与「計算器」相关的搜索结果

這計算器怕不是報廢了，後面直接唱起高音歌劇來了！ ＃騰訊 的 ＃軟件 不敢用 #硬件# 也不能用啊😂 #搞笑# #趣味短片# #計算器# #魔性# #生活娛樂#

0.618 设计行业有一个著名数字：0.618。 很多人相信它是美的密码，是先知留给后人的金钥匙。 从古希腊神庙到文艺复兴绘画，从人体比例到产品设计，从鹦鹉螺的曲线到一根草的枝丫，从品牌标识到网页界面，只要出现一个看起来舒服的画面，总有人会拿出尺子量一量，然后告诉你：看，这里符合黄金比例。 于是，0.618 逐渐拥有了一种近乎“神圣”的地位。仿佛只要接近这个数字，设计就会变得更好。 但这些年做设计，我越来越怀疑一件事：0.618 真的重要吗？或者说，人们真正相信的，到底是 0.618，还是一种对确定性的渴望？ 如果一个比例（数字）真的能够决定美，那么设计应该是一门非常简单的学科。我们只需要计算，只需要套公式，只需要把所有元素按照既定规则排列。理论上，所有人都应该得到完美的结果。 但现实恰恰相反。 世界上最好的设计师并没有变成数学家。他们每天面对的，仍然是判断。什么该大一点？什么该小一点？什么应该靠近？什么应该远离？什么时候需要平衡？什么时候需要打破平衡？甚至什么时候通过少量的丑去实现更多的美。 这些问题没有固定答案。 同一个比例，放在不同内容、不同环境、不同文化背景里，可能产生完全不同的结果。这也是为什么许多优秀作品之间几乎没有共同的数字规律。中国书法和瑞士海报不一样，日本庭园和现代建筑不一样，儿童绘画和企业形象设计也不一样。如果美真的来自某一个数字，那么这些差异根本不应该存在。 我一直有一个猜想。 如果发现黄金比例的人（经查阅并没有资料明确指出是谁发现了它），真的相信 0.618 是一种普遍有效的方法，那么他一定会在所有图形、所有构图、所有设计中反复使用这个比例。 但只要他这样做一段时间，就一定会发现一个事实：有些时候有效，有些时候无效；有些画面因此变得更舒服，有些画面反而变得更僵硬；有些问题被解决了，有些问题根本没有被解决。 最终，他会意识到，真正起作用的并不是 0.618 这个数字，而是数字背后的关系。 换句话说，黄金比例之所以被发现，不是因为它永远正确，而是因为它在某些情况下经常出现。 这两者之间有着本质区别。 很多人认为发现黄金比例的人是在证明 0.618，但我恰恰觉得，真正发现它的人，很可能是第一个发现它局限性的人。因为只有不断使用、不断验证、不断比较，才会知道：这里有效，那里无效；这里合理，那里荒谬。 最后留下来的，不是对数字的崇拜，而是对现实的尊重。 这让我想到一个人——孔子。 孔子原本是在观察人，观察社会，观察人与人之间复杂而微妙的关系。后来，人们把这些观察整理成规则，规则再变成教条，教条最终代替了思考。很多人背诵孔子，却不再观察人。 黄金比例也是一样。 最初它是经验，后来变成理论，再后来变成标准，最后变成信仰。于是，人们不再思考什么是好的设计，而开始思考有没有用 0.618。 但真正的设计过程从来不是这样。 我从来不会拿着计算器去做设计。很多设计师也是如此。我们调整位置、修改大小、改变节奏、反复推敲，最后得到一个结果。有时候它确实接近 0.618，有时候完全不是。但这并不重要，因为我们寻找的从来不是一个数字，而是一种恰到好处的关系，一个解决问题的方法。 所以我并不反对黄金比例。 我反对的是把黄金比例当成黄金法则。 数字没有问题。孔子也没有问题。理论没有问题。问题永远出在人身上。我喜欢孔子的观念，但讨厌把他当成宗教偶像一样去膜拜。 当人们停止观察现实，开始崇拜答案的时候，再好的经验也会变成教条。而所有教条，最终都会失去生命力。 真正发现黄金比例的人，最终发现的不会是 0.618。而是 0.618 为什么有时有效，有时无效。 0.618 不是美的密码，它只是人类试图理解美时，曾经留下的一串数字。

