DemoChen's ClipArchive
January 202323 threads
“前殖民非洲”的想法是空洞和错误的“前殖民非洲”这个概念的问题，在于它把广阔、复杂、长期变动的大陆压缩成欧洲殖民到来之前的单一背景。这样的说法默认现代欧洲帝国主义是非洲历史的主轴，仿佛在此之前只有静止、传统和同质的社会。实际情况相反，非洲一直处在历史运动、思想流通、帝国扩张和跨区域交流之中。古埃及、北非的罗马与拜占庭及奥斯曼影响、摩洛哥与伊比利亚的关系、马里、埃塞俄比亚、Ọ̀yọ́ 等帝国，都显示殖民、征服、边疆治理和多民族统合并非外来现代现象。用“前殖民”概括非洲，还会遮蔽非洲人自身作为殖民者、帝国建设者和制度创新者的历史。范蒂人在 19 世纪建立带有书面宪章的邦联，是为了应对阿桑特帝国压力，并推动教育、城市化和治理改良，这无法被静态的“传统社会”框架解释。研究非洲应当具体到地区、政体、时期、语言和制度，而不是让一个以欧洲为分界线的词替代真正的历史分析。
建立有效的销售渠道有效的销售渠道，是把陌生人逐步变成长期客户的一套连续体验，而不是一次性推销。漏斗顶部是认知阶段，品牌需要通过搜索、社交、口碑或广告留下清晰印象，但真正立刻购买的人很少。进入兴趣阶段后，潜在客户会比较选择，此时最重要的是提供有用内容，帮助他们理解问题和方案，而不是急着成交。决策阶段需要把价格、条款、对比、试用、咨询、优惠等信息摆清楚，因为许多人正是在缺少确定性时流失。行动阶段不止是购买，还包括复购、推荐和再次触达。搭建漏斗要从受众分析开始，观察用户点击、停留和滚动行为，再用吸引注意的内容、明确的落地页、可下载资料和邮件培育推进关系。真正的难点在于每个阶段都匹配合适信息，让客户自然向前，而不是被迫跨越不信任。购买之后仍要保持联系，用新优惠、感谢和持续服务强化关系。一次未成交也不等于失去客户，后续培育可以让品牌在对方真正需要时重新进入选择范围。
洪灝：2022年的教训洪灏回顾 2022 年市场判断与投资实践，讨论中国资产估值、人民币、资本流动和市场周期。文章强调，预测正确不等于能直接转化为职业或投资成果；在高估值、政策变化和外部冲击交织时，风险会长期积累，并最终通过剧烈波动释放。作者也借佛教中的无常与苦，反思投资者如何面对判断、得失和周期。
使用人工智能重写美女与野兽中的性别角色用 AI 改写童话能暴露模型继承的文化预设，也能逼迫创作者重新审视性别角色。把美女与野兽中的性别互换后，ChatGPT 一方面会说关系更平衡，男性美女更主动，女性野兽更脆弱；另一方面又反复把女性角色写得更情绪化、更需要表达脆弱，把男性角色写得更坚定、更有行动力。提示词稍有变化，剧情权力分配也会改变：同样是战斗场景，如果提醒美女是男人，他会从旁观者变成夺剑和保护野兽的人。最终生成的版本不再走原故事中被爱拯救、诅咒解除的路线。男性美女看见女性野兽的善良、忠诚和孤独，与她建立感情，却仍然离开城堡回到家庭；诅咒没有被打破，野兽保持怪物形态，爱只留下记忆。这个结果说明，AI 不只是中性写作工具，它会在重组故事时把训练数据里的性别期待带出来。
什么解释了玉米在亚洲势不可挡的增长？玉米在亚洲快速增长，主要由收入上升、城市化、肉类消费扩张和工业化农业共同推动，而不是因为它取代了米饭的文化地位。玉米进入亚洲已有数百年，早期常作为山区主食、面粉、粥、点心、酒类或家庭牲畜饲料。近几十年的变化在需求端更剧烈：肉、蛋、奶消费增加，使养鸡、养猪和乳业需要大量饲料；生物乙醇、淀粉、糖浆和各类工业制品又扩大了玉米的用途。供给端也有优势，玉米适应性强、生长期短、耗水和用工少，能在丘陵高地和雨养地区种植。中国、印度尼西亚、印度、菲律宾、巴基斯坦、越南和泰国都已成为重要生产国，中国甚至长期让玉米产量超过水稻和小麦。但亚洲小农生产效率仍低，进口依赖明显。嘉吉、ADM、正大、中粮等农业综合企业，以及中国对海外肉类加工商和大豆玉米供应链的布局，显示玉米已从地方食物变成区域工业食品系统的底层原料。
