呆一布呀 DiveAI

「Data ➡️ AI」
資料是燃料，AI 是被訓練出來的結果。

這是過往我們比較熟悉的認知。

比如人類先蒐集、標註、整理大量路況影片、行人照片、駕駛行為資料，再餵給自駕車模型去學習。這時候，資料的源頭主要來自真實世界，也來自人類的整理。

但接下來的世界，會越來越像是：

「AI ➡️ Data」
（其實現在就已經有在做了）

#資料的來源變了
AI 不再只是接收資料的工具，它反過來參與資料的生成、整理、模擬、測試與優化。
這也剛好對照 NVIDIA 強調的幾個核心與方向：
「Omniverse、Digital Twins、Robotics、Physical AI、AI Factory」

我原本以為，只要把足夠多的真實世界資料丟給 AI，它就能慢慢學會所有狀況。
但這件事其實沒有那麼簡單，因為真實世界太複雜了。

自駕車不可能真的把全世界的暴雨、罕見車禍、施工道路、突發行人等等的狀況都實際去撞一遍。
機器人也不可能一開始就直接在現實世界裡無限練習，摔壞就重來、撞壞就再買一台。

和 這類技術有趣的地方就在：
「它們讓 AI 可以在模擬環境裡，生成更多現實世界很難大量取得的情境」

讓自駕系統或機器人先在虛擬世界裡觀察、判斷、練習、測試，通過驗證後，再進到真實世界執行。

「AI 可以協助我們更快產生、整理、篩選、模擬和驗證現實世界很難大量取得的資料。」
這也是 #合成資料（Synthetic Data Generation）越來越重要的原因。

由 AI 協助生成資料、整理資料、測試資料，再把更高品質的資料拿回去訓練下一代 AI，所以 AI 不再只是「訓練好之後放在那裡回答問題」的靜態模型。

📍它會像一套持續運作的系統：
生成資料 ➡️ 模擬測試 ➡️ 評估結果 ➡️ 優化模型 ➡️ 部署到真實世界。
然後再把新的資料帶回來，繼續下一輪改進。

從「被資料訓練的工具」，到「創造下一批資料」

#呆一布呀

【叫黃爸爸太親密，今天改稱 Uncle Huang：NVIDIA 的 RTX Spark】
​
昨天說「PC 將不只是 PC」，
那 RTX Spark 這類產品，就是在回答：
​
未來 PC 會變成一個 AI 工作空間。
模型在裡面跑，agents 在裡面協作，資料在裡面被整理、推理、生成，然後幫我們把工作往前推進。
​
過去講到 RTX，第一個想到的是顯卡、生圖、遊戲、3D 渲染。
「畫面要漂亮、速度要快、電腦風扇要開始起飛的那種東西。」
​
但想在自己的電腦上跑大型語言模型，問題就會變得不太一樣。因為跑大模型最卡的，常常考驗的是你的記憶體夠不夠。
​
像 RTX 5090，VRAM 是 32GB，這對很多圖像任務來說已經很強。
但如果你想在本機跑比較大的開源 LLM，例如 OpenAI GPT-OSS 120B，就算經過 4-bit 量化壓縮，可能就需要 60GB 以上的記憶體空間，如果還要跑得穩、上下文開得長，實際需求可能會更高。
​
反正就是，你的電腦真的裝不下。
​
這也是為什麼前陣子很多人會說：
​
「想在自己電腦上跑 LLM，可以考慮 Mac。」
​
因為它 CPU / GPU 統一記憶體設計，所以大型模型較不會被VRAM 容量限制。

所以過去常常會出現一個很尷尬的狀況：
​
➡️ 想要大記憶體，會想到 Mac。
➡️ 想要 CUDA、想要 AI 工具支援完整，又會想到 NVIDIA。
🟰 兩個都想要，錢包先陣亡😈
​
這次 RTX Spark 有趣的地方就在：它看起來像是 NVIDIA 想把「共用記憶體設計」和「RTX / CUDA 生態」放進更接近一般筆電、桌機的產品裡。
​
依目前資訊，RTX Spark 這類平台最高會支援到 128GB 的共用記憶體。
代表未來在自己的電腦上跑比較大的 AI 模型，可能不再是少數專業工作站或高端玩家才比較做得到的事情。
​
再加上 RTX 這個名字，也代表它不只是想處理文字模型，圖像、創作、生成式 AI 應用，應該也會是它想涵蓋的方向。
​
實際跑起來怎麼樣，還是要等正式上市後的實測。
​
「這台，養得起幾個 AI 同事？」
​
#呆一布呀 #黃仁勳

