与「特別講義」相关的搜索结果

这个公司说自己投资4000万，营收太低，非常难。 如果你听他讲，其实设备投入并不高，也就是300万顶天了。 但是他剩下的钱投到哪儿去了呢？ 物业。 貌似他在19年前后，贷款买了这个厂房。 结果，他的积蓄全部沉淀在厂方上了。 而且还有贷款，现在贷款是雷打不动要交的。kill。 现在的房地产市场跟19年前天差地别，房产，尤其厂房，办公物业，大幅贬值。即便他再去拿房地产抵押，是不是under water都难说。double kill 然后这几年的经济形势一塌糊涂。大家都在压缩开支，削减预算。 原来很多高端的广告宣发，都降低标准了。业务极速下滑。triple kill。 然后这人，特别讲江湖义气，在业务大幅下降，经营举步维艰的情况下，还是维持100多人的员工队伍，人力支出巨大。 Quadra kill。 哎。房地产的影响是非常深远的。

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。 有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。 内容比较长，但有句话我要特别放在前面高亮一下： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。 唐杰的核心观点有七层逻辑。 --- 第一层：预训练没死，只是不再是唯一主角 预训练仍然是让模型掌握世界知识和基础推理能力的根基。 更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。 但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。 所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。 什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。 通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。 --- 第二层：Agent 是从「学生」到「打工人」的跨越 唐杰用了个形象的比喻： > 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。 这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。 不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。 以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。 这听起来有点笨，但确实是当下最有效的路径。 Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。 --- 第三层：记忆是刚需，但怎么做还没想清楚 唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。 他把人类记忆分成四层： - 短期记忆，对应前额叶 - 中期记忆，对应海马体 - 长期记忆，分布在大脑皮层 - 人类历史记忆，对应维基百科和史书 AI 也要模仿这个机制，大模型对应的可能是： - Context 窗口 → 短期记忆 - RAG 检索 → 中期记忆 - 模型参数 → 长期记忆 一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。 但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。 --- 第四层：在线学习和自我评估，可能是下一个 Scaling 范式 这一段是唐杰观点里最前瞻的部分。 现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。 理想情况是什么？模型能在线学习，边用边学，越用越聪明。 但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。 唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。 这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。 --- 第五层：AI 应用的第一性原理是「替代工种」 这是对我启发最大的一句话： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 AI 的本质不是创造新的 App，而是替代人类工作。 两条路： 1. 把以前需要人参与的软件 AI 化。 2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。 Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。 所以，明年 2026 年的爆发点在于“AI 替代不同工种”。 创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。 换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。 这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。 --- 第六层：领域大模型是个「伪命题」 这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？ 之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。 但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。 当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。 --- 第七层：多模态和具身智能，前景光明但道路艰难 多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。 文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。 具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。 怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。 还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。 唐杰预判 2026 年这些都将取得长足进步。 --- 把唐杰这篇文章串起来，其实是一张相当清晰的路线图： 当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。 近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。 中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。 长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。 远景，多模态和具身各自发展，等待技术和数据的成熟。 --- 把唐杰和 Karpathy 的观点放在一起看，能看出几个共识： 第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。 第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。 第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。 第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。 不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。 两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。 2026 年，会很精彩。

高橋みなみ客員教授による第2回特別講義を開催✨ テーマは「夢へのプロセス」。 経験に裏打ちされた言葉と学生との対話を通じて、夢に向かうヒントを届けていただきました。 笑いあり、涙ありの充実した講義となりました！ #洗足学園音楽大学# #高橋みなみ# #特別講義#

【お知らせ】 ガンダム公式YouTubeチャンネル ガンダムチャンネルの『 #閃光のハサウェイ』# 特別講義に出演させていただきました！ まだキルケーの魔女を観てない方も観た方も ガンダム先生の講義は必見です🎃🐈

洗足学園音楽大学での2回目の講義でした！ 今回は『夢へのプロセス』をテーマに ①細分化する ②言葉にして発信する ③やりたいことと、求められること。 3つの視点でお話しさせていただきました😊 まだまだ緊張する講義ですが、生徒の皆さんが真剣に楽しそうに聞いてくださって、前のめりに質問してくれるのでとてもやりがいを感じでいます🥺 今回は昨年の特別講演会の時もお世話になった音楽学部長の江原先生にもご協力いただきました！江原先生は本当に優しくてお話ししやすくてとっても心強かったです！ ありがとうございました✨ 次回の講義は夏休みを挟んで、 9月11日13時からを予定しています！ ⭐︎お写真掲載許可いただいてます #洗足学園音楽大学# #洗足学園# #講義#

發現 CBDB 其實有 26710 條宋時期進士的記錄。理論上講，如果三年一科舉，每次300人，那麼三百年下來應該也就只有三萬人。假設皇帝特別恩准一萬人。仍然有超過一半的人的記錄有保留下來。這實在有點意外——我們能擁有一千年前的一個羣體的一半人的記錄。

