与「那一步，面对狗叫奇葩内嵌RPG引擎都成了无头苍蝇但人类是个人都能看懂…一个WolfRPG这堆模型胆大艺不精，纷纷去硬刚字节码，你模仿Mtool也行啊…」相关的搜索结果

刚刚一小时自己烧了80刀，试了Opus，Codex，Grok，DS逆向Mod黄油，全军覆没… 狗叫Unity都只能到C#那一步，面对狗叫奇葩内嵌RPG引擎都成了无头苍蝇但人类是个人都能看懂…一个WolfRPG这堆模型胆大艺不精，纷纷去硬刚字节码，你模仿Mtool也行啊…# 也许黄油水平不高但过于脱离语料覆盖，于是纷纷全跪了…

与黑天鹅同行：BTC 期权卖方策略的仓位管理指南（2026） > 本文的凯利公式的应用方法主要参考 Retail Options Trading (Sinclair & Brodie, 2024) 第 17 章 期权卖方策略的特点就是“赢小亏大”（见下图每周 P&L分布），虽然总体胜率高达八九成，但是一次尾部事件就可以让几个月积累的利润归 0。这种偶尔让人极不舒服的大亏也正是做空波动率风险的溢价来源。 我们可以试图通过一些信号过滤降低遭遇尾部行情的概率，但是这类方法在降低尾部行情的同时也往往降低了盈利，导致遭遇尾部事件时，可能尚未通过盈利建立起足够的缓冲垫。 面对这种困境，Sinclair 给出的方法是接受尾部事件是策略的一部分，不去消灭尾部，而是通过凯利公式进行仓位管理让单次的尾部事件的破坏力可控，不至于让账户失去交易能力。 在应用凯利公式之前，我们先来看看参与对比的几种期权卖方策略： 做空周末波动率 本周期之神（ETF 上市后），夏普高达 3.35，最大 2 笔尾部亏损分别为 2025 年 10 月 10 日的 -4.78% 和 2026 年 1 月 30 日的-3.78%，这 2 次亏损占总体亏损的 64%。 策略详见： 每周 10 Delta 现货备兑 本周期最强现货备兑策略，胜率 93.6%，夏普 1.19，最大单笔亏损为川普当选后的 2024 年 11 月 8 日至 15 日， BTC 单周上涨 15.7%，策略亏损达到了-4.07%。 策略详见： 每周卖出平值 Put 本周期最强卖 Put 策略，胜率72.3%，夏普 0.33，最大的两笔亏损来自 2025 年 2 月 25 日和 2026 年1 月 30 日，两周亏损了 94 周权利金收益的40%。如果排除这两笔最大亏损后的夏普为 1.5+，当然交易没有如果，只是说明这个策略是本周期尾部行情的最大受害者。 策略详见 具体的 9 个步骤的计算结果可以看图中下表： 第 1 步：确定心理预期最大亏损 这个值不参与运算，只是用户和计算结果对照 第 2 步：确认原始凯利公式上限 可以通过对比离散凯利、连续凯利（包括平均亏损，最大亏损）的计算结果，确认原始凯利公式能接受的最大亏损比例。 第 3 / 4 步：将第二步结果两次折半，即1/4凯利 半 Kelly 收益只丢 1/3，但波动率小一半，因此宁肯低估不要高估。 第 5 步：正偏加成 做空波动率的偏度为负，远端尾部全在亏损那侧，所以这个加成不适用，这一步是给做多波动率策略用的。 第 6 步：左偏减仓 和上一步相反，对于赢小亏大的策略，单笔 Kelly 公式假设损失就是平均损失，但真发生时是 3-4 倍的平均损失。 第 7 步：肥尾减仓 极端事件的实际幅度远超正态分布预测，比如 2025 年 10 月 10 日的那笔是 5 个标准差的跌幅，在 100 个样本的发生率为 10 万分之 6，但我们还是碰到了。 第 8 步：小样本减仓 小样本的区间估计较宽，容易高估优势。 第 9 步：相关策略合并减仓 我们这里是假设三个策略单独跑的仓位管理，所以这一步不适用。 最终结果 做空周末波动率修正后的可承担最大亏损预算为 4.79%，和历史盈亏分布中的最大亏损 4.78% 几乎一致（4.79 / 4.78 ≈ 1），意味着假设的10 万美元账户确实可以用来开一组。 每周 10 Delta 现货备兑修正后的可承担最大亏损预算为 3.64%，略低于历史盈亏分布中的最大亏损 4.07%，意味着 10 万美元账户卖出一张的比例略高（3.64 / 4.07 ≈ 0.89），账户余额需要提高到 11 万美元。 每周卖出平值 Put修正后的可承担最大亏损预算为 0.45%，大大低于历史盈亏分布中的 17%，意味着样本期内表现出的风险过大了，需要更换策略。

