与「讀字夜語」相关的搜索结果

记得Defi Summer 20年到22年这三年时间，大家经常感慨的一句话就是“币圈一天，人间一年” 因为技术迭代太快了，每天都有数不行的新东西出来，几天不看就跟不上节奏 现在这个感觉在币圈彻底消失，在AI那边出现了，每天的新东西就看不完，真的看不完 正好这几天看到圈里讨论Cerebras的帖子多了起来，昨天还看到不少路演信息，毕竟14号要挂牌交易。之前在Amber做分享的时候也单独讲过这个公司（当时用的那页PPT放在文末），所以简单说下我对Cerebras的判断 先说结论：这家公司很有意思，但核心变量不一定是他们造的芯片本身，而是未来AI的workload形态会是成什么样。 先简单说下它是干嘛的，防止有老铁还没看Cerebras 它最核心的技术，就是wafer-scale chip（晶圆级芯片），简单理解就是别人还在用“邮票大小”的芯片，它直接把整片晶圆做成一颗超大处理器，再配上超大 SRAM，把大量数据尽量留在本地高速处理，减少传统GPU最头疼的memory bottleneck。现在海力士美光涨上天就是因为HBM这东西太抢手，Cerebras是直接绕开了对HBM的依赖 很多人看到 Cerebras最牛逼的benchmark：推理速度比GPU快10-15倍，第一反应就是下一个英伟达？！ 先别急。 这个benchmark最大的问题，是默认AI的核心需求永远是“更快吐token”。 如果只是人类盯着ChatGPT聊天，这故事其实没那么性感。你每秒吐 30 个 token，我已经快读不过来了。再翻10倍，边际体验提升几乎为零。 真正有意思的是 Agent。 Agent不读字，Agent消费Token。速度直接等于生产力。 一个OpenClaw/Hermes agent，如果要读网页、写计划、调 API、跑代码、报错重试、继续执行，一个任务可能要几十次 inference call。 每次 2 秒，任务就是分钟级体验。 每次 200ms，就是另一个世界。 所以 Cerebras更值得关注的地方，是 AI worker 这条线，而不是单纯的chatbot加速。 但问题来了 - 它的magic来自 wafer-scale + 超大SRAM，本地访问极快。但SRAM这东西有天然 tradeoff，速度快，容量贵，大模型塞不下就必须拆分。 而一旦拆分，chip-to-chip communication 就上来了。 LLM inference里最怕通信的恰恰是 decode 阶段。token 是一个一个往外吐的，每多一次 hop，延迟就是硬加上去，没法隐藏。 所以 Cerebras能不能成，关键根本不在“比 GPU 快几倍”，而是未来 AI 的主流计算形态到底是什么。 1. 时间线一 - 未来几年还是 前沿超大模型一统天下，动不动几千亿甚至万亿参数，所有请求都让超大模型自己处理，那 Nvidia的distributed infra 依然最舒服，Cerebras的速度优势会被通信损耗吃掉很多。 2. 时间线二 - MoE、蒸馏、量化这些技术如果继续快速进步，未来两年70B左右的模型做到今天700B模型 80%-90% 的效果，我一点都不意外。（这里要强烈感谢Deepseek一大波!) 如果世界往这个方向走，故事就变了。 大模型负责 planning / judgement / orchestration。 真正执行任务的大量 worker model 落在 30B-70B 这个区间。 这些模型足够聪明，又刚好能吃到高速本地推理带来的红利。 Agent 世界里，大部分token根本不需要最聪明的大脑。很多工作本质就是执行层体力活：浏览网页、改代码、调工具、retry、继续跑流程。 这个 topology一旦成立，Cerebras就直接进入自己的甜区 3. 时间线三 - 未来推理是端侧为主，用的都是8B，14B的这些小模型，那GPU也能跑的很好，甚至专用的ASIC芯片效率更高，这个场景下Cerebras的优势和护城河也就不高了 换句话说，超大模型云端推理或者超小模型的端侧推理这两个平行宇宙，Cerebras的优势都不够明显，只有主流推理落在32B-70B中等模型这个Size，正好“Big enough to stress GPU memory, Small enough to fit locally” 才是Cerebras最能大展身手的世界 所以我对Cerebras的判断是，300多亿的市值，短期看订单，财务报表这些数据，长期赌的则是未来Agent时代的计算范式到底落在哪个平行宇宙的时间线上

