与「純名里沙」相关的搜索结果

一昨日、トリッパー遊園地のよーこねえと純ねえと座長とふみさんが観に来てくれました💕 本当に大好きなみなさん^ ^ 今日でラスト…😭頑張ります！ #いしのようこ# さん #純名里沙# さん #サラリーマンナイトフィーバー#

明日から大阪松竹座で公演です！ #純名里沙# さんがハルちゃんに似合うって思ってって言ってとってもかわいい綿棒をくださりました！💞 純ねえありがとうございます🥺✨ 明日もがんばる！ みんな来てねっ #トリッパー遊園地#

目前的 AI 编程能力排行榜，中国的开源模型把 TOP5 的 4 名都给占了，上面这些模型基本上都用过，简单聊一下使用感受。 1、Anthropic 的 4.7 是两个月前发布的能力还是第一，更何况还有前端时间封禁的 Fable 刚刚解禁，领先国内半年左右，目前国内顶级模型相当于Opus 4.6(2月5日发布)，GLM-5.1是最争气的才 2 个月就追上了4.6大概能达到 90% 的能力，论编程能力还是国内第一。 2、最新的 GPT 5.5 在 codex 里使用能力是最强的，黑话还是很多，而且产品上比 Claude code 做的更好，更适合执行实际的工程任务，边界判断和测试更多。Google 的 Gemini 已经变成美国豆包了，主打性价比。meta 的模型没用过不知道实际能力如何。 3、Qwen 3.7 max(5 月 20 日) 目前综合能力第一，因为有多模态和多语言优势。有专门优化过智能体设计，放到 Claude code、openclaw、hermes 里面都可以很好的使用工具链。 4、GLM-5.1 (4 月 8 日)最早追平Opus 4.6的能力，主打长程任务，一直都被称为 Claude 平替花 20% 的钱达到 90% 的效果，从GLM-4.7发布半年多以来确立领先地位，多次提价依旧火爆，大概领先其他国内模型1个月左右时间。但比较可惜5.1 是一个纯文本模型，还不具备原生多模态能力，一般两个月时间迭代一次，估计下一代快来了。 5、Minimax m3(6 月 1 日) 占了晚发布的优势，也是第一次进入前五，把 minimax 多模态的能力合并进来了，模型参数量也翻倍，所以这次提价也算合理。但实际体验下来m3的规划能力相比来说稍差，同样一个任务需要更多的步骤。 6、Kimi-k2.6(4 月 20 日)Agent 集群协作，是国内里最早支持多模态的，前端审美能力在线，cursor 的编程模型基座就是基于k2.6 7、DeepSeek-V4-Pro(4月24日)和MiMo-V2.5-Pro(4月24日)两个能力接近，DeepSeek还是价格屠夫，API 定价永久 2.5 折，缓存命中率高，不搞 Token plan，因为每个人都是 Token plan。MiMo原来定价偏贵，降价以后两者差距其实不大了。两个模型在写作能力上表现不错，如果你是写文章可以用这两家 8、xAI 表现很拉，唯一强项在 X 的搜索能力，腾讯的hunyuan-hy3也比较一般，但在腾讯产品内有专门调优过，可以跟上其他模型的上一代标准，代码就别指望了。普通的简单任务因为腾讯有更好的数据源，实际表现也不会差太多。腾讯最强的点在于它独有的上下文优势。

✍️适应市场才能存活下去 最近啥都看了看，都试了试，最后发现还是那句经典名言，市场永远是对的，错的只能是你自己。 市场上厉害的人真的很多，多学习适应下😁。 🌟股市虽好，不适应的就是不适应 很多人都在说，美股涨了多少，韩股涨了多少，台股涨了多少，难道所有股票都在涨没有不涨甚至下跌的？ 我随便浏览了下，基本上除非是存储+光+半导体类是的这些“高新产业”，其实大都数都没怎么涨。 而这些都是必须要做到“勇于追高”，才可以的。 我能知道身边有一大堆一直在玩美股的人，每天都在说这“恐慌式上涨”，结果买的是 $MSTR $BABA $PDD 等类似的“价值股”。 而其他的 $MU $SNDK 这些，ta们只敢在讨论中说，买是不敢买的，都怕接盘。 所以到底是说给人听，还是真的自己赚麻了，只有自己知道。 以前炒币一天能喊几十个币，现在炒股一天也能喊几十只股😂。 🌟链上行情知多少 从之前在 #ethereum# 带来的hook行情，然后再到最近的 #base# 行情。 确实是有人吃的满满的，一路游龙下来。 但是本身市场就是存量市场，pvp到了尽头。 有人亏就有人赚，不要只盯着赚钱的人却忽视了亏的人，或许这也是链上分析师最喜欢做的事情。 比如今天一直在播报做空 hyperliquid:native 的账户，却直接忽视了对方账户里还有接近100M的 hyperliquid:native 现货。 说话只说一半容易让人焦虑/舒服的，主打一个“随缘”？ 而且这一波行情真的挺有趣的事情就是一定要有人带头，没有所谓的价值发现，全是喊单或者在fomo上带队买，基本上都是跟着车头干。 