物理学家埃德·维滕 （Ed Witten） 获得了菲尔兹奖，这比诺贝尔奖更难获得，因为他为弦论发明了数学。当它被交给理论家时，他们往往是博弈论者，他们的理论对现实世界的结果非常具有预测性——2020 年的 Milgrom/Wilson、2016 年的 Hart/Holmstrom、2014 年的 Tirole 和 2012 年的 Roth/Shapley。即使该奖项被授予宏——一个有效性更难确定的领域——它也被授予那些理论立即应用于当今紧迫问题的经济学家，例如 2022 年的伯南克/戴蒙德/迪布维格和 2018 年的诺德豪斯。换句话说，最近的诺贝尔奖使经济学看起来可能越来越像一门自然科学，其中实际应用和外部有效性是研究价值的最终仲裁者，而不是经济学界的文化影响。无论如何，今年奖项的一个关键点是 Daron Acemoglu 将在某个时候获得诺贝尔经济学奖。

我们生活在一个科技社会中，科技引发了许多政治问题。政治家和公众希望科学能够为这些问题提供解决方案，因此科学专家们也因此获得报酬并受到鼓励去提供答案。公众更喜欢听那些能够自信回答问题并对人类活动后果做出准确预测的科学家。最优秀的科学家喜欢将实验中的事物安排得尽量不可预测，然后进行实验以观察结果。世界总是需要异端来挑战主流的正统思想。就在他去世前的几周，华盛顿卡内基研究所的一些化学家在一个钻石压砧中进行了一个精彩的实验， Scott et al., 2004 。化学家们给汤米·戈德发了一封电子邮件，告知他他们的研究结果，结果收到的回复是他三天前去世了。对于科学家来说，坐在空调的建筑里运行计算机模型，比穿上冬装去测量沼泽和云层中真实情况要容易得多。他们将金钱和注意力从其他更紧迫、更重要的问题中抽走，比如贫困、传染病、公共教育和公共卫生，以及陆地和海洋中生物的保护，更不用说像及时在新奥尔良市周围修建足够的堤坝这样的简单问题。

在一个反复出现的场景中，奥本海默在一个空玻璃碗里装满了弹珠--先是一颗一颗地装，然后是一把一把地装。比利时人是如何用非正式的法语 tu 而不是正式的 vous 来称呼刚果成年人的；我也是 然而，Papà 说，刚果人是现代史上最有影响的创造的基本要素和必要条件。刚果间谍》一书的作者、历史学家苏珊-威廉姆斯（Susan Williams）写道，从那时起，私营部门取代国王成为刚果自然资源的开采者。那里的一个矿场--Shinkolobwe--盛产铀。1938 年，物理学家 Lise Meitner 和 Otto Frisch 利用铀进行计算，确定了核裂变的定义。Union-Minière du Haut-Katanga 的负责人是埃德加-森吉耶（Edgar Sengier），他是一个面色苍白、留着利落小胡子的比利时人。约有 660 万磅矿石仍存放在 Shinkolobwe。但是，当一位名叫莱昂纳尔-姆波伊（Léonard Mpoyi）的刚果工人要求书面确认加薪时，殖民总督却坚持让群众回家。

今天下午，瓦尔达将用SpaceX公司的猎鹰9号火箭将一个药物制造工厂发射到太空。因为瓦尔达既做太空又做生物，所以我与埃利奥特-赫斯伯格合作，讲述它的故事。前几天，我与Varda联合创始人兼首席执行官威尔-布鲁伊(Will Bruey)进行了一次通话，在回答关于他的公司如何能够招募到这么多SpaceX工程师的问题时，他说了一句话，真正有助于将Varda置于背景之中： "对于我们所有在过去十年中一直在SpaceX工作的人来说，一旦我们做到这一点，问题就变成了：我们在上面做什么？虽然商业企业发射了通信卫星，但空间在很大程度上仍然是政府的领域，他们垄断了发射能力，直到2003年，埃隆-马斯克成立了SpaceX公司，目标是建造可重复使用的火箭，努力大幅降低将东西和人送入轨道及以外的成本。在北京时间今天下午2点19分，瓦尔达将在SpaceX火箭上发射世界上第一个商业太空工厂。瓦尔达需要证明，主要是它能够将工厂送入太空，围绕地球运行，并将带有有效载荷的太空舱安全送回地球表面。

目标是告诉算法它需要听到的任何信息，以便网站在搜索结果中尽可能高地出现，利用谷歌所谓的客观性来吸引人们进入，然后通常向他们展示某种广告。随着时间的推移，SEO 技术已经传播并变得阴险，以至于现在用谷歌搜索任何东西都感觉就像在字典中查找“运动鞋”并找到一个听起来既不正确又可疑的定义，就好像它是由宣传耐克的人写的一样（“鞋类是让你就可以做到！” 今年，The Verge 正在探索 Google 搜索如何将网络重塑为机器人的栖息地，以及人工智能的出现如何威胁 Google 本身。他的 SEO 职业生涯始于 1994 年，当时 Google 还没有出现。” 达伦和达伦（发音相同）几十年来一直是朋友，从达伦·“D-Money”·布拉特在维加斯成人视频新闻奖期间举办说唱明星云集的互联网营销盛会开始，那时性爱网站是最受欢迎的网站之一技术先进，Daron Babin 正在使用 SEO 来推广离岸赌场和伟哥（“我们的排名超过了辉瑞！

在百老汇音乐剧 Q 大道的虚构世界中，Kate Monster 是一个举止甜美、身着淡紫色高领毛衣和波波头发型的木偶。但当她向一位名叫 Trekkie Monster 的隐居、头发蓬松的邻居描述她的课程时，他打断了每一行，他说互联网的真正原因是：色情。当 Avenue Q 于 2003 年以其歌曲“The Internet is for Porn”首映时，它成为第一张带有家长咨询标签的百老汇演员专辑。2005 年出版的 Pornified 一书的作者帕梅拉·保罗 (Pamela Paul) 是这么说的：“所有的色情内容，所有的时间。这一估计与《纽约时报》2001 年 Juniper Media Metrix 调查报告的数据相似，该调查估计当年有 2800 万色情网站用户。幸运地与两家最大的制作公司 Vivid 和 Wicked Pictures 签约的色情明星可以通过拍摄两个场景每周赚取 10,000 美元。

我发现自己一直在努力向人们宣传 "人工智能可以拯救新闻"，所以我试图在这里把大部分的想法记录下来，供以后参考。人工智能可以为那些以帮助公众维持我们集体现实的各个角落的现有的、合理有用的心理模型为生的人类团队做很多事情。有太多的实时感知工具需要建立在当前一代人工智能模型之上，我觉得我知道其中一些工具应该是什么样子的，所以在中，我将描述它。在我讨论人工智能驱动的感知中心（用传统说法就是 "新闻编辑室"）可能是什么样子之前，我需要提供一些背景知识，说明把一个故事从投稿或任务一直带到成品的过程。️ 以下是大多数新闻编辑室处理一个故事的核心过程，这些步骤大致按时间顺序排列。标题和摘录：你听说过的每一个新闻机构都有一个专门的流程，用于生成可点击的标题和摘录，并将其放在社交媒体的OpenGraph描述中，这个流程甚至可能不涉及撰写故事的记者。

由 Syria-Frames-Of-Freedom (Pro-FSA information) - 1, CC BY 2.0 提供 我注意到关于以色列-加沙战争的一些有趣现象，而这些现象似乎普遍被忽视了：这场战争并没有在整个中东地区蔓延的迹象。Cincotta 和 Weber（2021 年）发现，。在所有三种暴力形式中，"青年人口膨胀会增加政治暴力的风险 "这一预期都得到了有力的支持。从 1950 年到 2000 年收集的数据发现，15 至 24 岁人口占成年人口 35% 或以上的国家爆发国内冲突的可能性要高出 150%。Ibrahim（2019）等人也发现了类似的结果。与往常一样，该理论也有批评者，一些作者根据不同类型的冲突进行了区分--例如，Yair 和 Midownik（2014 年）声称，青年人口暴增与 "种族战争 "的相关性较低，而 Cincotta 和 Weber（2021 年）则提醒说，他们的结果较难检验 "分裂主义 "战争。

人类发展指数用健康、教育和收入衡量一个国家的发展水平，试图超越只看经济产出的局限。不平等调整后指数会根据国内分配差异折减平均成果，其他扩展指标则强调不同质量与历史维度。文章说明，任何综合指数都依赖价值选择，使用前应先明确它适合回答什么问题。

这种想法的部分原因是，国会陷入僵局已到了无可救药的地步，总统已开始通过行政命令进行治理--基本上就是一个民选的国王。20 世纪初的行政命令比近年来更为常见--卡尔文-柯立芝（Calvin Coolidge）每年发布 215 项行政命令，赫伯特-胡佛（Herbert Hoover）每年发布 242 项行政命令，而唐纳德-特朗普（Donald Trump）每年发布 55 项行政命令（到目前为止），乔-拜登（Joe Biden）每年发布 38 项行政命令。至于行政命令的范围是否过大，这绝对是一个令人担忧的问题（尽管一个世纪前也是如此），我稍后会谈到这个问题。唐纳德-特朗普（Donald Trump）的一系列行政命令应从这个角度来看。在此，我将重点介绍以下五个方面： 性别平等办公室和联邦劳动力 特朗普关于出生公民权的行政命令是其最重要的行政命令，因为这是迄今为止对行政权力的最大考验。

至少这是他的第一位授权传记作者纳塔利娅-格沃尔基扬（Natalia Gevorkyan）的观点。记者们尽职调查后发现，"弗拉基米尔-普京 "曾在她村里的学校注册，当地老师还记得他是个聪明的学生，喜欢俄罗斯民间故事。追踪报道的调查记者阿尔乔姆-博罗维克（Artyom Borovik）在发表文章前死于飞机失事。另一名调查记者安东尼奥-鲁索（Antonio Russo）接手报道，但 "他的尸体在一条乡间小路边被发现。但有几张照片（诚然是可以伪造的），不是脸盲的人告诉我，普京长得非常像他的正式母亲。我引用这句话的资料来源是《没有脸的人》：俄罗斯现存罕见的调查记者玛莎-格森（Masha Gessen）所著的《没有面孔的人：弗拉基米尔-普京不可能的崛起》（The Unlikely Rise Of Vladimir Putin）。和玛丽亚-普京娜（Maria Putina），这两个中产阶级工人在十年前纳粹对列宁格勒的地狱般的围攻中失去了前两个孩子。

冷战后建立的全球化秩序正在结束，核心原因是美国和中国都不再相信经济相互依赖足以压制大国冲突。过去三十年里，西方押注贸易会带来开放，支持中国进入全球供应链中心；中国则用低成本制造、外资和出口高速增长，成为世界工厂。这个体系让美国企业、消费者、金融业和知识工作者获益，却让制造业工人承受代价，也让中国获得了挑战美国的产业基础。2010年代中后期，特朗普关税、投资审查、华为管制和美国制造业焦虑削弱了旧共识；习近平则推动产业自立、加强党对经济的控制，并在外交上更强调斗争。新冠期间的供应链表现和美国内乱强化了北京对自身制度优势的判断。俄乌战争、台湾压力和半导体出口管制把竞争推向零和。市场和富裕阶层的反应显示，增长优先的时代正在让位于安全、权力和阵营对抗。

乌克兰战争的破坏不只发生在战场，也在粮食、化肥、债务和援助体系里层层扩散。俄罗斯是重要化肥生产国，能源价格推高化肥成本，非洲农民被迫少用肥料，短期作物减产，长期土壤质量受损。与此同时，许多低收入国家在利率上升中背负更沉的债务，欧洲援助预算又被难民安置、国内补贴和军事支出挤压，流向非洲和全球健康项目的资源减少。盖茨最担心的是，地缘政治把贫困、疫苗、疟疾、营养不良等议题挤出视野。技术仍在推进，结核病疫苗、灭蚊方法、人工智能都有突破，但资源和注意力正在偏离最能减少不平等的地方。气候目标也需要更诚实：1.5 度几乎难以守住，适应气候变化不能替代继续为基础健康和减贫投入。世界仍需要美国领导，但美国自身也常缺席长期建设。