身弱之人，切记：求印不求财，一旦破局，即是巅峰。 我有个朋友，做电商的。上次见面吓我一跳，三十出头的人，看着像四十多。 他说自己每天一睁眼就是数据、流量、推广费，闭眼就是库存、账期、现金流。像个陀螺，被一根看不见的鞭子抽着，停不下来。 他问我：“我创业是为了赚钱，怎么现在赚的钱全变成了库存和下个月的推广费？自己能花的，还没上班时候多。” 我说：“那你别干了呗。” 他苦笑：“停下来公司就倒了。” 我说：“你这就是典型的——越努力，越没钱。” 古人早就说过：身弱不担财。 不是身体弱，而是你的内核——能量、心性、底子还太薄。 一棵小树苗，根都没扎稳，就想扛狂风暴雨，结果不是长得快，而是连根拔起。 很多人突然抓到风口，一夜暴富，然后迅速迷失，德不配位，最后连本带利还回去，还背一屁股债。 为什么？因为你的CPU带不动那么大的软件，一运行就死机。 所以，身弱的人，别急着求财。先求印。 印是什么？说白了就三样：身体、认知、心性。这些是给你“充电”的，而不是消耗你的。 你花一年时间读一百本书，一分钱不赚，但脑子变了； 每天早睡早起、好好吃饭，业绩没涨，但身体变了； 每天静坐半小时，不刷手机，心定了。 这些东西短期内看不到钱，但它们是地基。没有地基，你盖多高的楼，倒得多快。 我给那个做电商的朋友开了三个方子： ① 养身体，关掉熬夜模式 把所有功能饮料和咖啡扔掉。晚上11点前必须躺下，早上起来第一件事不是看手机，而是去户外走一小时。自己做饭，停掉外卖。 身体是你唯一的本钱，你把它折腾垮了，财神来了也进不了门。 ② 洗认知，取关所有“教你赚钱”的大V 把手机里所有讲引流、爆款、快速变现的账号全取关，吹水群也全部退出。 我给他推荐了三本书：《道德经》《曾国藩家书》《毛选》。每天读三个小时，一个字一个字读。 这些不教你怎么赚钱，但教你什么是规律、什么是人性、什么是真正的长期主义。当你脑子里装的是“道”，心就定了。你不追风口，风自然会来找你。 ③ 修心性，每天给自己一小时“发呆时间” 关掉手机，不看书，不听音乐，就静静坐着。观察自己的念头，看那些焦虑、恐惧、嫉妒、着急是怎么冒出来的。 当你能看着情绪起来，而不被它带着跑，你就赢了。这份定力，是你最值钱的护身符。 朋友半信半疑，还是照做了。他把公司交给副手，自己退下来半年。 头一个月他特别痛苦，像废人一样想看数据，但他忍住了。 一个月后，睡眠好了，吃饭香了。 三个月后，他说能看进去《道德经》了，发现里面全是做生意的智慧。 半年后回公司，所有人都说他变了：不急了，不吼了，更沉稳了。 他砍掉80%的产品线，只留几款利润最高、复购最好的。把省下来的推广费全砸到产品研发和客户服务上。 一年后，销售额没暴涨，但利润率翻了三倍，现金流健康得要命。他自己每天下午三点就下班，回家喝茶、看书、陪家人。赚的钱比以前多，却轻松了一百倍。 他从一个被事业拖着走的“陀螺”，变成了驾驭事业的人。他破局了。 这个时代，所有人都催你快、催你抓风口、催你马上变现。 很少有人告诉你：要慢下来，先把自己养成一个能量具足的人。 竹子用了好几年，只在地底下长根。一旦破土，几天就能蹿成参天大树。 你花在“求印”上的所有时间，都不会浪费。你在给自己修一个越来越深、越来越大的能量水库。 当水库蓄满了水，你破局的时刻就到了。 以前你求着别人合作，以后别人排着队来找你； 以前你做什么都觉得累，以后你有用不完的精力； 以前你总怕错过风口，以后你自己就是风口。 这个时候，财不是你去追的，而是它来追你。 你不再需要追逐光，因为你本身，就可以发光。 愿你也能耐得住寂寞，把自己养“强”。 然后，一击破局。

3、​ 任意一篇英文长文 → 中文双人对谈 mp3。​ ​ 拿 Paul Graham《How to Make Wealth》(12000 字英文) 跑的:​ LLM 改写成 16 段两个中国年轻人的口语对话,​ A 用 lively-girl(活泼好奇,负责追问),​ B 用 zixinnansheng(老成稳健,负责展开),​ TTS 双角色合成,输出 8 分 10 秒 mp3。​ ​ 通勤路上听完了，比自己读 12000 字英文舒服得多啊。

