104學習精靈

Instagram 又改版了！這次的更新不僅僅是新增濾鏡或貼圖，而是將原本存在於個人頁面上方的精選動態「圈圈」移至主頁網格中。這讓許多用戶叫苦連天，不少人認為這樣的改變破壞了原本的視覺美感與使用習慣。本文將深入探討 IG 這次改版的影響，並提供一些實用的因應對策，幫助用戶在改版後仍能輕鬆操作 IG。 ▍IG 的全新改版：精選動態不再是「圈圈」！ Instagram 最新的改版將於 9 月 17 日正式上線，最引人注目的是精選動態（Highlights）將不再以「圈圈」的方式顯示在個人頁面上方，而是移至個人檔案的「精選動態」頁籤，並與貼文一同顯示在主頁網格中。這意味著用戶的精選動態將與照片、影片等其他貼文混在一起顯示，視覺上看起來更加密集。 這一改動引起了大量用戶的不滿，尤其是習慣使用精選動態來整理與保存重要內容的用戶。許多網友在 Threads 上表達對這次更新的不滿：「Meta 簡直要我命，一下沒濾鏡，一下精選變超醜」、「IG 要改多爛，他們自己才滿意」。有些人則直接表達對這次更新的反感，認為這樣的改動讓人「無語」。 ▍為什麼 IG 會做出這樣的改版？ Instagram 不斷嘗試調整使用者介面，以提高互動率與使用者體驗。過去幾年，Meta 一直致力於整合旗下各種應用程式的介面設計風格，希望讓使用者在使用 Instagram、Facebook、WhatsApp 等應用時，有一致的使用體驗。這次的改版可能是為了強調內容的重要性，而非依賴視覺元素來吸引使用者目光。 根據內部消息，這次改版的目的是為了更好地呈現個人檔案中的所有內容，而不只是突顯某一部分。然而，這樣的改動對於那些喜歡使用精選動態來記錄和分享日常生活的用戶來說，可能會感到不適應。Meta 的這項改動讓部分用戶選擇暫時不更新應用程式，但值得注意的是，有些改動是應用程式內部更新，即使用戶沒有手動更新也會自動生效。 ▍如何適應 IG 新的精選動態顯示方式？ ● 重新安排精選動態內容：由於精選動態將與貼文混在主頁網格中顯示，建議用戶可以考慮重新整理精選動態的內容，挑選出更能代表個人風格的精選貼文，並與現有的圖片或影片搭配。 ● 善用新功能：雖然 IG 這次的改版對很多人來說是個挑戰，但也可以視為一個機會。由於精選動態將顯示在主頁網格中，這意味著它們將更容易被看到。用戶可以善用這一點來突出某些特定內容，例如品牌宣傳或活動記錄。 ● 保持關注後續更新：Meta 會根據用戶的反饋不斷調整應用程式的功能和界面。如果你對現有改版不滿意，建議持續關注 Instagram 的官方公告與後續更新，看看是否有更多的個性化選項可以使用。 ● 與粉絲溝通，了解他們的偏好：如果你是內容創作者或品牌經營者，這次改版會影響到你的內容呈現方式。建議可以透過限時動態或投票功能來了解粉絲對於新界面的反應，並根據回饋進行調整。 ▍IG 改版帶來的機會與挑戰 這次 IG 改版無疑為用戶帶來了新的挑戰，但同時也創造了新的機會。改變總是讓人不安，但在快速變化的社群平台世界中，適應力是最重要的。建議用戶保持開放的心態，去探索並利用新的功能，這樣才能在平台上持續吸引注意並保持互動。 Instagram 的這次改版確實引起了不少用戶的反感與抱怨，但這也正是我們需要去適應和理解的地方。希望本文提供的因應策略能幫助你在這次改版後更輕鬆地使用 IG。未來，社群平台的變化只會越來越頻繁，快速適應將是社群行銷或個人品牌經營者必備的技能。 ➤ 歡迎在 104 學習精靈關注【行銷新手村】一起練功變成行銷高手！

