与「分布式搬砖须轻装上阵」相关的搜索结果

太多人爱上了自己 也爱上了做 #AI# 燃料的快感 本老登玩不起了 开始做减法—— 先把电脑减掉 这次去香港出差已经不带电脑了 功能逐渐应拆尽拆 有线耳机 猫王唱机 迷你电子书 青轴键盘得带着 用来安放一个天生打字员狂放的灵魂 #分布式搬砖须轻装上阵#

Coinbase 这两年一直在上RWA项目，最近一口气roadmap 了 3 个项目： 1 个 AI，2 个 RWA。这已经不用分析了： 👉 AI 继续承担流动性入口 👉 RWA 开始承接“真实资产” 很多人还在讨论 AI 能涨多久，但更现实的问题是：链上资产结构正在发生切换。 ✅如果把近期几条趋势叠加来看，这个变化更明显： 🔹AI 算力需求爆发，表面带动了显卡、内存上下游涨价，本质是能源需求爆发； 🔹全球电力供给趋紧，能源价格波动加剧； 🔹中国光伏、储能订单排到两三年后； 👉指向一个核心变量：能源，正在回归为基础定价要素 ✅但这里的关键问题不是“能源重要”，而是：能源资产如何被定价、被流转？ 🔸传统体系下： 🔹电网（垄断结算） 🔹期货市场（机构主导） 🔹PPA（长期合约锁定） 👉 本质特征是：封闭、低流动、全球参与门槛高 ✅所以现在才会出现一条新路线：把能源资产，搬到链上 这其中可以搬的资产有： 🔹光伏电站 → 收益资产 🔹碳 → 可交易资产 🔹分布式电力 → 数据资产 这不是概念，已经有人在干了： 1⃣ 协鑫能源（GCL）把光伏搬到链上（与Pharos深度绑定） 2⃣香港在做充电桩数据上链（朗新 + 蚂蚁链） 本质是：将能源现金流资产，转化为可交易、可流转的链上资产 ✅但RWA的核心瓶颈，一直不在链上。 而在链下： ❌ 资产供给端缺失 ❌ 现金流不可验证 ❌ 缺乏产业背书 👉 这也是大多数RWA项目“有结构、有L1、无资产”的根本原因。 ✅Pharos的路径，恰好切在这个点上。 它不是从“链的性能”出发，而是从“资产端”出发： 1⃣通过绑定协鑫（GCL）这类产业方 2⃣直接引入光伏、电力等现金流资产 3⃣在链上形成原生TVL 这一点卡位非常关键： TVL不是流动性挖矿出来的，而是资产带进来的。 🔸因此，它的估值逻辑也会发生变化： 🔹不是： TPS / 生态规模 🔹而是： 资产规模 × 现金流质量 × 产业资源 🔸换句话说： 🔹大多数公链在解决的是： 链上效率 🔹而 Pharos在解决的是：链下资产的上链入口与定价能力 🔸如果放在当前新公链框架下对比（如 Monad / MegaETH）： 🔹他们优化的是执行层 🔹而 Pharos锁定的是：资产层 + 结算层 这也是为什么它的估值逻辑会更像：金融基础设施 + 产业溢价，而不是一个单纯的技术公链。同时也是为什么资方对他的估值时，给出1B的原因。 ✅总结： 上一轮，链上锚定的是美元（稳定币）； 下一轮，可能开始锚定的是： 具备现金流的真实资产

MIT 俄罗斯方块大楼 MIT“俄罗斯方块大楼”的实现本质上是把整栋楼当作一个低分辨率显示屏：每个窗户对应一个像素，通过在室内安装LED灯或控制灯光开关来实现亮灭与颜色变化；同时搭建一个中央控制系统运行Tetris的游戏逻辑（方块下落、碰撞检测、消行等），再将计算得到的“像素矩阵”通过有线或无线通信同步发送到各个窗户控制节点；玩家在楼外通过控制台输入指令，实时影响游戏进程。整体上，它是一个融合了嵌入式硬件控制、分布式通信和实时图形渲染的工程项目，把虚拟游戏映射到了现实建筑上。 MIT“俄罗斯方块大楼”是由一群匿名的麻省理工学生黑客团队（校园“hacks”文化的一部分）完成的工程挑战。他们大约从2007年前后开始筹备，经历数年设计与测试，最终在2012年4月将Tetris真正搬上Green Building，使整栋楼变成可实时操控的巨型游戏屏幕。