總結吳說 EP-93 香港共识大会的共识：竟然是币圈完蛋了？ ## Part 1：分享本次香港共識大會的感受 @colinwu Colin Wu：他觀察到香港政府層面對此次共識大會很重視，現場也有宣布一些政策，整體可感受到官方重視程度高。他同時覺得整體偏冷清、落地型熱點不多；並指出「預測市場」與「股票代幣化」雖是全球熱點，但在香港面臨較高合規難度，因此會場較難看到深入落地討論；RWA 雖有人提，但因活動偏海外參與者，討論度沒有特別高。 @tmel0211 Haotian：他對比上一屆「大家各聊各的、沒有共識」，這次反而出現了強烈且一致的悲觀情緒，像是「幣圈不行了／行業完蛋了」這種集體唱衰，但他也強調這不代表他個人立場。他原先以為海外項目方會更樂觀，但實際接觸後感到部分海外項目方呈現更麻木、躺平、與外界情緒脫節的狀態，並表示自己因此有些失望。 @nomadcindyy Cindy Wang：她形容此次跑會是「離譜加驚喜」的體驗，感覺像頂級圈子聚會、幾乎看不到散戶，且「你永遠不知道旁邊坐的是誰」。她分享自己曾把 Bullish CEO Tom Farley 誤認成路人、後來才發現對方上台演講；也提到酒會上孫宇晨送「大箱子但裡面只有一根香蕉」的荒誕趣事（並提到與香蕉膠帶藝術梗相關）。 @DeFiTeddy2020 DeFi Teddy：他覺得主會場許多項目更偏機構業務、合規相關，使他在主會場停留時間變短，反而在周邊活動交流更多。他直觀感到「機構進、散戶退」的轉折點正在發生；同時認為幣圈不會完蛋，去中心化的精神與需求長期存在，但 AI 的確分走注意力、資金與 builder，因此本次的「共識」更像是「要轉 AI」（包含純 AI 轉型、或 AI 與 Web3 結合如 AI Agent、用 AI 服務 Web3 增長投放等）。 @anna_nanachan 娜娜子：她觀察到中文局與英文局差異很大：中文局更常圍繞幣價、是否抄底、投資標的討論，情緒更受價格波動影響；英文局更少談幣價，交流較偏生活與想法、氛圍更鬆。她也提到許多公鏈活動中「AI 類」項目仍很多，且常見現象是「不論做什麼賽道（如支付、RWA）都會加一些 AI 元素／敘事」；另外也看到一些原本做 Web3 的創辦人轉做純 AI，而她提醒 AI 與 Web3 的融資邏輯與玩法不同，盲目轉型未必是好事。 @estherinweb3 Esther：她提到預測市場團隊非常多、參與者背景複雜（包含合規券商孵化、甚至澳門博彩背景團隊等），並說穩定幣相關華人團隊也多樣化，連應用層團隊都想發穩定幣以掌握結算與發行權。她同時觀察到做市商更活躍、活動整體更國際化，並提到 Coinbase、Kraken 等海外大型交易所更明顯關注華語市場，且她提到華語用戶交易頻率與資金活躍度高、海外交易所也可能具備部分離岸平台沒有的優勢（如股票代幣化方向）。 @assassinaden Albert Luxon：他從二級／基金交易視角表示本屆規模與新鮮感不如上一屆，主會場「老面孔」多、參展新人少，side event 也看到交易團隊數量較以往下降。他提到去年 10 月後不少套利／carry 類團隊被「wiped out」，並觀察到支付與 RWA 暴露/搬運更像「牌照生意」，因此傳統金融背景與信用積累更重要，機構業務也正被傳統金融團隊逐步接管；同時 LP/FoF 越來越看重跨市場（Crypto 與美股、商品等）能力。 @0xKirara Kirara：她感覺今年和去年最大差別在於：以前大家「找項目、聊空投與搞錢」，這次更像在「找吃的」，且很多人不再熱衷聊炒幣暴富。她提到不少人利用熊市空檔研究 AI、Vibe Coding，用 AI 工具做小網站/小產品，並用「以前說不要當產品經理、現在人人都像產品經理」來形容這種轉向。 ## Part 2：幣圈是否真的「完蛋」、還有哪些機會？ @0xKirara Kirara：她主張要拆開看：不是整個行業完蛋，但「某些舊的東西/舊敘事」確實在退潮；她以比特幣敘事演變與「窗口期很短、像流量選秀」來描述項目競爭節奏。她也指出 AI 的定位在變：從「專案賣點/特色」走向更像「基礎配置/基礎設施」，變成沒有 AI 反而奇怪，並認為若還停留在舊賽道與舊敘事，會更難生存。 @assassinaden Albert Luxon：他不太認同「完蛋」，更傾向用「成熟」形容，並提到市場賽道收斂、圍繞較穩定的方向形成共識（他轉述朋友的總結為支付、交易、合規、風控）。他也談到優秀項目可能更希望走傳統資本市場上市路徑（如納斯達克/港交所），以及交易所角色可能從「偏一級/上幣」轉向更偏「二級服務」能力競爭（如托管、法幣通道等）。 @nomadcindyy Cindy Wang：她說自己「至少同意一半」：單純的「幣圈時代」在結束，並用交易所與平台產品往「美股上鏈/傳統資產」延伸的現象作為觀察例子。她也強調另一面是 Crypto 與傳統金融/支付的融合在加速，並以穩定幣對傳統支付結算效率、成本與透明度的衝擊，以及產業人士的焦慮與轉型需求作為她的體感佐證。 @estherinweb3 Esther：她看好政策框架更清晰後的合規路線與政策窗口期，並談到「最可怕不是價格熊市，而是心態熊市」的觀點（對變化麻木、排外、拒絕新玩家/新變化更危險）。她也提到她認為較有機會的三類：有清晰商業模式與現金流的入口級業務、具備強美式政治/資本背書的項目、以及把加密視為新增盈利點的券商與傳統金融機構（例如 VATP 牌照升級後拓展業務）。 @anna_nanachan 娜娜子：她認為早期靠背書與白皮書就能發幣收割的模式在當下更難成立，流動性變低、VC 更謹慎，反而形成優勝劣汰，長期可能提升行業品質。她也提到機構進場使籌碼更集中、散戶相對不友好，散戶可能轉看 Meme，但在經歷波動與 FUD 後整體熱情下降、更謹慎，市場更機構化與理性。 @tmel0211 Haotian：他明確說「情緒面肯定是完蛋了」，並將其歸因於老敘事與老規則失效、資產與發幣更流水線化、注意力經濟加劇與「共識破裂」等現象。他提出下一階段可能的機會在「Agentic Economy」宏觀框架，嘗試把穩定幣、預測市場、AI trading、機器人/Physical AI 等趨勢串起來，作為可能的新共識方向。 @DeFiTeddy2020 DeFi Teddy：他回到「去中心化」作為 Crypto 核心價值，認為其不會完蛋，但直指近年問題在於缺乏同等級的突破式創新，導致信仰流失與「上所/上幣」成為許多項目的單一目標。他同樣看重 AI 帶來的生產力變化（如 Vibe Coding），並認為 Crypto 若要形成新共識，可能需要與 Agentic Economy 結合；他也提到去中心化 AI 與可驗證、可共同擁有的模型願景仍很早期但與去中心化精神一致。 @Leoninweb3 Leon Liu：他以參展方視角說本屆國際化氛圍明顯、海外面孔多，但整體偏冷清，且不少人反映「有意思的項目不多」，票價/參與度也受到影響。他提到現場讓他意外的是預測市場與 AI 相關項目在會場內反而不多（但賽道在外部很熱），並分享他較看好的方向包含合約/永續（含跨市場資產上鏈衍生品的優勢）、AI 與 Crypto 的結合，以及仍屬早期但被關注的預測市場。 --- gemini + gpt-5.2 協助整理 youtube 有時間軸更好跳轉

