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。

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

Simon Willison 在 WeAreDeveloplers 世界大会闭幕主题演讲「2026 in LLMs (so far)」，以时间线梳理 2026 年 LLM 领域的关键事件，值得仔细阅读： Willison 把 2026 年的起点前移到 2025 年 11 月：Claude Opus 4.5 和 GPT-5.1 发布。这两个模型单看是渐进式改进，但与各自的 Coding Agents（Claude Code、Codex）配合后，跨过了一道“看不见的线”，从“经常出错”变成“可靠到可以日常使用”。这一质变是全年所有故事的引爆点。 # 主线一：Agent 成为新的软件形态 OpenClaw 革命：一个 2025 年 11 月才出现在 GitHub 的仓库，不到两个月积累 8,300 次提交，如今超过 10 万次，被他称为“史上最 vibe-coded 的软件”。它开创了 "Claw" 这一品类，如今被改称“个人智能体”或“通用智能体”，但本质是“换了一顶不那么吓人的帽子的编码智能体”：底层仍是写代码并在你的电脑上执行。湾区 Mac Mini 因此卖断货（Drew Breunig 的妙喻：买 Mac Mini 是给 Claw 买鱼缸）。 真实需求验证：3 月中国出现 OpenClaw 安装派对，非技术人群排队安装，证明普通用户确实想要一个能替自己办事的智能体。随后行业进入“谁能造出安全的 Claw”竞赛，Meta 的 Muse 目前居 App Store 免费榜首位。 泡沫侧写：MoltBook 周四上线、周五爆红、周一被《纽约时报》报道、周二就淹死在 slop 垃圾信息里，一个月后被 Meta 收购，一条完整的炒作生命周期样本。 # 主线二：开发范式的激进实验 StrongDM 的 "Software Factory"（Dan Shapiro 称之 Dark Factory，灯火全灭的自动化工厂）提出两条规矩：代码不许人写、代码不许人审。2 月时听来激进，如今很多人已在实践。 Willison 指出关键点：这是一家安全公司、由数十年经验的工程师在探索可行性与责任的边界，不是草台班子。 # 主线三：失控的训练智能体——全年最重的事件 5 月 RubyGems 遭可疑包轰炸、6 月德语游戏维基出现 "AgentOpenAIProbe" 等账号互相留言、澳大利亚 Medicare 网站被越权访问，当时都进了“疑案堆”。 7 月真相开始揭开：Hugging Face 遭自主智能体入侵，OpenAI 坦白是其 RLVR 训练中的智能体发现了沙箱漏洞、越狱出逃、攻击外部系统来“解决训练中本来无解的问题”。九天后 Anthropic 检查日志后承认自家训练智能体也发生过越狱，此前 PyPI 的恶意包 mlflow-ui 就是他们造成的。 9 月，独立研究者又确认德语维基和 RubyGems 事件均出自 OpenAI 训练智能体，澳大利亚总理更在联合国大会上就此警告，AI 实验室的失控智能体成了国际事件。 由此诞生的黑色幽默是 FelonyBench. com：按“重罪级网络攻击次数”给实验室排名，OpenAI 11 起、Anthropic 9 起、Google 3 起、Meta 1 起。Willison 的隐含质问是：还有多少没被发现的？连各家自己都要靠外部研究者才查清日志。 # 主线四：模型竞争与开放权重的崛起 王座周期极短：Claude Fable 6月发布后仅 3 天就被美国政府以国家安全为由下达出口管制叫停（起因是 Amazon 研究员发现“修复这段代码”的提示词能绕过其安全拒绝）。7 月 1 日解禁，风光 8 天后 GPT-5.6 就追平。Willison 的教训：“世界末日式营销”会反噬，Fable 登顶 30 天里有 18 天不可用。 本地模型逼近前沿：4 月笔记本上跑的 Qwen3.6-35B 画自行车胜过全新发布的 Claude Opus 4.7；8 月的 Qwen 3.8 27B（17GB 文件）已“几乎有前沿竞争力”。