与「一定要看到最后」相关的搜索结果

昨天把贷款还了，看了一下历史记录，我从 2018 年开始贷的，30 万，负债了 9 年 之前是真没钱还，穷得叮当响，也不敢给家里人说我借了信用贷。最早利息要 7%，这几年看着它降到了 3% ，也算见证了大环境的由盛转衰 去年有能力还了，但我还是想投机取巧，现在这么低的利息，贷款就是跑赢通货膨胀，反撸了银行很划得来，一直不想还 最早借这个钱是拿去炒股、炒外汇，一直都在亏。这么多年短线交易就没挣过钱，贷款本金早就亏完了，我一直用工资还利息，到期了就从其他银行的信用贷腾挪出来借新还旧，就这么耗了 9 年 昨天下定决心把它还掉，说起来挺不好意思，我负债累累 9 年，现在走出来了 -- 💙 对于交易，我的思考和五行八字测的非常吻合：我不能做短线（赌博），只能做趋势（投资） 我们普通人擅长的，绝不是通过交易来赚钱。我们加杠杆进去赌，就是给别人送菜。短线交易能成功的人是万里挑一，大多数人更适合做长线 以前不懂这个道理，天真的像个韭菜，认死理一定要通过交易为生、逆天改命 我出身于一个普通家庭，父母把力所能及的帮助都给了我，成年后只能靠自己。年轻时看到媒体上交易大神改变人生，特别羡慕。幻想一定要赌才能赢，不想做一眼望到退休路的打工人 整个社会舆论对交易天才也特别推崇，这背后是一个完整的产业链分工 比如股市，企业上市融资，增发股票套现，从股市里融来的钱根本就没利息，傻逼股民自己要送钱来，我又没求着他们买 媒体宣传暴富神话也能带来泼天的流量 证券公司收手续费，美其名曰“资产管理”，割韭菜爽爽的 就是因为这个世界绝大多数人都想赌，整个产业链才能活 要是没人赌了，证券公司、加密交易所、大半个金融行业还能活吗？ -- ✅ 普通人，怎么逆天改命？ 答案是：做赌场端茶送水的打工人，但自己绝不下场赌，加密大赌场有无数的赚钱路子，这里真不缺机会 比如我这屌丝，前四年一直撸空投。最早的时候做跨链桥，钱包里总共就 150 美金，每跨一次都要提回交易所，再提到下一个钱包跨一次。那时候真是穷得叮当响 我不停地做各种项目，一直坚持，就算反撸，也不放弃，慢慢把财富积累起来了（这里省去十万字） 🔸 加密货币就是年轻人成长的最好学校，没有之一 本金积累了以后，一定是做长线投资，而非短线赌博，比如： 1 ）看好比特币四年周期，如果真的能拿住四年，那今年底就可以抄底，三年后卖出 2 ）看好美股的长牛，可以长期定投，一直拿着，享受好公司好资产上涨的红利 戒掉短线赌博，这是消耗你辛苦赚来本金的最快方式 啰唆了这么多，感谢你看到最后🫡 🟢 人有远虑，才无近忧，结清贷款，做正确的事，一定能走得更远 兄弟们一起加油，祝大家都收获美好的未来

up up up down 昨晚发完文章后我一直在沙漠待到半夜2点，因为恰逢难得一见的月全食（血月），我又正好在上佳的观月地点，不愿错过这个机会，拍了一些照片。这不是vivo的广告，我只能说他们的手机拍照片太顶了，其他手机对着月亮都不行。 月食的过程很慢，前后持续1个多小时。月亮就一点一点被黑暗侵蚀。但不知道为什么当整个月亮都被黑暗侵蚀后，它反而变成了血红色，看起来格外诡异妖艳，照片里就是我肉眼看到的效果。从小到大第一次见到这种天文现象，叹为观止，目瞪狗呆。 我们熬到那么晚其实还有一个目的，就是想等月全食“关灯”的时候顺便看看童年记忆里的星空和银河。结果血月的时候我抬头能看到数百颗星星，但始终没有看到银河，观星师说城市的灯光污染有干扰，要去离敦煌40公里外的无人区拍摄才有清晰的银河。 我看着他拍的照片发愣出神，下次我一定要找机会看到这样的夜空，一定。 …… 今天早上的行程依然是莫高窟，这次预定了3个特窟，156+158+159，经典路线。 156窟是节度使家族窟，有著名的张议潮统军出行图，我看过安州牧的《西北有孤忠》，对归义军的历史有一些了解，这次近距离观摩壁画遗迹太幸运了。 另外156窟还有一段插曲，俄国十月革命成功后有500人的白俄士兵战败逃入中国，被民国政府缴械，1921年敦煌县政府不想让这群外国人打扰百姓，就把他们安排拘住在莫高窟的洞里，156窟也关过人。 冬天的敦煌比较冷，白俄士兵为了取暖在窟里生火，壁画被烟熏损毁，156窟的窟顶至今依然一片漆黑烟痕。 昨天有人说王道士当年把国宝廉价卖给外国商人很痛心，我回复他共识形成之前国宝也是便宜货。现在特级保护的洞窟，当年只是嫌弃安置外国战俘的囚房，找谁说理呢？ 158窟里面有整个敦煌最大的卧佛，横长17.2米，相当于5层楼横倒下来，建于西夏时期。释迦牟尼80岁涅槃，在当时人里算是很长寿了，佛教里面规定他涅槃后56亿年，未来佛弥勒继位，到时人世间会变成弥勒净土，吃的穿的用之不尽，有点像共产主义。但佛教这个饼画的太远了，56亿年...太阳寿命预计也才50年，我不想活那么久，累了。 158窟的壁画由于早年无人保护，有各种各样的人刻写“到此一游”。其中令我印象深刻的是一个叫胡守悌的，到此一游后面还刻了时间，67年5月27日，我默默算了一下要是1967年他是个年轻小伙的话，现在很可能还在世。 厉害了胡老哥，我连拍照都不允许的特窟壁画，你60年前能在上面刻字，我裂开 159窟...其实蛮普的，乏善可陈，主打一个来都来了，捆绑销售。特窟每人每窟200，我们10个人看一个窟就是2000，3个窟消费6000，你们如果有的选的话只要156+158即可，159duck不必。 …… 下午的行程是又见敦煌演出，搬砖组长安排的太周到，提前买好了至尊贵宾票。价格是普票的2倍，但我小声说一句性价比一般，你们看的话买普票。 “又见”系列是王潮歌导演（女）的作品，她是艺二代，和国师有私交，参与制作08年奥运会开幕式，对这种大型文艺演出确实有一手。最早和国师弄“印象”系列，专门接地方政府的文旅演出项目，后来挣了钱十几亿把公司卖了，又自己出来弄了“又见”系列。 我在平遥看过又见平遥，现在来敦煌看又见敦煌，前者投资4.7亿，后者投资6亿，时间上也是前后脚搞起来的项目。 你们如果从来没看过类似演出的，第一次去看一定觉得精彩，但平心而论我觉得敦煌这出不如华清池、也不如平遥，但比承德那套好看，我的审美你们信就是了。 …… 今天a股成交2.42万亿，量没之前大，但是中位数+1.07%也很不错。cpo光模块继续调整，寒武纪、新易盛、中际旭创这些明星股今日大跌，像这种概念投机就是要信早信，晚信不如不信，妖涨的时候如果不敢买错过就错过了，不要觉得它们跌下来贪便宜去买，这是典型的锚定心理。 这几天有一股趋势，资金从cpo光模块流出，流向了固态电池，论坛里游资大v在带舆论，行业里研究员也在拼命引流，这背后就是牛市行情里争夺关注度的pk，一旦固态电池的趋势起来了，会对cpo形成显著的虹吸。因为说白了a股最激进最勇敢的就是那批人，那批钱，他们在板块之间的迁徙会直接影响下一个阶段的主题。 持有宽基的不需要操心这个，热门概念轮动对宽指的影响很小。我白天在外面玩，实在无聊掏出手机看行情也就1-2次，我其实不是很担心行情在这个位置崩溃，或者换一个角度，错过7000点的卖点我不会觉得可惜，目前12月份的ic年化贴率12%，完全没有下车焦虑。有涨赚钱当然好，不涨混日子也挺好。 最近有一些新股民留言问我怎么弄期指，有没有风险。最低140万一手的杠杆工具何止是有风险，风险大的一批，新手玩会死人的。我以前有一篇文章，是集思录一个网友滚1手ic的盈亏记录和心路历程，没看过的建议去看看《极限承压》 最后想给你们分享一个图，主要是美股里面交易的资产，图片可以点击放大看。 最左边一列是代码，美股代码是字母，不是数字。第二列是资产名称，后面几列是各个年份的表现。资产里面的qqq和spy就是我一直推荐的纳斯达克etf和标普500etf。 最底下倒数第三行是年度最佳资产，倒数第二行是年度最差资产。 其实表格里有些资产我也不太熟悉，但只要看仔细看表格，你很难不被btc所吸引，一个是它的回报实在太tm高了，碾压所有，另一个就是它的节奏实在太规律了，up-up-up-down，up-up-up-down，三年冠军一年垫底，三年冠军一年垫底。 好了，现在又是up-up-up，连续三年冠军，我反正今年只卖不买，谁说这次不一样都不好使，就算后面还能涨，这钱我不要，让给你了。

我用掉 100 亿 Token 后，最大的变化不是更会写 Prompt。 而是 Codex 已经从一个聊天框，慢慢变成了我的： - 自我认识系统 - 工作系统 - 信息系统 - 学习系统 - 甚至是桌面陪伴系统 我把自己最常用的 20 个技巧整理出来了。 如果你也想把 AI 从“偶尔问一句”变成真正能长期协作的伙伴，建议先收藏。 一、让 Codex 逐渐认识你 1. 每天让它问你一个问题 我设了一个自动化：每天问我一个能帮助它更了解我、也帮助我认识自己的问题。它会避开已经问过的话题，围绕一个主题慢慢聊。 2. 把对话当成自我观察 现在可以直接语音聊。长期积累下来，它能看到我的情绪、偏好、反复出现的困扰和思考方式。 3. 让它把“它眼中的你”画出来 把你们的对话和一张漫画参考图交给它，让它生成多格漫画。你会发现：很多时候我们要的不是答案，而是被理解。 二、把 Codex 变成工作系统 4. 每周做一次 Codex 使用复盘 让它回顾这周我怎么使用它、哪些沟通方式有效、哪些任务返工了、哪些项目该继续推进。 5. 把失败经验写进“第二大脑” 不只是存笔记。把失败原因、偏好、最近关注点沉淀下来，让以后不同 Agent 都能调用同一份上下文。 6. 创意任务先开 Plan Mode 创意型工作最容易“没想清楚就批量执行，最后返工”。先用计划模式讨论目标、方案、数据体系和风险，再开始做。 7. 把 Codex 当思考顾问，而不是执行员 你甚至不需要有明确答案。只要说“我想做什么”，让它帮你一起把模糊的想法拆成可执行路径。 8. 需求清楚后切到 Goal Mode 需求确认后，把结果设成目标，让它自己持续推进。我的任务最长跑过 10 小时 44 分钟。 9. 用自动化处理重复但重要的事 日报、周报、账号监控、邮箱监控、回复策略、内容归档、同步到个人网站——这些都适合交给自动化。 10. 明确任务就开多 Agent 对于翻译、多语言网站、图片生成、资料整理这类边界清晰的工作，让多个 Agent 分工并行，比一个人盯着快得多。 三、让 Codex 跨出聊天框 11. 用 Sites 一键分享作品 做好网站后，不要卡在“怎么部署”。Sites 可以直接把成品变成能分享的站点。 12. 把插件当成能力扩展包 Computer Use、数据分析、Investment Banking、GitHub、Outlook / Gmail……很多工作不是“AI 会不会”，而是你有没有给它接上正确的能力。 