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。
持续在互联网上写作，需要先明确写作服务的目标，再围绕具体问题建立稳定节奏。文章建议从自己真正关心且仍有知识空白的领域出发，用清晰结构和个人经验解释复杂想法，并通过长期发布逐步形成判断、作品和关系网络。重点不是每篇都完美，而是持续观察、表达和修正。
这并不奇怪，因为我们几乎从未真正教过人们如何更有效地使用普通的商务交流工具。人们在创建文档时最常见、也是最严重的问题是，他们没有考虑到他们的对话对象以及他们想要实现的目标。这可能表现在很多方面，但最常见的结果是，最终结果在技术上并没有错（语法和拼写可能是正确的，或者事实和数据可能是准确的），但在实现目标方面却完全无效。在这种情况下，我看到的最常见的失败案例是人们从自己的内心深处出发，要么是因为他们已经完全沉浸在某个项目中，要么是因为他们对自己的恐惧或担忧做出了反应。黑马分析公司的乔伊-切尔达丘克（Joey Cherdarchuk）的这篇经典文章已经流传了整整十年，我仍然每周都会给别人发送一次。Bullet points 是一种超级强大的方法，能让内容更容易被受众略读，还能发挥有用的强制功能，让你把要点编辑得简明扼要、大致一致。正如许多文件一开始就暴露了作者的不安全感一样，很多时候，文件中信息的顺序揭示了创建不同类型内容的相对难度，而不是其实际重要性。
清晰写作首先依赖克制，而不是华丽表达。奥威尔给出的六条规则强调，写作者应避开已经被滥用的隐喻和套话，因为熟悉的修辞常常让思想显得顺滑，却掩盖了真正要说的东西。能用短词时不用长词，能删除的词就删除，目的都是减少语言中的装饰和噪音，让句子只保留承担意义的部分。主动语态通常比被动语态更直接，也更能说明谁在行动、谁承担责任。外来短语、科学名词和专业术语只有在确实比日常词更准确时才值得使用，否则只会制造距离感。最后一条最重要：规则服务于表达，而不是替代表达。如果严格遵守某条规则会让句子变得僵硬、粗暴或荒谬，就应打破它。好文字的标准不是看起来高级，而是准确、简洁、诚实地把意思交到读者手里。
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。
二十一世纪好书的面貌不是单一流派的胜利，而是小说、回忆录、政治写作、童书、科幻和思想读物共同扩张文学边界。名单里的作品有的靠叙事结构重塑类型，如北欧犯罪、儿童黑暗寓言和多线科幻；有的用个人经历照见时代，如家庭失序、婚姻破裂、移民法庭和希腊债务危机；也有作品以公共论战进入大众文化，如无神论、社会传播和现代权力分析。它们的共同点不是“经典感”，而是能把私人情感、历史压力和社会结构压进可读的故事或论证中。阅读这类清单的意义，不在排名本身，而在看见本世纪写作如何同时处理娱乐、创伤、政治、身份和知识。
通过阅读有关另一个国家的书籍，您对另一个国家的了解非常有限。我亲身体验过这一点，因为我在日本生活了多年，阅读了大量有关日本的书籍。就任何人都能真正“理解”整个国家而言，你真的只需要住在那里。不过，书籍在这里可以为您做一些重要的事情。他们可以打开一扇窗户，了解您在日常生活中可能不会遇到的一个国家的某些部分——装配线、监狱或国家安全智囊团。
文明的标准之一是书写，他们有了中国最早的文字，在龟甲和牛肩胛骨上刻下问题，涂上加热棒，从裂纹中读出神灵的回应。公元前 1059 年，在一次罕见的行星会合的启发下，周人宣布了天命的存在，这是一种神圣的统治权--虽然商朝曾经拥有天命，但由于他们的错误统治和不道德，天命被迫传给了周人。虽然王室仍然具有重要的象征意义，因为它是天命的持有者，而所有国家的合法性都来自于天命，但从其他任何意义上讲，中央权威的丧失都将引发数百年来愈演愈烈的国家间战争和动乱。"春秋 "的翻译有点多余，因为 "春秋 "只是 "年 "的一种古老说法，因此也是 "年 "的一种说法。这部典籍亟需元典，而在为《春秋》撰写的古代注释中，最著名的当属《左传》。左传》的篇幅是《春秋》的十倍，是《春秋》的血肉，是中国古代文学和历史著作的奠基之作之一。虽然传统上认为《左传》的作者是与孔子同时代的左丘明，但大多数现代历史学家认为《左传》的编纂时间是在孔子之后的一个世纪。
