与「本多力」相关的搜索结果

中国老登资产崩盘：高端白酒、翡翠、珠宝、玉石、钻石、名表、古董、字画、红木家具、邮票、纪念币、文玩、天珠、茶叶、老钱币、老相机、传统豪车、学区房、别墅、商铺、公寓、收藏级烟酒、各种“越放越值钱”的实体收藏品…… 中国新登资产上场：BTC、黄金、VOO、QQQ、全球股票、AI月费、机器人、算力、数据、稳定币、数字资产、全球银行账户、海外券商账户、多本护照、长期居留身份、多国签证、全球公司、离岸公司、海外房产、全球保险、全球税务身份、跨境支付能力、多币种资产、海外现金流、个人品牌和IP、订阅收入、知识产权、健康、肌肉、睡眠、皮肤、抗衰、医疗科技、时间自由、地理自由、低负债、高流动性、随时切换国家和城市的选择权……

我越来越发现三个水枪手做的节目挺有意思，有的分析也挺有深度，这期通过对比中国、日本、美国的高校借阅榜和图书畅销榜，深入剖析了各国的阅读习惯，并得出了相对悲观的社会学结论。 一、 各国大学生及社会畅销书榜单对比 1. 中国：停滞在20年前的老书与网络爽文 山东农业大学（代表普通高校）：文学类前十名全是经典老书，如《杀死一只知更鸟》《嫌疑人X的献身》《活着》《我与地坛》《围城》。社科类前十名则充斥着“心理鸡汤”（《被讨厌的勇气》《蛤蟆先生去看心理医生》）以及《毛泽东选集》和多本《明朝那些事儿》。 清华大学（代表顶尖高校）：年度借阅榜单依然是《毛泽东选集》《红楼梦》《明朝那些事儿》《三体》《哈利波特》《平凡的世界》《乡土中国》《天龙八部》等老书。 社会总榜（当当网、微信读书）：无论怎么看，中国人买得最多的依然是这几本“老三样”（《活着》《三体》等），以及大量的教辅书、考公考证资料和儿童绘本。 网络文学榜：主播特别提到，中国大众真正阅读量极高的是晋江、起点等平台的“网络爽文”（如霸道总裁、修仙逆袭、耽美等），这些书名夸张，内容通常不需要深度思考。 2. 日本：更新极快，兼顾轻娱乐与深度哲学 东京大学：前十名借阅榜中包含大量的哲学、语言学和社科类科普书。例如《思考的整理学》（教导逻辑思维）、《闲暇与无聊的伦理学》（斯宾诺莎哲学普及）、《中动态的世界》（语言学概念），以及探讨犹太人历史的书籍。 社会总榜：日本是一大出版强国，畅销榜上的书几乎全是当年出版的新书。日本人的阅读面极广，既有海量的轻小说、推理小说、连载漫画等休闲读物，但同时，获得“本屋大赏”等严肃文学奖项的作品也能迅速在全社会大卖。 3. 美国：紧跟当下社会现实与人物传记 由于缺乏大学图书馆数据，主播主要参考了纽约时报和Goodreads的畅销榜。 非虚构类（Non-fiction）：美国人极度偏爱最新的人物传记和回忆录。榜单上充斥着格莱美得主、播客主持人、参议员的回忆录，以及关于苹果公司50年历史、AI（人工智能）前沿探索、神经科学等紧贴时代脉搏的书籍。 虚构类（Fiction）：绝大多数也是最新出版的当代小说、科幻小说（如《挽救计划》）和悬疑小说。 二、 各国人民读书习惯分析 1.美国人：通过阅读了解“现在” 美国社会的阅读习惯将其作为了解当下世界运行规律的重要窗口。读者渴望知道现在社会发生了什么，前沿科技到了什么地步，成功人士是如何思考的。因此，新出版的传记、科技科普和当代小说占据了绝对的主流。 2.日本人：将阅读作为公共生活习惯 日本人的阅读习惯是深入骨髓的。虽然在地铁上很多人看的是漫画或轻小说，但庞大的读者基数支撑起了一个健康的出版金字塔。即使是极其深度的社会学和哲学书籍，在日本也有稳定的受众。他们能够做到“娱乐阅读”与“严肃探讨”的并行。 