与「出乎意料的发现」相关的搜索结果

刷《暗黑4》的间歇把 @variational_io 最新推文读完了，太多出乎意料的惊喜，分享几点偏见，长文慎入： 1. 原以为接入 tradfi 流动性，就是和其他交易所一样上架一揽子 CFD，没想到哥们儿野心那么大。 CFD 这个模式当然很有价值： 一方面，OLP 可以 internalize 一部分订单，把多空订单流先 internalize，从而降低交易成本； 另一方面，用户又能享受 DEX 的好处：链上账户、跨保证金、无需 KYC 即可杠杆拉满，U 赌万物。 所以我最开始的预期是：var 会做一个更丝滑、更 crypto-native 的 CFD venue。 但没想到，var 最后推出的是 swap。 这二者区别非常大。 CFD 更多的是零售券商给用户开的合成盘口； swap 则是 TradFi 机构真正用来交换资产回报和融资成本的 OTC 工具。 前者是散户交易语言，后者是机构交易语言。 这也解释了我之前的疑惑：如果只是上架 CFD，为什么能拖这么久？ 现在看明白了，VAR 不是去找几个报价源拼盘口，而是上来就要跟 TradFi dealer 建立双边对手方关系。 如果只是 CFD，接几个流动性源、包一层合约，理论上不该这么慢。 但 swap 的背后是 dealer agreement、对冲额度、法务条款、保证金安排和风控框架等一些列复杂的合规流程。 万万没想到，哥们儿不是要开小卖部，而是直接跑去机构桌一屁股坐下。 那这里的商务关系推进得慢一点，属实合理。 2. 我曾口出狂言，光是套利佬，就能让 var 这个项目活的很滋润，现在得改改了。 这个暴论，是 var 天然的机制使然，在 OLP 索引的是币圈流动时，数百个市场的背后是不同的流动性来源。 而 cex 和 cex 之间，dex 和 cex 之间，dex 和 dex 之间，一定会一直存在需要被矫正的价差，需要被打压的资费。 var 作为币圈拼多多，靠着在对冲 venue 里比我们散户更优的 fee-tier 和内部订单流抵消，最后实际的交易成本一定是比我们直接用他索引报价的所以要便宜。 比如 RWA 刚上的时候，我就点出了 var 这个阶段最大的 alpha，它就是手续费更便宜的币安，如果你有套利策略是要用 bn 做腿，且 var 有 list 该资产，挪到 var 做就好。 原帖链接： 这也是为什么我一直说套利佬对 var 很重要。 我们这些盘踞在 var 上的小农经济玩家，不管有没有空投，只要产品真的能省钱，就会长期使用。对项目来说，这是一条长期稳定的现金流。 但 swap 上线之后，var 的故事突然变大了。 因为接下来可能会出现另一类资金量、交易频率、交易流水都比我们套利资本更大的用户：各大币圈交易所 RWA 市场的做市商。 以前这些做市商要对冲 TradFi 敞口，可能要去 CME、券商、CFD provider、Prime broker，或者找其他 OTC dealer。 这里面有一堆麻烦：开户、KYC、法币通道、保证金割裂、交易时间、结算周期、额度管理、跨市场风控。 但如果 var 的 swap 真能把 TradFi dealer 的流动性搬到链上，那它就变成了一个非常顺手的 hedge venue。 做市商可以在 @Lighter_xyz @HyperliquidX @binance 这些交易所给 RWA 做市，然后把净敞口拿到 VAR 上对冲： 都在链上，用 U 结算，有统一保证金，执行深度来自 TradFi dealer，还不用自己维护一整套传统金融对冲关系。 这尼玛也太舒服了。 而当 var 吃的不再只是散户流量，而是其他交易所背后的做市流量，它就有机会最终变成整个 crypto RWA 交易生态的后端对冲层。 前者赚的是用户交易需求，后者吃的是行业基础设施流量。 这俩生意不是一层级的。 