推 ksjr : 因為這新架構 google是不是又要重新設計TPU拉? 12/13 03:10
遙遙領先，狗家的硬體和計算架構和前沿論文研究，具有高度的一致性
互相加成，互相協同，full-stack優化
等到其他大廠醒悟過來，發現Nested learning才是正確方向
決定要放棄Transfomer時，狗家已經領先一年到一年半了
不信你丟給ai問，可以多問幾間互相比對
當然，要用正確的方式問才會得到正確的答案
你要先有足夠的背景知識才能識破關鍵點，問出最重要的問題
問問題的能力，大概就是新時代最重要的能力了XD
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:16:47
噓 iecju520 : 我看你根本不懂AI吧... 12/13 03:22
推 rayray0410 : 看到這ID就先推 12/13 03:24
推 L1ON : 我在看openai倒數計時 12/13 03:27
推 ccneptunecc : 放棄transformer架構是否意味著需要更多GPU? 12/13 03:41
如果是以「當前同等能力模型」作為基準 答案是不會
因為Transformer+KV Cache是一種很低效的推論模型
低密度的無壓縮資訊儲存+重覆計算AttentionMap
導致超大量的能源浪費(算力和資料搬運成本兩者都是)
Nested Learning使用正確的層級特化結構的話 在推論期可以省下五到十倍的能源消耗
不過，架構優化和模型能力提升是兩步走的
在架構優化釋放出來的算力，最終會導致模型繼續依照Scaling Law擴大
所以結果是「省了十倍的能耗，那模型就能再大十倍」(這不是正確的數學，只是比喻)
算力需求永遠存在，因為文明的本質就是計算
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:55:45
推 kuku951 : 需要更多GPU就需要更多記憶體… 12/13 03:55
需要從更細致的視角去切入
SRAM也是記憶元件 HBM也是 Host DRAM(LPDDR)也是
計算也一樣 tensor core是計算元件 systolic array也是計算元件
近存運算也是計算元件
所以「在哪裡計算，在哪裡儲存，如何搬運資料」從來就不是一個單一命題
一切都要從架構與系統級的視角下去拆解，才會根據需求得出一個答案
這也是為什麼邊緣層和雲端層會發展出不同的計算架構 因為需求不同
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:59:39
推 ng101281 : 一根戳破泡沫的針來了 12/13 04:03
推 kuku951 : 感謝分享，這東西真的挺牛的，說不定這會是未來AGI 12/13 04:08
→ kuku951 : 的先驅，順便回覆樓上，如果這東西是真的搞得出來， 12/13 04:08
→ kuku951 : 那就是戳破那些說AI泡沫的人 12/13 04:08
推 roseritter : 硬體現實有餘裕的話，原本現在吹的天文級算力需求很 12/13 04:59
→ roseritter : 難蓋出來 12/13 04:59
→ roseritter : 改新玩法就能現實點 12/13 04:59
研究(Model Refinement)時代和擴增(Scaling)時代是輪流出現的
Ilya Sutskever最近有一篇訪談可以看看
正如他所說，接下來時代巨輪要轉回模型改進了
不過，等到模型改進得差不多，又會重啟擴增時代
這兩個時代的過度也是漸變的，不是一刀切
「文明的本質就是計算」
你如果看不懂這一大堆Big Tech誰會贏，那也沒差
買2330 永遠是對的
推 tigerzz3 : 好久沒看到mina大 預計何時開撿？還是保守看？ 12/13 05:07
感謝GOOG爆噴一波，現在YTD 90%了(真是出乎我意料..11月初時我本來已經躺平了)
https://i.imgur.com/NHJP572.png
不過我在11月底賣掉一部份GOOG撿了NVDA，作整體部位Rebalance
然後今天就吃了一根超~~~級大的，腳麻了，哭啊
推 shead1983 : 這篇好驚人，感謝高高手分享內容，讀完後的感想是 12/13 05:08
→ shead1983 : 美光全力衝刺HBM，是不是慘惹？ 12/13 05:08
嘻嘻 其實這篇只是我得到的洞察的一小角而已
真正重要的我沒說，不過這篇其實有很多引子
比方說在模型最深層(最慢層)，需要非歐幾何的雙曲空間語義空間
(提示: Transfomer的語義空間是平面的)
這在Nested Learning論文裡是完全沒提的，是另幾篇資訊幾何學的研究
推 aegis43210 : 現在的確是有AI泡沫，但目前要看是啤酒先裝滿或是泡 12/13 05:10
→ aegis43210 : 沫先消掉 12/13 05:10
→ aegis43210 : 不過邊緣運算中，未來NAND看起來會是最缺的 12/13 05:13
考慮一個五層結構，最淺兩層(L1~L2)在邊緣，三層(L3~L5)在雲端
你猜猜看L1需要多少參數量? 答案可能出乎你意料的小
完全不需要放在NAND
而且從最快層的「權重即時更新」需求來看，也不能可能放在NAND
推 tigerzz3 : 今天這種盤 狗家不到1%真的太扯 12/13 05:14
推 kuku951 : 衝刺HBM怎麼會慘… 這個做法還真有可能解決HBM的困 12/13 05:15
→ kuku951 : 境 然後HBM的優勢在於頻寬跟速度 一定是未來最需要 12/13 05:15
→ kuku951 : 的 12/13 05:15
HBM的頻寬和速度很重要 這敘述沒問題
不過HBM的總需求是容量(Capcity)決定的
猜猜看如果把最深層的語義空間從平面換成雙曲，參數量會變成多少?
有論文可以查的，查查看
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 05:44:36
推 flyawayla : 花一整個早上快速掃完，看起來運算沒減少反而更多， 12/13 05:53
→ flyawayla : 不同頻率互相獨立，不獨立我猜就要用記憶體存參數， 12/13 05:53
→ flyawayla : 也沒有看到討論訓練速度，通常沒有就表示一定更花時 12/13 05:53
→ flyawayla : 間，心得是中立，畢竟都發一個月了，可以再等等看其 12/13 05:53
→ flyawayla : 他團隊有沒有跟上 12/13 05:53
我覺得你關注錯重點，HOPE架構的工程實作不是論文中最重要的部份
數學表達才是，這篇論文就算把HOPE架構整個去掉
純理論的部份就有相當於熱力學定律的價值
這代表一種更接近「知識、記憶、推理」的物理本質的理論
從而讓各大模型研究商能在巢狀學習的理論範式下，自由去探索各自的工程實現
類比於你有了熱力學定律之後，各種形式的熱機都有理論依據了
你看我前面對於未來模型的敘述(雲邊協同、不同語義空間的五層結構)
這和論文中簡化過的HOPE模型壓根就不是一回事對吧
因為HOPE模型的設計只是要作為論文的實證用途
而不是真正具備下一代模型的「工程可行性」&「商業可行性」的實作
至於下一代實作「可能會長什麼樣子」
那自然是不會在這裡解釋了...
