tokens.fm 偷啃

TED x BOHR x TONY x WAN

從台灣、矽谷、西雅圖 科技巨頭開發者、創業者、交易員與資本市場參與者 從技術，到商業 帶你看懂這個正在被 AI 重寫的世界 -- Hosting provided by SoundOn

  1. 4d ago

    EP16 | 如何邁向 9 位數身價，一些過來人的忠告？Jeff Dean 那個一離開就讓 Google 跌 5% 的男人！

    (00:30) 以 10 萬、100 萬、1,000 萬到 1 億元為四個階段，整理每次跨越十倍最值得做與避開的事。 (01:50) 從 10 萬到 100 萬，本金太小時提高本業收入比投資更有效，先存錢並避開槓桿與高成本創業。 (08:50) 從 100 萬到 1,000 萬，副業與自媒體開始創造第二份收入，流量結合專業與產品才能走得長久。 (17:44) 本業、投資與副業三線並進，也能靠跳槽提高薪資，並重新評估 RSU 集中持股的風險。 (28:00) 從 1,000 萬到 1 億元，單靠薪水與一般投資太慢，必須掌握時代紅利與非線性成長機會。 (36:09) 累積第一桶金後才能承擔更多風險，但槓桿、抄底與多元資產配置仍要建立在完整風控之上。 (43:08) 肉身抄底加入趨勢新創，可以用時間換取股權上漲空間，也要先想清楚最壞結果。 (49:36) AI 新創比網路時代更燒錢，還要面對模型大廠與 FDE 競爭，工程師進大公司反而可能更穩健。 (54:45) Jeff Dean 離開 Google 引發震盪，但 Google 可能轉向生態整合、成本控制與 AI 商業化。 (60:02) Google 為 Jeff Dean 特設最高技術職級 L11，他的離開讓股價重挫 5%，傳奇貢獻遍及搜尋與分散式系統。 -- Hosting provided by SoundOn

  2. Aug 6

    EP15｜軟體創業還有活路？台股真的跌完了嗎、非法移民潮席捲歐美！

    (00:44) 矽谷台灣創業圈掀起 AI 熱潮，小團隊靠 Agent 快速做出 Prototype，但多數專案仍難走到獲利。 (04:58) AI 讓軟體更容易被複製，「軟體創業已死」指的是純 SaaS 已經很難靠技術形成護城河。 (08:20) 技術能力不再足以支撐創業，真正差異回到需求是否存在，以及創辦人對垂直產業的理解與人脈。 (12:05) Coding Agent 把 Idea 做成 PoC 的門檻壓到極低，創業重心從工程能力與 Pitch 轉向能直接收錢的需求。 (21:47) 西班牙邊境移民潮，引出美國與歐洲在非法移民、勞動力、社會福利與合法移民制度間的兩難。 (30:52) 舊金山在新市長整頓街道、AI Lab 進駐與辦公室回流後，正逐步走出疫情期間的衰敗。 (33:13) 市場拉回後開始分批建立美股與記憶體部位，但台股籌碼仍未洗乾淨，抄底不必急著一次押滿。 (38:17) Google、Microsoft 能用雲端與 App 生態消化 AI CapEx，Meta 的算力變現道路不明，市場反應明顯分化。 (42:27) 美債實質利率創高、聯準會不降息與地緣政治未明，市場流動性仍差，投資部位更適合分散與保留現金。 (44:43) SpaceX 上市後仍在價格發現階段，一天一股只是參與，真正重倉要等籌碼穩定與底部成形。 (48:04) 台股從高點只跌約 18%，融資與質押仍未清乾淨，市場可能還需要一次真正讓追高者痛的洗盤。 -- Hosting provided by SoundOn