看完黃爸爸的演講，最有感觸的是，15-20年前，有個叫做 phone 的東西，主要是打電話功能。但我們仍叫它 phone，實際上它已經變成拍照、上網、社群、支付、AI 助理等多功能用法。
​
同理，未來 PC 也還會叫 PC，但它不會只是用來打字、瀏覽網頁、跑傳統應用，會變成能在本機執行 AI、代理人、推理與互動的 AIPC。
​
我猜整場講座，黃仁勳講最多次的詞應該就是 “agent/agentic” 。
從電腦，到 Autonomous Vehicles 應用，再到 Humanoid Robots，他兩年前就說過下一波浪潮會是代理式 AI（Agentic AI），而時至今日也真的發生。
​
過往我們學著操作工具：打開軟體、輸入指令、等待結果。
接下來我們可能要學會：如何和一群 AI agents 協作，如何把問題拆解、交付、驗證，讓 Agents 自己找到問題、溝通、並替我們完成工作。
​
Phone 沒有消失，只是它早就不只是 Phone。
PC 也不會消失，只是它即將不只是 PC。
​
也許未來幾年，重要的會是誰更早學會和 AI 一起工作， 未來 Agentic AI 已不是高收入人群獨有的資源，而是像家庭劇院一樣會習以為常的出現在家中。（誰家裡會有劇院？？）
​
#呆一布呀 #黃仁勳

美國農業中有一個系統叫作Extension農業推廣。受過訓練的推廣中介（Extension agent）駐在各地 county，他們懂當地的土壤、氣候和作物條件，把學術知識轉化成農民能用的實務建議。

在台灣類似的系統也叫做農業推廣，它是農會的一項重要工作。台灣的農會組織農事研究班、產銷班、家政改進班等進行農業推廣工作。

這個系統是因為不同的地區有不同的農業限制，不能一概而論。德州的土和愛荷華州的土不是同一塊土。同一套灌溉邏輯，換個氣候就失效。有效的農業知識，必須有人走進那塊土地才能用起來。

2026 年 5 月，美國國會提出 FARM AI Act，六位來自兩黨的參議員連署。法案要透過農業部（USDA）補上鄉村地區的兩個缺口：沒有 AI 的資本、沒有能實際操作的人才。它把問題拆成三件事：

1. 供給資金，透過 AFRI 研究補助

2. 供給人才，擴大 USDA 培訓計畫

3. 供給知識，透過 Extension。

北卡羅來納州立大學農業與生命科學學院（NC State CALS）是這個法案的支持者之一，大學的研究端和 Extension 的田野端，是這條鏈上的兩個節點。

AI 在農業能做什麼？用電腦視覺辨識田裡每一株植物，只對雜草噴除草劑，不碰作物或土壤。用訓練過土壤條件、天氣模式、牲畜基因組學的 LLM，給農民個人化的生產建議。這些工具存在。接下來需要的是一條走進田裡的路。

大西洋另一端，歐盟 AI 法案看到的問題不同。它要建立共享的歐洲農業數據空間（CEADS），讓土壤、天氣、作物表現數據能夠流通；改善鄉村寬頻；制定跨平台標準。一個從資源缺口出發，一個從數據孤島出發。

農業知識是在地的，這一點兩個法案都知道。

那讓 AI 真正在農業上有用的條件是什麼？是可以整體可以流通的數據，還是補上資金、補上人才就夠了？

各位勇者們～「呆一布共學實驗室」書面審核完畢❗️
我們已於 #週三寄出信件，並通知面試的時間在信件內容。
​
有投遞報名的各位勇者還請注意：
1️⃣ 若您有投件卻沒收到回信，請您一定要私訊呆一布粉專。
2️⃣ 檢查信箱的垃圾郵件，是否信件被誤判為垃圾信
（呆一布太難過了）
3️⃣ 若您有任何疑問也歡迎私訊粉專！
​
祝大家今天順利愉快💗
​
#呆一布的祝福

今天原本是跟著 Youtube 的影片，要開始嘗試製作屬於自己的 Karpathy Wiki筆記術，一開始很正常：先Antigravity、然後連到Obsidian，然後把搜到的資料用擴充功能「Obsidian Web Clipper」都放進 raw 資料夾。
​
結果不知道怎麼一個走歪，做成 #星座預測.....
​
其實我平常就號稱「千禧年的唐綺陽老師」（？？

很喜歡在跟新朋友聊天時，根據他的回應來猜對方的星座，剛好把這個習慣變成遊戲也合理xD
​
⚠️大家要再看一次我打的文字 「誤打誤撞把這個想法做成遊戲」。
歡迎大家來玩「遊戲」，並告訴我到底準不準！