反正即使我提了 99.99%的股板眾也是鴨子聽雷啊
推 waitrop : 當你看到論文的時候，早就有特定的TPU xpu 了 12/13 06:03
狗家員工內線消息
我要是真信了 你就是在內線交易囉!!!
就事論事 TPUv7沒有明顯針對Nested learning的痛點去優化
(當然也沒有明顯不能跑的理由，依然可以跑)
至於v8之後怎麼設計，現在也沒有公開消息
比起雲端，我覺得現在是邊緣的計算架構沒跟上Nested Learning的需求
推 Morphee : 先問一個問題 2017年 attention 出來之後 12/13 06:07
→ Morphee : 你是否從技術押注中賺超過幾個億? 如果沒有 12/13 06:08
有 嘻嘻
你再回去翻翻我2019年談AI革命的文章
當時也是一樣，完全沒有人看懂我說什麼
→ Morphee : 那 Nested Learning 也只是一個數據很普的實驗 12/13 06:09
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 06:11:00
→ newwu : 想想這運用到大規模，多客戶的時候，這真的會讓記 12/13 06:21
→ newwu : 憶體減少嗎 12/13 06:21
→ newwu : *會讓記憶體使用量減少嗎？ 12/13 06:21
推 waitrop : 邊緣計算也會跟上nested learning ，也有相對應的T 12/13 06:26
→ waitrop : PU xpu 12/13 06:26
推 waitrop : 會讓記憶體用量增加，但是不是hbm ，不能再多說了 12/13 06:28
如果根據手機上最快層的即時更新需求去推導
很明顯是要SRAM，而且不能和L1 Cache共用
既然要能放進整個最快層的權重，即使以INT4/INT8高度壓縮，也需要很大一塊SRAM
考慮到除了慢權重(預訓練參數)之外還要放快權重(記憶狀態)
加一加要個2~4MB的獨立SRAM是跑不掉的
推 fisher6879 : 呱呱呱，數學不會背叛我，不會就是不會，不過AI推論 12/13 06:29
→ fisher6879 : 的HBM需求下滑結論還是看得懂的，感謝mina大分享， 12/13 06:29
→ fisher6879 : 天網是不是又加速啦？啾命Rrrr 12/13 06:29
真der 天網近了 悔改吧
推 googstar : 非goog的asic又要準備被輝達gpu揍爛了 改架構最能 12/13 06:31
→ googstar : 適應的就輝達 12/13 06:32
推 losage : 你應該要請open潤稿，g家唯一缺點就是不會說人話 12/13 06:33
我故意的 實際上Gemini Canvas寫小作文可以調長度
調越長它會試著擴寫 解釋的更清楚 但是我偏不 嘻嘻
說真的，看不懂的人，就把我整篇文字+NL的論文都餵給AI
然後再問AI就好啦，時代都是這樣了，要善用AI啊
推 steven853 : 所以結論是allin asic? 12/13 06:34
推 waitrop : 沒錯，gb300的Rubin 三小的就是為了解決memory wal 12/13 06:34
→ waitrop : l ，這問題業界都知道，但是願意改架構改算法的公 12/13 06:34
→ waitrop : 司，也就只有谷歌跟輝達 12/13 06:34
推 Ipluck : 回過頭看M大2019第一篇文真的是含金量十足 當時 12/13 06:36
→ Ipluck : 就看的這麼徹底真的厲害 12/13 06:36
一般來說我是看未來3~5年的，再遠的我也看不到了
所以2019那篇講的是2019~2024的AI革命
這篇講的是2025~2030「通往AGI之路」
推 bunjie : 先推在看 12/13 06:37
推 audic : 核心權重會隨互動漂移＝不可重現、不可審計、極易被 12/13 06:38
→ audic : 誤導，現實系統根本不敢上線，頂多停在論文 12/13 06:38
回到上述的五層系統
你完全可以把最深層的(物理定律、道德價值、信念)基底層
靜態權重完全鎖定不更新，來防止惡意注入
論文提示的是一種數學架構，你理解了整個數學架構的話
實務上你完全有各種工程實作的細節去彌合你的需求
當然我完全同意這種動態學習的系統，在正式上線前一定要經過嚴格的對齊測試
不過這不會構成「永遠不會有能夠動態學習的系統」的理由
推 tsubasawolfy: 這名字取得好…看到就大概知道他要幹嘛 12/13 06:42
推 ksjr : 有拉今天下午當薪水小偷時有問copilot 不過這個也發 12/13 06:44
推 elliotpepe : 先推一個，未來再回顧 12/13 06:44
→ ksjr : nested learning十一月初就發了 好像股價已反應? 12/13 06:45
推 Morphee : 雲端跟edge會重分配吧 為啥會亂飄 12/13 06:47
看你每一層的更新頻率怎麼設定
再以五層模型舉例的話
雲端的L3可能是event-driven更新、L4可能是每天更新一次
L5就如上述所說，最好是不要亂更新
推 googstar : 真的通往agi只會讓整個ai產業算力需求持續飆升? 12/13 06:53
→ googstar : 看來輝達真的太便宜 12/13 06:54
買2330 永遠正確
鐵打的Foundry，流水的Design House
推 guanting886 : 感謝分享 12/13 06:57
推 afflic : 2330有機會變成全球市值前三嗎 12/13 06:58
推 Morphee : AMD效率轉折受益者/Apple邊緣語義既得利益者 12/13 06:58
爽到Apple 躺平到最後天上掉餡餅 賽道重置
抱緊GOOG大腿就贏那些花了幾百億美金看別人車尾燈的
推 breathair : 我只後悔都看對了，轉倉太慢還一堆QQQ，XD不過至少 12/13 06:59
→ breathair : 早一步清掉TSM跟NVDA 12/13 06:59
推 tomtowin : 重點是SRAM，就是買2330，感謝分享 12/13 07:00
推 deltawai : 感謝 12/13 07:01
推 chives465 : 推M大，請問除了TSM，AVGO會建議買入嗎？ 12/13 07:04
推 Morphee : 想了一下 Hyperbolic若起來 NV還是比AMD有利 12/13 07:04
推 qwe78971 : 股票不講這個 所以短期內沒用 到時候早就換股了 12/13 07:06
→ Morphee : 看軟體是否續補topology-aware跟memory-flow API 12/13 07:08
不過，最深層語義改用雙曲，這可能是這篇文章裡最弱的推定
因為用現有的硬體算雙曲空間，那個運算量之驚人
光一個龐加萊距離就比歐幾里德距離高不止十倍運算量了
所以在專算雙曲的特化硬體內建之前
很有可能就是平面或球面加減用了
「切換深層語義空間」本質上就是「計算量 vs 記憶體容量/頻寬」的交換與權衡
雖然最終一定是會切到雙曲，但是這個改變要幾年發生，很難預估
快的話可能三五年，慢的話可能十年
推 billionerx10: 看來自研asic可能會是一條非常不明智的路 架構一改 12/13 07:16
→ billionerx10: 整個無用 12/13 07:16
