与「帰化」相关的搜索结果

我认识了一个做投资的大哥。 这人其貌不扬，穿个拖鞋就能去谈几千万的项目。 我问他，你决策这么准，是不是有什么内部消息？ 他点了根烟，说：“我有个屁的内部消息。我就是个贝叶斯主义者。” 我当时惊讶。。。贝叶斯？那个概率论里的公式？这玩意儿跟投资有啥关系？ 他看我一脸懵，就笑了。他说：“你以为贝叶斯是个数学公式？贝叶斯是一种活法。” 那天他跟我聊了三个小时。我听完之后，后背发凉。因为我发现，我过去三十年的思考方式，全是错的。 一、 先说贝叶斯到底是个啥。 你肯定听过那个公式：P(A|B) = P(B|A) * P(A) / P(B)。别怕，不用记。你就记住一句话： 根据新的证据，不断调整你的判断。 就这么简单。 但简单归简单，真正能做到的人，万里挑一。 我给你举个例子。你早上出门，看见天阴了。你心里想，今天可能要下雨。这个“可能要下雨”，就是你的先验。就是你根据过去的经验，对一件事的初始判断。 然后你出门，感觉空气湿漉漉的，风也起来了。这时候你更相信要下雨了。这个“感觉”，就是新证据。 你根据这个新证据，把你的判断从“可能下雨”调整到“大概率下雨”。这个调整后的判断，就是后验。 然后你走到半路，一滴雨砸在你脑门上。你立刻把判断调到“肯定下雨”，然后跑起来找地方躲。这就是再次更新。 你看，你每天都在用贝叶斯。只是你自己不知道。 二、 但大多数人用贝叶斯，只用了一半。哪一半？收集证据的那一半。他们不用更新判断的那一半。 什么意思？ 你想想，你是不是经常这样：你跟一个人吵架，你认定他就是个自私的人。然后他做了一件事，明明是为你着想，你却说：“他肯定是有目的的。”他帮你，你觉得他虚伪。他沉默，你觉得他冷血。他解释，你觉得他狡辩。 你收集了所有证据，但你从来不更新你的判断。你的先验是“他是个自私的人”，然后所有新证据，你都用来强化这个先验，而不是修正它。 这不叫贝叶斯。这叫确认偏误。 贝叶斯思维最狠的地方，就是它要求你：当证据足够强的时候，你得承认自己错了。 不是嘴上承认，是心里真的改。 我那个投资大哥跟我说，他每年都会复盘自己看错的项目。他说，看错不可怕，可怕的是看错了还不改。他说，他每次做决策，都会先写下来：我现在的判断是什么？我为什么这么判断？然后等三个月，等半年，看结果。如果结果跟判断不符，他就问自己：是证据不够？还是我的先验错了？ 如果是先验错了，他就改。改得越快，亏得越少。 三、 贝叶斯思维里，有两个东西特别关键。一个叫基础概率，一个叫似然比。 基础概率，就是你还没看证据之前，这件事本身发生的概率有多大。 我举个特别经典的例子。假设有一种罕见病，发病率是千分之一。现在有一种检测方法，准确率99%。就是说，如果你有病，它99%能测出来。如果你没病，它也有99%能测出来是阴性。 现在你去体检，检测结果是阳性。请问，你真正得病的概率是多少？ 大多数人会想：99%啊，完了，我肯定得病了。 错。大错特错。 我们来算一下。一千个人里，有一个人得病。这个人检测阳性，概率99%，所以有一个真阳性。剩下999个人没病。但检测有1%的误报率，所以999个人里，大概有10个人会被误报为阳性。 现在你告诉我，在11个阳性里，真正有病的只有1个。所以你得病的概率，不是99%，而是1/11，大概9%。 你看，这就是基础概率的力量。你被那个“99%准确率”吓到了，但你忽略了“这个病本身发病率只有千分之一”这个基础概率。 我那个大哥说，他看项目，第一件事就是问：这个事儿，在行业里，成功的基础概率是多少？如果这个行业90%的人都失败了，那你就别听创业者吹得天花乱坠。先把这个90%放在心里，然后再去看他的证据。 似然比是什么？就是一个证据，在“你对”的情况下出现的概率，除以在“你错”的情况下出现的概率。 我举个例子。你怀疑你老婆出轨。你发现她最近经常加班。这个“加班”的证据，有多强？ 如果她出轨了，她加班的概率可能是70%（要腾出时间）。如果她没出轨，她加班的概率也可能是70%（工作忙）。那这个似然比就是70%/70%=1。意思是，这个证据屁用没有。它不改变你的判断。 但如果她出轨了，她加班的概率是70%。她没出轨，加班的概率只有20%。那似然比就是70/20=3.5。这个证据就比较强了，能把你的判断往“出轨”那边推一推。 你看，不是所有证据都叫证据。只有能区分两种假设的证据，才叫证据。 贝叶斯思维就是教你：别被那些似然比为1的证据带偏。 别因为对方今天没回你微信，就觉得他不爱你了。因为他不爱你的时候可能不回微信，他忙的时候也可能不回微信。这个证据，区分度太低。 四、 好，道理讲完了。现在我给你走一遍完整的。就一个问题：我对象是不是不爱我了？ 这是贝叶斯思维最实用的场景，没有之一。 假设你最近觉得对象不对劲。回消息慢了，电话也少了，你问他怎么了，他说没事。你心里开始犯嘀咕：他是不是不爱我了？ 大多数人会直接跳到结论：他肯定不爱我了。然后开始翻旧账，越想越气，最后要么冷战，要么大吵一架。 