前几天，我从编辑那里得知，《设计，下一步》（Design Forward）首版已经售罄，加印也已经完成了。 这当然是个让人开心的好消息。尤其是在今天，这个“知识不断贬值”、图书市场越来越冷清的时代，一本谈论设计的书，居然逐渐成为了一本畅销书。说实话，作为作者的我，有那么一刻确实感到非常骄傲。 这本书是在去年圣诞节前夕上市的。在过去半年的时间里，我收到了很多读者的来信。有意思的是，很多人都不约而同地提到了一个词：“陪伴”。 他（她）们说，读这本书的感觉，并不像是在“学习”，而更像是一种轻松而真实的陪伴。好像有人坐在旁边，一起聊设计，聊生活，也聊人与世界之间那些说不清的小事。虽然我们未曾见面，但我们的关系是亲密的，熟悉的。 我后来发现，这或许正是一本“好书”真正能打动人的部分。它不只是提供知识，也不仅仅是输出观点，而是让人愿意停下来，结伴一起往前走。其实，好的设计也是一样的 —— 真正让人感到舒服的东西，背后往往靠的是真诚。 而这种亲密感，并不来自作者刻意的谦逊或者姿态，而是来自于愿意坦率地面对自己，面对现实，面对我们真实的处境。这就是生活本来的样子，我想记录的也正是生活中“真实”的那部分。 这是我的第一本书。我其实还没有完全适应“作者”这个身份，但我已经开始感受到一种很特别的鼓舞与安慰。这比我单纯做设计带来的成就感更加强烈，这是我乘着设计之帆抵达的最远的地方。 所以，也想把这个消息分享给你。 相信我。在这个世界上，总会有人愿意与你一起同行。 我们并不孤单。

《2026加密用户税务挑战与高净值用户生存指南》 昨天这个关于数据上报国税局的截图在中文加密圈引发了大量讨论，我浏览了一下各种说法，感觉都不是很完善，今天专门花时间针对中国KYC用户如何规避可能的税务追索做一些总结和建议。 本来中午已经发出，但跟币安的小伙伴进一步沟通后，发现有些重要信息不太准确，所以删除后再次编辑发出。 回答部分来源于Gemni，Grok 和Chatgpt，可能依然有不够准确的地方，请指正。 ~~~~~~~~~~~~~~~~~~ 随着 2026 OECD 推动的《加密资产申报框架》（CARF）正式进入“数据收集年”，对于拥有加密高净值用户来说，那个“只要不出金就没人知道”的隐身时代正步入倒计时。 下面我通过一系列 Q&A 来深入分析 1⃣什么是 CARF？ 截图提到的 CARF (Crypto-Asset Reporting Framework) 是由 OECD（经合组织） 开发的“加密资产申报框架”。 目的： 为了应对全球加密货币避税问题。 逻辑： 类似于传统金融界的 CRS（全球税收信息交换）。它要求加密交易所收集用户的身份和交易信息，并自动交换给用户的税务居住地国家。 时间线： 2023年11月，包括英国、巴西、欧盟成员国、开曼群岛等在内的 48个国家和地区 发布联合声明，承诺在 2027年 前完成首次信息交换。这意味着数据收集确实会在 2026年 左右全面铺开。 简单说，2026会是全球加密不交税好日子结束的重要时间节点。之前你可能不需要考虑税务规划的问题，但现在你必须要面对了。 2⃣我在币安的资产信息是否已经被各国税务掌握？ 大家最关心的问题之一是这个，需要分国别而言。 对于CARF成员国而言，答案是肯定的，比如澳洲。目前澳洲ATO无疑已经掌握了澳洲KYC用户的资产和交易信息，如果没有及时报税将可能面临巨额罚款。 对于中国 KYC 用户还不用紧张，因为中国还没有加入CARF，而且要加入有不少前置条件，至少短期不会开始。 而且根据我和币安小伙伴的核实，币安也不存在账户数据自动分享的可能性， 是“可交换的基本信息”。 这也是昨天币安的小伙伴在多个渠道辟谣的重要原因，流传的截图中是AI自己编纂的信息，并不准确。 3⃣中国大陆如果要加入CARF需要多久 要加入CARF并不简单，前置条件包括： 💙修改需要修订《中华人民共和国税收征收管理法》或出台专项法规，赋予税务机关强制加密资产服务商（CASPs）收集并报送用户身份、交易记录和税务居民信息的权力。 💙资产定性明确：虽然加密货币交易在境内被严厉监管，但从税收角度需进一步明确其作为“财产”的法律地位，以便按“财产转让所得”等科目征税。 