你腦中運行的軟體是誰寫的？你確定你真的想要它嗎？ — — Elon Musk

大多數人並沒有真正練習過「思考」這件事。當你跟他們對話時，其實你是在跟電視、社群媒體、父母、老師、他們自身的不安全感與創傷，或是他們從 AI 那邊學來的模式聊天 — — 而不是跟「他們本人」對話。一切都很機械。

大家口口聲聲說要「做自己」，但其實他們只是複述別人的話，十分具有諷刺意味。事實是：沒辦法逃脫這一切，因為人類的頭腦運作方式就是這樣。

我們會記得對生存有幫助的資訊；而那些被不斷重複的內容，會變得越來越有效率。意識只能每秒處理約 50 位元的資訊，潛意識則能處理約 1100 萬位元。

想改變人生，最重要的任務就是用有限的意識去覺察和重新設定你的潛意識，讓成功變得自動化 — — 不用刻意思考，行動自然而然。若沒做這一步，大多數人其實都是「盲目走向平庸的懸崖」 — — 不知不覺地，生活就被自動導航到不理想的終點。

社會矩陣：被編程還是成為編程者？

思想總是被制約的，因此思想總是機械的。 — — Krishnamurti

大部分的「思考」，本質上只是以往被灌輸的記憶自動播放，不是真正的有意識思辨。每個念頭都來自記憶，而記憶永遠屬於過去。你以為自己在創造，其實只是存取舊資料而已。

這有什麼問題？因為你真正活在一個「社會矩陣」裡。就像電影《駭客任務》，但不是那種叫你付錢買課程的紅藥丸操作，而是真的、可觀察到的社會現象。

1）一切從父母開始

父母自己也是被前一代洗腦，將世界觀、偏見和信念下意識地傳給你。多數父母只在你順從他們價值時才給予認同與愛。你順從，是為了生存 — — 不想被排斥。父母也是被上一代的制度影響。

2）童年早期制約

語言決定了你可以思考的範圍。文化規範和價值觀在你還沒具備批判性思維時早早植入。孩子通過遵從權威來獲得認同。

3）公立學校是為了加強服從而設計（UC San Diego 的研究）

普魯士教育模式，是工業化時期為了穩定社會，專門設計成「訓練服從」的系統。課程由上一代決定，每年級制式劃分，全國統一教材，引導學生模仿而非懷疑。

4）資訊來源和權威

媒體和網路成為大眾資訊主要來源，但媒體由企業擁有，新聞與網路算法都更側重官方和學術資源，而學術體系本身有其偏見。社群媒體透過同溫層加深偏見，娛樂則在潛移默化中影響你的價值觀。

科學家和學生信仰成千上萬份自己沒驗證過的論文，這些論文的背後常是有特定目的的資金來源。大家互信的，不過就是另一群經過同樣系統訓練的學者而已。

5）社群媒體與 AI 放大無意識行為

社群媒體加強「模仿慾望」（mimetic desire），算法號稱顯示你想看的內容，事實上是在灌輸你去羨慕他人的精華片段。每次滑動都在加強某些神經路徑 — — 你越來越以為自己渴望的就是那些被強調的生活。

6）社會本身就是為你設下圈套

• 你需要工作，得順從老闆的世界觀
• 從小被廣告行銷影響慾望
• 食品工業為了盈利讓你上癮，影響心理清晰度
• 醫療系統以「疾病」而不是「健康」為利基
• 社交圈不鼓勵你深度質疑，會把你孤立
• 政治家、心理諮商師也都來自同一教育流水線

簡單來說，整個文化和社會體系都是自洽循環，不同領域相互認證、相互支持。當你質疑某個領域時，往往會被回應「要相信專家」、「教科書寫的」、「這是法律」、「這是傳統」等制式反應。

你如何逃脫這種「矩陣」？

1）創造屬於自己的矩陣

一切始於明確的人生目標，要有清晰願景，想像如果一直不變人生會如何，這種不滿必須比恐懼改變的壓力更強大。

2）追求以興趣為本的教育

不要被傳統教育系統限制，主動探索和自我學習，刻意投入不同的環境去激發和挑戰自己的信念。

3）培養高自主性（Agency）

自主性就是無需他人許可就能行動。你得學會自己面對挑戰，主動學習解決，甚至主動挑戰既有規則。

4）成為「價值創造者」

人類的進步來自於不斷創造解決工具，打造網路、產品或知識分享，進而造福自身與他人。最快的途徑就是在網路上創造和分享價值，主動探索「創造而非等待」的人生。

與其依循既有社會矩陣，不如勇敢質疑並自行規劃人生目標，透過自我教育、自主行動和價值創造，走出不一樣的路。

原文：https://letters.thedankoe.com/p/the-social-matrix-how-the-1-elites

社會矩陣：1%菁英如何控制你的思維，你如何奪回人生主導權？ was originally published in 矽谷輕鬆談 Just Kidding Tech on Medium, where people are continuing the conversation by highlighting and responding to this story.