🔗： https://sweet-dolphin-b58b13.netlify.app/

#星座預測 #呆一布呀

【呆一布貼圖新登場！】 #買就送精品咖啡包
你有了這個貼圖，哪怕不會跟老闆溝通？
我這就示範給各位看，自己買一組，再送老闆一組。
https://line.me/S/sticker/33743494
​
除了貼圖之外，
我們也偷偷準備了小活動。
(活動無期限，直到贈品發完為止)
——
｜參加方式｜
​
① 購買《呆一布的日常反應》貼圖
② 截圖你最常用的一張或使用貼圖的聊天記錄，留言在此篇貼文下方。
​
——
｜我們將送出｜
​
☕ 呆一布精品咖啡試喝包×2（掛耳式＋濾泡包，共兩款），給每位購買者
⚠️ 我們會透過私訊，與您約時間至政大領取
（怎麼像是在發2026股東會紀念品？？？）
​
若您願意，也想邀請您在品嚐過後給予我們回饋：
・香氣、口感的感受
・喜歡哪一款的沖泡方式
・任何想給予我們的建議
・一般會在什麼時候喝它
・對於咖啡的需求是快速的提神？沖泡過程的儀式感？
​
#呆一布呀 #濾泡咖啡 #貼圖上架 #掛耳咖啡

AT與企業的新紀元II
《AI 巨頭真正的生意，是讓企業離不開它》

那OpenAI跟Google怎麼賺錢？

OpenAI 和 Google 真正賣的，可能不是 AI。而是讓企業從此離不開它們的能力。
兩家公司的模式不同，但邏輯一樣：讓 AI 深度嵌進你的組織，讓你離不開。OpenAI 靠工程師進駐，Google 靠平台鎖定。

OpenAI 請 Forward Deployed Engineers（FDE）前線部署工程師幫企業建這些系統。它收購了 Tomoro，帶來 150 名工程師，砸進 40 億美元。這批人的工作不是開會做簡報，是直接進駐客戶的環境，在真實的安全限制、混亂的舊系統之間，讓 AI 動起來。

這個模式 Palantir 最早開始。它不是只派工程師，而是派能理解機構如何運作的人。有些 FDE 寫程式，有些則來自軍方、法律或財務背景。FDE 模式強調工程師必須進入企業內部，這兩個角色的張力設計是為了確保系統既具備技術正確性，又能符合營運現實，避免建立出技術完美但對公司沒用的東西。

🚨Palantir 是 FDE 模式的先驅者與定義者。該公司成立的部分原因，是為了協助美國情報部門（如 CIA、FBI）解決數據無法互通的難題，讓分析師能有效解讀海量的信息。它說它自己是一台「學習機器」 (institutional learning machine)。它進入複雜機構的內部，將實際場域經驗（field experience）轉化為洞察。Palantir 認為其競爭優勢不在於單一的演算法，而在於編碼在平台中的「機構理解力」，這種模式與傳統軟體開發「由外而內」定義需求的邏輯截然不同。

OpenAI 和 Google 都認同 FDE 是必要的。只是押注的方向不同。OpenAI 自己養人。Google 把 FDE 外包給 Accenture、Deloitte 等系統整合商，但那些工程師進駐後，部署的是 Google 的平台。工程師離開了，平台留下來。

Google 給每個 AI Agent 發了一張數位身分證（Cryptographic ID），在公司門口裝了監視器（Agent Gateway）。

以前系統只知道「有人在查資料」。現在系統知道「這是 ID -007 在查資料，它的採購上限是五萬美金，這筆操作留有記錄。」每個 Agent 的每個動作，都綁定了身分和權限上限。

任何企業技術上都可以自己產生一串加密字元。但那只是自己在家印的身分證。外部系統如Slack、銀行 API都不會認得。但是Google 的簽章全世界都認，是因為 Google 本身就是信任體系的頂層。你要這把鑰匙，你的數據、流程、授權，都要住進 Google 的大樓裡。這棟大樓就是Google的生意模式。

85% 的企業說他們對 AI 有信心，但只有 12% 真的有能力管理它。在這個時間點，兩個科技巨頭之間的共識意味著以後的AI系統從第一天起就是為了在處處受限的現實中運行而設計的。

《歐盟人工智慧法案》(EU AI Act) 今年 8 月正式生效，要求高風險 AI 系統必須讓真人能「有效監督」。AI 時代的競爭，可能不再只是誰的模型最強。而是誰最有能力處理現實世界裡的限制。當科技巨頭解決了這些限制（如政府的極高資安要求），他們就建立了一道競爭護城河。這種轉變意味著科技巨頭承認：「一個不安全、不合規的 AI 系統，不論多強大，在企業中都是沒有價值的。」 因此，應對複雜性的能力就是獲利的關鍵。