普京的乌克兰战争变成俄罗斯灾难，根源不是单次战术失误，而是决策孤立、军队腐败、情报失真和指挥体系碎裂长期叠加。克里姆林宫原以为俄军能数日内推进到基辅，军官甚至准备好阅兵制服；现实却是防空打击失败、旧地图和坏情报误导导弹，士兵不知道自己要参战，手机通信暴露位置，前线部队缺地图、医疗包、弹药和可靠指挥。多年军费投入被贪腐侵蚀，所谓现代化像空壳工程。随着战事受挫，俄罗斯又把训练不足的动员兵和分离主义武装推向前线，用一波波地面进攻消耗生命。普京把战争分割给军方、雇佣军、车臣力量和亲信系统，造成彼此争资源、互不协调甚至互相攻击。乌克兰获得西方武器后抓住这些弱点反攻，而俄罗斯领导层仍用耐心和牺牲换取拖延。

中国机器人产业的优势来自制造成本、供应链密度与快速迭代形成的生产飞轮。以宇树和大疆为例，规模化生产会持续降低单元成本、提升质量，并让下一代产品更快进入市场。美国在同类机械臂等硬件上的制造成本明显更高，说明机器人竞争不仅取决于模型和软件，也取决于零部件、制造能力与供应链协作效率。

当天股价飙升 30%，市值达到万亿美元，推动英伟达成为全球第六大公司，超越特斯拉，逼近亚马逊，谁能想到一家卖显卡的公司会成为人工智能大战的最大赢家。2023 年过去几年，英伟达几乎参与了全球所有的科技创新，云计算、加密货币、元宇宙人工智能。英伟达是所有这些领域的主要参与者，你听说过的大多数人工智能模型，都是用英伟达显卡训练出来的。作为行业领导者，他们却垄断了全球人工智能训练行业 95% 的市场份额。甚至，拥有英伟达 A100 显卡的数量，也是衡量一家公司计算能力的指标。大学毕业后，他在两家专注于芯片设计的半导体公司工作。于是，1993 年，他们成立了专门从事图形处理的英伟达公司。但现在，任何人都可以通过购买英伟达显卡并使用 CUDA 库来实现这一点。

《Motor Trend》杂志以前所未有的一致投票，将这款新车评为他们的“年度车型”。《Consumer Reports》杂志宣称这可能是有史以来最好的汽车，并给予了99分的最高评级。2012年，特斯拉的Model S豪华轿车以其令人惊叹的功能和出人意料的低维护成本，将优雅与新型实用性相结合，成为一款大众市场的全电动汽车。2018年，一家名为Aria的在线计费服务在一篇名为《汽车经销商能否在电动汽车革命中生存下来》的文章中写道： 根据《福布斯》的数据，如今汽车经销商的最大收入来源是零部件和维修服务，占总收入的44%。特斯拉 Model S 2023 年款的电动机、传动系统和燃油箱。与我身后的 Land Rover Defender 这只野兽相比，它也有大约300牛顿米的扭矩。自动驾驶汽车的核心是一个名为Transformer的大型语言模型，它能够理解和生成自然语言。通过使用大量的训练数据，Transformer可以学习到各种驾驶场景和交通规则，并能够根据实时情况做出准确的决策。

1790 年，英国牧师兼化学家威廉-格雷戈尔（William Gregor）首次发现了钛，他发现自己无法识别混杂在康沃尔黑沙中的白色氧化物所含的金属。1795 年，普鲁士化学家 Martin Klaproth 从矿物金红石中提取出了钛。1930 年，来自卢森堡的科学家威廉-克罗尔（William Kroll）开始在家中的实验室进行钛实验，并开发出一种在真空条件下通过氯化钛（TiCl4）与镁反应生产钛的工艺。克罗尔 1938 年的金属钛样品，来自 1955 年的克罗尔作品 同年，美国矿业局开始对钛进行调查，以回应飞利浦公司（该公司已开发出自己的钛生产工艺）对钛特性进行的前景看好的研究。一家生产钛的公司的高管指出，"耸人听闻的杂志文章预言，钛将成为神奇的金属--用于航天器、'原子炉'、各种飞机、潜水艇、铁轨、卡车车身、便携式桥梁"（Rowley，1972 年）。1951 年，材料咨询委员会预计需要 3 万吨钛产品，但实际发货量仅为 75 吨，勉强满足研究应用的需要。

我自己也过一篇文章：AI对保险的价值｜ 胡说八道 - 特立独行的异类 By DemoChen作为参考。欢迎来到2030年斯科特（Scott）的眼中所见的保险未来。斯科特（Scott）的私人助理绘制了一条潜在的路线，并与他的出行保险公司分享了一条潜在的路线，该保险公司立即以一条替代路线做出回应，该路线的事故和汽车损坏的可能性要低得多，并且对他的每月溢价进行了计算的调整。随着经纪人，消费者，金融中介机构，保险公司和供应商的发展，变革的步伐也将加速，更擅长使用先进的技术来提高决策和生产力，降低成本并优化客户体验。四个核心技术趋势与AI紧密相结合（有时是由），将在未来十年内重塑保险业。例如，可穿戴数据可以直接移植到保险公司，并且可以通过亚马逊，苹果，Google和各种消费者设备制造商提供连接的房屋和自动数据。Distribution 分配 购买保险的经验更快，保险公司和客户的积极参与较少。

人工智能可能改变大量工作，但从技术能力到宏观生产率和就业结构之间存在很长链条。企业采用需要投资、流程重构和互补技能，旧技术与岗位也不会立即消失。文章通过历史技术和市场预期说明，爆炸式增长并非必然；更现实的问题是哪些任务会被重组，以及收益如何分配。

用 API 取代中层管理的本质，是平台公司把调度、考核、定价和质量控制写进软件，让人类劳动者成为可被程序调用的执行单元。Uber 的界面接收乘客请求，服务器像 API 一样派发司机；设计、清洁、配送等服务也能被包装成类似接口。这样确实减少了传统管理层，提高了效率，并给劳动者带来一定灵活性，但也制造了新的断层：软件层之上的员工设计系统、拥有杠杆和成长路径；软件层之下的人完成具体任务，却很难获得培训、晋升和组织关系。更尖锐的问题是，平台有持续降低执行成本的动力，一旦自动驾驶、无人配送或生成式工具成熟，底层岗位会被快速替换。危险不在于软件管理人，而在于社会没有为这些被 API 化的职业建立通向更高技能工作的桥梁。

人工智能会在生产力增长超过需求扩张时取代工作；如果自动化让服务变便宜、变好，并激发出更多需求，相关岗位反而可能增加。会计就是典型例子，电子表格消灭了大量重复计算，却让会计能处理更多分析、沟通和管理任务，整体需求扩大。农业和马匹运输则不同，食物和出行的需求达到一定程度后不会无限增长，继续提高效率只会减少劳动力。判断一个职业的风险，关键看市场是否还有大量未被满足的需求，以及自动化后人类能否转向更高价值环节。内容和体育行业还展示了另一种压力：分发成本趋近于零后，全球顶尖供给会挤压中等供给，收入集中到少数明星和细分利基。AI带来的不是均匀替代，而是先放大生产，再考验需求天花板。越是结果容易复制、质量差异被全球比较、用户需求有限的工作，越快进入收缩；越能用工具创造新价值、扩大客户可支付需求的工作，越可能被增强。

本·阿德勒记录了将拥堵收费引入纽约的漫长斗争，您可以在我们的网站上阅读第 15 期的内容。在 1980 年代，纽约市交通局举办了一系列公开会议，任何感兴趣的纽约市民都可以参与，讨论如何解决城市的交通拥堵问题。纽约市的拥堵收费概念始于 1952 年，当时由哥伦比亚大学的年轻学者威廉·维克里首次提出，他后来获得了诺贝尔经济学奖。这是一个漫长而曲折的故事，讲述了维克里的拥堵定价愿景在 70 多年后可能即将在纽约市变为现实。可靠的交通连接缺失可能导致居住在外郊的人们接受比他们本可以获得的更差的工作机会tens of billions of dollars in productivity on the table. 桌子上有数十亿美元的生产力潜力。与纽约市政府首次提出拥堵收费和州政府最终授权之间的近 50 年相比，这些实施延迟显得微不足道。纽约在拥堵收费方面的漫长而曲折的历程为全球其他城市提供了宝贵的经验。

这就意味着，建筑物的设计应该是合意的--容易让人喜欢--而不是不受欢迎的天才作品。现在，世界上所有城市都充斥着以纽约西格拉姆大厦（Seagram Building）为原型的办公楼。Author’s collection 作者收藏 在我看来，"传统主义者 "真正想说的是，古老的建筑风格往往具有 "现代主义 "所缺乏的某些特征。也有难度很大的音乐，比如中世纪晚期的 "亚瑟王"（ars subtilior），这是一种高雅而复杂的音乐风格，似乎只有受过高等教育的人才能欣赏（好奇者可以试试这个播放列表）。如上所述，"现代主义 "建筑确实很受欢迎：正如美国建筑师协会 2007 年的大型民意调查所发现的，美国人确实喜欢埃罗-沙里宁（Eero Saarinen）的 "门户拱门"（Gateway Arch）和赖特的 "落水洞"（Fallingwater）。下面是 Create Streets 和 Ipsos MORI 的典型调查：完全或轻微传统的设计得分很高，而更前卫的设计得到的评价则参差不齐，甚至是负面的。

把住房当作投资，问题在于它要求价格持续超过通胀和工资上涨，而这会让拥有住房的人希望后来者付出更高成本。一个准备买房的家庭如果用长期财务模型比较买和租，就会发现买房是否划算高度依赖房价继续上涨；一旦房价只跟上通胀，购房反而可能损失巨大。住房不像公司股票，价值上涨并不主要来自生产力提升，也不像普通耐用品会因使用磨损而贬值。多数涨幅来自位置稀缺和供应不足，本质上是把财富从无房者、租房者和年轻买家转移给早期房主。房价上涨确实会让许多现有家庭账面变富，尤其在住房是最大财富来源时更明显，但这种繁荣建立在居住成本恶化之上，社会代价被推给后来的人。

未来之路在 2024 年迎来转折点 今年标志着一个新时代的开始。December 19, 20232023 年 12 月 19 日 22 minute read 当你回想起 2023 年时，你会如何回忆？今年，我们看到了人工智能将如何塑造未来，而随着 2023 年的到来，我比以往任何时候都更加关注今天的年轻人将继承的世界。我的朋友、已故的汉斯-罗斯林（Hans Rosling）曾说过，"事情可能很糟糕，但也可能越来越好"。很高兴能从 Amrita Mahale 那里了解到阿尔曼团队如何开发人工智能聊天机器人，以改善孕妇的健康状况。加纳 Aurum 研究所的纳纳-科菲-夸基伊（Nana Kofi Quakyi）正在开发一种人工智能工具，帮助卫生工作者在开具抗生素处方时避免造成 AMR。其中一些项目（如 Khanmigo 和 MATHia）已经非常出色，而且在未来几年里只会更好。

上个月，马克·安德森发表了他的“技术乐观主义宣言”，主张对技术抱有新的热情，并将市场和资本主义作为建设技术和推动人类走向更光明未来的手段。我相信未来会因为彻底改变的技术而变得比现在更加光明，我也相信人类和人性。在中，我将谈谈技术乐观主义对我来说意味着什么。天空近在咫尺，皇帝无所不在 防御性（或分散化，或差异化）加速 有利于健康和民主治理的防御型世界 微观物理防御（也称为生物防御） 网络防御、区块链和密码学 超越“防御”框架的社会技术 那么，超级智能的前进路径是什么？技术是令人惊奇的，而推迟技术会带来非常高的成本 在某些圈子里，人们常常低估技术的好处，将其主要视为一种导致反乌托邦和风险的源头。本月，我进行了一些调查，问了以下问题：如果一项技术必须受限，因为它对任何人来说都太危险，他们更希望它被垄断还是推迟十年？因此，有时我担心我们过度纠正了，很多人忽视了争论的另一面：科技的好处真的是巨大的，在我们可以衡量的领域中，好的远远超过了坏的，而即使是十年的延迟成本也是极高的。