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。
AIDA 模型的价值在于把陌生人变成客户的过程拆成四个连续心理变化：注意、兴趣、欲望和行动。营销先要让目标人群看见并理解“这是什么”，通常依靠能解决真实问题的内容；随后用故事、洞察或差异化主张让人觉得“我喜欢”；再通过持续接触、案例和社会证明建立信任，把喜欢推向“我想要”；最后给出低阻力、高价值的下一步，让人愿意试用、咨询或购买。它适合规划信息和页面路径，但不能被当成完整商业战略。真实购买并不总是线性，冲动消费会压缩阶段，老客户增长和推荐也超出漏斗范围。更好的用法，是让每个触点尽量同时推进多个阶段。
以转化为中心的界面首先要承认一个事实：界面本身不是价值，而是用户抵达价值时必须跨过的阻力。好的设计不是把页面做满，而是减少判断、理解和操作成本。高收益率要求屏幕只保留能帮助用户决策的信息，把无关文案、装饰和次要说明删掉；低逻辑比要求优先暴露少数核心动作，把分享、筛选、更多设置等次要操作渐进隐藏。熟悉性同样重要，用户大部分时间都在其他产品里，过度创新的交互会迫使他们重新学习。透明性要求状态、图标、术语和反馈都能被第一次使用的人理解。实践中可以先用“用户在什么情境下想完成什么、从而获得什么结果”的工作故事明确产品价值，再围绕这个价值检查每个信息块和按钮。不能推动用户接近价值的元素，就是需要被删除、合并或延后的阻力。
不过，幸运的是，在 2020 年，詹姆斯·埃文斯、理查德·弗雷林和维奈·阿亚拉共同创立了 CommandBar，并提出了一个重要的见解：数字化采纳产品常常让人感到沮丧，因为它们会向用户推送信息。CommandBar 在用户需要信息时引导他们，并将用户支持转变为一种愉悦的体验。最简单的理解他们所做的事情的方法是：CommandBar 允许产品团队在他们的软件上嵌入一个智能 AI 代理，帮助最终用户执行操作、获取数据，并与他们共同浏览，展示产品的使用方式。CommandBar 通过其全面的用户支持套件，帮助 B2B 客户处理增长过程中的关键环节：入职、激活、追加销售和客户留存。具有讽刺意味的是，尽管 CommandBar 是一家以销售为主的公司，但他们的业务是帮助以产品为主导的公司实现产品主导增长（PLG）。这就是为什么我认为 CommandBar 会胜出，因为他们正在为那些急于转型为以产品为导向的公司构建 PLG-as-a-Service 层。
Perplexity 以 AI 优先的方式构建搜索产品：团队在产品开发、研究和决策过程中持续使用模型，并围绕用户能否更快获得可信答案来迭代。产品在短时间内形成高频使用和收入增长，说明新一代 AI 产品的竞争力不仅来自模型能力，也来自对核心场景、交互方式和反馈循环的持续打磨。
自 Internet Explorer ()时代以来，无数公司都在尝试打造全新的浏览器体验。打开上面列出的任何一款浏览器，你都会发现它的用户界面和用户体验与你已经非常熟悉的一样，都是相当标准和令人期待的体验。随着Arc浏览器的问世，这一切都发生了改变--该浏览器以全新的理念诠释了网络内容的搜索、发现和交互。我使用Arc 已经有一个星期了，尽管有一些瑕疵，但我个人还是非常喜欢这款产品。想想 Siri 和 Apple Pay 在 iPhone 应用程序中的操作方式，或者谷歌的 Material You 如何改变手机上所有东西的外观和感觉。另一种思考方式是，Arc 像 TikTok 处理视频一样处理网络：它不是一个固定的供你消费的东西，而是一套无穷无尽的可混搭组件，供你拆分、玩弄和使用，以创造属于你自己的东西。
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。
《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。
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。