在美國當軟體工程師，大概是全世界最爽的工作了。

薪水高、福利好、自主性強，還有機會打造改變世界的產品。

我是 Kenji，在美國快十年了。這些年我待過 Square（也就是現在的 Block）、Brex、Cruise，現在在一間加密貨幣新創工作，也拿過 Meta、Coinbase、Robinhood 的資深工程師 offer。

這些對很多人來說，是夢想中的職涯。

但現在，我準備做一個瘋狂的決定：

只要我的 YouTube 頻道突破十萬訂閱，我就裸辭，全職做創作。

為什麼放棄這麼好的工作？

因為我開始認真問自己一個問題：

「我真的要照著這條社會預設的劇本走一輩子嗎？」

工作不錯、生活還行，但我內心很清楚，那不是我最熱愛的事情。
我喜歡創作，喜歡學習，喜歡講故事，喜歡分享觀察與經驗，喜歡幫助別人釐清混亂的思緒。
我不想再只是靠「工程師」這個身份在過日子。

我相信：你可以選擇你真正熱愛的事，然後勇敢地去試。

我想做一個實驗，看看如果我全力投入創作，會發生什麼事。
這是我的終極職涯實驗，也是我第一次公開立下這麼大的 flag。

我的故事，從台灣到美國

很多人不知道，我原本根本沒有「來美國」這個人生計劃。

當時是因為我的女朋友柯柯（現在的老婆）先申請來美國念書，我一開始只是想「不行，絕對不能讓她一個人去」，才跟著申請學校，一年後也來美國念碩士，才開始我在美國的工程師人生。

也因為這樣，我特別相信人生不是一條線，而是很多偶然的選擇與勇敢構成的。

我在台灣創業過，做手機 App 開發的工作室，來美國後加入 Square，待了四年，一開始做 Android 開發，後來轉到 Infra 組做 Envoy Proxy，之後跳槽到 Brex、Cruise 做後端開發，現在則在一間加密貨幣新創工作。
這些經歷讓我學到很多，也證明了我有選擇權。

如果你現在在思考出國、轉職、創業或自由職業的可能性，我未來會慢慢把這些經驗講出來。

我討厭標籤，卻也不得不用它們

說實話，我其實有點排斥一直講自己在哪裡工作、拿過什麼 offer。

但我也知道：現在這個階段，很多人還不認識我，我沒辦法不靠這些「標籤」來先取得一點信任。

這對我來說有點像「必要之惡」。

但我一直覺得，不管你是誰、在哪裡，只要你有好東西、有想法，那就值得被聽見。只是，我現在還不夠強，所以需要這些標籤當敲門磚。

工程師是我喜歡的工作，但不是我想做一輩子的事

我必須說，在美國當軟體工程師真的是一份超級讚的工作。

薪水高、生活舒適、文化尊重個人、同事聰明，甚至還有機會打造出影響全球的產品。

但我現在已經不像剛畢業那樣興奮了。我知道這份工作可以給我穩定收入、職涯發展和安全感，可是……那不是我現在最想追求的東西。對我來說，這些已經夠了。體驗過，就夠了。

我想做內容，想講我在矽谷看到的事、體驗過的轉折、犯過的錯，想鼓勵那些對人生有疑問的人。

很多人在科技業做到一個程度後，會被「金手銬」困住。你薪水很好，但也因為這樣，機會成本太高了，不敢離職。

但你會發現，身邊很多高薪工程師，其實也都卡住了。

他們不討厭工作，但也說不上熱愛，只是覺得「還不錯、很安全」，所以繼續做下去。

我不想要這樣。

你其實是有選擇的

我不是在鼓吹大家裸辭，而是想告訴你：

你其實是有選擇的。

你可以在穩定中做出改變，而不是等到 burnout、等到爆炸才離職。

我現在這個決定，不是衝動。我的工作還不錯、收入穩定、生活也開心。但我知道，這不是我最熱愛的事。

我不是心情差才想裸辭。這不是在最糟的一天做出的逃避決定。相反的，我是在一切都還不錯的時候，做出的轉變。

正如同我最近在 Janet 的訪談中聽到，她的爸媽從小鼓勵她嘗試各式各樣不同的東西，但只有一個要求，就是不能在最糟糕的一天放棄，不能一遇到挫折就說你不玩了，而是要在你狀態還不錯的情況下去選擇放棄。