当然，我之前聊的币圈天价 rwa 资费的问题，有了 swap 之后，也会得到很大的缓和，就不细说了，这里是套利佬们的机会。 原帖链接： 所以 var 这个项目最有意思的地方在于：它不是一个四处宣战的协议，它甚至都不需要试图把所有交易员抢到自己的碗里来。 （不像某个号称背靠华尔街的 180 线交易所，谁也看不起，今天要干死这个，明天要弄死那个，后天发现自己谁也干不过，转头又说自己真正的竞争对手根本不是币圈交易所，然后跑去主流金融继续丢人现眼，送人头。） 相反，var 越成功，整个链上 RWA 交易生态就会越繁荣。 做市商在 var 这里降低了管理 TradFi 敞口的复杂度； 交易所则间接受益于更便宜的做市成本、更深的盘口和更健康的 funding； 普通交易员即使不直接使用 var，也可能因为这层后端对冲能力的存在，享受到更好的成交体验。 这才是我最期待 var 的地方。 它有机会通过把 TradFi 的流动性、对冲能力和融资结构，变成 crypto 生态可以调用的公共能力，让自己没有敌人，只有朋友。 3. 不用太担心 swap 初期不是 7*24。主流金融本身也在慢慢变成 always-on。 很多人看到 var 的 swap 初期会有 open / closed hours，第一反应可能是：这不是倒退吗？币圈最大的优势不就是 7*24 吗？ 我反而觉得这很正常。 因为 var 这次接的不是自己编出来的链上价格，也不是薄薄一层 CFD 报价，而是 TradFi dealer 的真实对冲能力。 真实流动性有自己的交易时间、风控边界、清算周期和报价约束。 初期跟随传统市场开闭市，本质上是为了先把更深的 liquidity 和更稳定的 execution quality 接进来。 先要“真”，再要“全时段”。 而且我并不认为 7*24 会永远是 crypto 对 TradFi 的绝对优势。 目前币圈 perps 很大的叙事逻辑，是「休市后的价格发现」：美股关门了，黄金关门了，原油关门了，但链上还能交易，所以 crypto venue 可以先反映信息。 这个逻辑在当下是成立的，但它更像阶段性红利，不是永恒护城河。 因为主流金融自己也在朝更长交易时段演化。美股已经有 overnight trading，NYSE / Nasdaq / Cboe 也都在推进更接近 24/5 的交易安排。 这个趋势继续走下去，两年后我们再看，「只有币圈能交易」这件事，可能就没那么稀缺了。 未来币圈交易类产品最大的价值，不会只是“我开着，别人关门”。 真正的价值会变成： 谁能拿到更好的价格； 谁能给出更深的盘口； 谁能提供更低的融资成本； 谁能把保证金、结算、对冲和风险管理做得更顺。 谁能让全球各个角落的人，低摩擦地获得他们想要的敞口。 从这个角度看，var 的路径是对的。 swap 初期不是 7*24，并不妨碍它长期变成 7*24。 推文里也说了，team 会继续接入 off-hours venues，让 OLP 未来可以在更多时间段报价。 也就是说，var 现在做的是先把 TradFi 的机构级流动性搬上链，再慢慢补齐链上的时间优势。 短期看，它牺牲了一点能 day 1 喊出全天候交易的爽感。 长期看，它要争的是「全市场最优价格获取」的位置。 这比单纯喊口号，意义要大得多。 最后放一下猿哥的预言家帖子，感慨下，var 果然没让哥失望：不一样的烟花，这不就来了嘛？

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