💙中国需签署《加密资产申报框架多边主管当局协议》（CARF MCAA） 💙技术与行政基础设施建设 参照其他法域（如香港、新加坡、日本）以及此前中国实施 CRS（全球信息交换标准）的经验，整个过程通常需要 3 至 4 年 左右。 比如香港：2024 年底承诺，计划 2026 年完成立法，2027 年收集数据，2028 年 首次交换 所以使用中国KYC的小伙伴短中期内都可以安心，虽然随着全球 CARF 框架的推进，中国为了打击洗钱或增加税收，迟早会加入加密资产信息交换，但我们可以密切关注一下这些前置条件的进展，有相对宽裕的时间做好准备工作。 4⃣加密货币不合法，能收税吗？ 这是一个常见误区，之前我讲到这个主题很多人跳出来反驳我，这次我专门多方收集了资料： 不合法并不代表不需要交税。在法律逻辑上，“违法所得”同样在征税范围内。 在中国税法中，并没有规定“只有合法收入才纳税”。相反，打击非法经济活动的手段之一就是追缴非法所得及其对应的税款。 在很多涉及洗钱或非法经营加密货币的刑事案件中，除了没收非法所得，法院和税务部门往往会核算其未缴纳的税款。 早在 2008 年，国家税务总局曾发布过关于个人通过网络收购玩家的虚拟货币（如游戏币、Q币）并加价销售取得收入征收个人所得税的批复。 法律专家普遍认为，由于加密货币在定性上与这些虚拟币类似，税务部门可以参照“财产转让所得”按 20% 的税率对你的差价收益征收个税。 所以，不要想当然。国家真缺钱的时候，你们这个不合法合规的盾牌就是纸糊的。 所以先期待中国能晚点盯上加密收税这块肥肉吧。 ~~~~~~~~~~~~~~~~~ 对于注册地已经在CARF里的小伙伴没有怎么办？ 🍀既然躲不了就合理避税 在 2026 年这个节点，简单的“藏”或“买身份”已经无法解决根本问题，更好的是“税务身份的实质性迁移”。 ❤️最强避风港：阿联酋（迪拜/阿布扎比） 税务优势： 阿联酋对个人投资者的加密货币收益征收 0% 的资本利得税和个人所得税。 操作建议： 通过购买房产（AED 2M，约 54.5万美金）获得黄金签证（Golden Visa）。 核心逻辑： 既然数据迟早要上报给阿联酋税务局（FTA），那你干脆就成为阿联酋的税务居民。当币安把你的数据报给 FTA 时，FTA 看到你是本地税务居民且税率为 0，就不会再把数据转发给中国或澳洲（或者转发了也无所谓，因为你在阿联酋是合法免税的）。 难点： 你必须每年在阿联酋居住一定时间，并获得当地的税务居民证。如果你有小孩，那小孩也得去那边读书，不然你还是中国税务居民。 ❤️性价比最高：泰国（LTR 签证） 泰国为了吸引数字人才，在 2025-2026 年推出了极其激进的优惠政策。 税务优势： 泰国政府宣布，从 2025 年到 2029 年底，个人通过受监管平台交易加密货币产生的资本利得免征个人所得税。 操作建议： * 申请 10年长期居民签证（LTR Visa） 中的“富裕全球公民”类别（资产要求正好是 100万美金）。 核心逻辑： 泰国虽然也参与国际协作，但其国内法目前明文免税。你可以在泰国合规地将 USDT 换成泰铢或美金，这笔钱在国际银行系统中是“完税/免税”的干净资金。 这些尤其对于CEX里的高净值人群值得参考。 其它还有一些方法，就不太方便公开说了。 最后，2026是加密行业全面合规的开始，我们已经享受了十年不交税的好时光了，总会有这么一步的。 应该庆幸的是中国还没有在CARF里，我们还比其他很多国家的小伙伴幸福了，但也得提前开始考虑税务问题，做好准备。

老黄站在 CES 2026 的舞台上，身后的屏幕突然黑了。“所有系统都挂了，”他笑着说，“这在圣克拉拉从来不会发生。是因为拉斯维加斯吗？外面是不是有人中了头奖？” 这个小插曲倒是个不错的隐喻：2025 年的 AI 行业，就像一台马力全开但偶尔冒烟的机器。所有人都在全速狂奔，所有系统都在满负荷运转。 老黄在 CES 上说，每隔十来年，计算行业就要来一次大洗牌。从大型机到 PC，从 PC 到互联网，从互联网到云，从云到移动端。 这一次不太一样，地震是双重的。不仅应用要建在 AI 之上，连我们写软件的方式本身都变了。 “我们不再编程软件，我们训练软件。不再跑在 CPU 上，而是 GPU 上。”过去的应用是预编译好的，装在你设备上就那样了。