当然我这里说的是 @base 上的，基本上把曾经的bsc/sol的玩法复制过来了，只是这不是纯粹的meme，都是所谓的“应用币”，其实也就是meme换了个壳，你要硬犟，那你说的都对。 还是玩注意力，买在注意力刚来的时候，在注意力最强的时候开始卖给有缘人的游戏。 最好笑的事莫过于 @real_dr_pump 自己给alt做各种，都来不及炒其他的币了，现在真的是买币的人帮dev做各种应用🤣，无愧于AI时代。 🌟二级市场更有意思 又是一波价值发现的故事。 除了妖币不用探讨，可以主要聊聊最近的所有上涨的“应用币”。 hyperliquid:native 为首的Perp Dex，主要还是因为hype的美股现在做的太好了，尤其是盘前，再叠加美国最近探讨的开放政策，直接让做 #RWA# 的大伙都开始拉盘了。 就好比 ethereum:0xfaba6f8e4a5e8ab82f62fe7c39859fa577269be3 这种畜生币都被大家喊起来了，各种无脑的吹，这和 hyperliquid:native 完全不一样，一个利润回购，一个纯粹的治理币，毛都没用，项目方只会定期打到交易所出货🤣。 妖币其实也简单，现在市面上这么多用AI分析各种的，每天都是自己的币出现在了涨幅榜上。 其实吃不到一段吃个二段也比较简单就看自己想吃多少了。 毕竟这一块 @sss_crypto fan哥真的做的不能再好了。 二级最近真的挺简单的，如果这都难，那真的挺难赚的了。 🌟 @Polymarket 不要过于上头 看了看自己的一批号，盈利5000-10000名，交易量也差不多，整体其实微微赚。 但是你要说我预测了个啥，我也不知道我预测了个啥。 基本上都是纯赌，而且都是体育赛事😮‍💨。 不知道所谓的预测市场是不是就是赌博做波段😂，如果是的话，那可能我也领悟了。 🌟说比做更简单 我能洋洋洒洒打这么多废话，但是你要我去做，估计很难。 天天和人说要玩强势的，结果天天去抄底。 天天和人说要去追高，结果天天去抄底。 天天说这次一定改，结果次次在犯错。 所以少看废话，真没劲的，要么有慧根要么就会跟。 例如一个超级大的项目公募，我直到上周才知道，费尽心思锁仓一年拿的，人家轻轻松松就是不锁仓满格😂，真吐了。 玩的都是信息差，也没那么多鬼名堂。

我一直讲，综合类大学的学术多元化，才是真正的毁孩子。 一所大学的行政规定，今年招6000个学生，其中200个计算机，200个电子，200个材料，200个中文，200个经管，200个数学…… 最后结果就是，只有400个计算机电子的大学四年有意义，能靠本科教育技能吃饭， 剩下5600个孩子的大学四年全浪费了 ，不仅大学四年学的知识都是垃圾，不能帮助自己找到工作，而且把最能学习的四年时间给彻底耽误了。 18岁的孩子浪费了本科四年的时间，把孩子们祸祸到22岁，再让他们手忙脚乱选一个新行业或者新专业从头再来，绝大多数人根本就没有这个能力，只能随波逐流。 而一切的根源，恰恰就在于综合类大学的所谓“学术多元化”，学校的行政部门给学生切蛋糕分份，一个专业一份，一个专业一份，绝大多数孩子只能去烂专业。 解决的办法就是要求学校逐渐接受市场化， 比如在美国英国澳洲，这件事很简单，UC Berkeley和牛津剑桥的心理学，比QS排名200名以后的计算机还容易录取，孩子们用脚投票选择了有用的专业——毕竟孩子们不是神仙，孩子们也要吃饭， 比如在中国，最正确的改革就是打破“先填大学，后填专业”的高考志愿填报制度， 以前都是先填“清华大学”，在这所大学下面，直接填6个专业，“计算机”、“电子”、“机械”、“材料”、“物理”，分数递减（绝大多数的孩子不敢不服从调剂）， 结果就是，只能填四个大学，最后由这个大学若干专业里的最低分保底大锅端，90%的学生进清华、北大、复旦读纯垃圾专业，给这些学校当炮灰， 而正确的方式是，每个学生可以填100个志愿，每个志愿同时填“大学+专业” pair，前一个志愿滑落，就直接进入第二个志愿pair，以此类推，填满100个。 那么学生们正确的填报志愿方式，由高到低分别是， “清华计算机” “北大计算机” “上交计算机” “北邮计算机” “川大计算机” “川大临床” “电子科大计算机” “中山计算机” “北大临床医学” “厦大计算机” “复旦临床” 这样确保大学和专业同时选中，不会填一个名牌大学然后滑落进一个垃圾专业，100个“大学+专业 pair”直接锁死， 这样的后果就是，北大护理专业的分数线，大概率比一所普通985计算机要低， 而内陆211生化环材数学物理专业的分数线，大概率比深职院的电子更低， 这才是用脚投票的真实水平和结果。

