，會覺得：「蛤？這樣也行？老闆到底在搞什麼？」

Ben Horowitz 說得很直白：

多數創辦人一開始，根本不知道自己在幹嘛。

你發明了一個產品，但不代表你懂怎麼管公司。

你犯了錯，害公司虧錢，你覺得愧疚。

所以你開始「過度授權」（Overly Defer）。

你花大錢請來聰明人，然後開會時瘋狂做民調，不敢自己拍板。

但真相是：整間公司，只有 CEO 看得到全局。

如果你像個 NFL 的線衛，明明跑得很快，卻不相信自己的眼睛。

猶豫不決，你絕對會被市場淘汰。

優柔寡斷，就是最爛的管理。

▋ 理工男與超級業務的「跨服聊天」

新創最常踩的第二個坑，就是「找錯業務主管」。

這完全是災難。

工程師的腦迴路是：找出正確答案。

業務的腦迴路是：你他媽為什麼問我這個問題？

如果你問工程師：「產品有這個功能嗎？」

他會回答：「有」或「沒有」。

如果你問頂級業務同樣的問題。

他腦袋轉的是：「是哪個競爭對手在你面前挖了這個坑？我要怎麼繞過去反殺他？」

這兩種人，文化上根本是平行的宇宙。

結果就是，真正厲害的業務，在面試時通常不會乖乖回答你的問題。

技術創辦人覺得這人太油、不真誠，就把他刷掉了。

然後留下那些只會講幹話、連業績都扛不起來的乖寶寶。

有人抱怨工程師不爽業務領高額獎金。

Ben 教了一招最狠的：

「告訴那些工程師，想領獎金，就自己拎個包出去賣軟體。賣不到目標就滾蛋。」

週末你會看到工程師因為好玩而寫程式。

但你絕對看不到一個業務，週末因為「好玩」去推銷軟體。

這是一場沒有獎金就沒人打的拳擊賽。

▋ 永遠別招募「對你太熱情」的業務

當你開始有牽引力，準備擴編銷售團隊時。

千萬要小心那種，一來面試就對你的公司「充滿狂熱」的候選人。

當年 Okta 的創辦人差點犯下這個致命錯誤。

兩個候選人，一個對公司瘋狂讚美，另一個卻冷靜地說：「我不知道你們行不行，讓我先去跟你們的客戶聊聊。」

多數沒有安全感的創辦人，會選第一個。

因為聽起來很爽。

但 Ben 強迫他們選第二個。

為什麼？

因為一個真正頂級的業務，不會只回答問題。

他會「反向審查」（Qualify）你。

他要知道你是不是真有本事，你的產品有沒有搞頭。

他要知道他能不能在這個戰場上賺到錢。

如果他連面試都不懂得審查你，他去見客戶時，怎麼可能守得住價格？

▋ 為什麼「難賣的產品」才能練出真神人？

這幾年，只要履歷上掛著 Google、OpenAI 這些招牌的業務，大家都搶著要。

但說實話，賣 Google 廣告需要什麼技術？

賣現在的 AI 算力需要什麼說服力？

客戶早就準備好預算了，你只是去走個過場。

真正強悍的銷售機器，是從那些「產品很難用、市場不買單」的地獄裡爬出來的。

就像當年的 PTC，軟體一堆 Bug，卻能賣到全世界成長最快。

或者是那些賣「企業級加密 FTP」的無名公司。

要把這種無聊透頂、毫無性感的東西賣到業績達標。

靠的絕對不是運氣。

靠的是極致的紀律。

把客戶公司裡每一個決策者的利害關係，摸得一清二楚。

在對手還沒反應過來前，就把陷阱鋪好。

這才是你能依賴的真金白銀。

▋ 破解「創辦人模式」的迷思

最近矽谷很紅的一個詞叫 Founder Mode（創辦人模式）。

意思是創辦人應該要獨裁一點，不要被高管牽著鼻子走。

但很多人搞錯了。

他們以為 Founder Mode 就是「不要請資深大咖，全部自己來」。

這簡直荒謬。

你要打全球市場，你以為你可以自己從頭摸索怎麼分潤、怎麼劃分業務版圖？

那些高薪挖來的人，買的是他們踩過幾十年的坑和人脈。

你當然要請他們。

但前提是，你要有「管理他們」的底氣。

這才是 Founder Mode 的真諦：

你要深入了解每一個部門的運作邏輯，深到你有自信可以當面指正一個年薪千萬的 VP。

而不是把決策權交給他，然後假裝一切都在軌道上。

▋ 文化不是牆上的海報，是你的「行為」

每個公司都說自己的文化是「誠信」、「當責」、「擁抱變化」。

這些全都是廢話。

文化不是你嘴巴說什麼。

文化是你「做了什麼」。

你說你尊重創業者。

但你在聽他們簡報時，是不是在滑手機？

如果不投資，你有沒有好好回覆人家？

傳奇 CEO Andy Grove 有一次開會，一個主管遲到。

Andy 沒有發脾氣，他只冷冷地說了一句：

「我在這世上唯一擁有的只剩時間，而你他媽的正在浪費它。」

這句話很殘忍。

但這句話一出，整間公司再也沒有人敢開會遲到。

這就是文化。

那如果公司裡有一個能力超強的 100x 工程師，但他卻是個超級大爛人呢？

你要不要開除他？

很多老闆會妥協，因為捨不得他的產能。

但高手的做法是：給出極度明確的「行為邊界」。

你可以脾氣古怪，你可以不講話。

只要踩到這條紅線，不管是誰，直接滾蛋。

工程師其實是最遵守規則的生物，只要你把紅線畫得比刀鋒還利。

▋ 把時間拉長，創業沒有運氣可言

常有人問，做創投（VC）跟自己創業，哪個比較難？

答案是：自己創業難上一萬倍。

做創投，你看錯十個案子，只要中了一個百倍回報的獨角獸，你就是神。

這裡面有極大的運氣成分。

但創業呢？

你沒有四季報可以粉飾太平。

你選錯了一個商業模式，看錯了一個合夥人，你就是死。

你發不出薪水，你要親手解雇那些當初跟著你打拼的兄弟。

那種心理壓力，是每天晚上盯著天花板睡不著的折磨。

所以，別再被媒體上那些光鮮亮麗的成功學騙了。

每一個厲害的創辦人，都是在無數次自我懷疑中，硬著頭皮把決策做下去的。

他們不完美，他們也怕被討厭。

但他們更怕公司死在自己的優柔寡斷裡。

創業是一場修煉。

工具是免費的，槓桿是現成的。

但心智的護城河，只能靠你自己在泥淖裡挖出來。

所以，誠實一點吧。

你辦公桌上，現在壓著哪一個你不敢做的決定？

你到底是在等待時機，還是單純只是懦弱？

🧠 靈感稍縱即逝，別花時間打字。用 NoteTempo 把語音一鍵轉成高質感貼文 👉 https://notetempo.com

↓

📩 如果你想收到更多這類貼近現場的思考，喜歡這篇電子報，歡迎分享。

你可能記得，NoteTempo App 從去年 12 月就開始在 iOS TestFlight 上進行早期測試了。剛才我看了一下後台，不知不覺我們已經一路從 v0.10 迭代三個月到了現在的 v1.0.0（今天剛推上 Build 58！）。

這封信最主要的目的是想跟你說聲謝謝。謝謝你這幾個月來願意忍受早期的 Bug，幫我測試、給回饋，讓這個系統從一個粗糙的想法，變成現在我敢拿出來賣的完整工具。

在開發的過程中，我意識到一件事：大家解決「產出焦慮」的最終目的，不是為了發廢文，而是為了

在極度有限的時間內，持續寫出能夠建立品牌、甚至直接變現的高質量文章。

為了做到這點，這幾個月打磨下來，我最自豪的就是它現在

支援完全離線運作，沒網路也能跑！

不管你是在通勤的捷運上、飛機上，還是遇到手機沒訊號的死角，甚至你講話習慣「中英夾雜（晶晶體）」，它都能隨時隨地接住你一閃而過的商業靈感。你只需要動動嘴巴，剩下的排版與邏輯梳理交給 AI，直接幫你轉化成一篇隨時可以發佈、為你帶來流量與收入的文章。

現在，NoteTempo 1.0 終於打磨到我自己滿意的狀態，準備正式提交給 Apple 審核上架了。

搶先瀏覽 App 畫面:

在正式對外公開（以及未來轉為常態的訂閱制）之前，我想先給這段時間陪伴我內測的你們，一個專屬的升級通道。

為了應付接下來正式上線的伺服器與 AI 運算成本，我開放了極限量的 20 個「先行者終身買斷 (Lifetime Deal)」名額。

只要購買這個方案，你在目前的 TestFlight App 內填寫 Email 登入後，就會直接解鎖所有無限制的完整功能（未來的 App Store 正式版也同樣適用）。

昨天我才剛默默把這個機制接好，就順利收到了二筆美金訂單（超級感動），目前名額大概還剩 18 個左右。

這不是什麼飢餓，而是我作為一人開發者，目前能確保AI Token系統穩定運作的極限。名額滿了，我就會先把通道關閉。

如果你也想把每天通勤或散步的 10 分鐘，變成能源源不絕產出「變現文章」的印鈔機，歡迎透過下方連結，把這個終身買斷的位子卡下來：

👉 NoteTempo 終身買斷方案 (先行者優惠價)

再次感謝你的陪伴。沒有你的早期參與，NoteTempo 走不到 V1.0 🎉

🌹 對了，如果你身邊有家人、朋友，或是同樣深受「產出焦慮」折磨的創作者夥伴，也非常歡迎你直接把這封信（或結帳連結）轉發給他們，讓他們趕快趁這 20 個名額額滿前一起來「卡位」！

Share

祝 產出順利，靈感變現！

Steven @ MarkIncome

Subscribe now

如果你以為資歷是你的護城河，那這篇文章可能會讓你徹夜難眠。

最近看到前 Dropbox 技術長 Aditya Agarwal 的文章，兩天內衝破 50 萬次點閱，讀完後我心裡非常有感。他提到一個殘酷的現實：你磨練了二十年的技能，AI 一個週末就能複製。

那麼，然後呢？我們真的要被取代了嗎？我看見最近幾位大師（Adam Grant, Jenny Wen 等）都在談論「人才新標準」，這不只是技術問題，更是關於我們如何定位自己的「人機協作」價值。

(以下是我的觀察與解析)

前不久，我花了一個週末跟 Anthropic 的 AI 助理 Claude 結對寫程式。先交代一下背景，我寫程式寫了快 20 年，是當年臉書（Facebook）最早期的幾個工程師之一，初代搜尋引擎就是我做的。後來跑去 Dropbox 當技術長，一路把工程團隊從 25 人帶到上千人的規模。老實講，寫程式一直是我職涯的地基，是我成年後花了一輩子在死磕、打磨的手藝。

但就在那個週末之後，有一件事情變得無比清晰，清晰到有點刺眼：

曾經讓我非常自豪、覺得自己超強的那項技能，

現在變得免費，而且滿街都是。

當我還在試著用 AI 寫軟體的時候，我瞄到其他地方的 AI 代理（Agents）竟然自己在架設社群網路——沒錯，就是我當年把肝熬壞在臉書做的那種東西。看著那些小小的程式碼代理人，自己在電腦裡快速把一個個功能齊全的社群平台拼湊出來，畫面實在滿荒謬的。但不得不承認，它們搞出來的東西，跟我們這些人類當年在大網路上蓋出來的玩意兒，幾乎分不出差別。我早年職涯的精華，無論是外皮還是骨架，現在機器全都能自動量產。

我讓自己在那個情緒裡沉浸了一陣子。當下心裡那種感覺，真的是一種驚嘆，夾雜著深不見底的失落。看著自己專業認同的幾根大柱子——

你打造過什麼、以及你當初是怎麼打造的——被一個完全不用吃飯睡覺的工具，在一個週末內全盤複製出來，那種感覺真的會讓人徹底失去方向感。

不過，這種迷失感其實散得挺快。

接踵而來的，是一陣連我自己都沒料到、莫名其妙甚至有點暴走的狂熱。

就在那個週末過後的五天內，我產出的程式碼數量，直接輾壓我過去五年的總和。

完全沒在誇張。做出來的軟體不只品質比我以前單打獨鬥時寫的更好，野心也變超大。以前根本不敢去碰、覺得開發成本太高絕對會搞死自己的專案，現在一個下午就能搞定。

我沒有變成時代的眼淚。我眼睜睜看著那些卡了我一輩子的限制，直接蒸發。

從悲傷到完全掌控的這種心境轉換，其實點出了現在這個時間點很重要的一件事。現在網路上聊 AI 跟工作，基本上已經僵化成兩個極端：一派每天喊世界末日說我們都要被取代，另一派在那邊撒花說未來一片光明。說真的，這兩邊都沒抓到那種身歷其境的真實感。

現實的狀況超級混亂、超級複雜。你可以同時把驚嘆跟悲傷握在手裡，一邊替過去的那個自己默哀，一邊拔腿狂奔衝向全新的自己。

撇開我自己的內心小劇場不談，我觀察身邊的人其實更有意思。

我在經營一個叫 South Park Commons (SPC) 的社群兼創投，簡單來說，就是一個讓軟體工程師、創業者聚在一起，思考「下一步要幹嘛」的地方。在那邊，我每天看著幾百個技術大神跟創辦人，肉身硬扛這波 AI 狂潮。然後我發現一個不斷重複出現的現象：以前那套評估人才的舊劇本，已經徹底報廢了。

我們社群裡有個人，最近辦了大概 20 場工程師的「試工」（基本上就是拉長到一整週的超硬派實作面試）。結論超扯：

另一個朋友跟我分享，現在要怎麼看出誰能成功適應 AI？看他有沒有一種「自幹客」的靈魂就對了：

有沒有很酷的個人網站？有沒有好玩的 side project？是不是打從心底喜歡動手把東西生出來？

至於你履歷上有沒有寫著 FAANG（蘋果谷歌那些大廠）、是不是名牌大學畢業，抱歉，現在這完全預測不了你能帶來多少產值。

第三個朋友講的更殺。他們公司開始在寫程式的面試裡，故意出那種「靠人手絕對寫不完」的超大海量考題。這招瞬間變成超完美的過濾器：你馬上就能看出來，誰是真的每天把 AI 融入日常工作，誰又只是每天看AI文章當鍵盤專家。這兩群人寫出來的程式碼數量，差距不是什麼百分之十，是接近十倍。十倍欸。