人之间的健康的互动，需要有一些明显的摩擦和讨价还价。如果一个事情出乎意料的极为顺利丝滑，这反而可能是个预警信号。 比如最近看到一篇文章，说某公司的 HR 反映，那些面试时特别卑微的，说啥都好好的人，入职后反而更容易摆烂，半年内大概率离职。一般来说卑微的背后，反映的是自身缺乏实力和选择，因此要压制自己的真实需求。雇主误以为自己找到听话又便宜的员工，结果入职以后，这类员工发现没有能力兑现自己之前的许诺，慢慢开始摸鱼，后面实在撑不住压力，就只能走人。 这个规律在很多其它地方都有体现。如果和某人的合作出乎意料的丝滑，看上去你好像占了个大便宜，他的态度极为恭顺谦卑，对方大概率在隐藏什么东西，他现在答应你，只是因为从你那里得到的短期利益，暂时大于他压制自身本能的成本而已。一旦成本超过利益，翻脸就是时间问题。 次级贷款看上去利息高，号称风险低，但实际操作上借款者赖账跑路的概率远远大于普通人。他之前接受高息的贷款，是因为自己信用实在太烂，没有选择而已。 外表的过于恭顺和背后的隐藏的摩擦，比明面上的摩擦，要危险多了。因为前者你看不清，无法正确应对和提前计划。

米，又上热搜了 周末两天写的都是国际银价暴涨的话题，以及白银lof套利的操作计划，没看的读者往前翻。简单说就是国际银价周五单日暴涨超过10%，导致白银lof的真实溢价大幅收窄（15%左右），再加上基金公司暂停了c类份额申购，a类份额限额从500下调至100元。以上种种因素叠加，可能会刺激白银lof再次掀起博傻投机。 这几天有不少读者给我留言，说我这么大流量的博主没必要一直关注这几百块钱的羊毛。但我觉得就是因为我流量大，所以几百块钱的羊毛也不少，我日常阅读量50万，假设有5%受我影响去套利，那也是2.5万人，这一两个星期滚动套利每个账户能赚300-500，乘一下就是1000万。 让我自己掏腰包给你们发福利，几十万可以有，1000万是断然拿不出来的。股市观点说的再多也不是包对的，但这1000万我教了，你们做了，就是确定性利润，当然要认真写了，因为有可能我一年写到头最有价值的就是年末教大家套利的文章。 这几天还有一件事说的比较多，就是提醒诸位不要白银投机做空，大宗商品的单边趋势往往很夸张，一波做错就会造成很可怕的损失。昨晚有个读者后台留言和我说他亏惨了，这几天心情极度压抑，我打码发上来给你们做个警示。 期货是杠杆交易，很多散户炒期货不像炒股那样对风险有清晰的预估和感知，很多人都是炒着炒着发现亏钱速度出乎意料的快，几个犹豫就已经积重难返。尤其是做空，凶险程度远远大过做多。 举个例子，初始价100，5个跌停后价格是59，下一个跌停跌5.9。反过来初始价100，5个涨停后价格是161，下一个涨停会涨16.1。 5.9和16.1，你们感受一下这两者的差别，做多某种程度上来说可以死扛，做空死扛真的会死。 …… 银价暴涨对好几个热门行业都会造成冲击，因为和黄金不一样，白银在工业上的使用场景还挺多的。 银有很好的导热和导电性能，所以光伏行业，电动车行业都会用到工业白银。一辆电动车使用的白银达25-50克，今年银价从每盎司30美元涨到80美元，1盎司=28克，一辆车的白银成本上升70-80美元。 光伏面板的导电层使用银浆，银浆成本已占光伏组件总成本的约16-17%，超过硅料成为组件最大单一成本项。银价每上涨 10%，光伏组件单位成本将增加 0.01 元 / 瓦。 所以马斯克这几天有点着急，开始抨击白银投机炒作冲击工业生产，因为电动车和光伏都是他直接关联的产业，但目前全球白银现货缺口是客观存在的，并不完全由投机炒作引起。 有色板块周五大涨3.6%，年内累计上涨93%，几个龙头股都刷新历史新高，从目前的趋势看，有色板块在短期内依然有较强的动能。不单单是金银，铜\锡\镍最近一个月都没少涨。 另外碳酸锂期货最近也跟风一通猛涨，周五又是+8%，最新价格已经来到了13万，这已经超出了几乎所有机构预测的价格上限，宁德时代那个枧下窝锂矿最快要春节后才能复产，目前行业库存偏低，正好往上拱一波。 …… 1、小米集团：联合创始人林斌计划从2026年12月起，每12个月出售金额不超过5亿美元的公司b类普通股，累计减持不超过20亿美元。 这个新闻已经把小米炸上热搜了。