终生阅读量极低：主播认为，绝大多数中国人可能一辈子就读了5-10本最著名的经典（如《活着》），一旦完成这些“打卡式”阅读，就不再接触新书，转而投入短视频的怀抱。中国缺乏一个持续为新书买单的成熟读者群。 功利与逃避：读书主要为了考试（教辅）或缓解心理压力（心理鸡汤）。 对真实世界的集体回避：中国读者极少阅读探讨当代社会现实深层次问题的新书或当代人物真实传记。底层大众更是沉迷于无需动脑的网络文学中寻找虚拟的情绪价值。 三、 原因 主播们在视频最后得出了一个非常悲观的结论：中国社会的整体深度阅读习惯正在走向崩溃。他们将这一现象归结为以下几个根本原因： 1.出版审查制度的负面影响：严苛的审查制度使得中国极难出版真实的当代人物传记或具有深度的非虚构社科著作（容易碰触历史定论和现实红线）。出版社为了规避风险，只能一遍遍地再版四书五经、四大名著等“安全”的老书。 2.缺乏专业权威的引导：中国缺乏像日本那样具有公信力的民间文学奖项来引导大众阅读严肃文学，导致图书市场“泥沙俱下”。 3.思辨能力的退化：在短视频的冲击和网文的包围下，年轻一代越来越排斥需要较高门槛、会带来阅读困难和认知挑战的深度严肃书籍。真正的“读书”（即通过阅读去质疑权威、探求历史真相）在中国具有一定的痛苦感甚至危险性，因此大多数人选择了回避。 PS: 1, 发达国家跟发展中国家其中一个最大的差异，还真的是民众的读书习惯和数量！多年前的一张图片，展示发达国家的人民在地铁里只看书不玩手机，后来被调侃为是因为外国的地铁手机信号差。其实信号差不差，发达国家的人民在地铁里读书的场景确实比发展中国家要常见的多。 2，发达国家的另外一个特点，就是各个群体的兴趣点非常的多样和庞杂，有喜欢看短视频的，也有喜欢看书的，相互之间基本影响不到，并且各个群体都非常的大，发展中国家就更趋于单一化，从众化。 3，我个人看书比较集中的时期只有一个就是高中阶段，为了找作文的金句和素材看通俗经典。后来大学时期以及出国后，开始看更多外国经典，但数量有限。

#Nikke# 💕 Nikke兔女郎主题写真本终于来咯🥰 实体本收录了五套兔女郎造型 这次尝试制作了更多亚克力周边 电子收藏集有额外的隐藏服饰哦💕

Andrej Karpathy 是 OpenAI 联合创始人、前特斯拉 AI 总监，也是全球最有影响力的 AI 研究者之一。他刚刚发布了一篇 2025 年 LLM 年度回顾。 第一个大变化：训练方法的范式升级 2025 年之前，训练一个好用的大模型基本是三步走：预训练、监督微调、人类反馈强化学习。这个配方从 2020 年用到现在，稳定可靠。 2025 年多了关键的第四步：RLVR，全称是 Reinforcement Learning from Verifiable Rewards，翻译过来就是「可验证奖励的强化学习」。 什么意思？简单说，就是让模型在「有标准答案」的环境里反复练习。比如数学题，答案对就是对，错就是错，不需要人来打分。代码也一样，能跑通就是能跑通。 这和之前的训练有什么本质区别？之前的监督微调和人类反馈，本质上是「照葫芦画瓢」，人给什么样本，模型学什么样本。但 RLVR 不一样，它让模型自己摸索出解题策略。就像学游泳，之前是看教学视频模仿动作，现在是直接扔水里，只要你能游到对岸，怎么划水我不管。 结果呢？模型自己「悟」出了看起来像推理的东西。它学会了把大问题拆成小步骤，学会了走错路时回头重来。这些策略如果靠人类标注示范，根本标不出来，因为人自己也说不清「正确的思考过程」长什么样。 这个变化带来一个连锁反应：算力的分配方式变了。以前大部分算力砸在预训练阶段，现在越来越多算力用于 RL 阶段。模型的参数规模没怎么涨，但推理能力飙升。