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#

今天又有几个朋友在问QQQ那个钻石顶了 我打开K线图瞅了一眼——嗯，确实是那么个意思，扩散接收敛，画得挺标准。现在整个市场就憋着一口气呢，等一个收盘价，693下方，咔嚓一下，信号就算亮了。 可你想想啊，这种明牌，谁不会看？ 追空的人心里打鼓，怕被反抽一把按在地上摩擦；想抄底的也犹豫，生怕真是踩踏来了，接的不是飞刀，是铁板。 急啥呢。 讲真，我这些年做交易，最怕的就是这种全市场都盯着的“完美形态”。因为太完美了，反而不太可能顺顺当当走出来。你想啊，散户都知道破位要跑，主力会老老实实给你当轿夫？十有八九是先假破一下，把你吓出去，再拉回来；或者磨蹭两个星期，把两边都折腾得没脾气了再选方向。 那怎么办？我自己有俩破习惯——不一定对，但挺管用。 一个是看债市。十年期收益率要是突然陡起来，科技股那点估值就挺悬的，毕竟成长股最怕利率往上顶。另一个是VIX，这玩意儿要是跟跌不跟涨……哎你懂的，说明机构在悄悄买put保护，那个信号比什么钻石顶都诚实多了。 对了，还有量。没放量的阴线，你说它是真破位还是震仓？我真说不准，真的。每次遇到这种情况我都提醒自己多看两眼成交量，别急着下结论。 所以我跟朋友们的建议特简单：693这个档口，别上仓位。 等它真杀下去，杀出恐慌盘了，再瞅瞅有没有大资金接。或者等它假破位又收回来，那种2B买点反而更踏实。中间这段熬人的时间，说实话，少看盘多睡觉。 市场天天逼人表态，但我觉得，不表态也是一种态度 个人想法 不作为投资建议