有一个网友，45块钱买了一只科技股，账户里结结实实躺着3万股。 熬了一阵子，股价晃晃悠悠涨到55。他打开账户一看，浮盈30万。 他点了根烟，烟雾缭绕里，他觉得自己是股神。135万的本金，这么快就赚回30万，够了。 他毫不犹豫，手指在屏幕上一点，“全部卖出”。钱落袋那一刻，他感觉整个世界都踏实了。 卖完，他还特意回头看了几眼，股价不温不火，甚至有点想跌。 他靠在椅子上，长舒一口气，庆幸自己跑得快。 然后，他就把这事儿忘了。 直到有一天，他无意间刷手机，手指一滑，一个熟悉的代号跳了出来。后面跟着一串数字：1180。 他手里的茶杯顿在半空，一滴热茶溅在手背上，他却一点感觉都没有。 那个屏幕上的“1180”，像四个烧红的烙铁，直直地烫在他的眼球上。 他没关软件，而是颤抖着手点开了计算器。 30000股，乘以1180等于3540万。 减去他的成本135万等于3405万。 为了那30万的“踏实”，他亲手扔掉了3400万。 从那天起，他晚上再也睡不着了。一闭上眼，就是那个1180在跳。他一遍遍地想，但凡自己当初多等一天，哪怕一个小时，人生会不会就是另一部剧本。 他甚至想过追回去，可眼看着股价一天比一天高，他那点本金，连个零头都买不起了。他就像被自己亲手推下站台的人，眼睁睁看着那趟开往金山的列车，越开越远，最后连尾灯都看不见。 所以说，股市里最折磨人的，从来不是亏了多少钱。而是你明明已经摸到了头奖彩票，却用它点了根烟。

猴哥：SpaceX一旦上市，可能不是火箭起飞，而是整个太空产业估值起飞！ SpaceX计划6月12日上市。 很多人还没反应过来，这可能根本不只是一次IPO。 更像整个航天产业重新定价的开始。 你想一下，以前聊太空经济，大部分人第一反应是什么。 马斯克。 火箭。 科幻电影。 很多人觉得那是富豪烧钱的玩具，是离自己很远的故事。 但如果SpaceX真进入资本市场，事情就不一样了。 因为全球的钱第一次可以真正下场。 以前只能站门口看，现在终于可以买票进场。 等挂牌那天，全世界基金经理可能都得重新打开计算器。 历史其实一直在重复同一个剧本。 每次超级产业爆发，暴涨的都不只是龙头。 iPhone出来的时候，涨的不只是苹果，屏幕、芯片、连接器、供应链全跟着重估。 AI起来以后，也不是只有英伟达飞天，修数据中心的，卖电的，卖散热的全起来了。 SpaceX大概率也是这个剧本。 所以我最近重新把整个太空产业链捋了一遍，越看越觉得，有些公司可能还没被市场看懂。 先看发射服务。 未来卫星、低轨互联网、军工、AI通信，都得先解决一个问题：怎么送上天。 这跟快递行业一个道理。 快递爆发前，得先有人造卡车。 重点看： $RKLB $FLY 再看卫星通信。 很多人以为Starlink就是太空WiFi。 这理解太浅了。 它真正想做的，可能是未来全球通信底层网络。 以后无人机联网、AI设备联网、自动驾驶联网，很多东西可能都不靠地面基站了。 重点看： $ASTS $GSAT $IRDM $VSAT $SATS $TSAT 再往下看太空遥感。 未来真正值钱的，可能不是火箭。 是数据。 火箭只是送货车。 数据才是真货。 谁掌握全球实时数据，谁就相当于有了天空视角。 重点看： $PL $BKSY $SPIR $SATL $HAWK 还有很多人根本不看的航天基础设施。 淘金时代最赚钱的是卖铲子的。 太空时代大概率也一样。 空间站、月球设备、轨道设施，这些东西现在听着像科幻，但钱已经开始往里面灌了。 重点看： $LUNR $RDW $MDA $VOYG $YSS 还有一个特别容易被忽略。 材料。 很多人以为火箭最难的是发动机。 其实很多时候真正难的是材料。 耐高温、超轻量、高强度，这些才是真门槛。 重点看： $ATI $HXL $CRS $MTRN $PKE 最后别忘了供应链。 每次产业爆发，最后闷声发财的很多都不是站C位的人，而是后面卖零件的。 AI时代卖铲子赚翻了。 互联网时代修光纤赚翻了。 太空时代也一定会出现自己的零部件霸主。 重点看： $TDY $APH $PH $HEI $DCO $ATRO 如果买不到SpaceX怎么办。 还有另一种玩法。 直接押整个生态。 $DXYZ 更像AI+SpaceX双Buff。 $VCX 更像AI独角兽基金。 $NASA 更像整个太空产业大礼包。 很多人以为自己买的是SpaceX。 结果翻开一看，真正买到的可能就十分之一。 看完最大的感觉就一句话。 AI之后，下一个被全球资本重新定价的，大概率就是太空经济。 现在很多人还没反应过来。 等所有人都反应过来的时候，价格可能已经不是今天这个价格了。 #马斯克# #SpaceX# #太空经济# #航空航天# #NASA# #DXYZ# $ASTS $RKLB