她想要的是突然的，而我有的只是缓慢的，是一个由许多步骤、逐渐转变、知识积累、关注和承诺组成的旅程的故事。虽然发生了很多事情，但都是在几十年的时间里循序渐进地发生的，而不是通过一次变革。电影喜欢一见钟情、改变一切的戏剧性演说、射杀一个坏人就能解决的麻烦，以及其他简单的解决方法和决定性的胜利。老派激进分子喜欢这种革命，他们想象革命会突然改变一切，尽管政权更迭并不是文化和意识的改变。很多变化都是不具戏剧性的成长、转变或衰败，或者说其时间尺度意味着戏剧性可能不会被没有耐心的人察觉。也许你曾有过这样的经历：某个缺席数月或数年的人再次出现，并指出某个人、某个地方或某个系统发生了变化，而这些变化是那些没有察觉到细微变化的人所没有看到的。这部纪录片追溯了 "日出运动"（Sunrise Movement）的创建过程--这个美国 30 岁以下年轻人的气候组织始于 2018 年，他们发起了 "绿色新政"（Green New Deal），展示了该运动如何影响拜登竞选团队的气候纲领，。

我小时候对这个世界不了解的最重要的事情之一，就是业绩回报的超线性程度。但是，超线性业绩回报是这个世界的特征，而不是我们发明的规则的产物。看起来似乎有很多不同的超线性回报情况，但就我所知，它们归结为两个基本原因：指数增长和临界点。超线性回报最明显的情况是，你正在研究的东西呈指数增长。Y Combinator 鼓励创始人关注增长率，而不是绝对数字。令人注目的是，在有一种超线性回报来源的情况下，往往也会有另一种回报来源。足够快的指数增长既能保证收益曲线的形状，也能保证收益曲线的幅度--因为增长足够快的东西即使一开始很小，也会变得很大--但阈值只能保证形状。(如果这些问题很神秘，而且显然很重要，那么它们就会成为著名的开放性问题，有很多人已经在研究它们了）。有更多类型的工作可以获得超线性回报，而回报本身也在不断增长。

在分析跨越 10,000 年的 全球历史数据库 时，Shin 等人发现了一个令人不安的模式。文明规模不断扩大，直到它们被自己创造的信息环境所淹没。这就是 信息缩放阈值 。在整个全新世，随着人口和领土的增长，社会发展出更多的管理层次和更多信息丰富的工具来管理和记录交易和事件。然而，尽管这种增长似乎是不可避免的，但事实并非如此。

公共生活正在被反应链主导：事件本身很快退居次要位置，真正吸走注意力的是人们如何愤怒、嘲笑、站队，再对别人的反应继续反应。社交平台把个人改造成网络节点，持续接收刺激、输出情绪、等待反馈；政治操作、名人丑闻、品牌调查、社交照片和金融市场都在同一套机制里运行。反馈不只是意见收集，而是控制论式的调节系统：组织和个人通过回应率、互动量、价格信号来判断自己是否还“活着”。问题在于，当激怒他人本身变成策略，参与就不再等于判断力。人们以为自己在表达立场，常常只是被争议、荒谬和流量牵引，替系统维持下一轮反应。 引发的焦虑可能在于，在我们拼命寻求反馈并需要向他人提供反馈的过程中，我们允许自己被引导到我们不同意的方向，并且可能不希望这样做去。 这与 20 世纪中叶对广告、公关和宣传的恐惧相呼应，不同之处在于现在，在反应链时代，我们被吸引到争议、荒谬的公共场面、无休止的变异模因、拖钓等。在这些反馈的阵雨，大部分的吸引力在于正在传播的反应的绝对数量。

在我们周围，新旧友谊都因政治而破裂。部分问题与我们今天如何实践政治有关：我们变得更加好战和部落化。问题的另一部分源于我们当代对友谊的理解。真正的友谊对我们提出了沉重的要求，我们中的大多数人更喜欢更快速、更容易、因此更不持久的关系。政治和友谊是紧密相连的。

1 不是在埃隆-马斯克（Elon Musk）收购它的时候，也不是在大批员工被解雇的时候，更不是在 "蓝查"（bluecheck）惨败的时候，也不是在改名为 "X "的时候，更不是在其他政治上显而易见的时候，许多人决定放弃它。是的，我们都说过和做过值得注意的事情，但并不是每天都这样。要想每天都做或说值得注意的事情，就需要在一定程度上勉强、重复或尝试。我可以发布一些关于我从我的业务中赚了多少钱的庆祝性吹嘘（"omg $10k MRR!"）。我可以就人们强烈关注的话题挑起争论（"React 逊毙了！我可以提到今天是我的生日，然后贴上一张自己的照片（"真不敢相信我已经 41 岁了！我尽量一年只做几次，因为尽管它们有用，尽管它们对我和我的企业有用，尽管它们让我的蜥蜴大脑感觉良好，但我的一部分仍然讨厌它们。显然，我已经为这个问题纠结了一段时间。顺便说一句，我的朋友圈中大部分人都不是我的粉丝，他们都很喜欢发帖吸引眼球。

什么是 Web3 以及为什么所有的加密货币人士突然都在谈论它？如果你最近一直在仔细阅读加密货币论坛或 视频游戏新闻 ——或者从纽约时报的 职位列表 到声称传统求职面试即将被基于区块链的“ 任务、冒险和课程 ”取代的滑稽 Twitter 线程的所有内容证明你的价值 ”——你可能遇到过“Web3”这个词。显然，该术语指的是第三代互联网。但这只是行话，是那些 NFT 以数十万美元交易卡通猿的 并且已经在元宇宙中设计他们的虚拟家园的人们的最新口号吗？或者，Web3——以及它所代表的互联网的不那么集中的版本——是我们这些认为自己仍然生活在 Web2 上的人应该了解的东西吗？

代币经济学的基本判断，是看一个代币的供给如何变化、需求从哪里来、持有人为什么不卖。供给侧要看总量上限、发行速度、通胀或通缩机制，以及代币分配是否集中在团队和早期投资人手里。比特币的上限和减半降低了长期稀释，以太坊通过销毁机制减轻净发行压力，狗狗币持续通胀则会带来更明显的价值侵蚀。需求侧只看稀缺远远不够，固定数量的石头也不会自动有价值。真正支撑需求的来源包括现金流或质押收益、社区信念和身份认同，以及协议设计中的博弈激励。能分享收入、获得质押回报、锁仓换取更高收益或降低使用成本的代币，更容易形成持有理由。模因和信念也很重要，因为比特币这类资产的核心需求很大程度来自长期保值叙事。评估项目时，应该同时追问：会不会被稀释，为什么有人持续买入，机制是否减少卖出冲动。

这一主题是关于微信的，但也不仅仅是微信。虽然看似只是一个消息应用程序，但微信实际上更像是一个门户、一个平台，甚至是一个移动操作系统，这取决于你如何看待它。在消息应用趋势的背景下，关于微信的文章很多，但在中国以外很少有人真正了解 它是如何 运作的——以及它如何实现对许多公司（和国家）来说仍然是一个遥远的世界管理愿景完全通过我们的智能手机。微信的许多最有趣的功能——例如访问 城市服务 ——甚至对中国以外的用户都看不到。那么为什么中国以外的人还要关心微信呢？

“微信之父” 张小龙的 2351 条饭否日记围绕互联网文化展开，核心内容包括介绍“微信之父”张小龙的2351条饭否日记，记录其对技术、产品和生活的思考观察，并提供全文内容。

尽管我在 2011 年离开了 Hulu，但我仍然与 Hulu 北京办事处的许多团队成员保持着联系，其中许多人在过去十年中分散到了不同的中国科技公司。2011 年，我上次访问 Hulu 北京办事处时，我对中国的任何一家新技术公司能否打入美国市场表示怀疑。来自非 WEIRD 国家（约瑟夫·亨里奇是西方、受过教育、工业化、富裕和民主的简写）的公司将很难进入 WEIRD 文化。显然，防火墙在阻止许多美国公司进入中国市场方面发挥了巨大作用，但在少数美国公司进入中国市场的案例中，比如Uber中国，结果好坏参半。一款由两个上海人设计的应用程序是如何成功地围绕着从 YouTube 到 Facebook 到 Instagram 到 Snapchat 的美国视频应用程序，在一个与美国文化如此不同的文化中成为模因起源、变异和传播的最丰富的来源。Alex Zhu 和 Luyu “Louis” Yang 推出了一款教育短视频应用程序，但没有引起任何关注。

成长阶段公司需要根据当前战略、组织结构和能力缺口定义高管岗位，而不是简单升级整个领导团队。高质量的高管招聘需要投入时间与资源，建立明确的职位重点、评估流程、薪酬方案和入职机制。

幸运的是，我在这里带来了一个好消息：人工智能不会毁灭世界，而且事实上可能会拯救世界。对人工智能不是什么的一个简短描述：杀手软件和机器人会突然出现，决定谋杀人类或以其他方式毁掉一切，就像你在电影中看到的那样。对人工智能可能是什么的描述更简短：一种使我们关心的一切变得更好的方法。在几十年的时间里，社会科学最有效的核心结论是，人类的智慧能使一系列非常广泛的生活结果变得更好。人工智能为我们提供的是深刻增强人类智能的机会，使所有这些智能成果--以及许多其他成果，从创造新药到解决气候变化的方法，再到到达星星的技术--从这里开始变得更好。人工智能对人类智能的增强已经开始了--人工智能已经以多种计算机控制系统的形式出现在我们身边，现在正以ChatGPT这样的人工智能大型语言模型迅速升级，并将从这里开始非常迅速地加速--如果我们允许它。每个科学家都会有一个人工智能助手/合作者/伙伴，这将大大扩展他们的科学研究和成就范围。

技术乐观主义不等于押注科技股反弹，而是承认一批真实技术已经开始改变生产、能源和创造方式。疫苗、清洁能源、电池与生成式人工智能证明，前沿技术可以转化为社会能力。虚假信息、自动化武器和骗局等风险仍需治理，但投机泡沫破裂并不代表技术进步停止。

人工智能可能成为农业和工业革命级别的通用技术，其影响不能只由少数公司和工程师决定。机器智能可能改变医疗、劳动、战争、监控、科学发现和信息传播，因此公众需要参与决定治理方式、收益分配和安全边界。

强大的人工智能不仅带来风险，也可能显著改善生物学、医疗、神经科学、经济发展、治理与工作的未来。文章讨论了这些进展可能出现的条件与时间尺度，同时强调积极愿景必须建立在风险控制和负责任发展的基础上。

产品沉思录是一组长期积累的产品知识库和 Newsletter，围绕人物、产品、公司与行业方法展开持续研究。它的价值不在于给出某个单点答案，而在于提供产品判断的素材库：优秀产品如何形成，团队怎样取舍，商业模式和用户体验之间怎样互相牵引，具体公司和产品案例背后有哪些可复用的思考框架。旧描述显示，它始于 2017 年，由少楠和 fonter 主理，已积累大量专题内容，适合当作产品经理、创业者和关注商业的人长期翻阅的参考。相比碎片化观点，这类持续写作能帮助读者看到产品决策的上下文、历史变化和多种可能性，在做需求、战略或案例研究时尤其值得留存。它也适合作为选题入口：遇到新产品、新公司或新商业现象时，可以从过往专题里找相似案例，比较不同阶段的取舍，避免只凭当下热度下判断。长期阅读还能训练案例之间的类比能力和产品语感。

给工程师的产品第一课解决的是研发与产品协作中最基础的认知差：工程师如果只看到 PRD 和排期，就很难理解需求为什么产生、为什么变化、哪些环节会影响技术方案。材料从需求调研、项目立项、需求分析、业务流程、业务逻辑、原型交互、PRD、需求评审和视觉评审等步骤展开，提醒市场、行业、用户、资源、渠道、环境和人员都会影响产品决策。它也特别提到渠道和运行环境常是需求盲点，异常流、兜底、降级、回退等问题需要研发共同补全。长期价值在于帮助工程师从被动接单转向主动识别风险，用产品语言讨论业务价值、范围边界和可行性，从而减少返工。团队培训时也适合引用它，让研发、产品、设计在评审前共享同一套检查项，把“需求不清”拆成可讨论的背景、目标、流程、场景和约束。工程师读完后更容易在早期提出关键问题，也更懂如何评审需求。