  3. Jul 30

    EP14｜AI 要接管你的整台電腦了！軟體 App 不再是做給人用的，前端工程師還有未來嗎？

    (00:40) OpenAI、Anthropic 押注統一 AI 入口，Google 則把 Gemini 放進 Search、Chrome 與辦公軟體，電腦首頁之爭正式開打。 (03:01) 開發者已習慣用 AI 生成簡報、網站與文件，多數人卻仍離不開熟悉的 App，使用習慣成為普及阻力。 (05:55) AI 原生入口與傳統 App 短期將走向混合模式，由 AI 接手簡單工作，既有軟體則逐步加入助手功能。 (08:53) Codex 類型的個人助理可同時處理文件、試算表、郵件與 Slack，跨 App 協作成為統一入口的核心價值。 (10:09) 一個 Agent 能否操作 Word、Excel 與各種服務，關鍵在於能否像作業系統大腦一樣規劃任務與調度工具。 (17:18) 大一統 Agent 的難題是 Context、權限與資安，能力越強，誤寄郵件或存取敏感資料的風險也越高。 (20:05) AI 已能依照需求生成 Mini App 與互動介面，未來搜尋、旅遊規劃與工作成果都可能動態呈現。 (27:00) App 可能從服務人類轉向服務 Agent，成為專門執行任務的 Sub-Agent，再由統一入口組合結果。 (30:16) 軟體開始預設真正的使用者是 AI，README、Skills、CLI 與 API 都必須讓 Agent 快速理解並操作服務。 (35:08) 介面不再以人為中心，前端與 UI／UX 將被重新定義，但結果檢閱、過程透明與手動修正仍不可少。 -- Hosting provided by SoundOn

  4. Jul 23

    EP13｜Kimi K3 轟動矽谷！馬斯克開源不怕被抄、Threads 上都是 AI 專家？

    (06:22) Kimi K3 的能力逼近 GPT 5.5 與 Opus 4.8，中國開源 AI 與美國頂尖模型的差距已縮短到只剩幾個月。 (07:50) 模型架構仍在快速變動，能靈活支援不同做法的 NVIDIA GPU，反而比高度客製化的晶片更具優勢。 (11:57) 每月近一萬美元的 AI 使用費，讓企業更有動機採用開源模型、任務分流與自建算力，避免長期被模型商收租。 (12:46) 開源模型快速追趕，讓 OpenAI、Anthropic 的定價與上市故事開始鬆動，未來必須靠 App 整合與完整生態系重新拉開差距。 (17:41) 開源 AI 越多，算力、記憶體與儲存需求反而越高，NVIDIA 與 AI 基建的長期敘事並沒有因此改變。 (22:47) xAI 公開 Grok Build 的核心流程，但實測在複雜任務、工具操作與工作環境理解上，仍明顯落後 Codex 與 Claude Code。 (26:21) AI 模型與開發工具並不是隨便替換就會一樣好用，最佳體驗仍來自兩者一起訓練與深度整合。 (30:42) AI 讓醫生與各行各業的人都能做出 App，軟體開發正在從專業技能變成更接近全民可用的能力。 (32:43) 人人都能做產品也人人都能評論技術，社群更容易放大煽動標題、未驗證觀點與「AI 玄學」，可信來源反而更重要。 (40:02) X、Threads、Facebook 與 IG 的差異不只在流量，而在品牌能否累積固定受眾、專業信任與商業價值。 (48:11) Meta 能否把龐大的 AI 支出轉成收入，短期最直接的方法仍是出租算力，而不是等待自家模型與工具被市場採用。 (48:59) SpaceX 的投資價值建立在十年尺度的火星、月球與太空基建，但短期仍可能先經歷大幅回檔與長時間打底。 -- Hosting provided by SoundOn