现在呢？应用理解你的上下文，每次从零开始，实时生成每个像素、每个 token。 这意味着过去十年砸下去的十万亿美元计算基础设施，都要升级换代。老黄算了一笔账：全球百万亿美元产值的产业，研发预算正在从传统方法向 AI 方法迁移。风投每年两千亿美元涌入这个领域。这就是为什么大家都这么忙。 【1】2025，大模型的三个拐点 老黄回顾了 2025 年 AI 领域的几个关键进展。 第一个是推理模型的出现。2024 年底 OpenAI 发布 o1，第一次让 AI 学会了“思考”。以前的模型是一口气给你答案，对就对，错就错。现在的推理模型会停下来想一想，把问题拆开，一步步推演。想得越久，答案往往越靠谱。老黄管这叫“test-time scaling”，也就是用更多的推理时间换更高的回答质量。 第二个是 Agentic 系统的爆发。AI 不再只是回答问题，而是开始“做事”了。它会自己规划步骤，调用工具，查资料，写代码，甚至操控其他 AI。2025 年，这类系统从实验室走向了真实应用。 第三个是开源模型的崛起。DeepSeek R1 的发布像一颗炸弹，证明了开源模型也能达到前沿水平。虽然还落后闭源模型大约六个月，但下载量已经爆炸式增长。创业公司、研究者、学生、甚至各国政府，都开始用开源模型构建自己的 AI 能力。 这三个突破并非孤立存在。推理能力让 Agent 更聪明，开源模型让 Agent 更容易构建。它们相互催化，共同把 AI 推向了一个新阶段。 【2】Agentic AI：从“能聊天”到“能干活” 三个突破里，Agentic AI 可能是离普通人最近、又最容易被误解的一个。 先说一个直观的例子。老黄提到，英伟达内部现在大量使用 Cursor 编程工具。这不是普通的代码补全，而是一个真正的 AI Agent，你告诉它想实现什么功能，它会自己规划怎么写，查阅文档，生成代码，测试，修 bug，甚至重构。程序员的角色从“写代码的人”变成了“审代码的人”。 这就是 Agentic AI 的本质：AI 从被动回答问题，变成主动完成任务。 ChatGPT 刚出来的时候，最大的槽点是“幻觉”，它会一本正经地胡说八道。因为它只能依赖训练时学到的知识，没法获取新信息，但它又被要求有问必答，所以不得不胡编乱造。你问它今天的天气，它只能编一个。 Agentic 系统解决这个问题的方式很简单：让 AI 学会“查资料”自己补充上下文。遇到不确定的问题，它会先判断“我需不需要去查一下”，然后真的去搜索、去阅读、去核实。这个判断本身就需要推理能力，所以第一个突破（推理模型）是第二个突破（Agentic 系统）的基础。 但 Agentic AI 的能力远不止于此。 【3】Agent 的四种超能力 老黄在演讲中描绘了一个完整的 Agent 能力图谱。我把它总结为四种超能力： 第一，会推理。遇到从没见过的问题，Agent 不会直接说“我不会”。它会把陌生问题拆解成一堆熟悉的小问题，然后逐个击破。就像一个聪明的实习生，虽然没做过这个项目，但能把它分解成自己会的步骤。 第二，会用工具。Agent 可以调用搜索引擎、计算器、代码解释器、数据库，甚至其他 AI 模型。它知道什么时候该用什么工具，就像一个老练的工匠，手边有一整套工具，可以随手选最趁手的那个。 第三，会规划。面对复杂任务，Agent 会先想好怎么做，制定计划，预判可能的结果，然后一步步执行。不是闷头往前冲，而是“三思而后行”。 第四，会协作。这是老黄特别强调的一点：现代 Agent 系统往往是多个模型并存的。一个 Agent 可能同时调用好几个 AI：用专门的模型处理图片，用另一个模型写代码，用第三个模型做总结。就像一个项目经理，知道每个专家擅长什么，然后把任务分配给最合适的人。 他特别提到 Perplexity 的做法让他眼前一亮：“第一次看到他们同时用多个模型，我觉得这太天才了。”道理很简单：一个 AI 当然应该在推理链的任何环节调用最适合那个任务的模型。 所以未来的 AI 应用是什么样的？多模态（理解语音、图像、文字、视频、3D）、多模型（不同任务用不同模型）、多云（模型分布在各个云上）、混合云（有些在边缘、有些在企业、有些在云端）。 【4】一个 Agent 是怎么工作的？ NVIDIA 为此搞了一套叫“Blueprint”的框架。