迈克·弗拉克斯曼博士目前是 HEAVY.AI 的产品副总裁，之前曾担任产品经理，并在专业服务部门领导空间数据科学实践。HEAVY.AI 是一个硬件加速的平台，专注于实时和高影响力的数据分析。我的工作经历包括为美洲开发银行等组织提供咨询，以及在全球最大的 GIS 开发公司 ESRI 管理建筑、工程和施工领域的 GIS 技术 我清晰地记得第一次接触现在的 HEAVY.AI，那时我作为顾问，负责佛罗里达海滩栖息地保护计划的情景规划。我和同事们在用 30 米的 Landsat 数据建模海龟栖息地时遇到了困难，一位朋友向我推荐了一些全新且非常相关的 5 厘米 LiDAR 数据。快进几年，我依然认为 HEAVY.AI 所做的非常独特，它在 GPU 分析上的早期投资正是行业未来发展的关键所在。目前，作为 HEAVY.AI 的产品管理副总裁，我积极参与决定我们优先开发哪些产品特性和功能。

中国制造、应用和科研能力已在全球形成广泛影响，但人口结构、增长模式和外部环境正在改变其长期前景。讨论中国是否达到顶峰，真正关心的不是经济是否立刻萎缩，而是相对实力能否继续提升。出生人口快速下降、劳动力结构变化和移民限制会削弱潜在增长，因此未来取决于生产率提升、制度调整与产业升级能否抵消人口压力。

In fact,据报道，中国第二季度的整体增长率为 6.3%，这听起来非常快，中国的支持者们一直在大肆宣扬这是 "中国回来了"（China Is Back）的标志。当然，在过去几年中，中国对其经济统计数据变得更加谨慎和神秘，中国领导人也希望避免让外界认为其经济疲软，因此实际增长数字很有可能远低于 3.2%。中国的青年失业率已从大流行前的 11% 左右上升到现在的 20% 以上，出口和进口都在下降，中国似乎正在走向通货紧缩，如果它还没到那一步的话： 这次经济下滑的原因--无论你是否愿意称之为 "衰退"--几乎每个人都很清楚。经济学家理查德-顾（Richard Koo）是大衰退中的知识英雄之一。基本的政策建议也是一样的：为了应对经济衰退，让人们和公司重新感到财务健康。This probably explains the提高税收在政治上可能相当困难，而且在经济问题开始显现之前，中央政府能够承担的债务最终也会受到一定限制。

互联网上发送的第一条信息--1969 年 10 月 29 日，查理-克莱恩（Charlie Kline）发送了互联网上的第一条信息 "lo"。我将与大家分享互联网的两位创始人，也可以说是互联网的奠基人--文特-瑟夫（Vint Cerf）和鲍勃-卡恩（Bob Kahn）的辉煌历史：文特-瑟夫（Vint Cerf）和鲍勃-卡恩（Bob Kahn）。而这两个人正是功不可没的：文特-瑟夫（Vint Cerf）和鲍勃-卡恩（Bob Kahn）。Vint Cerf 和 Bob Kahn 分享了一个全球去中心化互联网的愿景。IP — Internet Protocol IP - 互联网协议 IP 将您的数据连接到互联网的地址系统。Vint Cerf 最近在谷歌的一次演讲中概述了 TCP/IP 的一些问题，例如它无法正确处理以下问题：1）安全（病毒、数据黑客攻击、网络钓鱼等）；。

ARPANET 启动（1966 年） 说到互联网历史上的伟大时刻，就不能不提到成立于 1966 年的高级研究计划局网络 (ARPANET)。在2013年的一次采访中，道金斯说："互联网是meme传播的一流生态，难怪'meme'这个词会出现在互联网上，因为这正是它的本质。垃圾邮件的诞生》（1978 年） 卡斯帕-本森//盖蒂图片社 世界上第一封垃圾邮件是由 Gary Thuerk 于 1978 年 5 月向数百名 ARPA 用户发送的。你好，顶级域名（1986 年） 美国国家标准与技术研究院 1986 年，Jon Postel 向全世界推出了顶级域名（.com、.org、.gov、.edu 和 .mil）。然而，"富有创造力的用户将 QuickCam、新兴的互联网和视频会议软件（如 CU-SeeMe）结合起来，参与了首次在线视频聊天"，《PC World》写道。拍卖网的交易变化（1995年） ullstein bild//盖蒂图片社 就在亚马逊上线两个月后，AuctionWeb，也就是后来的 eBay，加入了互联网，成为一个在线拍卖市场。

早期博客的核心功能对任何网站都是开放式的，并帮助普及了社交媒体本身，无论内容出现在哪个网站上。Technorati 是这项服务的先驱，一开始是在每次更新时尝试抓取互联网上的所有博客；在当前的互联网上，我们可以在 Twitter 或其他一些封闭网络中看到相对完整的标签或术语搜索结果，但 2011 年谷歌博客搜索的关闭标志着 "博客搜索 "作为一种独立于普通网络搜索或新闻搜索的产品的终结。虽然 Medium 目前只支持这一功能的有限版本，但 Trackback 和 Pingback 等早期工具几乎让所有网站都能让其他网站知道他们的故事或文章引起了回应。与社交媒体网站互动的许多关键功能，尤其是评论功能，最初都没有真正支持身份或登录系统，这与早期网络对匿名和隐私的极端偏好是一致的。虽然在 LiveJournal 等服务上最早就有了这种功能，但该功能从未真正应用到面向发布的工具上，而且后来为引入在不同网站上关注用户的开放方式所做的努力也未见成效，在很大程度上仍然是一个研究技术标准的小社区的领域。

一年改变生活，靠的不是宏大愿望，而是把每天的小动作压到足够简单、足够稳定，并让它们复利。十年太远，容易让人恐惧或拖延；一年足够短，能立刻开始，也足够长，能让持续改进产生肉眼可见的差异。方法先从清晰愿望开始，写下具体想改善什么，再把它拆成每天能执行的两三个动作。起步时可用连续三十天、每天三十分钟的方式建立势能，之后再进入更长时间的深度工作。执行必须可追踪：日历打勾、表格记录、社区问责，都能让过程变得具体。计划还要允许调整，目标过大就下调，环境阻碍就改造环境。最难的是当下看不到进步时仍继续做，因此需要定期拉远视角，对比起点和现在，给完成过程设置小奖励，也回看旧作品，让进步从感受变成证据。真正的改变不是某天突然发生，而是每天重复正确动作后的累积结果。

设定可实现目标，关键是把不同类型的愿望分开处理：能量化的目标适合用具体、可衡量、可达成、相关且有期限的框架，品格、心态和生活质感则需要更温和的方式。比如“每晚睡八小时”比“更健康”更容易执行，但如果现实中有新生儿或高压阶段，这个目标就会变成失败感来源。目标必须贴合真实生活、价值排序和可行动范围。问题在于，许多重要追求无法被数字完整代表，例如更慷慨、更有耐心、更平静。把它们硬塞进指标里，容易触发古德哈特定律：衡量一旦变成目的，就会扭曲原本想培养的品质。更好的做法是让量化目标服务于定性方向：一次捐赠、一次练习、一个周期的记录，都只是性格变化的证据，而非终点。可实现的目标既要让大脑知道下一步怎么做，也要避免把人训练成只会打勾的任务机器。

一行原则的核心是：不要被漫长目标吓住，只把眼前这一件事做好一次。很多人无法开始，并不是缺少目标，而是被未来需要持续多少天、写多少小时、训练多少次压垮了。真正可执行的单位不是整个计划，而是一个动作、一个决定、一次投球、一块砖。成功常常是大量单次正确选择累积后的结果，但人在行动时不必同时背负全部累积量。只关注“连续一个”，能把抽象压力变成可完成的眼前任务。写作时先完成今天的一段，健身时先完成这一组，冥想时先坐下这一回；做好之后，再做下一次。这个方法不要求一开始就拥有强大纪律，也不需要提前承诺漫长链条，它用最小行动绕开恐惧。进步不是先相信自己能坚持很久，而是在每个当下只处理下一个可控动作。连续性会在事后出现，开始则只需要一次。

改变之所以困难，不只是因为目标不够清楚或行动计划不够具体，而是因为人会同时被愿景和阻力牵引。常见的改变模型强调不满、愿景和第一步，只要这些力量压过阻力，改变就会发生；但人的行为不是线性方程，真正卡住人的往往是无意识的恐惧、身份认同、旧习惯和自我保护机制。所谓阻力，并非单纯懒惰，也不是外部环境的借口，它常来自内在某个想维持安全、被接纳、可控和舒适的部分。若只靠动机去压制它，等于把自己切成“想进步的我”和“拖后腿的我”，冲突反而加深。更持久的改变需要先看见这些保护性反应：害怕失败、害怕失去地位、害怕离开熟悉身份。理解阻力的积极意图，才能把它从敌人变成需要被安抚和整合的部分，改变也才不只是短暂冲刺。

"让-马克-加斯帕德-伊塔德（Jean Marc Gaspard Itard）写道："在阿韦龙的野人到来之前，巴黎人对他抱有最美好但最不合理的期望。维克多是我们可以在没有语言的情况下窥见人类经验本质的极少数案例之一，他一直被视为理解语言在我们思维运作中所起作用的关键。在过去的几年里，大型语言模型（LLMs）自发地发展出了令人不安的模仿人类思维的能力，有可能破坏我们在意识提升的基础上建立起来的脆弱的道德世界。认知科学家戴维-查莫斯（David J. Chalmers）所说的 "自我报告 "仍然是我们识别意识的主要标准之一--套用勒内-笛卡尔的话说，我说我想，所以我是。我们在这场辩论中的立场，对我们如何处理LLM事实上是否有意识这一问题有着重要影响。由此，研究人员得出结论，语言在人类思维的一项关键功能中扮演着基础性的角色："心理综合"，即仅从文字中创造和调整心理图像。

Stable Diffusion 对创作者的关键价值，是把图像生成从封闭服务变成可实验、可控制、可嵌入工作流的工具。它的核心输入是提示词和种子；同一模型版本下，提示词与种子相同，输出也会稳定复现。因此，固定种子再微调提示词，可以在同一片潜在空间里逐步靠近想要的画面；改变种子，则通常会跳到完全不同的视觉方向。提示工程的重点不是写得长，而是写得相关：主题是什么，风格是什么，哪些修饰语能把模型推向正确区域。可以把提示词想成搜索图片时会输入的关键词，但生成工具没有个性化排序和无限滚动，必须更具体。学习路径也很实际：使用 Dream Studio、PlaygroundAI 等工具反复试，借鉴 Krea.ai 等平台上的好提示，在低成本环境里积累直觉。

很明显，它完全不知道我是谁 使用LoRA (低资源适应)进行精细调整稳定扩散 太棒了，正如上面所示，我们可以很快生成一些整洁的图像，但是我该如何使用稳定扩散来生成我自己的图像呢？例如，DreamBooth需要很长时间来训练，并且它输出一个大型的多吉字节的模型检查点文件。LoRA的结果与DreamBooth相似，但它只需要5-7分钟的训练时间，而且它产生的权重文件更便携，只有10-15MB 。在MacOS上，你可以通过在 中选择图像文件来实现这一操作 要继续跟随，你首先需要前往Replicate并创建一个账户。总的来说，为你的Replicate上传文件使用描述性的文件名总是有帮助的，因为这将帮助你在查看结果时理解你正在看的内容。5 生成具有自定义稳定扩散LoRA权重的图像 太棒了，现在你已经得到了你的 权重文件，你可以用它来生成使用你的脸作为参考的图片！在Replicate上，如果你搜索公共模型中的“LoRA”，你会找到一些“有特色”的稳定扩散模型，这些模型将很好地配合你的LoRA权重。

有效的图像生成提示不是一个神奇关键词，而是对主题、权重、风格、媒介、质量和场景的精确控制。模型不会读心，也不理解严格逻辑，它只是根据词语在潜在空间中的权重去生成图像。越重要的词越应放在前面，括号或重复可以提高某个词的影响力，但过度强调会让模型忽略原始主体，产生畸形或偏离目标的结果。若想保留训练对象特征，可以加入触发词；若想改变外观，要用同义描述、媒介、艺术风格、摄影质量、背景和情绪词一起引导。比如“秃头”单独出现往往不够，“无发、剃光、肖像、写实照片、清晰灯光、特定背景”会更稳定。颜色词容易污染整张画面，远距离人脸也仍是生成模型的弱项。提示写作的核心是按目标分配注意力：轻微修图要让主体权重大，风格转换要让媒介和艺术语言更强，角色扮演和场景迁移则要明确“作为谁”“穿什么”“在哪里”。好结果来自上下文感和反复校准，而不是套用固定公式。

