ชวนเพื่อนมาแบ่งกัน 555

ยาวหน่อยแต่หวังว่าจะมีประโยชน์นะครับ #คัดหุ้น

เพชรสั่งให้ Astra สร้าง dashboard เพื่อ track flow ของน้ำมันโลกครับ ทั้งการผลิต นำเข้า-ส่งออก และการบริโภคจากทั่วทุกมุมโลก ใครเป็น players ใหญ่ capacity ของแต่ละคนเป็นยังไง US และ China ใช้มากน้อยแค่ไหน buffers และ reserves ที่ว่าลดๆ เหลือเท่าไหร่ ทั้งหมดนี้เสร็จใน 2 วัน คนเดียวไม่ต้องคุยกับใคร ตัวเลขอาจจะไม่อัพเดต และตัวเลขพวกนี้มันไม่มีทางเป๊ะ เราต้องการเห็นแค่ trend และ order of magnitude เท่านั้นครับ และจำไว้สุดท้ายการอ่านตัวเลขต่างๆควรเป็นหน้าที่เรา

ที่จีนมีเว็บให้ลงขาย license หน้าตัวเองให้คนเอาไปทำหนังสั้น ฆโษณา ประกอบฉาก ทำเกมส์ละ มีหมด โคตรจะ black mirror

แนวคิดนี้ดีนะ "การคืนพื้นที่ให้น้ำ" ถ้าช่วงน้ำไม่มีก้ทำเป้นสวนสาธารณะริมน้ำก้ได้ แต่เวลาเค้าเวรคืนพื้นที่คนไทยก้จะบอกว่า กะอยู่ตรงนี้มาตั้งนานแล้ว จะให้ย้ายไปไหน #น้ำท่วม

Claude มันทำ excel ให้ แล้วมีจังหวะ save ชื่อผิดมันเลยบอกว่าอันที่ชื่อผิดลบทิ้งเลย ได้มา2ไฟล์ ข้างในเหมือนกันเป้ะ เออ มีงี้ด้วย

นั่ง workกะclaude ระหว่างรอมันทำงาน แว๊ปมาติ่งในx เจอสิ่งนี้ตอนเที่ยงคืนนน 🥹🥹🥹🥹🥹หิวววววววว

This is awesome

ติ่งเอมี่บอนนี่มา 3-4เดือนล่ะ ชอบเอมี่ที่บุคคลิก เป็นคนใจดี สายตาใจดีมาก สัมผัสได้เวลามองเพื่อนๆน้องๆในค่าย ชอบบอนนี่ คือ สวยๆๆๆมีเสน่ห์มาก แต่ที่ดึงดูดสุดๆคือวิธีคิด น้องดูติดเล่นมากๆ แต่จริงๆละเอียด และสำคัญคือ น้องรักตัวเอง เป็นคนให้เกียรติตัวเองก่อน เก่งอ่ะเด็กคนนี้

ศึก AI อเมริกากับจีนแคบลงไวมาก เพราะเซียน AI ชาวจีนแห่ย้ายออกจาก Silicon Valley กลับไปทำค่ายเทคบ้านเกิดกันเพียบ ​รอบนี้จีนได้ตัวท็อปไปเยอะเลย เหยา ซุ่นอวี่ จาก OpenAI ย้ายไป Tencent ลุย AGI, เหา โจว จาก DeepMind ไป Alibaba ทำโมเดล Qwen, อู๋ หย่งฮุย จาก DeepMind ไปคุม ByteDance Seed แล้วก็ หยาง จื้อหลิน ผู้ก่อตั้ง Moonshot AI เจ้าของโมเดล Kimi ก็เคยอยู่ Meta กับ Google มาก่อน ​การได้คนกลุ่มนี้กลับไป ทำให้จีนเร่งสปีดเรื่อง AGI ได้ไวกว่าเดิม จากที่โดนสหรัฐฯ บล็อกชิปจนต้องเอา AI ไปใช้แค่กับงานอุตสาหกรรม รอบนี้เลยหันมาดันโมเดลขนาดเล็กที่เสถียรและต้นทุนต่ำแทน ​สาเหตุที่คนย้ายกลับ หลักๆ มาจากวีซ่ากับมาตรการยุคทรัมป์เข้มงวดมากจนกระทบชีวิตกับการทำงาน สหรัฐฯ เลยรั้งคนเก่งๆ ไว้ไม่ได้เหมือนก่อน กลายเป็นเปิดทางให้จีนไล่จี้จนมีลุ้นแซงได้เลย