OpenAI 的 o1 是这条路的起点，o3 是真正让人「感觉到不一样」的拐点。 还有个新玩法：推理时也能花更多算力。让模型「想久一点」，生成更长的推理链条，效果就更好。这相当于多了一个调节能力的旋钮。 第二个大变化：我们终于搞懂了 AI 是什么「形状」的聪明 Karpathy 用了一个很妙的比喻：我们不是在「养动物」，而是在「召唤幽灵」。 人类的智能是进化出来的，优化目标是「在丛林里让部落活下去」。大模型的智能是训练出来的，优化目标是「模仿人类文本、在数学题里拿分、在评测榜单上刷分」。 优化目标完全不同，出来的东西当然也完全不同。 所以 AI 的智能是「参差不齐」的，英文叫 jagged intelligence。它可以在某些领域表现得像全知全能的学者，同时在另一些领域犯小学生都不会犯的错。上一秒帮你推导复杂公式，下一秒被一个简单的越狱提示骗走你的数据。 为什么会这样？因为哪个领域有「可验证的奖励」，模型在那个领域就会长出「尖刺」。数学有标准答案，代码能跑测试，所以这些领域进步飞快。但常识、社交、创意这些领域，什么是「对」很难定义，模型就没法高效学习。 这也让 Karpathy 对基准测试失去了信任。道理很简单：测试题本身就是「可验证环境」，模型完全可以针对测试环境做优化。刷榜变成了一门艺术。所有基准都刷满了，但离真正的通用智能还差得远，这是完全可能发生的事。 第三个大变化：LLM 应用层浮出水面 Cursor 今年火得一塌糊涂，但 Karpathy 认为它最大的意义不是产品本身，而是证明了「LLM 应用」这个新物种的存在。 大家开始讨论「X 领域的 Cursor」，这说明一种新的软件范式成立了。这类应用做什么？ 第一，做上下文工程。把相关信息整理好，喂给模型。 第二，编排多个模型调用。后台可能串了一堆 API 调用，平衡效果和成本。 第三，提供专业场景的界面。让人类能在关键节点介入。 第四，给用户一个「自主程度滑杆」。你可以让它多干点，也可以让它少干点。 有个问题被讨论了一整年：这个应用层有多「厚」？模型厂商会不会把所有应用都吃掉？ Karpathy 的判断是：模型厂商培养的是「有通用能力的大学毕业生」，但 LLM 应用负责把这些毕业生组织起来、培训上岗，变成能在具体行业干活的专业团队。数据、传感器、执行器、反馈循环，这些都是应用层的活。 第四个大变化：AI 搬进了你的电脑 Claude Code 是今年最让 Karpathy 印象深刻的产品之一。它展示了「AI 智能体」应该长什么样：能调用工具、能做推理、能循环执行、能解决复杂问题。 但更关键的是，它跑在你的电脑上。用你的环境、你的数据、你的上下文。 Karpathy 认为 OpenAI 在这里判断失误了。他们把 Codex 和智能体的重心放在云端容器里，从 ChatGPT 去调度。这像是在瞄准「AGI 终局」，但我们还没到那一步。 现实是，AI 的能力还是参差不齐的，还需要人类在旁边看着、配合着干活。把智能体放在本地，和开发者并肩工作，才是当下更合理的选择。 Claude Code 用一个极简的命令行界面做到了这一点。AI 不再只是你访问的一个网站，而是「住在」你电脑里的一个小精灵。这是一种全新的人机交互范式。 第五个大变化：Vibe Coding 起飞了 2025 年，AI 的能力跨过了一个门槛：你可以纯用英语描述需求，让它帮你写程序，完全不用管代码长什么样。Karpathy 随手发了条推特，给这种编程方式起了个名字叫 vibe coding，结果这个词火遍全网。 这意味着什么？编程不再是专业程序员的专利，普通人也能做。这和过去所有技术的扩散模式都不一样。