我聽了真的很有感，我現在的生活已經很好，我只是想試試看，有沒有機會走向一個更熱愛的方向。

我的時間，想拿來做更重要的事

我不想再無止境地追求賺更多錢。

我開始意識到，人生最珍貴的資源是「時間」，不是薪水。

當你已經「夠用了」，其實最該問的是：

我願不願意把時間花在更有意義的事上？

給自己的提醒，也給你的啟發

這系列的影片和文章，一部分是我給自己的紀錄和反思。

因為在過去幾年，我都在不斷往前衝，很少真的停下來問：「這些年我累積了什麼？我還想要什麼？」

另一部分，我是想給還卡在職涯的人一點力量。

讓你知道，你不是沒路走，只是需要一點勇氣走另一條路而已。

加入我，見證這場實驗

所以我公開這個計劃：

只要我的 YouTube 頻道破十萬訂閱，我就裸辭，成為全職創作者。

我預計可能還要一年、甚至三年才會發生。有人問為什麼我不現在裸辭呢？

我的答案是：既然我要裸辭，那我要透過公開分享這個過程來達到最大的效益，因為這些事情說起來簡單，做起來很難，我認為透過公開分享把一開始的想法、內心的掙扎的過程到最後達到目標裸辭是更有意義的一件事，也可以鼓勵更多人向內探索朝這樣的路線邁進。

如果你想看我到底會不會真的裸辭、想聽更多科技職涯與創作思考，那就訂閱我吧：

📺 矽谷輕鬆談 YouTube 頻道

這對我來說也不是件容易的事，背後的不確定性很高，但也因為這樣讓我更期待之後的可能性，想看看這個旅途會帶我到哪個方向！

你也許還沒準備好裸辭，但我希望這個實驗，能讓你在某天、某個時刻，有勇氣往自己真正想走的方向邁出一步。

十萬訂閱就裸辭：我放棄矽谷高薪，只為了一場瘋狂的實驗 was originally published in 矽谷輕鬆談 Just Kidding Tech on Medium, where people are continuing the conversation by highlighting and responding to this story.

Meta 把 Llama 這個大型語言模型開源，看起來像是一份送給開發者的大禮，但你有沒有想過，這背後其實藏著一場戰略反擊？

過去，Meta 在手機時代被 Apple 用 iOS 的隱私政策卡得死死的，廣告業務大受影響。現在進入 AI 時代，他們不想再被別人控制節奏 — — 開源 Llama，就是要搶下下一代平台的主導權。

這篇文章整理自《矽谷輕鬆談》Podcast 最新一集：Meta 為什麼非開源不可？這件事情對整個 AI 世界會有什麼影響？以及 DeepSeek 的出現，會不會動搖 Meta 在開源 AI 裡的王者地位。

🎬 YouTube | 🎧 Apple Podcasts | 🎧 Spotify

Meta 與 Apple 的愛恨情仇

Meta 的廣告業務一直以來仰賴精準的個人化推薦，而這些推薦的背後是跨 App 與網站的用戶追蹤技術，包括瀏覽器的 cookie 以及手機上的 IDFA。但 Apple 在 2021 年推出了 ATT（App Tracking Transparency）政策，將這條命脈幾乎切斷。

iOS 用戶在每個 App 啟動時都會跳出提示，詢問是否允許追蹤，大多數人選擇拒絕。加上瀏覽器逐漸封鎖第三方 cookie，Meta 精準投放廣告的能力大幅下降，也導致廣告轉換率與營收暴跌。

Meta 試圖以兩項措施來應對：

• Conversions API（CAPI）：讓商家直接回傳用戶行為資料給 Meta，提高追蹤準確性。
• Advantage+ 廣告投放工具：讓廣告主不需手動設定受眾，由系統自動幫你找最可能轉換的用戶。

這些工具雖然幫助 Meta 廣告效果逐漸恢復，但根本問題依然存在：他們仍被 Apple 掐著命脈。

Mark Zuckerberg 的反擊

從手機時代的失利中學到教訓，Zuckerberg 在進軍下一個平台 — — 無論是 VR 還是 AI — — 都強調「不能再被人家控制規則」，這就是他堅持開源的原因。