前言： 作品集對於設計或行銷實習以外的職缺也許不是必須，但有準備卻是絕對加分，可以大幅提升通過書審的機率，所以如果有精力和經歷，還是建議可以準備一下🙆‍♀️ 以下是幾個可以準備作品集的實習職缺： • 校園大使 • 行銷實習 • 雇主品牌行銷實習 • 人力資源實習 • 專案管理實習 • 企業發展實習 • 執行長室實習 • 財務分析實習生 ❚ 沒有實習經驗要如何準備行銷作品集? 相信一定有積極又上進的人是還沒有實習經驗的，每個人都是從０開始，很開心你願意開始累積作品集，若未來想要應徵行銷實習生相關職缺 以下是幾個沒有實習經驗也可以累積作品的方式： • 嘗試經營Facebook粉絲專業，任何有興趣的主題 i.e. 追星/動漫 • 在Medium累積文字作品集，擅長主題或已經有的內容 i.e. 讀書心得/特定主題 • 考網路上免費的數位行銷證照 i.e. Google Analytics/Google Ads • 參加學校社團並擔任行銷/公關幹部 i.e. 累積經營社團粉專/辦活動的經驗 ❚ 行銷作品集準備 Step1：挑選與統整過去亮點作品 你過去可能累積不少的作品，但建議只放「亮點作品」，也就是成效突出的貼文、文章、影片或其他作品；其中的客觀指標可以是曝光、觸及、讚數、留言、分享等。另外可以根據投遞的公司和職缺「客製化」作品集，並盡量只放對於這個職缺關聯性高的作品，讓人資或主管快速就看到他們想看的重點經驗。 ❚ 行銷作品集準備 Step2：確認架構並製作目錄 挑選完亮點作品之後，就可以開始分類作品了，建議大家以專業的方式分類，也就是「作品種類」，建議不要以作品的「時間線」來排列，因為時間順序不重要，作品背後代表的能力才是重點。另外，若有一系列同性質的作品或較大的活動企劃，建議只放重點頁面，並附上超連結即可。 ❚ 行銷作品集準備 Step3：列出各項作品的成就與方法 確認完作品種類的位置順序後，就可以開始介紹啦！可以回想過去自己與夥伴在達成這項成就時，因為哪些考量或分析，因此決定使用哪些方法。 • 用文字方式列出 2-4 點的作品成就，i.e. Instagram 帳號兩個月增加 1,000+ 追蹤者 • 解釋自己使用了哪些方法去達成這個成就，i.e. 每週發佈 3 篇知識型貼文/每天發佈 2 篇限時 ❚ 行銷作品集可以放哪些經歷? • 社群經營 i.e. 學校社團/企業帳號/個人帳號 • 文案作品 i.e. 行銷小論文/個人帳號/SEO文案撰寫 • 社團經營 i.e. FB社團/Line社團/企業內部社團 • 相關課程&商業競賽經驗 i.e. 行銷專案報告/比賽提案簡報 • 數位行銷證照 i.e. Google Analytics/Google Ads/其他 更多行銷作品集範例領取處↓ https://www.instagram.com/p/C055g1yxVu-/?hl=zh-tw&img_index=1

值得一聽的訪談，在技能這一段，值得大家思考新世代的技能(Skills) 會如何隨著時勢進化。 Q. **現場的許多投資者非常關注數據中心市場，能否分享一下你對中長期機會的看法？顯然，你的行業推動了你所稱的「下一次工業革命」。你如何看待數據中心市場的現狀以及未來的挑戰？** 黃仁勳：有兩件事同時在發生，這兩件事常常被混為一談，但分開討論有助於理解。首先，我們假設在沒有AI的情況下。在沒有AI的世界裡，通用計算已經停滯不前。大家都知道，半導體物理學中的一些原理，比如摩爾定律、Denard縮放等，已經結束了。我們不再看到CPU的性能每年翻倍。我們已經很幸運能在十年內看到性能翻倍。摩爾定律曾經意味著五年內性能提升十倍，十年內提升一百倍。 然而，現在這些已經結束了，所以我們必須加速一切能加速的東西。如果你在做SQL處理，加速它；如果你在進行任何數據處理，加速它；如果你在創建一個網路公司並擁有推薦系統，必須加速它。如今最大的推薦系統引擎已經全部加速了。幾年前這些還在CPU上運行，而現在已經全部加速。因此，第一個動態是，全世界價值數萬億美元的通用數據中心將會現代化，轉變為加速計算的數據中心。這是不可避免的。 此外，因為Nvidia的加速計算帶來了如此巨大的成本降低，過去十年中，計算能力不是以100倍，而是以100萬倍的速度增長。