要入貨就快手啦
TSLA重上300無限打氣區
別了夏天
1001 回覆
18 Like
14 Dislike
第 1 頁第 2 頁第 3 頁第 4 頁第 5 頁第 6 頁第 7 頁第 8 頁第 9 頁第 10 頁第 11 頁第 12 頁第 13 頁第 14 頁第 15 頁第 16 頁第 17 頁第 18 頁第 19 頁第 20 頁第 21 頁第 22 頁第 23 頁第 24 頁第 25 頁第 26 頁第 27 頁第 28 頁第 29 頁第 30 頁第 31 頁第 32 頁第 33 頁第 34 頁第 35 頁第 36 頁第 37 頁第 38 頁第 39 頁第 40 頁第 41 頁
下個月就有FSD v13
6x improved miles between necessary intervention
6x improved miles between necessary intervention
就返家鄉 
琴日掛咗208入唔到 之後一飛沖天
我唔記得咗好耐之前掛咁226賣
屌那星 恰陣醒咗 估唔到已經被賣
蝕到入肉
屌那星 恰陣醒咗 估唔到已經被賣
蝕到入肉
升左35%
差幾蚊姐
個圖setup靚到..
宜家回緊，就快跌返去$226
屌今日出糧 但又升到咁
依兩日咁生性既？
to 場外傻散:
買TSLA記住，升唔追，跌唔溝，出糧唔入貨
止蝕都要做，回調就係大跌，唔好諗住等反彈
止賺都要做，高處唔勝寒，睇準時機走佬
最好Short埋TSLL，心雄就買埋leap put TSLA
乜撚嘢波動大同槓桿損耗，呢啲嘢我哋邊撚度諗得明啫，最後，信Elon Musk不如信定期。Elon賣股仲快過你呀！
買TSLA記住，升唔追，跌唔溝，出糧唔入貨
止蝕都要做，回調就係大跌，唔好諗住等反彈
止賺都要做，高處唔勝寒，睇準時機走佬
最好Short埋TSLL，心雄就買埋leap put TSLA
乜撚嘢波動大同槓桿損耗，呢啲嘢我哋邊撚度諗得明啫，最後，信Elon Musk不如信定期。Elon賣股仲快過你呀！
gel頭 股東有無癲佬tsla+tsll 過半倉?
tsla 40%左右，60%廢老股，準備出糧加倉tsla
70% TSLA
30% NVDA
30% NVDA
NVDA既極限已經到左
係時候輪到我TSLA發揮
係時候輪到我TSLA發揮
兩隻都係睇好AI發展
AI 中都唔同領域
NVDA係硬件+cuda training
TSLA 係現實應用
個人睇法:
TSLA 黎緊就係爆發期 如果FSD進步速度愈來愈快
我見佢FSD開放其他市場
就收集到新data model愈train愈好
NVDA 爆發期已過 黎緊最多橫行或者慢慢上
NVDA係硬件+cuda training
TSLA 係現實應用
個人睇法:
TSLA 黎緊就係爆發期 如果FSD進步速度愈來愈快
我見佢FSD開放其他市場
就收集到新data model愈train愈好
NVDA 爆發期已過 黎緊最多橫行或者慢慢上
NVDA起碼仲有兩年高速增長
M7每間每年掟幾百億鎂落去買佢啲硬件
Q4 Blackwell出貨又可以升一輪
同埋將來較細規模既科技公司都會跟住買
M7每間每年掟幾百億鎂落去買佢啲硬件
Q4 Blackwell出貨又可以升一輪
同埋將來較細規模既科技公司都會跟住買
這份文件是一次訪談的逐字稿，主角是著名的人工智慧（AI）研究員安德烈·卡帕西（Andrej Karpathy）。他談到了許多與AI相關的主題，以下是摘要：
自動駕駛汽車：安德烈討論了特斯拉和Waymo在自動駕駛技術上的不同方法。他認為特斯拉的軟體優勢更大，而Waymo更多依賴硬體技術。
類人機器人：他分享了特斯拉正在開發的類人機器人「Optimus」，並指出自動駕駛車的技術有許多可以應用在機器人身上。特斯拉更像是一家「大型機器人公司」。
AI發展：他介紹了AI技術的最新進展，特別是「Transformer」這種神經網路架構的重要性。未來的AI進展將更多依賴數據集和算法的改進。
合成數據：安德烈強調了合成數據對訓練AI模型的重要性，但也提到要小心「沉默崩塌」的問題，這是模型因為數據多樣性不足而導致表現下降的情況。
人類認知與AI：他認為在某些方面AI可能會比人類更強，但AI要達到人類的學習能力仍有很長的路要走。
AI教育：安德烈談到了他目前的計劃，想要用AI技術來創建可以全球使用的線上課程，特別是針對技術類的學科，讓更多人能夠高效學習。
學習的未來：他認為未來學習將會大幅依賴AI技術，並且強調學習數學、物理和計算機科學的重要性，因為這些學科能夠幫助發展思考能力。
自動駕駛汽車：安德烈討論了特斯拉和Waymo在自動駕駛技術上的不同方法。他認為特斯拉的軟體優勢更大，而Waymo更多依賴硬體技術。
類人機器人：他分享了特斯拉正在開發的類人機器人「Optimus」，並指出自動駕駛車的技術有許多可以應用在機器人身上。特斯拉更像是一家「大型機器人公司」。
