看板 Stock
作者
標題 Re: [新聞] 甲骨文股價暴跌超10%！訂單積壓越來越多 「燒錢」砸AI
時間 Sat Dec 13 03:06:12 2025
作者
標題 Re: [新聞] 甲骨文股價暴跌超10%！訂單積壓越來越多 「燒錢」砸AI
時間 Sat Dec 13 03:06:12 2025
※ 引述《LDPC (Channel Coding)》之銘言：
: @@我是不知道其他世界線 我們公司有引入各種AI Tool
: 比方說在slack 我要開一個data bucket權限 (公司機密資料 權限最高級那種)
: 來測試我新模型 然後我就slack打serval (IT機器人公司方案)
: 他就開始一步步核對 然後最後一步還跟我說有各種data access 時間限制
: 然後就幫我設定好 然後最一關簽呈就是人類IT 這些步驟效率超越傳統IT很多
: 隨時都可以叫IT機器人幫我處理各種事情 前置作業大量弄好 只要一兩個人類做最後確認
: 同樣的 我在openai企業版(有專門設計給企業版) 這個整合內部公司所有文件資料
: 有一次我要設計模型 我就問這方面模型有誰設計過 結果他就拉出過去
: 三年各種歷史設計報個 還有各種benchmark 因為openai企業版可以整合公司資料庫
: 一下子我就能站在過去歷史巨人 不需要去問哪個部門之前幹過啥
: ai coding現在最大用途就是寫測試工具 真他x的好用 設計模型完之後 叫ai幫我寫
: script去做下游端大量測試
: 其他ai tool還有infenrece端可以直接調用prompt和觀察模型反應 以及notion
: 這種線上報告也引用自家ai tool 快速搜尋資料都挺方便
: 然後我們自己設計給下游顧客的ai tool 如果顧客說他工作時間沒縮短
: 那我們就拿不下訂單 現在垂直整合領域已經殺到紅血 每個tool 越蓋越先進QQ
: 我好想躺平 已經每天工時飆到16hr....... 改天再寫寫去NeurIPS看到的跡象
: Hinton/Jeff Dean/Yoshua Bengio/何凱明 任何你知道大神都去這今年NeurIPS
: 結論就是大廠真的要幹架了 Google DeepMind新政策 禁止發paper
: QQ 不發paper延伸意義就是 現在開始 狗家不會在開放他們自家模型設計秘密
: 目標就是要胖揍開放愛和其他競爭者...
: 目前狗家大量研究員生氣中 這次還有很多菁英邀請制度線下聚會 跑去蹭了NV/META
: 看到一堆海外的博士生在現場跪求進去Meta 線下聚會.......QQ
: 據說開放愛線下聚會是最難進去的 連地點和門路在哪都不知 只能被動邀請
沒關係，偷偷告訴你一個Insight
今年NeurIPS 2025有一篇超重量級的論文
Introducing Nested Learning
這篇文論的重要程度不亞於Attention is all you need
甚至可以說有過之而無不及
Transfomer架構只是發明了蒸氣機
Nested Learning這篇論文，簡直就是熱力學定律的等級了
基本上等於宣告Transformer架構過時了(因為是一種扁平和單一頻率的特例)
未來三到五年，全面轉向Nested Learning的時代
以下文字是我先寫一版，再請Gemini潤稿的洞察
--------這是AI潤稿的分隔線--------
當前 AI 發展正受制於一道物理鐵律：記憶體牆（Memory Wall）。傳統 Transformer 架
構依賴 KV Cache 維持上下文，這本質上是一種「以頻寬換取長度」的低效策略。隨
著上下文長度 T 的增加，Attention 機制的計算複雜度呈 O(T^2) 增長，而推論時
的記憶體搬運量呈 O(T) 線性增長。在 HBM 頻寬成長遠落後於 GPU 算力的現狀下，這
種依賴儲存大量未經壓縮原始狀態的架構，註定會從 Compute-Bound 跌落至 IO-Bound
的深淵。
種依賴儲存大量未經壓縮原始狀態的架構，註定會從 Compute-Bound 跌落至 IO-Bound
的深淵。