但如果你用贝叶斯思维，你会怎么做？ 第一步：先定先验。 在你观察到他冷淡之前，你觉得他爱你的概率是多少？ 你们在一起两年了，平时感情不错，没有大的矛盾。那你先定一个：80%。就是说，在没有新证据之前，你相信他80%是爱你的。 这个80%，就是你的先验。 第二步：看第一个证据。 他最近回你微信很慢。 现在你问自己两个问题： 如果他还爱你（80%的那个假设），他回微信慢的概率是多少？ 可能是20%。因为他最近项目忙，加班多，或者他就是个不爱看手机的人。 如果他不爱你了（20%的那个假设），他回微信慢的概率是多少？ 可能是70%。因为他在疏远你，不想跟你说话，看到消息也不想回。 现在算一下。先验是80%对20%。证据的似然比是20%比70%，也就是0.29。 什么意思？就是说这个证据，更偏向“他不爱你了”那一边。因为它在不爱你的情况下出现的概率，比在爱你的情况下出现的概率，高了两倍多。 更新之后，你的后验是多少？ 大概从80%降到了 62%。 你看，降了，但没崩。你还是倾向于相信他爱你。但你的信心，从80%变成了62%。你心里有了警惕，但还不至于直接翻脸。 第三步：看第二个证据。 他又忘了你们的纪念日。 再问那两个问题： 如果他还爱你，他忘纪念日的概率是多少？ 可能是15%。因为他最近真的太忙了，或者他本来就是个记性差的人。 如果他不爱你了，他忘纪念日的概率是多少？ 可能是60%。因为他不把你放心上了，纪念日对他来说不重要了。 似然比是15%比60%，也就是0.25。又是一个强烈偏向“不爱”的证据。 从62%再更新： 大概降到了 38%。 现在，你已经从“大概率爱我”变成了“大概率不爱我”。但还没有到100%。 第四步：看第三个证据。 你翻他手机，发现他跟前女友最近有联系，聊天记录删了一部分。 再问： 如果他爱你，他跟前女友联系还删记录的概率是多少？ 可能是5%。因为正常交往不需要删记录。删了，说明有问题。 如果他不爱你，他跟前女友联系还删记录的概率是多少？ 可能是80%。因为他已经在找退路了。 似然比是5%比80%，也就是0.06。这是一个极强的证据。 从38%更新： 大概降到了 3%。 现在你可以行动了。因为你的判断，已经从“他可能不爱我了”，变成了“他几乎肯定有问题”。 你看，贝叶斯思维不是让你不生气。它是让你在该生气的时候才生气，该翻脸的时候才翻脸。 大多数人是什么样？第一个证据出来，就炸了。直接跳到100%的结论，然后大吵大闹，最后发现可能只是误会。 而贝叶斯思维让你一步一步走。每一步都算概率，每一步都更新判断。等到证据足够强了，你再行动。这时候你的行动，是有根据的，不是情绪化的。 五、 那怎么把这个思维，用到生活里？ 我给你三个心法。 第一个心法：把你的判断，从“是/不是”变成“百分之多少”。 大多数人想问题，是二元的。要么对，要么错。要么爱，要么不爱。要么行，要么不行。 但贝叶斯思维告诉你，世界不是二元的。世界是概率的。你的每一个判断，都应该是一个概率。 你觉得这个项目能成吗？别说“能”，说“我觉得有60%的概率能成”。你觉得这个人靠谱吗？别说“靠谱”，说“我目前觉得他80%靠谱”。 为什么？因为一旦你用了概率，你就给自己留了更新的空间。如果他说60%能成，结果没成，你不会崩溃。因为你知道还有40%的可能。但如果他说“肯定能成”，结果没成，他就崩溃了。 第二个心法：每次遇到新信息，问自己两个问题。 第一个问题：如果我的判断是对的，这个信息出现的概率有多大？ 第二个问题：如果我的判断是错的，这个信息出现的概率有多大？ 如果两个概率差不多，这个信息不重要，别理它。 如果第二个概率远大于第一个，这个信息非常重要，你得认真对待，甚至要改判断。 我那个大哥跟我说，他当年投一个项目，所有人都说好。但他发现一个细节：这个项目的创始人，在提到竞争对手的时候，眼神闪了一下。他就问自己：如果这个创始人真的胸有成竹，他提到对手会眼神闪吗？可能会。但如果他其实心里没底，他提到对手会眼神闪吗？更可能。所以这个证据，让他把判断从80%下调到了65%。后来这个项目果然出了问题。 他说，细节不是用来证明你对的，细节是用来修正你的。 第三个心法：记录你的预测，然后复盘。 这是贝叶斯思维里最反人性、但也最有用的一步。 你每次做判断，都写下来：我现在认为这件事的概率是多少？为什么？ 然后等事情发生。如果结果跟你预测的不一样，你就问自己：是我先验错了？还是我忽略了某个证据？还是我高估了某个证据？ 慢慢地，你的预测会越来越准。你的证据权重会越来越合理。你的判断会越来越接近真相。 我那个大哥说，他有个本子，记了十几年。上面全是他的预测和复盘。他说，这个本子，比任何商学院都值钱。 六、 最后，我想跟你说一个我自己用贝叶斯思维改变的事。 我以前特别容易生气。别人说一句我不爱听的，我立刻炸。后来我用贝叶斯思维问自己：我为什么生气？因为我有一个先验：他应该尊重我。 