演讲中展示了一个演示：一个小哥用 DGX Spark 搭了个个人助手，能管邮件、日历、待办事项，还能控制一个小机器人。隐私敏感的邮件任务用本地模型，其他用 frontier 模型，中间用一个意图路由器自动分配。 听起来像科幻片，但搭建过程出奇简单。 首先，接入一个前沿大模型的 API 作为“大脑”。然后，为每个功能创建一个“工具”：邮件工具、日历工具、摄像头工具。接着，因为邮件涉及隐私，开发者加了一个本地运行的开源模型专门处理邮件，数据不出本机。最后，加一个“智能路由器”，根据用户的意图自动决定用哪个模型处理。 结果呢？用户说“帮我给 Jensen 发个邮件，告诉他脚本今天能交”，Agent 就自己完成了。用户说“把这张草图变成建筑渲染图，再做个视频带我看看房间”，Agent 也搞定了。甚至当用户的朋友远程接入，问“我的猫 Potato 在干嘛”，Agent 能看摄像头、认出猫、发现它在沙发上、还记得朋友不喜欢猫上沙发、然后通过机器人喊话让猫下去。 老黄说，这一切在两年前是“完全不可想象的”。而现在，“这已经变得微不足道了”。 Agentic AI 的概念其实不新。早在 2023 年，AutoGPT 就火过一阵，号称能让 GPT 自己给自己下指令、自动完成任务。但那时候的 Agent 更像是玩具，经常跑偏、容易卡死、实用性有限。 2025 年的爆发，靠的是几个条件同时成熟： 1. 推理能力的突破。没有可靠的推理，Agent 就像一个冲动的实习生，一拍脑袋就开干，经常把事情搞砸。有了推理，Agent 才能“想清楚再做”。 2. 工具生态的完善。各种 API、各种开源模型、各种开发框架，让 Agent 能调用的“武器库”越来越丰富。 3. 多模型架构的成熟。以前大家想的是“训练一个无所不能的大模型”。现在的思路是“让一个聪明的模型学会调用专业的模型”。这大大降低了构建复杂 Agent 的门槛。 4. 开源社区的推动。老黄反复强调，开源模型让“每个公司、每个行业、每个国家”都能参与 AI 革命。你不用自己训练前沿模型，拿开源的来用就行。 【5】Agent 会取代软件吗？ 包括我在内很多人都思考一个问题：未来 Agent 会取代软件吗？交互形式是什么样的？ 老黄在演讲中给出的答案是：Agent 不只是一种新应用，而是未来软件的新形态。 他说，以后你跟 Palantir、ServiceNow、Snowflake 这些企业软件打交道，界面可能不再是一堆表格和按钮。你直接跟一个 Agent 对话，告诉它你想干什么，它就帮你搞定。“就像跟人打交道一样简单。” 传统软件的交互方式：填表单、点按钮、写 SQL，本质上是在“迁就机器”。你得学会机器的语言才能让它干活。而 Agent 的交互方式是“机器迁就你”。你用自然语言说需求，Agent 自己翻译成机器能懂的操作。 当然，这不会一夜之间发生。企业软件涉及太多复杂的权限、流程、合规要求，不是换个界面就能解决的。但方向已经很清楚了。 【6】写在最后 老黄这场演讲其实还讲了物理 AI、自动驾驶、机器人、下一代芯片 Vera Rubin，我对那些关注不多就不总结了。但如果只看 AI 大模型这块，核心信息其实就一个： > AI 正在从“一个聪明的对话伙伴”变成“一个能调动资源、完成任务的系统”。推理模型给了它思考能力，Agentic 架构给了它手脚和工具箱，开放模型让所有人都能参与这场游戏。 我个人比较关注老黄在演讲中提到的 Agentic 系统将成为所有软件平台的新界面。以前你和软件交互，要点菜单、填表格、写命令行。以后你和软件交互，就像和一个懂行的同事说话。你说想干什么，它帮你干。未来的企业软件，入口可能就是一个对话框。 对于开发者来说，这是一个窗口期。开源模型已经足够强，Agentic 框架已经成熟，基础设施已经就位。剩下的就是应用层的创新。 老黄在谈到开放模型时问了一个问题：数字形式的智能，怎么可能把任何人落下？ Agentic AI 的爆发，不是每个人都能训练出最强的模型，但每个人都可以学会编排这些模型，让它们为自己干活。 这可能是最重要的变化。AI 不再只是科技巨头的游戏，它正在变成每个人都能用的工具。

