科技 on Jabee's Blog

2026的新年新事物：長輩圖也升級成AI版了？

Tue, 17 Feb 2026 18:39:52 +0800

各位讀者新年快樂呀！今年一樣祝各位馬到成功，馬上拿 Offer，馬上自摸？

新一代的長輩圖要出現了？

昨天吃完年夜飯有個有趣的小事情可以和各位讀者分享，我的大伯竟然問我要怎麼用 AI 生成新年卡片，看來今年會出現不少 AI 長輩圖喔哈哈哈哈。

不過 Jabee 我發現其實滿多人用 Gemini 都不會切換模型的，因為我的大伯說有付費，但生成的圖片文字會跑掉。我一聽就知道大概是忘了切換模型成 Pro 了。

我認為一方面 Google 其實有意無意地在省電量？我常常打開來預設都是 Flash model，但我幾乎不用 Flash 的模型，我覺得等一下也沒關係，畢竟真的差太多了。

各位讀者記得用 Gemini 生圖要換模型成 Pro 才會呼叫 nano Banana pro 啊！

字節跳動用 Seedence 2.0 給地球帶來震撼性的 AI 新年禮包

Thu, 12 Feb 2026 15:45:43 +0800

最近看了影視颶風介紹了近期的 Seedence 2.0，這東西可不是跟其他 AI 模型一樣，搞個開源假裝很厲害炒個股票這麼簡單而已，而是在 AI 影片生成上有實質上的突破。

解決過去的非連貫性分鏡

過去的 AI 影像你可以發現其實沒辦法有什麼連貫性的分鏡，可以看到過去 Sora 2 的切換鏡頭其實沒有很合理。但今年真的不一樣了，Seedence 2.0 可以做出連貫性且合理的分鏡不再是非連貫性的分鏡，在目標位置可以看到切換特寫的鏡頭，而且並不突兀的，字節跳動可以說是在這方面彎道超車整個矽谷產業的 AI 生成。

開始大量訓練更多網路上的媒體

過去一年中，若你閒閒沒事在 YT 隨便滑滑都能看到 “牢大” (NBA 的 Kobe)，過去其實只能生成出這些有名的人物。但今年呢？也許會再次顛覆你的想像，現在用文字描述就能生成出影視颶風的辦公室。不僅僅是這樣，現在上傳 Tim 的照片竟然出現他的聲音？？？？

雖然字節跳動這兩天馬上將這些有可能侵權的生成方式管制，但在不久的將來，是不是能將你我的生活完全融入進去呢？用 AI 是不是就能文字描述就將你我的臉都放入到 AI 影像生成當中呢？我們拭目以待xdddd

Empowering Traditional Industry with AI and Global Connectivity

Fri, 23 Jan 2026 17:39:47 +0800

In the second half of 2025, I participated in the Taoyuan AI University program, an experience that gave me a profound understanding of the critical importance of AI and digitalization in traditional industries.

My team and I had the privilege of partnering with Hsuan Jui Co., Ltd. (宣瑞股份有限公司) to spearhead their digital transformation. During this period, I focused on developing and implementing a Digital Quotation System enhanced with AI assistance. This solution successfully saved the company over one hour of processing time per order quotation, drastically improving operational efficiency and allowing the team to focus on high-value tasks.

As we move into 2026, the rise of Large Language Models (LLMs) and AI Agents is no longer just a trend; it is a fundamental shift in how business is conducted.

For Taiwan’s traditional industries, the challenge is clear: it is no longer about whether to adopt AI, but how to strategically leverage AI to stay competitive. Integrating AI Agents into legacy workflows isn’t just about saving time and costs—it’s about enabling enterprises to focus on higher-value initiatives and innovation.

I am proud to have contributed to the smart upgrade of our local enterprises and am excited to see how AI-human collaboration will continue to reshape our industries this year! I will continue to help traditional industries adopt AI, empowering them to connect with the global market and stay ahead in the world stage.