创业的核心不是先融资、招人或做漂亮叙事，而是做出少数用户真正热爱的东西，并围绕它找到增长路径。一个好想法必须清晰到能被一句话讲明白，也必须对应一个迫切需求，最好创始人自己就是目标用户，或者深刻理解目标用户。早期验证不该停留在口头兴趣上，消费者产品要尽快发布看真实使用，企业产品则应尽量在写代码前拿到购买意向。优秀团队比履历更重要，创始人需要不可阻挡、能学习、能沟通，并在使命上坚定、在方法上灵活。新而难的事往往比容易的跟风项目更值得做，因为它能吸引强人加入，也更可能建立随规模增强的壁垒。创业极苦，风险也常被误判；真正危险的未必是失败，而是明明有强烈想法却长期躲在安全但无意义的选择里。成功公司通常来自伟大市场、伟大产品、强团队和持续执行的组合。
创业经验的核心不是找到一条万能公式，而是在反复测试、沟通和修正中减少自我欺骗。产品好不好，最终由用户行为决定；用户即使面对免费产品，也会带着很高预期。创始人必须用极短时间说明价值，把卖点写成好处而不是功能，并持续跟进潜在客户，因为一次没回不等于没兴趣。营销不能替代市场空缺，产品若没有解决真实问题，再多宣传也难以成交。团队方面，资历最高的人不一定组成最强队伍，互补技能、信任感和自主空间更能提高执行力；内部团队通常也比完全外包更稳。增长上，渠道不能押在单一平台，博客标题、社群触达、媒体推介、社交趋势和多语言支持都值得小规模测试。客户支持和透明沟通是信任的基础，小谎言会摧毁长期资产。创始人还要知道何时转向、何时放弃低价值努力，并给自己休息空间，否则产品没倒，人先耗尽。
我每天都看到人们犯同样的错误，主要是因为我们自然而然地模仿大公司的做法。作为一个小企业，我们可以精心设计一个产品，避免所有这些要点，更有可能取得成功。作为一个单独的创始人或小型自营企业，任何类型的产品/服务都需要大量的用户，最好避免。这个想法是一个婚礼目录，我将其定位为 "婚礼的TripAdvisor"（这是在TripAdvisor的全盛时期）。这项业务需要大规模的网络效应才能发挥作用，在没有预算的情况下，试图在这种规模上吸引订婚的夫妇和婚礼供应商，基本上是不可能的。如果你非常努力地工作，并获得了100个用户，你仍然只有每月1千美元的收入，这还没有考虑到运行成本和用户的取消。反过来说，你可以只让一个单一的B2B客户每月为一项服务支付1万美元，并赚取10倍的金额，而且运行成本更低，没有流失。它不仅允许你以更高的价格出售（所以你不需要规模），它's也更容易销售。
《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 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。
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。
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。
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。
面对数据库容量或性能瓶颈，先充分挖掘现有系统，再引入分片等会显著增加复杂度的架构。文章以 Postgres 优化为例，说明团队可通过遥测定位重查询、优化或消除低效代码、调整负载和补充系统能力，延后数月甚至数年的扩容压力。这个过程不仅节省工程时间，也会积累跨团队的系统知识；只有当业务需求确实超过现有技术边界时，才值得承担架构跃迁的成本。
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。
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。
奇迹之年不是等待重大灵感，而是把一年拆成可重复的小动作，让工作、健康、关系和金钱持续受益。工作上，可以用能量日历区分让人充电和耗电的任务，把深度工作、休息和信息批处理放进日程。健康上，早晨散步、简单力量训练、冷水刺激、呼吸法和更干净的购物路径，比复杂计划更容易坚持。个人生活需要下班仪式、伴侣欣赏、独处用餐和每天三十分钟练习新能力。金钱部分强调自动化和延迟消费：定投、自动缴费、非必要购买等待四十八小时。方法的共同点是降低启动成本，用制度替代意志力，让一整年的复利从今天的小选择开始。