13. 把生图能力接进日常工作 我已经用它生成了 300 多张图。做内容、配图、产品原型和视觉探索，速度会完全不一样。 14. 接入飞书，让手机也能操控 Codex 真正高频的协作不该只发生在电脑前。把它接到飞书后，我在手机上也能下任务、收结果、继续对话。 15. 用 ChatCut 把剪视频变成工作流 不是只让 AI 帮忙剪一刀，而是把素材整理、脚本、配图、剪辑一起接进创作链路。 四、建立自己的信息雷达 16. 每天订阅 Builder 信息 我会用 Follow Builders Skill 定时追踪 Builder 的新想法、新产品和讨论，再把重要信息推送给自己。 17. 做一个“灵感箱” 任何一闪而过的想法都丢进去。后面让 AI 自动搜索、补充背景、分类、处理，而不是靠脑子记住。 18. 盯住 GitHub 和 Product Hunt 让 Agent 帮你筛新项目、周榜、日榜和真正值得试的工具。看见感兴趣的，直接让它安装或进一步研究。 五、把输入变成你的输出 19. 把任何学习材料做成 HTML 学习页 看到一场好访谈、一个视频、一篇文章：让 AI 拉取内容、生成中文文字稿，边看边记评论，最后再变成摘要或短视频。 20. 给 Codex 一个“实体感”：做成桌宠 我很喜欢 Hatch Pet。它会根据状态跑动、办公、提示待办，甚至在你切换文件夹和工作区时给建议。AI 不一定要冷冰冰地躲在聊天框里。 100 亿 Token 给我最大的启发是： 不要把 AI 只当作“问答工具”或“临时外包”。 当它拥有你的上下文、目标、工作流和反馈后，它会越来越像一个能长期协作的系统。 换电脑时，我第一个装的软件就是 Codex。 写文档、做网站、剪视频、找资料、整理灵感……它已经覆盖了我工作和生活里非常大的一部分。 你最想让我把上面哪一条展开成教程？ 评论区告诉我，我下一条就拆！ #codex# #chatgpt# @thsottaux

在ICU病房，有一个全国顶级三甲医院转过来的重症胰腺炎病人，重症胰腺炎这种病，一开始或许临床症状不重，但是一拍CT，胰腺大范围水肿、坏死、出血，情况只会一天比一天差，那边表示束手无策了，跟病人及家属谈的很深，意思就是在医院耗着最终结局不会好。 病人家里有点关系，也是托关系送到我们医院，拍完CT当时整个医疗组都沉默了，大家心里很清楚我们估计是他最后一站了，那种级别的胰腺坏死，病人身体已经撑不到坏死完全成熟，开腹手术剥离坏死的那一天。 病人还很年轻，家庭条件很好，也有强烈的生存意愿，那天晚上主任反复看他的CT，直到深夜，然后凌晨一两点打电话给我，只有一句话：赌一下，做！ 这个时候患者胰腺坏死没有完全成熟，几乎跟周围组织黏在一起，血供非常丰富，手术台上稍有不慎就可能大出血，直接下不来手术台，就算手术成功，胰腺坏死大部分清除，术后刀口恢复，残余脓腔主动引流、一轮又一轮的感染。都是万分凶险。 全科从主任到医疗组，内心都承受了巨大的压力，但这个病人是家里的顶梁柱，一旦我们放弃，意味着一个家庭的坍塌，大家都是硬着头皮上。 手术台上，打开腹腔后，情况比预想的更差，豆大的汗珠从主任头上不停的往下滴，整个腹腔黏成一团，主任一点一点的清，当时我都不敢呼吸，生怕影响主任操作。 历经五个小时，终于完成了手术，算是比较成功，术后放了七八根管子。 术后主要的工作从主任接力到了我手里，病人无法进食，只能肠外营养，术后CT又显示腹腔里多发脓腔，后续在CT引导下又穿了几根引流管。 术后前三天患者情况尚可，查体呼唤还能有一定的反应。 但是术后第三天，我们最最担心的事情来了，患者持续高烧不退，最高到39摄氏度，术后感染！ 这是我们最害怕最害怕，也是夺走最多重症胰腺炎患者生命的恶魔！ 血培养铜绿、真菌、金葡、大肠。我当时心想，完了，付出这么多努力，还是付之东流了。 但是我心里面还是不放弃，因为这个患者主任很关注，也是我工作以来独立管的第一个，更加不想看到患者家属失望的神情。 于是高级别的抗生素顶上，国产的我知道效果不佳，跟患者家属谈用上了进口最新的针对耐药株的抗生素，一天需要3000-4000。 每天早上交完班，我第一件事就是去帮他冲管子，因为抗感染的第一要素永远是引流感染灶，这就是个苦差事，就是机械重复打生理盐水、引流，继续打生理盐水循环往复，每天需要耗费我1-2小时在床边。 自认为是尽心尽力，知友们是不是觉得一切向好处发展了？哪有这么简单？ 一切按部就班，患者感染逐步控制住的时候，有一天巡床，突然他的脉氧狂掉，心率飙升，呼吸急促。我当时就心想，完蛋了，肺栓了，这回是真没招了，这个病人根本不可能溶栓，一溶即死，包出血的。 最终还是主任拍板，上最后的手段，ECMO！这真是我们最后一招了，呼吸机、ECMO、CRRT，患者身上插满了各种管子，血液抽出身体都得过两种机器，感染风险无限增大。 各种指标狂掉，我们所能做的很有限了。跟家属谈完后，家属表示，穷现代医学所能尽的力量全力抢救，不考虑金钱，甚至把家里几套房产证拿出来，摆在医生面前，说钱花完了就回去卖房子卖地。主任、管床、家属三方的压力都来到了顶点。 于是我开始每天不厌其烦跟输血科要血，每天五瓶白蛋白往里灌，高级别抗生素，升压药泵，十几天过去了，患者依然昏迷，情况未见好转。 