推 hduek153 : 分享推 12/13 07:18
推 kottas : 好文 12/13 07:19
推 jay412210 : 我2330是最大贏家 12/13 07:24
推 abyssa1 : 要放SRAM 那就回到CCW 說的 產能遠遠不夠 12/13 07:28
邊緣需要大SRAM，雲端不需要
至於邊緣什麼時侯真正爆發
那當然是要等Nested Learning的動態學習模型成為主流才行
畢竟單層的Transfomer是不可能在邊緣裝置跑的
當然，如果說Nested Learning的最快層實際上跑Transformer，那是有可能的
不過在這種情況下，L1層跑Transfomer+滑動窗口KV Cache(模擬工作記憶)
比起直插一個固定大小的RNN作為工作記憶，並沒有特別的優勢
總之，要看到邊緣裝置爆發
大概會是2027~28之後的增長點了
推 GinginDenSha: 推，呆灣房子買起來，呆民財富持續噴射 12/13 07:30
推 littlelaba : 一句話 做多還做空啦 12/13 07:32
推 whyhsu : 好 12/13 07:35
推 suzuke : Nested Learning 推論即訓練聽起來很美好，但是你 12/13 07:39
→ suzuke : 要知道現在的推論只要做「前向傳播 (Forward Pass) 12/13 07:39
→ suzuke : 」，運算量相對小。Nested Learning在推論時，內部 12/13 07:39
→ suzuke : 還要做反向傳播 (Backward Pass)或梯度更新，每生 12/13 07:39
→ suzuke : 成一個字，計算量可能變成原本的 2-3 倍。再來訓練 12/13 07:39
→ suzuke : 穩定性極差，也還不能平行化，這些問題沒解決前， 12/13 07:39
→ suzuke : 它想要成為LLM的聖杯取代Transformers 還太早 12/13 07:39
你這屬於論文沒看清楚，或是直接丟AI叫它生答案的結果
再看清楚一點，HOPE架構的最快層有作反向傳播嗎??
在一個參數量很小、只處理簡單語義連結的最快層，直接一個DGD作掉了
要請AI讀論文，也要有足夠的背景知識，不然你根本不知道關鍵在哪
AI隨便說你隨便信
推 Morphee : 從Attention到ChatGPT也差不多五年 合理的時間尺度 12/13 07:40
推 gcarrot : 我也是11月底清了GOOG, 買入NVDA, 現在有點痛.. 12/13 07:45
都是ORCL的錯 救救NVDA 救救
推 Morphee : 樓上你講得也是我問的問題 2017年你看到Attention 12/13 07:45
→ Morphee : 樓樓上才對 也可以說出類似的論點 Attention要成為 12/13 07:45
推 Morphee : AI聖杯還早 NLP還不成熟等等 12/13 07:48
任何洞見從技術前沿傳導到普羅大眾都要時間
這我五年前講AI革命時就說過一次了
問題是，當一個洞見變成新聞每天狂報的時侯，早就失去交易價值了
推 n555123 : 推 12/13 07:48
推 mamorui : 菇菇之前有提過，今年下半年正式進入聖杯終戰（我 12/13 07:51
→ mamorui : 個人預計三年時間） ，市場通常第二年上半場會開始 12/13 07:51
→ mamorui : 醞釀分勝負的前奏 12/13 07:51
推 aspirev3 : 邊緣裝置爆發 還跟七巨頭有關嗎 12/13 07:51
推 jimjim951357: 感謝分享 12/13 07:52
推 ejnfu : 所以要買哪支？ Google NVDA都已有了 12/13 07:52
噓 kkes0001 : 搞笑，革命性論文要多少有多少，重點是實作，trans 12/13 07:52
→ kkes0001 : former 到llm 中間隔多久你知道嗎 12/13 07:52
→ kkes0001 : 在這邊留個言當紀錄，幾個月後再來看看肯定還是原 12/13 07:52
→ kkes0001 : 樣 12/13 07:52
原文就跟你說三到五年的大趨勢了(攤手)
至於知道這樣的技術趨勢 要怎麼轉成短期的獲利
嘻嘻 不教你
推 overpolo : 真的感覺天網近了... 12/13 07:54
推 timtdsas : 真股板女神推推 12/13 07:55
推 Morphee : Attention/Transformer上位速度算非常快了 12/13 07:56
→ Morphee : 但是還是對投資技術的慧眼要求很高 敢在2022年底前 12/13 07:58
→ Morphee : 重押的 還是有一個很強的嗅覺 12/13 07:58
推 breathair : 聽起來，GOOG，AVGO，TSM，AAPL是不錯的組合？ 12/13 08:01
→ lokagh : 這種突破表示未來可降低ai電力需求? 12/13 08:01
解決模型架構的能源效率，只會導致更快的Scaling Law，更早的超人工智能時間表
電力需求要下降，這是不可能的
因為「文明的本質就是計算」
這九個字其實是資訊密度最高的洞察，可以解壓縮成十萬字以上的文章
只是你要會用正確的方式解壓縮
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 08:05:36
推 Morphee : 現在比較煩惱是谷歌有Attn論文被OpenAI反超的經驗 12/13 08:04
→ Morphee : 上頭可能不準發有料的文章了 12/13 08:05
噓 kkes0001 : 那只能說你要嘛不是這個學術界的要嘛AI頂會論文看 12/13 08:08
→ kkes0001 : 少了，革命性論文說多不多，說少也不少，但真正能 12/13 08:08
→ kkes0001 : 走出實用這道坎的是少之又少 12/13 08:08
推 dodobaho : M大看壞記憶體？ 12/13 08:09
推 jacky5946 : 謝謝大神分享乾貨 12/13 08:09
推 darkangel119: 想到發明藍莓機的電影 黑莓 將資料壓縮讓通訊塔的 12/13 08:09
→ darkangel119: 乘載量暴增 12/13 08:09
推 joe2 : 論文啊….個人是不信 12/13 08:09
推 breathair : 聽起來懶人重壓TSM無敵XD 12/13 08:11
推 Morphee : 應該是說資本投入的方向性 崁很多阿 理論 實驗 工程 12/13 08:12
→ Morphee : 不是看幾篇論文衝過去單押 方向感阿 12/13 08:13
推 loopdiuretic: 先推不然別人以為我看不懂 12/13 08:15
推 qscNERO : 推 謝謝分享 12/13 08:19
推 pc007ya : 神 感謝分享，NVDA盤兩個月還下跌哭了 2330 GUC放 12/13 08:21
→ pc007ya : 抽屜傳家了 12/13 08:21
推 beavertail97: 所以要出清NVDA的意思？ 12/13 08:22
推 AndyMAX : 出清蒜粒小隊 12/13 08:28
推 lovealgebra : 習近平要統治世界了 12/13 08:30
推 calqlus : mina桑都修過來了...大盤真的牙敗了... 12/13 08:32