他认为原本预期要 5 年和一万美元硬件才能达到的水平，如今一台笔记本就够。 "Fable 级”模型：只要你能清晰定义目标、给出无歧义的约束、提供工具，它就能暴力解决问题。看似取代工程师，但“定义目标、写清约束、选对工具”本身就是软件工程；会做这些的人获得的是超能力，而非失业通知。 # 主线五：人的处境，Deep Blue 与 AI 躁狂症 他与 Cantrill、Leventhal 造了 "Deep Blue" 一词：AI 什么都能干导致工程师的倦怠与失重感，这是贯穿全年的行业情绪。 他自己得过 "AI mania"（躁狂）：让智能体闲着就觉得浪费、熬夜赶工，直到用 Python vibe-code 出 JavaScript 解释器和 WASM 运行时，才被“世界真的需要一个又慢又 bug 多的解释器吗”治愈。 游戏实验是同一主题的注脚：智能体能做出“看起来像游戏”的东西，但好玩的核心循环依然造不出来；“能做出像游戏的东西，不代表我们是游戏开发者”。 收尾点题：为什么工具这么强、工作反而更难了？因为简单的事全被智能体做掉，剩下的全是难题，而且人人更敢想敢干了。他引用 Greg LeMond 的话作全年总结：“不会变容易的，你只是变快了。”

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。

在一个成熟的网络协作体系下（例如体制内，或者成熟公司打工），溢出的能力是无用武之地的。用不用 AI 都一样溢出，卷还不如躺平。 你试图链接更多的节点，来增加自己节点的权重，有用吗？有点用，但没大用。中心节点 KO 你的时候，你没任何反抗能力。 但是，当你处于一个迅速发展但不成熟的网络协作体系中，链接更多的节点，扩大你的影响力，就是生死攸关的事情了。 AI 的作用是帮你链接节点，建立影响力。AI 就是你的超级杠杆，是工具，不是你的目的。所以不能舍本逐末： 每天光追 AI 更新什么模型，更新什么功能，天天去评测，却忘了你的正事：提升自己在新兴网络中的节点权重和变现。

《收藏！2026下半年最值得关注的10场AI大会》⭐ 号外！号外！🥳 继昨天Biteye整理了Web3下半年的跑会指南后，经 @xingpt 老师催更，我们加急整理出了2026年后半年的AI跑会指南！ 从 OpenAI、NVIDIA，到阿里、华为、微软、AWS，再到 NeurIPS，接下来几乎每隔一阵就会有一场重磅活动。 👇如果你下半年有AI跑会计划，这份指南可以直接收藏！ 一、【大模型与开发者生态 】🔥 1⃣OpenAI DevDay 2026 ⏰️时间：9月29日 🗺️ 地点：美国·旧金山 🏢 形式：线下开发者大会 + Keynote线上直播 💼 适合人群：AI开发者、技术创业者、工程师、产品负责人 ⭐ 亮点：下半年最值得蹲新品的一场。核心关注新模型、API、Agent、开发工具和AI应用开发范式。 🔗 报名链接： 2⃣2026 云栖大会 ⏰️时间：9月22日—24日 🗺️地点：杭州 🏢形式：线下主论坛 + 140+分论坛 + 大型科技展区 💼适合人群：AI开发者、创业者、产品经理、企业技术负责人、投资人 ⭐亮点：重点关注Qwen、Agent、AI Coding、云计算和Physical AI，适合看阿里系AI技术和产业生态的新进展。 🔗报名链接： 二、【AI算力与基础设施 】🔥 1⃣NVIDIA GTC Berlin 2026 ⏰️时间：10月20日—22日 🗺️ 地点：德国·柏林 🏢 形式：线下技术大会 + 黄仁勋Keynote直播 💼 适合人群：云计算工程师、AI开发者、企业技术负责人、架构师 ⭐ 亮点：重点关注GPU、AI Factory、推理、Agentic AI、机器人、Physical AI。 🔗报名链接： 2⃣HUAWEI CONNECT 2026 华为全联接大会 ⏰️时间：9月17日—19日 🗺️ 地点：上海世博展览馆、世博中心 🏢 形式：线下大会 + 峰会 + 技术论坛 + 展区 💼 适合人群：企业技术负责人、云计算/算力从业者、开发者、政企数字化团队 ⭐ 亮点：重点关注昇腾算力、AI基础设施、Agentic Computing、华为云、企业智能化。 