$AVGO 是AI芯片的龙头。但历史告诉你，真正暴富的人买的是龙二 $MRVL 先说一个关于半导体行业的反直觉规律： 在一个严重缺货的市场里，获利最大的往往不是龙头，而是那个追赶中的龙二。（Herman老师分析intel观点我觉得说的很好，也同样非常适用于 $MRVL) 理由很简单： 当产能严重不足，买家再也无法只依赖龙头一家供应商。他们开始把订单给原本觉得"不够好"的替代者。而这个替代者，突然发现自己的产品以前没有人要，现在成了香饽饽——价格可以谈，条款可以谈，一切都变了。晶圆缺货时，原本没有人愿意把订单给Intel的客户，开始认真研究18A了。 那么，在AI定制芯片这个正在快速缺货的赛道里，获利最大的龙二会是谁？ 我的答案是 $MRVL 。 1. 先理解结构 AI芯片市场分两层： 第一层：通用GPU Nvidia统治，没有任何人能挑战。H100、B200、Blackwell——超大规模云厂商需要它们，别无选择。 这层市场已经被充分定价了。Nvidia市值5.7万亿，没有人会漏掉这个机会。 第二层：定制ASIC（专用AI加速芯片） 这是一个完全不同的故事。 每一家超大规模云厂商都在开发自己的专用芯片： Google有TPU（张量处理器），Amazon有Trainium（AI训练）和Inferentia（推理），Meta有MTIA（AI推理加速），Microsoft有Maia（Azure AI加速）。 为什么要自己开发芯片？ 因为通用GPU虽然强大，但它服务所有人，没有为特定工作负载优化。自研芯片可以针对自己的模型架构和推理需求精确设计，功耗更低，成本更低，效率更高。 这是一个不可逆的趋势——超大规模云厂商越大，自研芯片的动力越强。但有一个关键问题：这些云厂商需要设计合作伙伴。芯片设计是极其复杂的工程，需要有人懂SerDes，懂先进封装，懂chiplet集成，懂供应链——不是随便一家公司能做到的。 全球有能力承接超大规模云厂商定制ASIC设计的公司，只有两家： $Broadcom，和 $Marvell。 2. AVGO vs MRVL：龙头和龙二的真实差距 先看数字： Broadcom在ASIC市场占约55-60%的份额，与Google的TPU合作锁定到2031年，客户包括Meta、OpenAI等顶级厂商。Marvell约占15%的份额，排名第二Broadcom领先是事实，毫无争议。 但有几个数字值得认真对比： AVGO MRVL 市值 $2万亿 $1,470亿 ASIC市占 55-60% 15% FY26AI营收 $200亿+ $96亿 Forward PE 31倍 36倍 Broadcom在定制ASIC市场记录了约$200亿的AI总营收，而Marvell的AI相关营收约$96亿。 从市值角度：AVGO的市值是MRVL的13.6倍，但ASIC市场份额只是MRVL的4倍，AI营收只是MRVL的2倍。这个不对称，是MRVL存在的核心机会。 3. MRVL独特的地方：两场战争同时押注 这是我认为最关键的一点，也是MRVL和所有其他AI芯片公司最本质的区别。 MRVL同时押注了两个互相独立的万亿级叙事： 叙事一：定制ASIC——去Nvidia化的最大受益者 Marvell的数据中心部门FY2026增长46%，超过$60亿，管理层指引FY2027同比再增约40%。定制芯片年化营收已达$15亿规模，两个AI加速器项目处于高产量阶段，第三个超大规模客户合作正在进行。 Nasdaq 最重要的一个进展： 2026年4月，Google被报道正在与Marvell进行深度谈判，共同开发内存处理单元和下一代TPU，这正是Google此前几乎完全交由Broadcom负责的工作。如果谈判成功，Marvell将成为AI行业最具战略意义的芯片项目之一的核心设计伙伴。 这是什么意思？ Broadcom和Google的TPU合作锁定到2031年——这是Broadcom的护城河，但不是MRVL的天花板。Google开始和MRVL谈，不是要取代Broadcom，而是要建立第二供应商。这正是"缺货时代，落后者获利"的经典逻辑。 当TPU的设计需求超过了Broadcom单独能服务的上限，Google开始把部分项目分给MRVL。 这一单谈成，MRVL同时拥有Amazon和Google双超大规模客户锚定——三个超大规模客户（Amazon、Microsoft、Google）大幅降低了单一客户集中的风险，给市场提供了更清晰的多年营收增长路线图。 叙事二：光互连DSP——AI集群神经系统的命门 MRVL是目前唯一同时覆盖定制ASIC设计、1.6T光学DSP、硅光子技术（通过Celestial AI收购）和CXL交换的全栈公司——这是任何单一竞争对手都无法复制的护城河。 光互连DSP是什么？ 当GPU和GPU之间需要通信，数据需要在光纤里传输。但光纤里走的是模拟光信号，计算机需要的是数字信号。DSP（数字信号处理器）就是这两个世界之间的翻译器——它把数字数据编码成光信号发出去，再把收到的光信号解码成数字数据。 MRVL的PAM4 DSP是全球800G和1.6T光模块的核心芯片之一。光互连业务的需求与AI集群的互连基础设施同步扩张——每一个上线的AI集群都需要完整的互连协议栈，不需要等待GPU的供应情况。 这是最关键的逻辑： GPU供应有时候是稀缺的，但光互连不等GPU——只要数据中心在建，只要AI集群在运行，光互连就需要。 