Nested Learning 的出現，透過對記憶與推理本質的重新理解，為此困境帶來了典範轉移
級別的解答。
其核心突破在於「推論即訓練」的數學創新——Nested Learning 揭示了
Attention 機制在本質上等價於單步的梯度下降更新。基於此，HOPE 架構不再被動地檢
索歷史，而是主動將資訊即時壓縮為模型權重。這將原本受限於頻寬的檢索問題，轉化為
僅需固定算力的狀態更新問題，從根本上粉碎了記憶體牆。
索歷史，而是主動將資訊即時壓縮為模型權重。這將原本受限於頻寬的檢索問題，轉化為
僅需固定算力的狀態更新問題，從根本上粉碎了記憶體牆。
在應用層面，這種架構徹底重塑了 AI 的個性化能力。HOPE 的動態記憶機制（Fast
Weights） 不再依賴傳統模型那種外掛式的提示詞（Prompting）來「模擬」短期記憶，
而是透過梯度更新，將使用者的偏好與習慣即時「內化」為模型參數的一部分。這不
僅在工程上根除了重複處理提示詞的算力浪費，更在體驗上創造出具備「演化能力」的專
屬模型，讓 AI 隨著每一次互動變得更懂你。
這一變革預示著當前 HBM 需求高速增長的趨勢將顯著放緩，技術改革的方向將轉向針對
不同更新層級的硬體特化：
邊緣裝置 (Edge)： 承載高頻更新的快層，將不再單純追求頻寬，而是轉向追求大容量
SRAM 與極致的能效比，以支撐毫秒級的狀態寫入與計算。
雲端中心 (Cloud)： 承載低頻更新的慢層，為了處理更複雜的邏輯推理與龐大的智能結
構，將演化出針對非歐幾何的特化運算單元，以在雙曲空間中實現更高維度的高效推理。
----------這是AI潤稿的分隔線-----------
你各位要小心HBM市場在2026年末的崩潰反轉
短期因為各種高頻信號，還是會持續推高HBM的市場價格
然後記憶體因為這些需求訊號，會瘋狂擴廠
等到「基於超大KV Cache的Transfomer架構」路徑依賴崩潰
新架構全面轉向HOPE的時侯
嘻嘻 刺激囉~~~
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 146.70.205.172 (日本)
※ 作者: minazukimaya 2025-12-13 03:06:12
※ 文章代碼(AID): #1fF6Uc_j (Stock)
※ 文章網址: https://www.ptt.cc/bbs/Stock/M.1765566374.A.FED.html
※ 同主題文章:
12-11 10:52
… ×4
12-12 21:57
12-13 01:58
12-13 02:12
Re: [新聞] 甲骨文股價暴跌超10%！訂單積壓越來越多 「燒錢」砸AI
12-13 03:06
12-13 08:30
12-13 10:08
12-13 23:32
… ×10
推 : 因為這新架構 google是不是又要重新設計TPU拉?1F 12/13 03:10
遙遙領先，狗家的硬體和計算架構和前沿論文研究，具有高度的一致性互相加成，互相協同，full-stack優化
等到其他大廠醒悟過來，發現Nested learning才是正確方向
決定要放棄Transfomer時，狗家已經領先一年到一年半了
不信你丟給ai問，可以多問幾間互相比對
當然，要用正確的方式問才會得到正確的答案
你要先有足夠的背景知識才能識破關鍵點，問出最重要的問題
問問題的能力，大概就是新時代最重要的能力了XD
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:16:47
噓 : 我看你根本不懂AI吧...2F 12/13 03:22
推 : 看到這ID就先推3F 12/13 03:24
推 : 我在看openai倒數計時4F 12/13 03:27
推 : 放棄transformer架構是否意味著需要更多GPU?5F 12/13 03:41
如果是以「當前同等能力模型」作為基準 答案是不會因為Transformer+KV Cache是一種很低效的推論模型
低密度的無壓縮資訊儲存+重覆計算AttentionMap
