理性而詩意的地景建築海報 Rational and Poetic Landscape Architecture Poster

不像Claude有一個Context Usage，我從來都不知道ChatGPT我用到哪裡了(我是Pro方案)，之前在Sora Pro時也是，它就讓我一直使用，不像Seedance、Kling、Dream Machine...會顯示Credits的消耗，OpenAI沒有。

一方面我覺得Sam Altman很不計較，OpenAI很大方，一方面又覺得我會不會對模型太過嚴苛了(我常常在同一個專案裡，來回修改 20~50 次，不知道燒掉多少tokens)

在構思這次的設計概念時，我給了模型包括Álvaro Siza、Eduardo Souto de Moura、Peter Zumthor等八個名字，邀請他們八位來為花蓮幾個景區服務中心作設計；結果我就看到在Thinking模式的延伸設定下，模型一個網頁又一個網頁的打開、瀏覽、自己劃重點 (我很喜歡展開AI模型的思考頁面，看著它是怎麼想的，我覺得很有趣，也更能有效的互動。)

但這個過程超級久，數個小時過去，它還在一層又一層的研究，試圖確認每位建築師的代表作品、設計語彙、材料策略、空間特徵、是否適合清水斷崖這個基地，這已經不是單純生成圖像，而變成「8 篇建築師風格研究 + 設計轉譯」。

我中止了這項任務，並問它在做什麼，為什麼花了這麼久(雖然我都在旁邊看見了)，AI告訴我，它傾向把它當成半研究、半創作、半版權避險的任務處理。它查很久，因為它在找一個安全又合理的作法：既要有風格差異，又不能太像抄作品。

引用它自己的話：「在黑箱裡像一個非常焦慮的助理：打開一堆書、貼滿便利貼、最後你說「算了，我們先不要那麼學術」——然後我才從資料海裡浮上來換氣。」

後來我用抽象設計語彙取代建築師名字，用沉靜量體、柔性邊界、低語般的光...，代替了具體的名字。

LLM現在像油箱不透明的跑車，你知道它會耗油，但不知道現在剩多少。

理想中的語言模型介面，我希望像這樣：

Token Heatmap

設計推理   ███████

網站分析   ███

圖像修改   ████

深度研究   ████████

一眼就知道哪裡最貴。如果在任務交辦前，模型自己還能給出個預估，那就太好了。

Context Capacity

████████░░ 82%

Active Memory

██████░░░░ 61%

Estimated Tokens

487,000

Largest Context Consumer

清水斷崖旅客服務中心

128,000 tokens

因為當 AI 從聊天工具變成工作平台之後，Token 之於 AI，會越來越像 Polygon Count 之於建築視覺化，我們就會開始想知道：

「到底是場景中哪一個3d model，把我的 FPS 吃掉了？」。

而且更麻煩的是，Token 不只是「我字面上的任務」，還包含了對話歷史、隱藏推理、工具呼叫、JSON 結構...

「輕描淡寫的起因 vs. 巨大的運算深淵」

ChatGPT給出了感人的檢討：

你剛剛只是交代一頁便條紙；

但我入場時，已經把整座圖書館的燈都打開了。