与「工业思维」相关的搜索结果

美国安排世界3：遭遇中国的完全抵抗 2013年我去美国住了大半年，接触了不同的美国阶层，看到些信号，就在当年的博客写了几篇文章，提及美国朝野已经统一意见，准备对中国展开贸易保护主义。 你想那是2013年的环境，怎么会有人同意我这种文章，大量的批评在评论里呈现。 所以我在2016年预估川普会上台时，也没有人认可。 这实际上是一脉相承的。 再到我预估川普会失败，拜登会赢得大选，且民主党政府会继续沿用共和党的政策，遏制中国时，基本上也是没人信的。 这里面隐含着一个数百年的欧洲大国博弈逻辑，美利坚的精英完全继承了欧洲马基雅维利氏权谋的传统，同时在美国每一次大的政策改变时，都会有民粹分子靠煽动民粹上台，实际上则是整个精英层达成了一致。 在川普的第一次上台，开始对中国展开贸易战时，我公开建议不要妥协，遭遇了铺天盖地的批评，这是我始料未及的。 批评我的恰好都是我多年的读者和老友，都是自由市场的信奉者，如同我过去一样。 真实的场景是整个中国采取了相反的建议，试图满足川普的条件，因为大家的认知他是个商人，可以谈判。 中国以人民币汇率贬值14%，吃下了美国惩罚性关税，并承诺大规模购买美国的能源与农产品，来满足川普对美国能源集团和农民选票集团的迎合。 但显然后半程中国政府出现了疑虑，此时想要等等民主党政府上台后，来缓和中美关系。 此时的中国还没有意识到美国的精英层已经有了共识，从他们的学术院校、智库、情报单位、军工复合体、国会、白宫、媒体等所有深层政府到利益团体，完全构建了统一意志，要遏制中国。 但中国或许没有明白美国的战略，以为美国是需要中国制造业的，却实施了一个极其正确的计划：2025技术目标。 这个技术发展的规划，帮助中国奠定了科技工业基础，使得产业链纵深不再是单纯的人口红利路线，而是全产业链的纵深，以极高的生产率、低成本，基本上会导致世界难以轻易的与中国制造脱钩。 拜登上台后的继续遏制中国，使得中国政府初期沉默了一会儿。拜登与布林肯这帮老派政客所做的联合欧洲日韩一起遏制中国，实际上像勒紧的绞索，的确让中国很难受。 中国的做法是构建南方市场和供应链，做产业转移，以东南亚和墨西哥等地的转口贸易，对抗美国的关税壁垒。 这一点是成功的。 赢得了时间。 之后川普再次上台，一波三折，我是在看到拜登被踢掉后，再次看到了川普上台的希望，在枪击事件后，我明白川普必定上台了。 川普这次带来一批硅谷精英，一批对民主党的治国方略不满，对民主本身有质疑，写出黑暗启蒙的知识资本精英。 他们不仅仅有钱，而且有哲学思维，带着自己的世界观和价值观，想要以此改变美国。 但川普的大打出手，对所有盟国的不加区别的遏制，一种可能性是美国精英对川普失控了。也或者说，另一种可能性这批精英中的科工复合体需要借助于全球冲突来构建新的军工复合体。 川普再次上台后，反对中国强硬的坊间呼声与大客户妥协的呼声一半对一半。中国这一次没有低头，也使得美国的遏制策略遭遇挫败。 美国突然发现无法与中国脱钩，至少在5到10年的时间里，无法与中国供应链彻底脱钩，不管是稀土和整个机电产业链。 民主党时期美国想要扶持太平洋和印度洋供应链，以友岸外包的形式，扶持印度、越南、墨西哥等替代中国供给，重构去中国的全球化。 川普时期想要实行的是工业回归美国，这个激进的做法毁了美国的盟友链接。 在白宫再三修改策略，并遭遇法院宣判关税无效后，其实又回到了民主党时期的去中国化，要再次重构供应链。 但此时印度、印尼、非洲十二国，开始让中国警惕。 印度吃相太难看，真面目暴露的过早，使得中国开始意识到产业转移是掏空中国工业，并为中国打造空前的竞争对手的巨大风险。 实际上，如果东南亚承接中国的下游，这是个成功的共享产业链。 但是印度如果完完全全的替代中国工业，中国就会被美国、欧洲和日本淘汰出局。 美国修改政策的速度非常快，他们如同八爪鱼式的自组织系统，可以迅速的调整策略。 