MRVL的DSP是一个和GPU并行运行的独立需求，不是GPU需求的影子。 4. 我自己的判断：为什么MRVL的故事比AVGO更有弹性 AVGO是龙头，MRVL是追赶者。 但在这个特定的历史时刻，追赶者的弹性更大，原因有三： 原因一：基数效应 AVGO已经是$2万亿市值，要翻倍需要成为$4万亿的公司。MRVL只有$1,470亿，翻倍只需要$2,940亿——和AVGO现在市值的15%相当。同样的资金流入，对MRVL股价的推动效果是AVGO的13倍以上。 原因二：Google的变量 AVGO和Google的合作是锁定的，这是护城河，但也意味着它的上行惊喜已经被充分定价。MRVL和Google的谈判还没有正式宣布——这是一个尚未被市场定价的潜在催化剂。如果Google正式宣布，MRVL立刻拥有Amazon+Google双超大规模客户，ASIC市场份额从15%向25%+跳升的路径被打开。 原因三：两个叙事不相关 AVGO的核心护城河是ASIC和VMware软件。 MRVL的两个叙事——ASIC和光互连DSP——是完全独立的业务。 ASIC受益于去Nvidia化，光互连受益于AI集群扩张。两个独立的增长引擎，互相不依赖，互相不替代。 MRVL在多个AI基础设施顺风中同时暴露：定制芯片、光互连、数据中心网络和更广泛的超大规模资本支出周期。这种在AI主题内的多元化暴露，使它成为纯粹的GPU标的（如Nvidia）的有吸引力的补充。 5. 估值合理吗？ $MRVL：Forward PE 36.4倍，市值$1,470亿。 $AVGO：Forward PE 31倍，市值$2万亿。 $MRVL的Forward PE比 $AVGO略高，但增速也更快： $MRVL FY27营收预期：约$110亿，同比增速约40% $AVGO FY27增速约25-30%。PEG（PE/增速）： $MRVL：36.4 ÷ 40 = 0.91, $AVGO：31 ÷ 27 = 1.15 PEG低于1都算便宜。 用PEG来衡量，MRVL比AVGO便宜约20%。 而且MRVL有Google催化剂这个尚未被定价的变量，AVGO没有。如果Marvell股价涨到$400，需要数据中心营收FY27超过$90亿，Google ASIC合同正式宣布，自定义硅年化营收达到$30亿。在这些条件下，ASIC业务40倍Forward EV/EBITDA，光互连业务20倍EV/Sales。 我觉得2027年是很有可能达到的，这还是在理性的估值下，如果是ai融涨疯牛选择忽略估值的话，如果NVDA到360分析师预测最高，也就是8.8T, 我预测8-10T，那么AVGO会到3-4T, MRVL到500B-1T都问题不大。 6. 三个需要追踪的关键变量 变量一：Google ASIC合同的正式宣布 这是目前MRVL最大的潜在催化剂。谈判已经在进行，但没有正式宣布。每过一个季度没有宣布，市场会稍微失去耐心。但一旦宣布，估值逻辑发生质变。 变量二：1.6T DSP的市场份额 Marvell已经开始出货1.6T PAM DSP，基于5纳米工艺，并推出了下一代3纳米版本，将光模块功耗降低超过20%。 800G向1.6T的迭代是MRVL DSP业务的下一个量子跳跃。如果MRVL能在1.6T时代维持甚至提升市场份额，光互连业务的营收会非线性增长。 变量三：Celestial AI的硅光子整合 MRVL收购了Celestial AI，进入硅光子领域。这是CPO时代最关键的技术平台——把光学引擎直接集成进芯片封装。如果MRVL能在CPO时代把DSP和硅光子整合成一个完整的解决方案，它的价值会远超现在的定价。 7. 最终判断：MRVL是这轮AI牛市里最干净的不对称机会 AI芯片市场分三类公司： 第一类：Nvidia——已经被充分定价的龙头。故事最好，估值最贵，上行惊喜空间有限。 第二类：纯ASIC公司（AVGO）——护城河深厚，但增速放缓在定价中。Google TPU锁定到2031年是确定性，也是上行惊喜的天花板。 第三类：MRVL——两个叙事都在爆发，Google催化剂未定价，市值基数小。 这是不对称机会的经典形态， 下行有Amazon锚定，有光互连稳定收入，不会归零，上行有Google合同宣布+CPO爆发+ASIC市场份额提升，估值可能从$1,470亿走向$5,000亿+。 $MRVL也是我重仓持有的标的之一，短期technical角度今天收长上影线，日线级别调整要来，加仓机会在第一目标165，第二目标140。如果给机会到140补那个缺口，我仓位加满（图1）。 总结：回到那个反直觉的规律：缺货时代，落后者获利最大。 ASIC市场正在缺货——Broadcom一家根本无法满足所有超大规模客户的定制需求。光互连正在缺货——AI集群每季度都在扩张，DSP的需求只增不减。MRVL是这两个缺货赛道里，那个正在被需要的追赶者。 历史一次次证明：当产能不足、供应商只有一两家的时候，第二名是最好的弹性高的投资标的（Nvidia和Amd，TSMC和Intel。） 因为所有人都开始认真研究它了。 #MRVL# #Marvell# #AVGO# #Broadcom# #ASIC# #定制芯片# #光互连# #DSP# #Google# #Amazon# #Nvidia# #AI芯片# #半导体# #美股# #龙二补涨# #CPO# #硅光子# #AI基建# #USStocks# #AIStocks# #数据中心# #去Nvidia化#