導致超大量的能源浪費(算力和資料搬運成本兩者都是)
Nested Learning使用正確的層級特化結構的話 在推論期可以省下五到十倍的能源消耗
不過，架構優化和模型能力提升是兩步走的
在架構優化釋放出來的算力，最終會導致模型繼續依照Scaling Law擴大
所以結果是「省了十倍的能耗，那模型就能再大十倍」(這不是正確的數學，只是比喻)
算力需求永遠存在，因為文明的本質就是計算
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:55:45
推 : 需要更多GPU就需要更多記憶體…6F 12/13 03:55
需要從更細致的視角去切入SRAM也是記憶元件 HBM也是 Host DRAM(LPDDR)也是
計算也一樣 tensor core是計算元件 systolic array也是計算元件
近存運算也是計算元件
所以「在哪裡計算，在哪裡儲存，如何搬運資料」從來就不是一個單一命題
一切都要從架構與系統級的視角下去拆解，才會根據需求得出一個答案
這也是為什麼邊緣層和雲端層會發展出不同的計算架構 因為需求不同
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 03:59:39
推 : 一根戳破泡沫的針來了7F 12/13 04:03
推 : 感謝分享，這東西真的挺牛的，說不定這會是未來AGI的先驅，順便回覆樓上，如果這東西是真的搞得出來，那就是戳破那些說AI泡沫的人8F 12/13 04:08
推 : 硬體現實有餘裕的話，原本現在吹的天文級算力需求很難蓋出來
改新玩法就能現實點11F 12/13 04:59
研究(Model Refinement)時代和擴增(Scaling)時代是輪流出現的改新玩法就能現實點11F 12/13 04:59
Ilya Sutskever最近有一篇訪談可以看看
正如他所說，接下來時代巨輪要轉回模型改進了
不過，等到模型改進得差不多，又會重啟擴增時代
這兩個時代的過度也是漸變的，不是一刀切
「文明的本質就是計算」
你如果看不懂這一大堆Big Tech誰會贏，那也沒差
買2330 永遠是對的
推 : 好久沒看到mina大 預計何時開撿？還是保守看？14F 12/13 05:07
感謝GOOG爆噴一波，現在YTD 90%了(真是出乎我意料..11月初時我本來已經躺平了)https://i.imgur.com/NHJP572.png
![[圖]](https://i.imgur.com/NHJP572.png)
不過我在11月底賣掉一部份GOOG撿了NVDA，作整體部位Rebalance
然後今天就吃了一根超~~~級大的，腳麻了，哭啊
推 : 這篇好驚人，感謝高高手分享內容，讀完後的感想是美光全力衝刺HBM，是不是慘惹？15F 12/13 05:08
嘻嘻 其實這篇只是我得到的洞察的一小角而已真正重要的我沒說，不過這篇其實有很多引子
比方說在模型最深層(最慢層)，需要非歐幾何的雙曲空間語義空間
(提示: Transfomer的語義空間是平面的)
這在Nested Learning論文裡是完全沒提的，是另幾篇資訊幾何學的研究
推 : 現在的確是有AI泡沫，但目前要看是啤酒先裝滿或是泡沫先消掉
不過邊緣運算中，未來NAND看起來會是最缺的17F 12/13 05:10
考慮一個五層結構，最淺兩層(L1~L2)在邊緣，三層(L3~L5)在雲端不過邊緣運算中，未來NAND看起來會是最缺的17F 12/13 05:10
你猜猜看L1需要多少參數量? 答案可能出乎你意料的小
完全不需要放在NAND
而且從最快層的「權重即時更新」需求來看，也不能可能放在NAND
推 : 今天這種盤 狗家不到1%真的太扯20F 12/13 05:14
推 : 衝刺HBM怎麼會慘… 這個做法還真有可能解決HBM的困境 然後HBM的優勢在於頻寬跟速度 一定是未來最需要的21F 12/13 05:15
HBM的頻寬和速度很重要 這敘述沒問題不過HBM的總需求是容量(Capcity)決定的
猜猜看如果把最深層的語義空間從平面換成雙曲，參數量會變成多少?