日本保守派上台，曾想在台海发生事件后，以工具人的角色，从中美博弈中获利。 如果中美激烈冲突，形成热战的概率，日本要么冲锋陷阵，要么作为军事后勤基地，可以复制朝鲜战争时期的荣光，复兴军工和重工业，回到正常国家序列，从而摆脱经济衰退的困境。 但美国衡量了台海冲突的后果，川普访问中国后，给出一句承诺：美国不会为台湾的挑衅行为背书。 这实际上让高市政府顶在了杠头上，极度难堪。 日元暴跌，中小企业与日本国民承担的输入性通胀与购买力稀释，导致日本央行行为失措。日本大量投资美国，日美利差导致的套利资本，可能让五大商社与养老金基金受益，但普通日本人并非人人收益，大量中小企业倒闭。 我们可以从美国的行为轨迹来推演，美国绝无可能放弃遏制中国的策略，脱钩也是必然的，这是一个时间拉长的游戏。 中国应对的策略，或许是不要再做产业和技术转移，卖铲子游戏也到了危险的失衡点，全力垒实国内的产业，并建立让国民收入倍增的方略，提高中国国内消费，以全产业链的纵深继续对海外释放过剩产能，以国内消费的提升向南方世界提供订单。 而美国的进一步策略可能是鼓动南方世界各国，逼迫中国转移矿产资源的技术，让渡股份，并扶持其他新兴工业国，替代中国制造，还要求欧洲对中国展开贸易遏制。 双方继续考验自己的国力与智慧。

看完论文后发现 DeepSeek 应该喜欢 PL 的人，难怪我之前投简历都没有进面试，小红书上找到他们的 HR 问也不理我。早知道把 Apple Swift 编译器贡献者及在字节为 Swift 做的 runtime feature 也写在简历上，而不是写一堆自己写的 AI harness 了。 不过目前看是歪打正着。特别是最近听到王虹说在北大被 discouraged 之后。 初中的时候我主动报了我们学校的信息学竞赛队，但是进去之后我觉得讲的东西很无聊：汉诺塔、八皇后、约瑟夫问题——而觉得无聊是因为看不懂。但是知道很后来我才知道，我不懂并不是因为我笨。 彼时的我喜欢用 Borland C++ Builder 和 Vanilla JS 在桌面端和浏览器里面做酷炫的效果，还喜欢 WindowBlinds 换装。是的，我当时和觉得 DeepSeek Harness 的 GUI 不酷炫就觉得没意思的各位一样。 对了，当时的竞赛班老师还推荐了我们一本书叫「具体数学」，这个是一个伏笔。 而这个「看不懂」的问题我后来总算明白了：计算机只会通过循环解决问题，而循环的每一步都必须通过「有限的方法」让问题向解决推进一步。 但是人看问题不是这样，人可以在一个问题的某些具体场景下看到捷径。而所谓「算法思维」就是整理出所有捷径和非捷径的共同模式，然后在「默认使用循环」的情况下给出「每一步」中最高效和最通用的做法。 所以你要能「看懂」这些算法题必须得假设自己和一台计算机一样，只能做循环操作，去思考每一步的通用最优动作，然后解题。 当然，这么简单且显然本质在这么好的（中国）学校里面老师是不会教你的。默认你应该懂。但我最终懂这个道理的路可谓一路曲折。 我的中学时代其实和每一个中国出生长大的人一样，课业繁重。大学选择了自己心心念念的工业设计，画了四年画，毕业后转的码。转码过程中自己下载了清华、巴黎高师和北美四大金刚的公开课，然后买书看公开课学的。 在某次看清华的邓俊辉老师的算法课时，他提了提「具体数学」这本书。这次我终于把这本书买了回来，然后打开一看：1. 汉诺塔，2. 约瑟夫问题，…… 是的，原来初中竞赛班上的老师是照着这本书讲的…… 而当时我已经学了 MIT 的算法导论以及斯坦福 CS 143，看了 Engineering a Compiler, 2/e，自己撸了个小编译器出来。我觉得能学懂什么是自动机（EaC, 2/e 里面有涉及）的，应该都能够理解计算的本质吧。所以彼时再看「具体数学」会发现： 1. 原来在理解了计算的本质的前提下，这些题目这么好理解； 2. 