Mark 有個我很佩服的特質：先說出來再行動，不怕丟臉。從將公司改名 Meta 開始、到 VR 願景、再到現在推動 AI 模型的開源，他都公開設定目標，然後一邊修、一邊做。他深知，害怕負評是演化的結果，是我們這種群居動物為了生存而演化出的本能。

我們看到很多 YouTuber、創作者都在說，明明 99% 的留言是正向的，但就那 1% 的負評會讓人心情受到影響。這是因為我們大腦還停留在石器時代，會把負面訊息當作生存威脅。雖然現代社會早就沒有那麼嚴重的生存風險，但演化機制還沒跟上科技變化。

所以 Mark 能跨過心理門檻，不怕被笑、不怕沒人用，就先喊出來要開源。這是他的行動力，也是他的反擊方式。

Llama 的產品線與授權策略

目前 Llama 的核心模型分成三個版本：

• Llama 3.1：最強的 405B 參數版本。
• Llama 3.2：輕量化，可跑在手機上，支援多模態。
• Llama 3.3：成本最低，CP 值最高的版本。

看起來是全面布局不同使用場景。但真正聰明的是他們的授權條款：

月活超過 7 億的公司使用時需額外申請授權。

這相當於封鎖了其他科技巨頭直接整合使用的管道，把開源這個武器轉化為排他性策略的一部分。

理想面：開源的五大好處

Meta 不只為了打開發者市場，也打了一套很完整的理想論述，這些點其實也很有說服力：

1. 促進全球 AI 創新：不讓少數公司壟斷。
2. 降低門檻：幫助中小企業與開發者公平競爭。
3. 文化多元性：讓 AI 助理不只是反映美國主流價值觀。
4. 安全與透明：開源更易於審查、避免濫用。
5. 可信任的公共基礎設施：成為像 TCP/IP 那樣的底層技術。

戰略面：開源怎麼賺錢？

Zuck 不是做慈善的，Llama 的開源背後還是得變現。可能的模式有：

• 對大公司收授權費（例如產品月活 > 7 億）
• 未來推出「AI 應用商店」分潤
• 提供雲端 fine-tune 服務收費
• 整合進 Meta AI，提升廣告導流與商業轉換率

更重要的是，成為 AI 的標準制定者，一旦整個生態系是你家定義的，變現方式自然會浮現。

DeepSeek 的挑戰與機會

Meta 還沒坐熱王位，DeepSeek 就來踢館了。他們主打：

• MoE（Mixture of Experts）架構：推論時只啟用部分參數，大幅降低成本。
• 全公開訓練細節：不只模型開源，連細節都攤給大家看，複製容易。

在多項 benchmark 上表現超越 Llama，尤其在中文支援方面口碑極佳。

但 Meta 還是有兩大優勢：

1. 生態系與工具鏈成熟：從 Adibase、Hugging Face 到各種開發框架都有支援。
2. 開源品牌信任感：Meta 過去開發了 React、PyTorch，開源品質與維護度有口皆碑。

結語：誰能成為 AI 的 Android？

Zuck 開源 Llama，是為了不再重蹈 iOS 的覆轍。他想要的是下一代平台的主導權。而這場戰爭，不只是在模型強度上比拚，更是在誰能打造出最強、最有生命力的開源生態系。

DeepSeek 可能在技術上短期追上甚至超越，但 Meta 有更深厚的底蘊與資源。如果未來真的出現 Llama 4、Llama 5，Meta 很可能再度翻盤。

這不是單純的技術對決，而是一場敘事與戰略的拉鋸。

如果你喜歡這種從產業視角拆解科技事件的節奏，歡迎訂閱《矽谷輕鬆談》，不只聊新聞，更幫你看懂背後的操作邏輯。我是 Kenji，我們下集見！

🎬 YouTube | 🎧 Apple Podcasts | 🎧 Spotify

Llama 是禮物還是特洛伊木馬？解密 Meta 開源的戰略與信念 was originally published in 矽谷輕鬆談 Just Kidding Tech on Medium, where people are continuing the conversation by highlighting and responding to this story.