AI 和五巨头生成式 AI 会重新分配五大科技公司的优势，但它未必只属于新创公司。判断关键在于它对既有业务是延续性创新还是颠覆性创新，以及谁能把互补品商品化。个人电脑、互联网、云和移动时代都显示，颠覆性变化常由新进入者推动，但新进入者也可能是大公司内部的另一套业务逻辑。苹果在 AI 图像生成上的位置很特殊：Stable Diffusion 开源、模型足够小，可以被优化到本地设备运行；苹果又控制芯片、操作系统和开发者 API，能把模型变成设备能力，而不是云端服务。Core ML 对 Stable Diffusion 的优化意味着隐私、离线使用和低服务器成本都能成为应用开发者的基础条件。这样一来，苹果可能像 App Store 时代一样受益，小型应用也能基于系统级生成能力做产品；受压的则是依赖集中式算力和付费云推理的图像生成服务。
分辨率和丢帧检测的自动测试显示分辨率和丢帧检测可以自动化，但难点不只是写脚本，而是让自动化结果在 QA 流程里等同于人工签字认可。被测笔记本运行定制系统，发布前必须验证网络、外接屏、休眠唤醒、虚拟机和视频播放；由于产品不能被测试工具改变，插拔显示器、合盖开盖、断开扩展坞都要从硬件层面真实发生。原型用 Linux 控制机、树莓派 GPIO、远程电源插座、物理视频开关、电磁铁和多台摄像头搭出端到端测试台，再用 NixOS 固化系统配置，用 Python 服务提供镜像上传、任务调度和结果下载。分辨率验证的关键是拍摄真实屏幕，通过 OpenCV 和 ArUco 标记定位显示器四角，把照片校正为可分析的屏幕区域，再判断测试图案、方向、排序和分辨率是否符合预期。丢帧检测也沿用同一思路：看用户实际会看到的画面，而不是只相信驱动报告。
用语言模型逆向提纲语言模型最适合介入写作中期的结构整理，而不是只替人生成段落。逆向提纲的做法是先写出混乱初稿，再为每段压缩出一句话，把这些句子当成可移动卡片，重新排列论证顺序，找出跳跃、重复、漏洞和多主题段落。Scrivener 已经证明了这种界面的价值：卡片和正文一一对应，拖动概要时长文本也随之重排，避免了白板工具里整理完还要手工复制粘贴的断裂。语言模型可以进一步降低门槛，自动为每段生成概要，让作者把注意力放在判断论证流是否成立。已有研究原型把编辑器拆成正文与摘要卡两栏，支持拖放、合并、拆分、删除和新增段落；类似实验也展示了生成摘要与正文同步重排的可能。真正缺口不在模型能力，而在文本编辑器的产品实现：写作者需要的是可编辑、可重组、可回到正文的结构工作台。
组织的终结：GPT-3 如何将你的笔记变成实际的第二大脑手工整理笔记会越来越像多余劳动，真正有价值的不是标签、文件夹和双链本身，而是在需要时把旧材料变成可直接使用的判断、证据和表达。笔记难整理，是因为记录时往往不知道未来用途；一句摘录可能服务于写作、决策、安慰朋友或研究项目，单一分类天然不够。旧笔记还带着当时的语境，重读成本高，常常像翻一堆过期碎片。大型语言模型改变了这个成本结构：它可以自动识别人名、地点、书籍和主题，生成临时分类，把分散材料合成研究报告，并在写作、写邮件、做决定时像 Copilot 一样调出相关证据。第二大脑的重点因此从人维护秩序，转向机器按当前任务重组记忆。未来的笔记系统不该逼人回档案库，而应把个人历史、关系和想法压缩成当下可用的思考辅助。