那麼問題來了，如果你的飛機能快一百萬倍，你會做什麼不同的事情呢？ 因此，人們突然意識到：「為什麼我們不讓電腦來編寫軟體，而不是我們自己去想像這些功能，或者我們自己去設計算法呢？」我們只需要把所有的數據、所有的預測性數據交給電腦，讓它去找出算法——這就是機器學習，生成式AI。因此，我們在許多不同的數據領域大規模應用了它，電腦不僅知道如何處理數據，還理解數據的含義。因為它同時理解多種數據模式，它可以進行數據翻譯。 因此，我們可以從英文轉換為圖像，從圖像轉換為英文，從英文轉換為蛋白質，從蛋白質轉換為化學物質。因為它理解了所有的數據，因此可以進行所有這些翻譯過程，我們稱之為生成式AI。它可以將大量的文字轉換為少量的文字，或者將少量的文字擴展為大量的文字，等等。我們現在正處於這個電腦革命的時代。 而現在令人驚歎的是，第一批價值數萬億美元的數據中心將被加速，並且我們還發明了這種新型的軟體，稱為生成式AI。生成式AI不僅僅是一種工具，它是一種技能。正是因為這個原因，新的行業正在被創造出來。 這是為什麼？如果你看看直到現在的整個IT行業，我們一直在製造人們使用的工具和儀器。而第一次，我們正在創造出能夠增強人類能力的技能。因此，人們認為AI將超越價值數萬億美元的數據中心和IT行業，進入技能的世界。 那麼，什麼是技能呢？比如數位貨幣是一種技能，自動駕駛汽車是一種技能，數位化的裝配線工人、機器人、數位化的客戶服務、聊天機器人，數位化的員工為Nvidia規劃供應鏈。這可以是一個SAP的數位代理。我們公司大量使用ServiceNow，我們現在擁有了數位員工服務。因此，我們現在擁有了這些數位化的人類，這就是我們現在正處的AI浪潮。 Q. **金融市場中存在一個持續的辯論，即隨著我們繼續建設AI基礎設施，投資回報是否足夠？你如何評估客戶在這個週期中獲得的投資回報率？如果你回顧歷史，回顧PC和雲計算，它們在類似的採用週期中，回報率如何？與現在相比有什麼不同？** 黃仁勳：這是個非常好的問題。讓我們來看看。在雲計算之前，最大的趨勢是虛擬化，如果大家還記得的話。虛擬化基本上意味著我們將數據中心中的所有硬體虛擬化為虛擬數據中心，然後我們可以跨數據中心移動工作負載，而不必直接與特定的電腦相關聯。結果是，數據中心的利用率提高了，我們看到了數據中心成本減少了兩倍到兩倍半，幾乎是在一夜之間完成的。 接著，我們將這些虛擬電腦放到雲中，結果是，不僅僅是一家公司，很多公司都可以共享相同的資源，成本再次下降，利用率再次提高。 這些年的所有進步，掩蓋了底層的根本變化，那就是摩爾定律的終結。我們從利用率提升中獲得了兩倍、甚至更多的成本降低，然而這也碰到了晶體管和CPU性能的極限。 接著，所有的這些利用率的提升已經達到極限，這也是為什麼我們現在看到數據中心和計算通脹的原因。因此，第一件正在發生的事情就是加速計算。因此，當你在處理數據時，比如使用Spark——這是當今世界上使用最廣泛的數據處理引擎之一——如果你使用Spark並透過Nvidia加速器加速它，你可以看到20倍的加速。這意味著你會節省10倍的成本。 當然，你的計算成本會上升一點，因為你需要支付Nvidia GPU的費用，計算成本可能會增加一倍，但你將減少計算時間20倍。因此，你最終節省了10倍的成本。而這樣的投資回報率對於加速計算來說並不罕見。因此，我建議你們加速一切可以加速的工作，然後使用GPU進行加速，這樣可以立即獲得投資回報。 除此之外，生成式AI的討論是當前AI的第一波浪潮，基礎設施玩家（比如我們自己和所有雲服務提供商）將基礎設施放在雲上，供開發人員使用這些機器來訓練模型、微調模型、為模型提供保護等等。由於需求如此之大，每花費1美元在我們這裡，雲服務提供商可以獲得5美元的租金回報，這種情況正在全球範圍內發生，一切都供不應求。因此，對這種需求的需求非常巨大。 