@JEAN84812676 习包子通商宽衣 2016年G20杭州峰会开幕演讲，习包子引用古籍《国语·晋语四》里的“轻关易道，通商宽农”，习包子却念成了“通商宽衣”。“农”字被读成“衣”，瞬间从经济政策变成“宽衣解带”式的搞笑画面。事后官方迅速删除相关音频和敏感词，央视视频也做了剪辑，但已经传遍网络，成为“宽衣大帝”的由来。

豆包进飞书后，飞书直接成了自媒体创作神器，打通了选题、创作、复盘全流程！！！ 飞书多维表格、云文档、知识库配合 CLI 够爽了，现在飞书里的豆包可以读你的资料、操作电脑、浏览器、做PPT、图片、视频...... 我这次直接拿“一个人+飞书做 AI 自媒体”跑了一遍： 1、找选题：打开浏览器搜近期内容，最后找了 10 个公开来源，把标题、链接、发布日期、核心信息、互动数据和用户问题全部写进飞书。 2、内容存档：直接建好多维表格。它自己做了 14 个字段，按照账号匹配度、热度和信息增量打分，再做出选题优先级视图和数据看板！ 3、创作：选中一条继续创作。它沿着表里的资料写完一篇 X 长帖，又生成了 3 套封面标题、3 组提示词和 3 张封面图，全部写回同一条记录。 它搜索的资料、做的判断、生成的内容和图片，全都留在飞书里。整个过程每一步都能看、能改，包括来源、评分规则也都可以调，标题和图片不满意就让它重做。 飞书负责把资料、选题和成品整理并存好，豆包负责搜索、整理、判断和创作。全自动在浏览器、文档、表格和生图工具之间调用。