哲学的盲点哲学长期轻视教育，是因为它误把教育看成应用问题，而不是人之所以能成为理性存在的基础。人出生时并不会自动拥有成熟理性，语言、概念、推理方式、习俗和规范都要通过养成进入生活。教育不是把知识装进头脑，而是让人学会在世界中判断、行动、爱、游戏、合作、控制欲望并承担责任。若把理性理解得更宽，音乐即兴、足球配合、手工实践和情绪调节同样属于对理由的回应，不低于课堂论证。由此，教育哲学可以打破思想与身体、理性与情感、学术与职业的旧二分。理解教育，就是理解知识如何传递、人格如何形成，以及人类自由如何在文化中实现。
数据网络效应的力量数据网络效应是一种比普通网络效应更隐蔽的护城河：用户越多，产品获得的数据越多；数据越多，算法越智能；产品体验越好，又会吸引更多用户和更多数据。它不同于单纯依赖规模或品牌的优势，关键在于把学习过程产品化、自动化，让每次使用都能改进下一次服务。搜索、推荐、导航、叫车、日程安排、企业软件、物联网和基因检测都能形成这种循环。早期公司也有机会受益，因为大数据基础设施和机器学习工具变得更便宜、更普及。但真正难点在冷启动：没有足够数据，算法无法证明价值；没有价值，用户又不愿提供数据。可行路径不是向客户空喊“把数据给我”，而是先设计明确的数据采集策略，限制问题范围，建立基础反馈回路，再逐步让产品从人工判断过渡到机器学习。只有数据独特、循环稳定、改进可感知时，护城河才会真正变深。
编程的终结编程正在从“人写源代码”转向“人训练和引导模型”，传统计算机科学的核心位置会被改写。过去的软件工程把思想压缩成可读程序，算法、数据结构、语言和系统是基本功；未来的计算单元可能是大规模预训练模型，人类提供样例、数据、目标和评估，让机器生成实现。代码助手只是开端，更深的变化是软件不再主要靠显式指令构造，而靠模型习得能力。风险也随之上升：模型行为难以完全解释，只能通过实验观察边界，却可能被用于电网、飞机和社会治理。计算机科学因此更像教育学，重点从控制机器执行步骤，变成教会机器在复杂任务中表现可靠。
书评：焦虑的基本形式《焦虑的基本形式》的价值在于把人际冲突背后的恐惧说清楚，而不是给人贴固定人格标签。黎曼把人的基本张力放在两条轴上：亲近与距离，连续性与变化。偏向距离的人害怕被吞没，重视独立、理性和边界；偏向亲近的人害怕分离，渴望被理解、照顾和连接；偏向连续性的人害怕变化，追求秩序、计划和安全；偏向变化的人害怕停滞，喜欢新鲜、自由和可能性。每个人都同时拥有这些倾向，只是权重不同，工作和私人生活中也可能位置不同。模型最有用的地方，是解释为什么一个人的正常做法会触发另一个人的恐惧：有人需要靠近才能安心，有人必须拉开距离才能恢复；有人要先稳定规则，有人要先打破限制。在团队协作中，冲突调解不能只讲道理，还要识别对方正在防御哪一种焦虑。
三个魔法: 对历史、科学和人工智能的沉思人类支配物质世界，靠的不只是聪明，而是三种越来越强的“魔法”：历史、科学和人工智能。历史把经验保存下来，让农业、工艺、数学和制度不再随个人死亡而消失；科学进一步寻找可推广的规律，用实验和数学把小斜坡上的小球、豌豆杂交、行星轨道变成可迁移的控制能力。但科学并非万能，语言、社会、认知、宏观经济等复杂系统往往难以化约成简洁定律。机器学习打开第三条路：不一定理解现象，也能借大量数据获得强预测能力。它延续了统计学中“解释模型”和“算法模型”的分歧，把目标从优雅理论转向有效控制。人工智能的重要性正在于此：它可能让人类在没有清晰规律的领域也能行动，只是代价是可解释性下降，知识的形态从理解世界转向操纵复杂性。