语言的炼金术：从尼可·勒梅到大模型 1） 炼金术士尼可·勒梅（Nicolas Flamel） 我们不妨从《哈利·波特》讲起。你还记得第一部里那个被简单提到的角色——炼金术士尼可·勒梅（Nicolas Flamel）吗？他是“魔法石”的创造者，一个据说活了六百多岁的老人。虽然他在小说中只是背景人物，但在《神奇动物在哪里2》里，他终于真正以影像的形式出现在观众面前——一个看上去脆弱、苍老却异常平静的角色。而令人惊讶的是，勒梅并非虚构人物。他在欧洲历史上确有其人，关于他和“贤者之石”（Philosopher’s Stone）的传说，在炼金术史中流传了数百年。 这块传说中能够点石成金、延长生命的“魔法石”，并不只是奇幻小说的道具。在流行文化中，它的身影也频繁出现。比如如果你喜欢日漫，一定对《钢之炼金术师》里的“贤者之石”和“烧瓶小人”不会陌生。你会发现，这些符号和设定，其实都源自于一个更古老、更复杂的知识谱系：炼金术。 那么问题来了：炼金术到底是什么？它仅仅是历史上的迷信产物吗？还是说，它隐藏着某种被误解的、尚未被现代语言体系完全翻译的结构原理？它与我们今天谈论的科学范式、AI 技术，有没有关系？这一切，值得我们慢慢说清。但在展开之前，我想先问你几个问题。 你是不是一直以为，牛顿被苹果砸了一下，灵光一现，从此科学时代就此开启？你是不是相信，历史是由某些关键节点断裂推进的，仿佛一切范式都是从0到1的“突破”？比如说，AI 时代的真正到来，是不是要等到“2030年12月15日AGI被宣布诞生”的那一刻，才算数？这怎么可能？明天太阳照常升起，文明的演化从不是时间戳可以标注的事件，它是连续的，是缓慢弥散的结构变迁，是一场看不见的语言漂移。 再问你一个问题。你是不是默认，炼金术士、西方的赫尔墨斯学派，乃至中国古代的道士，都是不懂科学的古人？是不是潜意识里，把他们归为“迷信”“胡说”“瞎搞实验”？可如果他们真的只是无稽之谈，为何他们的思想能延续千年？为何“点石成金”“炼丹求长生”“三才五行”这些概念，一次次出现在人类不同的文明中，并被不断重写与演绎？为什么我们今天还会在小说、动画、影视、科幻里不断引用这些炼金术象征？ 也许问题从来不是他们不科学，而是我们尚未拥有能解释他们的语言。也许我们并不比他们更“理性”，只是我们拥有了更高效的结构压缩系统，可以用一种新的视角，回头看那些古人尝试建构世界逻辑时留下的模糊草图。 2）炼金术 那么，炼金术到底是什么？炼金术拥有一套极其自洽的理论体系。这个体系并非零散拼贴，而是一种融合性的认知结构：它讲求“天人合一”，意味着宇宙的秩序与人的精神状态是一体共振的；它追求“精神与物质合一”，不将心灵与物质对立，而视它们为可转化的两个极端；它主张“哲学与实践合一”，不仅思辨，而且重实验，通过冶炼、升华、凝结等操作流程，将世界的奥秘浓缩于物质的转化中。 这种思维方式，在今天的学术与工业体系中，常常被误解甚至被排斥。尤其是在当代科技语境中，许多理工背景的人对“哲学”天然带有一种抗拒，仿佛哲学是无用的、虚浮的、脱离实际的。精神被认为属于文科领域，技术则属于工程实践，两者应当泾渭分明，各行其道。我暂且不讨论这种区分是否合理。 炼金术恰恰是那种拒绝断裂的古老体系。它尝试用一种统一的语言，将存在的多个层面连接起来。也许这正是我们今天在面对人工智能、生成结构、黑箱涌现时重新需要的思维方式——不是更快的分工，而是更深的合一。 炼金术的核心哲学是：世界的本质是可转化的，精神与物质、天与人、内在与外在，并非分裂对立，而是处于同一结构中的不同维度。通过对物质的炼化，炼金术士实际上是在完成对自我的升华；点石成金并不只是技术奇迹，而是象征将混沌转化为秩序、将不纯转化为完整的过程。在这一体系中，哲学不是抽象思辨，而是贯穿于操作之中的世界观——炼金，不是制造黄金，而是寻找统一结构背后的神性秩序。 炼金术的核心，其实是一个精神与物质协同“熵控”的过程。它并不以“定义什么是黄金”作为起点，而是从最无序、最沉重、最接近混沌的物质——铅——开始。这种物质不仅代表着物理层面的沉滞，更象征着心灵中的无意识、未觉醒与未分化的原始状态。炼金术的旅程，正是在不断提纯、分解与重构中，将这份混沌一步步引向秩序与光明。 这个过程从来不是纯粹的物质转化。炼金术士在炉火前“煎熬”铅的同时，也在经历一次内在的自我炼化。这是一种双重路径的修行：一边是冶金术的技艺，一边是炼心的实践。