与「百本真夏」相关的搜索结果

この後、夜7時から久しぶりの生放送❣️ #卒アルラジオ# サンデー 👧 今回のテーマは… 「100年の人」👀🌞 番組感想メールは sotsu@joqr.net まで📨 #乃木のの# #日向ひ# と合わせ聴いてね♪ #radiko# でも聴けます❣️ #文化放送　##秋田放送# #秋元真夏　##乃木坂46# #百本真夏#

刚刚去理发，这家洗发店已经去了十几年了跟老板娘熟一点。老板娘说我头发没营养，头发白还掉头发，然后推荐了洗发水，要买四款然后混合使用才有效果，然后我一看都是一两百一款的 虽然说我的头发情况是事实，但是我掉发是因为肾虚原因跟洗发水无关，我就怀疑洗发水真的有这种功效吗？能带来营养又能防脱发又能治疗白头发？后面我就说考虑一下吧 你猜那些有钱人当官的为什么秃顶，是买不起洗发水吗？想防脱长发，用米诺地尔，非那雄胺，这两个才有用，别的都是扯淡

底层看稀缺，顶层看客户！看到 @chamath 分享的这张 AI Stack，感觉这个架构划分和 Rewire Index 5 Layer 相当类似，分享一下我对每一层的理解： 1. 能源与基础设施层（最底层） 与 Rewired Index 的逻辑一致。电力会迎来爆发式增长，尤其是无需接入电网的独立供电商（IPP）；而土地受政策影响太大，弹性有限。在大众的舆论压力之下，太空基建应该会是未来几年的新机会，无需土地，无限电力⚡️ 2. 芯片层 做独立芯片，初创公司基本没有机会：性能要求极高、工艺极其复杂，最关键的是供应链已被完全锁死——这是头部玩家的战场。 真正的机会在融合与生态。从 Google TPU 的发展路径，到 Cerebras 等高速推理芯片的崛起，可以看出芯片会与云厂商、模型公司深度绑定。围绕芯片构建数据中心的整体供应与创新，机会很多；单做独立芯片，机会渺茫。 3. 云服务层 云可以分为 Hyperscaler 和 NeoCloud两类。模型商品化之后，几乎所有的负载都要靠云来承载，这会是非常赚钱的生意。但构建极其复杂，堪称 AI 时代的重资产业务——或者说，智能时代的房地产。 4. 模型层 模型公司面临的核心问题是正在被商品化： - 如果 Scaling Law 已到极限，模型百分之百会被商品化； - 即使 Scaling Law 还有很大空间，大家对「最好智能」的需求也在被分解——大量日常应用不需要最顶级的智能，中等水平模型和开源模型会逐渐接管这些需求，反而加速了商品化； - 最尖端的头部模型公司，更像是「先进制程」的芯片：能从中获取很高的价值，但并非所有任务都需要它。 5. 应用层：Harness vs Application 这张图最有趣的地方，是把应用层拆成了 Harness 和 Application 两层。 我的判断是：按目前模型的进化速度，Application 还没有任何机会，但 Harness 的机会已经大量出现，尤其在企业端。企业内化的知识只能通过 Context 和约束来落地，所以 Harness 就是新的企业应用层；它们会替代旧的 SaaS，或倒逼旧 SaaS 升级。 如果把 AI 扩展到大语言模型之外的更广义范畴，应用层更可能以垂直集成的形态出现，例如：自动驾驶 / RoboTaxi / 任何可端到端自动化工业流程和武器系统；生物研究 / Wet Labs；把执行能力直接部署进企业内部的模式（类似 Palantir 的服务方式）