就在我打算放弃，家属也坚持不住的时候，突然有一天，我照例巡床的时候发现患者眼睛好像睁了一下，那个激动，立马狂拍病人肩膀，叫他名字，病人眼睛又动了一下，嘴巴张了一下，然后就又没反应，我知道，有希望了！ 于是我跟家属又谈了谈，维持目前的治疗措施，同时做了个大胆的决定，减少肠外，加大肠内——指南里对于营养是非常纠结的，营养就是ICU患者的生命线，但这个患者已经使用低热量策略四十多天，他已经饿了四十多天，我当时在想，他的器官功能衰竭，会不会是饿的？于是我做了大胆的决定，恢复充足热量供给。 从那以后，患者一天一天的好转，先是停了ECMO，然后停了CRRT，最后停了呼吸机。呼吸机脱机改用高流量那天，我知道，我们已经胜利了70%！ 之后就是常规的治疗，给予充足的营养支持，终于到了第50天，患者说了第一句清晰完整的话，我们决定拔掉气切管，转到过渡病房。在第70天，患者各项生命体征趋于平稳，决定出院继续康复治疗。 我们终于赢得了这场没有硝烟的生命保卫战。在这过程中，我知道我们医生能做的事情真的很有限，患者的求生欲望，家属的信任与坚持，终于谱写了生命的奇迹赞歌。 医生一定要学会敬畏生命、敬畏未知，所有的操作必须要有循证医学证据的支撑，到了最后关头，也不要轻言放弃，用自己的经验和直觉，在循证医学的盲区，大胆冲一把，冲多了，病例数量累计够了，就可以完善相关领域的循证医学证据了，这当然也是临床医生的责任。 PS：再鼓吹一波中国医疗体系的优越性，这个病人花近一百万，医保报销了大约70万，剩下30万还通过商保报销了一部分，最终自付大概三四万。真的很牛逼了。但是我们科室在他身上亏了很多钱，哈哈。

每周六给大家分享一篇深度好文： 本周：《There’s this deep mystery of what, actually, is this thing?: the philosopher inside Google DeepMind AI》 作者：Robert P Baird 平台：The Guardian 文章链接放在文末！ 推荐对 AI 有兴趣或者对 AI 投资下注的朋友一定要看下，是一篇很好的深度人物 + 思想随笔。 推荐的主要原因，是因为它写的是 Google DeepMind 里的哲学家 Iason Gabriel： 这个结合很有趣，一个政治哲学背景的人，如何在最前沿的 AI 实验室里，思考 AI 到底应该服务谁、服从谁、伤害谁、又由谁来决定它的价值边界。 文章从 Gabriel 2017 年加入 DeepMind 写起。 当时他几乎是少数真正进入前沿 AI 实验室内部的哲学家之一。文章借他的经历，把 AI 领域里两个长期分裂的阵营讲清楚了：一边是关注“失控、对齐、超级智能风险”的 AI safety，一边是关注“偏见、权力、社会伤害”的 AI ethics。 所以你可以看到 AI 对齐不是简单地让机器“听人话”，而是一个更复杂的四方关系：AI 系统、用户、开发者、社会。 如果 AI 只服务开发者，可能会损害用户；如果 AI 只服从用户，也可能损害社会；如果只追求技术最优，又可能忽略人的价值冲突。 另外关于 Agenty 的普及肯定是不可逆的趋势，未来 AI 不再只是输出文字，而是会在现实世界里行动。这个变化会让伦理、责任、权力边界都变得更尖锐。 与我而言这篇内容的最大启发： 1️⃣AI 时代更应该多读书多思考 AI 时代不要只追新工具，工具只是形式上的，真正重要的是你有没有自己的“价值排序”和“决策边界”。 没有这个边界，AI 越强，只会把你的混乱放大。 2️⃣超级个体； 未来的超级个体，除了熟练掌握工具，更重要的，是必须是能把 AI 放进自己的判断系统里，同时知道什么时候不能让 AI 替自己做决定的人。 3️⃣投资启发； 我以前以为 AI 竞争的除了技术就是算力。 原来 AI 公司、Crypto 项目、平台型产品，最后竞争的不只是技术参数，而是谁掌握入口、数据、执行权和价值定义权和伦理决定权。 谁能决定“系统应该偏向谁”，谁就拥有真正的权力。 AI 还有很长的发展路径，投资一定要多样化，不要只看某一个面。 文章链接：

$MU 看见的机器人，不是玩具，是 AI 的下一副身体 a16z 昨天发布了一张图片 表面上讲的是机器人一级市场融资创历史新高，Q1 2026 的融资金额和交易笔数同时冲上去。 不只是机器人火了，重要的地方在于资本在用自己的方式告诉市场，AI 的下一段叙事，正在从云端走向现实世界。 过去几年，AI 投资的中心很清楚。 先是模型，后是算力，然后是 GPU、HBM、数据中心、电力、液冷、光模块、网络交换机。 看着五花八门、很高大上，本质上解决都是在一个问题：怎么把更大的模型训练出来，怎么让更多推理跑起来。 但现在，一个新的问题开始出现。 这些智能，最后要去哪里？ 如果 AI 永远停在聊天框、办公软件和云端 API 里，它当然很有价值，但它仍然主要停留在数字世界里。 真正更大的变化，是 AI 开始进入工厂、仓库、医院、汽车、农田、矿山、家庭和战场。 也就是进入物理世界。 机器人就是这个过程里最重要的载体。 所以这张图不是简单的融资图，而是一张资金迁徙图。 钱正在从纯软件、纯云端、纯模型，往能让 AI 落地到现实世界的硬件系统里迁移。 这也是为什么美光这次财报电话会里，CEO 专门提到机器人。 美光不是一家机器人公司，它也不是一个靠讲故事拉估值的创业公司。 