转译：西方忘了怎么造东西，现在也快忘了怎么写代码 作者：Denis Stetskov 2023 年，在巴黎航展上，雷神公司的总裁站在台上，讲起他们为了重启“毒刺”导弹（Stinger）生产线，到底费了多大劲。 他们把一批 70 多岁的老工程师请了回来，让这些老人教年轻员工怎么造一枚导弹。图纸还是卡特总统时代画在纸上的老图纸。测试设备已经在仓库里躺了很多年。导弹的鼻锥还得靠手工安装，方法和 40 年前一模一样。 五角大楼已经 20 年没买过新的“毒刺”了。然后，俄罗斯入侵乌克兰，局势一下变了：所有人突然都需要这种导弹。 可生产线早就关了。电子元件已经过时。导引头组件也停产了。2022 年 5 月下的订单，要到 2026 年才能交付。 整整 4 年。 不是因为没钱，而是因为真正知道怎么造它的人，十年前就退休了，而且没人接上。 我在乌克兰带工程团队。我的团队见到的是这个问题的另一面。不是工厂车间，而是战场上接收武器的那一端。 当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚“毒刺”。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的“毒刺”。 这种模式，我太熟悉了。它现在正在我的行业里重演。 一百万发炮弹，没人造得出来 2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。 当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。 任何人拿个计算器算一下，都知道这事根本不可能。 到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。 那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。 问题不是某一个环节卡住了。是每一个环节都卡住了。 法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。 整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。 美国也好不到哪里去。 155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。 后来砸进去几十亿美元，产量依然没达到目标的一半。 要么合并，要么死 这不是偶然。 1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。 于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。 弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。 155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。 整个系统被优化到成本最低，却几乎没有任何应急余量。 纸面上看，很高效。 现实里，只差一个坏日子，就会崩。 知识一旦死去，就很难复活 再看 Fogbank。 Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。 多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。 美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。 经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。 然后，又发现新批次太“纯”了。 原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。 负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。 洛斯阿拉莫斯把它称为原始工艺中的“无意识依赖”（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。 一个核武器项目，竟然失去了制造自己发明出来的材料的能力。 