原来 Donald Knuth 这种大神也需要先通过几个直觉 case 来测试自己的算法设计，遭遇失败、然后迭代几次之后才能得出正确答案； 3. 原来初中竞赛班上那些能够一步就给出正确答案的同学们应该：要么比 Donald Knuth 还要聪明几倍；要么就是在外面事先学过了； 所以这种竞赛班的本质其实并不是教计算机，而是：通过向远没达到对应成熟度的儿童传播一次远超他们成熟度的信息，测试反馈，筛选天才。 当然，也有可能筛选出提前过拟合的人。 到彼时总算放过了还是青少年的自己。回想我自学计算机的过程也算是一趟「王虹」之途——早年学习被环境吓到，之后自己把兴趣找了回来。当然，我没有王虹那么耀眼的成就。只能算是青年版的「重新把喜欢计算机的自己养了一遍」。 另外，某年我看到中科大的博士课程居然也把「具体数学」作为 prequisites 课程材料。所以我初中学不懂真的不是我的问题了。 但是到了 AI 时代，我们不能再做自己不擅长的事情了。 我觉得每个人都应该在 AI 时代想想是不是能做新的事情、做回自己本来擅长的事情。 AI 的放大能力应该用于你的长板。 同样的放大系数，拿来放大你的长板和补齐你的短板相比，收益的差别会随放大系数同样被放大。 如果考虑复利效应，这个收益差别还会随着年月积累。 所以接下来我应该还是会 focus 在自己擅长的事情上面。比如，下一个产品和下一个开源项目。所以，简历看都没被看一眼，应该也是好事。 附图：上一段程序员工作时放在身边看的一些计算机书。不过感觉之后应该会多看一些设计和 GTM 的书籍了。 * 看了看 deepseek-ai/deepseek-harness 仓库目前的贡献人数是 19 人，不太清楚是不是团队规模，但是只招进去两个人应该不实，论文中一人可能是北大软件学院教授。

我有一点不是很明白，为什么日本人没有一点活人感，连起码的自救意识都没有。 第四次工业革命就在眼前。中国的人形机器、deepseek 、seedance 等AI技术，韩国民间都会主动参与研究使用， 而日本是非常明显的官方封锁消息，民间是一点不清楚实际情况。 他们不知道落后这波是一定淘汰的吗？单纯的商业思维也是知道早点技术接入利大于弊的啊。 难道这些原因都得国不正引起？ 还是本地财阀真不做人？

这是一篇生于工业界痛点，结晶于学术界理论的破局之作。 3天前，支付宝的母公司、全球最大的金融科技独角兽蚂蚁集团与SMU联合发布了一篇新论文，提出了极具突破性的新框架。 像支付宝这种十亿级用户的国民级应用，如果要全面接入 AI，算力成本和Latency就是悬在头顶的达摩克利斯之剑。 因此，这篇论文提出了一个隐空间思维流，并把生成流网络GFlowNets这个学术概念引入到了大模型的隐空间推理中。 “既然把思考过程翻译成文字很慢，那我们干脆不翻译了。就让 AI 的大脑，直接在纯粹的数学意识流里进行高速风暴。” 论文把这个框架拿去和以前的碎碎念框架做对比，实验结果非常惊艳： 在微调和迁移学习的测试里，AI 的解题准确率提升了 9.5%。证明在纯数学向量里思考，没有人类语言的干扰，AI 的逻辑更严密。 同时，AI 在脑子里的思考路径缩减了 27.2%。这意味着它不仅不用吐出文字，而且可以用更少的思考步骤达到更好的效果。 我认为，这篇论文不仅是一个算法的升级，它预示着未来 AI 的发展方向。 以后，大模型会变得超级便宜和快速。我们用那种深度思考型的 AI，不用再等它在后台Thinking几十秒了，它在内部心算可能只需要 0.1 秒。而且，因为省了算力，API 的价格会断崖式下跌。 AI 拥有属于它们自己世界的原生思考方式。 它们可以用人类完全看不懂、但极其高效的数学逻辑，在内部完成逻辑闭环。