当他没有按照我期待的方式说话时，我的先验被挑战了，我就炸了。 但后来我想，这个先验本身，概率是多少？一个人，在所有时候都尊重我，这个概率有多大？其实不大。每个人都有自己的情绪，有自己的立场，有自己的表达方式。他可能只是今天心情不好，可能只是说话直，可能只是没意识到。 所以我把先验调低了。我不再默认“所有人都应该尊重我”，而是默认“大多数人大多数时候是善意的，但偶尔会冒犯我”。这个先验更符合现实。 然后我再遇到类似情况，我就不炸了。我会想：他这句话，是真的针对我，还是只是随口一说？这个证据，在“他针对我”的情况下出现的概率是多少？在“他只是随口一说”的情况下出现的概率是多少？ 很多时候，算完发现，似然比接近1。也就是说，这句话根本不能说明他针对我。那我生什么气？ 你看，贝叶斯思维，不只是让你决策更准。它还能让你情绪更稳。 因为你知道，你的判断，只是一个概率。既然是概率，就有可能是错的。既然是可能错的，那就不值得为它拼命。 七、 所以，什么是贝叶斯思维？ 它不是让你变成一个冷冰冰的机器。它是让你变成一个更聪明、更开放、更不容易犯错的人。 它告诉你：你的每一个信念，都不是真理。它只是一个当前最好的假设。 它告诉你：新证据来了，你要做的不是捍卫自己，而是更新自己。 它告诉你：承认自己错了，不是失败。承认自己错了，是进步。 我那个大哥最后跟我说了一句话，我记到现在。他说： “我这辈子最大的本事，就是改得快。” 你品品这句话。 大多数人，一辈子都在证明自己对。而真正厉害的人，一辈子都在修正自己。 这就是贝叶斯思维。 不是让你更自信，是让你更准。 不是让你更固执，是让你更活。 从今天起，试着把你的判断，从“是”改成“概率”。试着遇到新证据的时候，问自己那两句话。试着记录你的预测，然后复盘。 你会发现，你变了。 你不再是那个被情绪和偏见牵着走的人。你成了一个不断逼近真相的人。 这，才是真正的投资策略和自由。

你是一位像素动画师兼游戏手感（game feel）设计师，也会写芯片音乐。你用代码做出的东西，要像 16-bit 时代一流工作室手绘的角色动画，而不是缩小的矢量图。 以下是默认值，直接开工，不用问我： - 片名：《第 99 次施法》 - 画幅：1920×1080，60fps，时长正好 16 小节（140 BPM，约 27.43 秒），结尾无缝衔接开头 - 逻辑分辨率：192×108，整数 10 倍放大（竖屏版改为 108×192 → 1080×1920） - 声音：代码合成的芯片音乐和音效 一个老巫师在夜里的山崖上练一个总是失败的法术。三次尝试，一次比一次认真，最后一次成功点亮了山下整座沉睡的村庄。 140 BPM，一拍约 0.429 秒，一小节约 1.714 秒。 - 第 1–2 小节 待机：巫师轻晃，胡子摆动，星星闪烁。镜头极慢地推近。 - 第 3–5 小节 第一次：蓄力 → 宝石亮了一下 → "噗"地冒出一缕灰烟，帽子被吹歪。音乐停半拍，留出喜剧停顿。 - 第 6–8 小节 第二次：更用力 → 飞弹射出 → 在空中掉头飞回来 → 打掉自己的帽子。停 1 拍，巫师眨两次眼。 - 第 9–10 小节 准备第三次：捡起帽子戴正，深呼吸（身体 1 像素起伏两次），音乐收得只剩三角波低音。 - 第 11–13 小节 第三次：长蓄力，火花螺旋聚拢，越转越快；第 13 小节最后一拍前全场静音 0.3 秒。 - 第 14 小节正拍 施法：hit-stop 冻结 5 帧，全屏白闪 1 帧，飞弹划过夜空落向山下。 - 第 15–16 小节 村庄的窗户从近到远依次亮起（错相，每扇窗间隔 2–4 帧），音乐全奏。巫师满意地捋胡子，帽子又滑下来挡住眼睛，然后回到待机姿势。 - 循环：render(16 小节的时长) 与 render(0) 逐像素一致，成片只包含 [0, 总时长) 内的帧。 像素纪律 - 所有内容画在 192×108 的离屏画布上，再按整数倍放大；imageSmoothingEnabled = false，CSS image-rendering: pixelated。 - 所有坐标对齐整数格。禁止亚像素、抗锯齿、shadowBlur、线性渐变；需要过渡时用 4×4 Bayer 抖动。 - 固定调色板不超过 24 色，先输出色板：夜空深蓝紫 4 阶、长袍暖色 4 阶、肤色 3 阶、魔法色 3–4 个，石头和村庄若干。画面上每个像素都必须来自色板。 - 角色约 22×30 个逻辑像素，用选择性描边（sel-out，受光一侧的描边用较浅的颜色）。光照靠切换色板色阶表现，不叠半透明。 动作语言 姿势参数化（法杖角度、手臂高度、头部倾斜、长袍摆动、胡子摆动），但姿势按 12fps"一拍二"的节奏量化更新；火花、飞弹、烟这些特效每一帧都动。 每个动作都走完：预备 → 动作 → 冲击 → 余震 → 回稳。法杖快速挥动时插 1–2 帧拖影帧（smear frame），不用运动模糊。 