推 believefate : 結論 還可以炒股到2026 沒事 12/13 08:36
推 FireStarman : 作者都買NVDA了還有人說出清NVDA? 12/13 08:40
推 GX90160SS : 績效跟鬼一樣 12/13 08:41
推 mudmud : Entropy Control 12/13 08:41
推 dongdong0405: 這讓我想到早在RAG開始火了之後我就跟同事說RAG這東 12/13 08:42
→ dongdong0405: 西早晚會被取代 12/13 08:42
否，並沒有說Nested Learning就不用RAG
因為Nested Learning展示記憶機制是有損壓縮(遠久的越模糊)
所以必然要在某一層引入RAG的
可能是L2層，可能是L3層，可能是L4層，在工程實作上彈性很大
就像你要記筆記一樣
要外部儲存一個記憶關連的錨點去重新強化連結
推 axr : 推 看來無腦堆tsm安心睡了 12/13 08:48
→ bnn : 總覺得聽你的描述蛋白質剛進入第一層摺疊 12/13 08:48
推 bensonla : 推，買2330就對了 12/13 08:49
推 jen1121 : 2330 NVDA APPL,三檔續買 12/13 08:52
→ Risedo : 都顛覆性了 AGI還要2030嗎 12/13 08:55
→ MumiPyonPyon: 說要取代transformers的文章年年都有 12/13 08:58
推 Eide : 我大谷歌天下無敵 12/13 09:01
推 leotw : Tsm: 片上sram需求goog: 最高效模型+最低運算成本 12/13 09:03
推 allenmusic : 好專業文 感謝 12/13 09:05
推 a39208491 : 推 12/13 09:10
推 barrytwu : 2330+NASDAQ無腦多！ 12/13 09:12
推 wangyl : 有料 12/13 09:13
推 Smile365Day : 應該是要出清做HBM的記憶體廠商 12/13 09:13
→ Lowpapa : 這篇論文跟我想的一樣 12/13 09:21
推 AJEN1202 : 感概自己書讀太少看不懂 12/13 09:21
推 Lasvegas : 推 12/13 09:23
推 g0t24568 : Mina大995 12/13 09:29
推 stonerr : 感謝分享 12/13 09:29
推 vvnews : 問AI AI卻回答HBM需求反而會暴增 請問那裡有問題QQ 12/13 09:29
推 lasekoutkast: 重點是掌握權力的那些政治人物 12/13 09:31
→ lasekoutkast: 產業的發展跳脫不了人的管理 12/13 09:32
→ breathair : 你整篇喂進去，不要自己問比較準，AI有答案了 12/13 09:32
→ lasekoutkast: 那些掌握權力的政治人物決定AI發展的快慢 12/13 09:32
推 abyssa1 : 繼續卡dram bandwidth才會讓NVDA上不去 12/13 09:35
→ abyssa1 : 路線沒改的話 到時候dram比顯卡還貴 12/13 09:35
推 lasekoutkast: 泡沫的產生歸根究底就是在理論尚未成熟前就一窩蜂 12/13 09:35
→ lasekoutkast: 的投入資金 12/13 09:35
推 abyssa1 : Mina為什麼你的ip 在日本 出國玩還這麼認真研究喔 12/13 09:37
推 aixiiae2005 : M大可以直接講標的嗎= =不然2030你又要發文說2025發 12/13 09:38
→ aixiiae2005 : 的文沒人看得懂了... 12/13 09:38
→ aixiiae2005 : 這樣2030也可以回來稽查XD 12/13 09:39
→ ndk2675m : 新架構的產品，由誰生產@@？ 12/13 09:40
噓 bigwhiteeat : 哥 不能說中文嗎…. 12/13 09:41
推 Humanbeings : 這篇含金量超高，已經顛覆對未來AI的想像，感謝分享 12/13 09:41
推 lajeremy : 感謝分享 讚歎Ptt法人 12/13 09:42
推 lasekoutkast: 產業的發展還要考慮現金流 12/13 09:43
推 liliumeow : 聽起來更接近人類大腦 但如果這個架構加上超大記憶 12/13 09:46
→ liliumeow : 體 有什麼不好 記憶好總是有地方可以派上用場 搞不 12/13 09:46
→ liliumeow : 好是機器超越人類的地方 12/13 09:46
推 lusifa2007 : 好文推推 12/13 09:47
→ kao9458 : 這個team在ttt的前提下，水了好幾篇paper，寫的最 12/13 09:49
→ kao9458 : 好的是故事 12/13 09:49
推 qilar : 安啦 transformer 不會死的 12/13 09:52
推 yuantai : 燈別開那麼亮，很多人還有美夢不想醒 12/13 09:52
推 NekomataOkay: 感謝信心加持 12/13 09:52
推 sustto : 記憶體終究要回白菜價惹 PC又贏 12/13 09:55
推 asssstang : 看不懂，但有料給推 12/13 09:56
→ abyssa1 : 記憶體要回白菜價 至少要到產能大量開出來 還很久 12/13 09:56
→ eriker : 又不是O T 就比較好 這種線性模型早就一堆 transfor 12/13 09:56
→ eriker : mer跟暴力解沒兩樣 一定是最強的 12/13 09:56
→ kajika : HBM之後崩潰反轉也不會是這個原因啦 12/13 09:57
推 webberya : 我看懂關鍵字了，鐵打的2330買起來就對了 12/13 09:57
推 mamorui : 公司財不揭露 嘻嘻 狗狗比這篇論文發表 可能有新 12/13 09:58
→ mamorui : 的才會發表 12/13 09:58
推 smallmin36 : 好專業！只能推了 12/13 09:58
推 assassinzero: 這篇重點：如果nested learning可行，記憶體的美夢 12/13 09:58
→ assassinzero: 就會破碎 12/13 09:58
→ eriker : 而且資訊越多變爛機率更高 gpt用起來就是這樣 真正 12/13 09:58
→ eriker : 有用的通常就是最近的 12/13 09:58
→ ojh : 高手 這下nv真的要崩爛 只能抱孤狗了 12/13 09:58
推 jerrychuang : google不是在2024年就提出Nested Learning的概念了. 12/13 09:59
→ jerrychuang : .其他家應該多少有研究了吧..雖然GOOG還是絕對領先 12/13 09:59
→ jerrychuang : 啦 12/13 09:59
推 mamorui : 公司財最後不再揭露時 AGI就準備完成 12/13 10:00
推 nidhogg : 先無腦台積電再看誰打贏？ 12/13 10:00
→ eriker : 長文的任務跟短文是明顯不同的 如果trasmformer在記 12/13 10:00
→ eriker : 憶體可行下都還是最強 12/13 10:00