當你以為他又亂搞，他卻又成功說服市場買單。

馬斯克最近宣布，旗下 AI 公司 xAI 將用全股票方式併購 X（原 Twitter），乍看是內部整併，實際上是一場高明的敘事重塑：把一間虧損、負債的社群平台，轉化為 AI 模型的資料來源與流量入口。

這篇文章整理自《矽谷輕鬆談》Podcast 最新一集，我們將從數字、戰略、投資人觀點等面向，一步步拆解馬斯克這場操作為什麼堪稱神來一筆，也揭露這背後的真實挑戰與風險。

🎬 YouTube | 🎧 Apple Podcasts | 🎧 Spotify

為什麼 xAI 要併購 X？

X（前 Twitter）是一筆燒錢的交易。自從馬斯克以 440 億美元買下後，公司經歷大規模裁員、廣告營收腰斬、技術團隊重創，還背負了 120 億的債務。

那麼，為什麼馬斯克要讓自己的另一間公司來併購這個爛攤子？

簡單說，他想換個故事。把一個負債平台轉化為 AI 模型的資料來源和流量入口，再包進一個成長型新創 xAI 裡頭，重寫敘事。

他在推文中說明，xAI 以 800 億美元的估值，併購估值 330 億的 X。而這 330 億是怎麼來的？450 億公司價值減去 120 億債務，等於 330 億。看似合理，實際上卻是一場帳面遊戲，因為這場交易完全是股票換股、沒有現金成分。

也就是說，估值他說了算。這讓他能堂而皇之地說：「我當初花 440 億買的，現在值 450 億，我沒虧，各位酸民請安靜。」

客觀來看，X 現在真的值這個錢嗎？

事實上，Fidelity 在 2024 年底評估 X 的估值只有 123 億美元，與馬斯克的 330 億落差超過 60%。Fidelity 為什麼要估這個數字？因為它是 Twitter 私人投資人之一，基金持股需要每季向投資人揭露價值。

再看用戶數，X 現在約有 6 億活躍用戶，聽起來多，但其實在全球社群平台中排不上前十。Facebook 有 31 億、YouTube 25 億、Instagram 和 WhatsApp 各有 20 億，甚至 Threads 現在都有 3.2 億。

不過 X 的價值不完全在用戶量，而在於它掌握了全球科技、媒體、金融圈的大量意見領袖，資訊密度高，是 AI 訓練資料的絕佳來源。

馬斯克的故事包裝術

馬斯克最厲害的不只是產品開發，而是他一貫的「說故事能力」。這場併購的邏輯是：

• 把 X 的虧損包裝成對 xAI 的長期投資
• 把債務變成建構資料入口的成本
• 把營運危機轉化為模型訓練的機會

這讓原本投資人不太買單的 xAI，可以對外說：「我們不只是做模型，我們還有平台、流量、資料來源，成長潛力更大。」

對資本市場來說，只要故事夠動聽，虧損也能變成未來。

Threads、短影音與社群生態觀察

最近我開始把節目短影片上傳到 Facebook、Instagram、YouTube Shorts 和 Threads，結果發現 Threads 成效出奇地好。

即便 Threads 用戶只有 3.2 億，但因為演算法沒有包袱、使用者年輕且互動率高，讓新內容更容易被看見與轉發。

這反映出平台階段與演算法設計的巨大影響力。相較之下，IG、YouTube 等平台推播策略已固化，新帳號和新內容難以突破。

這也回頭說明為什麼馬斯克會想強化 X 的平台力與數據價值，因為社群平台仍是 AI 公司競爭中不可忽視的一塊拼圖。

對 xAI 股東來說真的是好事嗎？

這場交易對 xAI 原股東來說其實不一定是利多。因為要換股給 X 的持有人，持股會被稀釋，而且還要共同承擔 120 億的債務。

但如果這個故事能成立，xAI 能成功包裝成下一個「AI + 社群」的成長巨獸，估值從 400 億快速推升到 800 億，甚至 IPO 時更高，那這些損失也許就值得。

只是現在來看，這仍然是一場市場信心的賭注，還沒有定局。

為什麼我們說 Twitter 是一筆爛交易？

馬斯克當初併購 Twitter，很多人說他裁員 80%、公司還是活得好好的，證明他做對了。

但你去看數字就知道不是這樣：

• 2021 年營收 50 億
• 2022 年併購後營收掉到 44 億
• 2023 年只剩 29 億
• 2024 預估只有 25 億

營收直接砍半，還背著 120 億的債，平台技術問題頻傳、核心團隊流失，估值掉到只剩 1/4。這不是活得好好的，是還沒死。

但也正因為這樣，馬斯克才有動力做這筆看似「自買自賣」的交易，把過去的爛帳轉進未來的夢想包裝中。

整合後的未來會怎麼走？

接下來，xAI 可以把 Grok 模型無縫整合進 X 平台：

• 幫你總結推文（TLDR）
• 提供搜尋或客服功能
• 自動生成內容

Meta 也在做類似的事，但目前看起來效果不明顯。Meta AI 開源了 Llama 模型，整合進 Messenger、Facebook 等平台，但缺乏強力的應用爆點。