NAS 如何融入我的生活：超過 1200 天的深度使用心得

Fri, 27 Jun 2025 11:18:42 +0800

Jabee我的人生座右銘就是 資料要備份，Format要謹慎。

一直以來，我都把資料的儲存看作是使用電腦設備最重要也最需要注意的事情，畢竟資料就像紙本資料一樣，需要整理、存放。不同在於使用電腦儲存資料易存也易消失。

一場大火燒掉整間屋子的事，有，但機率相當低；手機被我們摔壞的機率卻相當高。

所以如何儲存資料，我認為是21世紀每個人都要面臨且學會的事情，否則下一個哀嚎說手機突然壞掉，裡面照片全部不見的人可能就是你了！

什麼是 NAS ?

NAS 全名為 Network-Attached Storage，從全名可以看出使利用網路來儲存資料。但 NAS 不同於 Google Drive 等線上雲端硬碟服務，NAS 會是一台真實的設備，放在你家，當開機的時候才可以使用。

白話文講就是 NAS 就像你自己架的 Google Drive，不過功能更多、更強大，而且不用月費！也就是你能存多少就完全取決你買多大的硬碟裝在 NAS 上了

不用月費就可以儲存上 TB 甚至 PB 的資料，你心動了嗎？先別急，我們先來說說缺點吧！

NAS 與雲端硬碟的優缺點對比

需要有放的地方

前面有提到 NAS 就是一台裝置（電腦），所以你需要有一個地方來放這台裝置，根據你買的型號，需要的大小也不同。最小的 2-Bay （兩顆硬碟位）機型大概也可能比兩台 Mac studio 大台，畢竟兩顆 3.5 寸硬碟也不小，還要加上主機板的大小。另外，通常 NAS 都不會有無線網卡（雖然群暉有提供驅動，但我相當不推薦用 Wifi），意味著你擺放的位置需要原本就有辦法接 RJ45。

電費問題

通常我們為了隨時隨地可以取資料，NAS 開機就不會再關機了（除了在試東西的時候）。如果你購買的是品牌機 NAS 像是群暉等等的，而且硬碟數在兩顆，那估計不用考慮電費。這種 CPU 功耗想當低，就算常常在使用 NAS 一個月的電費應該也不會超過 100。但如果不是，你可能就要算一下電費。

傳統硬碟不貴，但需要一段時間就要買新的

回想10年前我們在玩 GTA5，一個遊戲要 100G 的空間，當年有 128G 的 SSD 就相當有實力了，但如今隨便一個線上射擊遊戲就是 50G 起跳甚至100G。

你說那是遊戲，遊戲又不需要儲存，那我再舉一個例子：十年前的頂級全畫幅相機 Sony A7 一張照片大概在 30MB 左右，如今哈蘇中畫幅一張照片都上百 MB 的。

現在要買 1TB 的傳統硬碟都快要買不到了，隨著時間，我們儲存的資料也越來越大，所以你現在買10TB 看似很夠用，但三年後呢？

另外，通常使用 NAS 會至少組 RAID1，也就是你要買兩顆 10TB 的硬碟才能存 10TB，算上每 3-4年升級一次，費用絕非雲端硬碟的月費價格可以負擔的！

噪音問題

通常會將 NAS 放在客廳中就是因為傳統硬碟在隨機讀取的聲音其實很大，尤其是夜深人靜的時候。所以你大概率無法把 NAS 放在需要寧靜的地方。

基本上以上的問題你都 ok，那接著下一步就可以來挑硬體了。

NAS 主機

NAS 大致就分兩種：

品牌機
自組

你對網路以及 Linux 不太熟悉的話，相當建議就選品牌機。若有點概念，想省點錢，再來考慮自組。

品牌機

目前市面上品牌機我認為也不多，你能常看到的就以下幾個：

群暉
QNAP
華芸
綠聯

群暉就是首選

我會建議，首選群暉。雖然除了群暉以外我都沒用過，但通常聽到我有朋友買非群暉的 NAS，都是直搖頭。

群暉到底有沒有料，我認為我自己從高中用到現在，算是相當穩定，一次開機大概就是半年以上。在功能上，也是相當齊全，但這完全是建立在我用的到的情況，文章最後我會分享我用到的功能。

自組

自組 NAS 在 2025 的可用性其實已經相當高了。目前開源的項目比較大的就是 TrueNAS，而閉源但免費的項目也有 FnOS。其實現在回想起來當初堅決不用 TrueNAS 的原因比較大是因為沒有完整好用的照片系統（最重要的是要支援 iOS）。不過目前這個也有解，可以採用 Immich 來進行相片管理，也有 iOS 的 APP。而 FnOS 也有自己的相片管理，也支援 iOS，不過短時間我也不會轉，因為目前用的挺穩定。此外，也有所謂的 X群暉，但這個遊走在法律灰色地帶，所以 Jabee 我不鼓勵也不支持。