如果我们可以重新理解 Quant Developer。 这并不只是思想实验。 Jane Street 2026 年公开的研究方向包括机器学习、编程语言、编译器、ASIC、FPGA、分布式 shared log、incremental computation、查询优化、分布式存储和形式化验证，而Citadel GQS 则把实时数据、HFT 执行和低延迟 ML 推理放进了同一个 Quantitative Research Engineer 岗位。 再次强调，市场是一个高维、受驱动、耗散的非平衡系统。 订单持续进入、撤销、成交，信息、资本和风险不断注入，异质的参与者相互作用，系统几乎从未达到平衡。 当看到Jane Street 把 graph-structured、incremental computation 列为长期研究方向，我想这是一个值得认真理解的信号。 如果我们发现研究对象持续变化时，计算本身或许也需要围绕变化来组织。 一条报价更新，并不意味着整个市场都需要被重新计算。 它首先改变某些局部状态，再沿着依赖关系，影响相关资产的估值、组合的风险暴露，以及尚未成交的订单。 如果把这些计算关系展开，我们会看到数据连接特征，特征连接预测，预测连接决策，决策通过成交与持仓，反馈到下一轮计算。 这里必须区分两件事。 计算图中的依赖关系，不自动等于市场中的因果关系。但只要我们能够明确哪些结果依赖哪些输入，就有机会在新事件到来时，只更新受到影响的部分。 这正是 incremental computation 最吸引我的地方，它让计算资源跟随变化分配。困难的问题也随之浮现。哪些状态已经过期，筛选必须更新的传播，可以合并的计算。我们开始寻找，在并发和异步执行中，如何避免把不同时间的市场状态拼成一个从未真实存在过的世界？ 于是，延迟就不再止于程序运行了多少微秒。判断抵达市场时，你应该着眼于支撑判断的那个市场是否仍然存在。 想想吧，一个离线表现出色的模型，如果依赖陈旧的数据、无法承受行情突发时的排队，或者不能及时更新风险状态，那么它在回测中发现的信息优势，可能在执行之前就已经消失。 因此，Quant Developer 的工作可以被理解为，他们需要在有限的时间、算力和通信预算内，维护一个足够及时、足够一致、能够用于行动的市场内部模型。 编译器、分布式系统、硬件加速和形式化验证，开始汇聚到同一个问题上。 编译器决定计算如何被表达和执行； 分布式系统决定不同节点如何组织事件与状态； 硬件决定数据移动和运算的成本；形式化方法则帮助我们检查，某些关键约束是否会在复杂的执行路径中被破坏。 这些工作共同决定一个数学上的预测，试图成为现实中的有效决策。 而非平衡系统的视角，提供了一组进一步追问的方向：外部事件，内部状态，反馈是抑制还是放大扰动，输入速度和处理能力的关系对于系统的影响。 当然，市场是耗散系统本身并不会自动产生 Alpha。我想，我们只有把这种直觉落实为可观测的变量、明确的机制和能够被数据推翻的预测，它才开始具有研究价值。 它确实改变了我们看待这个职业的方式。 Quant Developer 所构建的一直是一个嵌入市场之中的实时决策系统。 这个系统观察市场，也通过自己的行动改变市场：它必须在变化尚未结束时做出判断，在信息尚不完整时承担后果。