以前新技术总是先被大公司、政府、专业人士掌握，然后才慢慢下沉。但大模型反过来，普通人从中受益的比例远超专业人士。 不只是「让不会编程的人能编程」。对会编程的人来说，很多以前「不值得写」的小程序现在都值得写了。Karpathy 自己就用 vibe coding 做了一堆项目：用 Rust 写了个定制的分词器、做了好几个工具类 App、甚至写了一次性的程序只为找一个 bug。 代码突然变得廉价、即用即弃、像草稿纸一样随便写。这会彻底改变软件的形态和程序员的工作内容。 第六个大变化：大模型的「图形界面时代」要来了 Google 的 Gemini Nano Banana 是今年最被低估的产品之一。它能根据对话内容实时生成图片、信息图、动画，把回复「画」出来而不是「写」出来。 Karpathy 把这件事放到更大的历史脉络里看：大模型是下一个重大计算范式，就像 70 年代、80 年代的计算机一样。所以我们会看到类似的演进路径。 现在和大模型「聊天」，有点像 80 年代在终端敲命令。文字是机器喜欢的格式，但不是人喜欢的格式。人其实不爱读文字，读文字又慢又累。人喜欢看图、看视频、看空间布局。这就是传统计算机为什么要发明图形界面。 大模型也需要自己的「GUI」。它应该用我们喜欢的方式跟我们说话：图片、幻灯片、白板、动画、小应用。现在的 Emoji 和 Markdown 只是初级形态，帮文字「化个妆」。真正的 LLM GUI 会是什么样？Nano Banana 是一个早期暗示。 最有意思的是，这不只是图像生成的事。它需要把文本生成、图像生成、世界知识全部绞在一起，在模型权重里融为一体。 Karpathy 的总结是这样的：2025 年的大模型，比他预期的聪明，也比他预期的蠢。两者同时成立。 但有一点很确定：即使以现在的能力，我们连 10% 的潜力都没挖掘出来。还有太多想法可以试，整个领域感觉是敞开的。 他在 Dwarkesh 的播客里说过一句看似矛盾的话： > 他相信进步会继续飞速推进， > 同时也相信还有大量的工作要做。 两件事并不矛盾。2026 年系好安全带继续加速吧。

关于对山寨币的看法迭代和进化： 经历过币市两个周期以上的老人，对过去大周期内千币齐飞、鸡犬升天的情景估计很怀念，本周期走到现在很多人其实是破防的，小币涨的慢跌得快一波回到解放前。从三月份到现在我自己对小币的认识也是逐步进化的，今天正好把之前的推文梳理下 1、三月份认为这一周期山寨季可能是是很温和的， 温和在于走势上振幅很大，进三退一或者进三退二是常态。没想到一语成谶，四月以来很多山寨币腰斩，跌了六七成比比皆是，真是涨三倍跌两倍甚至幅度更大。 核心原因就是： 大饼etf来的资金只拥抱大饼； 体量太大、我应该是最早从市值角度看未来的走势，这一周期几十亿美金起步，百亿美金非常多、体量越大幅度空间自然被压缩了。 2、在四月从美股当下分化的状态推演提出了币市新常态 结论是：越来越成熟的市场，有效性越来越强。有效性的体现就是最具成长性（叙事）和确定性的标的一定是吸引了最多的注意力和资金，要知道资本市场的马太效应非常明显，未来币市这方面体现的也会非常彻底，那么分化会越来越严重。 美股5000家公司后面3000家平均市值8亿美金、日交易量不到200万美、这是一个非常惨痛的事实。美股的分化也不是今年才形成的、也是持续了好多年。币市新常态未来也会如此 3、如果用美股类比、那么未来币市结构就很清晰了 美股现在分层很严重：领头的Big3和Mag7，中间近百家二线市值股票，然后几千家中小市值股票。如果硬要类比，大饼、以太、bnb、sol这些强势主流更像是美股二线市值股票，过去一年多表现很不错涨的不少回撤幅度也还可以，之前也能跟上Big3和Mag7。 