”开始之际通过 《国家环境政策法》(NEPA) 是一项联邦环境立法，于 1969 年在环境法“永恒的九月 ，因其影响力而常被称为环境法的“大宪章”一直在制定环境政策。”的形式， NEPA 不仅对联邦政府的行为产生重大影响，而且该法律还作为一个模板被州政府（以“小 NEPA 如加利福尼亚州的 CEQA）和其他国家广泛复制。NEPA 是一项法律，它要求联邦机构为可能对环境产生重大影响的任何行动编制环境影响声明。这些声明（可能长达数千页，需要数年时间准备，并且必须在项目开始之前完成），以及人们普遍认为 NEPA 过程缓慢且笨拙，使 NEPA 成为批评的频繁目标和改革努力。

Accumulating evidence 积累证据 韩国研究小组是根据 LK-99 的两个特性提出这一说法的：在磁铁上方悬浮和电阻率突然下降。澳大利亚墨尔本莫纳什大学（Monash University）物理学家迈克尔-福勒（Michael Fuhrer）说，唯一的进一步证实将来自韩国团队分享其样本。Half-baked levitation 半成品悬浮 马萨诸塞州剑桥市哈佛大学的前凝聚态物质研究员德里克-范根尼普（Derrick VanGennep）突然发现了几个问题，他现在从事金融工作，但对 LK-99 很感兴趣。Impure samples 不纯样品 "他们非常精确伊利诺伊大学香槟分校的化学家 Prashant Jain 说："104.8 ºC。Crystal clear 晶莹剔透 由于对电阻率下降和半翘曲现象的解释不充分，许多人确信 LK-99 并非室温超导体。

生成式 AI 可以低成本伪造文本、身份和社会证明，使公共互联网越来越难判断内容是否来自真实的人。文章提出用加密签名和分散式信任网络重建可信关系：用户不必公开身份，也能证明内容由某个持续存在的主体签署，并通过公开记录积累信誉。这种机制不能阻止机器生成内容，但可以帮助人们区分可信主体与匿名机器人群。

生成式人工智能会让开放网络更像黑暗森林：可见空间里充满连贯、廉价、像人写的文本和图像，真实的人反而更难被辨认。过去的垃圾内容多来自 SEO、广告、机器人和点击诱饵；大型语言模型和图像生成器把生产成本进一步压低，营销文案、博客、社交帖、视频脚本、播客和幻灯片都能自动批量生成。结果不是信息更多，而是信号被平庸内容淹没，读者会不断怀疑屏幕后面是否有一个真实生活的人。人的优势不在于写出标准化说明，而在于具体经验、地方细节、近期事件、真实关系、价值立场和复杂判断。要证明自己不是预测文本机器，就要写出更有现场感的故事，提出可争辩的原创看法，发展个人语言习惯，并把线上关系延伸到真实互动。未来的写作门槛会提高，普通综述和顺滑表达会迅速贬值。

生成式人工智能会把互联网推向更严重的柠檬市场：当人们无法判断互动对象、评论、账号和内容是否真实时，高质量参与者会逐渐退出公共场域，剩下更多低信任垃圾。二手车市场里，卖家无法证明好车不是坏车，买家只愿按平均风险出价，结果好车退出，坏车占比继续升高。AI 让类似机制扩展到社交网络、约会应用、游戏大厅、论坛评论和电话消息，因为垃圾内容不再只是重复模板，而能以低成本生成大量独特、连贯、会回应的人格。结果可能不是所有人彻底离线，而是公共开放平台衰落，私人群组、邀请制社区和已验证真人身份变得更有价值。平台也可能用更强监控来对抗机器人，要求证件和实名，从而制造新的权力问题。与此同时，一部分人会更重视线下关系、家庭、社区和面对面网络，另一部分人会更深陷由 AI 强化的娱乐、色情、游戏和社交刺激。长期看，能保护年轻人、建立真实配偶和社区支持系统的文化会更有韧性；线下高密度社区的价值也会上升。

本地关键词研究是指找出人们在搜索其所在地区的地点、产品或服务时所使用的关键词的过程。他战略性地使用关键词研究来指导他的本地搜索引擎优化策略。您想知道关键词 "Joliet 的面包店 "在搜索引擎结果页面（SERP）上的搜索结果。例如，Milano Bakery 网站上有 391 个相关关键词。通用关键词研究与本地关键词研究 在进行一般关键字研究时，您的目标是了解人们用来描述公司、产品或类似服务的术语。这个过程有四个简单的步骤： 利用数据优先选择目标关键词 第 1 步：为关键词创建电子表格 创建一个简单的电子表格，保存在本地关键词研究中出现的关键词。就像这样 要获得更深入的关键字研究体验，Semrush 的关键字魔术工具是查找特定关键字的绝佳工具。Keyword Magic Tools 显示的数据可以帮助您决定选择哪些关键词。然后，使用高级过滤器过滤具有本地意图的关键词： 打开 "高级筛选器 "下拉菜单 向下滚动并选择 "本地软件包 使用尽可能多的种子关键词，重复查找显性和隐性关键词的步骤。

长尾关键词是大量搜索量较低、但意图更具体的查询。单个词带来的流量有限，整体却可能覆盖可观需求，并因问题明确而更容易匹配内容与转化。文章介绍通过关键词工具、竞品页面、搜索建议和主题分析发现长尾词，同时提醒不要只看词频，应判断相关性、意图和内容价值。

程序化 SEO 的吸引力在于，用结构化数据批量生成面向长尾关键词的页面，让许多低搜索量查询合起来带来稳定流量。实验从一个园艺网站开始：购买域名，使用 Hugo 搭建静态站，再围绕“某种蔬菜如何盆栽”“需要多少阳光”等低竞争问题设计模板。数据表中的每一行对应一种植物，经过基于 Jinja2 的模板应用生成 Markdown 页面，几十个页面几秒内完成。真正的难点却不在生成，而在数据来源和页面差异化。手工收集植物信息几乎和写作一样费力；数据点太少会限制可覆盖关键词，也会让页面之间过于相似，可能被搜索引擎视为重复内容。程序化 SEO 并不是按下按钮就获得流量，还需要索引、站点地图、性能、反向链接和长期观察。它最适合已有丰富、独特、可结构化数据的项目；没有数据优势时，自动化只会把内容贫乏的问题放大。

自然语言适合表达意图和探索未知问题，但纯聊天界面会隐藏系统状态、可选操作和结果结构，让用户难以检查、比较或纠正。文章主张把语言模型与按钮、表格、可视化和直接操作等界面结合：对话负责理解模糊需求，结构化界面负责展示状态、约束和可控行动。

ChatGPT 和其他人工智能系统正在准备推出计算历史上的第三个用户界面范例——60 多年来的第一个新的交互模型。从计算机诞生以来，即 1945 年左右，第一个 UI 范式就是批处理。范式 2：基于命令的交互设计 1964 年左右，分时技术（多个用户通过连接的终端共享一台大型计算机）的出现导致了第二种 UI 范式：基于命令的交互。基于命令的交互已经成为贯穿三代用户界面技术的基本方法：命令行（如 DOS 和 Unix）、全屏基于文本的终端（常见于 IBM 大型机）和图形用户界面（GUI：Macintosh、 Windows 和所有当前的智能手机平台）。自 1984 年 Macintosh 推出以来，图形用户界面一直主导着 UX 世界：大约 40 年的霸主地位，直到它可能被下一代 UI 技术取代，更重要的是，被人工智能形式的下一个 UI 范例所取代。

AI 对软件用户体验的改变，短期内不会表现为所有应用都变成聊天框，而是先嵌入现有流程，减少繁琐操作并提升个性化。它可以分析用户行为，给出建议，生成内容草稿，辅助写代码，帮助数据分析师用自然语言构造查询，也能在表格和业务系统之间自动映射字段。B2B SaaS 中大量痛苦来自清洗数据、搬运数据、修正缺失字段和处理格式差异，AI 正好能把用户从机械执行者转变为审核者和监督者。与此同时，设计模式会被迫变化：过去依靠表单、映射界面和手动配置完成的任务，可能逐步让位于上下文感知的自动处理。但成熟度仍有限，尤其在 SQL 等高成本、高准确性场景中，错误查询会带来实际损失。好的 AI UX 不应让用户盲目信任机器，而要清楚展示建议、风险、可编辑结果和验证路径，让效率提升与可控性同时存在。

“大模型基础”是提供大规模预训练语言模型教程的开源项目，涵盖多方面内容，面向广泛受众。1. 《大模型基础》是一个开源的教程项目，旨在提供关于大规模预训练语言模型的知识，并降低入门难度。从数据准备、模型构建、训练策略到模型评估与改进，以及安全性、隐私保护和环境等各个方面进行系统化解释。此项目应用于人工智能 (AI) 投资者、研究员和自然语言处理领域学习者等广泛受众群体。最后还特别指出，完成教程第二版需要分三步走：初阶完善润色旧版内容（约两月），中阶增加代码实用性 (逾期请覅忘 cd /sbin/shutdown -r now)，最末则钻研有所启迪 GPT 系列 requiem 明代肖像画典藏修复策略。已由哈尔滨工业大学自然语言处理博士生陈安东，天津科技自然语调时间序列变现研究专家王茂林加入共同编写；。该项目将罗列详尽内容：包括如何准备数据、建立并优化过 transformer 这样复杂网络结构的大规模预训练经验。

自学人工智能（机器学习、深度学习）的入门指南围绕人工智能教程展开，核心内容包括是自学人工智能（机器学习、深度学习）的入门指南，介绍资料依托、知识收集方法和高频工具，适用于自学者。

GenAI/GPT/AIGC/LLM 学习资料围绕大模型从底层原理到产品落地的关键问题展开，把“语义即服务”、AI 的 iPhone 时刻、插件平台化、上下文窗口、延迟、准确性、多模态和自动代理等议题放在同一张学习地图里。核心判断是，未来门槛会从会不会写代码，部分转向能不能清晰描述问题和需求。资料库收录 GPT 与 LLM 总览、Transformer、训练技巧、对话模型、涌现、MoE、多模态、工具使用和产品化观察，也记录了平台化受算力、体验、成本和交互准确度制约的现实问题。它更像一份硬核学习笔记：一边追踪论文、访谈和模型进展，一边提醒从业者理解 GPT 背后的第一性原理，避免只停留在工具体验和热点名词上。 面对模型快速迭代，它提供的不是单点答案，而是一种判断框架：先看底层模型能力，再看产品体验是否稳定，最后看商业成本和应用场景是否匹配。这样才能区分真正的范式变化、短期概念热度和暂时还没有 PMF 的平台设想。

通往 AGI 之路把 AI 学习整理成一套可持续更新的知识库和社区入口，重点不是让 AI 代替思考，而是帮助学习者少走弯路，借助 AI 提升判断、表达和创造能力。内容从“从这里启程”开始，延伸到 AI 学习路径、提示词、AI 绘画、AI 语音与数字人、AI 网站和应用、GPT 与浏览器插件、视频播客、行业报告、AI 课程、智能体、空间计算和辅助学习工具。知识库还提供最新动态、历史更新、共学直播、线下活动、投稿机制和问答入口，把资料索引、实践社群、活动记录和学习路线放在同一个空间里。适合想系统入门 AIGC 的人建立长期学习地图，也适合已经在使用 AI 工具的人跟进案例、工具和行业变化。 它的价值还在于把“学习资料”变成“行动入口”：读者不仅能查资料，还能参加共学、跟踪更新、提交内容、寻找同伴。对于容易被 AI 信息流淹没的人，这种目录化组织能帮助先建立主干，再按工具、场景和前沿方向逐步扩展。

AI Canon 是一份现代人工智能入门资料清单，收录关键论文、博客、课程和解释性内容，覆盖 Transformer、扩散模型、大语言模型及其产业影响。它按学习难度组织材料，帮助非专业读者建立基础框架，再进入更深入研究。由于领域变化迅速，这类清单应作为起点，而不是固定不变的权威目录。