反觀 xAI，只要能在 Grok 模型或平台整合上做出讓人驚豔的功能，就可能把整個成長敘事撐起來。

結語：你可以不喜歡他，但不能否認他厲害

馬斯克不是完美的人，甚至很多時候讓人反感。但他能在風口浪尖之際，把一盤爛棋翻出新可能，這點確實厲害。

他再次用這場併購操作證明，在資本市場上，故事與想像力才是估值的核心。xAI 的未來會怎麼走，市場會不會買單，值得我們繼續觀察。

如果你喜歡這種從產業視角拆解科技事件的節奏，歡迎訂閱《矽谷輕鬆談》，不只聊新聞，更幫你看懂背後的操作邏輯。我是 Kenji，我們下集見！

🎬 YouTube | 🎧 Apple Podcasts | 🎧 Spotify

馬斯克的估值魔術：xAI 吞下 X 把債務變成成長故事 was originally published in 矽谷輕鬆談 Just Kidding Tech on Medium, where people are continuing the conversation by highlighting and responding to this story.

你每天都在和 ChatGPT 聊天、寫報告、下 prompt，但你有沒有想過：它到底是怎麼理解你的問題，又是怎麼產生那些看似聰明的回答？很多人以為它的背後只是餵了很多資料，然後 magically 變得很厲害。事實遠比你想的還複雜 — — 而且有趣。

這篇文章會用最簡單、最清楚的方式帶你走過 ChatGPT 背後的訓練過程，不管你是剛入門 AI 的新手，還是想搞懂這些「模型到底怎麼長大的」的進階使用者，都適合往下看。

🎧 本文為 Podcast 節目《矽谷輕鬆談 》S2E5 文字精簡版
建議搭配音檔或影片服用，理解更深、笑點更多、風味更佳！

👉 Apple Podcasts｜Spotify｜YouTube 影片版

這集想講什麼？

老實說，這一集我想做很久了。每天都在看 AI 新聞，看到 GPT-4、Gemini、Claude 一直你追我跑，好像每個禮拜都有新王出現，FOMO 指數直接爆表。但我後來發現 — — 其實大部分模型的核心訓練流程，並沒有差太多。

無論是 OpenAI、Anthropic、Google、Mistral，它們的訓練方式都圍繞在三個步驟：

1. 預訓練（Pre-training）
2. 監督式微調（Supervised Fine-Tuning）
3. 人類回饋強化學習（RLHF）

我會用白話比喻＋實際例子，一次帶你搞懂這三階段的魔法流程。

第一階段：預訓練（Pre-training）

這是語言模型的啟蒙時期。簡單說，它就是瘋狂看書看網路、啃文字、找 pattern。資料來源包含 Wikipedia、Reddit、X（舊稱 Twitter）、Books、Blog 等等。訓練的目標只有一個：

預測「下一個 token」是什麼。

比如你輸入「我今天想要吃」，模型要猜出「拉麵」、「火鍋」或「自己煮」的機率。這聽起來很簡單對吧？但實際上非常複雜，因為：

• 每句話都要被切割成 token
• 每個 token 的預測都需要大量參數運算
• 損失函數會根據錯誤去調整權重（backpropagation）

它的本質是無監督式學習：機器不需要人類給答案，而是自己去比對預測與實際的落差。透過幾百萬甚至幾十億輪的迭代，它慢慢從文盲進化成能「接話」的機器。

但此時的模型就像一個語法超強的外星人 — — 會說話，但不一定懂你的意思，也不知道怎麼當一個「好助理」。

第二階段：監督式微調（Supervised Fine-Tuning）

這個階段是模型進入人類社會的第一步。你要教它：

• 什麼是好問題？
• 什麼是好回答？

團隊會準備一堆「prompt + 理想回答」的資料給它看，像是：

Q: 幫我寫一封跟主管請假的 email
A: 尊敬的主管您好，我因為…

這有點像補習班的範例教學。目的是讓模型知道，當人類這樣問問題的時候，一個「好助理」應該怎麼回答。

這裡很仰賴人工資料與標註，也會參考客服紀錄、FAQ、技術支援回覆等等。

第三階段：人類回饋強化學習（RLHF）

這一階段才是讓 ChatGPT「變得討喜」的關鍵。

流程是這樣的：

1. 給模型一個問題，請它產出多個回答（A/B/C）
2. 請人類幫忙標哪個回答比較好
3. 用這些偏好數據訓練一個 Reward Model
4. 再用這個 Reward Model 來強化主模型

