A4

墜入社畜地獄 v(゜Д。)v，自廢武功的 IT 人生 !?

[A4 @a4johnny2]

春番最強 勇者肋骨

[monakawan @9baPooKS9w14337]

ネメシスでBEYOND達成
AF、進化、破壊、全部強いです！
リストはXに流れてきたの使ってます

[piyonoᢉ𐭩 @piyopiyoverse]

リーダースキン保存用〜

[A4 @a4johnny2]

不貪心 1100 撐到年底就好

[Unclestocknotes @Unclestocknotes]

#MU 要準備6/24 財報，分享目前各機構目標價調整。已經漲了很多，注意控制風險。
謝謝

[A4 @a4johnny2]

dotabyss
這遊戲 live2D 好猛 真的是可以免費玩的嗎
營運聽說很坑就是了

[A4 @a4johnny2]

看到這個 short 才入坑婚姻劇毒
動畫蠻好看的 也符合我的人生現況 QQ
https://t.co/kOIxLmZhHy

[A4 @a4johnny2]

2024 的想法是對 2025 的方向也是對的
但最後執行力度不足 哈 有做但不多

[A4 @a4johnny2]

2024 半年報
年初預定目標大致都有達成，目前還是以營建股為主

槓桿的部分趁著維持率還穩先進行轉貸，用低利率質押來替換掉一部分信貸，把總體的利率控在 3 % 以下，下半年預計會還錢降槓桿

今年吃到營建股爆發紅利，本來預定 5 年要達成台股資產總額今年初就完成了 XD 等年底再來安排下階段的計畫

[A4 @a4johnny2]

AMDL +427.6%
感謝蘇媽

[A4 @a4johnny2]

AMD = Advanced Money Destroyer

[阿哲Phil @Formulasearch]

https://t.co/6cpVhP4tKu

[宝玉 @dotey]

https://t.co/AKXoeJmPGU

[阿西_出海（2.0版） @imaxichuhai]

https://t.co/JskCFSVP7W

[AI探路者Tim @AIExplorerTim]

https://t.co/0TEsiOjVxt

[みらつ/밋다다@SD작법서많관부 @miratsu169]

#鳴潮

[A4 @a4johnny2]

闇鴉17來啦
跟16差了7年 先把16拿出來複習一遍壓壓驚

[A4 @a4johnny2]

玩完第一章的心得 ：

[WiseInvest @WiseInvest513]

推荐几个自己在用的几个“军火库”级网站库（一）！

回归到价值投资的时候，总需要对标一些前辈们，以及历史的一些经验，做到以史为鉴和“抄作业”

之前聊到说要分享一些好用的网站，一直在拖着，这最近在准备自己的个人投资网站了，后续这些网站都会整理到我们的个人网站上去！

1️⃣、Dataroma

网址：https://t.co/9hfy3RK6yT
核心价值： 极简主义的“超级投资者”追踪器。
追踪名宿： 它可以直接查询巴菲特、芒格、达里奥等顶级投资大师的最新持仓。
买入/卖出排行： 你可以查阅上一季度，这些超级投资者共同买入最多的是哪只股票。

推荐：🌟🌟🌟🌟

2️⃣、WhaleWisdom

网站：https://t.co/eyVpICNJx9
核心价值： 比 Dataroma 更深度的对冲基金分析工具。
提供机构持仓的热力图，如科技、医疗、能源。
一眼看出资金流向了哪个板块 它不仅显示持仓，还会计算出机构的“预估平均成本”。

推荐：🌟🌟🌟🌟

3️⃣、Koyfin

网址： https://t.co/NydtfzCmED
核心价值： 被称为“免费版的彭博终端”，数据可视化极强
资产对比： 你可以把 标普500、纳斯达克、黄金、比特币 放在同一张图表上，拉长到 10 年，查看它们的相关性和历史回报率。
宏观仪表盘： 能够查阅美债收益率曲线、通胀数据、大宗商品（石油、铜）的历史走势。
推荐：🌟🌟🌟🌟

4️⃣、Trading Economics

网址： https://t.co/kCdon77rZY
核心价值： 全球宏观经济数据的百科全书。
全球数据： 不仅是美国，你可以查中国、欧洲、日本的 GDP、CPI、利率决议等。
大宗商品预测： 它提供非常详细的黄金、原油、天然气、大豆等大宗商品的历史数据和未来预测模型。