美光站的位置非常特殊。它在产业链里看见的不是概念，而是每一个终端到底要吃掉多少内存、多少存储、多少带宽、多少功耗预算。 所以当美光 CEO 说，人形机器人的内存含量可能是普通 L2+ 汽车的十倍，这句话的分量很重。 不是在说机器人明天就爆发。 而是在说：如果机器人真的走向规模化，它就不会是一台简单的机械设备，而会是一台移动的边缘 AI 系统。 它要看见世界，要理解世界，要实时推理，要控制动作，要记录数据，要在本地完成大量计算。 这意味着机器人不是一个轻资产故事。 它是一个重硬件、重供应链、重制造、重可靠性的产业故事。 说实话，我们看机器人，最容易被外形吸引。 人形机器人走几步，挥挥手，搬个箱子，视频一发，大家就开始兴奋、欢呼。 但产业化的视角从来不是这样子，产业化看的是：一台机器人到底由什么构成？哪些环节能规模化？哪些部件会成为瓶颈？哪些供应商可以稳定交付？哪些客户愿意付钱？单位经济模型什么时候跑通？ 从这个角度看，美光这次财报其实给了一个很重要的提醒。 机器人不是从“机器”开始定价的，是从“数据”开始定价的。 一个机器人进入现实世界，第一件事不是行动，而是感知。 它要用摄像头、激光雷达、毫米波雷达、IMU、力传感器、触觉传感器去采集环境。 采集之后，数据要被处理 处理之后，要进入模型 模型要判断环境，理解任务，规划动作 动作又要通过电机、减速器、伺服系统、控制器执行出去 执行之后，还要反馈回来，再调整下一步 这就是机器人的闭环。 感知、推理、控制、执行、反馈。 这个闭环越复杂，对内存和存储的要求就越高。 因为机器人不是在干一个静态任务。 它是在真实环境里不断接收数据，不断判断，不断行动。 云端可以慢一点，办公软件可以等几秒。 但机器人不能等。 它要避障，要抓取，要平衡，要停下，要躲人，要判断物体有没有滑落。 这些事情都发生在现实世界里，延迟一高，错误就会变成碰撞。 所以机器人天然需要边缘计算，也天然需要高带宽、低功耗的内存和存储。 这就是美光那句话的核心。 人形机器人之所以可能带来多年的内存需求，不是因为它长得像人，而是因为它把 AI 从服务器机柜里，搬到了一个会移动、会交互、会执行任务的物理终端里。 这和汽车很像，但又比汽车更复杂。 一辆 L2+ 汽车已经需要大量传感器、算力、内存和存储。 但它的任务相对单一，主要是行驶、避障、辅助驾驶。 人形机器人面对的世界要复杂得多。 它不只在道路上移动，要进入工厂、仓库、办公室、家庭。 它要处理开放环境里的长尾问题。 它要用手操作各种不同形状、不同重量、不同材质的物体。 它要理解人的指令，也要适应环境的变化。 这就是为什么人形机器人如果真正量产，它的硬件含量不会低。 它不是一个带腿的玩具。 它更像是一台高度压缩的移动数据中心，一台装进身体里的 AI 服务器 其实融资图和美光的电话会都说了一件事。 一级市场融资创高，说明资本正在下注机器人公司的未来形态。 美光电话会，说明上游半导体公司已经开始把机器人纳入长期需求模型。 一个是资金端的变化，一个是供应链端的变化。 这两件事合在一起，才是机器人板块真正值得重视的地方。 机器人投资创历史新高，不等于所有机器人公司都有价值。 很多公司会融到钱，很多公司也会消失。 这和电动车、光伏、AI、大模型都一样。 每一轮产业浪潮刚开始的时候，市场都会把叙事打得很满。 但产业最后只奖励两类公司。 一类是能把产品真正交付出去的整机公司 另一类是站在关键瓶颈上的供应链公司 机器人也是一样。 用产业化视角拆，它至少有六层。 第一层，是大脑 包括 GPU、边缘 AI 芯片、机器人基础模型、世界模型、仿真平台。 最典型的还是老大哥英伟达。 因为机器人真正成熟之前，需要在仿真里训练，需要在虚拟世界里先摔无数次，再去真实世界里减少试错成本。 第二层，是记忆 这就是美光看到的部分。 机器人要实时感知、推理和控制，就需要更高带宽、更低功耗、更大容量的内存和存储。 过去市场把美光看成周期股。 但如果 AI 进入设备端、汽车端、机器人端，美光就不再只是传统意义上的存储周期公司，而是在吃 AI 终端扩散的硬件红利。 第三层，是眼睛 机器人要进入现实世界，首先要看见世界。 摄像头、激光雷达、机器视觉、深度传感器、传感器融合，都是这一层。 Ouster、Cognex、Keyence 这种公司，看的是机器人和自动化的感知入口。 这层的核心不是某个单一传感器赢不赢，而是机器人对空间理解的需求会越来越强。 第四层，是皮肤和手感 这对应力传感、触觉反馈、应变片、压力传感、灵巧手。 这条线现在还很早，但非常关键。 因为机器人从“会走路”到“会干活”，真正难的是手。 抓一个箱子很容易，抓一个玻璃杯、鸡蛋、衣服、软袋子、工具，就完全不一样。 视觉只能告诉机器人物体在哪里。 触觉和力反馈，才能告诉它该用多大力。 所以 VPG 这类精密测量和力传感公司，才会开始被市场重新注意。 第五层，是关节和肌肉 机器人要动起来，离不开电机、减速器、伺服系统、编码器、控制器。 这里面最典型的是 Harmonic Drive Systems 这类精密减速器公司。 机器人越接近人形，关节越多，运动控制要求越高，对高精度、轻量化、低背隙零部件的要求就越高。 这条线不如整机性感，但产业位置很硬。 第六层，是场景 机器人最终不是卖给想象力，而是卖给场景。 