這跟前面的「看範例學習」不一樣，這裡像是在參加辯論比賽，學怎麼說話更有說服力、更自然。

為了避免模型改太兇，這階段常用 PPO（Proximal Policy Optimization）演算法來微調 — — 不要一次變太多，慢慢調整。

類比一下：模型的成長就像一個學生

這三階段，其實超像一個人從小到大的學習過程：

• 預訓練 = 狂看書（自己吸收）
• 微調 = 上課 + 看範例（老師講解）
• RLHF = 練習 + 老師改作業（拿 feedback 進步）

最後他畢業去工作，那就進入了所謂的「推論階段（Inference）」：你問問題，他作答。

現在的模型哪裡又更強？

GPT-4、Claude 3、Gemini 的改進，很多其實是在這幾個地方：

• 更高品質的資料：過濾掉垃圾、色情、假訊息等
• Chain of Thought Fine-Tuning：先推理再作答，回答更準
• 上下文長度變長：可以記住更多對話歷史（像 GPT-4 Turbo 支援 128k token）
• 加入記憶能力：記得你是誰、喜歡繁體字、不喜歡廢話
• 多模態支援：除了文字，還能看圖、聽聲音、甚至處理影片

幻覺、胡說八道，怎麼辦？

LLM 的老問題還在：有時候會自信地講幹話。

改進方法：

• 人類回饋資料更多元：教它哪種回答才是好的
• RAG 架構（檢索增強生成）：模型回答前先去查資料
• 讓它勇敢說不知道：別硬扯

這些做得越好，模型越像一個誠實可靠的助理，而不是愛裝懂的嘴砲大師。

那軟體工程師真的會被取代嗎？

老實說，我以前是不信的。現在？我覺得…

「最保守的估計：90% 的工程師其實不需要存在。」

未來可能只要少數幾個工程師 + 一堆會下 prompt 的人，就能做出以前需要 100 人團隊的東西。

不是大家都要去學怎麼寫 AI，而是你要會「怎麼善用 AI」。

這一集做給誰？

如果你是：

• 想搞懂 ChatGPT 背後怎麼運作的人
• 被 AI 新聞轟炸到焦慮的人
• 想要學會「跟模型好好對話」的創作者、工程師、創業者

這集就是做給你的。我希望能幫你把這些看起來很複雜的技術，講得夠清楚、夠有趣，我們下集見，掰！

📌 還沒聽的話趕快點下面：

👉 Apple Podcasts｜Spotify｜YouTube 影片版

ChatGPT 是怎麼被訓練出來的？深入拆解大型語言模型的三階段成長旅程 was originally published in 矽谷輕鬆談 Just Kidding Tech on Medium, where people are continuing the conversation by highlighting and responding to this story.

Airbnb 一直是我們頻道很愛談論的公司之一，雖然在新聞上似乎沈寂了一段時間，但剛發佈的 Q3 財報宣示了 Airbnb 的強勢回歸，從2020年3月到現在經歷了業務大幅衰退和大規模裁員，谷底反彈浴火重生，創紀錄的表現當然也推升了一波股價飆漲，營收相較去年同期成長 67%，淨利成長 280%，頗為驚人。CEO Brian Chesky 表示，新冠肺炎疫情讓全球旅遊產業永遠改變，2019 年的旅遊型態和旅遊習慣，我們再也回不去囉！Airbnb 也打算抓緊這次的旅遊革命，推出更多能幫助用戶進行彈性旅遊行程的服務。

聽 Podcast 的朋友也可以搭配這集服用： EP77 地表最強 VR 裝置 Airbnb 強勢回歸人們的旅遊方式不一樣了

疫情帶來的轉變契機

疫情帶來最直接的影響之一就是讓許多上班族開始了遠端工作 Work From Home (WFH)。在疫情之前，人們的活動地點主要由工作、居住和旅遊構成，尤其住家的地點時常跟隨著工作地點決定，工作經常是讓人們住在大城市、不得不長時間待在同一個地方的理由，而現在歸功於科技， 只要有 Zoom 或 Google Meet 等軟體，可以接觸網路就可以工作，這也意味著工作、居住和旅遊三者的界線逐漸模糊，在同一個地點同時工作、居住和旅遊完全變成一個可行的生活方式。