AI模型评分都是被专项攻坚创造出来的，于是我对比了Fable5，Grok4.5， Kimi K3针对同一个交易系统审计结果进行了对比。 先说结论： Fable5：最适合作为系统级主审核模型 Kimi：最适合作为代码缺陷与一致性专项审核模型 Grok：最适合作为代码梳理和方案发散模型，不适合单独决定策略修改 最佳组合：Fable5全面审核+Grok 4.5代码梳理+K3代码审核 具体细节： 1. Fable5：系统级判断能力最强 Fable5 最大的优势不是代码读得比另外两个模型更多，而是它能把： 代码规则； sizing snapshot； intent ledger； 实际 block 统计； 当前资产 headroom； SELL/REDEEM 回流路径； 放进同一个因果框架。 它使用了几个非常关键的实盘指标： ADD 近 7 天约占新增资金 43%； 84% 资金已经部署； ETH、SOL、XRP headroom 为 0； 近 40 个周期中主要阻塞是：blocked_capital_efficiency=47 blocked_asset_cap=28 deployment cap=0 runway=0 这让它能够区分： “某个机制理论上可能限制资金” 和 “当前实盘真正正在限制资金的机制”。 最终它得出： ADD 对资金流向重要，但当前周转主因在回收端、资产 cap 和效率过滤，不在 ADD 准入本身。 这是三个模型中最接近生产系统审核要求的判断。 弱点 Fable5 仍有一些过度推断： 把 ADD 描述为让资金“锁得更久”，实际上 ADD 的剩余 TTE 通常比 ENTRY 短； 把超 cap 资产总持仓约 $382 说成可以“直接解锁 $382”，没有区分总持仓、超额部分和可成交部分； 把模型中的 redeem_lag_days=2 一度当作实际回款延迟； “$5 仓位几乎不受每美元每日利润门约束”的推理不正确，因为该指标已经按资金归一化； 2-lot 最低 ENTRY 建议可能系统性损失覆盖率。 因此，Fable5 的系统方向判断最好，但具体数字和金融指标仍需二次校验。 最适合的角色 PRIMARY_SYSTEM_REVIEWER LIVE_OPERATIONAL_DIAGNOSIS CHANGE_PRIORITY_DECISION CROSS_MODULE_ROOT_CAUSE_ANALYSIS 2. Kimi：代码缺陷侦测能力最强 Kimi 对代码结构的还原比较准确： 固定 ADD 次数和 interval 已退役； ADD 采用 target-gap 模型； ENTRY 60%，ADD 补到 100%； allocator 是最终数量权威； style 仅作诊断； 现金、集中度、shock、深度共同限制订单。 更重要的是，Kimi 找出了其他两个模型没有明确指出的具体问题： shared_deployable_pool() 读取 account_snap["capital"]["deployable_cash"] 但该字段可能没有实际写入 → 回退到 free_cash → 策略层与 allocator 层资金口径可能不一致 它还发现了： 合同写 debounce 60 秒，代码/配置为 30 秒； 注释周期 16 分钟，实际 loop 600 秒。 这些是典型的静态审核、字段追踪和合同一致性检查优势。 弱点 Kimi 在资本效率和交易语义上的推理弱于它的代码检查能力。 典型错误是： ADD 价格更高，所以边际 edge/day 必然更差。 这忽略了剩余持有时间也缩短。更高 ask 并不必然意味着更低 edge/day。 它还认为： 60/40 会让剩余资金长期闲置； 提高 entry share 会改善周转； CONFIRMATION_NO 应收紧； 增加单市场软 cap 会改善组合周转。 这些结论缺少真实候选竞争、实际 block attribution 和反事实分配数据支持。 最适合的角色 STATIC_CODE_AUDITOR SCHEMA_AND_FIELD_FLOW_CHECKER CONTRACT_IMPLEMENTATION_DIFF LOCALIZED_BUG_DISCOVERY Kimi 很适合回答： “代码是否存在字段没有写入、默认值回退、文档与实现不一致、某个 gate 实际是否生效？” 但不适合单独回答： “应该如何改变交易策略和资本分配？” 3. Grok：代码梳理最完整，但最容易过度设计 Grok 对整个 ADD 路径的整理最详尽： 各层准入条件； risk latch； REDUCE reentry cooldown； 价格带； fingerprint； emergency cap； market target； ENTRY/ADD gap； allocator 的现金、集中度、shock 和深度约束； ADD 与 ENTRY 的评分和 continuity； SELL/REDEEM 对现金回收的影响。 它对当前代码执行模型的概括非常清楚： 能不能加由 headroom 决定；加多少由 target gap 离散为 lot；ADD style 只是解释标签。 因此，在“快速理解一个陌生复杂系统”方面，Grok 表现很好。 弱点 Grok 最大的问题是： 从“发现一个可能的机制副作用”快速跳到“建议修改策略”。 它提出了大量未经实盘证明的改动： TIME_TOPUP 冷却； ADD 1.5 倍 edge/day 门槛； ask≥0.97 限制为 1 lot； 降低 peak target； 提高 entry share； 单次仅补部分 gap； 弱化 continuity； 降低 TTE confirmation 权重。 这些建议表面上都很合理，但存在三个问题： 没有先证明这些机制实际造成了损失； 没有量化被 ADD 挤出的 ENTRY 是否更优； 可能重新引入此前已经修复的低 ADD recall 和 leader fidelity 偏差。 Grok很擅长生成完整优化空间，但容易把： POSSIBLE SIDE EFFECT 升级成： CONFIRMED ROOT CAUSE 再进一步升级成： SHOULD CHANGE PRODUCTION LOGIC 这是生产交易系统审核中最危险的倾向。 最适合的角色 SYSTEM_MAPPING CODE_AND_CONFIG_EXPLANATION HYPOTHESIS_GENERATION DESIGN_OPTION_ENUMERATION 不适合作为唯一的： PRODUCTION_CHANGE_APPROVER ROOT_CAUSE_FINAL_AUTHORITY STRATEGY_SEMANTICS_GATEKEEPER 三个模型的典型思维模式 Grok 发现机制 → 推演可能副作用 → 生成多种优化 → 倾向建议修改 优点：覆盖广、思路多。 风险：过度设计、假设升级过快。 Kimi 追踪代码和字段 → 找实现不一致 → 找局部缺陷 → 尝试从缺陷推导策略改进 优点：代码问题定位强。 风险：局部正确不等于系统结论正确。 Fable5 理解代码 → 读取运行数据 → 找实际 binding constraint → 区分主因和次因 → 按实盘收益排序 优点：最接近生产运营思维。 风险：仍会在个别指标含义和金额口径上过度断言。

