跳至主要內容

澎湖行(3-2) 這其實是一趟回憶之旅

箱網養殖

在拍了漁港後,偉展憑著記憶要帶我去西嶼的燈塔。

天空藍的讓人忘了台北天空的灰藍色,大海清澈的讓我忘了墾丁或是東北角,尤其是那漸層的藍色,當時多希望自己就是那海裡的生物。

我們沿著203公路一路往南騎,中間,偉展說要帶我去一個他當兵時看守一個地方,同時具有岩岸和沙岸兩種地形,不過他當兵時這個地方還在建設中,現在應該已經整理的差不多了。於是,頂著大太陽,我們在一個路口右轉,看到一個剛蓋好的休憩區,就像是山水沙灘外有一個地方可以讓人更衣沖水的小隔間一樣。因為是大中午,所以放眼望去是沒有人的,任何人在這個時間去玩水,後果應該不是中暑就是直接曬傷吧!

某處沙灘

因為太陽實在太大,四周又沒有可以遮蔽的樹蔭或陰影,我們拍了幾張照片後就離開了,離開前看到另一對情侶正要停車,我不禁心想,這不會又是一個同樣當兵後帶女朋友來看海景的吧?

另一處沙灘的入口也在203公路上,不小心就會錯過,有一個小小的樓梯往下走就是一個美麗的沙灘。偉展說他以前常在那望著海面,看有無偷渡客要從那裡上岸。我們並沒有走下沙灘,天氣實在太熱了,不過有兩個黝黑的當地人,拿著蛙鞋就衝下樓梯去了,這一直讓我覺得自己是台北俗。

我們騎到了一片大草原上,我從草原上拍整個內垵碼頭,就某個角度而言,內垵碼頭看起來像是國外的漁港:

內垵碼頭

接著,偉展要帶我到西嶼燈塔。不過,沿路下去卻只看到一座軍營,燈塔在哪呢?那座軍營活像是史蒂芬金小說裡的建築物,確實達到了嚇阻的效果,於是我們只好回頭,看沿途上有沒有當地人可以問路。騎到一個有著大停車場和洗手間的休憩區,有幾部摩托車停在那,聽起來像是請了一個導遊,大家騎車遊覽一樣,他們等會兒的行程也是去燈塔和其他早上我們去過的地方。偉展先把車停在樹蔭下,然後走入小吃部裡詢問燈塔的方向,原來,燈塔在軍營的後方啊!於是我們又騎往那座恐怖的大軍營,沿路還會經過不少另一個世界的房子,大概面海的高地算風水好吧!如果是半夜來這,我還是會有點毛毛的,雖然死人不會害人,活人還比較恐怖。

車子暫停在軍營前方,本想問一個剛出軍營的阿兵哥以確認燈塔的位置,免得經過軍營被警告。偉展想了想,決定直接騎上紅土進去,不過,一直到看到燈塔前,我的心裡總是緊張的,總覺得有幾雙眼睛在一旁盯著看,一段不算長的路,卻讓我覺得有三十分鐘久,實際上的路程連五分鐘都不到。看到燈塔,卻發現7/16當天是星期一,所以燈塔是不開放的!不過當時的氣氛也夠怪異的了,我們站在燈塔的外面,而我站在外牆邊拿著相機拍照,偉展則是看著門外告示牌上的解說文字,也許是因為自己拿著相機反而有點心虛吧!背後始終覺得有雙眼睛在盯著。離開燈塔回到軍營前,看到兩車遊覽車的乘客正準備步行到燈塔,不知道是會特例開放給他們進去還是把這些遊客關在大門外?

西嶼燈塔-Canon S80

西嶼燈塔-Rainbow V

隨選歷史閱讀:

Powered by Stuff-a-Blog

留言

此網誌的熱門文章

停不下來的更新

一直更新Blog的版型,我必須承認是一件很無聊的事,不過這次除了版型的更動外,連分類和文章內文也做了變動。 先說分類吧!在Blogger叫做Label,不過,Blogger在分類上有一些bugs,只能使用英文,以前這裡的分類大多都是中文分類,結果在link上就是一堆亂七八糟的亂碼,所以我把它改成英文,同時細分一些項目,把出版的文章和一些教學的文章分開來,雖然已經很久沒寫新的,不過既然放上來就做個分類。然而就在新舊label移轉之後,發現中文的label還會存在,而且還會出現莫名奇妙的幽靈數字,Blogger知道這是個bug,不過似乎一直沒有修復的跡象。所以在分類上就出現了如右圖一般的情況,在英文標籤裡會有文章,但是在中文標籤裡是沒有文章出現的,但奇怪的是,有些中文標籤已經不見了,然而在Beauty-Beta這個部落格裡,我也做了分類上的變動,由於以前用英文開頭的Label,所以在label的變動上倒是不用擔心會有這樣的情況。 再來是文章的內容,把以前的文章重新分類,標題前面的一些全形符號或是分類刪掉,除了一些比較特殊的,我會留著,例如壹陸壹,因為在label裡為了統一,我留著原本的E61,但人家的店名是壹陸壹,所以留下文章標題前面的中文分類,另外像是Entertainment項目裡,可能有音樂,可能有電影,就會在前面留下中文分類。 前簡單的CSS和HTML改成現在的XML,這無疑是讓我們再多學些東西,能有時間鑽研當然是好事,可是轉換後,我一直沒有時間去改,當然多半也是因為懶,到現在也是拿別人做好的版型去改配色而已,所以像裡面的設定、安裝的widget和analytics的javascript都要一個一個重新裝,上個星期幾乎每天都弄到天亮才睡,只為了整理這個blog。也因為之前在blog裡放了technorati的分類,所以還要修改以前的文章,把它們加入technorati,還有裡面的語法要更改,所以這個星期甚至下個星期都會一直收到這裡的更新訊息,對於不斷收到訊息干擾的朋友們,在這裡說聲抱歉。 在版面上因為blogger系統在feed接受上的更新,所以還有四個東西沒加進去,分別是最近的文章(Recent Post)、Comments(目前是用別人寫的widget)還有GVO的feed訂閱顯示、Beauty-Beta的訂閱顯示也都還沒放上去。 在Feed訂閱上,以前bl...