「推論即學習」
你覺得無損儲存(KV Cache)比較強，實際上是「死記硬背，沒在學」
壓縮資訊=從低維空間向高維歸納的過程=學習
人的大腦可沒有無限KV
相對的，根據自由能原理相關研究
你在腦中壓縮資訊時，會因為預測誤差改善而分泌多巴胺
也就是說
基於資訊壓縮而生的生理機制(=求知欲)是文明進化的關鍵因素
推 goodjop : 尊重專業 推，但懂再多的人 短線還是會看錯 12/13 10:05
→ goodjop : 何不長抱 刪APP即可? 12/13 10:06
→ goodjop : 如果再2020年就有NVDA 已經是25倍的獲利 12/13 10:08
→ ojh : 科技變化很快 孤狗推tpu出來 長抱nv刪app的全死 12/13 10:09
→ goodjop : 真的嗎? 很多人都還是賺錢 死在哪? 12/13 10:10
推 MinJun5566 : 我信mina大 12/13 10:10
→ goodjop : 你的言論 讓人容易記住ID 而且越來越容易記住了 12/13 10:11
推 marke18 : 謝謝分享~~ 12/13 10:11
→ loveadu : NV65收，2奈米現在誰用？ 12/13 10:15
推 cosmite : 12/13 10:17
→ karcher : 搞AI快變搞哲學了，這有助於營收？ 12/13 10:18
推 brightest : 看起來nested 頻寬需求只會更大 如果CIM起不來 HBM 12/13 10:18
→ brightest : 需求只會更大 所以關鍵反而是CIM的創新而不是neste 12/13 10:18
→ brightest : d 12/13 10:18
→ faultless : 看起來谷歌玩的方式才是未來的主流 12/13 10:19
推 as6633208 : scaling law增速>>放緩>>找到更好的算法>>scaling l 12/13 10:19
→ as6633208 : aw增速 LOOP 12/13 10:19
→ as6633208 : 不需質疑scaling law，除非你相信人類科技停滯 12/13 10:20
推 plaay : 現在還沒有nested learning 劃時代發明的感覺 12/13 10:21
推 a1234567289 : Scaling law不是聖經捏 12/13 10:22
推 as6633208 : 質疑scaling law大概就是覺得人類科技現在就是頂了 12/13 10:24
→ as6633208 : ，不會再更好，破台了，你覺得可能嗎，宇宙那麼大尺 12/13 10:24
推 jerrychuang : 應該是HBM下降，但一般LPDDR上升.因為不需要一直搬 12/13 10:24
→ jerrychuang : ，而且餐數量下降 12/13 10:24
推 stanleyiane : 推～ 12/13 10:25
推 as6633208 : 宇宙那麼大尺度，你覺得人類文明就這樣見頂了，人生 12/13 10:25
→ as6633208 : 真無趣 12/13 10:25
推 guanting886 : 定期定額買進，做好隔代沖 12/13 10:27
推 jian0202 : 先推 12/13 10:28
推 a1234567289 : 你對scaling law的理解是整個文明算力需求會上升 12/13 10:29
→ a1234567289 : 但這玩意說的是隨著模型規模增長 他就會表現得更 12/13 10:29
→ a1234567289 : 有智慧 12/13 10:29
推 bonjour87 : 你的最後假設是記憶體會因為需求擴廠.結論會崩盤? 12/13 10:30
→ bonjour87 : 但現在看到的是記憶體寧願裁掉消費性也不擴產. 12/13 10:30
一般來說記憶體會有長鞭效應
不過你說的也沒錯，如果市場很快就納入長期信號
不再瘋狂推高HBM價格，三大記憶體廠也沒有因瘋狂的短期價格訊號擴廠的話
最終的曲線可能會更平淡一點
泡沫有多大，破的時侯就有多刺激
我文中說2026年末要小心的前提是
明年上半HBM繼續以每季+20%~30%的價格增速瘋漲
如果現在就是HBM價格高點，稀缺性炒作停止，那反而不會有後面刺激故事
→ a1234567289 : 文明能量 算力需求或許會上升 但這和模型說的scal 12/13 10:30
→ a1234567289 : ing law是兩件事 12/13 10:30
推 Comtw : 我看不懂 是不是注定當韭菜了 12/13 10:31
→ a1234567289 : 另外 地球尺度夠大了吧 從第一個生命誕生到現在 生 12/13 10:31
→ a1234567289 : 命體的智慧走的一直是更有效率而非更大 12/13 10:31
推 kei1823 : 美光究竟是不是先知 12/13 10:33
推 as6633208 : 單細胞生物也很有效率，始終了展不了科技，就是要堆 12/13 10:37
→ as6633208 : ，有效率只是堆更快，還是要堆 12/13 10:37
推 rayisgreat : mina大大回來了！先推先推！ 12/13 10:38
推 a1234567289 : 我只是認為架構永遠優先於規模 12/13 10:39
推 TIPPK : 99公公 12/13 10:40
推 kuosos520 : all in TSMC or GOOG NVDA TSMC AAPL? 12/13 10:40
推 jatj : 2樓噓的好懂 發表一下低見如何 12/13 10:42
推 yuen1029 : 講到人家看不懂就贏了 12/13 10:50
→ tinybunny : 想買鴨 但看到macd就先等惹 12/13 10:50
推 afacebook : 2年我看大家也是說transformer完蛋了 是mamba得天下 12/13 10:51
→ afacebook : 可是現在主流還是都用Transformer 12/13 10:51
→ afacebook : 看起來真的很厲害 不過在看看 12/13 10:52
Mamba只有一層更新頻率
你套用在Nested learning的框架下去理解各種對Transfomer的改進
會發現他們都共享同一套數學表達
所以才說真正重要的不是HOPE架構，而是論文前半的那套數學
推 Noberman : 只有中國要擴廠 你哪邊資訊看到其他要擴的？ 12/13 10:54
推 schula : 優文推推真有趣，言簡意賅，感謝信心加持 12/13 10:56
推 BBKOX : 買半導體ETF應該不會輸吧 12/13 10:57
噓 s942816 : 你不如說量子電腦統一世界 12/13 10:59
→ a9564208 : 最後針對邊緣裝置跟雲端的論述，是不是代表通訊又噴 12/13 11:00
推 afacebook : 我看起來他跟qkv結構沒甚麼關聯ㄟ 他是一種新的梯度 12/13 11:00
→ afacebook : 度更新方式 12/13 11:01
→ afacebook : 論文確實很厲害 不過跟記憶體好像沒啥關聯 12/13 11:01
推 FULLHD1080 : 記憶體那邊省下來的錢,會轉去計算晶片,這樣講大家 12/13 11:02
→ FULLHD1080 : 懂了嗎 12/13 11:02
推 woker : 不要吵買google就好 12/13 11:07