更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。 (更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让“知识流失”的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。) 同一套剧本 我读到 Fogbank 的故事时，立刻认出了这个模式。 我说的不是核材料本身，而是那个熟悉的剧本： 花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。 在国防工业里，那个替代方案叫“和平红利”（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。 在软件行业里，它叫 AI。 我之前写过“人才管道崩塌”的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有“理解力危机”：人们会让 AI 写代码，却越来越不理解代码本身。 但我之前一直没有找到一个足够贴切的历史类比。 现在我找到了。 而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。 重建能力永远需要很多年 国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。 “毒刺”：从下单到交付，至少 30 个月。 “标枪”（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。 钱从来不是最大的限制。 知识才是。 兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。 现在，把这套时间线放到软件行业里。 一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。 这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。 METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。 开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。 研究人员后来想做后续实验时，相当一部分开发者拒绝参加——如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。 账单总会来的 软件行业现在正进入同一种“优化”的第三年。 Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。 我在代码审查里已经看到了这个问题。 现在，审查才是瓶颈。 AI 生成代码很快。 人类审查代码很慢。 于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。 我不会这么做。 我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。 也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。 我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。 但这些仍然解决不了更深层的麻烦。 现在真正需要的能力已经变了。 光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议——哪怕那台机器说话听起来无比自信。 这些其实是领导力。 我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。 既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。 我们会记录一切。 Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。 可如果以后读文档的人不具备这种能力，会怎样？ 坦白说，我不知道。 也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。 但危机不会提前给你发日历邀请。 没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。 就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。 5 到 10 年后，我们会需要资深工程师。 我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。 可这些工程师现在还不存在，因为我们没有在培养他们。 