最近忽然想起来6年前一场来自哈尔滨工业大学（威海）的黑色幽默。 为了两门用来补学分的公共选修水课，一门《道德经》，一门《红楼梦》，结果这哥们在临近毕业的大四关头，因为去腾讯实习找代考时极度荒谬的低级失误（代考者顺手写了自己名字，导致考场人数对不上），最终二位被双双开除学籍。 不仅腾讯的实习和前途付诸东流，连大学文凭也没拿到。 站在 2026 年的当下，回看这起几年前的典型事件，它所折射出的绝不仅仅是个人的愚蠢或运气的倒霉，我思考的，是中国高校教育评价体系、企业实习文化以及学生个人机会成本博弈三者之间，长期存在且日益剧烈的冲突。 在今天，无论学术界还是产业界，都在提倡高效率和结果导向。这名学生显然是将互联网大厂的OKR思维错误地应用到了大学学业管理上。 在他的眼里，去深圳腾讯实习是高价值高回报的活动，而回威海考两门人文水课是低价值高成本，包括但不限于时间成本、机票成本、精力成本的负担。 他试图通过外包来优化自己的时间分配。然而，高校的底线规则不是商业合同，而是零容忍的学术诚信。 用商业层面的代工、外包逻辑去挑战高校的制度底线，其风险和代价是完全不对称的。这个案例证明，很多时候，所谓的走捷径往往伴随着无法承受的系统性风险。 但这一悲剧的根源，在于中国高校的毕业考核机制与大厂实习节奏之间的时间线冲突。 无论学生在校外拿到了多么光鲜的 Offer，在制度面前，你依然是一个必须修满学分、遵守考场纪律的在校生。 通识教育、公共选修课的学分具有刚性约束力，不能为任何大厂的实习特事特办。 而站在企业的视角，互联网大厂和高科技企业往往更看重实际产出、项目经验和实习表现。 大四，往往是转正考察的关键期，高强度的实习节奏让学生难以做到校内、校外兼顾。 这种错位，其实是将压力完全转嫁到了学生个体身上。学生为了在2026年如此卷的就业市场上拿到一张入场券，不得不把重心无限倾斜向实习，从而把校内学业当成了单纯需要混过去的通关卡带，最终导致了动作变形，酿成悲剧。 这个多年前的极端个案，放到 2026 年的今天依然是一面镜子。 它促使我们思考，高校和学生应当如何重新定义实习与学业。 既然高水平的专业实习对学生就业至关重要，高校是否可以进一步优化第二课堂或弹性学分制度？ 例如，对于已经在顶尖企业进行深度专业实习的学生，能否允许通过线上考核、提交实习研究报告或远程论文答辩的方式，来冲抵部分非核心的公共选修课学分？ 减少不必要的物理通勤成本，才能从源头上减少找代考的灰色需求。 只是最讽刺的莫过于这位同学挂掉的两门课是《道德经》与《红楼梦》。 《道德经》讲“祸兮福之所倚，福兮祸之所伏”，《红楼梦》讲“机关算尽太聪明，反误了卿卿性命”。 这两门他以为是水课的著作，用一种极其残酷且戏剧化的方式，在他的人生里完成了最深刻的一场闭卷考试。悲乎！

也是时候调整自己了，生活还是要向前看，让时间消化一切吧☀️ 今天偶然间在 pyq 看见这张图，提供了一个跟目前的主流声音截然不同，却更能精准对标现在 AI 周期所处的位置，有点启发 确实越想越觉得，AI 产业里很多我们原本「看不懂」的东西，一旦套到房地产的商业模式上，反而会变得异常清晰 🟨融资工具的进化，是 AI 周期能否持续的关键 房地产行业之所以能延续二十年长周期，本质上并不是因为开发商们自己多有钱，而是因为围绕着房地产，长出了一整套多层次、多期限、低成本的融资体系 ➡️通过银行贷款支持拿地 ➡️通过开发贷支持建设 ➡️信托和地产基金参与股权投资 ➡️商业地产可以做 REITs 退出 ➡️最后，甚至连购房按揭都可以变成一个长达三十年的金融工具 如果没有这整套的融资体系，再厉害的开发商也撑不过一轮周期 而现在的 AI 产业，最缺的就是这套体系 今天的大科技公司，本质上都是在用自己的信用、自己的现金流、自己的股票做融资担保 谷歌、Meta、亚马逊、微软这些巨头，即便账上现金再多，也不可能实现无限扩张 他们迟早需要把手里那几千亿美元的 AI 基础设施，打包成可以被外部资金持有的资产 这条路其实已经开始出现苗头了 CoreWeave、Lambda、Nebius 