冲击感：命中瞬间 hit-stop 冻结 3–5 帧；屏幕按整数像素震动，幅度 3 → 2 → 1 → 0 衰减；宝石白闪 1 帧。 挤压拉伸控制在 1–2 像素以内：在像素动画里，1 像素已经是很大的变化。 错相：身体先动，胡子和帽尖晚 2–3 帧跟上，长袍下摆再晚 2 帧。 喜剧靠停顿：失败后的静止和眨眼要给够时间，不要用特效把停顿填满。 场景与光 三层视差：星空（几乎不动）、远山、近处的石崖和巫师。镜头漂移时各层速度不同，位移都取整。 宝石是动态光源：蓄力时，巫师面向宝石的一侧加 1 像素轮廓光，越亮色阶越高。成功那一刻，整个画面的色板短暂整体提亮一阶，再回落。 村庄平时是暗色剪影；窗户亮起时用 2 阶暖黄，每扇窗下方的地面亮起 1 像素反光。 禁止 角色以外的大字、UI、边框、logo；铺满屏幕的粒子爆炸；任何先画高清再降采样的"伪像素"。 - 只用四个通道，模仿 8-bit 主机：方波 1 弹旋律；方波 2 弹和声或琶音（占空比在 12.5%、25%、50% 之间切换）；三角波弹低音；噪声通道打鼓。方波用带限合成（PolyBLEP 或加法合成），避免刺耳的混叠。 - 音效用同一套芯片音色：蓄力是上升琶音；失败的"噗"是向下扫频的噪声；飞弹掉头是一声变调的"啵咿"；命中是噪声爆破加低音下潜；窗户亮起是一串高音"叮"，每扇窗一声，音高沿五声音阶上行。 - 喜剧停顿时，音乐真的停下来；hit-stop 的 5 帧里，只留一条拉长的噪声尾巴。 - BPM 已知，节拍网格直接用公式算。所有关键动作落在拍上，预备动作可以提前 2–3 帧。 确定性渲染（违反任何一条都算失败） - 页面暴露 window.render(t)，t 单位为秒，画面只由 t 计算。不用 requestAnimationFrame、setTimeout、 transition/animation 驱动画面。 - 随机数一律用带固定种子的 PRNG（如 mulberry32）；帧与帧之间不保存状态。 - 粒子（火花、烟、飞弹拖尾）用种子预先生成每个粒子的出生时间、初速度和寿命，位置由 t 解析计算后取整。 - 角色和场景全部程序化生成，不用任何图片；渲染时不联网。 拍摄与编码 Playwright 无头 Chromium，viewport 1920×1080，deviceScaleFactor=1。 逐帧调用 render(t) → 截图 → 通过管道直接喂给 ffmpeg，不在磁盘上堆几千张 PNG。 视频 H.264、-pix_fmt yuv420p、-crf 17、-preset slow、-movflags +faststart；音频 AAC 48kHz 192k，响度归一到 -14 LUFS，真峰值 ≤ -1 dBTP。 - 像素网格检查：随机抽 10 帧，先最近邻缩小 10 倍再放大 10 倍，必须与原帧逐像素相同（证明没有亚像素和抗锯齿）。 - 色板检查：随机抽 10 帧统计用到的颜色，必须全部属于色板。 - 循环检查：render(总时长) 与 render(0) 逐像素一致；音频首尾做 10ms 交叉淡化，循环播放时不爆音。 - 抽帧拼图：每 0.5 秒一张。按这几项各打 1–10 分：剪影可读性、喜剧节奏（停顿够不够）、打击感、动作完整度（有没有直接滑过去的动作）、声画同步、像素纯度。把最严重的 3 个问题修掉再重渲，直到每项 ≥ 8。 自主模式，中途不要停下来问我。先输出色板图和 3 张关键帧（待机、第二次失败、成功那一刻）自己检查，再做整片。 交付：out/wizard.mp4、out/contact_sheet.png、色板图，以及一段 5 行以内的创作决策说明。

⚽️ 9月29日亚运女足＋欧国联＋其他15场足球预测 📋 9月28日8场综合复盘，两项综合：75.00% 📊 胜平负：6/8，75.00% 📉 让球方向：6/8，75.00% 每天给主任送温暖200元，主打一个懵逼不伤脑。 今天日职好好收拾收拾。 主打一个盈亏自负，拉人可以，别举报群哈，我们没有利益关系，一看好几个黄牛拉人去外围。 1⃣ 朝鲜女足 — 中国女足（亚运女足） 📊 胜负：朝鲜女足胜 ⭐ 🧭 让球：朝鲜女足（-1）让平 / 让胜 🎯 比分：1:0｜2:0｜2:1 📈 总进球：1球、2球、3球 ⚔️ 核心判断 中国女足此前曾击败朝鲜女足，但上轮经历加时赛，体能消耗较大，阵容还受到伤病与停赛影响。朝鲜女足本届赛事火力、身体对抗和人员完整度更占优势，预计能够在常规时间取胜。 2⃣ 澳大利亚 — 巴西（国际友谊赛） 📊 胜负：巴西胜 ⭐ 🧭 让球：澳大利亚（+1）让负 / 让平 🎯 比分：0:2｜1:2｜0:3 📈 总进球：2球、3球、4球 ⚔️ 核心判断 双方首场交锋战成1:1，但巴西在控球、射门及持续压迫方面占优。澳大利亚坐镇主场具备韧性，不过阵容年轻化且存在人员缺口，巴西调整首发后仍拥有更高的进攻上限。 