空日历的 CEO空日历不是管理缺位，而是 Doist 把公司运转设计成异步、书面、低会议的结果。Amir Salihefendić 管着约 80 人的远程团队，却很少把时间切碎在会议里，因为多数沟通发生在 Twist、Todoist 和书面片段中，不默认要求即时回复。个人层面，他用 Todoist 收纳工作、生活、阅读、复盘和一对一议题，每个任务都标项目、日期和优先级，早上先处理关键任务，晚上清理或顺延未完成事项。公司层面，会议只保留给真正分歧、一对一和必要同步。这样做的代价是更依赖清晰写作、自我管理和信任；收益是每个人能按精力峰值安排深度工作，CEO 也能把学习、写作、编程和判断力更新留在日程中心。少开会不是技巧，而是一整套组织制度。
书评：赖以生存的算法 - 人类决策的计算机科学《赖以生存的算法》把计算机科学从抽象公式拉回日常选择：招聘、约会、餐厅选择、整理物品、排任务和分配注意力，都可以用算法思想变得更清楚。最佳停止问题给出 37% 规则：先用一段观察期了解候选质量，之后遇到比观察期最好对象更优的就选择，适用于招聘、找伴侣或停车。探索与利用问题解释了什么时候该尝试新选项，什么时候该继续使用已知好选择；时间越充足，越值得探索，时间越少，越应利用已有知识。排序理论提醒人们，追求完美顺序本身有成本，规模越大越明显；有些场景下不整理反而更高效。缓存思想解释了为什么最常用、最近用过的东西应放在最容易拿到的位置，床边衣服堆在逻辑上接近最近最少使用缓存。日程安排则要求先明确目标：若想减少总完成时间，先做最短任务；若截止日期有代价，就按最早截止处理。算法不是替人做决定，而是暴露权衡。
终端、控制台和 Shell 指南终端、控制台和 Shell 不是同一种东西，而是一组从电报、电传打字机和早期 Unix 继承下来的层层抽象。TTY 最初是有键盘和打印机的实体设备，人把字符输入机器，机器把结果打印出来；ASCII、回车、换行、DEL 等控制字符，都来自这种机械通信时代。后来纸张被屏幕取代，视频终端出现，再后来现代系统用虚拟终端和终端模拟器复刻这些行为。控制台更接近系统提供的本地交互入口，终端负责承载输入输出，Shell 则是在其中运行的程序，解释命令、启动进程、连接管道。今天开发者在黑框里输入命令，看似只是在操作软件，其实仍踩在一整套旧硬件协议、字符编码和 Unix 设计传统之上。理解这些来源，能减少把 terminal、console、shell 混用造成的误会。
December 202226 threads
投资者的学习心态与 Alix Pasquet投资者的学习能力首先体现在行为改变，而不是读了多少书或听了多少播客。Alix Pasquet 的核心方法是把学习放回真实世界：阅读、独处思考和社交观察要平衡，否则投资人很容易困在知识泡泡里。早期职业选择应优先导师而非短期收入，因为好导师能压缩试错曲线；寻找导师时要说清钦佩什么、能为对方做什么、希望得到什么，并用行动反馈建议是否有效。研究优秀投资者也不能变成英雄崇拜，重点应放在初始条件、所处网络、关键书籍、隐形优势和时代环境，而不是机械模仿结果。快速成长往往来自五人制足球式的高频练习：在短时间里接触大量交易、客户和反馈。建立基金或做重大决策前，还可以反向做失败点分析，分别问创意生成、组合管理、风控、招聘和领导会怎样失败，再从多位聪明人的回答里寻找重复模式。好的投资文化还要求资深者帮助年轻人完善想法并让其获得信用，因为教学本身会扩大组织能力。