这些独立算力供应商的兴起，本质上就是「专业开发商」在崛起 他们用私募基金的钱建设数据中心，签长期租约给大模型公司，再把这些数据中心打包融资 相信未来几年里，我们将一定会看到： AI 数据中心 REITs、AI 算力基金、GPU 租赁资产证券化、算力收益权凭证这些金融工具的陆续出现 甚至，主权基金、养老金、保险资金这些长期资本，也会慢慢成为 AI 基建最重要的资金来源，就像当年的保险公司就是地产行业最大的长期资金一样 可以预见，谁能先把 AI 资产的证券化、标准化、可交易化这条路打通，谁就掌握了下一个十年的金融话语权 这也是为什么英伟达已经开始自己下场做投资、做生态、做长期客户绑定 GPU 厂商正在变成「卖地+放贷+做物业」的三合一角色 🟨AI 时代的「土地」，是电力、是冷却、是不动产 曾经，房地产开发商最关心的是什么来着？ 不是房价，是地段 而地段的核心是什么？是稀缺资源 AI 时代的稀缺资源并不是硅片 真正的稀缺资源是电力、冷却水源、网络枢纽位置、政府的审批牌照，是当地电网的承载能力 GPU 可以每年迭代，而变电站的审批和建设周期是 5-7 年，核电就更狠了，一座新核电站从规划到投产要 10-15 年 将来谁手里有电力指标，谁就是手里有未出让土地的开发商 马斯克把 xAI 的最大数据中心放在孟菲斯，是因为那里有田纳西河流域管理局提供的廉价电力 亚马逊 AWS 在弗吉尼亚北部的疯狂扩张，是因为那里既有便宜的水电，又有美国东海岸最大的人口聚集区 微软重启三里岛核电站，是因为这将提供稳定、低碳、24 小时运转的基载电力，而这，才是数据中心最稀缺的「土地」 未来十年里，AI 产业的「拿地」大战，本质上是一场关于电力、冷却资源、网络时延的战争 甚至，连地理位置都会分层： 一线数据中心会建在能源富集区 二线数据中心会建在用户密集区 边缘计算节点嵌入到每一座城市 这种分层结构，是不是有熟悉的感觉了，几乎和城市核心区、郊区、卫星城的房地产分层逻辑一模一样 🟨周期是逃不掉的，房地产的教训 AI 行业必须早学 房地产行业最伟大的智慧 —— 是周期 涨多了会跌，跌多了会救，救完又会涨，涨完又会跌 二十年来，央行、政府、开发商、购房者都在与这个周期共舞 如今的 AI 产业也不能例外 现在很多人以为 AI 是没有周期的，会一直涨下去，这是一个非常危险的错觉 GPU 会换代，大模型会过时，数据中心会折旧，客户会流失，利率会上升，资本开支会放缓 当全球大科技公司的资本开支增速开始见顶的那一天，AI 产业链的上游会最先感受到寒意 就像房地产周期里，工程机械、水泥、玻璃这些上游周期股，永远是周期最敏感的方向 未来几年里，AI 产业链里最大的风险不是模型的能力不够强，而会是产能的过剩 当所有大科技公司都建好了足够多的数据中心 当所有大模型公司都签了足够多的算力合约 当英伟达一年能卖出几千万颗 GPU 需求端只要稍微放缓一个季度，整个产业链就会进入库存调整期 这个时候，能活下来的公司只会有两类： 一类是成本最低的全产业链龙头 一类是绑定了长期需求的服务商 这就是为什么众多云计算厂商（AWS、Azure、GCP）一旦建成，就是他们自身最强的护城河 就像真正穿越房地产周期的，不是开发商，而是那些采取收租模式的物业公司 🟨折旧与「拆迁」，是这个 AI 时代最被低估的风险 房地产行业有着一个很重要的特征：房子很难过时 一栋楼一旦盖好，可以用 50 年、70 年，即使户型过时了，只要地段还在，主结构还在，折旧相对都是可控的 但反观 AI 基础设施的折旧速度，会比房地产快上几十倍 H100 还没大规模铺开的时候，H200 就来了，Blackwell 还没交付多久，Rubin 又在路上了 每一代 GPU 的性能提升，都是对上一代资产的「功能性报废」 这就相当于在地产周期里，房子盖好两年就要被强制拆迁 这种「技术性折旧」才是 AI 时代最大的资本风险，投出去的成本还没收回来就不能用了 