工厂、仓库、医院、农业、国防，是最可能先跑出来的地方。 因为这些地方有明确的人力成本、效率需求、安全需求和 ROI 计算。 亚马逊的仓储机器人、Intuitive Surgical 的手术机器人、AeroVironment 的无人系统，本质上都说明了一件事： 机器人最早赚钱的地方，往往不是家庭，而是商业和工业场景。 所以现在看机器人板块，不能只看人形机器人。 人形机器人是最大的想象空间，但不一定是最早兑现利润的地方。 真正产业化的机器人浪潮，很可能先从仓库、工厂、医院、军工和农业里长出来。 等这些场景把供应链打磨成熟，成本打下来，可靠性提高，软件泛化能力增强，才有机会一步步进入更开放的生活场景。 我觉得机器人板块未来会分成两条线。 一条是情绪线 它会围绕人形机器人、具身智能、Physical AI 反复炒作。 这条线弹性大、波动也大。 另一条是产业线 它围绕内存、传感器、激光雷达、力反馈、减速器、边缘芯片、工业自动化、仓储物流、医疗机器人慢慢展开。 这条线没有那么刺激，但更接近真实订单和真实利润。 美光这次财报的意义，就在于它把机器人从情绪线，往产业线拉了一步。 因为它说的不是机器人很酷，它说的是机器人会消耗多少内存，什么时候开始形成需求周期，这个周期可能持续多久。 这就是半导体产业看问题的方式。 不看视频，不看口号，不看发布会掌声。 看 bit growth，看 content per device，看 supply constraint，看客户是不是愿意签长期协议，看资本开支是不是敢下去。 所以机器人这条线，真正值得重视的不是某一天谁涨了多少。 而是它开始具备产业化的三个信号。 第一，资金进来 一级市场融资创历史新高，说明资本开始愿意为机器人公司的长期制造能力和技术壁垒买单。 第二，上游开始建模 美光把机器人放进长期内存需求框架，说明机器人已经不只是科幻叙事，而是被上游供应链纳入未来需求曲线。 第三，场景开始筛选 仓储、工业、医疗、国防、农业这些领域，会先把真正有用的机器人筛出来。 最后留下来的，不一定是视频最好看的公司。 而是能稳定工作、能持续交付、能降低成本、能融入客户流程的公司。 所以我对机器人板块的看法很简单，它不是明天就爆发的题材。 但它一定是 AI 下半场最重要的产业方向之一。 过去 AI 的主线是云端算力。 接下来几年，AI 的增量会逐步走向边缘、终端、汽车和机器人。 再往后，AI 会进入真实世界里的每一个生产场景。 可能五年后，B端也就是企业端会开始大规模应用，而十年后，或许就会进入千千万万家。 这条路不会平滑，中间一定会有泡沫，有失败，有估值杀，有技术路线反复，有商业化低于预期。 但大方向很清楚，智能不会永远困在屏幕里。 它一定要长出眼睛，长出手，长出身体，进入现实世界。 而当这件事发生的时候，机器人就不再只是一个行业。 它会变成 AI、半导体、精密制造、自动化、传感器、电池、软件、国防和医疗共同汇合的一条大河。 美光看到的，是这条河最上游的水位变化 一级市场看到的，是河道开始变宽 二级市场接下来要做的，不是追每一个浪花，而是找到那些真正站在河床里的公司 @a16z

推荐这篇文章，Flask 作者 Armin Ronacher 写了这两天我看到最诚实的 loops 反思。之前两篇都在讲 loop 怎么搭、工程怎么落地，这篇问了一个没人敢问的问题：loop 写出来的代码你真的喜欢吗？如果你在用 AI 写代码，这篇可能会让你停下来想一下。 即将到来的 Loop 我不再给 Claude 写 prompt 了。我跑着一些 loop，它们负责给 Claude 写 prompt 并决定做什么。我的工作是写 loop。 — Boris Cherny 过去几个月，我看到越来越多的人在 coding agent 之上构建一些感觉上跟"直接用 coding agent"有本质区别的东西。模式到处都一样：任务被放进某种队列，机器捡起来、尝试、停下来，然后 harness 判断那是不是真的结束。 如果不是，harness 继续同一个 session、注入另一条消息、用修改过的 context 启动一个新的 session、或者把任务发给另一台机器。任务在模型自己本该说"我做完了"的那个点之后，继续活着。 我想这种 loop 想到自己都不好意思承认。 每个 coding agent 内部已经有一个 agent loop 了。模型调用工具、整合结果、再调用工具、读文件、改文件、跑测试、最终生成答案。那个 loop 我们已经相当熟悉了。另一种 loop 是 harness 级别的 loop：agent loop 之外的 loop。那个 loop 也不是新的。从 Claude Code 早期我们就一直在做各种版本，但那个 loop 在 agentic engineering 中越来越重要，最近几周已经开始主导 Twitter discourse。 我还不擅长这个 我目前的状况是：对于我真正在意的代码，我还没怎么成功用过这种工作方式——而这恰好是我相当大一部分代码。 部分原因是品味，部分原因是控制。我对我想要的代码样子设了一个很高的标准，我想理解我交付的代码。在压力下，或者跟另一个人讨论时，我想能够解释清楚系统做了什么，而不是先让一个 clanker 解释给我听。显然，这种"想理解代码"的愿望是否会在几年后依旧存在，是一个问题。