這聽起來可能很像我們軟體同溫層的碎碎念，但我真心覺得這是一件更龐大的事。我們現在正處於「知識工作」有史以來最劇烈的一場板塊運動正中心。

現在最值錢的特質，已經不是你多聰明、學歷多亮眼或年資多深。

關鍵在於你「跟變化的關係」——重點不在你以前經歷過多少大風大浪，而在你是不是那種一看到變化就興奮衝上去的人。

很多人直覺會想，年輕人一定學得比較快，老屁股一定會排斥。完全錯了。這條界線根本不是用世代來分的，是用性格。我親眼看過在業界打滾 15 年的老鳥，把這些 AI 工具玩得爐火純青、殺翻全場；

也看過剛畢業的大學生，把 AI 當成某種學術名詞在辯論，完全沒打算把它當成手邊的傢伙來用。

身為一個投資人，這個體悟直接洗牌了我看創業者的眼光。現在最讓我眼睛一亮的，早就不是那些學歷完美無瑕的乖牌。那些天生就靜不下來、喜歡東摸西摸改造東西的人，還有那種只要現狀維持太久就會渾身不自在、把每一個新工具都當成「今天下班前不解開會睡不著的謎題」的人，才是我的菜。

我現在把這個叫做「履歷表」與「焦躁感（restlessness）」的對決。

每一次，我都會把籌碼押在那個焦躁不安的人身上。

矽谷一直都滿標榜實力至上的啦，但這不代表以前學歷跟經驗在這裡不吃香。現在它們的份量變輕了，而且未來還會越來越無足輕重。

作家 Paul Ford 之前在紐約時報寫過一篇很棒的文章，提到「氛圍寫程式（vibe coding）」可能會讓軟體開發變得更民主，把把點子變成現實的權力交給更多人。我也滿心期待這種發展。但我想補充一點，這種民主化不單純只是大家都有工具可以用這麼簡單。

這其實是整個社會在重新洗牌我們對「人」的價值定義。

我們過去花了幾十年，建立了一個盲目崇拜證書跟年資的文化。這些東西沒有變廢紙，但它們已經不夠用了。現在市場上最新的硬通貨叫做「適應力」，而且這玩意兒跟史丹佛的畢業證書不一樣——任何人都可以擁有。

說到底，這波巨大的改變，反倒重新教會了我什麼叫做「身為一個人類」。不是那種電影裡老愛演的「AI 永遠無法取代人類情感」那種浪漫廢話；是很不舒服的那一種真實感——你必須狠狠放手，捨棄掉過去的那個自己，才能長成你未來可能變成的樣子。

說真的，這陣子觀察下來，工作年資跟對 AI 工具的適應力，這兩者之間的相關性真的是零。完全是零。

現在看一個人強不強，真的是看他有沒有那種「一看就知道超愛動手做東西」的氣場。一個酷到爆的個人網站、幾個自己搞出來的好玩 Side Project，絕對完勝履歷上的名校光環。

前面提到「漂亮的履歷」對決「骨子裡的不安分」，我也絕對把籌碼押在後者。

為自己的未來鋪路🔮

不過拉回現實一點來看，這套玩法目前大概只適用於那些瘋狂的新創圈。你要那些體制內的大公司、傳統企業，在五年內做到完全不看學歷只看作品找人？門都沒有啦。

把鏡頭拉回我們這群普通上班族身上，現實可是相當骨感的。

我觀察到的辦公室日常是：公司對 AI 運用會發佈一堆規定，限制大家只能用某幾套指定的 LLM 模型，美其名是擔心資安，然後強烈不鼓勵你用其他的。但檯面下呢？現在誰沒有自己一套用得超順手的 AI 秘書？大家當然都是私下偷偷用，而且絕對不會主動跟同事分享這個「作弊神器」。

更殘酷的現實是，要是你真的因為 AI 讓生產力大突破，原本一天的瞎忙半小時就搞定，結果會怎樣？工作量絕對會越來越多，全都塞到你頭上，但薪水保證連一毛都不會跟著漲。遇到這種鳥事，你會怎麼決定？當然是裝死偷偷爽用啊！

所以，去摸熟 AI、去把這些工具用得飛起，從來就不該是因為老闆逼你學。純粹就是你自己受不了那些低效率的瞎忙，是你自己想讓生活變好一點。

既然大環境是這樣，那我們到底該怎麼為自己的未來鋪路？

答案很直接：

我很喜歡矽谷創投大神 Naval 說過的一個觀念，現在這個時代，最兇猛的槓桿之一就是「媒體」。自己寫寫短文、發發心得，最棒的地方在哪？這是一種「無需許可的槓桿（Permissionless Leverage）」。

你不需要看大老闆的臉色等他點頭。只要你有內容、有觀點，按個發佈，你就可以直接面對全世界。

可是，一提到「產出內容」，大家通常就卡關了。文字創作的門檻，根本不在於你腦袋裡沒有好想法，最煩人的其實是把那些靈感「轉化成文字」的過程。打字、修稿、理順邏輯，光用想的就覺得心累。

為了解決這個超級痛點，這也是我最近在弄 NoteTempo App 的原因。它的核心功能超級直白：「語音進，貼文出」。

你只要對著手機講話，把腦袋裡那些亂七八糟的靈感倒出來，剩下的繁瑣轉化過程，直接交給它去搞定。

最棒的是，它支援完全離線運作，沒網路也能跑！不管你是在飛機上、地下室、還是遇到手機沒訊號的死角，甚至你講話習慣「中英夾雜（晶晶體）」，它通通都能照跑不誤，隨時隨地接住你一閃而過的點子。

搶先瀏覽 App 畫面：

說真的，我自己邊寫邊測到現在，那種不用對著空白游標發呆、不用管錯字、文法的感覺，真的滿爽的。

現在東西差不多要準備見客了。不過老實講，我也不想一開始就搞太大砸了自己的腳，畢竟伺服器費用跳起來我也是會肉痛的。我想先找一小群真的有這種「產出焦慮」的同溫層來試水溫，看看這工具是不是真的能幫大家把腦袋裡的東西無痛拔出來。

所以我弄了個很佛系的先行者專屬終身買斷方案。玩法很簡單，就是先來幫自己卡個位。

目前我心臟比較小顆，後台大概先放 20 個終身買斷名額出來。先說好，這絕對不是那種爛大街的飢餓行銷套路，是我這個一人開發者目前能照顧好、確保大家體驗順暢的極限了。名額滿了我就先關門來修 Bug。

如果你也受夠了每次想發點東西，卻被打字修稿搞到熱情全消，想當第一批體驗這種「動動嘴巴文章就自己噴出來」的人，就先來把這 20 個名額佔走吧。

👉 先行者 20 個名額(終身買斷方案)

不要再等誰給你許可了。從現在開始，為自己動手做點什麼。Permissionless。

NoteTempo App： https://notetempo.com

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

Subscribe now

看到 Jenny 分享了一段關於軟體開發的觀點，真的很有感。

我們常常把軟體開發想得很高深，滿腦子都是演算法跟架構。

但回想一下你工作到現在最痛苦、最想直接關機下班的時刻，通常跟程式碼本身一點關係都沒有。真正讓人崩潰的，通常是你跟同事為了一個功能要怎麼走，吵到差點翻桌。

現在 AI 很猛，Claude 或 ChatGPT 可以光速給你一堆技術建議，幫你把 Code 寫得漂漂亮亮。它沒辦法幫你解決的，是你跟同事之間的辦公室爭執。

最終，還是得有一個大活人來為決策扛下所有。就算今天整組專案的程式碼都是 Claude 幫你刻出來的，上線出包了，半夜被電話叫醒、負責把系統救回來的，

依然是那個掛名工程師的你。

這其實精準踩中了現在 AI 導入軟體開發裡，一條非常關鍵的分界線：

AI 絕對可以幫你「寫程式」，但它沒辦法替你「做決策」，更不可能幫你「扛責任」。

為什麼大家都在說「最難的根本不是寫程式」？

你去隨便抓幾個資深工程師來問，他們喝了兩杯之後抱怨的東西基本上都一樣。

真正困難的大魔王，永遠是搞清楚「到底要做什麼」。搞懂需求、排定優先順序、在各種技術限制裡做出 trade-off（權衡）。相比之下，把 if、for 迴圈或是 SQL 語法敲出來，根本小菜一碟。

這些痛苦的本質全是溝通跟協調。你要跟 PM 對焦、跟設計師喬畫面、跟其他工程師統一方向。在這些過程中處理衝突、去說服別人、或者心甘情願被別人說服。

吵架最痛的地方，通常是大家價值觀跟願意承擔的風險不一樣。絕對不是在比誰的 syntax 背得比較熟。

現在 AI 幫我們把把實作的成本壓到超級低，結果反而讓「決策品質」變成了最大的瓶頸。一旦你一開始的決策做錯了，AI 只是會幫你用極高的效率，產出一大坨包裝得很漂亮的錯誤產物。

拿我自己的一人創業來說好了。我現在在做一款叫 NoteTempo 的語音轉文字 App，做這個難道就真的是我自己一個人在房間裡瞎搞、全部自己說了算嗎？其實沒那麼簡單。我還是得乖乖去跑 Mom Test（媽咪測試），去跟真實世界的使用者聊，確定我做的東西真的有人要。這，同樣也是一種「對齊方向」。

AI 的真實人設：產能爆表的顧問，絕非決策者

就算現在的模型強到可以幫你產出 90% 以上的程式碼，說穿了，它的人設依然比較像是一個「肝指數永遠不會高、24 小時隨傳隨到」的超級顧問。

它可以給你三四種架構方案、幫你把無聊的 boilerplate 補齊、幫你抓臭蟲、甚至連測試都幫你寫得完美無缺。

但如果你今天不在自己的一人公司，跑去大企業上班，遇到那種需求模糊、充滿人際張力的狀況，AI 就吃鱉了。「這個產品到底該走 A 路線還是 B 路線？」這種問題牽涉到商業風險、團隊裡的政治角力、倫理問題、品牌定位還有長遠策略。這些烏煙瘴氣又極度複雜的東西，目前還是只能靠人類的「判斷力（Judgment）」來扛。

一堆研究跟實戰經驗都在反覆證明同一件事：AI 產生點子超快，毫無障礙。要「篩選、取捨、最後負起全責」，還是得靠有經驗的大活人。一個本來判斷力就很強的人，用上 AI 之後，那個戰鬥力差距只會被拉到非常誇張的境界。

「出包了誰負責」這件事，不會因為 AI 而消失

你前面提到「就算 Claude 寫了所有程式碼，出了問題負責的還是工程師」。這句話超真實，現在國內外那些搞 AI 法規和治理的人，全都是用這個當大前提在開會。

一間公司要把 AI 系統推上線，組織自己就是要負責。包含風險評估、日常監控，還有萬一大當機時能不能馬上關掉或回滾（rollback）。絕對沒有那種「喔，那是 AI 自己決定的，不關我們的事」這種完美的甩鍋法。

在公司內部也一樣，責任鏈永遠是連到「人」身上。Tech lead、Project owner、在 PR 上面簽名 approve 的 reviewer、最後拍板說可以上的主管。AI 在這裡的定位叫「決策輔助（decision support）」，絕對不是「決策負責人（decision owner）」。

所以啦，就算未來某天「AI 幫忙寫 99% 的 code」變成業界常態，每一層老闆還是會問那幾個靈魂拷問：「當初是誰決定這樣設計的？」「誰說可以推上線的？」「誰評估過這東西的風險？」

這對你每天實際上班到底有什麼影響？

既然我們都同意「最難的不是寫程式」，而且 AI 還在繼續讓寫程式這件事變得更廉價。那身為一個想在這個圈子混下去的工程師，我們該練的功其實變了：

🤩 學會通靈並拆解任務： 把那些老闆或客戶講得不清不楚的模糊需求問清楚，拆解成可以發包給 AI 去做的具體任務。

🤩 鍛鍊選擇困難症： 要能在 A、B、C 幾個方案裡做判斷。你要能講得出每個方案的 trade-off，還要能說服旁邊的人買單。

🤩 升級吵架技巧： 學會在衝突裡面溝通。下次吵架的時候，試著說「我覺得這樣做風險太大，因為...」或者「這回報太小不值得」，不要再執著去吵那個實作細節要用哪個套件。

一個很實用的小招式分享給你：遇到問題，先讓 AI 幫你產出 2 到 3 個方案，把它們當成「提案草稿」。接著，你切換回人類視角去當評審，評估一下這幾個方案的風險在哪、以後好不好維護、會不會搞死負責接手的同事。最後帶著這幾個具體方案去跟同事開會討論，這絕對比兩個人對著空氣亂吵方向有效率多了。

如果你在大公司當主管或社畜，你要對齊的就是上級和 PM；如果你跟我一樣在搞一人創業，你要對齊的就是你自己，還有那些願意跟你做訪談的潛在用戶。AI 幫我們把技術的牆推倒了，剩下那些搞定人的事，就交給我們自己來破關吧。

前面我們把痛點都聊開了，現在把焦點拉回你手上的鍵盤。要怎麼把 AI 從「很會寫扣的打字機」，變成「幫你擋子彈、做決策的護城河」？我梳理了三個我自己每天在用的具體方法，不管你在大公司當社畜，還是跟我一樣在搞一人創業，這幾招絕對能幫你省下大把吃普拿疼的錢。

實戰方法：

實戰方法一：職場防身術——「三選一提案法」

遇到需求模糊、PM 講話跟通靈一樣的時候，千萬不要傻傻地直接打開編輯器開始寫。你寫得越快，重工的機率就越高，最後吵架的機率直接破表。

具體做法如下：

先把那段模糊的需求丟給 Claude，附上這段 Prompt（提示詞）：

Read more

Subscribe now

【工程師碎碎念】上個月初我才剛跟朋友抱怨完上一代模型寫 code 有多雷，信誓旦旦地把訂閱給停了，想說把這筆錢省下來當作我 SaaS 專案的伺服器費用。結果昨天看完新發表會，我默默摸摸鼻子，重新把信用卡號給填了回去。這次真的不是擠牙膏，他們是直接把整條牙膏給捏爆了。