阿里云开源「企业级 Agent 白皮书」 2026 年最新发布，是 2025 年 9 月「AI 原生应用架构白皮书」的升级续作。全书按 架构 → 构建 → 运行 → 治理 → 调优 的全生命周期组织，共 7 篇 30 章，由阿里云数十位一线工程师分工撰写，并纳入吉利、塔斯汀、MiniMax、哔哩哔哩、信永中和等外部企业案例。 它的写作动机很明确：过去一年市场重心已经从 “如何快速搭出一个 Agent” 转移到三个新挑战，工程化（从概率智能到可靠生产力）、规模化（从单点试验到智能基础设施）、组织化（从 Agent 孤岛到进入核心业务流程）。现有的框架文档和教程基本不回答这些问题，这本白皮书填补的正是这个空白。 开源地址 # 各篇核心内容 架构篇（1–2 章） 建立认知框架。给出 Agentic Application 的六个判定特征（以任务结果为中心、运行时决定部分执行路径、能作用于环境、维持跨请求状态、受确定性机制约束、可观测可评估）和成熟度四级模型（L1 辅助生成 → L2 受控自动化 → L3 Agentic Execution → L4 规模运营）。两个重要的解耦判断：用哪种形态取决于任务结构，处于哪级成熟度取决于治理完备程度；单 Agent / Long-Horizon / 多 Agent 是沿时间跨度和协作结构两个正交维度的扩展，不存在“必须升级到多 Agent”的路径。贯穿的原则是“最低充分架构”，为任务选择成本与风险可接受的最低复杂度。 构建篇（3–6 章） 是方法浓度最高的部分，按“范式—任务—信息—行动”还原构建过程： · 任务：Agent Loop 五阶段（Prepare→Model→Act→Observe→Verify）+ 十态任务状态机，要害是“消息历史不应是任务状态的唯一来源”；完成判定的核心原则是“模型只能申请完成，Harness 依据环境证据提交完成”，验证分五级并与风险匹配。 · 信息：Context 是动态“编译”而非静态字符串。本章的独创设计是 Context Manifest，每次调用记录上下文每个片段的来源、作用域、版本、信任级别、选中理由和内容哈希，使“模型看见了什么”变得可解释、可回放、可审计。信息被五分为 Context/State/Memory/Knowledge/Skill，其中 Memory（个人经验）与 Knowledge（组织内容）必须分列，因为治理责任不同，“放进同一个向量库会同时失去两类治理能力”。 · 行动：统一 Action Plane（意图→Schema 校验→身份绑定→策略决策→执行→观测），关键三分：“模型看见工具 ≠ Harness 注册了工具 ≠ 获得执行授权”。协议定位清晰：Function Calling 是模型-Harness 意图接口，MCP 是 Harness-能力提供方连接协议，A2A 面向拥有独立任务循环的远程 Agent，“协议选择由能力是否拥有独立任务循环决定，而非新旧或流行度”。 运行篇（7–12 章） 处理规模化后的工程问题，大量内容达到了分布式系统的专业深度：沙箱后端选型判据（容器/gVisor/MicroVM 按代码可信度与租户边界取舍）；状态外置后 Event Log / Checkpoint / 工作区快照三者不可互相替代，且“Durable Execution ≠ 外部动作恰好执行一次”；AI 网关对 LLM/MCP/Agent 三类流量按不同粒度治理，其中“严格预算需要原子预留而非阈值检查”的数学化分析（余额 100、两笔 80 的并发请求都会通过）是真实的并发工程细节；多 Agent 编排强调“最小充分共享”，共享的是上下文来源而非同一个 Context 窗口。 治理篇（13–16 章） 让自主运行的系统变得可信。可观测性的判据是“请求成功 ≠ 任务成功”；安全章同时把 Agent 当被攻击对象和行为主体来防护（身份是全章最扎实的部分：数字工牌、Token Exchange 权限收敛、On-Behalf-Of 且 Agent 权限 ≤ 用户权限）；资产管理把 Prompt/Skill/MCP/Agent 当作运行时依赖做注册与版本治理。第 16 章 Agent Simulation 是全书原创性最强的一章：Agent 行为之所以不可验证，是缺制度前提（角色无外部标准、失败无自然代价、身份不连续），模拟是当下唯一可做的事，本质是“用可靠 Harness 约束不可靠内核”。它甚至给出诚实的统计学提醒：n 次零违规的 95% 置信上界约为 3/n 而非零。 调优篇（17–24 章） 的组织原则是“归因决定方法”：先排除环境故障、再修 Harness、最后才动模型，“把本应由上下文或工具协议解决的问题当成模型不行，是代价最高的一类误判”。主线是数据飞轮：Trace→Trajectory→黄金数据集（输入/轨迹/结果/判据四要素）→Badcase 闭环→受控自进化（模型生成的改进一律是候选变更，须回流构建、过门禁、可回滚）。模型调优章对 SFT/Agentic RL/蒸馏的适用边界、奖励投机的三套机制分离（训练奖励、独立评测、系统硬约束）论述相当严谨，广引 DeepSeek-R1、Tulu 3、FrugalGPT 等外部工作。 总结篇（第 30 章） 是全书思想密度最高的总结。当企业同时运行多 Agent、多框架、多租户时，同样的工程要求在每个应用里被重复且不一致地实现，这本质上是缺一个共享的系统层。Agentic OS 被给出“窄定义 + 三条否定”：为 Agent 任务提供公共运行对象、能力接入、可强制边界与统一证据的系统层，它不持有任务语义、不是又一个框架、不必然改内核。能力下沉有三条判据（复用性 + 强制性或可验证性），九类管理对象（其中 Budget Lease 预算租约最易被忽略），并提出“自治上限由可撤销范围与可证明范围决定，而非模型能力”。 调研报告 的 1906 份问卷给出一个关键发现：已开发或开发中 Agent 的企业占 46%，但真正上生产的仅 18%；有评估体系的企业任务成功率是无评估者的约两倍，卡点不是模型能力，是 Harness 层的工程配套。这与全书立意互为印证。

