興趣很多又怕被 AI 取代：Dan Koe 的三層技能堆疊與三條用 AI 規則
Dan Koe 這支 36 分鐘影片主張：興趣多的人把技能分成人性、領域、工具三層，只把「工具層」交給 AI；用 AI 時先知道好的長相、不把初稿當成品、試著取代自己。
#ai
20 篇文章研究內容怎麼變成企業工作流：CB Insights 的資料產品化
CB Insights 用免費電子報展示資料能力，再把市場訊號加工成可搜尋資料、Mosaic 評分與 CRM／API 工作流。企業付費買的不是更多文章，而是更快排出研究順序。
企業為什麼買 Gartner：品牌、分析師與決策保險
Gartner 把研究、分析師問答與採購工具包成企業的決策保險。2025 年 Insights 產品占總營收約 78%，但 Magic Quadrant 只能降低搜尋與協調成本，不能保證選對產品。
私人市場資料怎麼變成工作流：PitchBook 的人工驗證與切換成本
PitchBook 用公開訊號、當事人回報與研究員核對，建立公司、交易、基金和投資人的關係資料庫，再透過篩選器、Excel、CRM 與 API 嵌入工作流程。2025 年分部營收達 6.718 億美元，但近期資料仍會遲報、估計與回修。
產業情報怎麼賣給企業：六種產品路線與 AI 暴露
企業不是為更多文章付費，而是為更快找到訊號、排出優先順序、完成決策。六個案例分別把記者人脈、群眾研究、結構化資料、預測分數與採購工作流變成可續約的情報產品。
跨週整理（一）：七週的想法怎麼互相銜接與取代｜Harvard CS50 AI 主題單元
把七週放在一起看的三種關係：同一個想法在後面的週再出現（馬可夫鏈從第 2 週用到第 4、第 6 週，權重的線性組合從第 4 週變成第 5 週的 unit）；前一週的工具是後一週的前提；講課先教一個做法、指出它不夠用、再換下一個。附三個跨週例子與四題跨週自我檢查。
跨週整理（二）：十二個專案各用到哪一段講課｜Harvard CS50 AI 主題單元
把十二個專案放在一起看：每個專案要寫哪些函式、用到哪一節講課、規格頁給了什麼可以對答案的例子；哪些專案用的是同一種做法（列舉、搜尋、馬可夫鏈、從資料學）、哪些專案要用的東西講課沒有教。附三個算到底的例子與五題自我檢查。官方沒有標難度與時數，本文也不給。
Knowledge——命題邏輯、模型檢查、推理規則與知識表示｜Harvard CS50 AI 第 1 週
第 1 週講怎麼讓程式依已知事實推出新事實：用命題符號與五個連結詞把知識寫成句子；model checking 列舉全部 2 的 n 次方種真假組合來判斷知識庫是否蘊涵某個查詢；推論規則與 resolution 改成直接操作句子，先轉成 CNF，再用反證法推出空子句；一階邏輯用常數、述詞與量詞減少符號數量。附逐段時間連結，以及 Knights、Minesweeper 兩個專案的解題思路、易錯處與檢查方式（參考實作摺疊）。
Uncertainty——機率、貝氏網路、馬可夫模型與遺傳推斷｜Harvard CS50 AI 第 2 週
第 2 週講機率：條件機率與貝氏法則把證據換算成機率；貝氏網路用箭頭把聯合機率拆成每個節點的條件機率表，列舉推論算得精確但慢，拒絕取樣與概似加權用樣本近似；馬可夫鏈用轉移模型描述隨時間變化的狀態，隱藏式馬可夫模型再加上感測模型，從觀察反推看不到的狀態。附逐段時間連結，以及 Heredity、PageRank 兩個專案的解題思路與檢查方式。
Optimization——局部搜尋、模擬退火、約束滿足問題與填字遊戲｜Harvard CS50 AI 第 3 週
第 3 週講最佳化的三種寫法：局部搜尋只記一個 state，hill climbing 往更好的鄰居走、會卡在局部極值，模擬退火用 e^(ΔE/T) 的機率接受變差的一步；線性規劃把問題寫成線性成本函數加線性限制，交給現成的求解器；約束滿足問題用 node consistency、arc consistency（AC-3）縮小 domain，再用回溯搜尋配合 MRV、degree、least-constraining value 三個 heuristic 找解。附逐段時間連結，以及 Crossword 專案的解題思路、虛擬碼、易錯處與檢查方式（參考實作摺疊在最後）。
Learning——監督式學習、k-NN、SVM、強化學習 Q-learning 與 Nim｜Harvard CS50 AI 第 4 週