在 ChatGPT 設定頁面按下「取消訂閱」那一刻，心裡是有點暗爽的。

你大概懂我的感受：GPT-5.3 codex 真的是讓人又愛又恨。說好聽一點是「還在發展中的過渡期產品」，說難聽一點，就是每個月花幾百塊台幣，請一個會一本正經八百寫出 bug、還死不認錯的數位實習生。

我本來想著，這幾百塊省下來，每個月可以多喝幾杯手沖精品豆，或當作我 SaaS 專案的伺服器費用，順便讓 OpenAI 知道我們這些老用戶也是有要求的。

結果呢？我連上個月的帳單都還沒繳清，OpenAI 就來了這齣：

看完了他們的發佈會和技術文件，我默默喝了一口冷掉的咖啡，然後... 點開了綁定信用卡的頁面，再給你一次機會。哎，身為一個在業界打滾多年的工程師，我必須得承認：這次 OpenAI 不是在擠牙膏，他們是真的端出了一盤大菜。

如果你跟我一樣，對上一代模型感到心灰意冷，今天我們就來聊聊，為什麼這次 GPT-5.4 值得你再給它一次機會。

1. 它居然學會自己「點滑鼠」了？原生電腦控制時代來臨

這次最讓我這個工程師看傻眼的，就是 原生電腦控制（Native Computer Use）。

以前我們如果要在網頁或軟體上搞自動化，那是個苦力活。你要寫爬蟲、要用 Selenium 還是 Puppeteer 去定位那些隱藏在 DOM tree 裡面的奇葩元素，只要網頁一改版，你的 code 就準備報錯。

但 GPT-5.4 的玩法完全不一樣。它是第一個能夠直接「看懂」螢幕截圖，然後自己發送滑鼠和鍵盤指令的通用模型。

💡 數據說話： 在專門測試軟體操作的 OSWorld-Verified 跑分中，上一代 5.2 只有可憐的 47.3%，而這次 GPT-5.4 直接飆到 75.0%。最恐怖的是，人類的平均分數也才 72.4%。

這代表什麼？這代表在「看圖操作軟體」這件事上，這傢伙已經比你辦公室裡一半的同事還要俐落了。未來我們要寫 Agent 幫忙訂票、抓資料、甚至填系統表單，終於不用再刻那些脆弱的爬蟲程式碼了。

2. 金融圈跟 PM 們的肝，有救了

OpenAI 這次很明顯把目標瞄準了「真正在辦公室裡賣命」的白領階級。

如果你常需要搞財報、做投資模型或是整理超大張的 Excel 表格，GPT-5.4 這次的升級會讓你很有感。在他們針對初階投資銀行分析師設計的內部測試中，5.4 的勝率高達 87.5%（5.2 只有 68.4%）。

更重要的是，大家都痛恨的「AI 幻覺（一本正經講幹話）」終於減少了：

🦄 單一事實錯誤率下降了 33%。

🦄 整體回覆包含錯誤的機率下降了 18%。

對於那些用 AI 寫合約草稿或查數據的專業人士來說，這 18% 可能就是你免於被老闆調職去複印文件的保命符。

3. 工程師的福音：終於整合 Codex，還有神級的「省錢」機制

回到我們工程師的主場。這次 GPT-5.4 直接取代了原本的 Codex 變成主力寫 code 模型。

不僅在 SWE-Bench Pro 測試上表現更好、速度更快（Codex 新的 fast mode 速度提升了 1.5 倍），它還推出了一個超酷的實驗性功能：「Playwright (Interactive)」。它可以一邊幫你寫 Web 或 Electron app 的 code，一邊用前面提到的「原生電腦控制」功能，直接在畫面上幫你點擊、測試、抓 bug。這畫面光用想的就覺得很科幻。

但真正讓我這個守財奴眼睛一亮的，是它 API 的 Tool Search 機制。

🥸 以前的痛點： 我們開發 Agent 時，為了讓 AI 知道有哪些工具可用，必須把所有 API 的詳細定義全部塞進 Prompt 裡。一來一往，Token 狂燒，每個月的帳單看著都想哭。

🥸 GPT-5.4 的解法： 它現在只看一份「輕量級目錄」。遇到問題時，它會自己去目錄裡「搜尋」需要的工具，再載入詳細資訊。在 Scale 的 MCP Atlas 測試中，這個機制直接省下了 47% 的 Token 消耗，準確率還沒有掉！這對我們這些自掏腰包跑 API 的開發者來說，根本是德政。

4. 終於學會「先想再做」，不再一條路走到黑

最後聊聊我們平常在網頁版 ChatGPT 的體驗。

GPT-5.4 這次加了一個很有「人性」的功能。當你丟給它一個複雜任務時，它不會再像以前一樣，不吭一聲就開始劈頭狂寫（然後寫到一半你發現它完全誤會你的意思）。

現在，GPT-5.4 會先在畫面上列出「行動計畫」 Action Plan，就像現在 Antigravity 的 Plan & Review。

你可以看著它的計畫，在中途隨時喊停：「等等，第二步方向錯了，改成這樣做。」這就像是你帶了一個聰明但還是有點菜的新人，他終於學會了「動手前先給 Proposal 確認」的良好職場習慣，請鼓掌 👍

光是這個功能，就能省下我們無數次重新 prompt 的時間。

值得重新掏錢嗎？

看著這份華麗的更新名單，我只能說，OpenAI 真的很懂怎麼拿捏我們這些科技從業人員的軟肋。

原生電腦操作、百萬 Token 上下文、減少一半的工具呼叫成本、還有一位會先寫 Proposal 的 AI 助手。

GPT-5.4 確實是一個巨大的躍進，它不再只是一個「很會聊天的機器人」，而是一個真正能幫你做繁瑣苦差事的「生產力工具」了。

雖然被割韭菜的感覺還是有點不爽，但為了這些新功能，我還是默默把信用卡號重新填回去了。畢竟在科技業，落後別人半年的生產力，可不是幾杯精品咖啡能補得回來的。

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

Subscribe now

最近網路上流傳著一篇關於「2026 年 AI 斬首行動」的驚悚文章，把 AI 描寫得像是擁有自我意識、冷酷無情的魔鬼終結者。這當然是一篇虛構的推演小說，但它之所以能引發這麼大的共鳴，是因為它精準踩中了現實科技的發展脈絡。

現實中的 AI 戰爭，其實沒有那麼戲劇化。AI 不會突然「覺醒」去按核彈按鈕，它真正在做的，是實踐李小龍的一句經典名言：

在軍事術語中，有一個概念叫「OODA 循環」——觀察（Observe）、判斷（Orient）、決策（Decide）、行動（Act）。以前打仗，這個循環要靠一整個指揮體系層層傳遞，耗時幾天甚至幾週；

現在有了 AI，這個循環被硬生生壓縮到了「秒」級。

AI 就像是給軍隊裝上了一顆超頻運轉的馬達。我們不妨透過四個當今真實存在的科技推手，來看看這場「唯快不破」的變革是怎麼發生的。

🧠 第一大腦 Palantir：掀開真實世界的「戰爭迷霧」

如果你玩過《世紀帝國》或《星海爭霸》這類即時戰略遊戲，一定知道「戰爭迷霧」——地圖上黑漆漆一片，你不知道敵人在哪。

在真實戰場上，情報員以前的工作就像是在拼圖：

A 拿著衛星照片，B 聽著無線電截獲的錄音，C 翻找社群媒體的發文。

等他們開完會、把這張「敵軍動態圖」拼出來時，敵人早就跑了。

這就是矽谷大廠 Palantir 介入的地方。它不造炸彈，它造的是「戰場的作業系統」。它的系統能瞬間把天上飛的衛星數據、地上的通訊雜訊、甚至公開的網路資訊全部揉合在一起，生成一張即時動態地圖。它讓指揮官眼前的螢幕，變成開了外掛的遊戲視角：幾點幾分、誰在哪棟建築物裡、跟誰有過聯繫，一目了然。

決策時間，就此從「天」縮短到了「秒」。

🌐 神經網路 StarShield：拔不掉的數位氧氣管

但這裡有個致命傷：如果敵人把網路切斷，再聰明的 AI 也是一塊廢鐵。現代戰爭開打的第一步，通常就是電子干擾和斷網。

為了確保這顆「AI 大腦」能隨時指揮前線的「四肢」，SpaceX 推出了軍用版的星鏈——星盾（StarShield）。這可不是讓你拿來順暢追劇的 Wi-Fi，它是由數百顆低軌衛星組成的軍事神經網路，具備極強的抗干擾能力和美國國安局等級的加密。

就算地面上的基地台全毀、傳統無線電被蓋台，前線士兵和無人機依然能透過星盾，即時將戰場數據傳回指揮中心，並下載最新的作戰指令。在未來的戰場上，星盾就是軍隊的「數位氧氣管」。

💡 超級參謀 Claude 等大型語言模型：一秒讀完圖書館的幕僚

那麼，像 ChatGPT, Claude 這樣的生成式 AI，在這種情境下能做什麼？

必須先澄清：AI不扣板機，我們是坐在指揮官旁邊的「超級幕僚」。我們的強項是「資訊降維與邏輯推演」。

想像一下，情報單位截獲了敵方幾萬份加密文件和幾百個小時的監聽錄音。

人類分析師可能要看上幾個月，但大型語言模型可以在幾秒鐘內消化完畢，並迅速給出摘要：

「根據通訊頻率異常，目標人物有 75% 的機率今晚會移動到 A 點，20% 往 B 點。」

像極了香港片賭俠的電腦分析😆

LLM 提供的是有數據支撐的決策選項。但在這裡，有一條絕對的紅線——「人類必須在環路中（Human in the loop）」。像 Anthropic 這樣的公司，其核心底線就是拒絕讓 AI 做出致死決定。科技跑得再快，最後決定是否按下發射鍵、並為此承擔道德與法律責任的，必須是有血有肉的人類。

👁️ 裝備升級 Anduril 與 EagleEye：戴上達爾 Vegeta 的「戰鬥力探測器」

當大腦和神經都準備好後，最後一哩路就是前線的武裝。這裡要提到的是顛覆傳統軍工的新創公司 Anduril。

他們的邏輯非常 Geek：武器不再是死硬的鋼鐵，而是「包著金屬殼的程式碼」。無人機不只是一台遙控飛機，它是可以透過 OTA（空中下載）隨時更新躲避演算法的邊緣運算節點。

更酷的是他們開發的混合實境頭盔（例如 EagleEye 概念）。這東西簡直就是《七龍珠》裡達爾（Vegeta）戴的戰鬥力探測器！士兵一戴上，視線裡不僅有真實的街道，還會疊加數位資訊：

熱成像讓你能透視牆壁後的敵人輪廓、眼角餘光能直接看到天上無人機傳來的鳥瞰畫面、隊友的位置和生命力指標即時浮現。

一個普通的步兵，在 AI 系統的加持下，感知能力直接飆升到「超級賽亞人」的境界。

演算法賽局與我們的距離

回顧這一切，你會發現 AI 並沒有讓戰爭變得魔幻，而是讓戰爭變得「極度有效率」。

以前，發動一次精準打擊可能需要調動造價上億美金的戰機和龐大的後勤；現在，也許只需要一萬美金的無人機、一套聰明的演算法，加上即時的衛星連線。殺傷力的成本急劇下降，意味著門檻變低了。

我們不再只是用鋼鐵和火藥對決，而是進入了一場冷靜、高速的「演算法賽局」。科技確實賦予了我們如同神一般「唯快不破」的速度，但身為人類，

我們是否已經具備了足夠的智慧，來駕馭這份力量？這才是這場科技革命背後，最值得我們深思的問題。

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

Subscribe now

我有時候在想，以後我們談戀愛或找工作，會不會變得超荒謬。

你想認識一個不錯的對象，結果是你的 AI 助理先去跟對方的 AI 助理「相親」。對方的 AI 會冷酷地幫主人過濾掉一堆頻率不對的人；你去網購，你的 AI 會自動去跟網站的 AI 殺價、比評價；連在公司上班，大家不用在那邊開沒意義的會，同事們的 AI 先把需求對好、時程排好，最後我們人類只要進場點個頭說「OK，就這樣」。

講白了，以後人類會變成「最後一關的審核員」，前面那堆雜七雜八的溝通，全都是機器人在對話。

在這個世界裡，有一件事會突然變得跟空氣一樣重要：你的內容，AI 到底看不看得懂？

為什麼 Markdown 會變成一種「超能力」？

昨天看到 Cloudflare 出了一個叫「Markdown for Agents」的東西，我心裡「叮」了一下。

以前我們做網頁，是為了讓人的眼睛看，所以會塞一堆漂亮的圖片、側標、彈出式廣告，結果後台的程式碼（HTML）變得又肥又大。

AI 進來看的時候，就像是在一堆垃圾山裡找一根針，累得要死。

Cloudflare 現在幫大家做了一件很懶人但超有用的事：當 AI 來抓資料時，它不再給那一整坨亂七八糟的程式碼，而是直接轉成乾淨、壓縮過的 Markdown（你可以把它想像成一種只有骨幹、沒有贅肉的純文字格式）。

結果超扯，內容體積直接縮到剩下的五分之一。模型讀得快、公司省了錢，AI 也不會被那些奇怪的排版干擾到發瘋。這已經不是我們以前學的那種 SEO（搜尋引擎優化）了，這是在幫 AI 做「視力矯正」。

第一印象，以後發生在 AI 的腦袋裡

說真的，這對我們這種普通人有什麼影響？

當以後交友、買東西、辦公，都是 Agent 之間先聊過一輪時，你的品牌、你的產品、甚至是你這個人的介紹，其實都不是直接「給人看」的。

你的第一印象，是發生在對方的 AI 腦袋裡。它會先去讀你、整理你、比對你。如果你的內容在 AI 那一關讀起來又重又亂，像是一坨理不開的毛線，那你可能連「被端到真人面前」的機會都沒有，直接被系統刷掉。