แผนที่จะสร้าง platformของตัวเองด้วยไหม ยอมมาจิ้นบาง ย้ายcontent ลงแอพตัวเอง ไม่ค่อยขายออกไป netflix viu (ซึ่งมาร์จิ้นจะรับเต็มๆไม่ต้องแบกต้นทุน platform) อาจจะพยายามสร้างฐานระยะยาว

ตอนนี่เรื่องพระเป็นกระแสมาก ช่วงมหาลัย อยากจะเล่าปสกครั้งหนึ่งเคยไปวัดไร่ขิง งานพิธีอะไรจำไม่ได้ แต่มีการสวมหัวโขน ร่างทาง ใส่หนุมานคนนั้นก็กลายเป็นลิง นี่ยืนงง แล้วต่อแถวเข้ารับน้ำมนต์ด้วย คืออย่างนาน2ชมมั้ง ในหัวคือ ‘นี่กุมาทำอะไรที่นี่ กุเหนื่อยกุร้อน’

This guy literally explained why some people become successful while other stay average. The reason is uncomfortable. Game Theory Watch this:

iPhone 17 Pro เครื่องเดียว มีบริษัทเซมิคอนดักเตอร์ถึง 12 แห่งอยู่เบื้องหลัง iPhone 17 Pro ไม่ได้เป็นแค่สมาร์ตโฟน แต่เป็นเหมือน “ระบบนิเวศเซมิคอนดักเตอร์ขนาดย่อม” ที่รวมเทคโนโลยีจากบริษัทชั้นนำมากมายไว้ในเครื่องเดียว ตั้งแต่ชิปประมวลผล การเชื่อมต่อ กล้อง ระบบจัดการพลังงาน ไปจนถึงวัสดุที่ใช้ผลิตตัวเครื่อง TSMC ผลิตชิปประมวลผล A19 Pro ให้ Apple ด้วยเทคโนโลยีการผลิตขั้นสูงที่สุดของบริษัท Broadcom ผลิตชิ้นส่วน RF Front-End และเทคโนโลยีชาร์จไร้สาย แต่ใน iPhone รุ่นนี้ ชิป N1 ของ Apple เข้ามารับหน้าที่หลักด้าน Wi-Fi และ Bluetooth แทน Broadcom Corning ผลิตกระจกหน้าจอและ Ceramic Shield ซึ่งเป็นชั้นวัสดุที่ช่วยปกป้องหน้าจอและด้านหลังเครื่อง Qualcomm ผลิตโมเด็ม Snapdragon X80 สำหรับ iPhone 17 Pro โดยเป็นรุ่นสุดท้ายก่อนที่โมเด็ม C2 ของ Apple จะเข้ามารับช่วงต่อ เหตุผลที่ยังใช้ Qualcomm คือการรองรับ mmWave ซึ่ง C1X ของ Apple ยังไม่รองรับ STMicroelectronics ผลิตชิปที่ใช้ในระบบ Face ID กล้อง และการจัดการพลังงาน ช่วยควบคุมระบบเซนเซอร์และการถ่ายภาพ NXP Semiconductors ผลิตชิปควบคุมการเชื่อมต่อ เช่น NFC ระบบชำระเงินแบบปลอดภัย และการควบคุม USB-C ทำให้ iPhone สามารถสื่อสารกับอุปกรณ์เสริมและระบบชำระเงินแบบไร้สัมผัสได้ Cirrus Logic ผลิตชิปด้านเสียงและพลังงานที่ใช้กับลำโพง ไมโครโฟน และระบบเสียงต่างๆ พร้อมช่วยจัดการการใช้พลังงานอย่างมีประสิทธิภาพ Texas Instruments ผลิตชิป Analog และ Power Management สำหรับการชาร์จแบตเตอรี่ การควบคุมแฟลชกล้อง และการจ่ายพลังงานให้กับหน้าจอ Analog Devices ผลิตชิปสำหรับแปลงและจัดการพลังงาน รวมถึงควบคุมแรงดันไฟฟ้าให้เหมาะสมกับส่วนต่างๆ ของเครื่อง Sony ผลิตเซนเซอร์รับภาพ CMOS ซึ่งเป็นชิ้นส่วนที่ทำหน้าที่รับแสงและแปลงเป็นภาพสำหรับกล้องของ iPhone Qorvo ผลิต RF Front-End Modules ที่ช่วยกรองและขยายสัญญาณมือถือ ทำให้ iPhone สามารถรองรับคลื่นความถี่ต่าง ๆ ได้อย่างมีประสิทธิภาพ Skyworks Solutions ผลิตชิ้นส่วน RF เพิ่มเติมที่ช่วยจัดการและเสริมประสิทธิภาพสัญญาณไร้สายระหว่าง iPhone กับเครือข่ายมือถือ cr. Shay Boloor