有論文可以查的，查查看
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 05:44:36
推 : 花一整個早上快速掃完，看起來運算沒減少反而更多，不同頻率互相獨立，不獨立我猜就要用記憶體存參數，也沒有看到討論訓練速度，通常沒有就表示一定更花時間，心得是中立，畢竟都發一個月了，可以再等等看其他團隊有沒有跟上24F 12/13 05:53
我覺得你關注錯重點，HOPE架構的工程實作不是論文中最重要的部份數學表達才是，這篇論文就算把HOPE架構整個去掉
純理論的部份就有相當於熱力學定律的價值
這代表一種更接近「知識、記憶、推理」的物理本質的理論
從而讓各大模型研究商能在巢狀學習的理論範式下，自由去探索各自的工程實現
類比於你有了熱力學定律之後，各種形式的熱機都有理論依據了
你看我前面對於未來模型的敘述(雲邊協同、不同語義空間的五層結構)
這和論文中簡化過的HOPE模型壓根就不是一回事對吧
因為HOPE模型的設計只是要作為論文的實證用途
而不是真正具備下一代模型的「工程可行性」&「商業可行性」的實作
至於下一代實作「可能會長什麼樣子」
那自然是不會在這裡解釋了...
反正即使我提了 99.99%的股板眾也是鴨子聽雷啊
推 : 當你看到論文的時候，早就有特定的TPU xpu 了29F 12/13 06:03
狗家員工內線消息我要是真信了 你就是在內線交易囉!!!
就事論事 TPUv7沒有明顯針對Nested learning的痛點去優化
(當然也沒有明顯不能跑的理由，依然可以跑)
至於v8之後怎麼設計，現在也沒有公開消息
比起雲端，我覺得現在是邊緣的計算架構沒跟上Nested Learning的需求
推 : 先問一個問題 2017年 attention 出來之後
你是否從技術押注中賺超過幾個億? 如果沒有30F 12/13 06:07
有 嘻嘻你是否從技術押注中賺超過幾個億? 如果沒有30F 12/13 06:07
你再回去翻翻我2019年談AI革命的文章
當時也是一樣，完全沒有人看懂我說什麼
→ : 那 Nested Learning 也只是一個數據很普的實驗32F 12/13 06:09
※ 編輯: minazukimaya (146.70.205.172 日本), 12/13/2025 06:11:00→ : 想想這運用到大規模，多客戶的時候，這真的會讓記憶體減少嗎
*會讓記憶體使用量減少嗎？33F 12/13 06:21
*會讓記憶體使用量減少嗎？33F 12/13 06:21
推 : 邊緣計算也會跟上nested learning ，也有相對應的TPU xpu
會讓記憶體用量增加，但是不是hbm ，不能再多說了36F 12/13 06:26
如果根據手機上最快層的即時更新需求去推導會讓記憶體用量增加，但是不是hbm ，不能再多說了36F 12/13 06:26
很明顯是要SRAM，而且不能和L1 Cache共用
既然要能放進整個最快層的權重，即使以INT4/INT8高度壓縮，也需要很大一塊SRAM
考慮到除了慢權重(預訓練參數)之外還要放快權重(記憶狀態)
加一加要個2~4MB的獨立SRAM是跑不掉的
推 : 呱呱呱，數學不會背叛我，不會就是不會，不過AI推論的HBM需求下滑結論還是看得懂的，感謝mina大分享，天網是不是又加速啦？啾命Rrrr39F 12/13 06:29
真der 天網近了 悔改吧推 : 非goog的asic又要準備被輝達gpu揍爛了 改架構最能適應的就輝達42F 12/13 06:31
推 : 你應該要請open潤稿，g家唯一缺點就是不會說人話44F 12/13 06:33
我故意的 實際上Gemini Canvas寫小作文可以調長度調越長它會試著擴寫 解釋的更清楚 但是我偏不 嘻嘻
說真的，看不懂的人，就把我整篇文字+NL的論文都餵給AI
然後再問AI就好啦，時代都是這樣了，要善用AI啊
推 : 所以結論是allin asic?45F 12/13 06:34
推 : 沒錯，gb300的Rubin 三小的就是為了解決memory wall ，這問題業界都知道，但是願意改架構改算法的公司，也就只有谷歌跟輝達46F 12/13 06:34
推 : 回過頭看M大2019第一篇文真的是含金量十足 當時就看的這麼徹底真的厲害49F 12/13 06:36
一般來說我是看未來3~5年的，再遠的我也看不到了所以2019那篇講的是2019~2024的AI革命
這篇講的是2025~2030「通往AGI之路」
推 : 先推在看51F 12/13 06:37
推 : 核心權重會隨互動漂移＝不可重現、不可審計、極易被誤導，現實系統根本不敢上線，頂多停在論文52F 12/13 06:38
回到上述的五層系統你完全可以把最深層的(物理定律、道德價值、信念)基底層
靜態權重完全鎖定不更新，來防止惡意注入
論文提示的是一種數學架構，你理解了整個數學架構的話
實務上你完全有各種工程實作的細節去彌合你的需求
當然我完全同意這種動態學習的系統，在正式上線前一定要經過嚴格的對齊測試
不過這不會構成「永遠不會有能夠動態學習的系統」的理由
推 : 這名字取得好…看到就大概知道他要幹嘛54F 12/13 06:42
推 : 有拉今天下午當薪水小偷時有問copilot 不過這個也發55F 12/13 06:44
推 : 先推一個，未來再回顧56F 12/13 06:44
→ : nested learning十一月初就發了 好像股價已反應?57F 12/13 06:45
推 : 雲端跟edge會重分配吧 為啥會亂飄58F 12/13 06:47
看你每一層的更新頻率怎麼設定再以五層模型舉例的話
雲端的L3可能是event-driven更新、L4可能是每天更新一次
L5就如上述所說，最好是不要亂更新
推 : 真的通往agi只會讓整個ai產業算力需求持續飆升?