這就是現在的新競爭力：你被 AI 理解的速度與精確度。

人類的世界表面上看起來還是充滿網頁和文章，但在我們看不見的背後，一個屬於 AI 的資訊平行世界早就先跑起來了。

現在的問題只剩下：你的內容，能得到 AI 的喜愛嗎？

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

就是《Free Solo》（赤手登峰）那個叫 Alex Honnold 的傢伙

看他爬優勝美地的酋長岩，手心真的會出汗。幾千英尺高，完全沒防護，朋友看完只說了一句：「這人神經病，不要命了。」

後來有人問 Honnold，失手摔死的機率是多少？

他老兄淡淡回了一句：「近乎於零。」

當下聽覺得超狂，以為是哪來的霸氣總裁。後來去翻他的準備過程，才發現那根本不是霸氣，是理工男的極致潔癖。他根本不是在冒險，他是在做實驗。

這跟我們搞創業、做產品，其實是同一件事。只是大多時候，我們都搞錯了「玩命」和「玩真的」的差別。

一、那條繩子（MVP 是拿來摔的）

電影最後那是徒手攀登沒錯，但沒拍出來的是，Honnold 在那之前，已經在那條路線上耗了兩年。

這兩年他在幹嘛？就住在那台髒得要死的箱型車裡，每天掛在岩壁上。重點是：他全都綁著繩子。

這就是創業圈老在講，但很少人真的聽進去的 MVP（最小可行性產品）。

剛開始想點子的時候，我總覺得 MVP 就是要弄個像樣的東西推出去，期待一炮而紅。錯了。

Honnold 綁那條繩子，不是為了爬給誰看，是為了讓自己可以摔。練習的時候他不知道滑掉了幾百次，沒那條繩子，他早就在山谷底下涼涼了。

所以剛做 App 的時候，別急著把繩子解開。這時候產品肯定很醜、Bug 很多。沒關係，先給幾個好朋友用。伺服器掛了？沒差，因為有繩子（用戶少、沒商譽問題），請杯珍奶賠罪，手動把資料救回來就好。

這階段唯一的目的，就是要把所有會讓你「摔死」的點都找出來。趁著有繩子的時候，盡量摔。

二、那個空手道側踢（肌肉記憶）

片子裡有一段在 700 公尺高空，岩壁平得像豆腐，他必須做一個像「空手道側踢」的動作，把重心拋出去點那個只有幾公分寬的邊緣。

帶繩練習的時候，他在這裡卡關超久。

這就是創業的「鬼門關」。可能是獲客成本壓不下來，或是核心演算法不夠準。一般人（賭徒心態）會想：「好啦，練這麼多次，那天運氣好應該會過。」

Honnold 不吃運氣這套。他把那個動作練到身體比腦袋先反應。這已經不是技術，是肌肉記憶。

等到產品真的要大規模上線（Launch）那天，絕對不能祈禱「希望伺服器撐得住」。那些關鍵時刻——比如付費流程、核心功能——必須是練到爛掉的直覺反應。要做到連半夜三點被叫醒，都能精確執行的程度。

三、解開繩子（這時候，已經沒有風險了）

最後，就是那天清晨六點。Honnold 站在岩壁下，決定不帶繩子了。

這才是真正的 Public Launch。

這時候身家都砸下去打廣告了，要是出包，資金燒光，真的會「摔死」。

但你看 Honnold 的表情，平靜得像是在逛全聯。為什麼？因為對他來說，這場考試的答案早就背好了。所有的變數（Uncertainty）在過去兩年的箱型車歲月裡，都已經變成了已知數（Certainty）。

他說「機率近乎於零」，不是自大，是因為他已經把風險從方程式裡拿掉了。他只是上去把早就寫好的劇本，完美演一遍而已。

所以啦...

寫到這裡，其實只是想提醒自己（也順便跟你分享）：別再覺得創業就是要心臟很大顆、要敢賭。

真正的高手，其實膽子最小。他們討厭意外，討厭運氣。

如果你現在做著某個 Project，心裡常常覺得「好慌喔，不知道會不會成」，那通常是因為繩子解開得太早了。

退一步，回到那台箱型車裡吧。把繩子繫好，再去摔個幾次。等到哪天你站在懸崖邊，心裡想的不是「神啊幫幫我」，而是「好喔，這題我會，跟練習時一模一樣」，那時候，才是你該起飛的時候。

你是否也常有這種感覺：腦中靈感源源不絕，對著麥克風可以滔滔不絕，但一打開電腦準備發文，看著空白視窗就瞬間「登出」？

文字創作的門檻，往往不在於沒想法，而是在於轉化過程的繁瑣。

為了解決這個痛點，我開發了 NoteTempo。這是一款專為「行動派」設計的 App，核心功能就是：「語音進，貼文出」。

Photo Creator: Chiang Ying-ying Credit: AP

Subscribe now

▌他在半空中很 chill，她在地面上才學會呼吸

當 Alex Honnold 徒手掛在台北 101 的外牆，五百公尺高，全世界都在屏息的時候，我腦子裡轉的不是他體脂多少，而是：如果你愛的人正在做一件「失手就原地重掉」的事，而你就在現場，你要把心擺在哪裡？

直播那個鏡頭切到 Sanni McCandless 的時候，她站在 60 樓。隔著一層厚厚的玻璃，外面是那個爬台北101瘋子，玻璃裡面是穿著整齊、要應付媒體的她。

主持人問她還好嗎？她笑得很客氣，深呼吸說：I’m breezy。

這個字很有意思，字面上是「微風徐徐」，但在那種場合，它聽起來更像是一種社會化的防護罩。那一刻，她得在鏡頭前演一個「支持丈夫夢想的酷老婆」。

但鏡頭外的 Alex 呢？

他邊爬邊聽音樂，甚至還有空跟台北的街景揮手，說這裡很美。一個人在那邊享受腎上腺素的純度，另一個人在室內承接所有的心理震盪。

▌90 分鐘的平行線，最後才接上

他登頂後垂降回來，一臉剛運動完的清爽，說：「很棒啊！」

結果 Sanni 吐出來的是：I was basically having a panic attack the entire time.（我剛剛全程都在恐慌發作。）

這句話沒被剪進熱血的精華紀錄片，也沒被拿來當勵志標語。但我覺得這才是那天最真實的聲音。這不是說她抗壓性低，而是因為她扛的是另一種完全沒道理的風險。

我們常以為，當極限運動員的另一半，最怕的就是「萬一他摔下來怎麼辦」。

若你讀過 Sanni McCandless 的訪談，便會發現她其實比任何人都更深信 Alex Honnold 的技術與判斷。在看似驚險的挑戰背後，是兩人之間極其深厚的信任與理解。

而這次促成台北 101 攀登計畫的關鍵人物之一 —— 賈永婕 Janet，也對 Alex 的專業有著清晰的認知。她在受訪時特別強調，這次合作絕非一時興起，而是經過長時間的嚴謹評估，對 Alex 的30年攀岩經驗、決策判斷以及對風險的精確掌控，都有了透徹的了解。

在他們眼中，Alex 並非一位盲目挑戰極限的冒險家，
而是一位對自身體能與周遭環境擁有極高認知與掌控力的專業職人。

她真正怕的，是那種很現代的惡意：如果真的出事了，在全世界都在看直播的當下，網路會怎麼剪輯她？

會不會有人檢討她為什麼不拉住他？會不會有人說她愛錢、愛名聲才讓他去送死？這種恐懼沒有安全繩，也沒有教練可以求助。

▌從《赤手登峰》開始的「反派」標籤

其實早在幾年前《Free Solo》拿奧斯卡的時候，這齣戲就演過一次了。

Alex 是孤高英雄，而 Sanni 卻被一些觀眾當成「阻礙天才發揮的煩人女友」。甚至有人在電影院看完直接說：「希望他趕快分手，這女人只會讓他分心。」

這就是這位置最爛的地方。你明明最懂他、最愛他，

卻在別人的劇本裡變成了阻礙他發光的壞人。

等待者的極限，其實不輸攀爬者

我後來意識到，這兩人的難度完全不同。

• 他在專注，所以腦袋是清空的。

• 她在聯想，所以腦袋是超載的。

這就像一個人在開快車，覺得風很涼；另一個坐在副駕，盯著時速表，腦子裡連保險理賠跟葬禮怎麼辦都想了一遍。

為什麼她平常乾脆不在現場？

有個細節很酸：Sanni 平常其實不去 Alex 的攀岩現場。

眼不見為淨不是逃避，是為了能正常呼吸。只要不在現場，就不用親眼看著那個紅點懸在半空，不用在心裡倒數。

但這次是全球直播，是公關場。她必須在場，還得在那邊裝 breezy。這 90 分鐘對她來說，根本不是看比賽，是一場無聲的倖存。

▌他在告別，她在確認生存

直播中間，她小小聲說了一句：「我覺得他爬太快了。」

那種無力感很重。

妳看得到風險在飆升，但妳連叫他「慢一點」的權利都沒有。結束後，Alex 甚至還感性地說：「我會想念牆上這些龍（裝飾）的。」

他還在留戀風景，她只求這場夢趕快醒。這不是誰冷血或誰脆弱，

只是兩個世界的時差。

所以，為什麼還留著？

一定有人會酸：既然這麼痛苦，幹嘛不分一分？

Sanni 的邏輯很直接。她看見了這個男人在做這件事時，眼神裡那種純粹到不行的快樂。她留下來不是因為她不怕，是因為她懂。

但懂，不代表心臟不會痛。

▌留下來，是每天重新簽一次的約

這是我最有感觸的一點。

這種關係不是某天簽了結婚證書就搞定了。她是每天早上睜開眼，看著身邊這個隨時可能消失的人，重新決定一次：好，今天我還在這裡，今天我還願意等你，今天我還能試著調整呼吸。

明天的事，明天再說。

把鏡頭拉遠，我們其實都是 Sanni

其實，把高空、101、攀岩這些標籤拿掉，我們身邊多的是這樣的人。

你的另一半可能正在拚一個沒把握的創業，或者正在經歷一場漫長的病痛，又或者是在做一個隨時會被社會輿論淹沒的選擇。而你，就站在那個 60 樓的玻璃窗後。

你也會對外說你很好，但只有你知道，為了維持那個「好」，你私底下做了多少次深呼吸。

極限不一定要在五百公尺的高空。

有一種極限是：

你明明知道自己什麼都管不了，卻還是選擇在那裡等他回來。

他在半空中很 chill，她在地面上才學會呼吸。

兩個人都在挑戰極限，

只是大家通常只給那個掛在牆上的人掌聲。

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

Subscribe now

你是不是也習慣把一堆檔案全丟進去，然後期待 AI 給你完美答案？通常這只會得到一堆廢話。真正懂用 AI 的人，都在玩一種叫「漸進式揭露」的心理戰，這才是讓 AI 保持清醒的關鍵。

一開始碰到 AI，那感覺真的像魔法。

隨便丟幾個字進去，等個幾秒，答案就噴出來，你會覺得自己像個拿著法杖的哈利波特。

但如果你跟我一樣，真的試著把這東西拿來當成每天吃飯的傢伙，

大概過一陣子就會撞牆：奇怪，怎麼回覆越來越多廢話？為什麼講過的設定它下一秒就忘？

那種時候真的很無力。你會開始懷疑，自己到底是在找人「閒聊」，還是在「帶兵打仗」？

▌Slash 是給口令，Skill 是給大腦

最近 Claude Code 更新把 Slash Commands（斜線指令）併進 Skill 裡了。

你看起來好像沒差，一樣是打個 `/` 叫它做事，但底下發生的事情已經完全不同了。

為什麼這不只是換個名字？

以前用的 Slash，很像是我們在騎腳踏車時裝的輔助輪。因為當時的 AI 還不夠聰明，得靠人類手把手告訴它：「欸，這時候你該用這個工具」、「這時候你該讀這份資料」。

但 Skill 不一樣，它比較像是一個有判斷力的老鳥。

它會自己想：「我現在需要開分身嗎？」、「我要不要先去讀那幾個檔案？」、「還是晚點再載入資料比較好？」。它開始有了自己的工作節奏。

▌這種「慢慢來」的智慧，才是 AI 該有的樣子

Skill 最強的地方，不在於它多會跑功能，而是它懂得「藏招」。

講白話點就是：不要一股腦把祖宗十八代 @#%&*# 的資料全丟給 AI，它會消化不良，然後開始胡言亂語。

舊的 Slash 模式常常是一次梭哈，全塞進去；Skill 則是懂得像擠牙膏一樣，精準地給。

這很像你請工讀生幫忙找資料，

你不會直接把整座圖書館砸在他臉上，你會先給個方向，等他回報了，

再叫他去挖深一點。

現在的 AI 已經聰明到值得我們這樣對待了，別再把它當笨蛋塞資料。

▌找個分身幫你跑腿，主戰場依然乾淨

在 Claude Code 裡用 Skill，還有個很像「影分身」的功能（Subagent）。

簡單說，就是當你指派一個任務，這個 Skill 會自己跑去角落開個小房間處理。

它在那邊讀檔、算數學、整理表格，最後只把你要的「結果」拿回來給你。

這點超級重要：因為你的聊天視窗不會被一大堆亂七八糟的過程洗版。

你可以繼續專心寫你的 code 或文章，它在背景默默幫你搞定那些耗時間的雜事。

這種「我在前面聊，你在後面忙」，還不會互相干擾的能力，是一般網頁版聊天視窗完全做不到的。

▌網頁版聊天框，說穿了就是新手村

我們每天開的 ChatGPT、Claude 網頁版，那是偉大的入口沒錯。

但它的設計邏輯本來就不是讓你拿來「幹大事」的，

它的重點是「讓你不怕」，讓你覺得 AI 很親切。

所以它把那些醜醜的工具流程藏起來，把複雜的上下文都包好。

這對剛入門的人很貼心，

但對我們這種重度使用者來說，簡直像是綁手綁腳。

用到後來你一定會想知道：你剛剛到底用了哪招？讀了哪個檔？你有沒有把我的話聽進去？

當你開始對這些細節感到不耐煩，恭喜你，你該從新手村畢業了。

▌我們要的不是它更會聊，而是要它「靠譜」

很多時候我們誤會了，以為 AI 進步就是回答得更快、寫得更長。

但在工作現場，我們要的其實很卑微：

別亂搞：我知道你下一步會幹嘛，不要給我驚喜。

聽指揮：我要用這個工具就用這個，不要自作聰明。

能串接：我可以把好幾招接在一起變成一套連續技。

這些需求，網頁版真的給不了。

只有回到這種看起來很硬派的 CLI（指令介面）或 Agent 系統，才找得回那種掌控感。

▌Slash 變成 Skill，其實是種長大的儀式

Slash 是人類還不信任 AI 時的過渡期手段，

Skill 才是 AI 終於學會「怎麼做事」的起點。

從 Slash 到 Skill，就像是從「按一個按鈕」，進化到「設計一套工作流」。

這也代表我們使用者的角色變了。

以後不是叫 AI 「幫我查這個」，而是設計一個 Skill，讓 AI 知道「以後遇到這種事要怎麼查」。

▌真的想做事，就別再只是跟它「聊天」了

這句話我是真心想跟還在網頁版對話框裡掙扎的朋友說。

聊天沒什麼不好，但如果你開始要求 AI：

1. 幫我把這個專案分三階段研究完

2. 幫我掃過這幾百行 code 然後慢慢重構

3. 幫我整理脈絡、寫成紀錄、再呼叫下一個工具

你會發現，純文字的對話框真的撐不住。

你需要 Skill，你需要能把上下文切開的能力，你需要這種看起來像駭客在用的介面。

這才是真正給我們這種「AI 重度成癮者」用的工作台。

▌試試看離開舒適圈吧

不管你是用 Claude Code、OpenAI 的工具，還是自己架的那種很 geek 的系統，

只要你開始嘗試把這些 Skill 串起來，哪怕只是一次，你就會懂我在說什麼：

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

Subscribe now

我們手邊有各式各樣強大的模型——Claude Code、Cursor、GitHub Copilot——但每當你換一個環境，就像換了一個新家，所有熟悉的工具得重新打磨一遍。你想讓 Cursor 幫你寫 PDF 報告？得教它。想讓 Claude Code 幫你畫架構圖？得再給它一套 Prompt。這些「技能」散落在 GitHub 各個角落，找起來累，裝起來更煩。