LLM Knowledge Bases Something I'm finding very useful recently: using LLMs to build personal knowledge bases for various topics of research interest. In this way, a large fraction of my recent token throughput is going less into manipulating code, and more into manipulating knowledge (stored as markdown and images). The latest LLMs are quite good at it. So: Data ingest: I index source documents (articles, papers, repos, datasets, images, etc.) into a raw/ directory, then I use an LLM to incrementally "compile" a wiki, which is just a collection of .md files in a directory structure. The wiki includes summaries of all the data in raw/, backlinks, and then it categorizes data into concepts, writes articles for them, and links them all. To convert web articles into .md files I like to use the Obsidian Web Clipper extension, and then I also use a hotkey to download all the related images to local so that my LLM can easily reference them. IDE: I use Obsidian as the IDE "frontend" where I can view the raw data, the the compiled wiki, and the derived visualizations. Important to note that the LLM writes and maintains all of the data of the wiki, I rarely touch it directly. I've played with a few Obsidian plugins to render and view data in other ways (e.g. Marp for slides). Q&A: Where things get interesting is that once your wiki is big enough (e.g. mine on some recent research is ~100 articles and ~400K words), you can ask your LLM agent all kinds of complex questions against the wiki, and it will go off, research the answers, etc. I thought I had to reach for fancy RAG, but the LLM has been pretty good about auto-maintaining index files and brief summaries of all the documents and it reads all the important related data fairly easily at this ~small scale. Output: Instead of getting answers in text/terminal, I like to have it render markdown files for me, or slide shows (Marp format), or matplotlib images, all of which I then view again in Obsidian. You can imagine many other visual output formats depending on the query. Often, I end up "filing" the outputs back into the wiki to enhance it for further queries. So my own explorations and queries always "add up" in the knowledge base. Linting: I've run some LLM "health checks" over the wiki to e.g. find inconsistent data, impute missing data (with web searchers), find interesting connections for new article candidates, etc., to incrementally clean up the wiki and enhance its overall data integrity. The LLMs are quite good at suggesting further questions to ask and look into. Extra tools: I find myself developing additional tools to process the data, e.g. I vibe coded a small and naive search engine over the wiki, which I both use directly (in a web ui), but more often I want to hand it off to an LLM via CLI as a tool for larger queries. Further explorations: As the repo grows, the natural desire is to also think about synthetic data generation + finetuning to have your LLM "know" the data in its weights instead of just context windows. TLDR: raw data from a given number of sources is collected, then compiled by an LLM into a .md wiki, then operated on by various CLIs by the LLM to do Q&A and to incrementally enhance the wiki, and all of it viewable in Obsidian. You rarely ever write or edit the wiki manually, it's the domain of the LLM. I think there is room here for an incredible new product instead of a hacky collection of scripts.

2 years and 8 months ago I started a trading experiment. I copied Nancy Pelosi’s trade with $38,000. At the time she invested over $1.5m into Nvidia call options. Each call was $38k, she bought 50 of them. I bought one. Within 3 months we both almost tripled our money. My $38k turned into $108k . Her $1.5m turned into $4.5m Whether this should be legal or not I’m not sure but this method worked so I kept going. Every time Pelosi disclosed a new trade I added more cash and copied the trade. At a certain point I got so confident she knows what she’s doing that I started doubling down on dips and buying even higher risk higher reward call options. It worked. At a certain point she was down nearly 40% on her google calls. I bought more and instead of deep ITM calls I decided to take some OTM calls. Within a few months that trade turned into nearly $500k in profit. This portfolio that started as a joke, accidentally turned into the most profitable investing experience I’ve ever had. She’s retiring her soon, I’m now tracking every single member of congress to help me come up with trade ideas. My goal is to take this joke/portfolio to $2m by the end of the year. I’ll continue to post everything here and if you have any questions lmk in the comments, I’ll try to answer all of them.

มาแชร์แอปคนไทยครับ ถ้าใครอยาก track performance portfolio การลงทุนตัวเองลองแอป "Portseido" ดูได้ครับ มีทั้งแบบแอปมือถือและเว็บ ข้อดีคือคนไทยทำเลยมี DR / SET / กองทุน คริปโต ครบ ผมลองโยน pdf จากโบรกเข้าไปดู แปปเดียวได้เลย และแน่นอนกดผ่าน link ผมด้วยไปเล่นฟรีก่อน 14 วัน portseido.com/?fpr=ltd&fp_si… คำพูดมากมายสุดท้ายขายของ 5555555+

youtu.be/9Ew0bfb-mMg?si=rcnO… เนื้อหาดีมาก สรุปอยู่ท้ายคลิปเบย