推 josephpu : 推 12/13 11:08
推 lovemost : 計概還老師了….努力回憶中 12/13 11:08
→ ookimoo : 軟體，硬體會發展，需求不會像你想的那樣提升，top 12/13 11:15
→ ookimoo : player手上的錢也是要從投資變回收，聽不懂也沒辦 12/13 11:15
→ ookimoo : 法 12/13 11:15
推 overpolo : 怎麼會沒關聯 同等級算力用的記憶體變少 所以資源 12/13 11:15
→ overpolo : 要先轉去撐高算力 之後算力高了變成存儲能力遇瓶頸 12/13 11:16
→ overpolo : 就要再把資源拿去擴充記憶體 這是個正向的景氣循環 12/13 11:16
推 joey2k14 : 所以買NVDA、TSM、GOOG、AVGO、AMD、APPL對吧 12/13 11:17
推 aegis43210 : 大規模路線肯定是會有用的 12/13 11:17
推 woker : 買半導體etf好了 基金會自動幫我們研究 12/13 11:22
→ strlen : 要怎麼證明紀憶體不重要了？ 12/13 11:25
推 FULLHD1080 : 以fab而言,記憶體御三家營收會典範轉移到TSMC,然後 12/13 11:27
→ FULLHD1080 : 我的AGI一定要比你強,所以開始瘋狂捲算力 12/13 11:27
→ FULLHD1080 : 現在大家在捲小孩子的學歷,以後大家改捲誰家的機器 12/13 11:30
→ FULLHD1080 : 人比較聰明比較能打 12/13 11:30
推 flightmoon : 跟AI聊完，如果要在NL以及BCI上投資，AI建議TSM、 12/13 11:42
→ flightmoon : GOOG、ISRG 12/13 11:42
推 koushimei : 就是台積電繼續吃肉 韓廠挫賽 12/13 11:47
推 f0915034335 : 看不懂但先推再說 12/13 11:49
推 JasonTatum11: 就是N變log N 這不是大一就學過的東西嗎 12/13 11:56
推 abyssa1 : 記憶體需求不會下降 只是增速回到線性而已 12/13 11:58
對，因為要解的問題又從IO bound變回compute bound了
推 mamorui : 趨勢是AI用記憶體扶正 除非谷歌成功顛覆硬體界「 12/13 12:03
→ mamorui : 算力愈高 記憶體永遠不夠用」的基礎觀念 12/13 12:03
→ mamorui : 計概的東西是最難撼動的 12/13 12:04
是Compute intensity改變了
推 cloud1030 : 感謝大大的分享 與我想的差不多 12/13 12:06
推 feeling5322 : 感謝大大無私分享 12/13 12:11
推 ynanlin : 從一個學習AI新架構的角度，我把minazukimaya大的 12/13 12:12
→ ynanlin : 意見和Google nested learning paper放到NotebookL 12/13 12:12
→ ynanlin : M上，先做了這份Deep Research報告，大家可以看一 12/13 12:12
推 ab4daa : 快搞死記憶體吧 想組電腦了 12/13 12:13
→ dream12305 : 小看華爾街財技 12/13 12:16
推 longlyeagle : 結果下一世代最後還是靠Google... 12/13 12:24
推 BBKOX : 還沒到最後的物理AI，一切都難說 12/13 12:25
→ BBKOX : 半導體ETF買起來 12/13 12:25
推 SuperBig78 : 所以nested learning架構的出現會加速AGI的出現嗎？ 12/13 12:28
真正的AI產業領導者 aka. Sir Demis Hassabis
他說我們離AGI還差一到兩次的關鍵技術突破
Nested Learning高機率是其中一個(用統一的數學語言重新描述知識與學習的本質)
剩下一個，我不知道 等Google Researh研究出來我再跟你說
推 bonbon789852: 看不懂但是感謝分享 大GG天下無敵 12/13 12:30
推 eatlion : 感謝大大無私分享 12/13 12:30
推 ctes940008 : 要爆了嗎？ 12/13 12:33
推 for767 : 有什麼好刺激的？記憶體已經好幾次這樣了 12/13 12:37
每一次記憶體週期都很刺激好嗎XD
推 jorden : 感謝分享 終於懂目前AI模型語言一堆限制的邏輯了 12/13 12:37
推 bring777 : 領先技術的，現在誰新手機沒用AI ? 12/13 12:38
推 oops801011 : 推 12/13 12:43
推 SilverRH : GSIT先躺一票人進去了 12/13 12:47
推 pmes9866 : 老鐵牛逼 我要好好複習我的數學了 12/13 12:49
推 loopdiuretic: 那台積要回房間喝酒了嗎 奪門而出啥時回來？ 12/13 13:12
推 s81048112 : 看完推 12/13 13:14
推 CCPenis : 還真的是2330無腦多 12/13 13:19
推 BBKOX : 重壓TSMX，再加上七巨頭槓桿ETF，應該可以應對後面 12/13 13:22
→ BBKOX : AI的發展 12/13 13:22
推 junior020486: 甲骨文丸辣 12/13 13:22
→ BBKOX : 囊括代工、算力、模型、應用 12/13 13:23
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 13:23:49
推 NoMomoNoLife: 賀出桶！還馬上熱心分享QQ 12/13 13:23
推 ynanlin : 關於接下來幾年學習推理運算所用的晶片，會朝更客 12/13 13:23
→ ynanlin : 製化，記憶體需求與架構也將改變，由於NL是Google 12/13 13:23
→ ynanlin : 開發也正積極落實應用，可想見內部有更多相應硬體 12/13 13:23
→ ynanlin : 架構的研發，也有相對領先的優勢。粗淺的Deep Rese 12/13 13:23
→ ynanlin : v1X3) 12/13 13:23
推 walkingtall : m大厲害！希望後續持續幫忙暗示（或明示XD）救一下 12/13 13:25
→ walkingtall : 我們這些小菜雞XD 12/13 13:25
推 nikoyaka9527: 推mina大，謝謝分享資訊 12/13 13:34
推 rayisgreat : 前幾天才看到TSMC釋出的N7到未來A14的效能演進，再 12/13 13:37
→ rayisgreat : 加上架構模型持續架化，兩者相輔相成實在很難想像未 12/13 13:37
→ rayisgreat : 來的AI世界會有多可怕@@ 12/13 13:37
→ rayisgreat : *持續進化 12/13 13:37
→ alanjiang : 這是可以免費看的嗎www 12/13 13:38
推 rayisgreat : 再次感謝mina大大分享 12/13 13:41
推 bob1012 : 感謝分享 12/13 13:48