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。
战略不只是在重大决策前预测未来，也是在持续行动中形成更好的判断。文章把战略工作拆成直觉、洞察生成、验证和解决方案设计：先快速提出假设，再用数据、案例和执行约束检验，最后把零散证据综合成连贯选择。好的战略既要明确放弃什么，也要能指导下一步实验。
谷歌的问题不是不会做产品，而是公司更擅长把聪明人聚在一起，让大量项目自然竞争，却缺少强约束的产品战略。它像风险投资机构一样押注人才和想法：启动项目很容易，20% 时间、内部实验和宽松文化鼓励任何团队尝试新东西；但一个产品为什么必须存在、为谁服务、如何赢得用户，常常没有被系统地审查。微软式的自上而下规划会压制个人空间，却能让每个项目嵌入更大的拼图；谷歌式自由给了创新机会，也让许多中型产品在没有足够信念和持续投入的情况下出生、试错、关闭。Reader、Inbox、Wave、Stadia 等产品的问题不只是失败本身，而是它们存在得足够久，削弱了外部替代者，又在用户形成依赖后退出。缺少产品战略的代价，最终由员工投入的时间和用户迁移的成本共同承担。
产品管理的首要原则可以压缩为两件事：最大化对使命的影响，并通过他人完成工作。产品经理不直接生产产品，也不独自运营业务，真正职责是判断团队该走哪条路，并让工程、设计、营销、销售、支持等角色更有效地朝同一方向行动。好的产品战略来自三个输入的交叉：组织目标是什么，外部环境发出什么信号，人员、资金和时间有哪些约束。目标不能只会背口号，必须理解客户假设、道德边界、业务愿景和相邻团队的计划；环境信号既包括用户数据和反馈，也包括竞争、政策和社会变化；约束则要求产品经理诚实判断团队能力、预算现实和机会窗口。另一半能力是教练式工作。产品经理不在场上得分，而是帮助队伍提升判断和协作质量。临时写代码、做文档或补运营缺口可以是员工责任，但不是产品管理的本质。真正优秀的产品经理用清晰原则减少沟通成本，让团队即使没有他在场也能做出一致取舍。
路线图优先级的关键，不是给想法打分排序，而是提高判断材料的质量。电子表格里的影响力和成本评分常让人误以为自己在科学决策，实际难点在于提出好想法，并预判它们对客户、产品和业务的真实作用。好的优先级来自多种知识的汇合：客户痛点、工程限制、设计问题、市场机会、战略叙事。只懂单一领域很难做出可靠取舍，多面手或跨职能团队更有优势。路线图应优先从客户问题出发，再评估它们对业务目标的帮助；直接从增长率、利润率等公司目标倒推功能，容易造出看似战略正确却缺少用户价值的项目。大功能也不总是更重要，早期产品的卡顿、困惑、缺陷和核心体验不稳，常比闪亮发布更值得修复。最好的规划过程还会建立团队信任：大家一起面对资源取舍，理解为什么做某事、放弃某事，之后即使环境变化，也能更快调整。
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。
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。
想象一下：这是一家企业支付处理公司的工作日，需要完成一项关键的数据工程任务。在这种情况下，我是需要完成任务的数据工程师，但我缺少完成数据模型所需的信息。我在一次会议上听到了这个信息。它在每日站会中进行了讨论。我有一些模糊的打字笔记，但我不记得完成工作所需的技术细节。
”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。
在通货膨胀减少法案通过后，国会领导人正准备解决许可改革问题。一些活动家 呼吁 立法者不要对《国家环境政策法》(NEPA) 及其主导的更广泛的环境审查程序进行任何改革，他们认为具有里程碑意义的环境法案是防止气候变化的关键。但这些积极分子被误导了：目前存在的 NEPA 进程正在减缓清洁能源转型，早就应该进行改革了。NEPA 给联邦政府带来了巨大的成本，拖延了多年的清洁能源项目，并产生了阻止其他项目启动的不确定性。通过有针对性的改革，国会可以解锁目前被扼杀的关键清洁能源项目。