群暉的體驗心得

相片管理

我從 DSM 6 開始使用，當時群暉主打 Moments 相片管理系統，其實已經相當好用，一段時間後升級 DSM 7，並且同時升級成 Synology Photos。目前 DSM 7 最新版本已經不支援 H.265，用蘋果設備的讀者可能就會有點小頭痛。

2025年的今天，各家手機廠商的相片系統都在捲 AI，而群暉還在用他們用 OpenCV 研發的超級爛辨識，我只能說那個 AI 功能還不如不開（所以我現在沒有在用該功能），除此之外也沒什麼好抱怨的。

另外網頁版的功能會稍微多一點，可以篩選鏡頭、相機型號、光圈等等，還算方便。但這個功能並沒有辦法在手機上操作。

另外照片也可以直接分享給其他 User，這個很方便（但我這台主機也只有我跟我老爸）。

Synology Drive

Synology Drive 可以透過 client 的 App 幫助隨時同步本地資料。

異地備份對我來說應該是最重要的一件事，以前總是擔心重要的資料會因為硬碟撞到、甚至是主板掛掉導致資料消失，使用異地備份就可以避免這種事情發生。

不要不信邪，我在 22 年初一天早上起來，正準備打開我的 M1 MacBook Air，才一開蓋顯示兩秒就整台死機，再也打不開。因為現在 SSD 顆粒都直接焊死在主板上，蘋果 Genius Bar 沒有能力幫我把顆粒取下重新裝到保固換新的主板上，所以整台資料全部不見。但我卻幾乎沒有損失資料，因為所有資料都透過 Synology Drive 保存。

額外的服務

其實群暉的功能很多，絕對說不完，包含 VM、VPN Server、USB Copy、Download Station ，這些都是我常用的服務。

另外如果有點動手能力，container manager 可以裝上各大在 Docker Hub 的項目，增添群暉沒有提供的功能，例如 Home Assistant 等等。

總結

用了這麼多年的 NAS，我想一種比喻可以說明我對 NAS 的想法：NAS 就如蘋果的裝置，用了就回不去。一方面當然是數 TB 的資料要移轉不太可能了，另一方面是 NAS 真的從根本解決了我很多問題，對我的數據保障有了一個檔次的提升。

我會說如果買 NAS 是用來儲存資料，那就太浪費了，但如果你常常因為沒有輕量的 VPS 可以使用，那買一台 NAS 真的是你的不二選擇。

DDPM paper notes

Thu, 26 Dec 2024 11:41:33 +0800

這篇主要是參考李教授的影片，以及網路上的文章，整理的筆記。

Algorithm 1: Training

第 1 行：`repeat`

作用： 開始一個迭代訓練過程，直到模型收斂

第 2 行

作用： 從數據分佈中取一個樣本 (x0)（即從訓練數據集中抽取一個數據點）。
- x0 代表 clean Image。
- q(x0)： 數據分佈，即訓練集中數據的真實分佈。

第 3 行

作用： 隨機選擇一個時間t。

第 4 行

作用： 取一個隨機噪聲樣本。
- 解釋：
  - 擴散過程中，數據會逐步被加上噪聲，最終變成完全隨機的高斯噪聲。
  - 在訓練過程中，需要用隨機噪聲模擬這個擴散過程。

第 5 行：梯度下降更新

∇_θ ‖ε − ε_θ(√ᾱ_t x_0 + √(1−ᾱ_t) ε, t)‖²

細節解釋：
- ε 為原始噪聲
- ε_θ(√ᾱ_t x_0 + √(1−ᾱ_t) ε, t) 這一段做的則是 noise predictor。
- 而 noise predictor 會有以下兩個 input
  
  input 1. √ᾱ_t x_0 + √(1−ᾱ_t) ε ; input 2. t 代表第幾個回合的回合越後面，加上的噪聲越多。
- √ᾱ_t x_0 + √(1−ᾱ_t) ε ：這邊 ᾱ_t 是根據 Unuiform 出來的 t ，如果 t 值越大，ᾱ_t 越小。 ᾱ_t 越小，代表加上的噪聲比例則越多（右邊乘上的√(1−ᾱ_t)）。
- 目標： 最小化，即讓模型輸出的噪聲與實際加入的噪聲越接近越好。
- 梯度下降： 對模型的損失函數進行梯度下降，更新參數。利用 MSE 平均平方差損失去算梯度下降率。

