与「商业」相关的搜索结果

说实话，现在还有人觉得贾跃亭不是骗子吗？我以前一直抨击他就是个纯骗子，经常有他的信徒来反驳我。 ———————————— 法拉第未来：FFR 拟议重组的核心，是将 FF 机器人业务以约2亿美元市场化估值整合至纳斯达克上市公司 AIxC，并计划将公司更名为 FF EAI Robotics Ecosystem Inc.、股票代码由 AIXC 改为 FFR。FFAI 与 FFR 认为，该估值体现了机器人业务已有的产品、交付和商业化基础，以及“四核全智”生态的长期潜力。交易仍须满足相关完成条件。

AMD 宣布用约 82 亿美元收购李飞飞创办的 World Labs，这期是彭博科技节目主持人 Ed Ludlow 对两位当事人的联合采访。一位是 AMD CEO 苏姿丰，AMD 做 CPU 和 GPU，OpenAI、Anthropic、Meta 都是它的大客户。另一位是 World Labs 创始人兼 CEO 李飞飞，她主持建立的 ImageNet 图像数据集是这一轮深度学习浪潮的起点之一。两人聊了为什么要做这笔交易、李飞飞在 AMD 的新角色、开放生态，以及 AI 安全该由谁负责。 交易本身 这是一笔全股票交易，也就是 AMD 用自己的股票而不是现金来付款，对 World Labs 的估值约 82 亿美元，预计年底前完成，还需要监管审批。交易完成后，李飞飞出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报，World Labs 团队将成为 AMD AI 模型团队的核心。 两家公司的关系早就开始了。AMD 是 World Labs 的早期投资方，也给它供芯片。苏姿丰说她从 World Labs 只有几个研究员的时候就在看着这个团队成长。两人也都提到彼此认识多年，私下是朋友。 芯片公司为什么要买模型公司 苏姿丰的理由是，AI 现在还在很早期的阶段，而且越来越明显的是，硬件、软件、系统和模型这几层互相影响，对整条链路理解得越透，造出来的系统就越好。收购 World Labs，一方面是拿到李飞飞聚起来的一批顶尖研究人员，另一方面是让 AMD 对模型未来的发展方向有第一手的判断，反过来指导下一代硬件怎么设计。 李飞飞从模型公司的角度讲了同一件事。World Labs 越做越大，对算力的需求也越来越大；和 AMD 合在一起，模型可以用最前沿的硬件加速训练和推理，硬件团队也能提前看到模型未来的工作方式和需求。她把这叫作 AI 软件和 AI 硬件的“共同进化”。 主持人追问 AMD 是不是要开始卖模型、卖软件。苏姿丰说不会改变商业模式，AMD 仍然是一家平台和解决方案公司，软件是用来支撑硬件的。收购的最终目的是让 AMD 更好地服务那些最大的算力客户，也就是各家模型公司。 World Labs 做到了哪一步 World Labs 成立于 2024 年，到现在两年多，专攻空间智能和物理智能，也就是让 AI 理解和生成三维世界、懂得物理规律，这类模型通常叫“世界模型”。李飞飞说，他们想做的是语言模型之外的方向，因为创作者、设计师、教育、医疗都有这方面的需求，机器人技术也快要迎来爆发。 公司目前已经发布了两代模型，先是 Marble，然后是最新的 Atlas。李飞飞介绍 Atlas 是一个多模态的“全能模型”，能生成高质量的画面，同时保持三维和四维（三维空间加上时间）上的一致性，摄像机和智能体可以在它生成的世界里移动和交互。 团队也在扩张。World Labs 最近收购了 SceniX，这家公司做出了一套机器人仿真工作流程，以及训练机器人控制策略的模型，由此给 World Labs 补上了机器人方向的人才。 李飞飞为什么选择加入 AMD 苏姿丰说她给李飞飞的说法是“加入全世界最令人兴奋的 AI 公司”。李飞飞的作用也不只限于 World Labs 团队。苏姿丰说 AI 没有一种方案能通吃，除了大家熟悉的云端 CPU、GPU，物理 AI、机器人、从云端到边缘设备再到个人电脑的端到端 AI，都是 AMD 未来三到十年要重点增长的方向，而这些正好是 World Labs 擅长的领域。 World Labs 今年早些时候刚融过一大笔钱，发展势头也不错，主持人问李飞飞是否考虑过别的出路。她说公司从一开始就以使命为导向，这件事的关键在于双方的愿景是否一致，和有哪些选择关系不大。在她看来，这次合并会是“一加一大于二”，接着她笑着补了一句，AMD 显然比 World Labs 大得多。 至于加入后会不会只做空间智能，李飞飞说两人还没来得及细谈所有计划，World Labs 正在做的工作会继续，但她预计研究方向会扩大、节奏会加快。 开放生态与可选择性 苏姿丰说，AI 未来会同时有开源模型和闭源模型、大模型和小模型，它们跑在不同的硬件上，这一直是 AMD 规划高性能计算和 AI 产品线的前提。她和企业的 CEO、CIO 聊下来，没有人愿意被锁死在某一家的硬件或软件生态里，大家都想在不同时候挑最合适的。所以 AMD 会继续押注开放生态，她和李飞飞也讨论过怎样用 World Labs 已有的成果推动开源生态。 李飞飞补充说，现代 AI 的发展离不开开放。从科学界公开分享神经网络算法，到她自己做的 ImageNet，这个首批开放的大规模数据集就是现代 AI 革命的推动力之一。开放生态能让不同的发现、创新和创业机会互相促进。 AI 安全该由谁负责 主持人提到当前的一个争论：模型能力的进步速度超过了安全和对齐研究的进步速度。苏姿丰说这件事上“没有可选项”，技术必须好，也必须安全。她拿芯片行业做例子：最高性能的处理器在设计时就要把安全和数据保密作为优先事项来考虑，AI 行业也需要把安全放到同样的位置。她说自己是 AI 乐观派，相信行业能建立起合适的流程和防护措施，而且各家应该像硬件行业现在分享安全方面的经验那样，互相分享做法。 主持人进一步问，提供算力的公司对训练是否安全、推理时模型是否按预期行事，要负什么责任。苏姿丰说生态里每一方都要为自己的行为负责。对 AMD 来说，要保证硬件本身安全、按设计运行，模型在上面跑时数据是安全的，还要和模型公司一起处理好软硬件之间的交互。她认为这件事应该由行业主导，但因为 AI 是新东西，各方学习的速度不一样，所以她欢迎更多的行业协作，也欢迎一定程度的第三方评估。 李飞飞说，主持人上周问她监管、第三方评估、前沿实验室自我负责这几种方式该选哪个，她的回答是全都要。她认为 AI 是一项“文明级”的技术，和历史上所有这类技术一样，初衷是让人的生活和工作变得更好，但每项技术都是双刃剑，必须负责任地开发和部署。无论在斯坦福、World Labs 还是现在的 AMD，她都想推动个人、公司、行业和社会四个层面共同承担这份责任。 AMD 的下一步 主持人提到 AMD 市值已经到了 1 万亿美元，苏姿丰近来也多次和美国总统一同公开露面。苏姿丰说 AMD 过去做过好几笔对公司影响很大的收购，World Labs 是下一笔，而且是战略意义很重要的一笔。在她看来，技术如今和经济、国家安全都紧密相关，AMD 有机会真正影响计算的未来走向。 最后主持人请李飞飞预测 AI 下一个重大突破。她没有给具体的技术判断，只说接下来 AMD 和 World Labs 会一起打造未来，而这个未来必须对人类社会和人们的生活有益。苏姿丰在一旁说：“我会让她忙起来的。”