为什么大师班不是真正的精通MasterClass 不真正关于精通，因为它销售的主要不是训练体系，而是可信度和灵感。大学能高价存在，是因为它同时打包技能、探索空间、身份认证和社交体验；多数教育科技公司试图拆解这些功能，却很难同时击中用户真正愿意付费的部分。MasterClass 选择绕开传统教育竞争，把 Serena Williams、Martin Scorsese、Neil deGrasse Tyson 等顶尖人物包装成高制作质量课程。用户买到的更像墙上的偶像海报：它点燃想成为某种人的欲望，却不负责替代日复一日的枯燥训练。这个模式的护城河不在知识本身，因为建议到处都是；稀缺的是建议背后可验证的成就和无法复制的经历。名人课程还能形成常青内容库，只要一个人跨过伟大门槛，其经验就可能长期被后人消费。MasterClass 的广告也延续同一逻辑，先用电影级片段制造兴趣和欲望，再自然导向订阅，既降低获客成本，也让营销本身成为可传播内容。
人工智能作业人工智能作业的真正冲击不在于学生能偷懒，而在于传统作业假设的能力验证方式被打穿了。ChatGPT 可以生成看似原创、结构完整、语气自信的答案，却可能把霍布斯和洛克的政治观点混在一起；它不像计算器那样确定性地算出结果，而是根据训练语料预测最像答案的文本。计算器出现后，老师可以要求展示步骤，因为正确路径明确；语言模型生成论文、读书报告和历史辩护时，问题变成如何判断推理是否真实可靠。它也暴露了产品层面的变化：底层模型已存在一段时间，真正引爆公众感知的是免费、易用、可对话的界面。教育、搜索和问答平台都会面对同一挑战：形式上可信的文本不再自动意味着知识可靠。未来的作业需要更强调事实核验、过程解释、课堂互动和学生自己的判断，而不是让学生重复世界上早已写过无数次的段落。
更高层次的设计好几次有人问我对布莱恩-切斯基（Brian Chesky）关于 "在不确定性中领导：设计引领的公司 "的演讲有什么看法。我喜欢他让这么多设计师认识到，是的，作为一名自我认同的设计师，确实有可能共同创办和经营一家《财富》500 强企业，并从中获利，改变公司的模式。不要再害怕队友挖的战壕线，不要再害怕上一家公司，不要再害怕 LinkedIn 上你名字下面的副标题。十年前，我写过一篇关于设计层次框架的文章： 设计师越资深，他们要解决的问题就越抽象。为了更具体地说明这一点，让我们举例说明一些级别和相应的职责： 设计师 1 级：设计一个表单，让人们编辑自己的个人资料。泰勒-斯威夫特（Taylor Swift）用手轻轻拂过他的手时，她正在设计，并策划了最后一段恋情。any creative endeavor in pursuit of an outcome. 但是，如果有一件事我希望你能从中得到启发，那就是：设计是任何追求结果的创造性努力。
游戏机和竞赛——本·汤普森 (Ben Thompson) 的 Stratechery游戏机竞争史的主线，是平台控制与第三方创新之间不断重新划界。早期游戏和硬件几乎是一体的，Atari 2600 用卡带把软件从机器中分离出来，创造了可扩展的游戏生态，也引发了第一批独立开发者。Activision 的诞生说明，游戏的价值并不只在硬件公司手里，创作者也能单独成为产业力量。但无约束的第三方涌入很快带来劣质作品泛滥，最终造成 1983 年市场崩盘。任天堂的反应是重新加强控制：授权、芯片锁、质量认证和收入分成共同构成封闭平台秩序，恢复了消费者信任，也让开发者长期不满。世嘉通过放松限制争取第三方，索尼则把依赖外部开发者变成战略优势，用 CD-ROM、3D 图形和与街机厂商合作吸引内容供给。这套历史解释了后来 App Store、主机授权和平台抽成的争议：开放能带来繁荣，控制能保护质量，真正的竞争取决于平台如何平衡两者。