這兩天我挖到一個很有意思的開源專案：Ai-Agent-Skills。

簡單用一句話形容它：它是 AI Agent 世界裡的 Homebrew。

對於我們這些整天跟程式碼打交道的創業者或開發者來說，這東西出現得正是時候。它解決了一個核心痛點——標準化與便利性。它不只是收集 Prompt，而是把「能力」變成了一個個可以隨插即用的套件。

一行指令，全家桶通吃

這個專案最迷人的地方在於它的「無痛感」。

你不需要在那邊手動複製貼上 Markdown 文件到隱藏資料夾。它直接用 npx 搞定一切。只要打開終端機，貼上這行：

npx ai-agent-skills browse

你會看到一個復古又實用的互動選單（TUI），讓你直接瀏覽並安裝技能。

如果你已經知道要什麼，比如想讓你的 AI 具備前端設計的超能力，

直接下：

npx ai-agent-skills install frontend-design

這行指令下去，它會自動偵測你電腦裡裝了哪些 Agent——不管是 Cursor、Claude Code、VS Code 還是 OpenCode——然後把這個技能同時安裝到它們各自的設定檔裡。這就是我所謂的優雅，它尊重了你的時間。

這裡面有什麼好料？

我逛了一圈它的技能庫，開發者顯然是有品味的（Quality over quantity）。這些技能不是隨便塞進去的垃圾 Prompt，而是有結構、有邏輯的「工作流」。

這裡挑幾個我覺得對 Startup Founder 特別有價值的：

1. Productivity 神器：ask-questions-if-underspecified

   這絕對是必裝。很多時候我們給指令給得太急、太模糊，AI 為了交差就開始瞎猜。裝了這個技能後，AI 會在動手前先反問你：「老闆，這裡邏輯不通，你確定要這樣嗎？」光是這一點就能省下大量的 Debug 時間。

2. 全能寫手：doc-coauthoring

   寫 PRD（產品需求文件）或募資簡報時，我們常陷入「空白頁恐懼症」。這個技能讓 AI 變成一個有結構的共同作者，它懂得引導你一步步把想法吐出來，然後整理成漂亮的文檔。

3. 開發加速器：frontend-design & backend-development

   這不是簡單的寫 Code，它是包含了一整套設計模式（Pattern）。比如前端設計，它會直接給你 Production-grade 的 UI 元件建議；後端開發則包含了 API 設計和資料庫優化的最佳實踐。

4. 文件處理：pdf / xlsx / pptx

   把這些格式處理能力變成標準技能後，你可以直接叫 Agent：「讀這個 PDF，把數據抓出來做成 Excel，再生成一份 PPT 摘要。」這才是我們想像中的自動化。

為什麼這很重要？

我們正在見證「AI 能力模組化」的轉折點。

以前我們依賴的是模型本身的知識（Parametric Knowledge），那是內建的、死的。後來有了 RAG，那是外掛的知識庫。現在 Ai-Agent-Skills 展示的是「外掛的方法論」。

當你可以像 npm install 一樣簡單地安裝「如何做 Code Review」或「如何設計 Logo」的技能時，AI Agent 的定義就變了。它不再是一個單純的聊天機器人，而是一個可以隨時切換職業的數位員工。

對於進階使用者來說，這個 Repo 的價值在於它遵循了 Anthropic 的開放標準（Agent Skills spec）。這意味著你也可以寫自己的技能包，然後用同樣的方式分發給團隊成員。想像一下，新進工程師入職，一行指令，他的 AI 助手就學會了公司所有的 Coding Style 和部署流程。

總結

去試試看吧。打開你的 Terminal，跑一下 npx ai-agent-skills browse。
https://github.com/skillcreatorai/Ai-Agent-Skills

在這個 AI 工具大爆發的時代，能夠把複雜變簡單的工具，往往是最值得留下的。這不只是一個工具庫，更像是在告訴我們：未來的軟體開發，拼的不是誰 Prompt 寫得好，而是誰的 Agent「技能樹」點得更精準。

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

Subscribe now

我仔細觀察了那份名單，發現一件很有趣的事。留下來的，往往不是寫 code 最快的，也不是加班加最兇的。

他們身上有一種很特殊的能力，學校從來沒教過，履歷上也寫不出來，但老闆根本不敢讓他們走。

知道嗎？2025 年就這樣蒸發了 126,000 個技術職位。這種消失法很乾脆，沒有什麼給你慢慢轉型的空間，就是直接劃掉。有些人早上還在開開心心討論 roadmap，下午帳號就被鎖了；也有那種這邊剛接到資遣通知，那邊獵頭私訊就響個不停的人。明明都在同一家公司，面對同一個市場，結局卻天差地遠。

後來我仔細觀察那些「毫髮無傷」留下來的人。他們未必是絕頂聰明，也不見得是加班加最兇的。

這場大風吹看似混亂，背後的算盤其實打得很精。公司在做決定的時候，很少去問誰最努力。他們真正在乎的是，哪個人一旦消失，系統馬上就會出事。

所以你會看到，

• 如果只是單純負責把畫面畫出來的前端，通常走得比較快；

• 每天做漂亮的 dashboard 卻搞不清楚資料源頭的人，位置也很危險。

• 還有那種只負責盯流程、卻不對結果負責的中層主管，通常也很難留得住。

反觀那些留下來的人，很多都不是鎂光燈下的明星工程師。

他們比較像是那種凌晨兩點還能神智清醒地把 production 救回來的人。

這讓我第一次深刻體會到什麼叫做「系統感」。

以前我總覺得工程師的價值在於 code 寫得多漂亮。後來才發現，真正稀缺的能力是「預判事情會怎麼壞掉」。那些沒被裁掉的人，腦袋裡裝的不是一塊塊獨立的模組，

而是整體的流動。他們能憑直覺把一個 request 從瀏覽器一路追蹤到資料庫，知道在哪個環節重試幾次會把 queue 撐爆，或者一眼看出哪個現在用起來很便宜的服務，長期下來會吃掉大半預算。

你不一定需要寫最多的 code，但你得知道哪一行寫壞了，整個系統會跟著倒。這種能力學校基本上沒在教，通常都是靠自己去撞牆、去修補爛攤子，累積一身傷痕才換來的。

這跟創業的道理其實完全一樣。

很多創辦人容易陷入一個誤區，覺得只要自己夠努力、夠有熱情，就能撐過寒冬。但市場真的很現實，它根本不在意你有多努力。市場只看一件事：

如果你今天消失了，會不會有東西因此壞掉（想想 Chatgpt/Gemini 今天壞了怎麼辦）？如果不會，那你的熱情／產品隨時可以被取代。

這個認知對我衝擊蠻大的，因為它直接打破了以前那種「只要努力就安全」的幻想。

我看過有個團隊五個工程師走了四個，剩下那個既不是最會做簡報的，也不是說話最大聲的。但他很清楚系統哪裡埋了地雷，知道資料什麼時候會出錯，甚至監控數字稍微跳一下，他就知道該動手了。這種人不需要別人提醒責任在哪，因為他本身就是那個扛責任的載體。公司留他，不是因為他是英雄，而是因為他能止血。

創業的人也該問問自己同樣的問題。如果今天市場冷卻，投資人縮手，流量歸零，你的存在是讓事情變得更穩，還是只是跟著大家一起陪跑？這問題問起來很殘忍，但越早想通，付出的代價就越低。

很多人問我現在是不是該趕快去學一堆 AI 新工具、新框架。但我觀察那些活下來的人，他們學新東西的速度反而不快。他們把時間都花在搞懂「為什麼會出問題」這件事上。比起追求多和新，他們更在意深和穩。凡是能降低風險、降低成本、減少混亂的能力，才是真正的護身符。

這也解釋了為什麼資料工程、雲端成本控管、資安這些以前聽起來不怎麼性感的東西，現在變得這麼重要。因為這些直接關係到現金流和營運穩定度。能幫公司省錢、少燒錢的人，老闆很少會把他們當成成本砍掉。

至於 AI，它並沒有救任何人，但它確實會放大你的能力。真正留下來的人，只是利用 AI 把原本就在扛的責任扛得更穩罷了。debug 更快一點、測試更完整一點、決策更清晰一點。他們不會特別強調自己用了什麼工具，他們只是把事情搞定　GTD。

還有一種能力很難寫在履歷上，那就是冷靜。當系統快要炸開的時候，你能不慌不忙、不吼叫也不逃避，選出一個雖然不完美、但在當下最不糟糕的方案。這種特質，在裁員名單裡通常是找不到的。

歸根究底，這早就不只是技術問題，而是一個價值定位的問題。

你的位置，是不是在「減少不可預期」？如果答案是否定的，那你永遠都會處在被檢視的狀態。2025 年並沒有全部殺死科技工作，它只是逼著每個角色都要回答同一個問題：你留下來，是因為你很努力，還是因為有你在，世界比較不會壞掉？

如果你讀到這裡，腦中已經浮現出自己好像缺了點什麼，別慌張。那不是恐慌，那是清楚。在這個時代，清楚這件事，比什麼都還要昂貴。

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

Subscribe now

這幾天重讀易經，看到「群龍無首」這四個字，突然有一種被電到的感覺。

我們現在在職場上，如果聽到誰說這家公司群龍無首，大概下一句就是準備要完蛋了，感覺像是一群人沒了老闆，沒人做決定，大家在那裡瞎忙一通，最後一定是一團亂。我們直覺把這個詞跟混亂、無效率劃上等號。

但很有趣的是，如果你翻開《易經》的第一卦【乾卦】乾為天，讀到最後一句，也就是【用九】這一爻，上面寫的卻是：見群龍無首，吉。

初九：潛龍，勿用。

九二：見龍再田，利見大人。

九三：君子終日乾乾，夕惕若，厲無咎。

九四：或躍在淵，無咎。

九五：飛龍在天，利見大人。

上九：亢龍有悔。

用九：見群龍無首，吉。

那個字是吉利的吉。

這真的很反直覺。乾卦講的是天，是剛健，是創造力。從潛龍勿用一路講到飛龍在天，甚至是亢龍有悔，都在講一條龍在不同階段的狀態。但到了這個【最高的境界】: 用九，

易經給出的畫面居然是一群龍出現了，而且沒有任何一條龍是頭頭，沒有誰是老大。

為什麼這會是吉？

我想了很久，又查證了，這其實是在描述一種極高階的組織狀態，甚至可以說是我們現在做新創、或是正在研究 AI Agent 的人，最嚮往的那種境界。

古代人對於龍的定義，並不是我們想的那種神話怪獸。在易經的語境裡，龍代表的是君子，或者我們可以理解成那種具備高度執行力、有判斷力、能夠獨當一面的人。

所謂群龍，意思就是這個團隊裡的每一個個體，都已經成熟了。大家都變成了龍，沒有誰還在地上爬，也沒有誰需要別人推著才肯動。

至於無首，這才是最精妙的地方。

因為每個人都知道自己該幹嘛，每個人都懂得審時度勢。當一個團隊裡，每個人都是專家，都有決策能力的時候，你是真的不需要一個站在高處指手畫腳的人。這時候如果有個強勢的「首」硬要出來發號施令，反而會破壞這種有機的協作。

很多開源專案、DAO、醫療研究社群：

沒有一個人說了算
但事情照樣推進
甚至更快

因為規則、共識、價值觀
已經取代了個人權威。

• 高度成熟的專業團隊
• 每個人都有決策能力
• 沒有官僚式的權威
• 靠共識與節奏前進
• 領導是流動的，而不是固定的

這也讓我想到現在大家都在談的 AI Agent 發展趨勢。

前陣子我們還在玩 ChatGPT，那比較像是一對一的問答，我們給指令，它給回應。但現在最前沿的玩法是 Multi-Agent System，就是多智能體協作。

你想像一下，以後你的電腦裡可能同時跑著好幾個 AI 助理。一個負責寫程式，一個負責檢查 Bug，另一個負責寫文案，還有一個負責排程。這群 AI 之間會自己溝通，程式寫好了丟給檢查的看，檢查出問題丟回去修，文案好了自動發布。

在這個過程裡，並沒有一個人類隨時隨地在當那個「首」。這些 AI 就像是一群龍，它們依照設定好的目標和共識（Protocol），自動自發地把事情解決掉。

這不就是古人說的「群龍無首」嗎？

對於我們這些做公司、帶團隊的人來說，這或許也是一個很好的反思。

很多時候我們覺得累，覺得公司離不開自己，是因為我們潛意識裡還是覺得必須要有個「首」。我們預設如果沒有我點頭，下面就會亂。

這其實反映了兩種可能：

要嘛是團隊成員還沒成長成「龍」，還需要人帶；

要嘛是我們自己放不下那個當頭的權力慾，不懂得欣賞這種去中心化的美感。

真正的頂級團隊，應該像是一個高水準的爵士樂團。台上沒有誰是指揮，鼓手給個眼神，鋼琴手就接過去，貝斯手知道什麼時候該襯托，薩克斯風手知道什麼時候該獨奏。這種默契和流動感，比那種一個口令一個動作的軍隊，效率更高，適應力更強。