看來輝達真的太便宜59F 12/13 06:53
買2330 永遠正確看來輝達真的太便宜59F 12/13 06:53
鐵打的Foundry，流水的Design House
推 : 感謝分享61F 12/13 06:57
推 : 2330有機會變成全球市值前三嗎62F 12/13 06:58
推 : AMD效率轉折受益者/Apple邊緣語義既得利益者63F 12/13 06:58
爽到Apple 躺平到最後天上掉餡餅 賽道重置抱緊GOOG大腿就贏那些花了幾百億美金看別人車尾燈的
推 : 我只後悔都看對了，轉倉太慢還一堆QQQ，XD不過至少早一步清掉TSM跟NVDA64F 12/13 06:59
推 : 重點是SRAM，就是買2330，感謝分享66F 12/13 07:00
推 : 感謝67F 12/13 07:01
推 : 推M大，請問除了TSM，AVGO會建議買入嗎？68F 12/13 07:04
推 : 想了一下 Hyperbolic若起來 NV還是比AMD有利69F 12/13 07:04
推 : 股票不講這個 所以短期內沒用 到時候早就換股了70F 12/13 07:06
→ : 看軟體是否續補topology-aware跟memory-flow API71F 12/13 07:08
不過，最深層語義改用雙曲，這可能是這篇文章裡最弱的推定因為用現有的硬體算雙曲空間，那個運算量之驚人
光一個龐加萊距離就比歐幾里德距離高不止十倍運算量了
所以在專算雙曲的特化硬體內建之前
很有可能就是平面或球面加減用了
「切換深層語義空間」本質上就是「計算量 vs 記憶體容量/頻寬」的交換與權衡
雖然最終一定是會切到雙曲，但是這個改變要幾年發生，很難預估
快的話可能三五年，慢的話可能十年
推 : 看來自研asic可能會是一條非常不明智的路 架構一改整個無用72F 12/13 07:16
推 : 分享推74F 12/13 07:18
推 : 好文75F 12/13 07:19
推 : 我2330是最大贏家76F 12/13 07:24
推 : 要放SRAM 那就回到CCW 說的 產能遠遠不夠77F 12/13 07:28
邊緣需要大SRAM，雲端不需要至於邊緣什麼時侯真正爆發
那當然是要等Nested Learning的動態學習模型成為主流才行
畢竟單層的Transfomer是不可能在邊緣裝置跑的
當然，如果說Nested Learning的最快層實際上跑Transformer，那是有可能的
不過在這種情況下，L1層跑Transfomer+滑動窗口KV Cache(模擬工作記憶)
比起直插一個固定大小的RNN作為工作記憶，並沒有特別的優勢
總之，要看到邊緣裝置爆發
大概會是2027~28之後的增長點了
推 : 推，呆灣房子買起來，呆民財富持續噴射78F 12/13 07:30
推 : 一句話 做多還做空啦79F 12/13 07:32
推 : 好80F 12/13 07:35
推 : Nested Learning 推論即訓練聽起來很美好，但是你要知道現在的推論只要做「前向傳播 (Forward Pass)」，運算量相對小。Nested Learning在推論時，內部還要做反向傳播 (Backward Pass)或梯度更新，每生成一個字，計算量可能變成原本的 2-3 倍。再來訓練穩定性極差，也還不能平行化，這些問題沒解決前，它想要成為LLM的聖杯取代Transformers 還太早81F 12/13 07:39
你這屬於論文沒看清楚，或是直接丟AI叫它生答案的結果再看清楚一點，HOPE架構的最快層有作反向傳播嗎??