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。

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#

曾国藩有过四次被人劝进做皇帝，最后都被他挡了回去。他甚至主动裁撤湘军，表示对朝廷的忠诚，这是为什么？ 在《冷月孤灯：静远楼读史》中，唐浩明老师做了一番分析。 作为理学信徒，曾氏的人生榜样是圣贤而不是豪杰，造反做乱臣贼子的事，他死也不会干。 关键是，假若曾氏真的造反，他多半也不会成功。 1，曾氏没有足够的实力。湘军只是湖南军事团队的总称，湘军有众多独立山头，每支人马都只听命于自己招募来的统领，“将存军完，将死军散”。 完全听从他个人指挥的只有他的嫡系部队，吉字营和水师。吉字营在战后快速腐败，战斗力被南京城里的金银财货瓦解。这批发横财的湘军将士，急着将财宝运回湖南享福做土财主，谁还会为领袖提着脑袋打天下。对此曾心知肚明。 2，真要打仗，曾氏得仰仗九弟曾国荃，老九倒是英雄豪杰式的人物，但真要打下江山，愿不愿将皇位给大哥还不一定。 3，湘军内外有强大的反对和监视。这是咸丰慈禧早就设计好的制衡术。身为满人，对执掌军权的汉人更是时刻提防。比如曾国藩和左宗棠之间就不对付。 湘军的旁边，还有两支满人做统领的绿营一直在协同作战，同时也负有监军的责任。 老到谨慎的曾氏可不愿意趟可能身败名裂乃至毁家灭族的浑水。

黑社会好笑事儿 如果有人把真实黑社会段子收集起来，完全可以是本好书。 先说明，估计有人会问我怎么认识那些老大的。 我小时候住的小区有空地，隔壁属底层社会，小混混老来玩；过若干年，小混混混成大哥；先师是喇嘛，一徒的女婿是当时悉尼最嚣张老大，他家两次逃难都住我家；先师有些监狱里皈依的徒弟，后来刑期满了出来（他们对师父没有特别。不特别乖，不特别坏，就是普遍和普通人一样。唯一就是我师弟女婿那个有些好玩的故事而已，其他没啥特别的事）；喜交有趣朋友有义气人见人爱不耻下 问。 ~~~~~~~~~~~ 昨和黑友聊天。这个人呢，是我上暑期日语版认识的。 他是想逐渐转行，譬如当导游什么的，但只是一厢情愿随便想想而已，我们读的是初版而已，都没考过N5（最低那级），后来我也没再读，他也没再读，偶然还有联系。 暑假嘛，同学都是高中毕业那年纪的，老师大概28岁，班上只有我和他两个中老年人，自然比较聊得来。 我问他干啥的，他说是混社团的（没有真的黑社会分子会自称“黑社会”的，那很弱智），但现在难混，想自我增值，所以来学日语。 他唉声叹气：现在社团太难办了。收小弟不是得开香堂斩鸡头吗？现在政府管治，活鸡难买，必须从大陆和毒品一起走私过来；好不容易搞到鸡了，小弟一阵子说怕感染禽流感，一阵子又说残忍，有的不敢动手，还有说自己拜佛吃素不能杀生的。 以前我还有另外一黑社会朋友，他只是小弟级别，其身份称为“挂蓝”，即挂蓝灯笼/死人的意思，表示过去的自己已死，现在等待入会重生；额...虽然这形容不是很恰当，但有点算黑社会版的“沙弥”阶段吧......他告诉我，他一直没参加开香堂正式入会，是因为他是基督徒，不能拜偶像、上香！ 他说：“时代不同了，这行无法做了……” 老大继续：让小弟把诗背下来（黑社会暗语），他们说必须写下来才好回家背。我们是黑社会，怎么可能把这些写出来？被查到身上有这些文字很麻烦的嘛！没办法，也只好写一遍……小弟又这字不认得那字不懂读，还得为他们写上英文注音……搞了两个月，总共才四句、二十八个字都记不住... 老大告诉我一个案例：一次，两个小混混喝酒争女孩发生摩擦。按规矩，有争执必须第一时间亮堂口身份，否则被打错也不能怪人。 他的小弟只记得四句诗里其中一句，想了半天重重复复凑不出整段。 对面小混混更不靠谱，连自己堂口叫什么也忘记了，得当场打电话问他自己的老大... 老大还在继续骂：“……年轻那代就是不靠谱。老祖宗传下来的中华文化就这样被他们丢了，都变了、都没了……” 话题在说着说着不知不觉间，在他嘴里，黑社会就很自然地上升到“中华文化”级别了。可是，虽然我格鲁派，但我也没展开争辩...有生存智慧的人是不会和黑社会、老婆争辩的！ 如果上面这段拍电影，必须找下图里这人来演！