推荐：🌟🌟🌟🌟

5️⃣、Macrotrends

网址： https://t.co/xL0zdsOqp8
核心价值： 超长周期的历史数据可视化。它最强的地方在于能把数据拉长到 50 年甚至 100 年的维度，并且界面非常干净，没有复杂的干扰信息。
超长历史股价： 你可以查询美股（如 AAPL, MSFT）上市至今的所有股价走势，并且它会自动处理好拆股后的价格，画出来的图非常连续。
历史估值回测（杀手锏）： 它可以把股价和 PE（市盈率）、PS（市销率）画在同一张图上。比如你想看 2000 年互联网泡沫时微软的 PE 是多少，现在是多少，一目了然。

推荐：🌟🌟🌟🌟🌟

6️⃣、Arkham Intelligence

网址： https://t.co/42nqR8uEU6
核心价值： 币圈的“天眼查”，通过链上数据可视化展示持仓。
巨鲸追踪： 你可以查看 Justin Sun、Vitalik或者某些神秘巨鲸钱包的实时持仓和资金流向。
机构持仓： 查看 Grayscale（灰度）、BlackRock（贝莱德）等机构的加密货币钱包余额变动。
可视化关系网： 它能生成一张网状图，展示资金是如何从 A 钱包流向 B 钱包，最后进入交易所的。

推荐：🌟🌟🌟🌟🌟

ok，以上，后续我们还会持续分享更多相关对于我们投资有价值，有帮助的网站。

并且到时候会连贯网站进行价值投资和分析！

如果你觉得有价值的话，记得收藏和点赞哦。

我们下期再见！

[A4 @a4johnny2]

MU GG

[0xFunky @0x0funky]

[技術介紹長文] Nested Learning

這幾天花了不少時間研讀 Google DeepMind 最新發表的 Nested Learning (以及相關的 Titans 架構) 論文，讀得越深，越有一種強烈的既視感：

我們可能正站在自 2017 年以來，AI 架構最重要的一次典範轉移（Paradigm Shift）路口。

為了講清楚為什麼這篇論文如此重要，我先來說這七年來 AI 是如何發展的，以及為什麼近期市場上的 記憶體概念股（如 HBM）會漲得這麼兇？

這一切，可以用三個關鍵階段來解釋（我盡量用白話一點來介紹）：

== 起源與現狀：Attention Is All You Need (Transformer) ==

2017 年 Google Brain 發表的這篇論文，絕對是AI歷史上最重要的論文之一，Transformer 的誕生奠定了今天 GPT-4、Gemini 等所有 LLM 的基礎。

白話比喻：現在的 AI 就像是一個「過目不忘的天才」在參加一場「開卷考試」。當你問它問題時，它雖然聰明，但無法把書背下來。它必須把所有的參考資料（你給的 Context）全部「攤在桌子上」，然後隨時用眼睛掃描（Attention）來找答案。

技術限制：這種架構是「靜態」的，AI 的腦子（參數）是凍結的，它只能依靠「桌子（記憶體）」來暫存資訊。

== 瓶頸與市場現象：Scaling Laws (縮放定律) ==

過去幾年，OpenAI 等巨頭發現了 Scaling Laws：「桌子越大、書越多，考得就越好。」

用GPT來看看這幾年 AI 的「桌子（Context Window）」是怎麼變大的
• GPT-3 (2020)： 只有 2k - 4k tokens。桌子很小，聊沒幾句它就忘記前面的設定。
• GPT-4 (2023)： 擴展到 32k tokens。勉強可以放下一份財報。
• GPT-4 Turbo (2024)： 暴增到 128k tokens（約 300 頁的書）。
• Gemini 1.5 Pro (2024)： 甚至衝到了 1M+ tokens（好幾部哈利波特全集）。

看起來很棒，但這就是問題所在。 為了維持這張「無限大的桌子」，我們需要極其巨大的 KV Cache。這導致現在的 AI 晶片（如 H100/Blackwell）對 HBM (高頻寬記憶體) 的需求變成了無底洞，這就是為什麼記憶體股與 NVIDIA 會暴漲。