林斌是小米公司仅次于雷军的二号人物，他持有小米近千亿市值的股票，所以就算卖了20亿美元，也只占他总持仓的1/5不到。另外很多人可能看标题的时候没注意到，这个减持计划是从2026年12月开始卖，时间是一年后，林斌提前一年宣布这个决定也是想给市场足够时间去消化情绪。至于减持套现的目的是用来成立他自己的投资基金。 这毫无疑问是利空，至于利空到什么程度周一看吧。 2、万科12月28日到期的债务，展期方案没通过，但是债主们同意延长30天宽限期。这帮债主们也是很强硬了，延期还钱的方案不满意，减持投反对票，但是愿意再给30天时间谈判新的延期方案。我之前听谁说的，说债主里有金融机构，保险的钱，轻易不能让步。 3、出了一个商业火箭企业适用科创板第五套上市标准细化规则，这种不用看具体内容，肯定是扶持新兴产业的，属于看标题就知道是利好。现在spaceX冲击ipo全球瞩目，中国这边全力扶持追赶，一定是2026上半年的重要概念。不可能每个星期都涨，但这条线是很有持续性的。 今天我还看了一个spaceX的中文路演材料，我说说印象比较深的几点。首先是2026年送机器人去火星，踩个点，顺利的话2028年送活人过去，失败的话就不知道要延迟多久了。公司现在主要是猎鹰9号，重型猎鹰，星舰三个火箭型号，平时负责商业赚钱的是猎鹰9号，星舰是给火星计划准备的。星舰每公斤发射到太空的成本最低到80美元。 公司目前真正挣钱的业务是星链，就是卫星上网的那个，营收占比70%，覆盖150多个国家，用户突破900万，目标是2040年增长到10亿。 spaceX今年营收大概是155亿美元左右，处于盈亏平衡状态，可能微微能赚点。 差不多就这些，写累了，准备发射。

范式变化与共鸣趋同 说真，这几年库恩的《科学革命的结构》在我心目中的含金量一路飙升。 书里提出的那条逻辑——常规科学在范式下做拼图，异常不断累积，危机随之爆发，最终迎来范式转换——越想越真实。科学共同体平日沉浸在“常规科学”的细活里，但当旧框架越来越无法解释现象时，异常就像裂缝一样扩散开来。直到某个时刻，危机全面爆发，研究者直觉地意识到：旧路走不通了。于是新的理论框架被提出，旧范式被替代，新的常规科学重新确立。 有趣的是，每当这种时刻到来，就会频繁出现所谓的“多重发现”或“平行发明”。当人类同时面对相似的信息压力、技术条件和社会矛盾时，大脑在有限的解空间中必然会去寻找那条低熵的解法。问题相似，解法空间自然相似。哪怕两个人素未谋面，他们的推理和实验也可能收敛到同一答案。这就像两位程序员分别实现压缩算法，最后写出的代码风格不同，但核心逻辑却惊人一致。 说到底，历史条件已经逼近那个解，任何在场的聪明人都会被推到类似的结论。当时代理解压缩到一定程度，创新就不再是偶然的灵感，而是必然的收敛。所以我们才会一次次看到：两个素未谋面的人，在同一历史节点上，几乎同时推导出相似的答案。 微积分：牛顿 (英国) 与莱布尼茨 (德国) 几乎同时独立提出 (17 世纪末)。 进化论：达尔文 (英国) 与华莱士 (马来群岛) 独立提出自然选择学说 (1858)。 电报发明：库克与惠斯通 (英国)、摩尔斯 (美国) 几乎同时 (1830s)。 其实除了基础科学之外，在应用领域也有大量的多重发现现象，归根究底： 历史条件会一步步逼近那个解。 知识的积累总会带来边界效应：当某一领域的沉淀到达极限，就会在边界处冒出“必然的问题”。天文学测量越来越精确，却无法再用牛顿力学解释，于是爱因斯坦的相对论几乎必然地呼之欲出。同样，技术工具的成熟也会成为催化剂——没有印刷术，就不会有科学革命；没有计算机，人工智能也不会成型。 一旦工具普及，推理的路径便成了“公开赛道”，谁都可能踏入。 在同一个时代，即便人们分散在不同国家，他们读着相似的书籍，接受类似的教育，面对相同的难题。任何社会，只要普及了基础教育，尤其是现在很多经济体都能到高中阶段，也必然会孕育出一小部分智商超过三个西格玛的天才。