大企业真的那么糟糕吗？1952年，时任通用汽车公司总裁的查尔斯 ·威尔逊 被德怀特·艾森豪威尔提名为国防部长。在他的任命听证会上，威尔逊被问到，作为秘书，他是否可以做出不利于通用汽车利益的决定。威尔逊向众议院保证，他将始终将公民的利益置于公司利益之上。他补充说，他很难想象两者会发生冲突的情况：“我认为对国家有利的事情对通用汽车也有利，反之亦然。对于现代人来说，这听起来像是标准的 C-suite 旋转。
关于差异化技术发展的说明快速说明：我偶尔会遇到这样的论点：“我的研究提高了能力，但它比提高能力更能促进一致性，所以它在网上很好”。我不赞成这种说法，并认为在大多数此类情况下，这种研究弊大于利。（参见 差异技术发展 。对于我的模型的简化版本，为什么：。假设对齐 AGI 需要 1000 人年的研究。
MotherDuck：大数据已死“大数据”被夸大成了普遍问题，真实的数据工作多数受限于组织、建模和工作负载，而不是数据规模。十多年来，供应商用数据爆炸叙事推动企业购买可横向扩展的系统，但大量企业的数据仓库其实小于 1TB，许多活跃客户的数据量甚至只有几十 GB。数据规模呈幂律分布，少数巨头拥有 PB 级数据，并不能代表大多数组织。更关键的是，存储增长不等于计算需求增长：历史数据会不断累积，但分析通常只看最近时间段或聚合结果，查询的大多是小表、小窗口和小样本。云平台把存储与计算分离后，企业更容易把旧数据都留在对象存储里，于是存储量暴涨，却不意味着每次分析都需要分布式计算。真正的问题往往是数据是否清晰、业务问题是否明确、查询是否服务决策。把所有困难都归因于“大”，会让团队忽视更普通也更重要的事实：多数分析任务用简单、单机、低摩擦的工具已经足够。
最低限度的可行生活：如何永远做你喜欢的事?最小可行寿命（MVL）") 最小可存活时间(MVL) 在技术领域，大多数公司开始时都会开发一个最小可行产品（MVP）。找到你生活中的 "核心功能"：所有不能为你的生活带来价值的东西都不是核心，你可以不需要它。设计最精简的版本：一旦你只关注你生活的核心特征，你可能会发现你已经可以为自己工作了 尽早收集反馈，并在必要时进行调整：MVL不是一次性的，而是一个持续的迭代过程。使用 "最小可行寿命 "作为模型给你提供了同样的优势：如果不成功，就迭代并再次尝试。最低限度可行生活计划的第一步是评估你目前的状况。被动收入：任何不做任何工作就能提供收入的来源 储蓄：你长期以来积攒的财富 可变支出：任何你可以摆脱或尽量减少的东西，如果你想的话（例如食物、租金、娱乐）。在表格中，你可以看到你的跑道：在你最初的财务状况下，你可以为自己工作多长时间，直到你耗尽资金。
一个新的 AI 词典：性别一个新的 AI 词典：性别。最近关于性别和AI 的对话主要围绕着超越男性和女性二元论来理解性别的需求。例如，美国优步使用的面部识别技术在正确识别变性人方面存在问题（参见 此处 和 此处 ）。例如，美国国家科学基金会 强调了一项研究，该研究 表明“面部分析服务对变性人的表现一直较差，并且普遍无法对非二元性别进行分类。据 CNN Business 报道，¹“ 计算机看待性别的方式并不总是与人们看待它的方式相同。