我們已經看到的一些應用，當然包括一些知名的應用，比如OpenAI的ChatGPT、GitHub的Copilot，或者我們公司內部使用的共同生成器，生產力提升是不可思議的。我們公司裡的每一個軟體工程師現在都使用共同生成器，不管是我們自己為CUDA創建的生成器，還是用於USD（我們公司使用的另一種語言），或者Verilog、C和C++的生成器。 因此，我認為每一行代碼都由軟體工程師編寫的日子已經徹底結束了。未來，每一個軟體工程師都將有一個數位工程師伴隨在身邊，24/7隨時協助工作。這就是未來。因此，我看Nvidia，我們有32000名員工，但這些員工周圍將有更多的數位工程師，可能會多100倍的數位工程師。 Q. **很多行業都在接受這些變化。哪些用例、行業是你最興奮的？** 黃仁勳：在我們公司，我們在計算機圖形學方面使用AI。如果沒有人工智慧，我們無法再進行計算機圖形學。我們只計算一個像素，然後推測其餘的32個像素。也就是說，我們在某種程度上「幻想」出其餘的32個像素，它們在視覺上是穩定的，看起來是照片級真實的，圖像質量和性能都非常出色。 計算一個像素需要大量的能量，而推測其他32個像素的能量需求則非常少，而且可以非常快速地完成。因此，AI並不僅僅是訓練模型，這只是第一步。更重要的是如何使用模型。當你使用模型時，你會節省大量的能量和時間。 如果沒有AI，我們無法為自動駕駛汽車行業提供服務。如果沒有AI，我們在機器人技術和數位生物學領域的工作也是不可能的。現在幾乎每一個科技生物公司都以Nvidia為中心，他們正在使用我們的數據處理工具來生成新蛋白質，小分子生成、虛擬篩選等領域也將因為人工智慧而被徹底重塑。 6. **談談競爭和你們的競爭壁壘吧。目前有很多公私公司希望能打破你們的領導地位。你如何看待你們的競爭壁壘？** 黃仁勳：首先，我認為有幾件事讓我們與眾不同。第一點要記住，AI並不僅僅是關於晶片的。AI是關於整個基礎設施的。如今的電腦不是製造一塊晶片然後人們購買它並放入電腦中。那種模式屬於上世紀90年代。如今的電腦是以超級計算集群、基礎設施或超級計算機為名開發的，這不是一塊晶片，也不完全是電腦。 所以，我們實際上是在構建整個數據中心。如果你去看一下我們其中一個超級計算集群，你會發現管理這個系統所需的軟體是非常複雜的。並沒有一個「Microsoft Windows」可以直接用於這些系統。這種定製化的軟體是我們為這些超級集群所開發的，所以設計晶片的公司、構建超級計算機的公司以及開發這些複雜軟體的公司，理所當然的是同一家公司，這樣可以確保優化、性能和效率。 其次，AI本質上是一種算法。我們非常擅長理解算法的運作機制，並且了解計算堆疊如何分佈計算，以及如何在數百萬個處理器上運行數天，保持計算機的穩定性、能源效率以及快速完成任務的能力。我們在這方面非常擅長。 最後，AI計算的關鍵是安裝基礎（installed base）。擁有跨所有雲計算平台和內部部署（on-premise）的統一架構非常重要。無論你是在雲中構建超級計算集群，還是在某台設備上運行AI模型，都應該有相同的架構以運行所有相同的軟體。這就是所謂的安裝基礎。而這種自1993年以來的架構一致性是我們能夠取得今天成就的關鍵原因之一。 因此，今天如果你要創辦一家AI公司，最明顯的選擇就是使用Nvidia的架構，因為我們已經遍佈所有的雲平台，不論你選擇哪台設備，只要它有Nvidia的標識，你就可以直接運行相同的軟體。 Q. **Blackwell在訓練上快了4倍，推理速度比它的前代產品Hopper快了30倍。你們的創新速度如此之快，你們能否保持這樣的節奏？你們的合作夥伴能否跟上你們的創新步伐？** 黃仁勳：我們的基本創新方法是確保我們不斷推動架構創新。每個晶片的創新週期大約是兩年，在最好的情況下是兩年。我們每年還會對它們進行中期升級，但整體架構的革新大約是每兩年一次，這已經非常快了。 