但这些天才从来不是自由漂浮的，他们的思考始终受制于时代条件。他们再聪明，也只能在当下的符号系统、工具环境和问题集合里寻找答案，因此他们的推导路径往往高度趋同。这个时候的“发现者”，更像是解锁者，不是凭空创造，而是把那个已经成熟的历史节点打开。 因此，范式创新从来不是孤立天才的偶然闪现，而是历史条件的必然收敛。 技术的演化同样遵循这种逻辑，在应用技术领域，也总会出现临界点。应用科学的突破往往来自“需求压强”。如果把库恩在科学史中的理论类比过来，可以这样理解：社会需求就像科学中的“异常”，不断积压在旧的技术体系里；当旧工艺已经无法满足这些需求时，整个行业便集体进入“危机状态”；而一旦出现了新的材料、部件或平台，这就相当于新的范式被引入，于是便会迅速触发平行发明——电话、电灯、微处理器的出现都遵循这种模式。 换句话说，库恩式的异常逼迫，造就了基础科学的平行发现；而需求压强所引发的社会危机，则造就了应用科学的平行发明。 个体先驱（Innovation Point） 群体共鸣（Resonance Phase） 系统收敛（Convergence Loop） 这一代的中国知识分子，已经可以平视世界。庞大样本池，增加了“聪明人同时踩到节点”的概率。上推特就是来找完全出乎意料但是同时进入相同推导路径的人。在公开信息的共享背景中，同时朝着相似的路径推导。不同地域的人们可能没有任何交流，但他们的推理路径仍然会收敛，因为所接触的信息、所感受的压力、所掌握的工具，几乎完全同步。 所以今天我们看到的“平行发现/平行发明”，不只是历史上那种“延迟碰撞”，甚至可以实时并行。

刚刚在用TP钱包转账的时候，发现首页那个最大广告上架了一份很硬核的防诈骗科普，我点进去看了下，总结概括的内容出乎意料地扎实和全面。 我看了下它把Web3常见的坑几乎全整理了，算是非常全面了：钓鱼网站、假钱包、恶意授权、地址投毒……每种骗局都有真实案例 + 作案手法拆解 + 具体防范技巧等等。 币圈风险多，尤其对刚入圈的朋友来说，这些内容提前看一遍，能少走很多弯路。 资金安全永远要放在第一位，话说在这个圈子里，很少有人没踩过坑吧，我自己以前也是点了垃圾链接，被盗很多次！ 建议每位玩家都能花个几分钟看一看，学习一下，可以规避很多风险和套路！ 🔗 你还知道哪些非常容易遇到的坑？大家可以交流讨论一下😊 ​@TokenPocket_CN @TokenPocket_TP

必须和你们分享下我上周经历的一件事， 简直太值得说了， 把它分享出来，是因为我希望你们能从这件事获得一些能量。 上周五和朋友约球，到华中科技大学球场把车停好没多久，一哥们直接把朋友车给撞了。 一般来讲，这个时候我们正常反应都是生气和烦躁，气是气对方如此不小心，烦是烦对方给我们制造了麻烦。 我朋友的反应出乎我意料！ 他显得非常开心，对方上来致歉的时候看到我们这边几个彪形大汉明显很慌， 我这位老友笑嘻嘻迎上去，更是不断安慰对方，告诉对方很小事情，不必挂齿，该走的流程拍照保险对接即可，被撞本质不可避免，每个人都有不小心的时候，人都没事就是最大的福分。 对面老哥可能从未见过被撞了还这么开心这么洒脱的家伙，一脸懵逼后也被我这朋友的情绪感染，有说有笑的拍完照，三分钟处理完事情， 我问我这朋友，你为啥被撞了还这么开心！ 他讲他每次被撞都这么开心，上一次是一年前在高速上，突然被一个货车追尾，原因是货车司机疲劳驾驶。 他说被撞开心的原因很简单，因为第一，被撞了人还一点事都没有，相当于挡了一次灾祸，那么就是灾祸走了就是福报的积累， 第二你车被撞，你烦躁伤心难过生气困顿，有什么用吗？并无作用，很多人人本来没事，但是因为一点小擦碰和别人发生口角，导致的大事故更多。所以只要人没事，保险也可以解决，你生气干什么呢。开开心心的庆祝自己又一次挡灾，然后安慰撞你的小伙伴，然后开心的去做你本该做的事情就好了。 我听完后被这个逻辑震撼了，他做的其实是一件很高级的事：对事实负责，但不对事实产生多余的情绪。 