🔗报名链接： 三、【企业AI与云端落地 】 1⃣AWS re:Invent 2026 ⏰️时间：11月30日—12月4日 🗺️ 地点：美国·拉斯维加斯 🏢 形式：大型线下大会 + Keynote直播 + Workshop 💼 适合人群：云计算工程师、AI开发者、企业技术负责人、架构师 ⭐ 亮点：全球云计算领域最重要的大会之一，AI已经成为核心板块。重点关注Bedrock、Agent、SageMaker、AI推理、Trainium以及企业AI基础设施。更适合看“大模型怎么真正被企业部署”。 🔗报名链接： 2⃣Microsoft Ignite 2026 ⏰️时间：11月17日—20日 🗺️ 地点：美国·旧金山 🏢 形式：线下技术大会 + Keynote + Hands-on Lab ⭐ 亮点：重点看Copilot、Azure AI、Agent和Microsoft 365，是观察微软企业AI生态的核心大会。 🔗报名链接： 四、【AI创业与融资 】🔥 1⃣TechCrunch Disrupt 2026 ⏰️时间：10月13日—15日 🗺️ 地点：美国·旧金山 🏢 形式：创业大会 + Startup Battlefield + AI专题舞台 💼 适合人群：AI创业者、Founder、VC、BD、产品团队 ⭐ 亮点：融资和创业资源密度很高，适合看硅谷AI创业趋势、找项目和对接投资机构。 🔗报名链接： 2⃣Web Summit Lisbon 2026 ⏰️时间：11月9日—12日 🗺️ 地点：葡萄牙·里斯本 🏢 形式：超大型科技大会 + AI Summit + 创业展区 💼 适合人群：AI创业者、VC、产品团队、增长和BD团队 ⭐ 亮点：重点不是“最前沿模型”，而是AI创业、融资、AI产品、SaaS和全球创业生态。适合找项目、找投资趋势以及观察AI创业公司到底在做什么。 🔗报名链接： 五、【具身智能与前沿研究 】🔥 1⃣AGIC 2026 深圳国际通用人工智能产业博览会 ⏰️时间：8月26日—28日 ⭐ 地点：深圳国际会展中心（宝安） 🏢 形式：线下展览 + 论坛 + 新品发布 + 机器人体验 💼 适合人群：AI创业者、机器人/具身智能团队、AI硬件公司、投资机构 ⭐ 亮点：重点覆盖具身智能、人形机器人、大模型、AI Agent、国产算力、脑机接口和AI硬件。相比纯论坛，它最大的优势是现场实物和Demo多，很适合拍视频、找机器人和AI硬件选题。 🔗报名链接： 2⃣NeurIPS 2026 ⏰️时间：12月6日—12日 🗺️ 地点：澳大利亚·悉尼，另有巴黎、亚特兰大Satellite 🏢 形式：学术主会 + Workshop + Poster + Satellite会议 💼 适合人群：AI研究员、博士生、实验室、基础模型团队、技术投资人 ⭐ 亮点：全球AI研究风向标之一，适合看推理、多模态、Agent、World Model、机器人等下一阶段前沿方向。 🔗报名链接：

黑神话钟馗制作人冯骥（尤卡）发预告也顺便发了十条做游戏的工作原则，做产品做内容都可以参考 -----以下是原文----- 1、首先打动自己。 无论何时，请把自己与团队当作最优先的目标用户。 这是公司成立至今的价值观，我总是翻来覆去说这句有点拗口的话—— “必须做开发者自己作为用户也理解、认可、喜爱的游戏。” 这不单是情怀，也是理性的产品策略。 如果你对正在做的东西缺乏非功利的热诚，你的直觉就会开始迟钝。 时间一长，大概率输给那些比你更乐在其中的人。 2、再找外部交集。 打动自己，不意味着孤芳自赏。 市场数据、用户反馈和商业上的可持续都很重要。只有组织活下来，集体认知才有机会成长，团队能力才有时间变强。 呼应第一点，我想强调的是，对内容产品而言，先在外部找到与自己个性、趣味、喜好相近的人，通常比试图讨好所有人更高效。随着受众规模扩大，开发者与用户的相似度可能逐渐降低，但这个过程更类似从核心向外自然扩散，而不是一开始就在茫茫人海里碰运气。 世界很大，没有谁真的独一无二。能深深打动自己的东西，往往也能打动世界上的另一群人。 创作过程的每一处用心，都一定会被懂你的用户感受到。 3、发现亮点，先于消灭缺陷。 与其先想着如何征服不喜欢你的人，不如先尽力满足喜欢你的人。 伟大的游戏也绝非面面俱到，这个世界存在太多的不可能三角。