我們有七個不同的晶片，這些晶片共同作用於整個系統。我們可以每年推出新的AI超級計算集群，並且比上一代更強大。這是因為我們擁有多個可以進行優化的部分。因此我們可以非常快速地交付更高的性能，並且這些性能的提升直接轉化為總擁有成本（TCO）的下降。 Blackwell在性能上的提升意味著，對於擁有1千兆瓦電力的客戶，他們可以獲得3倍的收入。性能直接轉化為吞吐量，吞吐量則轉化為收入。如果你有1千兆瓦的電力可用，你可以獲得3倍的收入。 因此，這種性能提升的回報是無與倫比的，也無法通過晶片成本的降低來彌補這3倍的收入差距。 Q. **如何看待對亞洲供應鏈的依賴？** 黃仁勳：亞洲的供應鏈非常複雜並且高度互聯。Nvidia的GPU不僅僅是一塊晶片，它是由成千上萬個組件組成的複雜系統，類似於一輛電動車的構造。因此，亞洲的供應鏈網絡非常廣泛且複雜。我們力求在每一個環節上設計出多樣性和冗餘性，確保即使出現問題，我們也能夠迅速將生產轉移到其他地方進行製造。總的來說，即使供應鏈出現中斷，我們也有能力進行調整，以確保供應的連續性。 我們目前在台積電進行製造，因為它是世界上最好的，不僅僅是好一點點，而是好得多。我們與他們有著長期的合作歷史，他們的靈活性和規模能力都令人印象深刻。 去年，我們的收入出現了大幅增長，這離不開供應鏈的快速反應。台積電的敏捷性以及它們滿足我們需求的能力是非常了不起的。在不到一年的時間裡，我們大幅提升了產能，並且我們明年將繼續擴大，後年還要進一步擴大。因此，他們的敏捷性和能力都很出色。不過，如果有需要，我們當然也可以轉向其他供應商。 9. **貴公司處於非常有利的市場位置。我們已經討論了很多非常好的話題。你最擔心的是什麼？** 黃仁勳：我們的公司目前與全球每一家AI公司都有合作，也與每一家數據中心有合作。我不知道有哪家雲服務提供商或電腦製造商我們沒有合作的。因此，隨著這樣的規模擴展，我們肩負著巨大的責任。我們的客戶非常情緒化，因為我們的產品直接影響他們的收入和競爭力。需求太大，滿足這些需求的壓力也很大。 我們目前正全面生產Blackwell，並計劃在第四季度開始發貨並進一步擴展。需求如此之大，每個人都希望能夠儘早拿到產品，獲取最多的份額。這種緊張和激烈的氛圍實在是前所未有。 雖然在創造下一代電腦技術時非常令人興奮，也令人驚歎地看到各種應用的創新，但我們肩負著巨大的責任，感到壓力很大。但我們盡力去做好工作。我們已經適應了這種強度，並將繼續努力。

你有沒有發現，不論走到哪個城市，咖啡店的風格都好像「複製貼上」？無論是木質桌椅、工業風吊燈，還是牆上的黑白字畫，甚至連菜單上的手寫字體都如出一轍！這種「全球同質化」的現象，其實背後有一隻無形的手，也就是演算法（algorithm）和數據分析的力量。 根據 Kyle Chayka 在英國《衛報》文章〈演算法的暴政：為什麼每家咖啡店看起來都一樣？〉（The Tyranny of the Algorithm: Why Every Coffee Shop Looks the Same）所說，店家在裝潢設計時，常依賴演算法來尋找「最受歡迎」的風格，導致了每家店看起來都差不多。🧐 這種現象不僅僅發生在咖啡店，還影響到世界各地的餐廳、商店，甚至是民宿的裝潢風格（interior design）。當商家依賴大數據來決定設計時，結果往往是走上了標準化（standardization）的道路。這種「安全選擇」讓店家不再冒險嘗試新風格，而是選擇演算法推薦的設計，以保證更多的客流量（foot traffic）和銷售額。 但這樣做也帶來了一個問題：顧客會不會「審美疲勞」（aesthetic fatigue）呢？在一個由數據驅動的世界裡，這些「千篇一律」的設計（cookie-cutter designs）讓人感覺少了些什麼。當咖啡店的設計不再反映店主的個人品味或地方文化時，我們是否也失去了探索新空間的樂趣呢？