AI發展：他介紹了AI技術的最新進展，特別是「Transformer」這種神經網路架構的重要性。未來的AI進展將更多依賴數據集和算法的改進。
合成數據：安德烈強調了合成數據對訓練AI模型的重要性，但也提到要小心「沉默崩塌」的問題，這是模型因為數據多樣性不足而導致表現下降的情況。
人類認知與AI：他認為在某些方面AI可能會比人類更強，但AI要達到人類的學習能力仍有很長的路要走。
AI教育：安德烈談到了他目前的計劃，想要用AI技術來創建可以全球使用的線上課程，特別是針對技術類的學科，讓更多人能夠高效學習。
學習的未來：他認為未來學習將會大幅依賴AI技術，並且強調學習數學、物理和計算機科學的重要性，因為這些學科能夠幫助發展思考能力。
無聽, 希望GPT既summary 啱啦
Tsla個估值未計fsd 能源同Optimus
能源技術成熟左
Fsd準備上市
係optimus大把路要行
趁仲二百幾蚊儲定貨
能源技術成熟左
Fsd準備上市
係optimus大把路要行
趁仲二百幾蚊儲定貨
其他車廠想要抄襲Tesla的全自動駕駛（FSD）技術是非常困難的。這主要是因為以下幾個原因：
1. 專有技術與硬體整合
Tesla的FSD系統依賴於自家開發的硬體（如AI3和AI4計算機）以及專屬的神經網絡技術。這些技術專為實時處理大量數據而設計，讓汽車可以實現自動駕駛功能。其他車廠若想要模仿，需開發或購買類似的先進硬體，這是一個很大的挑戰。
2. 數據與機器學習的優勢
Tesla擁有龐大的車輛數據庫，通過大量車輛在全球的行駛，收集了數百萬英里的實際駕駛數據，這些數據對訓練和優化AI模型至關重要。其他車廠即使開始收集數據，也難以在短期內追趕上Tesla在這方面的優勢。
3. 法規與法律障礙
即使其他車廠能夠技術上複製Tesla的FSD系統，不同地區的法律和監管要求（如歐洲、中國和美國）仍可能延緩或阻止此類技術的部署。Tesla持續在全球爭取FSD的法規批准，這顯示出法規合規是一個複雜且漫長的過程。
4. 軟體與持續更新
Tesla持續不斷地更新其FSD軟體，經常推出改進和新功能。這種敏捷的軟體開發方式對於較傳統的汽車製造商來說很難實現，因為他們的產品開發週期通常較長。
5. 知識產權與專利
Tesla已經為其FSD技術的許多部分申請了專利。雖然他們釋出了一些專利供公眾使用，但許多關鍵技術仍然是專有的。其他車廠如果試圖過於接近地模仿這些技術，可能會面臨法律挑戰。
6. Tesla的生態系統
Tesla的FSD系統是其更大生態系統的一部分，包括能源產品、超級充電站以及Tesla應用程式等。這些服務的無縫整合提升了整體用戶體驗，其他車廠很難在沒有類似生態系統的情況下做到這一點。
結論
其他車廠即使能夠開發出類似的自動駕駛技術，要直接抄襲Tesla的FSD系統仍然非常困難。取而代之的是，他們可能會專注於發展自己獨特的自動駕駛方法，或者與技術公司合作，專注於某些Tesla技術未完全覆蓋的用例。
我問GPT, 資料可能錯.
1. 專有技術與硬體整合
Tesla的FSD系統依賴於自家開發的硬體（如AI3和AI4計算機）以及專屬的神經網絡技術。這些技術專為實時處理大量數據而設計，讓汽車可以實現自動駕駛功能。其他車廠若想要模仿，需開發或購買類似的先進硬體，這是一個很大的挑戰。
2. 數據與機器學習的優勢
Tesla擁有龐大的車輛數據庫，通過大量車輛在全球的行駛，收集了數百萬英里的實際駕駛數據，這些數據對訓練和優化AI模型至關重要。其他車廠即使開始收集數據，也難以在短期內追趕上Tesla在這方面的優勢。
3. 法規與法律障礙
即使其他車廠能夠技術上複製Tesla的FSD系統，不同地區的法律和監管要求（如歐洲、中國和美國）仍可能延緩或阻止此類技術的部署。Tesla持續在全球爭取FSD的法規批准，這顯示出法規合規是一個複雜且漫長的過程。
4. 軟體與持續更新
Tesla持續不斷地更新其FSD軟體，經常推出改進和新功能。這種敏捷的軟體開發方式對於較傳統的汽車製造商來說很難實現，因為他們的產品開發週期通常較長。
5. 知識產權與專利
Tesla已經為其FSD技術的許多部分申請了專利。雖然他們釋出了一些專利供公眾使用，但許多關鍵技術仍然是專有的。其他車廠如果試圖過於接近地模仿這些技術，可能會面臨法律挑戰。
6. Tesla的生態系統
Tesla的FSD系統是其更大生態系統的一部分，包括能源產品、超級充電站以及Tesla應用程式等。這些服務的無縫整合提升了整體用戶體驗，其他車廠很難在沒有類似生態系統的情況下做到這一點。
結論
其他車廠即使能夠開發出類似的自動駕駛技術，要直接抄襲Tesla的FSD系統仍然非常困難。取而代之的是，他們可能會專注於發展自己獨特的自動駕駛方法，或者與技術公司合作，專注於某些Tesla技術未完全覆蓋的用例。
我問GPT, 資料可能錯.