这次中期选大家怎么看？ 我觉得可能是影响加密行业最大的一次中期选举。 1️⃣市场会交易国内政策预期； 和之前不一样，目前美国已经走向了加密改革的关键部，前段时间，参议院没有通过推进 CLARITY Act 所需要的 60 票，结果当天 BTC 一度跌超 5%，Coinbase、Circle 股价跌约 9%-10%。 这说明现在市场已经会直接交易美国国会 Crypto 政策预期。 2️⃣国会调查权易主导致的不确定性； 如果民主党拿下众议院，特朗普仍然是总统，SEC、CFTC、OCC、财政部等行政部门的政策方向不会因为众议院换党立即反转；而且稳定币的 GENIUS Act 已经在 2025 年成为法律，换届也不会自动失效； 但是，国会调查权不在这边了； 众议院多数党将掌握委员会主席席位，而美国众议院大多数委员会的主席拥有直接签发 subpoena（传票）的权力，可以要求企业、高管和政府部门提交文件、通信记录并出席听证会； 所以如果出现政党控制权变化，Crypto 行业面对的更可能是：立法不确定性 + 大量听证会 + 利益冲突调查 + 外国资本调查。 3️⃣特朗普家族和加密行业； 特朗普本人及家族已经和 Crypto 产业产生了非常直接的商业利益关系‘ 如果万一民主党赢得中期选举，特朗普家族特别是 @EricTrump 和他参与的 Crypto 项目会不会受到波及？ Eric 参与的两个核心 Crypto 资产： ① World Liberty Financial / USD1 ② Eric Trump 的 American Bitcoin（ABTC） 会受到多大影响，还不得而知！