CZ最牛的地方 1、首创全球分布式办公 摒弃传统办公模式，将服务器分布到全球，降低被黑客攻击以及监管风险，火币就是2021年清退后才开始走下坡路 2、娶到一姐，得一姐者得天下 夫妻店，CEX私钥多签存放，当初老徐失联时，OKX提现被卡住，但大表哥服役期间，币安依旧正常运营，一姐独自撑起了一片天

Mac 不再是剪视频独占的生产力了工具了😂 Apple新发布的 M5 Ultra Mac Studio 最高支持 36 核 CPU、80 核 GPU、512GB 统一内存和 1.2TB/s 内存带宽 可以直接支持用 Thunderbolt 5 把多台 Mac Studio 组成分布式 AI 推理集群

机器人运动控制算法 C++ 工程化工程师（细分方向） 一、工业机器人运动控制工程师 技术/算法：轨迹规划（直线/圆弧/NURBS 样条）、梯形/S 形速度规划（五段/七段）、运动学正逆解（解析/数值）、牛顿-欧拉递推动力学、前馈补偿 工具/领域：Eigen、ROS 2 Control、OMPL、Linux + PREEMPT_RT、EtherCAT(SOEM)、1kHz 实时闭环 工程要点：S 形速度规划闭式公式、解析逆解奇异规避、EtherCAT 分布式时钟同步、抖动分布量化 二、协作机器人运动控制工程师 技术/算法：阻抗控制、导纳控制、基于广义动量的碰撞检测、重力/摩擦力前馈补偿、拖拽示教 工具/领域：Libfranka、FRI、ROS 2 Control、实时力控接口、ISO 10218 安全限幅 工程要点：动量观测器残差阈值、柔顺刚度/阻尼整定、安全响应时延 三、移动机器人运动控制工程师 技术/算法：底盘运动学（差速/阿克曼/麦克纳姆）、轨迹跟踪（MPC/LQR/Pure Pursuit）、局部规划（DWA/TEB）、EKF 多源融合 工具/领域：OSQP、ACADO、ROS 2 Control、Eigen、Gazebo 工程要点：MPC 约束建模（速度/加速度限幅）、Pure Pursuit 前视距离稳定性、轮速+IMU 融合 四、人形机器人运动控制工程师 技术/算法：全身控制(WBC)、双足步态（ZMP/捕获点/MPC）、浮基动力学、QP 接触力优化、零空间投影 工具/领域：Pinocchio、Crocoddyl、CasADi、OSQP、MuJoCo C++ API、摩擦锥不等式约束 工程要点：任务优先级分层、浮基系统建模、接触力可行域求解 五、具身智能运动控制工程师 技术/算法：RL 策略部署（PPO/SAC）、Sim2Real 补偿、领域随机化、系统参数在线估计（RLS） 工具/领域：LibTorch、ONNXRuntime/TensorRT、Eigen、推理延迟优化（量化/算子融合/异步） 工程要点：1kHz 推理管线、策略输出平滑与安全校验、递推最

推荐一个演讲：当 Agent 比你更会写代码 看下演讲者 Daisy 的背景，她在 C++ 标准委员会摸爬滚打了近十年，期间还牵头过其中一个研究方向几年，专攻并行与分布式编程这种硬核方向，属于那种以代码功力为荣的工程师。加入 Anthropic 后她主导了 Claude Code 里 plugins 和 agent teams 这两块的设计与实现，也正因为这段经历，她自己说，在 Anthropic 这一年半，这套"以代码为荣"的心态被彻底动摇了。她在演讲里抛出一个假设，也是整场演讲的出发点： 如果 Agent 能写出比你更好的代码，工程学会变成什么样？ 她想聊的是：一旦你认真对待这个假设，智能体编程的框架设计、上下文工程该怎么做，才能撑起真正大规模的软件工程。这篇笔记就沿着这条线，把演讲里从工具调用的进化、上下文工程的硬约束，到插件体系设计、多智能体协同、2026年展望这几块内容过一遍，作为整场演讲的快速导读。

两个月之前我觉得 agent workspace（某种可拓展的分布式计算空间）是主要的问题，所以大家都在做类似的产品，wanman 也是其中之一，现在我越来越觉得动机发生器，也就是 intentware 才是重中之重。从哪里来，往哪里去，会成为拷问无数 agents 的首要问题。