聽書-科技X成長

種菜工程師

《聽書》我們將不定時挑選一本書、一篇文章或一個熱門話題,從科技趨勢、職場實戰到心靈養分,透過輕鬆對談的方式,挖掘背後的觀點與洞見。 沒時間閱讀?那就用聽的,跟我們一起吸收知識、激發想法、拓展視野。

  1. OpenAI DevDay 2025 重點摘要

    7 GIỜ TRƯỚC

    OpenAI DevDay 2025 重點摘要

    🎙️ Podcast EP.157|OpenAI DevDay 2025:AI 開發的全新時代🚀 從 ChatGPT 到 Sora 2,AI 工具的生態再進化。 在 2025 年的 OpenAI DevDay 上,OpenAI 公布了一系列重磅更新,正式開啟 AI 開發的「應用時代」。這場年度開發者盛會不僅展示了技術的飛躍,也預示著 AI 將從「助手」走向「協作者」的新階段。 📌 本集重點: ChatGPT Apps SDK:開發者可直接在 ChatGPT 內打造互動應用,開啟 AI 應用分發新時代。 Agent Kit:快速構建、部署與管理 AI 代理(Agents)的工具包,簡化開發流程。 Codex 正式版:從研究預覽升級為正式發布,整合 GPT-5 Codex 模型,強化程式理解與生成能力。 GPT-5 Pro 模型:專為高效推理與任務執行優化的新一代旗艦模型。 GPT-Realtime Mini:更自然的語音互動模型,支援低延遲對話。 Sora 2 API 預覽:影片生成技術再突破,讓開發者能以文字即時生成高品質視覺內容。 💡 核心啟示:2025 年的 OpenAI,不只是模型的升級,而是生態系的重構。未來的 AI 不再只是回答問題,而是「一起構建未來」。 — 🔗 立即收聽Spotify|Apple Podcast|Google Podcast|YouTube Podcast 全平台同步上線! 💬 你最期待哪一項新功能?GPT-5 Pro、Agent Kit 還是 Sora 2? #OpenAI #DevDay2025 #GPT5 #Sora2 #AgentKit #AppsSDK #AI開發 #人工智慧 #Codex #Podcast推薦

    19 phút
  2. 機器學習運作MLOPs

    1 NGÀY TRƯỚC

    機器學習運作MLOPs

    🎙️ Podcast EP.156|機器學習運作:持續推送更新與自動化管線⚙️ 從 DevOps 到 MLOps,讓 AI 也能「自動學習、自動部署」 隨著 AI 系統逐漸走向生產應用,MLOps(Machine Learning Operations) 成為連接資料科學與工程實務的關鍵。本集將帶你深入了解 Google Cloud 架構中心對 MLOps 的完整解析,掌握如何讓模型持續學習、持續部署、持續進化。 📌 本集重點: MLOps 與 DevOps 的關鍵差異:AI 模型不只是「程式碼」,還需要處理 資料漂移(Data Drift) 與 持續訓練(Continuous Training)。 MLOps 三大成熟度等級:1️⃣ Level 0:手動程序 — 資料與模型更新全靠人工。2️⃣ Level 1:自動化機器學習管線 — 提升效率但仍需人工監控。3️⃣ Level 2:CI/CD/CT 完整自動化 — 實現模型的即時迭代與交付。 核心組件: 資料驗證與版本控制 模型驗證與評估 特徵儲存庫(Feature Store) 中繼資料管理(Metadata Tracking) 雲端實務應用:如何在 Google Cloud 中實作 MLOps 管線 💡 核心啟示:MLOps 不只是自動化,更是一套讓 AI 持續學習與優化的工程哲學。當你的模型能「自己更新」,你離智慧系統又更近一步。 — 🔗 立即收聽Spotify|Apple Podcast|YouTube Podcast 全平台同步上線! 💬 你目前的 AI 系統是「一次訓練」還是「持續演進」?MLOps 也許是你該邁出的下一步。 #MLOps #機器學習 #AI工程 #GoogleCloud #自動化管線 #持續訓練 #資料科學 #DevOps #人工智慧 #Podcast推薦

    23 phút
  3. 高效 AI 代理的上下文工程(Context Engineering)

    5 NGÀY TRƯỚC

    高效 AI 代理的上下文工程(Context Engineering)

    🎙️ Podcast EP.152|高效 AI 代理的上下文工程🧩 從提示工程到上下文工程,讓 AI 更精準、更高效 隨著大型語言模型(LLM)的進化,設計 AI 代理的焦點正從「提示工程(Prompt Engineering)」轉向「上下文工程(Context Engineering)」。這不僅是一種技術轉換,更是一種思維模式的轉變。 📌 本集重點: 上下文的本質:有限代幣組成的「注意力資源」 上下文工程的目標:提供最小但最具訊號的資訊 挑戰與限制:注意力預算有限、長時程任務的上下文稀釋 三大技術: 精簡(Compaction):壓縮無用或冗餘訊息 結構化筆記(Structured Note-taking):將資訊條理化以利檢索 子代理架構(Sub-agent Architectures):拆解複雜任務,保持連貫性 未來啟示:上下文工程是讓 AI 代理從「能回答」進化到「能持續解決問題」的關鍵 💡 核心啟示:AI 的能力不僅取決於模型本身,更取決於如何設計並善用「上下文」。有效的上下文工程,將是高效 AI 代理的基石。 — 🔗 立即收聽Spotify|Apple Podcast|YouTube Podcast 全平台同步上線! 💬 你認為未來 AI 設計中,最需要優化的是「模型本身」還是「上下文的使用方式」? #AI代理 #上下文工程 #ContextEngineering #PromptEngineering #LLM #人工智慧 #高效能AI #Podcast推薦

    32 phút

Giới Thiệu

《聽書》我們將不定時挑選一本書、一篇文章或一個熱門話題,從科技趨勢、職場實戰到心靈養分,透過輕鬆對談的方式,挖掘背後的觀點與洞見。 沒時間閱讀?那就用聽的,跟我們一起吸收知識、激發想法、拓展視野。

Có Thể Bạn Cũng Thích