提示注入难以彻底防御，因为模型在同一语言上下文中同时接收开发者指令、外部内容和用户输入，无法可靠区分可信命令与恶意文本。攻击者可以借网页、文档或对话覆盖原任务，诱导模型泄露信息或误用工具。工程上应采用最小权限、隔离不可信内容、限制工具能力、验证输出并保留人工确认，而不能只依赖提示词。

嵌入是一种与大型语言模型（即 ChatGPT 和 Bard and Claude 背后的技术）相邻的技术。我为每篇文章计算了 1536 维嵌入向量（浮点数数组），并将这些向量存储在网站的 SQLite 数据库中。与在 SQLite 中使用 TG、sqlite-tg 和 datasette-sqlite-tg 进行地理空间 SQL 查询相关的五篇最热门文章是 SQLite 中的地缘政治-2023-01-04 使用 SpatiaLite 和 Datasette 查看 GeoPackage 数据-2022-12-11 在 GDAL 中使用 SQL-2023-03-09 使用 SpatiaLite 进行 KNN 查询-2021-05-16 GUnion 在 SpatiaLite 中组合几何图形-2022-04-12 下面是我用来计算余弦相似度距离的 Python 函数： 我的 TIL 站点在我的 Datasette Python 框架上运行，。

最近我了解了一种称为矢量搜索或语义搜索的新型搜索。这是一种搜索技术，它试图找到与用户搜索词的含义相匹配的文档，而不是像全文搜索 (FTS) 那样尝试匹配关键字。我看到了 Alex Garcia 的帖子，该帖子介绍了一个名为 sqlite-vss 的用于矢量搜索的新 SQLite 扩展。由于我的博客数据已经在我认为的 SQLite 数据库中，为什么不呢？计算嵌入需要一个名为句子转换器的 python 库。这可以用 pip 安装： 我使用可信赖的 sqlite-utils 将嵌入到我的数据库中添加到新列中。CLI 有一个 子命令，可用于在表的每一行上运行 python 函数并将结果写入不同的列。首先让我们在 列上运行嵌入： 接下来是 列，用于计算每个帖子正文的嵌入： 现在我们启用 sqlite-vss 扩展并使用它来构建索引。

1965 年，罗伯特·霍利成功测序了来自酿酒酵母（Saccharomyces cerevisiae）的第一个 tRNA。他利用这种方法成功测序了第一个完整的基因组，即细菌病毒 PhiX174 的基因组。2000 年 – 大规模并行签名测序（MPSS）由 Lynx Therapeutics（美国）公司推出，这是首个 NGS 技术，后来被 Illumina 收购。不过，它对 DNA 的一小部分进行了测序 人类基因组成本随年份变化的图表。然而，还有一个关于同意的另一个问题：让父母决定是否进行基因组测序是否符合伦理？对儿童进行基因组测序还可以帮助确定他们是否会对可能用于治疗的不同药物产生过敏反应。关于是否为他人（如儿童）进行基因组测序的决定问题已经不再存在，因为成年人在这个时候已经足够成熟，可以自行做出同意。基因组测序可以帮助确定他们应该服用哪些药物，以及哪些药物在成年时比在儿童时期更有效。

该公司表示，价格是在考虑“这种新型基因疗法所代表的临床、社会、经济和创新价值”的情况下确定的。上个月早些时候，总部位于波士顿的非营利性研究机构临床和经济评论研究所估计药物和其他医疗服务的价值，称 Hemgenix 的合理定价将超过 290 万美元 。但利哈伊大学卫生政策教授、纽约加里森独立生物伦理学研究所黑斯廷斯中心的研究学者迈克尔古斯马诺表示，Hemgenix 和其他基因疗法的价格不应被视为便宜货。“它假设当前治疗的价格是合适的，”他说。“我们有一个价格完全不符合国际标准的体系，”他指出，与其他经济发达国家不同，美国在新药上市时不会对其价格进行监管或协商。

2022 年的生物学没有停滞，反而在低效的科研体系中显出惊人的活力。论文发表缓慢、同行评审质量不稳、资助评审一致性差、负面结果难以传播，这些问题让生物学进展本应更慢；但过去一年仍出现多项重要突破。人类基因组最后约 8% 的空白被补齐，合成细胞研究证明核糖体可在活细胞外制造，人工脂质泡中也能用少数蛋白形成分裂环，生命从化学组分重建的目标更近一步。基因编辑继续推进，碱基编辑器进入临床试验，线粒体编辑虽然暴露严重脱靶问题，但更小、更准确的新方案很快出现。噬菌体疗法也重获关注，定制病毒组合被用于清除抗生素无效的耐药感染。机器学习开始改变蛋白质工程，能设计出比天然酶更快分解 PET 塑料的酶。生物学正在变得更怪、更工程化，也更接近把生命过程拆开重组。

社交焦虑不同于短暂害羞，它会持续影响演讲、结识新人或日常互动，并可能因回避而进一步强化。文章建议先明确自己希望恢复的生活目标，再逐步识别触发情境、练习社交技能、调整灾难化判断，并以可承受的小步骤接近害怕的场景。重点不是消除所有紧张，而是在紧张存在时仍能参与生活。

例如，完美主义的学生可能会因为在学校作业中犯错而对自己大加批评，从而推迟做作业，以避免处理相关的负面情绪。例如，当人们受到父母的批评时，这可能会加剧他们对完美主义的担忧，进而加剧他们的拖延症。或者，当人们有较高的自我效能感时，这可以提高他们控制完美主义担忧的能力，从而减少他们的拖延症。因此，虽然完美主义有时会导致拖延症，但并非所有拖延症患者都是完美主义者，即使是那些完美主义者，也不一定是因为完美主义而拖延，或者仅仅是因为完美主义而拖延。然而，造成拖延的许多其他原因，如焦虑和对失败的恐惧，都以不同的方式与完美主义联系在一起，例如与完美主义同时出现，或与完美主义的关注点有关。例如，如果一个艺术家因为担心公众认为其作品不完美而不必要地长期拖延作品的出版，那么他就可以被视为完美主义拖延症患者。此外，当完美主义只是导致一个人拖延的主要原因之一时，也可以使用 "完美主义拖延症患者 "这一术语，同时还可以使用其他主要原因作为描述。

情绪解码器的核心突破，是把抑郁症从单纯问卷描述推进到可被大脑活动部分测量的方向。严重、难治性抑郁并不是一个开关失灵，而是一组涉及情绪、睡眠、动机、快乐感和自杀风险的复杂症状，因此传统深部脑刺激疗效不稳定。研究团队借鉴癫痫手术的做法，给志愿者临时植入多枚电极，连续记录不同脑区活动，同时询问他们的主观情绪，再寻找“低落”和“好转”对应的神经模式。初步结果显示，扣带皮层等区域在三名志愿者中呈现可识别趋势，刺激特定位置还能让个体感到情绪负担减轻。长期目标不是让大量患者都接受昂贵且侵入性的探测，而是找到更通用的靶点，改进深部脑刺激，甚至发展非侵入式检测。风险同样存在：脑信号若用于诊断或筛查，可能误判个体差异，也可能暴露患者不愿公开的精神健康信息。

起初，Riana Alexander 总是很累。她曾是亚利桑那州高中的优等生，就在凤凰城郊外。但去年冬天，在远程学习被隔离，然后是全面返校的超负荷之后，她的成绩开始下滑。她担心的母亲寻求心理健康治疗。最后，在春天，每周三天的抑郁症强化训练帮助这名少年稳定了自己，并“想要变得更好，”亚历山大说。

在这个问题中，我将剖析我整个个人知识管理（PKM）系统以及它在多年间的演变。在这个问题中，我将互换使用“个人数据”和“个人知识管理”（PKM）这两个术语。很不幸，我的Commodore早已不复存在，我也不知道我的旧软盘去了哪里。后来，大约在1994年，我得到了我的第一台个人电脑：一台Intel i486DX2。我从来没有想过我实际上已经在引导我的未来职业了 第二次意译结果： 当时，在法国和比利时，纸质杂志非常流行 我清晰地记得一本叫做《La Bible des Tips》的杂志，它是一本收录了成千上万个视频游戏秘籍、技巧和窍门的汇编。那时候，Windows用户需要花上几个小时来进行碎片整理。一旦我有了自己的刻录机，我就发现了Nero Burning ROM并爱上了它。我还创建了自己的autorun.exe，它会显示一个漂亮的菜单列出内容。除此之外，我还收集漫画书、书籍、音乐（那时候Napster是王者）、模拟器和ROM（哦，亲爱的GBATemp）、PSX游戏（谢谢Paradox）、PC游戏、操作系统等等。

CM 我是 PKM 中度用户，对于笔记这件事我始终觉得是少部分人的「习惯」，但是我不知道这个少部分人的构成。不过，一般来说，农民使用的软件越多，他们就越会发现自己被这些工具收集的数据压得喘不过气来。可能属于 Platformer 的故事会被保存到生产力平台 Notion 的数据库中。Roam 的开发速度越来越慢，我花了一个季度的时间来使用轻量级、基本免费的替代软件 Obsidian。不过，Obsidian 的野蛮设计让我感到厌倦，最终我选择了用户界面更精致的 Mem（这些应用都能以 Markdown 格式导出笔记，因此切换起来相对简单）。它发生在你的电脑上，与电子邮件、Slack、Discord、iMessage 和你选择的文本社交网络为邻。这又回到了我在 Notion 中建立的链接数据库，以及我希望从 Roam 中获得的见解。

笔记不应只被理解为独立文档，还可以成为附着在邮件、任务、网页和事件上的上下文层。文章从 Hey 的 Thread Notes 和实体便利贴出发，设想一种跨应用的笔记元层：信息在相关情境再次出现时主动提醒，而不是依赖人回到文件夹中寻找。

工具应该贴合人的工作流，而不是逼人把思考方式折成工具允许的形状。大众生产力软件面向平均用户，功能更多、可靠性更高，却常常把任务、笔记、联系人、项目切成固定盒子；真正的工作却存在大量灰色地带。自制工具的价值不在于客观更强，而在于能把个人的心理模型编码进去：短期记忆和长期知识可以分开，联系人字段可以随着真实记录习惯增加，备份和日历也可以按自己的节奏运行。更重要的是，自有工具能随着需求变化而生长，先用最简单的方法观察模式，再把反复出现的模式变成软件能力。对承载日记、笔记、阅读记录和项目规划的系统来说，所有权也是可靠性的一部分。把关键工作流交给可能转向、关停或重塑产品的公司，意味着自己的思考基础随时可能被迫搬家。

Obsidian 可以用浏览器用户脚本变成私人剪藏器，关键是把网页中的选中文本或结构化字段拼成 Obsidian URI，让浏览器直接把内容写入指定库。通用做法是在 Tampermonkey 中监听快捷键，读取页面标题、域名和用户选中的文字，清理不能用于文件名的字符，再通过 URI 新建或追加笔记。更进一步，可以针对 IMDb 这类页面写专用脚本，用 jQuery 选择器抓取片名、年份、时长、简介等字段，点击页面上的 Obsidian 图标即可保存成固定模板。选择器需要在浏览器控制台里逐个验证；触发方式也不只限快捷键，还可以做成页面按钮或右键菜单。真正要注意的是脚本权限、iframe 选区和浏览器打开 Obsidian 前的确认弹窗。

链接不只是网页里的跳转按钮，而是一种足够简单、足够有表达力的思想原语。标签可以看成指向同一主题页的一组反向链接，文件夹可以看成装满链接的页面，质量信号可以来自被多少地方引用，评论也可以理解为指向某个对象的回应。大纲、主题模型、知识图谱甚至语义三元组，都能用链接重新描述：当前页面是主语，链接文本像谓语，被链接对象是宾语。这样的设计力量在于，它不需要用户额外维护一套复杂结构，知识网络会在写作和引用时自然生长。复杂软件常常把功能堆成沉重规则，而链接展示了相反路径：少数基础机制，只要组合方式开放，就能产生标签、目录、注释、主题和推理结构。思想工具最值得追求的不是功能数量，而是一个小字母表能否支撑足够大的表达空间。