第 6 行：`until converged`

作用： 持續迭代，直到模型訓練收斂。

Algorithm 2: Sampling

第一行給訂一個 X 大 T 純雜訊圖

意義：從標準高斯分佈（均值為 0，方差為 1）中隨機生成一個噪聲樣本作為起始點。
X 大 T 代表的是 純雜訊圖

第二行迴圈開始

從純噪聲一路 Sampling 到生成圖

意義：從時間t（最純的噪聲）開始，逐步回溯到（逐漸去噪直到還原出清晰的數據）。

第三行噪聲條件

意義：在 Sampling 階段，會在做完減去 Noise predictor 後，再加上 z 噪聲（請看第四行）
- 但在 t == 0 時，已經完成 Sampling ，因此不再加上 z 。

第四行

x_{t-1} = (1 / √(a_t)) * (x_t - (1 - a_t) / √(1 - ᾱ_t) * ϵθ(x_t, t)) + σ_t * z

詳見：Sampling 階段 Denoise function 化簡

分解理解：
1. ϵθ(x_t, t)：Noise predicotr 根據當前 t (哪一階段) 生成噪聲
2. (x_t - (1 - a_t) / √(1 - ᾱ_t) * ϵθ(x_t, t)：從當前數據中減去預測的噪聲部分。
  1. x_t 代表的則是上一階段的結果，因此 = 右邊是x_{t-1} ，也就是逐步 Sample 到 x0 （clean image）。
3. (1 / √(a_t))：（乘號左邊）調整信號幅度，使其回到正確的分佈範圍。
4. - σ_t * z：添加隨機噪聲，模擬反向過程的隨機性。
目的：從當前的t還原到上一個t 。

第五行迴圈結束

第六行最終輸出

意義：當迴圈結束時，輸出最後的結果，這就是還原出的清晰數據（如圖像）。
- x0 代表 clean image，因此 return x0。

Maximum Likelihood Estimation

MLE 的目的是為了讓 Pθ 盡可能的接近於 Pdata。

Pθ(x)：model 所 sample 出的 distribution 機率。
Pdata(x) : 真實世界的 dataset，和 model 的 network 無關。

將每一個 sample 出來的 xi 拿 pθ 算出機率並相乘，竟可能找出最大 θ。

所以我們要找的 θ 就是機率最高的那一個（LHY 在投影片用 θ* 代表）。

network 的目標是學習數據的規律（真實分佈𝑞(𝑥0)q(x0)），然後模擬這些數據的機率，這就是𝑝𝜃(𝑥0)pθ(x0)。它代表模型認為數據𝑥0x0有多「合理」或「可能」。 *from chatgpt

從log 相乘轉換成相加log ，相加 log 這樣會近似於從 pdata 取出的 x ，然後 pθ 算出機率要越大越好。

接著從 expectation 轉換為積分，然後可以算出就等同於 KL(Pdata||Pθ) ，所以我們要找 minimun KL。

讓 ptheta 讓 pdata的差異最小。

VAE: Compute pθ

這邊主要是在講說，因為我們不可能去直接看 pθ(x|z) ，因為不可能 sample 出完全一模一樣的圖，這樣會造成 pθ(x|z) = 0。

因此我們是去看 Mean of Gaussian (去看距離，也就是 x 和 G(z)的距離)。

VAE: Lower bound of

≥ 0 是因為它可以看作 KL divergence 而完全一樣就為0，因此 ≥ 0。

DDPM: Compute pθ(x)

在算 DDPM 時，和 VAE 不同的是， Maximize 期望值時，原先的 Encoder 替換成 Diffusion Process，也就是在加 Noise 的那個階段。

將式子展開後為以下。

從 x1 一直做到 X 大 T

單個 q(XT | XT-1) 算法

我們首先要先定義一組 β1 ~ βT ，這組數值為自定義的，類似 Learning rate，會根據修改影響 Network。因為這會影響在每一 t 加上的噪聲

（以下李教授有筆誤，應為 Xt = √1-Bt * Xt-1 + √Bt * noise）

如果要算出 q(XT | X0)