第 4 週講機器學習的三種形式。監督式學習從有標籤的資料學出 hypothesis function：分類可以看最近的 k 個鄰居，或用一組權重畫出決策邊界（perceptron learning rule、logistic regression、support vector machine），再用損失函數、regularization 與 cross-validation 對付 overfitting。強化學習用 Q-learning 依 reward 更新每個 state 與 action 的估計值，ε-greedy 留一點機率隨機探索。非監督式學習以 k-means 分群。附逐段時間連結，以及 Shopping、Nim 兩個專案的解題思路與檢查方式。
Neural Networks——反向傳播、TensorFlow/Keras、CNN 與交通號誌辨識｜Harvard CS50 AI 第 5 週
第 5 週講神經網路：一個 unit 把輸入乘上權重、加 bias、再過 activation function；梯度下降一小步一小步調權重，隱藏層靠 backpropagation 把誤差往回分；影像先做卷積與 pooling 再接一般網路，就是 CNN；序列資料用 RNN 把輸出餵回自己。附逐段時間連結，以及 Traffic 專案的解題思路、易錯處與檢查方式。
Language——N-gram、Parser、Attention 與 Transformer｜Harvard CS50 AI 第 6 週
第 6 週講電腦怎麼處理自然語言：先用 context-free grammar 手寫規則剖析句子，再改用統計，從 n-gram、Markov chain 生成文字到用 Naive Bayes 判斷評論的正負；接著用 word2vec 把詞變成向量，用 RNN 的 encoder–decoder 處理整個序列，最後是 attention 與 Transformer。附逐段時間連結，以及 Parser、Attention 兩個專案的解題思路、容易出錯的地方與檢查方式。
課程回顧與後續路線：七週教了什麼、沒教什麼、接著讀哪裡｜Harvard CS50 AI 主題單元
系列最後一篇：用一張表回顧七週各教了什麼、做了哪些專案；課程在 2023 年把第 6 週換成講到 attention 與 Transformer 的新版，其餘六週仍是 2020 年的錄影；講課沒有教怎麼使用今天的語言模型。後半依你想往哪裡走，連到站上九門後續課程的總覽。附三題回顧自我檢查。
Search——從 DFS、BFS、A* 到 Minimax 與 Alpha-Beta 剪枝｜Harvard CS50 AI 第 0 週
第 0 週講搜尋：DFS 與 BFS 只差在 frontier 用 stack 還是 queue；A* 把已走步數加上啟發式估計，啟發式不高估時能保證最短路；Minimax 讓雙方輪流取最大與最小值，Alpha-Beta 剪掉不會影響結果的分支。附逐段時間連結，以及 Degrees、Tic-Tac-Toe 兩個專案的解題思路、易錯處與檢查方式；參考實作摺疊在各專案最後。
AI 時代，品味是放大器
AI 把執行成本壓到接近零，結果品味好的人產出更多價值，品味差的人產出更多垃圾。差別不在會不會用 AI，而在用之前腦中有沒有值得被放大的東西。這個系列記錄我系統性磨利判斷力的過程。
Product Builder 是什麼？跟 PM 的差別與轉型路徑
Product Builder 是能獨立跑完「發現問題→設計→建造」完整循環的人。跟 PM 最大的差別是：PM 靠權威影響團隊執行，Product Builder 靠能力直接產出可用產品。LinkedIn 已用 Associate Product Builder track 取代原本的 APM 計畫，PayFit 早在 2019 年就定義了這個角色。
Warp：從現代終端機到 Agentic Development Environment
Warp 從一個用 Rust 打造的現代終端機，演化成整合 AI Agent 的開發環境（ADE），2026 年 4 月開源，目前擁有 70 萬開發者使用者。
gstack — Garry Tan 把 Claude Code 變成虛擬工程團隊的 20 個 Skills
gstack 是 Garry Tan 開源的 Claude Code skills 工具集，用 20 個專業 skill 把一個人變成一整個工程團隊——從產品規劃、設計審查、code review、QA 到部署，全部自動化。
攀岩社群為什麼需要 AI？NobodyClimb 的實驗與學到的事
NobodyClimb 用 RAG 解決攀岩路線資訊分散的問題，配額制度與社群參與度綁定，Cloudflare Workers AI 讓推論成本趨近於零。