在一個參數量很小、只處理簡單語義連結的最快層，直接一個DGD作掉了
要請AI讀論文，也要有足夠的背景知識，不然你根本不知道關鍵在哪
AI隨便說你隨便信
推 : 從Attention到ChatGPT也差不多五年 合理的時間尺度88F 12/13 07:40
推 : 我也是11月底清了GOOG, 買入NVDA, 現在有點痛..89F 12/13 07:45
都是ORCL的錯 救救NVDA 救救推 : 樓上你講得也是我問的問題 2017年你看到Attention樓樓上才對 也可以說出類似的論點 Attention要成為AI聖杯還早 NLP還不成熟等等90F 12/13 07:45
任何洞見從技術前沿傳導到普羅大眾都要時間這我五年前講AI革命時就說過一次了
問題是，當一個洞見變成新聞每天狂報的時侯，早就失去交易價值了
推 : 推93F 12/13 07:48
推 : 菇菇之前有提過，今年下半年正式進入聖杯終戰（我個人預計三年時間） ，市場通常第二年上半場會開始醞釀分勝負的前奏94F 12/13 07:51
推 : 邊緣裝置爆發 還跟七巨頭有關嗎97F 12/13 07:51
推 : 感謝分享98F 12/13 07:52
推 : 所以要買哪支？ Google NVDA都已有了99F 12/13 07:52
推 : 這用TPU跑一定悲劇，GPU勉強可以，ASIC有得等
不過NL不會太快取代現有的LLM，即使硬體充分支援
每個人都雲端學習自己的AI model，學出來還都不同太不可控了
可以考慮邊緣端的應用，不過風險還是很高，容易被告428F 12/14 02:00
不過NL不會太快取代現有的LLM，即使硬體充分支援
每個人都雲端學習自己的AI model，學出來還都不同太不可控了
可以考慮邊緣端的應用，不過風險還是很高，容易被告428F 12/14 02:00
→ : 太唬爛,這要甚麼時候商轉,甚麼時候價格降下來
如果可行的話,採購第一個轉過來買這個433F 12/14 13:43
如果可行的話,採購第一個轉過來買這個433F 12/14 13:43
推 : 這是股版目前最有料的一篇
9月的時候要減碼TSM，現在要趕快補回來了嗎435F 12/14 14:59
9月的時候要減碼TSM，現在要趕快補回來了嗎435F 12/14 14:59
--
作者 minazukimaya 的最新發文:
![]()
沒關係，偷偷告訴你一個Insight 今年NeurIPS 2025有一篇超重量級的論文 Introducing Nested Learning 這篇文論的重要程度不亞於Attention is al …436F 230推 6噓![]()
蘋果傳出計劃採用Google的Gemini大型語言模型，以支撐其承諾已久的Siri語音助手升級 ，預計每年將支付約10億美元以獲取該技術的使用權。 外媒5日援引知情人士報導，蘋果與Google正在敲 …172F 84推 5噓- ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ ^^^^^^^^^^^^ 其實健保制度運作至今，時空背景已和當年開辦時 …116F 29推 3噓
![]()
年報第一槍 為什麼現在貼年報呢，因為我最近一個月連續作錯一堆操作 覺得心灰意冷，今年接下來兩個月我不想玩了... 美股主動帳戶的 Performance(VAMI) 和Risk Measures 總 …494F 181推 110噓- 先不討論四月初火之七日那種在山腰加速一波到底的行情 攤開近期美股在相對高檔出現長黑K的情況 來作個PTT民調好了 大家覺得現在市場情緒比較接近下列三個時間點的哪個? 1. 2024年7月下旬 由於美 …121F 57推 2噓
點此顯示更多發文記錄