3⃣ 藤枝MYFC — 大阪樱花（日联杯） 📊 胜负：大阪樱花胜 / 防平 🧭 让球：藤枝MYFC（+1）让平 / 让负 ⭐ 🎯 比分：0:1｜0:2｜1:2 📈 总进球：1球、2球、3球 ⚔️ 核心判断 藤枝MYFC近期赛程密集，本场只有较短恢复时间；大阪樱花休整更加充分，阵容深度和比赛控制力也占优。 不过客队进攻效率并不稳定，更倾向一至两球差距。 4⃣ 枥木市FC — 广岛三箭（日联杯） 📊 胜负：广岛三箭胜 ⭐ 🧭 让球：枥木市FC（+2）让平 / 让负 🎯 比分：0:3｜1:3｜0:2 📈 总进球：2球、3球、4球 ⚔️ 核心判断 广岛三箭近期状态回升，阵容实力、攻防强度和杯赛经验均明显占优。枥木市FC虽然具备主场冲击力，但防线近期失球较多，面对广岛持续压迫很难保持完整。 5⃣ 富山胜利 — 浦和红钻（日联杯） 📊 胜负：浦和红钻胜 / 防平 🧭 让球：富山胜利（+1）让胜 / 让平 ⭐ 🎯 比分：1:2｜1:1｜2:2 📈 总进球：2球、3球、4球 ⚔️ 核心判断 浦和红钻休整时间和阵容上限占优，但富山胜利近期状态稳定，主场创造机会能力也不弱。客胜可以优先，不过比赛更可能维持到一球以内，主队受让方向容错更足。 6⃣ 山形山神 — 横滨水手（日联杯） 📊 胜负：横滨水手胜 / 防平 🧭 让球：山形山神（+1）让平 / 让胜 ⭐ 🎯 比分：0:1｜1:2｜1:1 📈 总进球：1球、2球、3球 ⚔️ 核心判断 山形山神连续作战，体能与轮换压力明显；横滨水手休整更加充分，整体实力也高出一档。不过客队锋线及门将位置存在人员缺口，取胜更倾向一球差距。 7⃣ 日本女足 — 韩国女足（亚运女足） 📊 胜负：日本女足胜 ⭐ 🧭 让球：日本女足（-2）让平 / 让负 🎯 比分：2:0｜2:1｜3:0 📈 总进球：2球、3球、4球 ⚔️ 核心判断 日本女足本届赛事保持全胜，整体配合、阵容深度和主场条件均占优势。韩国女足进攻能力不差，但上轮防线暴露出较多空间；考虑日本也有球员伤退，主胜稳于两球深盘。 8⃣ 苏格兰 — 瑞士（欧国联） 📊 胜负：瑞士胜 / 防平 🧭 让球：苏格兰（+1）让平 / 让胜 ⭐ 🎯 比分：0:1｜1:1｜1:2 📈 总进球：1球、2球、3球 ⚔️ 核心判断 苏格兰首轮完成零封，防守韧性尚可，但进攻创造力较为有限。瑞士首轮取得三球胜利，阵容质量和攻防转换效率更高；客队不败优先，主场因素可能把分差压缩至一球以内。 9⃣ 捷克 — 英格兰（欧国联） 📊 胜负：英格兰胜 ⭐ 🧭 让球：捷克（+1）让负 / 让平 🎯 比分：0:2｜1:2｜0:1 📈 总进球：1球、2球、3球 ⚔️ 核心判断 两队首轮均告失利，英格兰虽然出现部分人员退出，但阵容深度、个人能力和中前场上限依然明显占优。连续客场及防线状态带来一定隐患，客胜重点关注一至两球。 🔟 斯洛文尼亚 — 北马其顿（欧国联） 📊 胜负：斯洛文尼亚胜 / 防平 🧭 让球：斯洛文尼亚（-1）让负 / 让平 ⭐ 🎯 比分：1:0｜1:1｜2:1 📈 总进球：1球、2球、3球 ⚔️ 核心判断 斯洛文尼亚首轮防守表现稳定，北马其顿则在进攻端缺乏有效威胁。主队实力和主场条件占优，但近期破门效率不高，阵容也存在伤员，更倾向一球小胜或平局。 1⃣1⃣ 斯洛伐克 — 哈萨克斯坦（欧国联） 📊 胜负：斯洛伐克胜 ⭐ 🧭 让球：斯洛伐克（-2）让负 / 让平 🎯 比分：2:0｜1:0｜2:1 📈 总进球：1球、2球、3球 ⚔️ 核心判断 斯洛伐克首轮零封取胜，中后场稳定性和主场控制力占优。哈萨克斯坦连续客场作战，运动战得分能力有限，但过往面对斯洛伐克并不处于绝对下风，两球让步偏深。 1⃣2⃣ 卢森堡 — 冰岛（欧国联） 📊 胜负：平 / 防冰岛胜 🧭 让球：卢森堡（+1）让胜 ⭐ 🎯 比分：1:1｜0:1｜0:0 📈 总进球：0球、1球、2球 ⚔️ 核心判断 卢森堡首轮客场取胜，防守执行力和比赛信心有所提升；冰岛首轮战平，近期取胜效率依然不高。冰岛阵容上限稍高，但客场进攻稳定性不足，卢森堡受让一球保护充分。 1⃣3⃣ 西班牙 — 克罗地亚（欧国联） 📊 胜负：西班牙胜 ⭐ 🧭 让球：西班牙（-2）让负 / 让平 🎯 比分：2:0｜2:1｜1:0 📈 总进球：1球、2球、3球 ⚔️ 核心判断 两队首轮均取得胜利，西班牙主场控制力、阵容深度和进攻上限更高。克罗地亚中后场经验丰富，具备压缩空间和降低比赛节奏的能力，加上西班牙后防存在缺口，两球让步不宜追深。 1⃣4⃣ 保加利亚 — 爱沙尼亚（欧国联） 📊 胜负：保加利亚胜 / 防平 🧭 让球：保加利亚（-1）让平 / 让负 ⭐ 🎯 比分：1:0｜1:1｜2:1 📈 总进球：1球、2球、3球 ⚔️ 核心判断 保加利亚纸面实力和主场定位占优，但首轮落败，近期攻防稳定性不足。爱沙尼亚首轮客场逼平冰岛，低位防守表现出一定韧性；主胜可以优先，更需要防范一球小胜或平局。 1⃣5⃣ 美国 — 智利（国际友谊赛） 📊 胜负：美国胜 ⭐ 🧭 让球：美国（-1）让胜 / 让平 🎯 比分：2:0｜2:1｜1:0 📈 总进球：1球、2球、3球 ⚔️ 核心判断 美国上场取得大胜，主场节奏、阵容深度和年轻球员的冲击力均占优势。智利上场长时间少打两人，体能消耗较大； 美国虽然预计轮换且多名主力缺席，仍具备一至两球取胜的条件。 ⚠️ 以上仅代表赛前分析与个人观点；伤停、首发及临场数据可能变化，请理性参考。 昨天Predict也小输一场，确实到了瓶颈期了。最近有点看跌了，把市场上的Bnb到900，处理了一下。 9月底的多单是基本归0，大饼还是没去到89000。