本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为“AI 中介能力”（AI-mediated competence）的东西。 他们会提示 AI。 但他们说不出 AI 错在哪里。 这就是代码行业的 Fogbank。 当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。 等我这一代工程师退休时，这些知识不会转移给 AI。 它只会消失。 西方已经犯过一次这样的错误。账单在乌克兰到期了。 我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。 但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。 “毒刺”、“标枪”、Fogbank、那一百万发没人造得出来的炮弹——这就是把赌注押在“优化”上，结果赌错之后要付出的代价。 而我们现在，正在软件工程上押下同样的赌注。 也许 AI 会变得足够强，这场赌局最后会赢。 也许不会。 当年的国防工业，也以为和平会永远持续下去。 来源：

我对赛车了解很浅，但对人的兴趣很高，去年在程前那里看「从县城修车工到年入7亿的车企老板」，印象很深，这几天张雪在WSBK的夺冠消息刷屏，有种合订本的感觉。 这是一个纯血的中国剧本，不值一文的年轻人靠着勤奋聪明，打破所有的质疑和预期证明自己名利双收，很像短剧，然而胜在真实，这次的版本是，艺术固然源于生活，生活却会高于艺术。 不过我要说的也不是跟风赢吹输婊，而是中国制造业的「好处」可能还在被低估。 这么说可能有点奇怪，中国制造业的强大已经有太多材料佐证了，为什么还会认为它被低估了？ 最开始，制造业是承接就业人口的手段，是养活上亿劳动力的饭碗，以2012年的峰值来算，占到了22%以上的全国岗位，这也是张雪赤手空拳开始去重庆创业的年份。 然后你会发现，制造业是有产业带效应的，张雪一个地地道道的湖南人，为什么要去重庆造车，连我这个根本不懂摩托车的人都能理解，重庆出了很多摩托车品牌，比如力帆——感谢那些年看的甲A联赛——配套最齐全，当然适合造车啊。 产业带是集聚效应的成果，当一条产业的上下游工厂都开在「小时达」的接触半径后，所有的成本，包括显性的物流成本和隐性的沟通成本，都会大幅下降，这个时候再用秦晖老师的「低人权优势」去下判断，就解释不通了。 这也是生态的一种，就像黄仁勋放话说竞争对手的芯片哪怕免费出售也撼动不了英伟达的市场优势，姑且不去较真这句大话，他的意思其实是背靠CUDA用了20年经营出来的开发生态，重复造轮子的离开成本其实远远高过芯片本身的溢价成本。 于是就有再然后的，中国在贸易战里越打越顺的既成事实。 贸易战这个事情，颠覆了很多所谓的常识，这很正常，智慧的增长就是需要不断修正自己的认知，比如最经典的「买方市场论」，得罪甲方死路一条。 理论上当然没有任何问题，美国有世界上最强的消费市场，以及同等分量的议价权，供应商不听话，换一个就是，就是这么任性，对吧。 但实际上呢，脱钩喊了这么久，越来越雷声大雨点小，去年还把中国的贸易顺差干到了史无前例的万亿美金级别，不会真以为是穷得响叮当的南方国家填上了美国的市场吧，还不是转口贸易立大功。 如果说转口贸易是中国企业在钻空子，那么问题来了，如果美国本土没有消费需求，这转口也不可能成立啊，反过来也是一样，新加坡前几年最高时消化了英伟达超过28%的芯片出口，怎么，是新加坡人特别爱拿芯片泡酒喝吗？ 好用的东西，就是不愁卖，都是千年的狐狸，谁也别玩聊斋。 贸易没有输赢，它的本质是各取所需，印度、越南、印尼都尝试过要当中国的备份，但是仔细去看，除了承接中国产业链本就向外转移的那部分之外，能够自食其力的，很少。 到头来就是现在这么一个纳什均衡的状态，「任何单个参与者都无法通过仅改变自己的策略来获得更高的收益」，美国做不到，中国也做不到，大家继续按照比较优势的规律行动。 再往下讲，就是制造业对于工程师的培养能力，中国——或者说整个东亚——历史上是没有工程师文化的，这边更讲究以师徒相授的关系为底座的工匠文化，如果你们还记得的话，「工匠精神」还在中文互联网火过一阵子，幸好后来没被带偏。 工程师文化是舶来的，它也没有通过进入教育体系来从头塑造，完全基于繁荣的制造业和商业自下而上的开枝散叶，在这个语境里的工程师，也和老旧宣讲材料里的那些「张工」「李工」完全不一样了，是个人禀赋、致富回报、市场机会的叠加塑造。 张雪就是凭借他的手艺去重庆的，手艺怎么来的，早年自己修车，修熟了去车队当机械师，最后真当成了车手，用一线实践来指导产品研发，就这么一件事干了十年，到了26岁创业的时候，就会发现资源开始自动的围过来。 讲道理，如果把张雪这个名字抹掉，这个故事特别像我们从小看的日本或者美国传记文学，道奇兄弟不就是这么成功的吗，自小用废铁造自行车，逆向工程汽车轴承，从给福特供应零部件起家，翅膀硬了就做了自己的品牌。 