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。
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。
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。
要了解世界的现状，我们需要依靠其他手段：精心收集的全球统计数据。但是，我想提醒我们自己，仅仅通过人际交往，我们能了解到的社会信息是多么有限，而统计数据在帮助我们构建其他信息方面又是多么宝贵。美国的一项研究询问美国人知道多少人的名字，结果发现平均每人知道 611 个。全球统计数据不仅让我们看到了 "当今世界 "的面貌，还让我们看到了它的变化。对于那些主要依靠新闻来了解世界的人来说，记录世界变化的统计数据往往会让他们感到非常惊讶。虽然新闻的焦点绝大多数都集中在所有正在发生的问题上，但历史统计数据也让我们看到了正确的一面--世界已经取得的巨大进步。这幅图片说明了精心收集的全球统计数据的作用：它们照亮了我们周围的整个世界，让我们看到每个人身上发生的事情。为了实现这一目标，我们与专家交谈，阅读科学文献，分析现有数据，从而突出现有的最佳统计数据，并强调即使是最佳数据也存在的不足之处。
“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。
这是我最喜欢的寓言。它用很少的文字说了很多，关于我们在孤独的头脑中的居住方式，为什么对齐是珠穆朗玛峰，真理的形状如何是钻石面的。我看到这个故事经常被用来描述组织功能障碍—— 看到了吗？这就是为什么Sales和Product一直吵架的原因！最近，我开始将这个故事视为另一个主题的完美体现：团队在 使用数据 时最常犯的 3 个错误。
使用数据进行产品决策的核心是一个巨大的悖论。 吉姆-巴克斯代尔 而第二幅网络漫画，说明了数据驱动的产品文化会发生什么。为什么我们掌握了这么多关于人们如何使用我们产品的数据，我们能够推测是什么让产品更有粘性或更有价值，但寻求真相却如此困难？在追求数据驱动的过程中，我们遇到了许多核心问题，这些问题都是基于我们如何收集/分析/决策数据。我想说的最终一点是，有很多问题，正如网络漫画中提到的，这些数据驱动的问题会层出不穷，有太多的仪表盘，也有太多相互矛盾的意见。这种主流文化是一种数据文化、优化文化，是一种采取具体的小步骤来实现大而易懂的指标的文化。可以说，许多大型科技产品的成功--这些产品的核心似乎并没有发生什么变化，只是在不断进步--都是基于这种策略的成功。相反，您可能必须反其道而行之，才能在竞争中立于不败之地： 主要凭直觉，而不是等待数据 超快速决策，而不是渐进决策 当然，我始终主张优化值得优化的东西，比如注册流程和关键通知。
数据驱动的决策通常擅长优化已有市场，却很难产生真正创新。焦点小组、调查、客户分群和行为数据主要来自已经被互联网服务覆盖的人群，他们的未满足需求往往只剩细小改进空间。早期的eBay、亚马逊和iPhone打破市场，并不是因为更精细地服务既有需求，而是满足了当时主流方案无法满足的需求：陌生人可信交易、可靠线上物流、可随应用变化的触控界面。创新机会更常出现在技术边缘的人那里，包括被忽视的群体、残障用户、没有被现有产品认真服务的人。服务这些人并不必然牺牲大众市场，许多无障碍能力后来成为所有人都受益的核心功能。团队要发现这类机会，不能只收集现成数据，还要练习让不同声音进入决策：主持会议、主动征求反对意见、正确归功、尊重专业经验、把分歧变成探索。创新不是少看数据，而是承认数据只能照亮已经有人走过的地方。