  5. Jul 16

    EP12 | 一人公司時代真的來了？Meta 低價賣 API、xAI 搶 AI Agent 入口，人人都能手搓 SaaS 了！

    (03:25) Meta MuseSpot 1.1 與 xAI Grok 4.6 都把 Agentic Workflow 當主戰場，原生 Harness、Token Efficiency 與開發者入口成為競爭核心。 (14:50) Grok Build 的第一手實測重點在速度、多模態生成與 Coding Agent 可用性，但大型任務可靠度仍待驗證。 (17:30) Meta 用 Coding Agent 包裝 MuseSpark 仍缺少自然入口，真正看點反而是低價 API、算力出租與 CapEx 變現。 (24:31) Coding Agent 的護城河回到使用資料與產品 DNA，Meta 從零追 Cursor、Codex 仍有很長的路。 (28:03) Neo Cloud 在 Meta、SpaceX 等大玩家加入後壓力升高，長期風險在於算力租賃商品化與缺少自用 Plan B。 (31:50) AI 讓一人公司與小型 SaaS 更容易成立，但簡單 App、網站與接案服務也正在快速被商品化。 (34:10) 接案市場的機會轉向傳產流程、自動化與更高信任門檻的 B2B 問題，重點從寫程式變成找到痛點。 (39:01) 開發能力被 AI 下放後，溝通、銷售、人脈與挖掘需求會成為接案者與創業者的新門檻。 (49:56) AI 把 MVP 試錯成本打到很低，也壓縮工程師靠快速 POC 賺錢的傳統優勢。 (61:40) B2B AI 服務可以從熟人產業、親友資源與老闆抱怨切入，先找到真的繁瑣又願意付錢的流程。 (64:07) 技術門檻被抹平後，長期競爭力會落在前沿技術、個人品牌、業務能力、FDE 團隊與垂直產業理解。 -- Hosting provided by SoundOn

  6. Jul 9

    EP11 | AI 到底靠什麼賺錢？Meta 開賣算力、Palantir 聯手 NVIDIA，Circle 被穩定幣新聯盟圍剿

    (03:10) Meta 計畫將額外 AI 算力商業化，不代表算力過剩，而是雲端巨頭開始用基建抵消 AI CapEx 壓力。 (10:51) AI 變現從賣模型走向賣工作流，Palantir 與 NVIDIA 把算力、模型、資料治理與企業部署包成完整方案。 (12:50) Alex Karp 對 Token as a Service 的批評，指向 Application Layer、Harness 與企業 Know-how 才是真正價值所在。 (18:23) 企業開始檢視 Token 消耗與實際產出的落差，模型分流、Edge 推論與內部集群會成為下一波省成本方向。 (23:24) Token 成本可能像網路與電力一樣逐步商品化，進而衝擊 OpenAI、Anthropic 的估值與 IPO 敘事。 (29:05) OUSD 聯盟帶著 140 多家公司挑戰 Circle，讓穩定幣市場出現一場針對 USDC 的圍剿。 (31:34) Circle 與穩定幣的商業模式，核心在於儲備資產利息、合規信任與支付場景能否持續擴大。 (35:03) OUSD 的共享收益與多方治理看似有吸引力，但名單水分、治理成本與生態建設能力仍是最大疑問。 (38:57) Circle 的長線關鍵不只是 USDC 利息收入，而是 Payment Network、開發者生態與美元穩定幣規模擴張。 (44:10) Circle 股價大跌後的投資判斷，重點在於利空是否出盡、穩定幣基本面是否仍有上行空間。 -- Hosting provided by SoundOn

  7. Jul 2

    EP10 | AI Agent 還需要最強模型嗎？GPT 5.6 被監管、開源模型追上，記憶體股才是最大贏家！

    (01:01) GPT 5.6 在 Codex 上的實測心得與受控發布模式，速度體感、工作流差異與政府安全測試流程。 (07:16) 前沿模型被監管、開源模型追上來後，企業是否仍該把核心工作流與產品服務綁定在最強模型上。 (15:44) 企業 AI 使用開始走向成本控管與模型分流，Open Code、Model Routing 與開源模型成為重要選項。 (25:18) 開源模型追近閉源模型後，OpenAI、Anthropic 的定價、護城河與商業敘事面臨重新檢視。 (29:21) 公司內部 AI 架構開始走向開源模型來服務日常工作流、自建集群與 Edge/Cloud Hybrid 的分工。 (33:01) 記憶體與 Storage 成為 AI Agent 時代的新瓶頸，HBM、KV Cache 與 NVIDIA 的推論優化都變成關鍵。 (45:15) 記憶體股面臨估值重估，AI 結構性需求、產能擴張難度與週期股定位都被重新檢視。 (48:12) 德州成為科技製造與 Physical AI 生產的重要據點，牽動 Tesla、台積電供應鏈與美國區域分工。 (52:11) AI 硬體超級週期仍可能延續，但市場情緒、利率與地緣政治風險讓投資布局更需要紀律。 -- Hosting provided by SoundOn