Meta 宣布推出名为“Meta Enterprise Platform”的企业服务平台，正式把服务企业客户作为公司未来的核心业务支柱之一。 Meta 打算把自家的底层技术开放给各类公司和开发者使用。初期开放的技术包括智能助手 Muse、商业助手 Meta Business Agent、编程工具 Muse Code 以及相关的软件开发接口，方便企业把 Meta 的 AI 能力直接接入到自己的业务流程中。 为了负责这项新业务，Meta 挖来了企业软件领域的资深管理者 CJ Desai 出任首席企业平台官，直接向扎克伯格汇报。CJ Desai 之前担任过 MongoDB 的首席执行官，也在 Cloudflare 和 ServiceNow 担任过核心高管。 Meta 表示，后续会把保护数据隐私和系统安全放在首位，帮助不同规模的公司借助 Meta 的 AI 工具提高运转效率、拓展客户群。 官方公告：

强烈推荐大家去看纪录片《巴菲特的一天》。 片子没有炫目的豪宅，也没有私人飞机的展示，更没有空洞的成功学鸡汤。 镜头里只是一位九十多岁老人普通的日常，一份汉堡，一杯可乐，却撑起了千亿商业帝国。 孔乙看完这部纪录片，提炼出很多值得思考的底层财富逻辑。 看完这部片子，很多人会长时间陷入沉思。 我们会猛然醒悟，能够改写命运的，从来不是一瞬间的爆发，而是日复一日的选择。 他定居奥马哈，几十年前购入的房子一直住到现在。 房屋只做过维修，没有扩建，没有搬家，也不会刻意去挤进更高圈层。 身为世界级富豪，他不会拿财富去堆砌用来炫耀的居住条件。 真正的富足，是学会克制欲望，而不是不停囤积物质。 不少人刚赚到钱，第一件事就是置换房产。 追求更大的客厅、更高档的小区，匹配身份的居住环境。 但换的不只是居住空间，而是拉高了自己的消费基准线。 身边邻居的座驾拉高你的审美，朋友之间的聚会推高你的开销，所处圈层潜移默化放大你的欲望。 圈层一旦升级，支出就会跟着加速上涨。 你以为自己在向上成长，实则正在被周围的环境裹挟。 巴菲特却守住了自己的生活底线，也守住了资产的护城河。 财富积累的关键，不在于赚钱速度有多快，而在于减少不必要的资金流失。 他日常代步的车子十分普通，开了很多年，就算更换新车，也只是满足基础出行。 以他的财力，任何顶级豪车都可以轻松入手，但他不会把钱花在满足虚荣心的消费上。 在他的认知里，无法产生回报的支出，不值得追捧。 顶尖高手，在非必要消费上极度克制。 他们对浪费零容忍，却愿意在投资上面大胆投入。 这就是普通人与高手的差距，普通人用钱证明自己，高手用钱布局长远未来。 伯克希尔·哈撒韦，本质上是一家收购优质企业的公司。 大多数人靠售卖产品赚取利润，而他靠收购好公司来创造财富。 道理简单，落地却极难复制。 大部分人都想做卖方，而顶级高手选择做买方。 他几十年保持同一个习惯，去麦当劳买汉堡当作早餐，搭配可乐。 这不是刻意作秀，只是理性的选择，低成本，足够满足需求。 他不会为了外人眼中的身份，刻意包装自己的生活。 真正的自信，不需要依靠商品价格来证明自身价值。 很多人默认成功就要看起来光鲜昂贵。 但世间最昂贵的资源，其实是时间。 纪录片里最震撼的片段，是他坚持阅读。 每天花五六个小时读书，这位时时刻刻都在创造财富的人，愿意把大量时间交给书本。 他说，知识是复利最强的引擎。 你的时间投入在哪里，复利效应就会在哪里生根。 别人拿时间去博取流量，他拿时间沉淀认知。 十年之后，两者之间的差距会彻底拉开。 再看他的工作状态，九十多岁依旧坚持每天到办公室。 不是缺钱，而是发自内心的热爱。 他那句经典的话，我每天都是跳着踢踏舞去上班。 听着轻松，背后的分量很重，能支撑你几十年保持热情的事情，才称得上事业。 很多人只羡慕最终的财富结果，忽略漫长的过程。 拉开人与人差距的，从来不是天赋，而是长期持续的投入。 你能不能在无人关注的时候反复打磨基础能力？ 能不能在没有回报的阶段坚持沉淀？ 能不能在诱惑摆在面前的时候按下暂停？ 这才是核心问题。 他的投资理念同样充满克制。 一生之中，真正改变财富格局的投资，仅仅十几次。 不靠频繁交易，而是耐心等待合适的机会。 著名的打孔机理论，如果一生只有20次投资机会，你还会随意出手吗。 主动减少选择，是提升决策质量最简单的办法。 大多数人亏损源于冲动，高手盈利来自等待。 市场价格每日波动，人的情绪也跟着起伏。 真正能赚到钱的人，不会被涨跌牵着鼻子走。 情绪决定交易频率，认知决定投资方向。 整部《巴菲特的一天》，没有激烈冲突，没有戏剧化的高光桥段。 所有细碎的日常细节，都指向四个字：简单、克制、专注、重复。 这些词语看着平淡，却搭建起一套顶级的复利体系。 外人看到的是运气，内行看到的是一套稳定的系统。 外人看到惊人的资产规模，内行看懂背后的决策框架。 他没有刻意去过一种看上去很成功的生活，只是坚持一套长期有效的生活方式。 伟大不是短暂的高光时刻，而是长期少犯错。 财富不是一夜暴涨，而是稳步持续积累。 强者比拼的不是速度，而是方向。 我们要学习的，不是他赚到多少钱，而是几十年里如何规避愚蠢的决策。 不盲目换房，避开环境带来的消费绑架。 不追捧豪车，不向虚荣妥协。 减少投资出手次数，提高每一笔决策的质量。 坚持阅读，放大认知杠杆。 保持热爱工作，拉长自身成长周期。 看完这部纪录片，你会读懂一个真相。 决定财富层级的，不是收入的最高点，而是稳定的行为底线。 一个人每天如何安排作息，如何花钱，如何分配时间，就是未来资产曲线的初稿。 你当下的每一天，都在书写十年后的自己。 真正的长期主义，不是一句口号。 是克制欲望，过滤噪音，保持稳定输出。 当所有人追逐风口，保持冷静。 当所有人升级消费，稳住自身开支结构。 当所有人频繁交易，减少出手。 当所有人焦虑迷茫，持续积累自身能力。 一个人未来能抵达的高度，不在于抓住多少机会，而在于拒绝多少诱惑。 这，就是巴菲特的一天。 希望本次分享对你有帮助，我是孔乙，复旦经济学博士，关注我，每天低频高质拆解宏观经济与投资技巧。