推 ACDC69 : 看不懂，先推 12/13 13:49
推 OuO333333 : 看起來像Transformer+RL? 12/13 13:58
推 mamorui : mina大一定知道數學猜想也在靠AI解決中，菇菇我等 12/13 14:01
→ mamorui : 躺在科學家塵封盒子的做不下去的論文登場，AI的第 12/13 14:01
→ mamorui : 三篇章聖杯是黑科技。 12/13 14:01
不止是數學，包含社會科學和經濟學，這種傳統上歸到文組的領域
實際上也是需要AI研究的
因為數學語言是有普世擴展性的
所以從Nested Learning的起點出發，再多幾步推導
就能得出「文明的本質就是計算」
延伸出L6與L7的計算層，發展出一套用來描述文明、制度的數學語言
https://reurl.cc/6bK3Q5
我提供一個引子給對這方面研究有興趣的人去讀
老樣子，如果讀不懂，就丟去問AI吧
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 14:15:06
推 TaiwanUp : NL=控制理論 Transformer=引擎 HOPE=會變形的引擎 12/13 14:11
→ TaiwanUp : 會變形的引擎在飛機來說很恐怖 但模型訓練不一定 12/13 14:12
→ TaiwanUp : 熱力學定律還是至高無上 很難有什麼技術可比喻為之 12/13 14:14
→ TaiwanUp : 熱力學定律是不可被比喻的 12/13 14:15
你小看了Nested learning這篇論文的背後擴展潛力
它不單單只是一篇關於AI的論文，它「正好是熱力學定律的反面理論」
熱力學是關於「宇宙的熵增」
Nested learning是關於「文明的熵減」
剛好是對偶關係
→ TaiwanUp : 剛睡醒就看了好人名單文 刷了兩小時的手機 12/13 14:16
→ h22349 : 別想太多 一篇優化效率 現在ai就像是國土擴張，遲 12/13 14:22
→ h22349 : 早會有新算法，需要這些資源 12/13 14:22
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 14:24:18
推 FULLHD1080 : AI的飛輪效應要來了,算法-硬體 相互改善,直到物理 12/13 14:25
→ FULLHD1080 : 化學的窮盡 12/13 14:25
推 linweida : 睡醒看到Mina大的文必推! (mina怎麼好像不用睡覺) 12/13 14:30
推 ykjiang : SRAM太貴太佔die size且面向用戶，不用太低延遲 12/13 14:38
→ ykjiang : DRAM應該更適合 12/13 14:38
→ TaiwanUp : 文明熵減是局部熵減 很難跟全域對偶 但是人致富關鍵 12/13 14:57
推 hotbeat : CUDA 才是那個聖杯 ，ASIC只能做edge的 12/13 14:59
噓 MoonCode : 想太多了 12/13 15:01
推 hotbeat : 怎麼看google還是最大贏家，跟台廠有結盟的基本上 12/13 15:08
→ hotbeat : 都不用擔憂太多 12/13 15:08
推 breathair : 再推一次！看完覺得自己對AI的發展拔高了不只一層！ 12/13 15:15
推 TaiwanUp : 宇宙和文明還是有對偶 但沒有野蠻和文明那麼明顯 12/13 15:23
推 afacebook : 當初大家覺得Mamba能取代transformer 是MoE+mamba或 12/13 15:32
→ afacebook : 其他的架構 當然不可能只有一層ssm的架構啊 12/13 15:33
→ afacebook : 這東西感覺是一種特別的fine turing 12/13 15:34
→ afacebook : 能不能成功 要再多做一點實驗 12/13 15:34
→ afacebook : 現在主要還是覺得大模型比較強 12/13 15:36
→ afacebook : 這是想要做些中模型 就能有很好的適應能力吧 12/13 15:36
→ afacebook : 很特別 請google再多做一點實驗 12/13 15:37
→ afacebook : CMS這種更新方式 其實跟一般 先凍結一些層 然後慢慢 12/13 15:39
→ afacebook : 打開 不是很像嗎? 12/13 15:40
→ afacebook : 然道主要是那optimizer有貢獻嗎 12/13 15:41
→ afacebook : 好像也沒這麼簡單 要再研究一下 12/13 15:43
→ TaiwanUp : NL像是聯合國憲章 HOPE是機構+流程 Transformer美國 12/13 15:52
→ TaiwanUp : Mamba就是另一國 但看起來沒有成氣候 12/13 16:01
推 misthide : 總歸一句 2330是最大贏家 任何新技術都繞不開它 12/13 16:02
推 BBKOX : 以為買了AI Pro就能一直使用Gemini思考型，結果還 12/13 16:10
→ BBKOX : 是有次數限制… 12/13 16:10
推 afacebook : Mamba有沒有成氣候 還不知道吧.... 12/13 16:24
→ afacebook : 每次新架構出來 基本都會吹一下 要經過檢驗 12/13 16:26
推 afacebook : 說實在 我個人是覺得沒有到當初看Transformer那種 12/13 16:28
→ afacebook : 神奇感 就是等看接下來發展 12/13 16:29
→ PTTMAXQQ : 感恩啊 謝謝分享專業知識 對我幫助蠻大的 12/13 16:40
推 sss966146 : 想問2019是哪一篇 12/13 16:50
推 h129875230 : 要五層參數 不就要一大坨人幫忙 fine tune嗎 這個 12/13 16:51
→ h129875230 : 五年內就出來 是不是有點樂觀 12/13 16:51
五層不是五個模型好嗎，它是同一個模型的巢狀表達
在快層傳到慢層時，傳遞的是「語義向量」
這就表示L2傳給L3的語義向量要是同義的
也就是說，整個模型是要五層一起聯合訓練的
預訓練時不可能分散佈署
是訓練完才把L1/L2的初始靜態參數(慢權重)佈署到邊緣端
推 jonaswang01 : 我g天下無敵還有人有疑問？ 12/13 17:12
推 suPerFlyK : 只能推了 12/13 17:17
推 akanokuruma : 意思是記憶卡現在風聲水起 隨著技術更新 擴廠=負債 12/13 17:29
→ akanokuruma : 虧損 暴死 12/13 17:30
推 Bellucci : 看不懂所以問AI, 它建議是Goog/AAPL/AVGO/QCOM/ARM/ 12/13 17:35
→ Bellucci : TSMC/聯發科 , Nvidia有其護城河且他具備訓練功能不 12/13 17:35
→ Bellucci : 至於死掉但要分散風險不重倉。 12/13 17:35
推 Bellucci : TSM是絕對防禦 12/13 17:38
推 darkangel119: AI回答我是SRAM IP 跟 ASIC 事核心受益者 咦？ 12/13 17:40