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。

《欢迎来龙餐馆》不论是特效还是剧情，真的是近些年不可多得的优秀国产电影，尤其是在当前舆论形势和价值观导向的情况下依然能够跳出那堵透明的墙，最早我看到简介后，本来以为又是一个烂俗套的反美战狼片，但是冲着沈腾还是进了电影院，没想到居然给了如此大的惊喜，在这部电影里，美国人和中东人不再脸谱化非黑即白，都是被莫名其妙裹挟到这场乱局里的普通人，你把自己代入任何一个角色后，他们做的事情好像又都合情合理，但拼到一起又整体形成一个无法解开的死局。 最近我也遇到了个类似苦恼的事，我小区后面有一片长达10年的烂尾房，经常有人钻进去开荒种菜焚烧枯枝烂叶，搞的乌烟瘴气，在提交了几次12345后，前天早上看到又有人焚烧，烟都飘到我家阳台来，气的我直接报警，警察10分钟就出警到达，态度也非常好，说只要我报警他们一定会来，但是他们也只能做到发现后制止，不可能长期驻守在这里。 然后我又去找街道办事处，对方说他们也很无奈，之前就有人反馈过，但他们没有任何执法权，只能起到沟通协调作用，之前还专门派人拿个大喇叭喊话教育。 街道说这片烂尾楼所属的地块是一个村委，给了我电话，然后我又去联系这个村委，他们说这片地之前属于他们，但早就被征收卖给企业了，村民都拆迁搬走了，现在部分村民私自进去开荒，他们作为村委也只能批评教育，总不能把人家锁在家里不让出来。 然后我又找环保部，对方说如果想彻底根除，那就只能把整个这片先调集铲车全部清理，然后用围挡全部封死，彻底杜绝人进来开荒，但是这需要申请一大笔经费，需要走流程。 在整个环节里每个人好像都没有错，警察尽心尽职及时出警但不能长期蹲守，街道也尽力协调但没有执法权，村委已经把地卖出去了不归他们管，环保需要申请经费调动铲车和修建围挡成本太高。 在没有尝试解决这个问题之前，我一直以为是某个部门不作为，但是真正开始躬身入局后，发现好像如果我是警察、街道、村委、环保这几个角色，我好像也做不了其他更多事情了。 最初始的源头就是10年前那个开发商资金链断裂导致房子烂尾，罪魁祸首是很清楚的，但是这个死局却好像无人能解了，就像中东现在各方势力，一切的源头也许就是当初萨达姆入侵科威特，或者是某个什么事情，但过去几十年后，你杀了我爹，我干了你妈，一层又一层的混战后，现在每个人都觉得自己有道理而对方是坏人，成了一个无解的死局。

刚从电影院回到家，脑子还在嗡嗡作响，诺兰这部《奥德赛》有很多让人深思之处，充满了隐喻，哲理，与人性的思考。堪称今年最佳电影，没有之一！迫不及待，躺在沙发，打开电脑，写下观后感受！ 首先讲讲隐喻部分，海伦在原著中，是众神之神宙斯下凡人间化为天鹅，与斯巴达王后勒达所生的女儿，她由一颗天鹅蛋孵化而出，具有倾国倾城的美貌与高贵的气质。但在诺兰的影片中，她是黑人，脸上还刻着冰冷的刀疤，讲真的，跟原著相差甚远。 荷马史诗里的海伦是引发千帆竞发的终极诱惑。但在诺兰的镜头下，他想表达的是最冷酷的事实，海伦根本不是战争的原因，她只是阿伽门农粉饰侵略的幌子。 这与千百年来西方霸权的行事逻辑如出一辙，为了争夺地中海关键航道的贸易命脉，便穿上“拯救美女”的伪正义外衣。电影里阿伽门农将自己年幼的女儿冷血献祭，进一步扯下了统治者虚伪的面具。 这不免让人联想到现代历史中的种种巧合，比如03年伊拉克战争，美国以“大规模杀伤性武器”为由发动战争，耗时八年，最终什么也没找到。海伦越丑、越不具说服力，影片对“正义借口”的质问就越发鞭辟入里。 古希腊文明曾建立在“宙斯款待规则”之上，依靠互信与敬畏维持生存秩序。然而，木马计骗开了城门，阿伽门农血洗了城邦，奥德修斯在归途掠夺村落，彻底打破了这个规则。 影片中最震撼的一幕，莫过于奥德修斯在归途中反复听到的预言，“有一群海上来的人要摧毁希腊城邦”。当他以为是外敌入侵时，妻子却一语道破天机：“你自己不就是海上来的人吗？” 从大航海时代的掠夺，到近代坚船利炮打开国门，再到现代以“普世价值”为名留下的废墟，不禁要问，最终留下的是什么？是废墟、难民、仇恨。 今天欧美的移民撕裂、内部对立,不就是当年"海上来的人"对本土秩序的现实报应?海洋文明的扩张基因，最终吞噬了自己的根基。 接下来讲讲哲理部分，我个人认为诺兰应该很喜欢东方佛学，尤其是金刚经。