AI光互连正在进入“混合化时代” AI scaling真正撞墙的位置，已经越来越接近data movement。移动bit的成本，开始越来越接近，甚至超过计算bit本身。 massively parallel IO、power/bit、thermal density、reliability、optical packaging、chip-to-chip bandwidth这些问题越来越成为瓶颈。未来光互连越来越像系统工程问题。 AI光互连重要的趋势，是“光互连混合化”。行业正在从每模块独立激光、pluggable optics、板级光模块，逐渐走向 CPO、ELS（External Laser Source）、Optical IO、chiplet optics、MicroLED optical interconnect。核心原因很简单：激光器越来越难放在最热、最密集、最难维护的位置。于是行业开始把激光集中化、共享化、远程化。ELS路线背后的本质，也是把光源从局部模块变成系统级资源。 ai集群的网络功耗正在逼近计算功耗。GPU越来越像“被IO限制的计算器”。于是光开始越来越靠近封装。过去是 GPU → PCB → 铜 → 光模块 → 光纤。未来越来越像 GPU旁边直接就是光。而一旦光进入封装，热、良率、耦合、封装、可靠性，全部开始指数级变难。 于是MicroLED开始成为选项。传统激光路线更强调单通道极限速度、长距离、相干性、超低损耗。MicroLED路线更强调海量并行lane、超短距离、低功耗、CMOS-like scaling、低成本、超高密度。重要的是，它更接近“半导体+显示产业链”的制造逻辑。 很多人会把MicroLED理解成激光替代。更准确的理解是：它更接近“铜线升级方案”。尤其适合 chip-to-chip、package-to-package、board-level optics、rack内部互连这些超短距离场景。 这里真正重要的，是总IO数量能不能持续扩展。 现在这个方向最积极的推动者之一，其实是Microsoft。MediaTek已经和Microsoft Research联合开发基于MicroLED的AOC（Active Optical Cable）。路线很明确：重点放在AI scale-up网络里的超短距高并行光互连。核心思路是“slow-and-wide”。重要的是海量低速并行光通道，而不是少量超高速channel。这其实非常符合AI时代的网络特征，因为AI真正需要的，越来越像“无限并行IO”。 MTK具备完整的数据中心系统能力，包括高速IO、ASIC协同、SerDes、封装、power delivery、hyperscaler协同、大规模量产。而且它已经绑定Microsoft。这意味着它已经开始进入hyperscaler验证阶段。微软公开时间线是2027年前后开始商业化部署。 另一边，KOPN也已经正式进入这个赛道。它原来的核心能力是AR、military optics、MicroLED display，但现在已经开始向AI optical interconnect迁移。KOPN已经和Fabric. AI合作，推出MicroLED optical interconnect demo chipset，并签下初始订单和exclusive agreement。这意味着行业已经开始从“研究验证”进入“早期商业化验证”。 KOPN和MTK路线很接近，都在赌未来AI网络会从“few ultra-fast lanes”转向“many lower-power parallel optical lanes”。重要的是，两者定位不同。MTK更像系统路线定义者，KOPN更像底层光源和器件供应商。未来很可能形成：MTK负责系统方案，KOPN负责部分核心MicroLED器件，其他SiPho/CPO厂商提供不同层级补充。整个行业最终更像异构拼图。 这个赛道门槛是半导体、光学、显示、封装、数据中心系统五个产业叠加。难点是如何同时做到：超高良率、超高一致性、超低误码率、超低功耗、超长寿命、超高密度。这里最难的几个环节包括：III-V外延、GaN制造、MOCVD、mass transfer、wafer-level alignment、光学耦合、thermal engineering、光学封装。 MicroLED仍然高度依赖III-V GaN体系，尤其蓝光/绿光MicroLED，本质更接近显示产业链。其瓶颈是GaN外延、高端MOCVD、MicroLED mass transfer、wafer-level alignment、optical packaging、thermal management、高速驱动IC。 很多东西已经开始接近“TSMC CoWoS + 光学 + 显示制造”三者叠加的复杂度。所以这个行业最终很可能形成极少数核心玩家，而且一旦进入hyperscaler production，护城河会非常深。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议，dyor