英伟达之所以能一直维持这么高的估值，本质上不是因为它卖了多少 GPU 给众多 AI 公司，而是因为通过 CUDA 生态，能把所有客户都锁死在它的折旧节奏上 客户用得越深，迁移成本就越高，英伟达的护城河也就越深 这就是为什么英伟达毛利率可以维持在 75% 以上，本质上，这已经不是一家卖产品的芯片公司了，而是一家「AI 时代的房地产收租公司」 同理，AMD、博通、Marvell 这些公司如果想挑战英伟达，核心也不是堆算力，而是要建立自己的生态 没有生态的算力，就相当于过去空置的写字楼 🟨需求侧：AI 不是为了「住人」，是为了「生产」 「房地产满足的是居住需求，AI 满足的是生产力需求」 这是 AI 和地产最大的区别，同样也是 AI 最大的希望 居住需求是有上限的，毕竟一个人只能住一套房子，而生产力的需求没有上限，只要有真实的效率提升，一个企业可以无限叠加 AI 能力 如果 AI 能持续提升企业的利润率，提升整个社会的产出效率，那么这场算力建设周期的天花板，就会比房地产高得多 这也是为什么我虽然对短期 AI 资本开支的泡沫保持着高度警惕，但对 AI 产业的中长期需求充满信心 关键变量是 —— AI 创造的价值，能不能持续大于 AI 消耗的算力成本 如果答案是肯定的，那么这场建设周期还可以持续 20 年，甚至 30 年 如果答案是 no，那么今天所有的数据中心、所有的 GPU、所有的资本开支，都会变成明天的折旧负担 应用层跟得上，就是又一个黄金十年，应用层跟不上，就是下一个日本 90 年代拉开序幕 这个问题的答案，就不是任何一家公司能单独回答的了，它需要整个产业去回答 🟨回到投资：谁是这个时代的「卖铲子的人」？ 如果整个 AI 周期是真实存在的 如果「卖铲子」的逻辑是持续成立的 如果应用层真的是会爆发的 那么未来十年，最值得长期持有的标的，就不一定是模型公司和云厂商了 而是那些在产业链中游、无法被绕开的「材料和工具」供应商 GPU 厂商们是显而易见的，但真正被低估的，会是那些不起眼的基础设施供应商： 电力设备公司、冷却系统公司、光模块公司、高速互联公司、机柜结构件公司、电源管理公司 这些公司会像房地产周期里卖水泥、卖钢筋、卖防水材料的公司 他们的题材不性感，上不了台面儿，不会轻易被媒体讨论 但他们的现金流稳定，毛利率可控，订单可见性极强 每一次新的数据中心开工，他们都会是最先拿到订单的 每一次数据中心的交付，他们都是最先收到回款的 他们才是这个 AI 时代的「隐形收租人」 如同上个房地产周期里一样 🟨最后 —— 一个或许不一样的结尾 相比一个互联网行业故事的重复，这次的 AI 或许是更贴近地产行业的故事 如果用互联网的思维去理解 AI，会持续高估软件、低估基建 而用房地产的思维理解 AI，相信至少在未来 3-5 年的时间维度下，会更接近真相 但也要指出，不同的是，AI 的需求侧可能会是下一场工业革命级别的叙事 这就意味着，AI 产业既会有房地产式的周期波动，同时也会有工业革命式的长期红利 作为聪明的投资者，我们应该做的是： 在房地产式的周期里，找到工业革命式的长期赢家 周期是逃不掉的，但长期趋势，更是挡不住的 我们这代人，正在见证的，可能就是人类有史以来最大的一次算力建设周期，也是最大的一次生产工具革命 潮水最终会退去 但这次 潮水退去之后留下的 会是一个完全不同的世界吧 #AI#