标签系统看似只是给内容贴名字，实际是在设计一种可查询、可组织、可演化的元数据语言。最简单的标签由名称唯一标识，容易实现，但会遇到同义词和拼写差异；标签别名可以把多个说法归到一个规范标签下。子标签把标签放进层级结构，查询父标签时包含子标签内容，但要处理循环、防止冗余，并决定用户能否只查父级或叶子。更复杂的 DAG 标签允许多个父级，表达力更强，查询语义也更模糊。智能标签不靠人工分配，而是按规则自动归类，例如无坚果食谱，但规则之间可能产生逻辑悖论，计算成本也高。哈希标签把标签嵌入正文，适合社交发布，却难以表达空格、别名和额外元数据。键值标签适合云资源、迭代计划等技术场景。设计标签系统时，必须先弄清谁在打标签、谁在查询、标签是否会被滥用，以及结构复杂度是否真的值得。

书本常常不起作用，是因为它默认知识可以靠连续阅读直接传递，而复杂理解并不会这样发生。很多人读完严肃非虚构后，只能留下几句模糊印象；一旦被追问细节、因果链或应用方式，就会发现自己并没有真正掌握。问题不在于读者懒，也不只是记忆差，而是媒介本身缺少有效的学习模型。讲座有同样缺陷：讲者说清楚，听众觉得听懂，练习时却暴露出理解空洞。这背后是一种被称为传播主义的错误假设，即知识像文字复制一样从一个头脑转移到另一个头脑。真正的学习需要主动加工：解决问题、复述结构、生成例子、做项目、接受反馈。书籍当然能激发思想，也能保存人类经验，但如果目标是可靠地传授知识，它需要嵌入练习、回忆、互动和应用场景。更好的知识媒介不应只把句子排好，而应围绕人的认知方式设计。

以做为中心的解释媒介，目标是让学习发生在真实行动中，而不是把规则和操作分开。传统说明书要求读者一边查阅一边尝试，记忆负担高且反馈滞后；更有效的方式是先提供最少解释，再在动作发生时及时提示、示范和纠偏。理想的学习工具应把说明嵌入 IDE、Figma 或 Blender 等真实工作环境，让文字、反馈和操作对象贴近同一个任务现场。

复杂系统失败通常不是单个错误造成的，而是许多平时看似无害的小故障在特定时刻叠加。交通、医疗、发电这类系统天然带有危险，因此才会发展出备份、流程、培训、监管等多层防线。灾难发生时，人们容易寻找一个根因或一个犯错的人，但这种解释遮蔽了真实机制：系统长期在带缺陷的状态下运行，靠冗余和一线人员的持续调整维持安全。事后知道结果，会让旁观者误以为风险当时显而易见，从而低估操作者面对的不确定性。人既要完成生产，又要阻断事故，这两个角色经常冲突。改变也不总是让系统更安全，新技术可能消除常见小问题，同时打开罕见但严重的新失败路径。安全不是某个零件或部门的属性，而是整个系统在变化中不断被人创造出来的结果。没有故障经验的人，也难以识别系统边界在哪里。

关系型数据库并不过时，它们强在把数据可靠性变成默认能力。ACID 事务、外键、唯一约束、非空约束和检查约束，看起来不如高吞吐基准耀眼，却替应用承担了最难处理的工作：失败、并发、崩溃和边界情况下的数据一致性。许多 NoSQL 系统之所以显得更快、更容易横向扩展，是因为它们放弃或弱化了部分保证，例如即时一致性、复杂查询、跨表关系和严格模式。这不是单纯的技术进步，而是复杂度转移：数据库少管的事情，应用代码、后台任务和人工修复就要多管。对海量写入、简单键值访问、特殊分片需求或最终一致性可接受的场景，非关系数据库很合适；但在大多数业务系统里，干净、结构化、可长期维护的数据更重要。应用会重写，数据会留下。选择数据库时真正要问的不是谁更现代，而是谁承担了哪些代价。

CTE 可以直接充当一次性查找表，用来把数据库里的代码值转换成更适合展示的文本。面对国家代码、状态码、类型码这类字段，常见做法是在查询里写 CASE 表达式，但分支一多就会让主查询变得臃肿；同样的映射如果在多个地方使用，还得反复复制，维护时容易漏改。更清爽的写法是在查询开头用 CTE 构造一张小表，把 code 和 label 一行行列出来，再在主查询中 JOIN 或多次引用它。这样映射规则集中、可读性更好，也更接近真实维表的思路。对于 SQLite 和 PostgreSQL 这类支持 CTE 的数据库，这是一种轻量、无需建表、适合报表和临时分析的技巧。它不替代正式的数据建模，但能让一次性查询少些噪音。

因此，我的做法是随机编排 1 到 3 个单词，或许在末尾添加一个随机年份，有时使用 leet speak，有时使用一些用户名生成器。为每项服务手动创建新的电子邮件帐户非常繁琐，但幸运的是，有一些服务可以帮助我们完成这项工作： Firefox Relay（5 次免费，无限制每年约 12 美元） Fastmail 屏蔽电子邮件（无限制，30 美元/年） iCloud+ 隐藏我的电子邮件（无限量，0.99 美元/月） 有了这些服务，我就能获得类似于服务独有的 "别名"。1Password 与 Fastmail 的掩码电子邮件集成，因此我可以在网站注册时即时生成电子邮件和密码。如果我出于某种原因需要或想要一张个人头像，我会用以下方法生成一张： ThisPersonDoesNotExist、ThisCatDoesNotExist 或类似服务 Dall-E（根据我的提示生成图像） 有时我会在谷歌或类似网站上搜索 "随机 "图片，但我会尽量注意版权问题，绝不使用真人图片。

隐藏网络身份需要把设备、账号、网络连接、支付方式和自托管服务作为一个整体设计。文章从匿名邮箱、独立设备、操作系统、公共网络和数据托管等环节说明，任何一个与真实身份绑定的细节都可能破坏匿名性。它也提醒读者，完全匿名成本很高，实践前应先明确威胁模型和必要程度。

基础语言模型只学习文本延续，并不会天然理解用户希望它回答问题、遵循指令或表达特定价值。指令微调和其他训练后阶段把这些行为与规范注入模型，使其更易用，也同时引入政治与道德选择。文章讨论基础模型、微调和对齐之间的关系，以及谁有权决定模型应如何回应。

每个人都在互相讨论，部分原因是我们都在从不同的基本概念出发来研究 "人工智能 "到底是什么--它是一个代理还是一个工具，是精灵还是神灯？你如何回答这个问题会影响到你对人工智能可解释性和安全性方法的各个方面。人工智能安全辩论的核心是对准的概念，毫不奇怪，对这一看似直观的概念的微妙的不同理解是辩论的大部分功能障碍的背后。例如，杰弗里-辛顿（Geoffrey Hinton）在最近的《纽约时报》采访中看到他主要担心的是 "邪恶的精神病患者 "的情况。萨姆-奥特曼（Sam Altman）也明确地将对准定义为 "人工智能做用户想要的事情"，尽管当被要求详细说明他的负面情况时，他通常是相当模糊的，但我们可以很有把握地假设是，"坏人用强大的人工智能做坏事"。X-riskers倾向于认为人工智能是高度代理的，并从群体影响的角度来模拟相关风险。

人工智能安全争论的麻烦在于，技术问题和部落立场已经纠缠在一起，而争论双方常常连“更强大的系统”都无法清楚定义。要求暂停训练超过GPT-4能力的模型，听起来明确，实际很难执行：GPT-4相对GPT-3的进步并不只是参数变大，而是数据、训练、微调、人类反馈、推理等许多环节的叠加。能力提升没有单一刻度，连开发者也需要开放评估工具，请外部帮助衡量模型到底在哪些任务上变强。于是，人工智能安全变成一种新的身份分界：有人把未来AGI想象成核武器式威胁，有人把当前模型看成有用但经常犯错的工具。没有现实中的AGI作为共同参照，双方都在拿各自脑中的图景做敌友识别。真正困难的政策问题不是喊停，而是怎样定义、测量和监管能力增益，同时避免把研究转移到更不透明、更难约束的地方。

在浏览器中输入 URL 并回车，看似只是打开网页，背后却串起了从硬件输入到网络通信再到页面渲染的一整条计算机系统链路。这个中文翻译项目把键盘事件、URL 解析、DNS 查询、协议交互、浏览器处理等环节拆开说明，适合用一个日常动作理解操作系统、网络、浏览器和前端工程之间的连接。它解决的问题是把抽象的“网页加载”还原成可追踪的步骤，让学习者知道每一层系统分别承担什么职责。长期价值在于建立工程直觉：排查网页打不开、DNS 异常、请求慢、渲染问题时，不再只停留在表象，而能沿着输入、解析、寻址、传输、响应和展示逐层定位。对入门者，它是一张跨学科地图；对有经验的工程师，它能用来补齐自己忽略的底层环节，把浏览器、网络和操作系统知识串成一条完整路径。面试准备、系统学习和故障复盘都能反复使用这条路径，也适合作为课程导读。

这是我去年在 RubyConf Mini 上发表的主题演讲：10 年学习 DNS。从我第一次购买域名并设置我的 DNS 记录到我真正觉得我了解该系统的工作原理，我大概花了 16 年的时间。在本次演讲开始时我想说的一件事是，我认为花 16 年时间学习 DNS 之类的东西是很正常的。例如，您在手机上使用 Google 地图，它需要知道 maps.google.com 在哪里，对吗？我要谈谈两个用于 DNS 的间谍工具：dig 和 wireshark。我在这张幻灯片上使用了 example.com 而不是 maps.google.com，但字段是相同的。当我们像这样进行 DNS 查询并查找 example.com 时，Wireshark 可以捕获它。所以我们应该能够使用 Wireshark 在 DNS 查询中找到该域名。快速警告：您的浏览器可能正在使用加密的 DNS，如果您的 DNS 已加密，则使用 Wireshark 监视您的 DNS 查询将不起作用。

不一定，老项目最不该因为代码难看就推倒重写。网景在浏览器大战中选择重写，三年后交付缓慢又多漏洞的新版本，市场份额已经被 IE 吃光；技术上后来孕育了 Gecko 和 Firefox，商业上却等同自毁。Basecamp 的相反经验说明，重写能成功的前提不是复制旧系统，而是承认问题、用户和产品判断已经变了。Basecamp 2 删除旧功能、放弃完全兼容，把它当成新产品；同时不强迫老客户迁移，继续维护 Classic。真正的判断标准是：重写是否带来新的产品自由，是否能在有限时间交付，是否尊重既有用户的工作流。否则，重写只会把公司拖进漫长的暂停，既丢掉未来，也消耗现在。代码债只是线索，不是理由；产品债和用户迁移成本才是关键。

AI 正在把创业从“招团队、拉融资、慢慢搭系统”的重资产游戏，变成少数人甚至单人就能启动的高杠杆工程。2026 年，智能体编程、自动化工作流和对话式研究工具已经足以承担工程师、分析师和运营团队的大部分职责，真正稀缺的变成了创始人的洞察力和决策质量。好的起点不再是先写代码，而是用 AI 反复推翻和打磨问题假设，通过用户访谈和竞品分析确认痛点的真实性与具体边界；随后在 Claude 等工具的辅助下，先搭建只覆盖核心交互的轻量原型，把它当作获取反馈的探针，而不是“项目已经成功”的证据。整个路径被重新拆成构思、MVP、发布和扩展四个阶段，每一阶段都围绕一个通关条件：从问题与方案的契合，到产品与市场的契合，再到增长与组织系统的契合。AI 能加速执行，却放大了方向错误的代价，因此真正关键的，不是你能造出多少功能，而是能否在最短时间里，用最少成本验证“这件事值得做”，并在证据出现时迅速调整甚至推倒重来。

产品创意越难用简单语言解释，往往越说明目标用户、核心问题或价值主张尚不清楚。文章比较从形容词加名词、X for Y 到复杂功能堆砌的不同表达，建议先说清产品为谁解决什么问题，再谈技术与功能。简洁不是营销技巧，而是对产品判断的检验。