用Claude Code做一個AI飲食營養分析Bot:從拍照辨識到條碼查詢的實作筆記

沒想到在十多年後,因為想做飲食營養控管,所以自己利用 AI 開始做一個簡單的食品營養分析工具,能分析我每餐的飲食是否充足或過量,並提供有依據的飲食建議。 最初的雛形是基於以往曾參與「 Food Open Data 」倡議的經驗,我希望用最簡單的方式,拍照-->AI辨識與分析-->提供建議,然後統計一段期間的營養攝取狀況。 最初的想法 當我把我的雛形想法告訴 AI 後,Claude Code 很快的就幫我設計好雛形、教我如何申請Telegram Bot,這些步驟都寫得很清楚,整個雛形做好不用半天,我還愣住了,怎麼可能這麼簡單?難怪那些應用程式公司只把飲食營養分析當作一個「附加功能」,主要目的是蒐集其他的生理監測資料,但這些公司蒐集資料的用途,我自己在處理過美國資料經紀公司所販售的資料隱私資訊後,這是值得關心的議題,但不在此篇文章裡討論。 不過,我只專注在飲食分析項目,我覺得這個功能如果可以做好,再想想其他的。最初的想法很宏大,因為家人與自己患有慢性疾病,所以特別針對某些族群設計,但事實上,如果沒有實際的使用情境,可能也無法做出符合需求的產品。 於是我把這個Bot的使用者只鎖定在我自己的飲食分析上,那就簡單多了。 工具與環境限制 我在今年已經改用 Claude Cowork 與 Claude Code 協作,雖然 Claude Code 有一般介面版,但我大多數時間都開著終端機視窗使用 Claude Code,這樣比較能專心工作。 基於使用工具的習慣,我使用 Claude Code 開始建置,當時的模型雖然已經有Opus 4.8,但Sonnet 4.6已綽綽有餘,而後來出現的Fable 5 則用在其他專案裡。 因為只做給自己用,所以選擇最簡單的 Chatbot 形式;也因為我希望可以自由的使用而不是提供過多的個人資料給其他平台,選用 Telegram Bot,而不是台灣人常用的 LINE Bot ,而且 LINE上太多廣告,根本不想開它。 在衡量經濟現實及自我管理資料的想法後,目前這個 Bot 與資料庫只放在我的電腦裡,沒有上雲端,當電腦休眠、網路斷線時,Bot就會停止工作。 雖然只是給我自己使用,但我還是要求資料庫是加密儲存的,匯出資料時也必須加密。 台灣的飲食文化很多元 我不是開發者、也不是營養師,我自己也沒使用過其他的應用程式,所以無從理解在開發飲食營...

AI 提高產出,但誰得到好處?

我收集了 2026 年 3 月至 9 月由 Anthropic 研究團隊公開發表的 5 篇文章,讓 Claude 重新翻譯並編輯,並修改為習慣的閱讀語氣,以利閱讀。 Anthropic 今年 3 月發表的報告顯示,美國整體失業率沒有上升,但 22 到 25 歲的年輕人每月順利進入 AI 高曝露職業的比例比 2022 年低約 14%。這是我讀完今年他們發布的 5 份經濟研究摘要後,最常想起的一句話:「AI 讓產出變多」與「誰能把產出變成自己的收穫」,是兩個得分開回答的問題。 AI 做得到,不代表已經在做 過去大部分研究或媒體在衡量 AI 對工作的影響時,常問「AI 理論上能做哪些任務」。問題在於,AI 做得到,不代表企業或個人真的已經拿來用。 在這次閱讀的文章中,研究團隊提出「觀察曝露度」(Observed Exposure)。這個指標結合 O*NET(美國職業資訊網路,Occupational Information Network)的任務清單、理論可行性評分與 Claude 的實際使用資料,並對「自動化」與「工作用途」給予較高權重。 排名最高的是電腦程式設計師(約 75%)與資料輸入人員(約 67%),客服代表也名列前茅;另有 30% 的勞工觀察到曝露度為零。AI 目前的實際使用與理論能力還有一段距離。 在公布的研究中,高曝露職業的從業者有幾個共同特徵:女性比例高 16 個百分點、平均薪資高 47%、學歷較高、年齡也偏長。受衝擊的是中高薪的知識工作者,和「AI 先淘汰低薪年輕勞工」的直覺相反。 衝擊有多大?研究用差異中差異法比對,發現 ChatGPT 發布前後,高曝露職業的失業率未見系統性上升。唯一較清楚的訊號在 22 到 25 歲:這個年齡進入高曝露職業的新工作起始率,約比 2022 年低 14%。研究團隊也註明,這個結果僅勉強達到統計顯著。 同一套 AI,成果為何不同 在針對使用者研究的報告中,使用 6 個月以上 Claude 的人,其對話成功率為 73.1%,新使用者為 66.7%,相差 6.4 個百分點。控制任務類型後,差距縮到約 3 個百分點;再加上模型、使用情境、國家等變數,差距維持在約 4 個百分點。 Anthropic 曾假設,資深使用者會更傾向於把工作整包交給 AI 自動完成。研究的資料指向相反的方向:資深使用者更常與 Claude 來回...