但现在，我还没有越过"理解对我来说很重要"这个阶段。 基于这个愿望，对于没有我关注时写出来的代码，尤其是由 loops 产生的代码，我感觉有些东西缺失了。当前模型倾向于产生过于防御性、过于复杂、推理过于局部的代码。它们避免强不变量。它们添加 fallback 而不是让坏状态变得不可能。它们重复代码、发明糟糕的抽象、用更多 machinery 掩盖不清晰的设计。更糟的是：我几乎看不到这方面有什么进步。如果有什么变化的话，我觉得我们可能还在往错误的方向走。至少以我的品味，当前像 Claude Code with ultracode 这样的无人值守 harness 产出的代码，比去年秋天我们产出的还要差。因为 Claude Code 加 Fable 会连续不停地在一个问题上工作 30 分钟甚至更久，而过去这个过程会有更多人参与。 此外，一个众所周知的问题是模型倾向于观察到某个局部失败然后添加局部防御。Karpathy 提到他们"对异常感到极度恐惧"。在具有重要不变量的系统中，尤其是持久化数据格式或核心基础设施，正确的修复不是"处理每个异常情况"。正确的修复是让异常情况一开始就无法被表达或写入。但即便有大量人工引导，LLM 也不会自然地产生那种代码，而且即使代码自然地像那样产生了，它们仍然会试图处理现在已不可能的错误。 当你把这种行为放到 loops 后面时，你往往会放大它。如果每次迭代都添加一个小防御，系统会慢慢变得更不透明，同时表面看起来更健壮。你越放手，这种情况就越严重。当这样的工具交给没有清晰指导的初级开发者时，它还会教给他们非常糟糕的实践。因为如果你问他们为什么做所有这些，他们会令人信服地论证自己的做法。 Loop 在哪里有效 但与此同时，假装 loop 模式不管用也是不诚实的——它在某些领域已经好得惊人。 代码移植就是其中之一。已经有令人印象深刻的大规模自动化移植案例，包括报道中把 Bun 的部分代码从 Zig 移植到 Rust 的工作。我自己也成功用它把 MiniJinja 移植到了 Go。性能探索是另一个效果惊艳的场景。机器可以尝试实验、跑 benchmark、丢弃失败、继续搜索。安全扫描也自然适合，几乎任何类型的研究也一样：让系统探索一个复杂的问题空间然后汇报回来，不一定要提交持久化的代码。 这些场景的共性是：它们要么不生成新代码，而是转换已有代码；要么产生的代码有意不需要长期存活。它们要么产出 PoC 或想法，要么呈现发现，或者更像机械性的转换。 我相信，产出不需要长寿的 artifacts 的 loop，或者产出某种可清晰验证的机械性翻译的 loop，比 harness 机械性地衡量某个目标的一般能力更重要。很多成功的 loop 应用用另一个 LLM 作为 judge 或 orchestrator。机械性翻译场景可以用二元测试用例验证，但它也可以用 LLM 来评判！ Claude Code 在创建完整的实验性工作流并执行它们方面，变得越来越好。当然，它生成的代码是 slop，但那更多是模型的问题，而不是 harness 不能很好地判断工作流中的某一步是否带来了净改进或完成。 Harness 只需要一些信号让它能继续。不需要客观或二元——只需要足够有用来驱动下一次迭代。 我非常喜欢那些能把我日常中的无聊部分拿走的 loops——做实验、测量、给我灵感。 软件作为有机体 另一方面，用同样的 loop 方法来写持久化的代码，我还不觉得舒服。我喜欢的比喻是：从软件作为确定性机器，到软件作为有机体。 我成为一名软件工程师的环境鼓励我理解机器。总有一层你可以剥开来加深理解。不展现确定性可观测行为的机器也许被接受，但一般不被认为是最优的。在软件架构上，我认为追求更多的确定性而不是更少是可取的。同样，理解代码的能力一直是一个不可否认的目标。实践中并不总是可能，但我们仍然以写出好的代码为荣，使得即使是新工程师也能通过巧妙的架构在复杂的代码库中导航。在设计良好的系统上，总有一些工程师知道不变量在哪里，哪些部分是承重的，哪些改动是安全的。理想情况下所有这些都是有良好文档的。在缺乏这种理解的地方，通常被认为是需要改进的事情。 显然，那个理想一直都很紧张。许多软件系统，尤其是非常成功的系统，在工程师能让它保持干净的时期过后，常常变得太大、太动态、太依赖外部服务，无法装进任何人的脑袋。即使没有 LLM，我们在诊断分布式系统时也已经有点像医生了：观察症状、提出假设、"开更多检查"、尝试一些补救措施、再次观察。 但有了 LLM，我们正在沿着这个方向走得更远更快。我们用它们来写代码，也用它们来诊断和治疗。已经有大量工程师生活在这样一个世界里：生产问题发生后的第一步是让 clanker 读日志、提出根因、主动提出 patch。结果 patch 通常被另一台机器捡起来审查，有时甚至没有任何人工监督就合并到了 main。 显然这很强大，我不能否认它听起来很诱人。但屈服于这个想法，特别是随着人类监督越来越少，意味着接受我们可能无法再以同样的方式理解整个系统。我们治疗它、监控它、稳定它，但我们不一定理解它。 我毫不怀疑对于某些软件来说，这没问题。不是每一行代码都值得人类作者身份，而且过去也可能写过更差的代码。 但我希望所有软件都这样写吗？ 你无法完全退出 非常令人不安的是，选择退出这个全机器驱动的未来可能不是一个选项。 