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：

如今总市值接近 4 万亿美元的苹果公司，最初的起点其实只是一块标价 40 美元的廉价电脑主板。 史蒂夫·沃兹尼亚克是个极其纯粹的技术极客，起初他把自己研发的电脑设计图纸到处免费送人。史蒂夫·乔布斯敏锐地抓住了商机，他提议把这些主板批量制造出来，将 20 美元的成本翻倍卖出去。 但两位创始人当时穷得叮当响。为了凑齐可怜的几百美元启动资金，他们只能砸锅卖铁。沃兹甚至忍痛卖掉了自己最值钱的家当：一台惠普 65 计算器。 第一批能运行简单程序的电脑主板成功卖给了一家本地电子商店。但这仅仅是活下来，真正让苹果公司一战封神的是接下来的第二代产品，而它的杀手锏是色彩。 在那个年代，彩色屏幕是标价数千美元的电视机才配拥有的奢侈功能。但沃兹做到了让人瞠目结舌的事情：他仅用一块 1 美元的廉价芯片，就让普通电脑显示出了彩色画面。 这个颠覆行业的灵感，居然是在严重睡眠不足的情况下诞生的。 当时乔布斯接下了雅达利公司的一个街机游戏项目，他硬是忽悠沃兹在 4 天内干完通常需要 6 个月才能完工的活。 在极度疲惫、半睡半醒的恍惚状态下，沃兹在雅达利的工厂车间看到一台游戏机在黑白屏幕上闪烁变色。他的大脑快速跳跃，回想起了高中学过的电子频率知识。 一个绝妙的方案诞生了：拿一块极小的芯片，往里面持续输入 1 和 0 并不断循环，就能硬生生模拟出彩色电视机的视觉效果。 当第一台原型机组装完毕，沃兹在内存里敲下几段代码，屏幕上奇迹般地跳出了一个蓝点。 他立刻把乔布斯叫了过来。两人站在屏幕前激动得浑身发抖。他们心里无比清楚，所有好玩的彩色游戏马上就能搬到个人电脑上了。 这项超前于时代的技术，成为了沃兹一生中最得意的发明。正是为了向世人宣告这项伟大的成就，苹果公司最初的标志被专门设计成了极其显眼的六色苹果。