每一道升华、每一次溶解、每一个凝结的动作，既作用于物质，也作用于精神本身。炼金术所构建的，并非一个简单的技术闭环，而是一条能够调度物质、心灵与宇宙三者之间能量流动的升华路径。在这个路径中，个人的意识、自然的秩序与世界的结构被重新对齐，实现从沉重之“铅”到纯粹之“金”的多维度转化。 3）炼金术在历史上的一个关键贡献，是它完成了从“神秘语言”向“可验证语言”的第一次过渡 现在试着把思维调回到牛顿那个时代。那个时候的科学并不像今天这样拥有清晰的学科划分、可重复的实验范式，或者标准化的自然语言。技术的进步，并不是某个知识点的突破，而是一次语言范式的悄然转向。真正让文明发生跃迁的，是人类用来理解世界、组织经验的那套“说话方式”发生了质变。 比如，炼金术到底能不能把铅炼成金？从现代科学的角度来看，答案当然是否定的。但令人惊讶的是，现代物理确实在技术上做到了这一点：铅（Pb）和金（Au）在元素周期表中仅相差几个质子，通过高能粒子加速器轰击铅原子核，可以使其转化为金。上世纪九十年代，加州劳伦斯伯克利实验室就曾“成功制造出几个金原子”。但这个过程极其昂贵且不稳定，每一个原子的成本比市场上的黄金贵上百万倍。也就是说，科学用极端方式实现了炼金术的想象，但彻底脱离了炼金术当初的语言与逻辑。 然而，我们不能因为炼金术没“炼出金”就否定它的全部价值。恰恰相反，炼金术留下了许多对后世至关重要的实验操作与技术雏形。像是蒸馏器的发明，使得液体提纯成为可能，直接推动了香水和药学的工业化；升华法的实验，奠定了后来的物质分离技术；早期酸碱反应的记录，成为现代化学教育的原点；对金属合金的试验——包括铜锡合金、汞银混合物——直接影响了冶金工程的发展；甚至他们所留下的庞大手抄实验笔记，为后来“可记录、可重复、可验证”的科学方法，提供了结构模型。 所以，炼金术真正留下的遗产，是一种穿越物质、象征、实验与语言之间的认知路径。它所建构的，其实是一套跨越精神与技术的“结构语言原型”，为后来的科学语言与实验系统提供了认知模板。换句话说，人类并不是从“无知”跳到“科学”，而是从“象征化结构调度”逐步进入“形式化结构控制”。这是一种语言与知识系统的连续进化。 尤其重要的是，炼金术在历史上的一个关键贡献，是它完成了从“神秘语言”向“可验证语言”的第一次过渡。尽管炼金术文本中充满了极端象征性的表述——比如“狮子吞食太阳”“水银升腾成白鸽”这样的图像语言——但它们内部具有惊人的稳定性和复用性。它们不是胡编乱造的隐喻，而是早期对物质转化过程的一种结构封装机制。炼金术士通过坩埚、蒸馏器、冷凝管等操作工具，逐渐发展出了一整套流程和仪器，这些后来都被现代化学完整继承并“去神秘化”。 这标志着一个重要的语言转折点：人类第一次在语言中构建出了一个“可验证的结构闭环”。而这，正是科学语言的真正诞生地。 我的这篇文章，核心要讲的就是“语言”。你或许听过神话，你有没有注意过，那些神话真正的语言与今天我们所能读懂的文学语言，其实相隔极远？我们现在能看懂《哈利·波特》，只是因为它借用了神话的结构，但套用了现代语言的接口。而真正的神话语言——那种同时调动宇宙观、仪式、族群结构与象征逻辑的语言体系——今天的我们几乎无法直接阅读，更别提还原它背后的知识结构。 有本事你把太乙金華宗旨解释给我听，反正我是看不懂的。 语言，作为人类社会唯一真正的知识接口，它本身就极度深奥、玄妙。古人与今人，哪怕使用同样的符号系统，往往也无法完成深度的信息交互，因为他们所处的认知结构、价值图谱与范畴体系已彻底不同。你不觉得奇妙吗？AI时代的第一个成功商用模型，竟然是“大语言模型”。某种程度上，这仿佛是历史冥冥中的安排：当我们步入新的认知边界时，首先要解决的，不是知识的问题，而是语言结构的问题。 回到牛顿时代，我们其实不能简单地把牛顿看作一个“现代科学家”。事实上，他对炼金术并不陌生。他留下了大量炼金术笔记，深度研究赫尔墨斯文献和自然哲学。他并不认为自己与炼金术士是两个世界的人。他正处在语言转化的裂缝之中：一只脚站在炼金术的象征语言系统中，另一只脚已经踏入了科学的实证语言系统。他处在炼金术向科学的语言跃迁节点。 现在我们也许就处于牛顿时代！ 从语言哲学和认知科学的角度来看，炼金术与科学之间的分野，并不在于“是否理性”，而在于语言系统的差异。