  8. Jun 25

    EP9 | IPhone 史上最大軟體革新？Loop Engineering 又再販賣什麼 AI 焦慮啦！

    (04:26) Apple WWDC 與 Siri 改版切入，討論 iPhone 近年創新停滯、Siri 作為早期語音助理卻長期落後，以及 Apple AI 這次是否只是遲到的補課。 (07:41) 解析 Siri 跨 App 協作能力，從自動建立行事曆、傳送群組通知到整合 Podcast 準備流程，探討手機是否仍是 AI Agent 最自然的生活入口。 (10:00) Apple AI 三層架構拆解：裝置端模型、Private Cloud Compute、以及與 Google Gemini / GCP / NVIDIA GPU 的合作關係，分析 Edge AI、隱私與延遲體驗之間的取捨。 (13:50) Apple 對開發者提供推論額度的生態策略，探討 iOS App 若能免費整合 AI inference，是否可能複製 App Store 與蘋果稅模式，進一步鞏固 Apple 生態系。 (16:00) 從「App 是給人用還是給 Agent 用」延伸，討論 Siri 調用第三方 App 的介面設計、AI 手機對記憶體的需求，以及 Edge AI、Vision Pro 與穿戴裝置的未來入口想像。 (18:30) 對 Apple AI 能力提出保留：AI 人才流失、算力投入不足、Android 陣營先行，以及 Apple 為何仍要包裝自己的 Foundation Model 而非直接採用開源或外部模型。 (22:48) 進入 Loop Engineering 討論，回顧這個詞從 Twitter 與 AI coding 社群爆紅的背景，說明它如何從 Prompt Engineering 演變成定義目標、限制與完成條件的工作流程。 (26:12) 反思 Loop Engineering 是否只是過度命名，討論它與既有 Harness、Automation、Worktree、MCP、Sub-Agent 等工程流程的關係，以及為何本質上仍是軟體工程思維。 (30:33) 引入「認知投降」與「理解債務」兩個概念，討論當 AI 可以長時間自主修改 codebase，人類不再是最懂程式碼的人時，工程師角色所面臨的風險與轉變。 (32:28) 具體拆解一個有效 Agent Loop 的條件：Trigger、邊界條件、成功標準、Verifier、Retry / Stop 機制與 Human-in-the-loop，說明為何沒有好的驗證機制，Loop 只會變成 token 空轉機。 (37:06) 從實際開發經驗談認知外包，包含 AI brain、MCP、文件與 repo 串接，以及工程師遇到錯誤時直接交給 AI 處理，如何讓 codebase 理解能力逐漸下降。 (40:25) 討論什麼情境下可以放心「認知投降」：短生命週期的小工具、個人專案或許可行，但正式產品與高風險系統仍需要工程師介入架構、spec 與驗證層。 (43:21) 展望 AI 開發能力擴張後的工程師定位，從 Cursor 時代仍掌握九成 codebase，到未來只調整 high-level design 與 spec，人類對底層實作的理解比例正在持續下降。 (47:55) 工程師逐漸轉向 Agent Manager，討論如何透過高階 functional / non-functional requirements、system state、tribal knowledge 文件與 agent-friendly 環境，讓 AI 能夠穩定維護與迭代系統。 (53:24) 探討降低理解債務的方法，包括定義 AI 回報格式、使用 Artifact / HTML 等更易讀的任務回報，以及未來 coding interview 可能從 LeetCode 轉向 spec-driven development 與 AI 協作能力。 -- Hosting provided by SoundOn

See All (16)

4
out of 5
3 Ratings

About

從台灣、矽谷、西雅圖 科技巨頭開發者、創業者、交易員與資本市場參與者 從技術，到商業 帶你看懂這個正在被 AI 重寫的世界 -- Hosting provided by SoundOn

Information

  • Creator
    TED x BOHR x TONY x WAN
  • Years Active
    2026
  • Episodes
    16
  • Rating
    Clean
  • Copyright
    © tokens.fm
  • Show Website
    tokens.fm 偷啃