为什么讨论 OKX 星球的人突然变多了？ 为什么 OKX 星球的最高任务是 DAU？ 为什么一个产品宁愿被骂也不要默默无闻？ 为什么感觉 KOL 的创作者收益更高？ 以后这种问题要怎么解决呢？ 我可能是全网最适合回答这些问题的人，甚至比他们团队内部的人都合适😎因为很多东西都是我给 OKX 星球提的建议，而且我不用顾虑任何舆情风险😂 我们一条条过 一、为什么讨论 OKX 星球的人突然变多了？ 最近一个月推特上讨论 OKX 星球的人越来越多了，原因是很多 KOL 晒出了创作者收益，一个周从几十u到几百u不等，看着不多但是一个月*4 就非常舒服了 这是引起讨论的决定性的原因，就像大家会讨论空投一样，所以创作者收益会影响大家的注意力，而且是每周不间断的空投 二、为什么 OKX 星球的最高任务是 DAU？ 但是为什么之前没人讨论呢？ 因为之前的创作者激励算法有问题，通过我的观察推断，之前的创作者收益是和带来的实际交易量挂钩的，所以以前创作者收益绝大部分都给到了带单老师和节点老师 这件事本身没有问题，但是策略有问题，你可以激励交易量行为但是你得知道你的最高任务是什么？ 在当前阶段，OKX 星球的最高任务是 DAU，所以星球需要激励那些能带来更多用户，带来更多停留时长，带来更多黏性的创作者 所以 KOL： - 本身就有粉丝可以带来用户 - 可以产出优质内容，让用户停留时间更长 - 本身的粉丝跟过来导致星球的黏性更强 所以从策略上也应该这样，如果按照空投的理解的话，那就是给那些帮助生态更大的人 所以一切的行为都要像 DAU 看齐，如果发生冲突，尽量让给 DAU 三、为什么一个产品宁愿被骂也不要默默无闻？ 新事物最好有争议 我看 OKX 他们挺紧张的，因为被吐槽了，我反而为他们高兴 星球终于被人看见了！ 我觉得最可怕的就是提都没人提起 就像现在没人再骂百度 AI 一样，虽然没人骂你但是确实已经社会性死亡了 所以我一遍遍的跟 OKX 星球反馈：要更加 Aggressive 一些、更有野心、更加激进 因为 OKX 星球现在不怕犯错，怕被忘记。而被忘记就是社会性死亡 四、为什么感觉 KOL 的创作者收益更高？ 回到今天推特上的吐槽：创作者激励怎么分给了这么多 按照我的理解这种事必然发生，每次空投都有 beef，到现在很多人都在吐槽推特的创作者收益不公平，但是依然不妨碍大家更加勤奋的创作好的内容 我觉得主要几个原因： 1️⃣ 首先 KOL 影响力很大，之前 KOL都没有😂现在有了，而且推特收益又这么差，行情也这么差，星球这么大方他们肯定晒单啊，所以你觉得都是 KOL 拿走了，其实没有多少 2️⃣ KOL 有了自己的方法论，每个 KOL 都会研究机制，会按照这个新平台去创作内容，所以他们的内容会更加符合平台的需要，平台肯定激励正向的行为 3️⃣ KOL 守规矩，我发现之前有大量的工作室，工作室可以一天发一两百条，就是 AI 垃圾，KOL 要脸不敢这么干 所以，幸存者偏差会让你有这个错觉，本身也应该倾斜给 KOL，KOL 会对生态的长期发展有好处 五、以后这种问题要怎么解决呢？ 不但要继续搞，还要大力搞 其实我给的建议更加的 Aggressive，只不过他们太温和了没有采用，但是我觉得大家会喜欢，会非常喜欢 谁说创作者收益就只能按照权重、阅读量计算呢？ 就不能有本周最佳创作者、最具话题性、最高质量等头衔么？ 这个给他 1000u 又能怎么样，还是从用激励池拿出来，但是激励作用非常大 这是什么呢？不就是推特前段时间的 1M激励文章创作者么？ 而且不仅要搞，还要到推特上提前预热，一个月的周期算的话甚至都可以 5wu，文章阅读量第一的给予奖励 这样全币圈都在讨论 另外，既然吐槽，就组织一个活动让用户当面吐槽产品同学不是更好么？既能带来更大的曝光，也能拉近团队和用户的距离 很期待赶紧组织这种活动 星球拉一个直播就行，还能让产品同学体验自己的产品👿 —— 总之，看到星球这个新事物被越来越多的人讨论为他们感到开心😃 希望团队更加激进一些，因为不怕被骂怕不被看见 以上。 @star_okx @Haiteng_okx @Mercy_okx @Jiajia_OKX @misaENFP