新企业集团本周的主题是加拿大最有趣的公司之一布鲁克菲尔德资产管理公司。它曾经是一家企业集团，用了 20 年的时间转型为一家大型投资管理公司。下周，当它将资产管理业务分拆到多伦多和纽约证券交易所时，转型将完成。付费订户也可以获得一些额外的好东西——请考虑通过单击此处加入他们。“私募股权基金是这个时代的企业集团。
FFmpeg 终极指南在本指南中，我们将讨论 FFmpeg 的热门话题。但在此之前，我们将介绍一些基础知识，以帮助您了解基本的媒体概念和 FFmpeg。随意跳过对您来说已经微不足道的部分！FFmpeg.org 的定义如下：“FFmpeg 是领先的多媒体框架，能够解码、编码、转码、mux、demux、流、过滤和播放人类和机器创造的几乎任何东西。它支持最晦涩的古老的格式一直到最前沿。
极客摄影数十亿人将相机放在口袋里，用它们记录自己的生活。然而，尽管照片硬件已经大众化， 摄影技术的知识仍然难以捉摸。无数书籍、网页和 YouTube 视频声称提供建议，但往往 专注于对大多数爱好者来说无关紧要的话题——例如购买装备或记住很少能拍出好照片的虚构构图规则。我不是专业人士，但我涉猎摄影已有二十多年 - 在犯了无数错误之后，我已经相当不错了。这个页面是对如何拍出好照片的充满激情的逆向看法，以及一组可以重复的简单实验 在家。
当你能品尝到你所看到的一切时，成为一名美食作家是什么感觉桑德罗·雷巴克 (Sandro Rybak) 的插图。像我这样的少数人可以品尝我们周围的一切。联觉的条件——通过另一种感觉体验一种或多种感觉——提供了一个由我们经验的交集而不是它们之间的界限所告知的世界，一个存在于感觉和感觉之间的世界。在我的世界里，我的味觉对我所看到的每一件事都是独一无二的。想象一下，您在东亚特兰大村的格伦伍德大道上。
沙特阿拉伯的绿色议程：国内可再生能源，国外石油当 Paddy Padmanathan 首次提出将一小部分可再生能源引入沙特阿拉伯电力供应的想法时，国家公用事业公司对他置若罔闻。总部位于利雅得的能源公司 ACWA Power 的首席执行官回忆说，2007 年，在有人指出供应商以“极具竞争力的价格”接收石油，远比太阳能便宜后，他被礼貌地告知“走开”。这个世界最大原油出口国的反应在意料之中，几十年来，它以高额补贴的价格愉快地燃烧了数十亿桶石油，为发电厂、海水淡化厂和工业提供燃料。“没有动力，”这位英斯里兰卡高管表示。但 15 年过去了，他和 ACWA 站在中东最雄心勃勃的可再生能源计划的前线，因为这个能源消耗大国是地球上最大的二氧化碳排放国之一，它承诺变得更加绿色和清洁。
地缘政治是失败者的流行语，具有感染力地缘政治是失败者的流行语，具有感染力围绕一个核心问题展开：今天每个人都在谈论地缘政治。这个想法很有感染力。它似乎不知从何而来。二十年前，这个词是异国情调的，它背后的含义也很古怪。那时的世界不一样了。
约翰·冯·诺依曼建造的世界与他更为著名的同事阿尔伯特·爱因斯坦不同，约翰·冯·诺依曼如今并不是家喻户晓的名字，但他的发现塑造了这个星球上每一种生物的生命可能性 十几岁的时候，冯诺依曼为数学奠定了新的基础。后来，他帮助教世界如何制造和引爆核弹。他发明的博弈论提供了当今超级大国决定是否发动战争、经济学家模拟市场行为以及生物学家预测病毒进化的概念工具。冯诺依曼及其雇主新泽西州普林斯顿高等研究院于 1951 年完成的开创性可编程计算机将“冯诺依曼体系结构”确立为计算机设计标准，直至 21 世纪，首先是 IBM，然后是许多其他公司非常富有。冯诺依曼不仅是一位极富洞察力的科学家； 他对他的一些发现对地球构成的威胁也有先见之明。