其余币市山寨其实更像是罗素2000指数（美股小盘股代表性指数），从底部涨了一些但是很快就泄了、距离前高还有相当距离（不过近期因为降息预期罗素2000稍微彪了下、币市山寨还在趴着）。 4、当下山寨的困境是如何发生的 上一周期的火热极大地催生了crypto vc的体量，VC体量越大就越难以投小项目再加上我也是有一帮背景非常好的创始人入场，联手推高一级市场估值，今年发现市场流动性并不充溢、二级根本接不住这么高的市值。 再一个就是应用落地遥遥无期，市场受够了重复造轮子且没有价值创造 5、新常态下如何投资 币市投资以前重择时（大周期底部或者一波大行情起步阶段，大饼引领后小币齐飙），以后就是择时和择币并重（标的筛选重要性远胜以往） 而且要明确大家以前想象的山寨季是鸡犬升天，实际上未来山寨季可能只限于那些主线叙事逻辑板块的龙头，然后大部分小币可能就是一波流，来的快去得快。 6、如果再结合未来一两年有限度宽松的基准情景 分化和结构化市场可能依然会出现，市场宽度也会部分扩大从极度集中扩大到少部分确定性和成长性兼具的标的上。 漫天押注可能就不是好的选择了，降低预期把仓位集中在少数共识度强、流动性高的标的上可能是最稳妥的选择。

老实说，玩推特这么久，对美国的各种美好滤镜全都碎了，之前觉得美国是自由、民主、科技的象征，现在觉得就那样吧。 认识的很多朋友，大家到了一定年纪/有一定财力后，不约而同开始规划「身份问题」，无疑都是先去 HK/新加坡，如果本就在 HK/新加坡的人，会觉得当地拥挤、生活质量低，又想移民美国。 在美国的华人呢，开始抱怨税收、种族歧视，刻板印象等等。就连黄仁勋这样，从洗盘子到世界第一大公司 CEO，最伟大美国梦的主角，都能因为美国党派之争被干掉，牺牲于政治，有些问题，或许不止一个国家有，也不是移民就能改变的。 特朗普嘴上说着，建算力中心，发展 AI 为了美国，但回头把算力中心建在社区里；说发展 Crypto 行业，结果自己是那个最能掏池子的人。每次看 SEC、CFTC 发各种政策的时候，都要附和一句——我们伟大的特朗普总统领导......真绷不住。 民主党也不遑多让，什么品种的人，上台第一天能喊出限制 AI 发展，并在几天后将亲共和党的企业 CEO 连续清算，就算你掌握全球芯片命脉。在美国加密法案审查中，民主党靠银行业的背后支持，让加密行业存活这么多年，依旧没有法律参考。理由只有——特朗普掏太多钱了！ 美国的党派之间内斗，大于行业发展，大于国家未来，大于人类命运。有用之才像黄仁勋，必须 2 选 1，过几年反复横跳清算，当台的就是不好，台下的永远是最好的。但说白了，共和党是少数人的共和，民主党也是几个人的民主。 我不是说，自己所在的国家有多好，中国也有各种各样的问题，有些方面，做的还不如美国，但就个人来说，可以在这里吃到自己喜欢的食物，家人朋友也都在身边，我觉得已经很幸福。 我曾在欧洲住过半年，生活非常难受，交通不方便，食物吃不习惯，晚上不敢出门，朋友仅有工作上的同事，每周末一个人在家里发呆，要多无聊又多无聊，还会偶尔看见商铺“中国人不得入内”的牌子，出去之后，并没有觉得外面的世界有多好。（旅游倒是挺推荐，风景不错） 对于我来说，花很多时间精力折腾移民，最后发现生活质量和心态并没改变多少，属实没必要。