该拍照拍照，该走保险走保险，该承担责任承担责任； 剩下的，就结束了。这个动作其实特别有力量，因为本来他是这件事里的“受害者”，但因为他的心量足够大，最后反而成了那个稳定所有人情绪的人，遇到这样的人你会不会被他的大气折服？ 我当时才想到这里，撞他车的哥们，就提着一大提运动饮料到我们这边，和我朋友说，一定要请我们喝点水，给我们添麻烦了， 你以为这件事就完了？ 大家其乐融融的一起喝水聊了下，发现这位哥们是同济医院的一个外科教授，而我朋友父亲下周刚好要去同济看脑外科，这老哥听到这茬，说什么也要帮忙联系下。 然后昨晚上我朋友告诉我，他老父亲最快的速度看到了教授住进了病房。 真实事件，也是最近几个月比比特币突然拉升30%更震撼我的事件，注意我这里不是在讲一个好人有好报的故事， 原本这两个人，只是两个因为一场事故被迫发生关系的陌生人。按照最常见的剧本，一个愤怒，一个道歉；最好的结果，就是拍完照片，互留电话；此生再无交集。 但因为其中一个人没有选择愤怒，而是选择了理解和善意，震撼到我们的同时，显然也震撼到了撞车的人，他从未见过如此大气的人和性格，内心的敬佩和非同凡响的感受，在我看来，是显而易见的。于是，他觉得应该给我们买一些水，于是，多聊了几句话，于是，知道了彼此是做什么的，于是，一个原本完全不可能被发现的连接出现了。 这可能才是我在这件事上，对所谓“福报”更具体的一点理解。福报未必是什么玄学，很多时候，它只是你一次次选择善意、宽容、克制以后，给这个世界留下了更多与你发生善意连接的可能。 你不知道哪一次会有结果，甚至绝大部分时候都不会有结果，但你这个人所经过的地方，不断在留下好的关系、好的情绪、好的因缘，久而久之，你的人生自然会和另外一种人不一样。 我觉得我盆友把：与人为善+内心平静具像化了！ 所以你看，一个人最大的风水，不是住在哪里，认识谁，有多少钱。可能就是他的情绪、他的心量，以及他面对这个世界的方式。 事情来了，解决事情，至于那些已经无法改变的部分不怨，不困，不继续惩罚自己，然后高高兴兴去打你本来要打的那场球。 人生很多时候，可能就是这么一点点被改变的。

AI Coding 时代，好的编程习惯仍然重要 最近做一个 Agent benchmark，发现不能简单地用开发者视角来评估一个编程任务对 AI 的复杂度。 比如一个重构任务：把一个几千行的大文件，按功能拆成十多个小模块。 这个任务对开发者来说其实不算难，主要工作就是移动代码、整理 imports、编译验证，新手也能搞定。 所以想着用一个简单的任务来做一下 benchmark，结果却出乎意料。 Claude Code 判断这个任务比较大，尝试拆了一部分，提了个 PR 写了 Future work 打算分步来。 我自己的 Agent 是“硬上”，往完整拆分的方向推进了更多，但代价也很明显：Token 消耗是 Claude 的几十倍，后面大量时间都花在反复读文件、修编译错误、再读文件、再修错误上。 这让我意识到，人觉得简单的任务，对 Agent 不一定简单。 对人来说，这类重构很多时候就是“把这一段挪过去”。但对 Agent 来说，它要先分批读大文件，记住哪些函数和哪些测试有关，再生成一堆跨文件修改，最后通过编译错误一点点补洞。看起来像机械活，实际变成了一个高 Token、高状态管理成本的任务。 前一段时间看到有人说，AI Coding 时代，拆分模块这些编程原则没那么重要了，反正人也不看代码。现在看，我不太同意。模块边界清楚、文件粒度合适、依赖关系简单，不只是方便人读，也是在帮 Agent 降低任务复杂度。 从另一个角度看，现在 Agent 的读文件和改文件工具，对这种重构也不太顺手。 Coding Agent 改文件，主要还是文本替换。比如 Claude Code 常见的是 old_string / new_string 模式：先给出一段旧文本，再替换成新文本。