许多数据岗位的空虚感来自一个残酷现实：组织花钱雇人谈“数据驱动”，却没有建立让数据产生结果的机制。仪表盘被紧急要求制作，却几乎没人查看；数据源混乱、缺少文档，错误也没人发现；机器学习项目多年推进，却没有任何计划根据模型输出改变业务动作。问题不只是个人懒散，而是大型组织里预算充足、结果模糊、责任稀薄，最容易滋生表演性工作。管理层喜欢现代化口号，但实际仍要求电子表格式交付，因为这样最快、最容易显得有产出。糟糕的数据基础让真正的分析几乎不可能，基础设施申请又被官僚流程拖垮，一个简单实例可能被报出离谱成本。于是团队既不能删掉必要报告，也很难自动化和改造，只能维持一套没人信但大家都配合的社会剧本。真正有价值的工作更可能出现在利润中心或结果清晰的团队，因为那里产出能被市场、用户或收入直接检验。
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。
如何思考你的职业生涯。如果你问 22 岁的我我的“职业抱负”是什么，我会茫然地看着你，然后随意地把话题转到你推荐什么程序来为电子游戏制作可爱的 3D 兔子模型，或者是否 的作者 Alias 会如此狡猾，以至于运送 Sydney Bristow 和 Sark。这并不是说我根本没有考虑过我的职业生涯。我雄心勃勃——我想成为大事的一部分。我希望能够在经济上养活自己而不用担心我的父母（因为这是医生的高门槛，也就是“所有职业中最稳定的”，我怀疑他们仍然暗中担心这个。
说到职业，社会就像你的大伯，每逢节假日就会把你困住，然后开始长达 15 分钟、语无伦次的建议独白，而你几乎从头到尾都听不进去，因为很明显，他根本不知道自己在说什么，而且他说的每句话都已经过时 45 年了。只不过，在这种情况下，我们并没有置之不理，而是全神贯注地聆听他的每一句话，然后根据他说的话做出重大的职业决定。其实，并不是我在给你提供职业建议--而是一个框架，我认为它可以帮助你做出职业决定，从而真正反映出你是谁，你想要什么，以及当今瞬息万变的职业环境是什么样的。你不是这方面的专家，但你肯定比我们这个没有自知之明的伟大叔叔更有资格找出最适合你的方法。对于那些尚未开始职业生涯、不确定自己的人生目标的人，或者那些目前正处于职业生涯中期、不确定自己是否走在正确道路上的人，我希望能帮助你们按下思维过程的重启键，并获得一些清晰的认识。
平衡意义和金钱，不是把工作降到最低，也不是把人生全部押给职业，而是先承认安全和意义都真实重要，再为工作设定“足够好”的边界。渔夫已经拥有慢生活，商人看到的却是风险准备金；两边都不是蠢话。研究给出的线索是：内在动机通常比头衔和高薪更能维持满足感，重视时间往往比继续追逐收入更接近幸福，而“满足者”比总想找到最优选择的人更容易安稳。好工作未必是理想职业，它可以只是能支付生活、按时下班、留下精力给亲密关系和兴趣的工作。关键不在别人觉得你太懒或太冒险，而在你能否认出自己已经够了。
这是一份面向非科班学习者的大语言模型原理入门指南，覆盖机器学习基础、Transformer、训练与微调、推理、评测和应用等主题。文档提供按目标选择章节的学习路径，帮助读者理解模型能做什么、不能做什么，以及技术进展如何影响产品和投资判断。由于内容持续更新，具体模型和工具信息应结合原文最新版本阅读。
人工智能简史：世界瞬息万变——下一步可能是什么？围绕一个核心问题展开：要了解未来会是什么样子，研究我们的历史通常很有帮助。这就是我将在内容中做的事情。我回顾计算机和人工智能的简史，看看我们对未来的期望。我们是怎么来到这里的？即使是最近的计算机技术对今天的我们来说也是如此古老，世界变化的速度变得多么迅速。
序言：深度学习海啸。“深度学习浪潮已经拍打计算语言学的海岸好几年了，但 2015 年似乎是海啸全面冲击主要自然语言处理 (NLP) 会议的一年。” - Christopher D. Manning 博士，2015 年 12 月。这听起来可能有些夸张——也就是说，整个研究领域的既定方法正在迅速被一项新发现所取代，就像受到研究“海啸”的袭击一样。但是，这种灾难性的语言很适合描述深度学习在过去几年中的迅速崛起——这种崛起的特点是对解决 AI 中最棘手问题的主导方法进行了大幅改进，谷歌等行业巨头的大规模投资，以及人工智能领域的指数级增长。