→ Bellucci : 我菜雞還是QQQ和mega 7就好，神仙打架我沒資格參加 12/13 17:52
推 joewang85 : 推 12/13 17:58
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 18:07:13
推 as6633208 : 行業護城河問gpt你會很慘喔，每間護城河都是在增加 12/13 18:06
→ as6633208 : 的要看的是未來布局 12/13 18:06
推 mudmud : Active Entropy Control Model 12/13 18:28
推 Bellucci : 我沒問行業護城河欸我直接給論文它自己寫的 12/13 18:28
→ Bellucci : 重點不在第四張在前三張 12/13 18:29
→ Bellucci : 反正AI沒回要買Nividia 是建議前三張的標的 12/13 18:30
推 lee198218 : 謝謝提供非常好的素材 12/13 19:00
推 breathair : 此篇重點在未來AI世界的描繪，虛擬與現實的雙耦，虛 12/13 19:06
→ breathair : 擬的入口（GOOG，APPL)，物理的極限(TSM，CEG) 12/13 19:06
→ lavign : 通用型怎麼什麼都不精怎麼和ASIC比 12/13 21:03
推 PTTMAXQQ : 你各位還是想想最終消費者會選擇從哪個入口去付費A 12/13 21:16
→ PTTMAXQQ : I 12/13 21:16
推 sustainer123: 這篇不是github還沒開源嗎? 12/13 21:28
推 avans : 不懂Nested Learning如何降低vram用量，不過先推了! 12/13 22:49
→ njjroom : 謝謝mina大的分享引起很多大大的討論，跪學中…… 12/13 23:16
推 ksjr : asic每次換算法都要重新設計來取得最佳效能啊 12/13 23:39
※ avans:轉錄至看板 AI_Art 12/14 00:12
推 ykjiang : 這用TPU跑一定悲劇，GPU勉強可以，ASIC有得等 12/14 02:00
→ ykjiang : 不過NL不會太快取代現有的LLM，即使硬體充分支援 12/14 02:01
→ ykjiang : 每個人都雲端學習自己的AI model，學出來還都不同 12/14 02:02
→ ykjiang : 太不可控了 12/14 02:02
→ ykjiang : 可以考慮邊緣端的應用，不過風險還是很高，容易被告 12/14 02:03
→ JKjohnwick : 太唬爛,這要甚麼時候商轉,甚麼時候價格降下來 12/14 13:43
→ JKjohnwick : 如果可行的話,採購第一個轉過來買這個 12/14 13:44
推 mtm : 這是股版目前最有料的一篇 12/14 14:59
推 mtm : 9月的時候要減碼TSM，現在要趕快補回來了嗎 12/14 16:20
推 eknbz : 回來mark一下 這篇paper可能對我工作有幫助 12/15 03:22
推 verydolungbe: 我看到了 BETA 與 VHS 之爭。還有人聽得懂我我嗎？ 12/15 07:23
噓 patvessel : 範式變更越大tpu入土越快 12/15 09:09
→ patvessel : 還在內插就不要講什麼熱力學都定律了 12/15 09:09
→ patvessel : 聽這個跟聽推背圖差不多 12/15 09:09
推 nelso : M大就給推～ 雖然還是不太容易理解 12/15 14:39
![[新聞] 緯來可以播WBC了！取得47場賽事轉播權 - 股票 - PTT.BEST 批踢踢爆文](https://i.mopix.cc/NJkQsZ.jpg)
![[新聞] 中國拼出EUV原型機彎道超車？荷媒最狠打 - 股票 - PTT.BEST 批踢踢爆文](https://i.imgur.com/x1Ei9hF.png)
![[標的] 2002 中鋼 多 - 股票 - PTT.BEST 批踢踢爆文](https://i.imgur.com/3caAdp2.jpeg)
![[標的] 2002 中鋼 多 - 股票 - PTT.BEST 批踢踢爆文 2](https://i.imgur.com/6SB1Bdl.jpeg)
![Re: [標的] 台指期 空 - 股票 - PTT.BEST 批踢踢爆文](https://i.mopix.cc/3UVbsA.jpg)
![Re: [標的] 台指期 空 - 股票 - PTT.BEST 批踢踢爆文 2](https://i.mopix.cc/PXCn05.jpg)
![[新聞] 特朗普警告伊朗：「時間不多了」 - 股票 - PTT.BEST 批踢踢爆文](https://i.mopix.cc/7QfeXE.jpg)
![[新聞] 特朗普警告伊朗：「時間不多了」 - 股票 - PTT.BEST 批踢踢爆文 2](https://i.mopix.cc/ouZCKE.jpg)
![[新聞] 特朗普警告伊朗：「時間不多了」 - 股票 - PTT.BEST 批踢踢爆文 3](https://i.imgur.com/cOhw91q.jpeg)
![[心得] 這幾年買紡織股很蠢... - 股票 - PTT.BEST 批踢踢爆文](https://i.mopix.cc/qnQ6q4.jpg)
![[心得] 這幾年買紡織股很蠢... - 股票 - PTT.BEST 批踢踢爆文 2](https://i.imgur.com/peaEPVU.jpeg)
![[新聞] 從未見過的大時代！謝金河：黃金、白銀、 - 股票 - PTT.BEST 批踢踢爆文](https://cdn2.ettoday.net/images/6830/d6830324.jpg)
![[新聞] 從未見過的大時代！謝金河：黃金、白銀、 - 股票 - PTT.BEST 批踢踢爆文 2](https://cdn2.ettoday.net/images/8247/d8247716.jpg)
![[新聞] 從未見過的大時代！謝金河：黃金、白銀、 - 股票 - PTT.BEST 批踢踢爆文 3](https://i.imgur.com/aCte6hP.jpeg)
![[新聞] 市場瘋貴金屬！臺銀白銀條塊遭搶購一空 - 股票 - PTT.BEST 批踢踢爆文](https://i.imgur.com/PonnE7t.jpeg)
![[新聞] 市場瘋貴金屬！臺銀白銀條塊遭搶購一空 - 股票 - PTT.BEST 批踢踢爆文 2](https://i.imgur.com/RnWQcuO.jpeg)
![[新聞] 市場瘋貴金屬！臺銀白銀條塊遭搶購一空 - 股票 - PTT.BEST 批踢踢爆文 3](https://i.imgur.com/m3cqidY.jpeg)
![Re: [請益] 股民會學到債券已反應的這一課嗎 - 股票 - PTT.BEST 批踢踢爆文](https://i.mopix.cc/OZ3WdG.jpg)
![Re: [請益] 股民會學到債券已反應的這一課嗎 - 股票 - PTT.BEST 批踢踢爆文 2](https://i.mopix.cc/2GWZnl.jpg)
![Re: [請益] 股民會學到債券已反應的這一課嗎 - 股票 - PTT.BEST 批踢踢爆文 3](https://i.mopix.cc/wcPzdO.jpg)