人們的旅遊型態已逐漸變成將會前往更多不同地點、待的更久、更多國內旅遊並且更多人選擇非熱門大城市，也就是從工作的地點限制解放後，能夠花在旅遊 (或著說是邊工作邊旅遊) 的時間將變多，這個趨勢在美國尤其明顯。Airbnb 的數據也顯示了這個趨勢：50% 的預訂行程長於一星期，而 28 天以上的行程佔了 20% 的預訂，這是 Airbnb 成長最快的客群。這表示整體的旅遊市場將會有爆炸性成長，因為 WFH 已是勢不可擋的潮流，開始遠端工作後，上班族如我們已深刻體會到彈性遠端工作的諸多好處 (和樂趣)，更別說這次疫情也讓各大公司的 CFO 們發現讓員工遠端工作可以省下一大筆辦公室租金呢！

Airbnb 將機會轉化為產品

現在點進 Airbnb 的手機應用程式會看到一個大大的「I’m flexible」，這是 Airbnb 今年初推出的新功能，能夠提供行程較為彈性、尚未確定日期或是地點的用戶旅遊上的建議和規劃，這個功能已被使用了五億次，有四成的用戶使用過。這正好是 Brian Chesky 去年開始提出的「旅遊重分配」（travel redistribution）概念：將用戶導引至需求較低的旅遊地點，用旅遊的供需平衡提升效率，例如從前大家都想去巴黎，這就是一個太多人在同一時間都想去的地方，但其實法國除了巴黎還有很多值得拜訪的地區，若能將過多的人潮導引至這些不那麼熱門的地區，整體的旅遊供需市場會更為均衡，效率更高。

Airbnb 也有其他潛在機會：例如更完善的旅遊規劃功能，據說以前旅遊規劃 App 是產品管理界公認最不值得開發的 App，因為大部分人的旅遊次數實在太少，但現在不一樣了，後疫情時代，旅遊的頻率和天數同步成長，這就讓旅遊規劃 App 的需求提升了，甚至可以考慮做旅遊訂閱制，因為訂閱制的商業模式最適合解決的問題就是高頻率或是大規模的應用。另一方面，因為人們已習慣遠端開會，面對面開會的商業旅行減少，並將以聯繫各地組員感情的 off-site (員工旅遊) 為主；非商業旅行的部分，由於工作上的社交減少，人們的社交生活回歸家人和朋友，甚至多個家庭一起出遊的需求會更上升，這些旅遊活動都需要精心設計規劃，也帶來不同的商機。

房源的供給是否充足、需求是否到位將是關鍵

雖然後疫情時代的旅遊產業看似即將蓬勃發展，但 Airbnb 是否真能再創高峰，我認為得看 Airbnb 能否實現旅遊重分配的功能。Airbnb 作為一個同時服務房東和房客兩方的雙邊媒合平台，必須設法維持旅遊住宿市場的供需平衡，否則供需任何一邊的傾斜都會導致平台無法永續發展，這也類似 Uber 和 Lyft 等叫車平台從創立以來一直持續面臨的問題：如何達到司機和乘客的供需平衡。

從供給面而言，市場上是否能有源源不絕的房源以及房型的多樣性以滿足不同客群的喜好？Airbnb 是否能給予房東足夠的動機和補貼？從需求面而言，雖然 Brian Chesky 十分樂觀，認為新型態的旅遊方式將為整體旅遊市場帶來更多成長和機會，但究竟何時我們才會看見大多數旅客都擁抱這樣新型態的旅遊，旅遊需求以倍數成長？這也有地域性的差異，例如美國因為 WFH 政策，國內旅遊大幅增長，但亞洲還沒看到這樣的趨勢。另外也不能忘了即使全球旅遊看似漸漸復甦，仍然有許多不敢出租空房的房東和裹足不前的房客。新冠肺炎疫情仍然是一顆不定時炸彈，隨時能影響旅遊熱度，這些不確定性將直接左右 Airbnb 未來的營收表現。

Airbnb 淨利成長280% 揭開後疫情時代的旅遊革命 was originally published in 矽谷輕鬆談 Just Kidding Tech on Medium, where people are continuing the conversation by highlighting and responding to this story.