Chayka 提到，我們該問自己：什麼才是我們真正重視的空間特質？是便利、舒適感，還是那獨一無二的地方風味（local flavor）呢？ 我們來學學如何用英文聊聊這個話題！ ☕1. Algorithms often influence design choices in coffee shops, leading to similar aesthetics in different locations. 演算法經常影響咖啡店的設計選擇，導致不同地方的店鋪採用相似的美學風格。 ☕2. Some people appreciate the familiarity of uniform café designs, while others miss the uniqueness that used to define local shops. 有些人喜歡統一風格帶來的熟悉感，另一些人則懷念過去具有地方特色的獨特設計。 ☕3. As data-driven decisions shape our surroundings, we must ask ourselves: what do we truly value in a space? 當數據導向的決策塑造我們的環境時，我們必須問自己：我們在一個空間中真正重視的是什麼？ （報導原文：https://www.theguardian.com/news/2024/jan/16/the-tyranny-of-the-algorithm-why-every-coffee-shop-looks-the-same）

最近收到之前去大學擔任客座講師時的學生小魚提問。小魚已經出社會工作，第一份工作還未滿一年，雖然主管待他不錯，但他實際做了之後，才發現自己人格特質不符合職缺要求，做得很痛苦。剛好透過以前同學的介紹，應徵上另一家公司的不同職務，因為所需的特質與能力不同，他判斷新公司比較適合他，於是他決定離職。但因為是第一份工作，又不是因為主管待他不好而想離職，真的很難開口，於是找我求助。 提離職真的很難，就跟提分手一樣難，需要智慧處理。小魚的煩惱很可愛，好像看到年輕時候的自己。因為是第一份工作，從來沒有提過離職，所以心理壓力大是可以想像的，想當年幾次我遇到要提離職的時候也很焦慮，甚至還去算命呢。以下是我給小魚的建議，如果你也需要碰到要提離職的場合，不妨參考看看： 【先給自己心理建設】 首先我們要把自己的心情處理好，再來擬定行動步驟。碰到第一次需要提離職的時候真的很緊張，但是其實職場上的流動都是很正常的。除非是少數極穩定的公司，現在很少一個單位裡面的人是一做做個五年以上，所以對主管或其他同事來說，人員流動真的都是再正常不過的事。（以我自己服務的客戶來說，我這個外聘的顧問，甚至都比小組裡成員都資深的情況，也很常見。） 因此提離職這件事不要想得那麼嚴重，你越緊張，反而越容易表現不好。 【擬定策略好好說】 再來要考慮的就是提離職時不要跟主管跟同事撕破臉，我相信除非有特殊原因，否則沒有人想跟老東家撕破臉。畢竟人前留一線，人後好相見。關於離職原因，我覺得最好誠實但是予以美化包裝，盡量以不可抗拒因素，或是因為能夠謀求更好的發展等原因。不可抗拒因素，例如：照顧家人、身體健康、出國讀書等等。 以小魚的例子來說，我會建議他可以老實說，像是因為同學主動介紹一個機會，你自己也很有興趣想去挑戰看看，但不用跟主管說覺得自己不適合現職，可以把方向包裝成，因為有「更好」、「更想挑戰」的機會與事物。通常如果別人有更好的機會，一般人是不會刁難的，反而是很祝福。 【剩餘要點】 3.堅定心意，按照勞基法規定宣告 4.註：勞基法規定的離職預告期 5.妥善交接留下好印象 6.依個人習慣展現貼心舉動 詳見全文>> https://gretatsai.com/how-to-resign-from-a-job/