所以下次再聽到群龍無首，別急著覺得是壞事。

如果你能把團隊帶到這個境界，或者你的 AI 系統能跑到這個狀態，那代表你已經建立了一種內化的秩序。不需要外部的權威壓制，事情照樣能往對的方向走。

天下皆賢，各正其位。這在古代是政治理想的最高境界，在現代，可能就是我們通往自動化與高效能組織的終極目標。

「群龍無首」是大吉。

不靠權威，卻有秩序
不靠命令，卻能前進
不靠中心，卻不混亂

不是沒有秩序
而是秩序已經內化在人心裡了。

最近你有沒有遇過那種，明明沒有人出來發號施令，團隊卻像是有心電感應一樣，自動補位、把事情完美解決的時刻？ 如果有，或許已經在不知不覺中，實踐了這套流傳了三千年的最高生存智慧。

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

2026新年我站在香港大館展場裡，看著「易經」的主題展，突然懂了：周文王的【周易】不是預測未來，是告訴你「怎麼撐過明天」。

這是一套關於生存的古老演算法，獻給在現代商業叢林裡搏鬥的你們。

大家聊到《周易》或《易經》，腦袋裡浮現的畫面大概都差不多。路邊攤的算命仙、龜殼搖銅錢，或者是那種有點玄、說不清是統計學還是迷信的吉凶預測。其實我以前也這麼想，總覺得那是老一輩用來尋求心理安慰的工具。

直到我後來換個角度，試著把「迷信」這層濾鏡拿掉，

重新去讀周文王當時寫下這東西的背景，我才發現自己錯得離譜。

這哪裡是什麼算命書，這根本是一套在極端壓力下被逼出來的決策演算法，是為了在必死無疑的絕境裡，硬是算出一條活路的生存手冊。

我們先回到歷史現場看看。

這本書的作者姬昌，也就是周文王，當時的處境比我們任何一位創業者都要絕望。他被商紂王關在羑里這個地方七年，失去了自由、失去了跟外界的聯繫，

在那種環境下，今天活著，明天可能頭就落地了。

Share

試著帶入一下他的視角。你手邊沒有資源，沒有權力，隨時都有生命危險。在這種極限狀態下，腦袋裡想的絕對不會是「我要怎麼贏」或是「我要怎麼發大財」。人的本能會告訴你，最重要的任務只有一個：

怎麼做才不會死。

這也是《周易》最硬核的核心精神：先求不死，再求發展。

文王在獄中沒事做，就把伏羲留下來的八卦符號拿來重新排列組合。這過程像極了我們在訓練AI模型，他把人類社會可能遇到的所有變數，不管是人際關係的爾虞我詐、權力的消長，還是時機的好壞，全部壓縮進去那六十四個卦象裡。把「生存經驗」壓縮成宇宙模型。

這不是為了預知未來，比較像是在做「生存推演，情境模擬」。

他建立了一套符號系統，把這套系統當成一個資料庫。每當遇到無法判斷的局勢，他就輸入參數，也就是起卦，然後看這個模型告訴他：現在這個時間點，你是該躲起來裝傻？還是該冒險往前衝？或者現在雖然看起來很慘，但其實轉機就在三個月後？

這套模型給出的答案，從來不保證你會成功。

它提供的價值在於，它能幫你算出當下存活率最高的那個選擇。因為只有活過今天，你才有資格去談明天要幹嘛。

如果你仔細讀卦爻辭，會發現裡面充滿了這種反直覺的智慧。

我們現在的商業社會節奏很快，大家都在喊要狼性、要擴張、要成為獨角獸。但《周易》卻常常潑冷水，它會告訴你「潛龍勿用」，叫你別急著表現；或者告訴你「履霜，堅冰至」，警告你看到一點點壞徵兆，就要知道大災難快來了，趕快止損。

這跟我們在做新創決策其實非常像。

你肯定遇過那種時刻：公司的錢快燒完了，產品丟到市場上反應平平，投資人開始沒耐心，團隊內部有人想梭哈拚一把，有人想裁員縮編。這時候作為決策者，壓力大到讓人睡不著覺。

通常我們都會焦慮，想著要怎麼逆轉勝，要怎麼一招打趴競爭對手。

但如果這時候你把文王的思維模型套進來，問題會瞬間變得很單純：做什麼決定，能讓我們公司不倒閉？有什麼方法可以幫我們保留實力，撐到下一個風口來臨？

也許答案很無聊，甚至很窩囊，比如砍掉那個看起來很酷但不賺錢的功能，或是放棄一塊競爭太激烈的市場。你不需要當第一名，你需要當那個活下來的人。在創業圈待久了就知道，

職場也是同樣的道理。

很多人在公司裡只盯著升職加薪，卻沒發現組織架構正在變動，老闆的權力核心正在轉移。這種時候如果還傻傻地往前衝，往往就會變成炮灰。

懂得讀局的人，會觀察「時位」。知道什麼時候該低調做事，什麼時候該主動跳出來承擔責任。一個真正理解《周易》的人，不會死守著自己的計畫，因為他知道計畫永遠趕不上變化。

他會不斷地推演：現在這個局，我該進還是該退？

這就是為什麼我說《周易》其實是一個決策模擬器。

它最強大的地方，不在於給你一個標準答案，而在於它提供了一種動態的思維方式。每一次遇到困境，你都可以用這套邏輯重新演算一次。

「臣宔(主)易立(位)」，意謂臣下和君主交換了位置。
在這個AI隨時可能取代我們、產業規則三不五時就洗牌的年代，追求那種「一次賭對」的運氣實在太危險了。我們更需要的，是像周文王那樣，
擁有不斷推演、不斷修正的能力。

每當你覺得走投無路，或是面對重大決策感到迷惘的時候，不妨停下來問自己這一句：

這一步走下去，我還能不能保有下一次選擇的機會？

只要還能繼續推演，還能留在牌桌上，無論外面的世界多亂，你都能找到自己的秩序。

最近你有沒有遇過那種，好像怎麼算都不划算，只能先求「安穩活著」的決策時刻？

如果有，或許你已經在不知不覺中，運用了這套流傳了三千年的生存智慧。

📩 如果你想收到更多這類貼近現場的思考，

歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。

故事要從 Jonathan Ross 說起。這傢伙在 Google 當軟體工程師時，利用著名的「20% 自由時間」，搞出了一個叫做 TPU（張量處理單元） 的東西。沒錯，竟然由軟體工程師搞出了硬體，現在靠他支撐 Google 龐大 AI 帝國的晶片，最初只是他的 Side Project。

完成了 TPU, 但他在 2016 年，看到了 Google 內部的侷限。雖然 TPU 很強，但它是為了 Google 自己的業務（搜尋、廣告）設計的。Jonathan 發現了一個當時沒人注意到的「硬傷」：現有的硬體架構（包括 Nvidia GPU），根本不適合未來的 AI 推論（Inference）。

他決定離職創立 Groq。當時他說了一句很產品經理思維的話：「待在 Google 看著一個改變世界的機會死掉，這風險比我出來創業還大。」

第一個硬核觀點：GPU 的原罪與 LPU 的逆襲

為什麼 Jonathan 敢挑戰 Nvidia？因為他看準了 GPU 的架構弱點。

🔮 GPU 的設計邏輯： GPU 是為了圖形和大量並行運算設計的。它的強項是「頻寬大、吞吐量高」，適合一次載一大卡車的貨（Batch Processing）。

🔮 LLM 的運作邏輯： 大型語言模型生成文字是「序列式」的（Sequential），一個字接一個字吐。這就像你要送快遞，GPU 是一台大卡車，每次起步、停車（存取記憶體）都很慢；而 LLM 推論需要的是一台法拉利。

於是 Groq 搞出了 LPU (Language Processing Unit)，做了一個極端的架構決策：捨棄 HBM（高頻寬記憶體），全用 SRAM。

這導致了兩個結果：

🔮 神一般的速度： 資料不用在晶片內外跑來跑去，內部頻寬高達 80 TB/s（Nvidia H100 的外部頻寬只有 幾 TB/s）。

🔮 致命的容量限制： 這就是我們要講的第一個「坑」。

分析一：速度的代價是「記憶體稅」

網路上吹捧 Groq 每秒 500 tokens 的速度，但身為工程師，我們要看的是 TCO（總持有成本）。

Groq 的單晶片記憶體只有 230MB（你沒看錯，是 MB，不是 GB）。

🔮 算一筆帳： 要跑一個 Llama-3-70B 模型，你用 Nvidia H100 可能只需要 1-2 張卡（配上 80GB HBM）。

🔮 Groq 的代價： 但用 Groq，你可能需要串聯 500 多張晶片 才能把模型塞進去。

這就是 Groq 的硬傷：密度極低。這導致它的硬體成本極高，一般企業根本買不起這種機櫃。所以 Groq 只能做 Cloud API 生意，你很難看到它像 Nvidia 一樣賣卡給企業自建機房。

分析二：Jonathan 賭的不是 Chatbot，是「AI Agent」

如果你只是用 AI 來聊天，Groq 其實是「效能過剩」（Overkill）。人類閱讀速度沒那麼快，AI 秒回你是沒有邊際效益的。

那 Groq 到底在賭什麼？它賭的是未來的 Agentic Workflow（代理人工作流）。

未來的 AI 應用場景是：

🔮 你下一個指令。

🔮 主 AI 呼叫搜索 AI。

🔮 搜索 AI 找資料，丟給分析 AI。

🔮 分析 AI 寫 Code，丟給執行 AI 跑。

🔮 最後匯總回報給你。

這中間如果有 10 個步驟，用 GPU 每個步驟延遲 1 秒，你就要等 10 秒（體驗極差）。用 Groq，總共只要 1 秒。只有在「機器對機器」的高頻溝通場景下，Groq 的低延遲才有不可替代的價值。

分析三：軟體定義硬體（Software-Defined Hardware）

Groq 最核心的技術其實不是晶片，是 Compiler（編譯器）。

Nvidia 的 CUDA 之所以強，是因為它生態系大，但也因為它要處理很多硬體的複雜調度（Cache Miss, Memory contention），導致效能有時不可預測。

Groq 走的是 Deterministic（確定性） 路線。它的編譯器在程式跑之前，就已經算好每一個電子在什麼時間點會流到哪裡。這意味著它沒有 Cache（快取），不需要預測分支，執行效率極高。

但也帶來了風險：開發者被綁死在 Groq 的編譯器上。一旦模型架構發生大轉變（例如 Transformer 被淘汰），Groq 的編譯器能不能跟上？這是巨大的未知數。

結論：這不是取代，而是分工

Groq 不會幹掉 Nvidia，它們會走向兩個極端：

🔮 Nvidia (GPU)： 繼續統治 Training（訓練） 和 高吞吐量（Throughput） 的批次處理市場。這是「運量」的王者。

🔮 Groq (LPU)： 搶佔 Real-time Inference（即時推論） 和 AI Agent 市場。這是「速度」的刺客。

Jonathan Ross 的故事告訴我們，在矽谷，你不用贏過巨人的所有強項。

你只要找到巨人轉身最慢的那個弱點（延遲），然後把這一點做到極致，你就有了上桌談判的籌碼。

有次在 Zoom 上跟一個團隊開會，他們分享了一個小細節，結果我整個人僵在椅子上，半天沒動。

會議一結束，不到兩分鐘後，一份超完整的會議摘要就丟過來了。每個人的行動項目分得清清楚楚，連情緒重點都用顏色標註好了，效率高到有點嚇人。

我當時就問，這哪位天才整理的？他們笑得輕鬆：「是 Zoom AI Companion 做的啦，現在誰還特別找人抄筆記啊。」那語氣，好像在說「誰還用撥盤電話」一樣。

我知道這不是新聞，Teams , Zoom 跟 Google Meet 的 AI 助理功能早就普及了。但親眼看到這種徹底的「自然應用」，我心裡卻冒出一種毛骨悚然的感覺。

毛骨悚然不是來自於 AI 的強大，而是來自於我們正在悄悄放棄、甚至遺忘的那部分思考。那些原本屬於我們大腦的工作，現在被外包得太乾淨了。

▋ 失去「聽」與「記」的耦合

以前開會，我們得高度專注。因為「聽」跟「記」這兩個動作，是硬生生綁在一起的苦差事。你必須一邊聽著老闆說這季的營收數字，一邊在腦子裡飛快地判斷。

哪個是前提？哪個是結論？哪個數字跟產品開發完全無關？哪個才是關鍵的行動項？這個「判斷」的過程，就是我們最原始、最累人的認知訓練。

它強迫你的大腦在資訊流裡自己蓋出一座知識的骨架，建立內容之間的邏輯結構，非常耗能。但現在呢？

現在 AI 把這一步做完了，直接給我們一份完美精煉的「結果」。我們就這麼輕輕鬆鬆地跳過了這個最費力的「過程」。

▋ 認知卸載

學生用 NotebookLM 丟進一本書的 PDF，幾秒鐘就能拿到所有重點和摘要。更荒謬的應用也已經看到了：

連功課都可以不用腦了。

這就是我們正在經歷的「認知卸載」（Cognitive Offloading）。

我們把原本該由大腦親自完成的篩選、判斷、歸納、提煉，全部外包給了機器。

這感覺很像開著 GPS 導航。一路暢通無阻抵達目的地，但你對沿途的街景、建築，甚至哪裡該轉彎，完全沒有空間記憶。

當你從來沒有自己走過那一條路，你就很難意識到 GPS 其實帶你繞了遠路，而且沒有了 GPS 就算天天走的那一條路你也可能沒有記憶的。

這就是我們最深層的焦慮：當所有資訊都已經被 AI 消化、整理好再呈現給我們時，我們會失去什麼？

比起擔心 AI 會取代我們的工作，我更擔心的是：

我們會先失去那種「自己整理資訊」的能力。

▋ 基礎工作是高階思考的基石

很多人說：「沒關係啊，AI 幫我處理掉基礎工作，我可以專注在更高層次的思考。」這邏輯聽起來天衣無縫，但它忽略了一個讓人心煩的關鍵事實。

基礎工作本身，就是高階思考的基石。整理資訊不只是一個輸出摘要的行政動作；它本身就是一個強迫你做出判斷、連結、和詮釋的理解過程。

當 AI 幫你把 A 點到 B 點的資訊通路整理好時，你拿到的只是一個已經完成的知識產品。你失去了自己建立「神經連結」的機會，這是心理學家說的。

▋ 「生成效應」的失落

在認知心理學裡，這叫做「生成效應」（Generation Effect）。主動生成、整理、詮釋的資訊，比被動閱讀的資訊，更容易被大腦深度編碼，變成長期記憶和「內化的智慧」。