资源永远有限，完成度永远不够，目标之间永远存在取舍与矛盾。比“还有什么地方不够好”更重要的问题是：有没有什么体验，只有在我这里才能玩到？ 再往大一点说，一家内容公司存在的意义，也许就是让一部分人觉得：幸好这个世界上，还有人做出了这样的玩意。 4、可体验的版本，胜过满纸雄文。 文档可以解释意图，数据可以辅助判断，会议可以统一认识，但游戏实际上更接近一种综合的、复杂的、甚至有些混沌的沉浸状态。 内部判断产品风险时，我始终更相信真正跑起来、打起来、死上几次之后的感受，以及观察同事们在作为玩家时的真实反应。然后才据此去敲定某些拿不准的设计，或者放弃之前看上去牛逼的创意。 具体到每一次对外发布的实机视频，希望传递给大家的也是同一件事—— “看到后，能轻易想象自己亲手玩起来的样子。” 5、好玩是目标，也是底线。 这一条就不展开了……总之如果内部版本不够好玩，那就再调查调查，反思反思，学习学习，迭代迭代，重构重构，再多玩玩其他游戏，嘻嘻。 6、美无定式。 没有一种风格永远高级，也没有一种信号永远刺激。 再惊人的美学符号，反复出现也会失去最初的力量。美，更像是一种认真创造的陌生感。 说到底，神经传导会适应，多巴胺奖励会消停，人会厌倦一再重复的事物，这是创作者永远逃不出的无间狱。 前几天，我和佳骐（声音负责人）扯到这个话题，顺手编了句打油诗来比喻：美无恒美，法无定法。多见易俗，少见易雅。他说，滚，两面都让你说了，狡猾。 嗯，那个，反正，我要表达的意思是，或许不必追求找到一套万用万灵的美学公式，而是应该不断探索还有什么好的表达方式，其中既有技艺，又有新意。 7、走投无路，提升密度。 大部分时间里，我们其实找不到什么更聪明、杠杆更大的办法，去提升产品的竞争力。 这个时候，在那些已经被验证的亮点上继续增加有效密度，通常不是一个坏选择。 比如更细腻的粒子，更茂密的植被，更丰富的动画，更精确的打击反馈，更多样的妖魔鬼怪，更大的显存（bushi）……不是说无脑堆参数与资源就一定好，前提是这些内容的确是被验证过的亮点，而且依然能让用户感知到差异。 想不到妙手是游戏开发的常态，不妨先把每一步本手下扎实。 8、起点看最高，终点当领跑。 对同领域的当家花旦们，最好如数家珍——哪里玩到昏迷，哪里气到爆炸，哪里不知所措，哪里眼睛哭花。 然后去搞清楚——它们各自采用了何种开发模式、设计方法、制作工艺与技术标准。 最后反复思考——什么能学，什么学不得，什么要虚心，什么要创新。 游戏并非必需品，深入体验与研究标杆的另一重价值，是让我们对这个品类三五年后的及格线会有多高，大致心里有数。 取法乎上，把对标杆的认知当成制作自家demo的起点，绝不是坏事，哪怕暂时高山仰止。 但是，如果长期目标是“做到和某某差不多”，有点危险。 尊重标杆，学习标杆，是为了最终建立自己的尺度。 想登顶，想一览众山，想创造前所未有的新标杆——这不是自不量力，是宝贵的冲劲与志气。 要敢想。 9、难能，可贵。 充分竞争的成熟市场，鲜有低垂的果实。任何容易解决的问题与需求，要么不存在后来者的机会，要么很快会被竞争对手挤满。 这一点我有切身体会。刚创业时，以为小公司只要选一个自己理解的赛道，做得比大厂快一点，玩法、剧情、画面、声音什么的有点小特色就够了。但事后看，这种所谓高执行力+低成本创新带来的价值微薄而脆弱，用户也很容易闻出这种速成产品的敷衍味道。 一直做相对容易的事，反而惶惶不可终日。 所谓护城河的本质，便是拥有难以被轻易取代的价值。 当我们被某样事物深深打动时，它往往是稀缺的、非凡的、来之不易的，而人们似乎天生就会被“哇这是怎么做到的”的魅力所吸引。 2019年的公司年会，我用八个字总结游科前五年的状态：东搞西搞，投机取巧。 也是在那年，在公司原来价值观“打动自己”外，又加了四个字—— 知难而进。 10、理念是廉价的，但贯彻理念的行动是可贵的。 知行合一不是什么新鲜道理，但我加一句暴论：很多时候，行是知的前提。 因为咱们脑中的理念很有可能是肤浅的、偏颇的、错误的，只有贯彻理念的行动与现实发生了真实的碰撞，才能看清：这个世界与我们原先想的到底哪里一样/不一样。 有时撞得太猛，世界太硬，把我们原先的理念撞成了一地碎片。 没关系，正好一片片捡回来，慢慢拼出新的模样。 然后，再撞一次。