安全是最清晰的例子。即使你不用 loops 来构建你的软件，别人也会用 loops 来攻击你的软件。攻击者会持续运行机器，即使不是攻击者，安全研究人员也会，而其中一些自动化工作会产生大量噪音但也会发现真正的问题。信号和噪音都会以如此大的规模涌向你，以至于你几乎不得不也扔一台机器来处理。 Daniel Stenberg 关于 curl 的 summer of bliss 的帖子是一个很好的例子，展示了维护者已经承受的压力。据我所知，AI 在 curl 的核心开发中并没有扮演重要角色。但尽管如此，维护者还是被报告淹没了——其中大部分是 AI 生成的。 如果攻击者和报告者都在 loop，防御者最终也需要 loop 才能跟上。也许不是直接写 patch，也许只是用来 triage 和复现——但压力会增加。 竞争也是一样。有些团队会通过原始速度超越其他团队。有些项目会突然加速，因为一个小团队搞清楚了如何有效编排机器。有些 startup 可以用五个人做到过去需要五十个人的事。有些人可能会直接把一台机器放在一个 loop 里对着你的产品，告诉它"把它做得像那个一样"。而如果他们的用户很开心，这真的重要吗？ 不是所有软件都会受到同等影响。有些领域会惩罚草率，要求信任和责任，但很多软件生活在一个原始速度、快速实验和大面积覆盖至关重要的世界里。 建立新的依赖 最可怕的部分是，我们以新的方式变得依赖于这些新机器。软件一直依赖工具。我还记得我不得不为编译器付费的时候。这些新工具让人回想起那些创造软件需要真实成本的日子。但现在不再是一次性付款了——它是一种持续的依赖。不只是对钱包的依赖，还有认知依赖。 如果一个代码库由 loops 产生、由 loops 审查、由 loops 打补丁、由 loops 维护，当你不再能访问同等级别的系统时会发生什么？当某些贸易限制剥夺了对最强模型的访问时？如果只是成本变得不可接受呢？如果你和你的团队只是丧失了不用机器理解代码的最后一点能力呢？ 我们可能会创建出不仅人类难以维护、而且把机器参与作为其维护模型前提的代码库。这已经在发生了！不是在所有地方都发生，甚至可能不是以被视为有问题的方式在发生，但我们看到越来越多。人们越来越多地合并他们不能完全解释的代码。人们失去了创建 issue 报告或在聊天中讨论事情的能力，而不借助 clanker 增强或改写他们的消息。太多人越来越依赖机器来总结或提供上下文。我越来越多地遇到通过 LLM 这个中间人与我交流的人。 再说一次，也许这甚至不一定是错的，但它对我们做事的方式是一个巨大的改变。 未来的 Harness 我毫不怀疑这就是方向，但朝着这个方向走需要我们在所有地方都改善我们的工具，而不只是在 coding agent 里。 仅仅编排更多的 loops 是不够的。更好的变更可视化或编排或 agent 不会恢复我们的理解。要么我们需要找到巧妙的方法把人拉回 loop，让 loop 的变更长期可读，要么我们需要找到更好的方法来组合这些越来越复杂的系统。 这也是我对 Pi 的角色的想法在变化的地方。Pi 一直很谨慎，我认为这种谨慎是好的。我不希望一个每一次交互都变成不受控制的机器 swarm、做出我无法跟上的变更的未来。我不希望 Pi 为了赢得"软件自己写自己"的竞赛而变成一个不可维护的混乱，我也不希望 Pi 推广这类工程。但与此同时，Pi 是一个 harness，而 harness 正处在人们运行这些新型实验的中心。 编码任务的任务队列、agent 编排、子 agent、持久化 session 会变得越来越重要。即使是我们这些有保留意见、没有盲目拥抱 loops 的人，也必须要开始做这些实验了。因为我们需要理解如何让这个未来有边界、可生存。 控制 Loop 正如你从这篇文章中读到的，我对这个未来非常不安。不是因为恐惧，而是因为基于对这项技术至今的经验而产生的谨慎。 采用 harness loop 的想法意味着 harness 决定工作何时完成。在 agent loop 中，模型最终说"完成"然后我审查。即使在那之前，我通常也在沿途引导。我参与其中，我喜欢在学习中前行。在 harness 操作的 loop 中，我不确定我的角色到底是什么。甚至"完成"信号也失去了所有意义，只是变成了传递给另一台机器进行评判的信息。我的角色被简化为一个信使。 今天，我不喜欢我看到的那种用这种方式构建的系统产生的代码，我也不喜欢与太多用 AI 辅助构建的软件交互。Loop 很强大，但它越来越多地移除责任，至少在当下它非常鼓励我们向机器投降。 然而，我毫不怀疑这个 loop 化的未来就是我们的未来——尽管我目前对此感到反感。我已经看到惊人小的团队以不可能的速度在构建，我看到代码库正在变成越来越模糊和混乱的有机体，只能由更多机器来诊断。这些代码库同时既有用又混乱。 所以我想我开始接受一个事实：问题不是我们会不会 loop——显然我们会的。也许问题是：在一个 loops 的未来里，我们如何不放弃判断，如何在其中保留良好工程的原则，如何确保负责任的人能够继续监督，如何重新思考我们架构代码的方式以在其中保持清醒。 原文：Armin Ronacher, "The Coming Loop", 2026-06-23 链接： #AI# #Loops# #软件工程# #反思#