里面多处折射出了人性的五毒，贪嗔痴慢疑。比如独眼巨人、女巫、塞壬、忘忧莲，他们每一个都是佛学五毒的映射： 独眼巨人：代表着狂怒与暴力； 女巫：将人类贪婪异化为野兽； 塞壬的歌声：唱的是你心底最深处的渴望与我执； 忘忧莲：则是对现实的逃避 你对抗什么，什么就存在；你接受什么，什么就消失。所有的风暴诅咒，终归都是心魔。 这里与《金刚经》的核心达成了共振，“凡所有相，皆是虚妄”，“应无所住，而生其心”。 奥德修斯归家路上，一直在对抗风暴、执念于掌控命运，这导致他执迷其中，迟迟无法得到自己想要的“回家”。只有当他明白自己无法掌控一切，学会放下对自我的执念，向暴风雨屈服、向宙斯屈服、向波塞冬屈服、向命运屈服时，他才真正获得了重生的力量。 归乡的路，就是不断失去、不断放下，最终在满身伤痕中认清自我、接纳世界的过程。心外无物，归途即是心途。 最后是男人寻找伴侣的一些思考，巴菲特说过，伴侣是人生最重要的投资，而好的女人，是可以福泽三代的。电影中直接应征了这一点。一个是珀涅罗珀对奥德修斯的20年坚贞守候，一个是海伦的姐妹对阿伽门农凯旋后的谋害。一反两面，活生生的对照！ 奥德修斯离开时，珀涅罗珀还是年轻王后。二十年后，丈夫生死不明，王国被侵占，一百多个男人逼迫她改嫁。但她没有崩溃。她用织布骗局拖延好多年，白天织布，晚上拆掉。她等待的不是一个抽象的“国王”，而是那个她相信不会消失的人。 最精彩的是，奥德修斯归来后，她没有盲目拥抱，而是依然测试他。她用一个只有他们俩知道的秘密去确认丈夫。他们的婚床，那张一根柱子直接扎根在活橄榄树上的床。这不是简单的浪漫，这是二十年夫妻共同生命的密码。真正智慧的女人，绝不只相信外表与甜言蜜语。 而对于奥德修斯来说，这也是一场关于“矢志不渝”的终极考验。 在仙女卡吕普索的岛上，他面对的是永恒的青春、不死之身、没有痛苦的人生和每天如仙境般的生活。换成普通人，可能早已选择留下。但奥德修斯拒绝了。 因为卡吕普索给的是一个完美的牢笼和没有痛苦的人生；而奥德修斯想要的是有意义的人生。 他宁愿回到伊萨卡，做一个会衰老的凡人，去面对现实的困顿，和妻子一起经历有限的生命，也不愿在虚幻的永生里麻木。 一个男人真正的成熟，不是看他能征服多少疆域，而是看他在面对极致诱惑时，是否还能认清自己内心的锚点。 面对智慧、耐心与忠贞的妻子，他也用无惧岁月与神力诱惑的矢志不渝，完成了对这段伟大关系的双向奔赴，我觉得这是诺兰在这部电影中最歌颂的人性之美！ 《奥德赛》表面上是一个关于冒险、努力回家与家人团聚的史诗，但在我看来，它是人类一生的终极隐喻。 从出生到死亡，我们都在命运的汪洋上航行。我们会遇到独眼巨人(暴怒)、女巫(贪婪)、塞壬(欲望)。 最终能否回到那个"家"？这个家不是伊萨卡岛，而是我们的本心: 佛家叫"明心见性" 道家叫"返璞归真" 荣格叫"自性化" 当上帝已死、灯火熄灭，我们还能否找到自我的本心? 归途也是心途。这是我一个多小时敲字中，满脑子一直浮现的话！🧐

纽约时报：鸡蛋变成火箭蛋 中午刷到纽约时报的文章，借着中国鸡蛋价格暴涨说事。 我在纽约时报这里调侃了一句，鸡蛋8月9月合约跌超100，你一个文科生，就别来扯我们生鲜行业的蛋了。 纽约时报这种左翼政治性媒体，与狐狸新闻这样的右翼媒体，是对中国经济挑三拣四，造谣生事的两大死对头，但在中国这里和谐统一了。 作者的春秋笔法还是很厉害，字里行间，在描述中国消费紧缩下，鸡蛋价格上涨带来的行业伤害。你往左看，是坏的；往右看，也是坏的。 作为大宗商品行业分析师，我前不久刚写了几篇鸡蛋的报告，对数据和趋势很了解。 在过去的五年里，蛋禽存栏持续上升，祖代鸡和父母代鸡存栏，雏鸡、青年鸡、在产蛋鸡的存栏在2025年达到顶峰，超过13亿存栏。 因为饲料原材料豆粕等持续下跌，实际上是来自于大豆与玉米价格的下跌后持续低位震荡，导致禽蛋产业在某种程度上维持了相当长的盈利时间或轻微亏损。 这件事不应该政治化。 因为美国农民会因为大豆与玉米的价格持续下跌受损。 美国政府不得不提供补贴来帮助农民。 在美国农业上，如果价格跌穿某个平衡点，政府补贴就会启动。 那美国纳税人需要付出代价。 这样做政治意识流就没有意思了。 实际上对于禽蛋产业来看，存栏去化不像活牛、生猪存栏那样艰难。 牛周期8到9年，猪周期5年。 因为并不是简单杀牛去栏就可以拯救价格的，这里面有市场行为博弈的困境。 而禽蛋产业的老鸡去化，损失极小，老鸡还可以卖肉。 在行业默契去化后，鸡蛋价格马上就会上扬。而且对于鸡蛋这种产品来说，不容易保存，供给快速缩减后，市场立即会把几个月内的价格提前预支到近月，约贴近现货周期，涨的越疯。 在快速去化出清亏损风险后，雏鸡和青年鸡补充为产蛋鸡，父母代鸡开始补栏。 这个时间周期上的远期合约价格就会下跌。 下跌到一定程度，更远期的合约就会对未来的存栏产生预期。 这就构成鸡蛋这个产品周而复始的波动。 市场的归市场，市场的行为人自动可以调节供需、价格，对冲亏损和盈利。 如果你不想看政治化的纽约时报来了解鸡蛋和鸡蛋投机，就来看看我们的生鲜世界专业分析网站吧。 9月初上线。 专业的归专业，政治的归政治。