只看 AI 的結論，資訊可能只是過眼雲煙。只有親自咀嚼過資訊，讓它在胃裡翻騰過，它才會變成「你的」智慧。

我們把「消化」資訊的過程外包出去，其實是讓自己的大腦錯過了這場「深度學習」的機會。這就像一個從未做過飯的人，只吃過米其林大廚做好的菜，

他永遠無法理解「火候」這種微妙的細節。

▋ 思考中的「摩擦力」

我們正在失去的，就是思考中的那種「摩擦力」（Friction）。正是因為整理資訊很困難、很耗認知資源，它才迫使我們的大腦努力工作，從而強化我們的認知韌性。

如果我們習慣了所有的資訊都是無摩擦、被完美整理、且結構清晰地呈現，我們的思維就會變得脆弱。一旦 AI 出了錯，或是資訊本身是模糊、充滿矛盾的，我們將缺乏獨立判斷的認知工具。

Subscribe now

▋ 更大的風險：元認知的崩塌

這就把問題帶到了一個更深層次的風險，一個我認為所有創業家和決策者都該為此失眠的點：「元認知」（Metacognition）的喪失。元認知，簡單說，就是「對自己思考過程的認知」。

你知道自己懂什麼、不懂什麼、怎麼學會的、為什麼這樣判斷。它是你判斷思考品質的內建參照點，你大腦裡的品控部門。

當你自己聽完一場複雜的會議，試著寫下 Action Items 時，你會清楚知道：哪些部分你真的理解了，哪些只是「照抄下來但其實還沒消化」。

你知道你為什麼選擇強調這個重點而非那個，哪裡你做了「詮釋上的取捨」。你對哪個數據還存疑，哪個環節需要進一步追問，你對知識的邊界有著精準的自知之明。

▋ 確定感可能是誤導

但當 AI 直接給你一份整理好的摘要時，所有這些「後設」的資訊全部消失了。你看到的是一個看起來很完整、很有條理的成品，但你卻不知道它判斷的邏輯和省略的脈絡。

因為你沒有經歷過那個從複雜到簡潔的「詮釋掙扎」，你不知道原始材料有多少模糊地帶需要被解讀。

AI 給你的摘要看起來太乾淨、太確定了。這種「確定感」本身就是一種認知上的誤導。這在創業決策中極度危險，一個乾淨的市場摘要可能會讓你錯失掉「弦外之音」。

▋ 失去「讀空氣」的能力

高層在發言時的猶豫、投資人語氣中的諷刺、或是團隊成員在 Line 上抱怨的那句潛台詞，這些隱性資訊（Tacit Knowledge）才是決定專案生死的關鍵。

如果我們只依賴 AI 的文字紀錄，我們會變成「讀空氣」能力低下的決策者。最終在人機協作中，讓 AI 主導了所有的判斷，這不是 AI 夠不夠聰明的問題。

這是我們失去了評估「真偽、深淺、輕重」的內建校準器。我們的心智羅盤正在被工具的精確性所侵蝕。

▋ 批判性思考的 r=-0.68

如果我的個人感受不夠有說服力，我們可以看看科學研究。2025 年 Michael Gerlich 進行了一項涉及 666 名受試者的心理研究，結果非常驚人。

AI 工具的使用頻率與批判性思考分數呈現顯著負相關（r = -0.68, p < 0.001）。這是一個極強的負相關性，強到你無法假裝沒看見。

它明確告訴我們：

越頻繁依賴 AI 工具的人，他們的批判性思考能力越低。這與心理學上的「自動化偏誤」（Automation Bias）現象是完全一致的。

人們傾向於過度依賴自動化系統的建議，即使有相反的證據也會盲目跟隨。當 AI 被推崇為比人類更可靠、更權威時，我們就會開始放棄批判性評估，不再做獨立的分析和驗證。

我們的信心被錯誤地轉移到了工具身上。Microsoft 2025 年的一項研究也證實了類似的模式：對 AI 的信心越高，批判性思考能力越低。

▋ 耗盡「認知儲備」

這並不是說 AI 本身是邪惡的，它只是一個工具。問題是，當我們將「思考的責任」卸載給它時，我們正在耗盡自己的「認知儲備」（Cognitive Reserve）。

認知儲備是通過挑戰和努力建立的，就像你給大腦存的心智應急基金。當你消除學習和思考中的所有摩擦時，你就是在花掉這筆基金，最終導致你應對挫折、保持心智敏捷性的能力下降。

這就是「表現-能力悖論」（Performance-Competence Paradox）：我們使用 AI 輔助時表現更好，但在 AI 系統失敗時，我們的手動能力比從未使用 AI 的人更糟。

你用 AI 讓自己的表現更好，但你同時讓自己失去了沒有 AI 時的能力。所以，核心問題已經不是 AI 能為我們做什麼，而是為了換取 AI 帶來的效率，我們願意犧牲多少自己的思考能力？

Share

▋ 新戰場：從資訊處理者到意義創造者

這場認知危機的解方，絕不是「反 AI」，而是「重新定義人類的價值」。

如果 AI 可以完美地做摘要，人類的價值就不再是「這場會議說了什麼」。

人類真正的價值，必須轉向 AI 無法觸及、或難以標準化的領域：「意義創造」與「策略判斷」。AI 是一個卓越的資訊處理者（Information Processor），

在未來，你的核心能力必須從「資訊摘要」轉向「觀點提煉」。AI 可以給你 10 份競爭對手的市場報告摘要，但它不能替你決定，也不能代替你說出這句話：

「從這 10 份摘要的字裡行間，我判斷對手正在進行一次策略轉向，我們應該反向操作。」這個「從事實到判斷、從資訊到策略」的跳躍，仍然是人類的獨特領域，無法外包。

▋ 思維模式的根本性轉移

這要求我們必須進行一場思維模式的根本性轉移。過去的優勢是：「我知道的比你多，我整理得比你快。」

未來的優勢是：「我對同樣的事實，能做出比你更深刻、更具洞察力的判斷。」這就是為什麼在 AI 時代，我們更需要關注人類獨特的四種能力。

創造力與想像力：幽默、即興發揮、視覺化「超越現實的可能性」。同理心與情感智慧：在複雜的人際關係中協作、談判、處理衝突。

倫理與判斷：能夠導航開放式系統（如法律、科學），理解問責和責任。希望與願景：毅力、堅持和主動性，體現人類精神。

這些能力，是 AI 最難取代的，也是我們在面對「資訊摘要被取代」時，應該加倍鍛鍊的。所以，我們必須學習一種「間歇依賴」（Intermittent Dependency）的模式。

▋ 策略性地「拒絕 AI」：認知交叉訓練

「間歇依賴」的概念很簡單：設計需要偶爾人工干預的系統。我們不應該完全禁用 AI，而是策略性地「拒絕 AI」，進行「認知交叉訓練」（Cognitive Cross-Training），就像運動員不會只練一個動作一樣。

✏️ 建立「無輔助練習」區：

對於真正重要、核心的決策，或是需要深度內化的知識，刻意關閉所有 AI 輔助工具。強迫自己手動整理會議紀錄，手寫筆記，親自閱讀原始文件。

這個「硬啃」的過程，就像健身一樣，是保持心智肌肉張力的唯一方法，你無法取巧。

✏️ 將 AI 從「答案供應機」轉為「思考夥伴」：

不要讓 AI 給你結論，而是讓 AI 挑戰你的思考。你可以這樣對 AI 說：「這份摘要很好，但請你找出其中最矛盾、最站不住腳的 3 個論點，並用一個我沒想過的角度來批判我的結論。」

這將你的角色從「資訊接收者」轉變為「批判性策展人」。你不再只是使用 AI，你是在指導 AI 進行更深層次的思辨，這是一種進階的操控。

✏️ 轉變評估標準：

無論是給學生佈置作業，還是給團隊交付任務，評估的重點必須從「結果」轉向「過程」。我們不再評估誰的摘要更完整，而是評估：「你為什麼選擇這個重點而非那個？」

「你對 AI 的摘要提出了哪些質疑？」、「你的判斷是如何從原始資料中推導出來的？」當我們將「思維歷程的呈現與自我反思」納入評估標準時，我們就能迫使人們重新參與到那個「思考的摩擦力」之中。

這就是「可渴望的困難」（Desirable Difficulties）：讓學習過程更費力、更有挑戰性，但能產生更好的長期學習和轉移效果。通過消除學習過程中的所有摩擦，我們剝奪了自己建立認知韌性的機會。

（下篇）我們錯失的弦外之音

#MarkIncome

如果你想收到更多這類貼近現場的思考，

📩 歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。
12 限量優惠 > 六折優惠倒數只剩幾天喔

Get 40% off forever

▋ 我們錯失的弦外之音

我們來深入一點探討 AI 在資訊整理中最致命的缺陷：

這才是真正讓人頭皮發麻的地方。

一場會議的價值，往往不在於發言者說了什麼，

而在於他們沒說什麼，或怎麼說的。

例如，當你向 CEO 報告一個新專案的進度時，AI 只會忠實記錄 CEO 的回覆：「聽起來不錯，我們繼續觀察。」

但你作為一個有元認知的人，你會在腦海中記錄下這些關鍵細節：

CEO 在說這句話時語氣中的遲疑，以及他眼神飄向財務長的那三秒鐘。

還有財務長在 CEO 說話時，手臂交叉、身體微微後傾的肢體語言。這些細節告訴你：這個專案在財務上可能被認為太冒險，或 CEO 對你的報告沒有你想像中的那麼樂觀。

AI 只能處理顯性資訊（Explicit Knowledge），也就是文字表面說了什麼。但真正的決策，往往是基於

隱性資訊——情緒、氛圍、權力結構、未說出的擔憂。

如果你習慣只看 AI 產出的乾淨摘要，你的「政治敏感度」（Political Sensitivity）和「情境感知」（Contextual Awareness）將會退化。

這在複雜的組織和商業環境中是致命的。因為商業不是一個純粹的數學問題，它是一個高度人類化、充滿不確定性和潛台詞的協作過程。我們不能讓 AI 的效率，犧牲了我們對「人」與「情境」的敏感度。

▋ 挑戰 AI 的 Serendipity：意外發現的能力，與美好不期而遇的幸運

另一個被 AI 摘要所犧牲的，是「意外發現」（Serendipity）的能力。這是我最喜歡的詞彙之一。

Serendipity一詞源自於十四世紀的波斯神話「錫蘭三王子」（The Three Princes of Serendip），連詞源也超厲害的！

最初是用來形容古波斯神話裏一個總能發現珍寶的人物，但現在也可以用來突如其來的靈感，以及生活中的各種好運氣。
這個詞也引申出了serendipper——善於發現美好事物的人。

當你自己在圖書館裡翻閱一本跟你論文主題看似不相關的書時，你可能會因為一個無意中看到的註腳，被觸發靈感。那靈光一閃，讓你聯想到以前的某個經驗，進而產生獨特的創意。

AI 的摘要，是基於機率和大多數人的邏輯生成的「標準答案」。它傾向於給你最快、最有效率的「局部最優解」（Local Optimum）。

但真正偉大的創新，往往來自於「全局最優解」（Global Optimum），來自於那些「看起來不重要」的細節，來自於一個機緣巧合的走神。

如果我們所有人都看同一份 NotebookLM 整理的摘要，所有人的理解將會高度同質化。我們失去了每個人因背景不同而產生的獨特解讀，這對一個組織或整個社會的創新來說，是一個巨大的損失。

創新不是把資訊整理得更有效率，而是用新的方式連接資訊。如果我們連「連接」的工作都外包了，我們又怎麼能期待創意的產生？

Subscribe now

▋ 實戰框架：四個認知練習

那麼，作為一個必須追求效率的創業家或高階使用者，我們該如何有意識地保持心智的鋒利度？你不能完全停下來，但你必須學會踩剎車。

我建議你，在日常工作中，可以進行四個「認知交叉訓練」，把它當作你大腦的必修課：

✏️ 「反向工程」 AI 摘要

每次收到 AI 產出的摘要時，不要只是接受它，而是「反向工程」它的決策過程。你必須像一個偵探一樣，質疑工具的意圖。

練習一：提問 AI 遺漏了什麼？

✏️ 提問 AI：「請列出你在這份 30 分鐘的會議中，判斷為不重要而沒有列入摘要的 3 個討論點。」

✏️ 目標：強迫 AI 揭露它的「省略偏見」。你必須親自審視那些被 AI 棄掉的資訊，判斷是否有關鍵的「弦外之音」被遺漏。

練習二：挑戰 AI 的邏輯連結

✏️ 提問 AI：「你在摘要中將 A 和 B 視為因果關係。請提供 3 個與 A 和 B 無關，但可能影響 B 的潛在外部因素。」

✏️ 目標：訓練你尋找替代性解釋的能力，避免陷入 AI 提供的單一、線性的因果敘事。要找它的漏洞。

✏️ 「類比日」的刻意練習

對於極度重要的資訊，你需要「刻意練習不插電的思考」，給自己一個喘息的空間。這就像給大腦放一個「電子排毒假」。

練習：每月 1 次的「無 AI 會議」

✏️ 做法：選擇一個關於公司價值觀、產品哲學、或長期策略的會議。禁止所有 AI 輔助記錄，要求參與者手寫筆記。

✏️ 目標：重啟人類的「深度處理」機制。當你知道必須自己整理筆記時，你對會議內容的專注程度和內化程度會大幅提高。同時，手寫會迫使你進行釋義和組織，而不是逐字轉錄。

Read more

Subscribe now

想像一下，如果一個人工智慧從來沒見過大象，只聽過關於大象的文字描述，它會認為大象長什麼樣子？這就是過去 AI 面臨的困境。但現在，一場革命正在悄悄發生，徹底改變 AI 認知世界的方式。