彼得·蒂尔认为，AI正终结过去200年，以数学能力为核心的精英体系。工程、量化等“数学型人才”的逻辑优势，正在被AI迅速替代，其职业护城河也正在消失。未来真正的竞争力，在于叙事、社交语境理解，以及把AI嵌入社会系统的语言型人才，这才是人类独特优势。 工业革命让肌肉贬值，AI革命正在让“纯计算的大脑”贬值。未来的胜出者，是那些能用语言驾驭算法、用叙事锚定价值的社会系统操盘手。 作为程序员： 别只埋头代码，而是要多练自然语言描述问题；学产品思维和用户研究，理解非技术需求；开发时优先考虑伦理、社会影响；选领域深耕；把代码变成“能讲故事”的系统。未来你的优势是“代码+叙事”。所以，年轻人别慌着放弃STEM，也别觉得学文科就躺赢了。真正该练的，是用AI思考更深的问、讲出更动人的故事、构建更复杂的社会系统。蒂尔指出了方向，但真正的游戏，才刚刚开始。 孔子的年代，需要文武双全才能立足社会；而未来AI年代文理兼修，才能走得更远。

普通人如何用整体思维理解SpaceX、标普、纳指三者之间的关系 SpaceX正在成为影响纳指和标普的新变量 6月11日，SpaceX以135美元发行价完成史上最大规模IPO，募资规模达到750亿美元，上市首日最高涨至176美元附近，较发行价上涨超过30%，市值一度突破2万亿美元 整个华尔街都在讨论同一个问题：SpaceX会不会成为下一个英伟达？ 与此同时，纳指和标普走出了两种不同的故事 6月初纳指100创下30762点历史新高，随后快速回调至28230点附近，最大回撤超过8% 但短短几个交易日之后又重新收复了大量失地，距离历史高点越来越近，这说明市场对于AI和科技股的热情依然存在 而标普500的表现反而更值得普通投资者关注，从本轮回调低点到最近几个交易日，反弹幅度已经超过6% 并且上涨并不完全依赖科技股，金融、工业、能源、消费等多个板块都在贡献力量，这意味着推动指数上涨的来源开始变得更加均衡 买纳指，本质上是在买英伟达、微软、Meta、亚马逊这些科技巨头，押注的是AI革命 买标普，本质上是在买美国最优秀的500家企业，押注的是整个美国经济持续创造财富的能力 过去两年AI最疯狂的时候，纳指大幅跑赢标普，因为资金不断向少数科技巨头集中 但最近市场开始出现新的变化 新的超级资产出现了 SpaceX 新的机构开始研究SpaceX 新的资金开始流向SpaceX 新的指数公司开始研究未来如何纳入SpaceX 如果未来几年SpaceX进入更多主流指数体系，那么无论你买纳指还是买标普，都有可能间接持有它 这也是为什么我越来越觉得，普通投资者不应该非黑即白地想——纳指好还是标普好？ 因为这本来就是一个错误的问题 纳指代表美国最优秀的科技公司、标普代表美国最优秀的企业整体 过去十年，美国创造了苹果、微软、亚马逊、英伟达 今天又创造了SpaceX 对于普通投资者来说，真正重要的从来不是猜谁会成为下一只十倍股，而是确保自己始终坐在这张牌桌上 透过现象看本质，不仅要看到人类史上最伟大的公司——SpaceX上市 更要看到——美国资本市场创造超级公司的能力依然没有减弱 AI没有结束、科技创新没有结束、新的财富故事也没有结束 而纳指和标普，就是普通人参与这些故事最简单的方式 美国市场又一次证明了，当旧故事达到高潮的时候，它总能创造出新的故事 而对于普通投资者来说，与其纠结下一个故事是谁，不如同时持有纳指和标普，让自己始终站在故事发生的地方

硅谷PayPal帮主彼得·蒂尔认为，AI正终结过去200年，以数学能力为核心的精英体系。工程、量化等“数学型人才”的逻辑优势，正在被AI迅速替代，其职业护城河也正在消失。未来真正的竞争力，在于叙事、社交语境理解，以及把AI嵌入社会系统的语言型人才，这才是人类独特优势。 工业革命让肌肉贬值，AI革命正在让“纯计算的大脑”贬值。未来的胜出者，是那些能用语言驾驭算法、用叙事锚定价值的社会系统操盘手。 作为程序员： 别只埋头代码，而是要多练自然语言描述问题；学产品思维和用户研究，理解非技术需求；开发时优先考虑伦理、社会影响；选领域深耕；把代码变成“能讲故事”的系统。未来你的优势是“代码+叙事”。所以，年轻人别慌着放弃STEM，也别觉得学文科就躺赢了。真正该练的，是用AI思考更深的问、讲出更动人的故事、构建更复杂的社会系统。蒂尔指出了方向，但真正的游戏，才刚刚开始。 说白了，需要文理兼修，才能走得更远。