比特币跌完了没有？ 这是这两天被问得最多的一句话。 价格已经跌破七万二了。 先说这一跤怎么摔的。 导火索是英伟达。盘前传出黄仁勋要走，AI 那条线先晃，币就跟着往下掉。 但这一周跌8.55%，不是今天才开始的。 从八万附近一路掉下来， 背后压着三件事： 通胀数据不好看、 12月可能要加息、 还有 ETF 一直在往外流。 有意思的是， 同一家数据公司，一周之内给了两个完全相反的信号。 一个说：现在糟到极点。 一个说：这个位置，历史上就是底。 先说第一个。 它给比特币打了个分，满分100， 把全网的数据拢在一起算出来一个数。 10月13日，90分。 现在，0分。意外吧。 上一次这么低是2025年4月，20分。 就在那个月，比特币见了底：4月7日，最低74420。 分数回到80的时候，币价已经涨回九万四上方。 这次比那次还低。 第二个信号：想买的人变少了。 过去30天，市场上的买入需求少了28万个币。 这个量级以前只出现过两次： 2025年3月，2026年6月到7月。 两次都在阶段性底部附近。 6月那次，底就是五万八千五。 第三个信号：赌跌的人在加码。 价格一路跌， 全网还没平掉的赌单（持仓量）却没减少， 反而回到了9月的水平。 说明跌的时候，还有人在往里加。 加的那一边，多半赌的是继续跌。 这一条是推断，不是数据。 赌跌的人越多，一反弹就得买回来平仓。 这一买，就是往上推的力。 但另一边，三个数在唱反调。 第一个，美国人没接货。 同一枚币，在美国买比在亚洲买便宜。 正常情况应该反过来。 这种便宜已经持续30天，是2月以来最深的。 第二个，场内的钱在跑。 币圈里的现金（稳定币）30天少了142亿美元， 是2022年6月以来跑得最快的一次。 现金少了，说明有人在提钱走。 第三个，最近买币的人几乎都在亏。 最近这批买进的币，只有35%还在赚钱。 剩下的一大半在等回本。一回本，他们就要卖。 两边都是硬数据，谁也说服不了谁。 所以别猜，看三条线。 第一条，七万六千四。 这是过去一年所有人的平均买入价。 价格在它下面，说明过去一年买的人整体还亏着。 这时候一涨，回本的人就往外卖，涨不上去。 站上它，才说明新钱真的进来了。 站不上，涨一点就被卖回来，这就是假涨。 第二条，七万三千二。 这是过去200天的平均价，行内叫200日均线。 跌破它，等于过去两百天买的人，平均都在亏。 亏的人等回本要卖，止损的单子也会在这一带被触发，两股卖压一起压下来，跌得更快。 所以这条线分的是： 只是跌一下，还是要继续往下走。 第三条，五万八千五。 这是今年6月的低点，也是8月这波涨的起点。 七万三千二到它之间，没有更硬的支撑。 跌破七万三千二，下一个能站住的地方就是它。 跌破它，8月以来的涨幅全部作废，等于回到8月的起点。 那为什么很多人说七万三是底？ 当然现在这个说法已经让人没多大信心了。 但这两条不相干的线，正好压在一起。 一家机构标的地板价，七万三。 另一家的200日均线，七万三千二。 两个数几乎重合。 历史上那两次需求骤降， 价格也都是在这附近止住的。 但也只是“附近”。 尽管比特币价格71022左右了。 七万三不是谁规定的底， 是两条线刚好撞在一起。 守住，它是这波暂时的底。 守不住，它只是半山腰。 那接下来就是五万八千五， 突然觉得好像不太真实了哈哈。

pearl-2:native 显卡挖矿收益榜：RTX 5090 日赚 37.82 元，RTX 5070 回本最快 PRL (Pearl) 显卡挖矿收益榜单更新。按照 91 挖 11 月 11 日的数据，以电价 0.7 元/度计算，目前榜单列出的 11 款主流显卡均为正收益。 收益最高的仍是 RTX 5090，日净收益约 37.82 元，每日产出 4.58 PRL，但按当前卡价 29,799 元计算，回本周期约 26.3 个月。 