其實是可以不用一次一次去把它算出來（不用一步一步把它+上噪聲）。

從下方可以推導出 q(X2 | X0)

因此 q(Xt | X0) 就可以整理成上圖。

噪聲預測

從上圖推導至下圖

目標就是去最大化，而為了最大化，也就是盡可能地將 KL Divergence 最小化。（看後面的：KL Divergence between 向前 and 向後）

算出 KL Divergence 向前 𝑞 ( 𝑥 𝑡 ∣ 𝑥 𝑡 − 1 ) q(x t ∣x t−1 ) 與向後 𝑃 𝜃 ( 𝑥 𝑡 ∣ 𝑥 𝑡 − 1 ) P θ (x t ∣x t−1 ) 的差異。

$\sum_{t=2}^T E_{q\left(x_t \mid x_0\right)}\left[D_{K L}\left(q\left(x_{t-1} \mid x_t, x_0\right)|| p_\theta\left(x_{t-1} \mid x_t\right)\right]\right.$

算出中間xt-1到xt的分佈 q(Xt-1 | Xt, X0)

前面我們已經講過了，如何算出從 X0 到 Xt，也知道要如何算出 xt-1 到 xt-1 的分佈。

推倒公式如下

KL Divergence between 向前 and 向後

因為向前的 Mean 是不可動的，所以我們唯一可動的就是 P(Xt-1|Xt) 的 Mean ，使兩者離中心點的距離最小，這樣一來，就可以使得 KL Divergence 盡可能的小。

所以說以上在做的事情也就是訓練 denoise function ，使得它們兩者越相近越好。

Sampling 階段 Denoise function 化簡

原先右上角的式子的 x0 可以根據我們上面已經寫好關於 x0 和 xt 的關係，在帶回去化簡。

而這邊也就回到 Algorithm Sampling 階段的第四行。

Ref

深入浅出扩散模型(Diffusion Model)系列：基石DDPM（人人都能看懂的数学原理篇）

李弘毅 DDPM

Mac OS 無法連上公共網路的解決方法

Tue, 24 Dec 2024 12:13:34 +0800

今天在桃園圖書館，因為手機訊號不是很好，所以想連 iTaiwan 網路。結果登入的畫面始終就是連不到，相當的納悶。雖然這個情況在 Mac 上面是常態，但我今天怎麼樣就是連不上。查了一下文章，找到簡單的解法如下，以下的方法皆為自己試過可行的。我認為這個可以算是個玄學，因為每個地方 router 設計皆不同，最好的辦法就是多試試。

解決不了首先重開機

首先最重要就是先將 cache 清掉，這邊建議直接重開機最快，有機率重開機就會自動跳出。如果重開機還是解決不了，那請繼續往下看。

可以試試看 Router 的 IP && 用可以跳出的裝置的 Domain

Router 的 IP

打開設定後點選 wifi 的 detail，可以看到 Router 的 IP address ，有些公共網路的登入會直接設定在 Router ，不過最近比較少見到這種的。

使用其他裝置的 Domain

可以借用其他裝置，如果可以跳出登入畫面，那就用該 Domain ，paste 試看看。

清除 DNS server

以桃園圖書館總館 iTaiwan 為例，若有自定義 DNS server，會導致無法連線。先將 DNS server 清除，並且將 Proxy 關閉，就可以解決。

像我原本就有自定義一個 1.1.1.1 ，先將自定義的按 - 清除掉，接著會跳出灰色字，此為 Router 設定的 DNS Sevrers。接著按 OK 馬上就跳出登入畫面了。

解決 Pop OS 的手勢捏合 && Scaling 的問題

Wed, 18 Dec 2024 13:53:21 +0800

這兩天在重裝 Surface Go 3 的系統，試了幾個，覺得 Pop OS 最符合我的需求，所以開始安裝。

裝是裝好了，但遇到的問題還不少。趁這個機會記錄一下。

Gnome 長久以來的 Scaling 問題

Gnome 預設 Scaling 只有 100% && 200% 可以選擇，這個對 Laptop 用戶來說就比較不友好了，不過解決方法也是比較簡單（就是很勸退剛入門的使用者）。