GPT-3的核心机制，是在巨大文本语料上学习“给定前文后下一个token最可能是什么”。训练阶段会把约三千亿个token切成大量样本，让模型反复预测下一个词，计算错误，再更新参数；完成后，模型把学到的模式储存在一千七百五十亿个参数中。运行时，它接收提示词，在最多2048个token的上下文窗口内处理信息，经过96层Transformer解码器的矩阵计算，一次生成一个token，并把新生成的内容继续喂回模型。所谓少样本提示，是把任务说明和几个输入输出示例放进同一个上下文，让模型临时模仿这种格式，而不一定改变权重。它的能力来自规模、数据和Transformer结构的结合，并非真正读取事实库；微调则是在特定任务上继续更新权重，使同一架构更稳定地执行目标行为。
ChatGPT 做的是根据已有文本预测下一段最合理的延续，它之所以有效，是因为大规模语言模型学会了估计从未完整见过的词序列概率。它不是先理解世界再写作，而是在每一步判断当前上下文之后最可能出现的下一个标记，并反复累积成句子和段落。如果永远选择概率最高的词，结果常常乏味、重复；加入适度随机性后，低概率但仍合理的词会带来变化和创造感。早期的字母频率、双字母组合和词组模型能生成看似接近语言的片段，却无法覆盖真实语言中天文数量的组合。神经网络的价值就在于压缩规律、泛化模式，给没有直接统计记录的表达分配概率。因此，ChatGPT 的神奇来自一个朴素机制的规模化：在海量文本中学习语言的分布，再用概率逐步生成看似有意义的文本。
大型语言模型的核心在于一套高度统一的“流水线”：先把文本切成子词级别的 token，并转换成整数 ID，再通过嵌入矩阵映射到高维向量空间，获得可计算的语义表示。位置本身通过旋转位置编码 RoPE 注入到注意力机制中，使模型在比较 Query 和 Key 时天然感知相对距离。多头自注意力在此基础上并行运行，每个注意力头用不同的投影矩阵捕捉句法关系、指代关系、模式延续等不同视角，同时利用因果 Mask 保证按从左到右的顺序生成。紧接其后的前馈网络对每个 token 独立扩展、非线性变换再压缩，是知识和事实结构的主要存储空间，也催生了 MoE 等在不线性增加计算量的前提下放大参数规模的设计。残差连接与归一化则像骨架和血液，让数十甚至上百层的堆叠保持稳定可训练。最终，模型将最后一个 token 的向量映射到所有候选 token 的 logits，经采样策略选出下一个 token，不断循环完成生成。不同模型之间，真正拉开差距的不是这套骨架本身，而是训练数据、参数配置、以及在此之上的指令微调与安全对齐方式。
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。
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。
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。
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。
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。
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。
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。
在《高效阅读英语信息的方法》中提到，我英语信息源占比越来越大，同时在 Immersive-translate 的加持下，我逐渐喜欢上看英语内容，但是对自己阅读过的文章希望能将 「双语」版本 保存下来，供后续查阅。
于是，我想到了两种方式，分别是保存到稍后读 Readwise Reader 中或者下载到本地；前者会造成信息冗余（加上对英语不够熟悉会忘记关键词），后者会加重本地管理压力，都不是满意的方案。
在群里和 @OwenYoung 表达了想法，他和我说：前两天刚好搭建了一个类似项目 Owen's Clip，于是我申请复刻（白嫖）了。
经过不到 1 小时的折腾，站在巨人的肩膀上，我的 DemoChen's Clip 复刻成功。
DemoChen's Clip