簡單說：現在的 AI 太笨了，記不住東西，所以只能靠暴力堆硬體（買超大的桌子）來解決問題。這條路雖然有效，但成本跟CP值已經快走到物理極限了。

== 或許是下一代的解答：Nested Learning (巢狀學習) ==

正是在「記憶體牆」與「算力成本」的焦慮下，Google 這篇 Nested Learning paper在11月橫空出世並且釋出Gemin3 pro還有nano banana pro，試圖讓 AI 從「依賴硬體」進化為「依賴大腦」。

這一切的基礎，在於一個關鍵技術突破：推論時訓練 (Test-Time Training, TTT)。

過去我們認為 AI 訓練完就不能改了（Parameters Frozen），但 TTT 允許模型在「考試的當下」依然能即時修改自己的腦神經連結。

基於 TTT，Google 也提出了兩大架構創新：

1. 基礎建設：Titans (神經記憶體)
Google 在今年初設計了一種叫 Titans 的架構，讓 AI 擁有一個獨立的「神經記憶體 (Neural Memory)」。它不再依賴「開卷考試」。當讀到新資料時，它不只是放在桌上，而是利用梯度下降，直接修改自己的腦神經連結（更新參數）。等於是把書的內容「背」進了腦子裡。

2. 進化核心：HOPE (自我參照學習)
這才是這篇論文真正的黑科技。在 Titans 的基礎上，Google 提出了 HOPE。如果說 Titans 是「會做筆記」，那 HOPE 就是「會改良自己做筆記的方法」。

實現了 Self-Referential Learning (自我參照學習)，模型不只能學到知識，還能即時調整自己的學習演算法。

這是一個「巢狀（Nested）」的系統：內層在學知識，外層在學「如何更快地學知識」。

3. 降維打擊：這實現了很低記憶體消耗。
不管讀了 100 萬本書，它不需要更大的桌子（記憶體），因為知識已經被 HOPE 模組壓縮、內化成了模型的參數，這對目前依賴 HBM 的硬體架構來說，是徹底的降維打擊。

白話比喻：Nested Learning 的模型，是一個「學會內功心法」的宗師，不再依賴「開卷考試」。當它讀到新資料時，它不只是放在桌上，而是直接修改自己的腦神經連結（更新參數），直接把書的內容「背」進了腦子裡。不管讀了 100 萬本書，它不需要更大的桌子（記憶體），因為知識已經內化成它的直覺。

== 總結 ==

如果說 Transformer 教會了 AI 怎麼「看見」重點；那 Nested Learning (結合 HOPE 與 Titans) 正在利用 TTT 教 AI 怎麼「記住」重點並「自我進化」。

Google 這篇論文向我們展示了下一個時代，一個模型能自我更新、不再單純依賴暴力堆砌記憶體的「動態智慧」時代，雖然Nested Learning 目前在訓練的穩定性與雙迴路優化的複雜度上，確實還有一定的難度要克服。

但這個方向的確立，對資本市場將帶來深遠的思考：「這會不會衝擊現在的 AI 概念股？」

我的看法是：短期不會，但長期的遊戲規則變了。

目前的股市榮景（HBM 供不應求），反映的是 Transformer 時代因為演算法效率低落，導致對硬體（記憶體）的紅利。

然而，一旦 Nested Learning 技術成熟並普及，未來 AI 對「記憶體容量」的依賴程度將大幅降低複雜度，這意味著 HBM 的無限增長故事可能會有天花板，競爭將從「誰的顯存大」回歸到「誰的晶片算得快（支援 TTT 高效運算）」以及「誰的演算法更聰明」。

老實說，這篇論文值得所有 AI 工程師關注，更是所有關注 AI 資本市場的人，重新審視「硬體超級循環」能否延續的關鍵訊號。

相關論文連結都放在留言了。

[A4 @a4johnny2]

win11 音量混音有夠爛 竟然沒辦法顯示全部音源
remote 視窗都不會出現在選項內 但 win10 可以 = =

好險有這個 app, 不然只剩 win + G 可以用
https://t.co/57BIUgm7qn

[Saruei 💥 @saruei]

You claim to follow the law and avoid moral judgments, yet you let foreign extremists like @CollectiveShout Influence you and how you enforce your policies, banning entire broad categories of legal entertainment to appease their agenda. This directly contradicts what @Steam and @itchio have said. You’ve turned your platform into a weapon against free expression and your own customers.

[A4 @a4johnny2]

香草社讚讚讚
不知道奧丁領域有沒有機會移植到 NS
為了玩那幾款買 PS 好像有點虧