可以用圖形介面的 dcnof Editor 來設定 org.gnome.mutter experimental-features 額外的參數： ‘scale-monitor-framebuffer’ ，以此開啟小數點的縮放。

或是在 terminal 輸入：

gsettings set org.gnome.mutter experimental-features "['scale-monitor-framebuffer']"

正常來說就可以在設定看到更多縮放選項了。

無法使用觸控板的手勢和螢幕的觸控手勢

在裝好的時候，我就發現在 Firefox 中，在觸控板中操作 Pinch zoom in (捏合放大) 無法正常操作，一旦操作捏合，會變成 Ctrl + and Ctrl -，螢幕觸控也無法使用，因此我就開始排查，才 發現原來 Pop OS 還在使用 X11 而非 Wayland 。

在 Pop OS 從 X11 替換成 Wayland 也很簡單，只要 Enable 就好。

在 /etc/gdm3/custom.conf 中有一行為

WaylandEnable=false

只要將 false 替換成 true 即可。

接著重啟服務

sudo systemctl restart gdm3

記得再重新登入的時候要在輸入密碼的右下角替換成 Wayland 的環境。

這樣一來就可以使用捏合了。

下次再來分享 Surface Go 3 的心得。

吵得沸沸揚揚的 Mac mini M4 開機按鍵

Tue, 19 Nov 2024 13:34:08 +0800

最近科技圈鬧得沸沸揚揚的肯定是新 mini 的開機按鍵，大家一直在吵按鍵坐在那邊要確定誒之類的話，但我完全覺得沒什麼。

身為麥金塔老用戶

身為 Mac 6 年老用戶，從 high sierra、mojave 到現今的 Sonoma （還沒更新，我都穩定了才會更新），從黑蘋果一路用到白蘋果，一路用到現在。我可以肯定是，我一年主動的關機次數真的是沒有，大約就是一隻手手指可以數得出來。

為什麼都不關機

其實我也不太能理解為什麼要一直關機，macOS 一直以來在休眠表現都相當的好。從很早開始，蘋果就開始使用 NVRAM，確保在斷電之後的重新啟動可以恢復斷電前的狀態。我記得我在一開始使用的時候，這方面讓我讚嘆不已。畢竟，為了省電（尤其是 Laptop ），休眠還是盡可能的做斷電。以我的 m1 MacBook Air 來說，剛拿到全新的時候，最長有試過用5天都還是可以正常使用。即使不關機，我在和同學的電腦對比起來，我從來不用在考試、圖書館沒插座的時候，去擔心沒有電的問題。（反而是我的 iPhone 整天一直沒電真的很躁）

所以如果你還在使用 Windows 筆電，然後每次都要打開來的時候開機，關起來的時候關機，就只是為了省電。我可以保證，在 Mac 不會有這個問題。

另一個層面來想，我真的很討厭，我需要做事的時候，卻要等待開機。用 Mac 回不去的原因就是一個，這個作業系統整體給我的回應速度是快的，我永遠不需要去擔心，當我要做事的時候 -> 按下開機鍵 -> 等 20 秒開機進桌面 -> 等待 30 秒一堆開機自起的應用程式 -> 然後再等待 10 秒開啟你要用的程式，然後開始工作（如果今天你用的不是 pcie 的 ssd，那你可能要把時間再加30秒）。其實你等待的時間，不只是這些時間，因為這些時間還要再加上額外的因為等太久而去滑手機的時間（其實開機好你還是繼續滑手機）。

所以為什麼按鍵做在下面

前面解釋了一堆為什麼不關機，其實也就間接解釋了為什麼按鍵做在下面。因為這個作業系統就是希望你有良好的體驗，不是給你要用才開機，用完就關機的。若是你的手機要用才開機，你還不瘋掉？

不是只有 Mac mini 這樣設計

其實不止 Mac mini，我有在使用的包含 google nest hub 2、nest mini，都有同樣的設計，更跨張的是，他們甚至沒有開機按鍵，這樣的設計我想就是除了你需要移除裝置之外，不希望你關機。

所以，對我來說，一個好用的作業系統就是要及時、快速，能不耽誤我的工作，目前真的只有 macOS 能滿足我的體驗。