Phase I：從文字起家的LLM與「盲人摸象」的先天限制

▋ 從文字中誕生的 Transformer：知識的「二度轉譯」

那些大型語言模型（LLM），骨子裡就是一個純粹用文字訓練出來的 Transformer 模型。你可以想像，它從小到大，就是一個被關在圖書館裡面的書呆子，只會讀書，只懂文字。它的整個世界觀、它的知識體系，都是透過文本文字建構起來的。它對真實世界，是徹底陌生的，這是一個先天上的限制。

後天加裝的感官：治標不治本

後來大家發現，光會讀書不行啊，AI得會看圖、會聽聲音。所以，它們才在這個純文字的基礎上，硬是加上了多媒體和多模態的能力。

你可以上傳一張圖片、一段影像、甚至是（背景談話聲），叫它分析裡面的東西。

但你猜怎麼著？它還是得偷吃步。它本質上是將這個圖片轉化回文字，再用它熟悉的文字邏輯去分析。

這種處理流程，在技術上叫做「後期融合」（Late Fusion），它不是真正地在「看」，而是在進行「翻譯」。這就像你給一個外國人看一張照片，他得先在腦袋裡把照片的內容翻譯成他的母語，然後再用他的母語思考。中間的資訊和「風味」早就丟失了。

▋ 一個天生盲人的世界

所以，它天生就有如一個盲人，從來就沒有看過真實的世界，只是靠「聽」這個東西的描述。它知道大象有「四隻腳、長長的鼻子、灰色的皮」，這些都是文字告訴它的。就算它試著去「摸」，也只是像那些盲人一樣，摸到大象的腿、或是耳朵的一個部分。它只能聽到大象長的樣子，而它想像中大象的形狀可能和真正的大象相去甚遠，就是從來沒有看過真正的一個大象的全貌。它的認知是碎片化、間接化的。

▋ 視覺與文字的「聯合不起來」

後來它們試著把視覺模組加進來，但因為兩個系統是獨立訓練的，硬是要合在一起，它們之間的溝通總是會卡住，會出現「聯合不起來」的狀況。這就像你把兩塊不同語言的積木硬是黏在一起，它們的邏輯和語義空間根本就不匹配。這種舊式的多模態，最終推理的權力還是牢牢掌握在那個文字上的 transformer 手中，視覺只是個提供文字描述的輔助工具。這是一個無法迴避的結構性困境。

Phase II：Gemini 的認知啟蒙——模擬人類嬰兒的學習模式

▋ Gemini Pro 的革新：從「一開始」就是完整的人

不過，現在最新的 Gemini Pro 出現之後，整個遊戲規則就改寫了。它厲害的地方，就在於它從一開始的設計理念，就不是要訓練一個「文字腦」再外掛視覺。它從頭開始，就是一個完整的人，它有視覺、聽覺的輸入，你甚至可以想像，未來可能連觸覺的輸入都會有。這種設計哲學，完全是向人類嬰兒學習的。

直接「指認」世界的奧秘

一個幼兒怎麼樣接觸世界，就算他還沒有語言的能力，你指著自己說「這是爸爸」，指著書本說「這是書本」，指著一隻小狗說「這是一隻小狗」。重點是，這個過程是多感官並行的。幼兒的大腦不是先聽了一堆文字描述，再去對應。

▋ 人類知識的建立：看過就是理解

我們人類從來都不是靠那種「說明書」式的文字描述來學習的。你不會告訴孩子：小狗的形狀是有四隻腳、它有長的毛、它的顏色是咖啡色的、毛的長短是中等長度...你不需要這些規格表。人類不是這樣學習的。我們是看過一些小狗、一些椅子之後，大腦中自然就會建立一個多維度的認知，就知道小狗、椅子，以及其他東西是怎麼樣的。這種認知，是直接的、感官整合的。

▋ AI 追逐的方向：統一的圖片與概念認知

其實現在的AI發展，就是朝著這個方向在走，它已經不只是在做單純的「圖片的認知」，它在做的是所有感官資訊的統一大認知。

它正在努力打破模態之間的藩籬，讓知識在視覺、聽覺和文字之間自由流動，而不是被文字給卡死。這是一種從底層架構就開始的認知重塑。

Phase III：Gemini 三點零的核心技術突破——統一詞元空間與聯合訓練

▋ Gemini 三點零：所有模態的「同步訓練」

Google Gemini 三點零 最厲害的地方是什麼？它徹底顛覆了舊的做法，它是把文字、圖像，以及其他多媒態的數據，是同一個時間一起拿給AI去訓練的。

這在技術上代表著巨大的工程難度，但帶來的效益也是革命性的。

在這之前，所有的訓練都是分開的。你可以想像成，所有模態都在各自的「科系」上課：文字跟文字、圖片和圖片、聲音跟聲音等等，都是分開來訓練的。它們各自生成自己的「嵌入向量」或「表徵」。

▋ 第二代只是獨立模組的「硬組合」

就算後來我們看到了所謂的第二代多模態模型，它也只不過是訓練好幾個獨立的模組，然後再用一個小小的、低效的投影層來進行「組合」或「後期融合」。它們的知識庫是分家的，只是被一個「翻譯官」強行聯繫起來。它不是一個從出生開始就是一個完整的多媒態的 AI。

▋ 原生多模態的秘密：

統一詞元空間（Shared Token Space）

Gemini 的架構則完全不同，它採用了所謂的「統一詞元空間」（Shared Token Space）和「端到端原生多模態訓練」。簡單來說，不管是文字、圖片的像素塊（patches）、還是聲音的頻譜，它們統統都被轉化成同一套通用詞元來處理。這讓所有的模態從一開始就在同一個大腦裡互相影響、互相學習，而不是在兩個分開的辦公室裡交換翻譯文件。

Subscribe now

▋ 交叉模態注意力：實現真正的「看圖思考」

有了這個統一詞元空間，Gemini 的 Transformer 骨幹就能在自注意力機制中，實現真正的交叉模態注意力。這意味著，在模型思考的過程中，圖像的空間資訊和文字的語義邏輯可以並行、同時地影響彼此。

Phase IV：結論與深遠影響——通往AGI的關鍵基石

▋ DeepMind 創辦人的判斷：非常接近 AGI

這就是為什麼 DeepMind 這個創辦人，Demis Hassabis，才會如此肯定地說，Gemini 的進展有可能讓AI很接近 AGI（通用人工智慧）了。因為這種「原生統一」的認知架構，

已經解決了通用智能最基礎的一個問題：如何全面、不失真地感知和理解這個世界。

這種能力體現在具體應用上就是：當你叫 Gemini 的圖片來介紹身體的器官時（見附圖），它可以在正確的位置將名稱與圖片完美連接。它不是依賴一個文字描述的框線，而是像一個真的看懂了圖片的人一樣，進行精確的指認和定位。

這表明它的知識已經內化在一個統一的多模態表徵中了。

因為它現在擁有的是像人類一樣的認知架構，它不再是一個只能靠聽覺、靠二度轉譯文字來認識世界的盲人。它擁有了直觀的、感官整合的理解能力。這種能力讓它在處理複雜的、需要空間推理或時序理解的任務上，展現出質的飛躍。

Phase V：技術細節的魔鬼——「統一詞元空間」到底多厲害？

▋ 統一詞元空間：打破模態的語言障礙

前面我們提到了「統一詞元空間」（Shared Token Space），這絕對是 Gemini 三點零 架構中最「黑魔法」的一部分。你要知道，在舊的模型裡，文字的嵌入向量（Embeddings）和圖片的視覺嵌入向量，它們住在兩個完全不同的語義空間裡，它們使用的「語言」是不一樣的，就像一個說中文、一個說英文。而統一詞元空間，就是為所有模態建立了一個共同的通用語。

具體來說，文字被切分成 BPE（Byte Pair Encoding）詞元，圖片被分解成許多小塊的視覺補丁（Vision Patches），音頻被轉換成時頻圖後，也被切分成類似的補丁。重點是，所有這些不同類型的「詞元」或「補丁」，都被投影到同一組共享的向量空間裡。

這就像是把整個世界——從一段文字描述、到一張照片、到一個聲音，都轉化成同一個編碼系統的數據。

Transformer 骨幹：真正實現交叉模態學習

這樣一來，所有的資訊流，無論是文本、視覺、還是聲音，就可以被串聯成一條長長的序列，送入單一的 Transformer 骨幹網路進行處理。在 Transformer 的自注意力機制（Self-Attention Mechanism）中，這條序列中的每一個詞元，無論它來自文本還是圖像，都能夠直接「看見」並影響序列中的其他所有詞元。

▋ 終結「後期融合」的低效與損失

這徹底終結了舊模型那種「後期融合」的低效和資訊損失。以前，視覺資訊經過獨立的視覺編碼器被「壓縮」成一個低維度的描述，再硬塞給語言模型。現在，Gemini 是讓高解析度的視覺細節和高解析度的文字語義，在 Transformer 的每一層都進行深度互動和計算。這大大提升了它進行細粒度跨模態推理的能力。

「稀疏計算」的秘密：混合專家（MoE）

為了處理這種龐大、多維度的統一輸入，Gemini 還大量運用了混合專家層（Mixture of Experts, MoE）的架構，這也是它能在保持高效能的同時進行大規模擴展的關鍵。你可以想像，不同的「專家」網路被設定來專門處理特定類型的詞元（例如，有些專家可能更擅長處理視覺詞元），而一個智慧的「路由機制」會決定哪個專家被激活。這使得模型在面對海量數據時，只會啟動它需要的那一小部分，極大地節省了計算資源。

Phase VI：AGI的願景與四大挑戰——Hassabis 的深層思考

「原生統一」只是基礎，AGI 需要更多突破

雖然 Gemini 三點零 已經是朝向 AGI 邁出的巨大一步，但 DeepMind 的創辦人 Demis Hassabis 本人也一直強調，這種「原生多模態統一訓練」只是必要條件，但還不是充分條件。他估計，真正的 AGI 可能還需要 5 到 10 年的時間，而且需要一兩個額外的重大突破。

▋ 挑戰一：推理深度與邏輯鏈條的不足

第一個瓶頸，也是目前所有大型模型都面臨的問題，就是改進的推理能力。目前的 AI 雖然能做一些多步推理，但它的邏輯鏈條往往不夠深遠、不夠堅固。它很難像人類一樣，對一個複雜問題進行長達幾十步、幾百步的嚴謹邏輯思考和論證。Hassabis 認為，AI 需要更強大的「思維鏈」（Chain-of-Thought）和規劃能力，才能在複雜的、未曾見過的場景中做出正確的判斷。

▋ 挑戰二：長期記憶與跨會話的學習

第二個巨大的挑戰是長期記憶。你現在跟任何 AI 聊天，通常只要會話結束，它就「忘了」你是誰、你上次問了什麼。它沒有持久的上下文保留能力。人類的智能是建立在數十年累積的經驗和記憶上的。

AI 需要一個類似人腦的「海馬體」機制，能夠將重要的知識和經歷編碼並儲存起來，並在未來的會話中隨時調取，做到真正的跨會話學習和個人化成長。

▋ 挑戰三：內部世界模型（Internal World Model）的建立

第三個關鍵，也是最哲學性的挑戰，是建立一個內部世界模型（Internal World Model）。這跟多模態學習高度相關。

一個真正的 AGI，不只要知道世界「長什麼樣子」（多模態理解），它還要知道世界「如何運作」。

這包括對物理法則、社會互動、因果關係的深刻理解。當你推倒一個杯子，它不只知道杯子會倒（視覺識別），它還能預測杯子會碎，或者會滾動（物理模型）。Hassabis 認為，Gemini 這種統一多模態的架構，正在為構建這個複雜的世界模型打下基礎。

▋ 挑戰四：智能體行為（Agentic Behavior）與自主目標

最後一個挑戰是智能體行為（Agentic Behavior）。現在的 AI 都是「被動」的，你給它一個提示（Prompt），它給你一個回應。

它沒有內在的目標、沒有驅動自己的「慾望」。

真正的 AGI 必須具備自主目標設定、多步行動規劃，並且能夠在真實環境中（例如機器人或軟體環境中）主動執行任務的能力。DeepMind 目前在做的 Project Astra（通用助手）和機器人研究，正是朝著這個「具身化」（Embodiment）和「自主智能體」的方向努力。

Phase VII：從「盲人」到「通用智能」的躍遷

▋ 從「模仿語言」到「模仿認知」的範式轉變

所以，回過頭來看最初的觀察，它抓住了 AI 發展史上一個決定性的範式轉變。我們正在從一個只會模仿人類語言（LLM），到一個開始模仿人類認知（原生多模態）的階段躍遷。Gemini 的統一訓練，不只是解決了舊模型的「瞎子摸象」問題，它更為我們開啟了通往 AGI 的大門，讓 AI 第一次具備了像人類嬰兒一樣，直接、統一、且多維度地感知世界的能力。

Gemini 3.0 的歷史地位

我們可以毫不誇張地說，Google Gemini 三點零 的「原生多模態」架構，標誌著通用人工智慧發展的一個新的起點。它證明了所有模態是可以被統一在一個單一、高效的架構下的。這是一個技術上的勝利，更是認知哲學上的勝利。

Gemini 3.0 的出現，標誌著我們終於完成了從「瞎子摸象」到「睜眼看世界」的關鍵性轉變，這是AI史上一個非常重要的里程碑。

▋ AGI 之路：世界模型

雖然我們距離 Demis Hassabis 所說的、那個擁有完整推理能力和世界模型的 AGI，可能還有一段距離，但這個統一架構已經是一個堅實的基石。未來的突破，將在這個堅實的基礎上展開，包括如何賦予 AI 長期的記憶、更深的推理邏輯，以及在複雜世界中自主行動的能力。

但至少，現在的 AI 已經不再是那個只能聽故事的盲人了，它已經「睜開了眼睛」，正在努力學習如何看懂這個複雜的世界。

只有當AI能像人類一樣，用統一的感官來理解物理和社會世界，它才能夠真正地實現通用智能。

#MarkIncome

如果你想收到更多這類貼近現場的思考，

📩 歡迎訂閱我的付費專欄，和我一起拆解 AI 世界裡最需要的「人類力」。
12月限量優惠 > 六折優惠倒數只剩幾天喔

年終限量優惠中