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

看了一下国内AI短剧的市场，太可怕了。 凡是中国人扎堆搞的方向，尽量不要去搞。 其实有个悖论就是： 流量未必能带来价值。 比如印度的播放量价值和美国的播放量的价值是没法比的。 这大家都能理解。 同样的，在人群划分中 短剧的受众群体的商业价值是远低于长视频用户的商业价值的。现在国内短剧每万播放量的分成1美元都没有的。

虽然我普及过很多OTC知识，《OTC知识大全》也置顶几年了，但永远会有新人问一些小白问题。 如何减少银行风控？在有选择的情况下，尽量不用国有大型商业银行，可选股份制商业银行，最建议用城市商业银行； 银行工作日时间出入金； 避免小额多次数出入金，百万内一笔； 银行卡日常有消费，经常使用有流水更优； 这些只是概率上减少被银行风控的概率而已，不代表就一定不会被银行风控；做不到以上，也不代表银行一定风控你。预防银行卡风控就是尽人事，听天命。

看到一个新闻说为了给深山的几十户人家通电要花几百万的成本，每年还需要花几十万的维护费用，最后只收上来几千块钱电费，说商业公司根本不可能考虑这种赔本买卖。 这个时候我发现盲点了，既然花了这么多钱只为了一个通电，那么给每户补贴个几十万让他们搬出来不是更划算更省事吗？

假如你现在 30 多或 40 多岁，想靠 AI 在十年内实现财务自由，我的建议是这样的： 第一步很关键——立即注册自己的商业实体。不是下个月，不是等自己'准备充分'了，就这周行动。