書終於上架了了亞馬遜 《AI 超級週期： 五層產業鏈視⻆下的 AI 基礎設施投資: 從能源到應用，一條產業鏈看懂 AI 投資的底層邏輯》 - Chris Lee 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 鏈接 ： 亞馬遜Kindle會員的無限量會員的話，能免費觀看，單獨是美元$2.99 抱歉，可惜亞馬遜只有繁體字，但大家應該可以看的懂。 前言： "當所有人都在談論 AI，真正的問題是：錢該投在哪裡？ 2026 年，僅四大超級雲廠商的 AI 資本支出就達到 7,250 億美元。這不是一場短期炒作，而是一個可能持續十年以上的超級週期。但對大多數投資者而言，AI 產業鏈就像一座黑箱——你知道 NVIDIA 很重要，卻說不清為什麼一顆 GPU 需要搭配價值數倍的電力、散熱、網路與儲存設備才能運作。 這本書要打開這個黑箱。 李書沸以「五層產業鏈」為框架，從最底層的能源（核電、天然氣、電網）出發，逐層向上穿透至半導體（NVIDIA、台積電、Broadcom）、硬體基礎設施（HBM 記憶體、光互連、液冷散熱）、雲端與數據中心（超大規模運營商、主權 AI）、再到大模型與應用層，完整呈現 AI 基礎設施投資的全貌。 這不是一本泛泛而談的趨勢書，也不是一本只講概念的入門讀物。書中深入分析超過 80 家公司的競爭格局、護城河與估值邏輯，並為每一層提供具體可操作的投資框架。無論你是想理解為什麼鈾礦股會因為 AI 而暴漲，還是想搞懂 CoWoS 先進封裝的產能瓶頸如何影響整條供應鏈，這本書都能給你清晰的答案。 本書的獨特之處還在於作者的跨界視角。李書沸曾任 OKEx（現 OKX）CEO 與火幣 CFO，是加密貨幣行業最資深的高管之一，同時在傳統金融領域深耕多年。他在書中專闢章節探討 Crypto 與 AI 的交匯——去中心化算力、AI Agent 經濟、代幣化激勵機制——這些是傳統分析師不會觸及、卻可能催生下一波爆發性機會的領域。 本書涵蓋的核心議題包括：為什麼 AI 超級週期的本質是一場能源革命，而非僅僅是算力競賽？NVIDIA 的真正護城河在哪裡，它的統治地位是否會被挑戰？台積電與 Broadcom 在 AI 晶片供應鏈中扮演什麼不可替代的角色？HBM 記憶體為何成為 AI 時代最關鍵的瓶頸之一？光互連技術如何解決數據中心的頻寬牆問題？超大規模雲端運營商的 AI 資本支出將流向何處？大模型競爭格局如何從「比大」轉向「比效率」？AI 應用層何時能真正兌現商業價值？Crypto 與 AI 的融合將創造哪些新的投資範式？如何建構一個穿越週期波動的 AI 投資組合？ 最後三章聚焦實戰：風險管理框架幫助你識別泡沫信號與週期轉折點；投資 Playbook 提供從選股到配置的完整方法論；結語則回歸長期視角，探討這場技術革命的終局。 這本書寫給這樣的讀者：你有一定的投資經驗，對科技趨勢保持關注，但苦於找不到一個系統性的框架來理解 AI 產業鏈的投資機會。你可能是主動型投資者、科技業從業者、金融從業者，或是對 Crypto 與 AI 交叉領域感到好奇的探索者。 如果你只想讀一本書來建立對 AI 基礎設施投資的全局認知，這本書是為你寫的。" 關於作者：李書沸（Chris Lee）現為 Merkle 3s Capital 與 XResearch 聯合創始人。曾任全球前三大加密貨幣交易所 OKEx CEO 及火幣集團 CFO，擁有超過二十年橫跨傳統金融、加密貨幣與科技投資的從業經驗。 感恩轉發、分享。#AI#

孙哥这次又开始下血本直接开始花钱买美股流动性了。 刚试了下HTX搞的TradFi交易挖矿，说实话有点离谱，别人交易交手续费。 HTX这次直接反过来发钱：Maker最高返110% Taker最高返105%。 意味着你去给美股市场挂单提供流动性，平台倒贴钱给你。 我刚刚自己开了一单体验了一下，还挺有意思，选来选去看中了美光MU，顺手开了一单！ TradFi一直是今年最大的叙事之一，RWA、美股上链、股票代币化，所有人都在讲故事。 但最大的问题一直没解决：流动性，没有流动性，再好的资产也只是个摆设。 所以HTX这次其实干了一件很简单粗暴的事：直接拿钱买流动性。 让更多资金进入TradFi交易市场，让盘口更深，让交易更活跃。 更狠的是活动期间产生的手续费收入，100%用于回购销毁HTX。 交易量越大，回购越多，价值捕获越强，这已经不是单纯的活动补贴了，而是在给TradFi生态做冷启动。 当然。 羊毛归羊毛，别为了赚返佣去赌方向。 赚补贴可以，接飞刀没必要。 毕竟市场上最舒服的交易永远是：方向对了赚钱，方向错了还有人给你发补贴。 😎 👇 我已经亲自体验了一单，只能说，今年各家都在讲TradFi，但真正开始砸钱抢流动性的，还真不多。