Codex 常用的是 apply_patch：生成一个类似 git diff 的 patch，表达把旧的内容替换成新的。它们都适合小范围修改，但如果要删除一大段旧代码，或者把一批函数挪到别的文件，模型往往还是要先把原始内容读进上下文，再生成一大段替换或 diff。 所以我后来给 Agent 一个提示，让它先用脚本、sed、perl 这类工具把大文件粗拆开，直接把旧内容删掉，写到新文件中，然后再逐个慢慢修，它的完成度确实高了许多。Agent 默认不会这样做，主要是因为系统提示词里会强烈要求 Agent 用内置工具修改文件，而不是命令行工具。 再往前想一步，Coding Agent 可能还需要更高级的编辑工具。不是只给它一个“替换文本”的接口，而是先通过 parser、LSP 或 compiler 建立代码结构，让 Agent 可以像 IDE 一样做重构：移动函数，删除 impl block，整理 imports。不知道是否有朋友做这方面的尝试。 总的来说，即便是 AI Coding 时代，好的编程习惯还是有价值的。尽量在早期通过 harness engineering，把好的编程习惯变成 Agent 的默认工作方式，比后来再重构的成本要小很多。

Stack Overflow 今年 7 月份发布的 2025 年度开发者调查（ ），这是他们连续第 15 年做这件事。来自 177 个国家的程序员填写了问卷，覆盖 314 种技术栈，今年还专门加了 AI Agent 和大模型相关的问题。如果说有什么能代表全球程序员的集体判断，大概就是这份报告了。 今年的主题很明确：AI 到底改变了什么？ 早些年的时候，程序员们对 AI 的态度两级分化的很厉害，一部分相当狂热，觉得“AI 要替代程序员了”，一部分人敬而远之，觉得还是手搓代码更靠得住，其实都源自对 AI 的神秘感。 从今年这份报告中，可以看得出，程序员们开始进入“AI 祛魅期”，AI 编程工具已经成为程序员日常不可或缺的一部分。但与此同时，用得越多，却反而越不放心。 【1】AI 的“差不多对”困境 如果你问开发者对 AI 工具最大的不满是什么，排名第一的答案可能出乎意料，不是“太笨”，不是“太慢”，而是“差不多对，但不完全对”。66% 的开发者选了这个选项。 这比“完全错”更让人头疼。 可能很多人都经历过这种场景：AI 给你生成了一段代码，看起来挺像那么回事，跑起来也没报错。但藏着一个微妙的逻辑漏洞，可能要到上线之后、在某个边界条件下才会暴露。你是信它还是不信？逐行 review 吧，费时间；不 review 吧，心里没底。 这就是现在大多数开发者的日常。45% 的人说，debug AI 生成的代码比自己写的还耗时。 两年前 ChatGPT 刚出来的时候，社交媒体上到处是“30 秒写个贪吃蛇”的演示视频，仿佛编程这件事即将被彻底颠覆。但真把 AI 带进日常工作流之后，大家发现了一个尴尬的现实：它更像一个过度自信的实习生，而不是什么超级智能。 写代码很快，但你得盯着。偶尔有灵光，但经常犯低级错误。最要命的是，它永远一副胸有成竹的样子，从不说“我不确定”。 这解释了为什么使用率和满意度出现了背离。大家不是不用，而是用了之后发现，省下写代码的时间，又花在了 review 代码上。生产力提升是有的，但没有想象中那么大。AI 从“魔杖”变成了“需要管理的工具”。 调查里还有个数据很说明问题：46% 的开发者主动表示不信任 AI 的准确性，只有 33% 表示信任。换句话说，真正“高度信任”AI 输出的人只有 3%。绝大多数人的态度是：用 AI，但是要验证。 有个有趣的现象：35% 的开发者说，他们访问 Stack Overflow 是为了解决 AI 相关的问题。AI 制造的问题，最后还是要靠人类社区来兜底。Stack Overflow 从“编程问答平台”开始变成一个“AI 输出验证平台”。