为什么吸完冰毒的人百分百会乱搞？其实90%的人都把冰毒当成催情药。吸食冰毒的瘾君子中，女性占了一半，他们大多不是自愿参与其中。但只要接触到冰毒，贞洁烈女也会丧失道德感，这也是冰毒的可怕之处……

我把一本二十多万字的新书免费开源在 Github 了——《前置部署工程师：人工智能时代的客户价值交付秘籍》。 全本在线读，一分钱不收，地址在文末。 为什么要写这本书？从两组数字说起。 一组来自麻省理工学院：全球企业在生成式 AI 上烧了三四百亿美元，95% 的项目没能产生可衡量的回报。演示很惊艳，落地全阵亡。 另一组来自招聘市场：一个叫「前置部署工程师」（FDE）的岗位，发布量九个月涨了 800%。OpenAI 在招，Anthropic 在招，YC 一百多家创业公司在招。a16z 直接管它叫「科技行业最热门的岗位」。 两组数字放在一起，结论不难猜：模型已经不稀缺了，能把模型塞进客户真实业务里的人，才稀缺。 FDE 就是被创造出来填这道鸿沟的角色——驻扎在客户现场、把「产品能做的」和「客户需要的」接起来的工程师。Palantir 二十年前在情报机构的保密室里发明了它，如今 OpenAI 为它专门成立了一家估值百亿美元的「部署公司」。 在我看，它就是 AI 时代的前置位的「增长黑客」：一个新物种，一套方法论，一片还没人系统写过的空白。 这本书讲清楚三件事：这个角色从哪来、是什么；从找对问题到规模化复制的完整打法；以及一百多个真实案例，所有数据和案例都在附录里注明了出处，欢迎核查。 也坦白说：这本书是我派 AI 做的深度调研和撰写，框架仿照我十年前写《增长黑客》的那套结构——依然觉得它适合研究和布道各种新岗位。 我原本把它当成自己的学习入门手册，期间驱使 AI 也迭代了好几版。写完觉得，锁在硬盘里有点可惜，于是索性开源免费分享。 如果你正在考虑工程师的转型方向，或者在琢磨 AI 到底怎么在企业里落地，它应该能帮你省下几十个小时的检索时间。 📖 仓库在这，全本免费，欢迎 Star： 会持续迭代，有想补充的案例或想挑错的，Issue 和分支都开着。 —— 顺手说一句：十年前那本《增长黑客》的全文开源版，也在我 GitHub 上（zengzhangheike-the-book）。一本是过去，一本是未来，感兴趣的可以一起拿走。

量化必备：几何布朗运动从理论到向量化实现 之前分享过从零到一的 Python 量化回测、真实数据清洗避坑，以及 Fama-French 多因子模型实操。 今天粉丝问我：Ace 还有没有把几何布朗运动（GBM）从数学公式一路讲到可交互模拟仪表盘的完整视频？ 我去找了这支来自 Daniel Boctor 的优质实战教学。 视频真正的价值在于：它把量化金融中最基础也最重要的随机模型——几何布朗运动，讲得既有理论深度，又有工程落地感。 核心内容包括： 1️⃣ 清晰拆解 GBM 公式 dStSt=μdt+σdWt \frac{dS_t}{S_t} = \mu dt + \sigma dW_t St​dSt​​=μdt+σdWt​，把漂移项、扩散项和随机项讲透 2️⃣ 特别纠正离散模拟时必须使用几何复利收益、而不是简单算术收益的常见错误 3️⃣ 用 NumPy 向量化彻底摆脱 for 循环，瞬间生成成百上千条随机路径 4️⃣ 用 ipywidgets 搭建可实时调节参数的交互仪表盘，直观观察资产增长曲线和终端财富分布 5️⃣ 末尾额外演示了 Fama-French 因子滚动回归分析 这是一支从理论到可视化都做得很扎实的量化随机过程教学，适合想系统学习蒙特卡洛模拟和向量化编程的朋友。强烈建议跟着敲一遍代码收获会很大。