以及帕卡德、戴尔、博斯⋯⋯事实证明，拥有强大的制造业传统，就是能够孕育出工程师的梯队，因为再离谱的设想都能在可控的成本里验证试错，而不是变成一摞摞的达芬奇手稿。 现在，我们要熟悉张雪这样的中国人名越来越多的出现在史册上了。 张雪说他到重庆后，第一个去的就是一个类似华强北的地方，按照自己的需求，2万块钱就攒出了一台车，用这台车换到了启动资金，公司做大之后，他要自己来做发动机，把精度从5丝压到3丝，也是能找到供应商实现这个要求。 苹果的CEO库克在电视采访里说过这么一段意思，苹果选择中国代工早就不是人力成本低这个原因了，在美国如果要开一个模具会议，能找来的工程师连一间办公室都坐不满，但在中国可以坐满好几个足球场。 你可以说他来中国出差是在舔市场，但不能质疑他作为一个供应链大佬的身份被选为CEO的资质和判断。 众所周知，制造业能为就业兜底，同时这种兜底，又能构建一套丰富的工程师梯队，从熟练技术工人，到中级技术专家，再到高级研发人才，更重要的是，这套体系有着充分的流动性，它和其他很多传统行业不一样，对生产资料的依赖很低。 张雪的身份就经历了多次的无缝切换，当他在湖南修车的时候，是底层小工，当他在车企打工时，是技术专家，当他自己创业，就是在用高级研发的本事去组队，他自己都说了，「大家开始习惯了，跟张雪一起去把事情干出来。」 最后，可能在很多人看来是微不足道的，但我觉得非常有意义的是，制造业的昌盛可以真的为所欲为，包括培养出一大批追随本心实现所谓「资产阶级趣味」的活人。 赛车运动就是其中之一，还有国产跑鞋这些年在马拉松赛事里的渗透，以及Hi-Fi是怎么从发烧友市场变成挑战大牌的，甚至连俞浩都属于这个范畴，他是中国最早的四旋翼无人机开发者，因为对马达技术感兴趣，「转行」干了扫地机器人⋯⋯ 「资产阶级趣味」的本质，是从心，也是自由，自由这个事吧，需要松弛和风险，在紧张的社会里是一种奢侈，但在一个乐观向上的环境里，它又是一个必需品。 某种意义上，张雪峰和张雪都代表了中国的多个棱面： 张雪峰为普通家庭降低选择的容错，用肉身撑起那条拿文凭换未来的轨道，如实告知你们承担不起自由这玩意儿。 而连高中都没上过的张雪又证明了，自由纵使不是免费的，但它却会为那些真正相信自己有才能的人打开大门，「我比别人努力十倍，成功凭什么不是我的？」 可以结果参差不齐，唯要机会公正平等，健康的制度就是要实现这个原则。 「有没有一种可能，张雪如果不是家庭条件那么差，父母没能力管他，现在也揣着某个二流大学的文凭在送外卖？」 是有这个可能。 但我觉得看过他的那些视频的人，都不会这么认为，眼里有光是装不出来的，也很难因为外力而自动熄灭。

┏━┳━┳━┳━┳━┳━┳━┓ ┃本┃日┃２┃１┃時┃ま┃で┃ ┗━┻━┻━┻━┻━┻━┻━┛ 前売り券🎟️⇢ 当日より6,000円もお得に参加できるのは本日まで🔥 自宅に届く郵送チェキ💌 21日⇢ 2月21日(土)出演モデル一覧 【TEAM A】 雪村花鈴(@yukimura_karin) 小野たまり(@_onotamari_) 成瀬かのん(@Naruse_Kanon910) 白瀬結香(@shiraseyuka1107) 茶摘さくら(@yinghua_nikke) 【TEAM B】 花咲楓香(@Hanasaki__Fuka) 田島怜華(@GrandearmeeReka) 瀬名葵(@senaaoi0419) 笹倉杏(@sasakura_an_) 【TEAM C】 清宮みいな(@miinyaaa23) れいちゃん(@u__wanwan__wan) 神楽坂茜(@akaneee1126) つぶらあい(@tsubura_ai) みあん(@miann___) 長谷川シゴデキ(@hase_shigodeki) 【TEAM D】 要あい(@kanameai) 薺かれん(@udon_chan8) 須能咲良(@sunosakura__) 山本乃愛(@NxoxAs_Ark) iLU(@25115miluku) 【TEAM E】 雛なの(@nano_cats0923) 秋田そな(@akita_sona) 蒼井めるだ(@meruru_aoi) 髙峰じゅり(@Takamine_Juri) おりん(@_6m_oO) 【TEAM F】 大城かえ(@oshiro_kae) えぬちゃん(@n__chan__xx) 峰尾こずえ(@kozurin69) 白川珠里(@cadis_juri) 新田妃奈(@hinanitta1113) 【TEAM G】 比留川マイ(@Maichan_1003) 上瀬ももな(@momona_ooo) しおん共和国(@mami11191) 小坂田純奈(@official_junata) 天音鈴菜(@Suzuna_cherry) 梅澤遼奈(@xRyonx13xx) 【TEAM H】 久我るり(@ruri_kuga) 森くるみ(@morikuru_) gyava(@gyavaaaaa) てるる(@teruru_1229) mii(@MiiC_chuuu) #フレッシュ撮影会#