大多数人不知道，手机自带的计算器里其实藏了个小彩蛋🎄 试试输入：47000 ÷ 188 结果会出现一棵“圣诞树”，而且基本各个型号的手机都能看到 👀，唯独iPhone 6s 除外😂

我实在是受不了“有了 AI 学英语可能真没用了”这样的观点，自己信就罢了，千万别去用这种观点祸祸下一代 先看原始观点： > ai时代，普通人学英语可能真没用了 > 假设数年后有这么一个眼镜，你看到的外文全部即时显示为中文，你听到的所有外语都完美地转化为相同音色传入耳朵，你说的中文完美地用你的音色转为外语。这是可以实现的，或早或晚。那大部分的普通人为啥学外语。 【1】首先怎么可能会有“完美翻译”，AGI 也做不到 机器翻译到今天仍然存在幻觉和偏离原文的问题，这是研究界公认的难题，技术手段只能降低，但是无法避免，毕竟人说话都可能会被误解。 日常聊天翻错了，最多闹个笑话。但在一些高风险场景：租房合同、保险条款、海外就医、签证材料、孩子的学校文件。这些场合出错了会实实在在造成损失的 【2】然后不要把什么都交给 AI，且不说科幻小说中的邪恶 AI，就现在的 AI 也有对齐和审查，你不懂英语就失去了校验能力 这一点很多人没意识到，但可能是最关键的。 每一家 AI 公司都会根据自身政策、所在国法规、商业利益来设定模型的行为边界。哪些内容可以翻译，哪些会被淡化，哪些干脆不呈现，这些都不由你决定。你以为戴上翻译眼镜看到的是原文的中文版，实际上你看到的是 AI 公司允许你看到的版本。 如果你懂一点英语，不需要句句都能写作文，但至少要能读原文、对照翻译、发现不一致。 就好比你用计算器、Excel 帮你算账，会一点数学至少能发现不对，还能手动检查一下。 【3】英语仍然是信息密度最高的入口 就算翻译质量很好，直接读原文依旧更快、更完整，因为翻译是额外工序，经常会把细节抹平。 细节上，技术文档、论文、合同条款，差一个词意思可能完全不同。 时效上，最新资料和讨论几乎都先以英文出现，像 X 上的就很多高质量的 AI 相关推文，我平时不需要借助翻译大概扫一眼就能知道哪些是值得阅读，哪些无关紧要，重要的可以借助翻译认真阅读。 英语至少给你一个不求人的入口。 工作和社交里，语言不只传递信息，还传递分寸、态度、幽默、立场。翻译工具能帮你开口，但很难帮你建立信任。 【4】学英语的意义不只是翻译 AI 能写代码了，不用学编程？AI 能画画了，不用学美术？AI 能作曲了，不用学音乐？如果每一项能力都因为 AI 能代劳就不值得学，人还需要学什么呢？ 这个论证的底层问题是把学习的价值完全简化成了实用产出，忽略了学习过程对人的塑造。 学一门语言，你获得的是另一种看世界的方式。英语强调主语和动作的明确性，中文更重视语境和隐含关系，不同语言有不同的认知框架。这不是翻译能替代的。 不是说一定要把英语口语练到像母语那么熟练，但至少能读懂原文要点（技术文章、新闻、合同、说明书），能听懂关键句（会议要点、风险提示），能用英文做交叉验证（AI 翻译和 AI 回答有没有被改写或遗漏），必要时能写简洁准确的英文（邮件、工单、简历）。 AI 能翻译不等于没必要学外语。现实不是非此即彼，工具降低了门槛，但不会让能力变得一文不值。AI 翻译让英语更容易用，但不会让英语没用。