其他热门型号： - RTX 4090 24GB：日净收益 32.24 元，回本约 22.4 个月 - RTX 5080：日净收益 21.82 元，回本约 14.9 个月 - RTX 5070 Ti：日净收益 19.52 元，回本约 13.1 个月 - RTX 4080 Super：日净收益 17.91 元，回本约 16.6 个月 - RTX 5070：日净收益 13.57 元，回本约 12.7 个月 - RX 9070 XT：日净收益 10.45 元，回本约 17.5 个月 从回本周期看，RTX 5070 反而是榜单中回本最快的型号，约 12.7 个月；RTX 5090 虽然每天挖得最多，但购卡成本也更高。 需要注意，以上收益按 0.7 元/度电价计算，尚未扣除 3% 矿池费，也未计入托管、折旧及币价波动。挖矿收益不等于实际投资回报，PRL 价格和全网算力变化都会影响最终回本周期。

初代礦工 - 神魚，是我最敬佩的幣圈前輩之一。 不管是挖礦還是 DEFI 都顯示出他超前的認知。 這集 18 分鐘演講他分享了他使用 AI 的認知，我仔細看完後又用 AI 拉逐字稿分析，總結出以下核心認知，分享給大家： 1 同一份資訊，看到多少 insight ，取決於你有多少算力，用得對不對。 人腦算力和時間有限，只能抽出很少的 insight； 藉助 AI 能夠瞬間調用大量算力，同一份資訊就能看出更多東西。 了解這個底層邏輯，你就可以在各個領域超前創造額外價值。 2 三個世界稀缺的東西不一樣。 實體世界缺位置（房地產）， 網路世界缺注意力（流量）， AI 世界缺的可能是品味和判斷力（AI 無法取代的能力）。 3 花 Token 是在買時間。 讓 AI 把每本書壓成一頁簡報、把一個學科做成知識圖譜；讀不懂的書讓 AI 照他的背景和經歷改寫。 4 讀書要雙軌並行。 知識進得快但沒有真的進腦子。所以一邊讓 AI 抽結構，一邊自己反覆精讀。 他拿健身房來類比：體力勞動被機器取代後大家上健身房，腦力也需要類似的鍛鍊。 5 讓 AI 當鏡子認識自己。 他從玩龍蝦就開始讓 AI 寫人格設定檔，回頭整理自己的經歷給 AI 讀。 AI 回他一封信，他看完哭了很久。 之後每天花 10 到 20 分鐘讓 AI 找他前一天的工作盲區。 AI 讀完他的交易紀錄還問他：你是在做交易，還是在滿足心理需求。他想了兩天大徹大悟，承認是後者，決策品質從此好了很多。 6 人和 AI 協作像層層回路。 人負責講清楚要什麼、給足背景； AI 團隊去試、回饋、沉澱成方法。 兩個關鍵旋鈕： 每一步交給 AI 多大的任務（太大它會變笨，太小就像一直開會不做事）、多久回饋一次。 系統越自動，人越關鍵：目標偏一點，下面全部白費。 7 他自己的變化。 體感生產力增加約十倍，最關鍵的是性格變了，從不擅長抽象思考變成偏向抽象思考。 8 很強的個人放進傳統組織反而變差。 團隊產出被組織裡最窄的瓶頸卡住，個人再強也沒用，所以要變成以 AI 為本的公司，組織的做法得改。 9 他們公司怎麼做。 每個員工配一個 AI 同事，大量協作由 AI 之間溝通，不用開會拉齊。 他拋出靈魂拷問：如果 AI 之間都能即時協商，公司的邊界還存在嗎？ 10 人生只有三件事。 吃飯、睡覺，剩下就是用好算力。 對外看懂世界、對內看懂自己。 11 AI 給他的十年建議。 守住自己的資料和私鑰； 趁父母還在、孩子還願意牽你的手，去遠行； 每半年檢查一次自己的預測邏輯，自負是很貴的漏洞； 吃真正的食物、把可被攻擊的破口縮到最小。 每天問自己：用好 AI 之後，你的一天有沒有變得更充實更有生產力。

