我 先說 沒事 不要對號入座

得了 便宜還賣乖

你不爽 就不要看 我要說 幾百次???
🖕 😄

其實 寫這blog 怎天哭邀 的人很多 給老子去吃屎🖕

這些其實 都還好 不過 之後 更多的是 龍蝦的衍生 產品😄

NotebookLM：將大量文件、影片轉化為「懂你的知識庫」，並能自動生成 Podcast 導讀音檔，最適合需要快速消化海量文獻的學生與研究者。

Notion AI：將 AI 深度嵌入工作空間，能自動續寫筆記、美化排版並從亂糟糟的內容中整理出待辦，最適合重度筆記使用者與知識管理者。

Claude Computer Use：AI 能直接「看」螢幕並模擬真人點擊滑鼠與輸入，跨軟體處理報帳或數據錄入，最適合每天在不同 App 間重複性切換操作的上班族。

Gemini Project Jarvis：專為 Chrome 打造的導航員，能自動完成比價、訂票與行程安排並連動 Google 生態，最適合想把網路雜事全權委託 AI 的 Google 用戶。

Skyvern AI：利用視覺辨識攻克「沒有 API」的老舊政府或企業網站，自動填寫複雜表單與採購單，最適合需與老舊行政系統對接的採購與行政專員。

Harpa AI / MultiOn：全天候監視網頁變動的側邊欄插件，達成特定價格或條件時自動搶票、抓數據，最適合專業代購、羊毛黨與市場數據分析師。

Kimi K2.5：具備「多代理集群」拆解能力，一句話就能指派百個分身同時搜集資料並生成報告，最適合需要高效率調研與多工並行的行銷與專案經理。

智譜清言：擁有頂級中文邏輯與視訊對話，專精於產出極其專業的公文、代碼架構與學術論文，最適合對文字與邏輯有嚴苛要求的行政、法律與科研人員。

龍蝦 Bot (OpenClaw)：具備電腦底層控制權的遠端代理，能透過對話讓 AI 直接跨軟體搬運檔案或操作系統，最適合想打造「全自動 AI 員工」的極客與自動化狂人。

輕量且能實際做事的ai 跟app😄 突然有一個新的區域😞

睡覺😪 吃東西 拉屎 what happen ?!???? 大弟弟 日常 👦

而且人腦🧠一天能處理的資訊量 並沒有改變 一般人20000 text 專業或天賦 100000 text 以內資訊記憶👦

https://youtu.be/ZINQTR6H5dI?si=Fr9IcCD9S4HMGs6R

其實ai 很好用 但也的確會變笨 看我就知道 但真實情況是 邊際效益遞減的速度 很快 寫500 行 code 很有效 1000 行 開始error 2000 5000 花時間debug 10000 行以上 幾乎 失去效果 當你累積程式碼 到100萬行 幾乎 無法管理 不過 還是 有比沒有好 節省我很多時間👦🤡但你生成的部分越多 你管理跟維護成本就會直線上升 😑😨🙄

軟體技術 博大精深👦🤦

總結： tinygrad 正在證實「軟體越簡單，速度越快」的理論。它現在是開發者探索非 NVIDIA 硬體（尤其是 AMD 和 RISC-V）的首選深度學習框架之一。

4. 社群與定位
* 開發者門檻：雖然代碼簡潔，但 tinygrad 採用了大量的「Lazy Evaluation」（惰性求值）與底層編譯優化。對於習慣 PyTorch 的開發者來說，調試其底層邏輯仍有學習曲線。

* 主要用途：目前最成功的應用是 comma.ai 的 openpilot（自動駕駛系統），該系統已全面使用 tinygrad 替代高通的 SNPE。

3. 性能對比 (vs PyTorch)
* 推理性能：在許多非 NVIDIA 平台（如 AMD、Mac M1/M2/M3）上，tinygrad 的推理速度已經超越 PyTorch。
* 延遲與冷啟動：由於其輕量級的運行時（Runtime），對於小型模型的處理速度遠超 PyTorch。
* 穩定性：目前仍處於 Alpha 階段。官方表示，只有當 tinygrad 在單卡 NVIDIA 上執行常用論文模型的速度達到 PyTorch 的 2 倍時，才會進入 1.0 版本。

2. 硬體與商業進展：Tinybox
* Tinybox 出貨中：Tiny Corp 生產的 AI 伺服器 Tinybox（搭載 6x 7900 XTX 或英特爾硬體）已經實現穩定生產與出貨，主打極高的「性價比」。
* 與 AMD 的關係：雙方關係曾一度緊張（因韌體閉源問題），但目前已達成一定默契。Tiny Corp 致力於在 AMD 硬體上實現與 NVIDIA 相當的 LLaMA 訓練速度。
* 訓練能力：tinygrad 已不再僅限於推理（Inference），其目標是在 2026 年完成「訓練 LLaMA 405B 且速度不輸 NVIDIA」的合約挑戰。

截至 2026 年初，tinygrad 已經從一個「喬治·霍茲（George Hotz）的玩具專案」正式演變成一個具有競爭力的深度學習堆疊。
以下是 tinygrad 的最新現狀分析：

1. 核心開發進展：邁向「零依賴」
* 代碼極簡主義：截至 2025 年底，tinygrad 的核心代碼量依然維持在極致的 20,000 行左右（相比之下，PyTorch 擁有數百萬行）。George Hotz 認為這種「Elon 式軟體過程」能消除 98% 的冗餘與相容性補丁。

* 移除 LLVM：這是最近的一大突破。tinygrad 正在移除對 LLVM 的依賴，實現直接透過純 Python 驅動 AMD GPU，這使其成為一個完全主權（sovereign）的軟體堆疊。
* 版本更新：Tinygrad 0.12 於 2026 年 1 月發布，引入了 Mesa NIR/NAK 支持，這意味著它現在可以在 NVIDIA 硬體上實現「完全開源」的驅動堆疊（不依賴 NVIDIA 官方的閉源部分）。

https://youtu.be/oIEYmflX090?si=L2l048ArBkPjTea-