Jobs-to-be-Done 的价值在于把“客户需求”从模糊愿望变成可分类、可测量、可排序的输入。客户不是简单购买产品，而是在特定情境中试图完成某项工作；产品成败取决于它是否让这项工作更好、更便宜、更可靠地完成。框架先把客户分成三类：实际执行工作的人、支持产品生命周期的人、做购买决策的人。不同角色有不同需求，例如医疗器械里的外科医生、护士维修团队和医院采购部门关心的并不是同一件事。需求又可拆成核心功能工作、相关工作、情绪工作、消费链工作和购买决策工作。真正可用于创新的不是一句“管理支出”这样的宽泛描述，而是把核心工作拆成步骤后，找出客户衡量成功的具体结果，比如减少时间、降低错误、提高可控性。这些结果陈述不绑定某个解决方案，能多年保持稳定，也能通过调研排序，帮助团队发现未被满足的细分市场并预测新产品机会。

用着陆页验证想法，价值不在于证明产品一定成功，而在于判断它是否值得进入 MVP 阶段。做法是先把核心功能、目标用户、痛点、解决方案和价值主张写清楚，避免把尚未验证的功能堆成复杂愿景。然后准备一个能让人理解产品的页面：标题直击问题，文案说明谁会用、为什么需要、如何工作，配上简单线框或产品示意，放置候补名单或早期访问的邮箱注册入口。验证指标要提前设定，但不能脱离流量来源；广告转化、社交流量和自然搜索的基准不同。投放时应按细分人群和关键词分组测试，注册后再以真人方式联系用户，询问他们是否愿意进一步交流。低转化不必立刻判死刑，它可能暴露的是定位、信息表达或渠道不准；高转化才说明继续构建有现实依据。区分验证与开发，是减少浪费的关键。

Discovery 帮助我们决定构建什么或追求什么方向。避免解决方案思维模式的 3 种方法 许多发现都是从探索解决方案开始的。锚定：具有解决方案思维模式的团队通常会通过特定解决方案的视角进行发现研究。发现型思维方式意味着团队对学习持开放态度 他们的假设是错误的，无论这些假设是关于用户的问题、需求还是最佳解决方案。采用发现思维方式有助于团队收集有价值的见解，以确定正确的问题和解决方案。为避免以解决方案的思维方式开始发现，请围绕问题而不是解决方案来构建发现目标。2 突出未知数和假设 帮助我们采用发现思维模式的另一种策略是专注于我们知道和不知道的。3 Icebox 最喜欢的想法 为避免团队锚定于特定解决方案，团队可以在发现开始时构思解决方案，并同意将他们的解决方案想法“搁置”，直到发现研究完成。在团队完成发现研究并开始构思后，他们可以考虑 Icebox 中的解决方案，看看是否有任何合适的解决方案。

提高大型语言模型的推理能力 (LLMs) 已成为 2025 年最热门的话题之一，这是有充分理由的。与仅共享最终答案的简单问答不同，推理模型要么明确显示其思维过程，要么在内部进行处理，这有助于它们在复杂任务（例如谜题、编码挑战和数学问题）中表现更好。然而，LLMs 通常旨在通过结合大量训练时间计算（大量训练或微调，通常使用强化学习或专门数据）和增加测试时间计算（允许模型“思考更长时间”或在推理期间执行额外计算）来改进推理。在这个问题中，我将重点介绍2025 年 1 月 22 日 DeepSeek R1 发布之后发布的关于扩展推理时间计算扩展的有趣的新研究论文和模型发布。例如，OpenAI 使用强化学习开发了其 o1 模型，然后又利用了推理时间计算扩展。一种方法是提示工程，例如思路链 (CoT) 提示，其中“逐步思考”等短语会引导模型生成中间推理步骤。2022 年大型语言模型中的经典 CoT 提示的一个示例是零样本推理器论文 ( 另一种方法涉及投票和搜索策略，例如多数投票或集束搜索，通过选择最佳输出来改进响应。

2024 年 3 月 21 日 • 作者：Sherlock Xu 在过去的一年里，AI 领域一直在快速发布大型语言模型（LLMs），每个模型都以推动生成式 AI 的可能性为目标而取得了进展。就在上周末，xAI 发布了其 Grok 语言模型，该模型拥有 3140 亿个参数，采用 Apache 2.0 许可证。用户可以对其进行微调，以满足特定任务或行业的独特需求（在 Hugging Face Model Hub 中搜索“Llama2”可获得超过 12,000 个搜索结果）。在 Meta 的评估中，Llama 2 的 7B、13B 和 70B 参数模型显示出较低的安全违规百分比（3%和 4%），超过了 Falcon 和ChatGPT（7%）。Zephyr 7B 是基于 Mistral 7B 构建的，经过微调以更好地与人类意图对齐，在特定任务和基准测试中表现优于其他模型。在发布时，Zephyr-7B-β是 MT-Bench 和 AlpacaEval 基准测试中排名最高的 7B 聊天模型。

人类偏好数据可以用于模型排名、评测和路由：对同一提示比较多个模型输出，再预测用户更可能选择哪个，从而在质量、成本和速度之间分配请求。文章也说明，整体排行榜无法代表所有领域和查询，可靠应用需要关注样本偏差、特定任务表现和真实用户反馈。

但很多问题并没有更好的答案，只有“正确”的答案，而这些模型无法做到这一点。不过，在这里我们遇到了一个问题，因为有些任务更好的模型会产生更好、更准确的结果，但还有一些任务没有所谓的“更好”的结果，也没有“更准确”的说法，只有对或错。这是相同的提示应用于 Midjourney 版本 3、4、5 和 6.1。今年或这个十年，这种变化如何以及是否会发生，是关于这些模型是否会持续扩展的中心辩论的一部分，实际上也是关于 AGI 的辩论，在这个问题上我们唯一可以肯定的是，我们没有一个理论框架可以告诉我们。如果你在 Claude 上尝试我上面的电梯问题，它会直截了当地告诉你这看起来像是一个特定的信息检索问题，并且它可能会产生幻觉，因此拒绝尝试。问一个LLM是否能够进行非常具体和精确的信息检索，可能就像问一个 Apple II 是否能够与大型机的正常运行时间相匹配，或者问你是否可以在 Netscape 中构建 Photoshop。

推理模型通过更长的计算过程、思维链、强化学习和蒸馏等方法，提高解决数学、代码和复杂决策问题的能力。文章梳理普通语言模型与专用推理模型的区别，以及训练阶段和推理阶段扩展计算的主要路线。具体模型名称会变化，但核心问题始终是如何用更多计算换取更可靠的推理，并衡量成本、速度与正确率。

文化如何 科学的改变和改进？很多人都认出了 科学核心社会过程的缺陷，例如同行评审， 如何授予资助，如何选择人们成为科学家， 等等。然而，尽管经常有令人信服的批评，但存在强大的障碍 抑制这种社会进程的广泛变化。结果近了 停滞不前，对改善的前景漠不关心。人们 有时会成立新的研究机构打算做一些事情 不同的； 不幸的是，这些机构经常被更多地改变 现有的生态系统比他们改变它。

研究新课题的有效方式不是寻找速成秘诀，而是用足够耐心建立从全景到细节的理解。起步应先读面向普通人的材料，掌握核心概念、术语、争议和关键人物，维基百科、报刊长文和入门白皮书都适合承担这个任务。随后再进入论文、行业报告和专家材料，并通过横向阅读判断来源可信度。真正把信息变成知识的关键，是边读边摘录，并用自己的话写下每条材料的含义；这个动作会变慢，但能迫使理解发生。研究过程中还要记录专家、实践者和权威群体，不只关注有头衔的人，也要关注直接经历问题的人。旁支线索、脚注和偶然提到的历史背景常会打开新门。什么时候可以停下，取决于是否达到“饱和”：新材料开始重复已知信息，关键人物和概念不再陌生，说明已经足以开始表达自己的判断。

我们称之为 "要做的事情"，共有四项： 这四招停止、调查来源、寻找更好的报道、追溯原委。如果您自己正在进行深入研究，您可能需要追寻报纸文章中的个别说法，并对其进行独立核实。我们能更快地处理简单的事情，部分原因是我们可以把更多的时间花在对我们重要的事情上。但无论哪种情况，定期停下来重新评估我们的反应或搜索策略都是关键。如果你从拯救考拉基金会收到一篇文章，说考拉刚刚被宣布灭绝，你最好的办法可能不是去调查消息来源，而是去寻找关于这个话题的最好的消息来源，或者，同样重要的是，扫描多个消息来源，看看专家们似乎达成了什么共识。也许有人根据研究结果提出了一种新的医疗方法，但你不确定引用的研究论文是否真的是这样说的。在这种情况下，我们会让您追溯到声明、引语或媒体的来源，这样您就可以看到它的原始语境，并了解您看到的版本是否准确。当你听到谣言时，你希望在做出反应之前知道消息来源是谁，而当你在网络上遇到一些事情时，你也需要同样的背景信息。

科学论文需要围绕一个可验证的问题组织证据。摘要概括问题、方法和结果；引言说明背景、贡献与研究价值；背景部分定义概念；方法部分交代可复现的技术路线；实验展示现象、对照和结果；讨论则解释意义、限制与后续问题。写作重点不是堆砌章节，而是让读者能判断结论如何由证据推出。

单篇研究即使设计严谨，也可能因为样本偶然性、发表偏差或选择性引用而得出误导结论。文章提醒读者，不要被一项看似权威的研究说服，也不要把多篇经过挑选的同方向研究误当作完整证据。判断科学主张应关注研究总体、效应大小、重复性、方法质量和反面证据，而不是只看作者声望或研究数量。

把「对话」而不是「文档与流程」当作产品管理的主工作界面，并让 Agent 负责绝大部分机械性劳动。具体做法是先通过 ‎⁠/ce-strategy⁠ 让 Agent 像顾问一样反复追问，和你一起产出结构化的 ‎⁠strategy.md⁠，明确目标问题、解决思路、目标用户、关键指标和工作主线；之后在执行阶段，由 Agent 读取策略与上下文，自动头脑风暴、拆解需求、生成和维护 issue，看板只保留「进行中 / 已完成」的极简状态，你主要通过和 Agent 讨论来驱动规划与迭代。与此同时，通过 ‎⁠/ce:product-pulse⁠，Agent 定期联通埋点、日志、支付和数据库等数据源，自动生成「产品心跳」报告：概览核心指标、系统性能、异常和下一步跟进问题，并把每次报告当作「记忆」存档，用于之后的比较和决策回溯。整体上，人从票据书写、报表汇总中解放出来，聚焦在设定方向、理解数据和跟用户对话等高杠杆决策上。

A Plain English Handbook 来自美国证券交易委员会，目标是让披露文件更清楚、更有用。它解决的是专业写作里常见的问题：句子过长、结构混乱、术语堆叠、法律和金融表达让读者难以理解。旧描述显示，手册覆盖文件组织、简明语法和词汇、减少专业术语、版式与可读性设计，并提供示例和提示。虽然场景来自 SEC 披露文件，但它的原则可迁移到英文邮件、产品文档、说明书、合同草稿和对外公告。长期价值在于把“写得正式”改造成“写得清楚”：先让读者理解，再谈说服和合规。对需要写英文材料的人，它是一份可反复对照的表达清单。保存它尤其适合团队统一写作标准，把长句拆短、把被动表达改清楚、把抽象名词换成直接动作，让复杂信息更容易被非专业读者读懂。它也能帮助中文母语写作者建立更直接的英文表达习惯，减少翻译腔和官样表达，提升跨语沟通效率水平。

《一人企业方法论》第二版面向想用较小团队、个人能力或副业资产建立可持续业务的人。它不只适合技术人员，也覆盖自媒体、电商、数字商品等非技术方向。旧描述显示，内容包括一人企业定义、业务规划、以小博大和规模化的底层逻辑、资产与被动收入、滚雪球和链式传播、赛道选择、竞争策略，以及一人企业画布和月报等思考工具。它解决的问题是把“一个人做点生意”的模糊冲动，拆成可分析、可复盘、可控制风险的业务设计。值得留存，是因为它把个人品牌、产品化、资产积累和不确定性管理放在一起，适合作为副业和小型独立业务的长期检查表。尤其适合在选赛道、定产品、评估是否全职投入之前阅读，用来判断优势是否清晰，收入结构是否可持续，风险是否能从副业阶段被逐步验证。它也能提醒读者不要把规模当成唯一目标，先让业务模型站稳。