好莱坞著名影星本·阿弗莱克（Ben Affleck）讲起 AI 来，居然头头是道，各种专业名词随手拈来。 在 GQ 这段访谈里，他从卷积神经网络、Transformer、张量，一路聊到反向传播、注意力层、感知机、推理，以及随机性计算和确定性计算的区别。中间还穿插着 Python、GPU、边缘检测、特征提取、训练数据标注。主持人听到一半忍不住打趣：谢谢你这样跟我讲，仿佛我真的听得懂。 他是怎么走到这一步的？ 按他自己的讲述，他从小就喜欢电脑。后来电影制作从胶片转向数字，他开始更深入地接触技术。在创办 Artists Equity 之前，他还经营过一家小型视觉特效公司，经常接触 GPU 和机器学习。 他学 AI，是从电影里的画面怎么处理开始的。一帧图像可以表示成张量，里面包含帧编号、每个像素的 RGB 数值等信息。通过卷积神经网络识别边缘、提取特征，就能判断窗台在哪里，帮助绿幕抠像、替换背景。他也会自己写 Python 脚本，不过按他自己的评价，编程水平挺烂的。 后来，特效团队告诉他，Google 和 OpenAI 正在用 Transformer 做一些很有意思的视频技术。他就直接联系这些公司，问能不能去看看。 第一次看到生成视频的效果，他受到的冲击很大，马上给马特·达蒙打电话，觉得他们的职业可能要完了。一度甚至想着，趁现在赶紧把还能拍的电影拍完。 但他没有停留在这个震撼里。接下来，他又和工程团队坐下来，研究训练数据、标注方式，以及这些系统到底能控制到什么程度。 他发现，生成出来的画面虽然逼真，但控制性和一致性仍然存在问题。你要求移动摄像机，模型有时会直接在画面里生成一台摄像机。对普通观众来说，一段惊艳的视频可能已经足够；但对电影制作来说，镜头、场景和连续性都得能够按照创作者的意图精确调整。 研究数据的过程中，他觉得技术团队忽略了一件事：电影拍摄本身就能产生大量有组织的原始数据。与网上抓取的压缩视频相比，专业拍摄流程里还有很多可以主动采集、组织和利用的信息。 于是，他拿出资金，另外成立了一家公司，花了好几个月构建自己的数据集。按他的描述，团队使用大量摄像机、激光雷达和定位设备，结合 Unreal 引擎与虚拟摄影棚，采集用于 AI 图像生成的数据。他随后招募了工程师、推理专家、数据架构师和视觉特效人员，把这件事继续做下去。 他特别在意训练数据的来源。拿同行的作品训练模型，再告诉对方模型的部分能力来自他们的创作，他觉得不舒服。他希望通过自己制作数据，减少对这类素材的依赖，也让电影人对使用这些工具更安心。 这家公司就是 InnerPositive，现在已经被 Netflix 收购。能看出来的是，他已经真正参与到数据、技术团队和产品用途的讨论里，而不只是为公司挂个名字。 他对当今最热门的话题 AI 安全也有自己的看法。他不认同 AI 必然变成“天网”、接管世界的说法，但很警惕把不可预测的系统放进涉及人生死的决策中，比如武器目标选择、自动安保。 他的理解是，我们过去习惯了像计算器一样工作的电脑，期待它每次都给出确定的结果。生成式 AI 的工作方式不同，输出具有随机性，不能因为它经常表现得很好，就把关键控制权交给它。 至于创作者对 AI 的恐惧，他觉得完全可以理解。一个人被告知自己的饭碗即将被取代，当然会担心。科技公司一边宣称要消灭大量工作，一边又期待大家热情拥抱自己的产品，这本身就很难说得通。 他还提出了一个判断未来预测的方法：先看看这个人过去的预测，究竟兑现了多少。宣布人类即将完蛋，很容易获得关注；真正把工具做得可控、让使用者放心，需要更具体的工作。 他还把 AI 安全落到了公司的责任上：如果你的产品伤害了别人，公司就得承担法律责任。在他看来，这是约束这场技术竞赛的重要力量。企业有动力不断提升能力、抢市场、赚更多钱，也必须为产品造成的后果负责。