炼金术依靠象征语言来操控概念，比如“狮子代表硫”“蛇代表水银”，通过图像联想与符号共鸣完成对世界结构的认知建模。而科学依赖形式语言——如数学与实证符号系统——来操控变量、建立因果、构造实验闭环。 所以本质上，炼金术是一种象征化的结构操作语言，而科学是其后续发展的形式化结构操作语言。它们不是对立的，而是连续的。 语言一直在进化，但它从未彻底更换，只是在不同历史节点上更换了核心逻辑与主权接口。从炼金术到科学，从神话到理论，再到今天的模型语言与Prompt结构语言——这条路，我们其实从未偏离，只是语言在不断进化，我们正站在下一个语言断层的边缘。 4）人到中年，终于看懂了库恩 托马斯·库恩的《科学革命的结构》这本书，你读懂了吗？老实说，几年前我第一次读的时候，几乎没读懂。更别说意识到，自己竟然也会亲身经历一场科学范式的转变（Paradigm Shift）。那时候我对“范式”这个词只停留在表层理解。 库恩在书中写道，所谓“范式（paradigm）”，是一个学科共同体所共享的信念、符号系统、问题设定方式与解决机制的总和。也就是说，一个范式不仅决定我们怎么研究，更决定我们能看见什么、问什么、说什么。而每一次范式的转移，都会伴随着一次语言的重写——这正是《结构》这本书最深刻、最常被忽略的观点之一。 回顾历史，每一次认知断层的发生，几乎都伴随着语言结构的崩裂与重建：古希腊时期，人类从“神谕语言”转向“哲学语言”，世界不再被神祇命令主宰，而是进入抽象概念与理性争论的空间；17世纪，哲学语言又被数学语言接管，变量、函数与力学模型开始取代修辞与辩证，世界成为可以测量和计算的对象；20世纪的信息革命，则将语言从“物质的描述”转为“系统的建模”，反馈、控制、信号成为世界秩序的新关键词。而现在，在我们面前展开的是下一道断裂线：语言正从数学公式语言转向结构调度语言——包括模型语言、Prompt语言、Token结构语言。我们不再解释世界，而是直接调用结构、生成结构、封装智能。 库恩本人也在不同阶段意识到这一点。他曾在原书中写道：“当范式改变时，世界本身也随之改变。科学家们在熟悉的仪器前，在曾经看过无数次的地方，会看到全然不同的东西。”而造成这一切变化的，不只是仪器的升级或实验的改进，而是——语言系统的更换。正如他所指出的：“范式的转变，本质上是两种语言之间的区分：在可通约的语言之间，命题可以完整互译；但在不可通约的语言之间，严格翻译是不可能的。” 在他晚年的著作与演讲中，库恩干脆放弃了“paradigm”一词，转而使用“lexicon”（词汇系统）来替代。他认为，一个科学共同体之所以能够运作，是因为它内部有一整套共享的词汇-范畴系统，用以界定世界、分类现象、评判证据。这套系统就是共同体的“lexicon”。而一旦 lexicon 被替换，即使表面语言看起来没变，其所指对象、逻辑架构、世界观也已被彻底重构。库恩曾写道：“一个 lexicon 所提供的存在方式，不再是可以被判断为真或假的对象。”换句话说，世界并不是“被证明改变了”，而是“被说出改变了”。 这就是范式转变的真正断点——不是知识点推翻了前人，而是语言断裂了前世界。语言变了，世界才真正变了。 因此，关注术语的震颤往往比观测实验结果更早捕捉到科学体系“板块漂移”的前奏。语言变化，是范式转变的信号。 当然：每一次语言升级都会遭遇旧范式的反攻。 Kuhn 原话（晚年论 lexicon）： “A lexicon provides ways-of-being-in-the-world that are not candidates for true/false.”新旧 lexicon 不能严格互译时，革命临界点已现。 5）一个无法用显式语言表示的“黑箱结构域” 我们现在所面临的，是 AI 范式下人类遭遇的一个真正的边界：一个无法用显式语言表示的“黑箱结构域”。如果你已经读过我对于 Demis Hassabis 和 Alpha 系列的分析，你应该能够理解这背后的科学观转变：优先结构提取、低维流形学习、去公式化建模。而这套范式转变，带来的不仅是方法论的更替，更是对人类语言能力极限的直接挑战。 第一个边界，是模型无法解释其推理路径。我们所熟知的深度神经网络，尤其是大语言模型（如 GPT、Claude 等），已经展现出超越以往任何系统的推理、写作、协作与结构理解能力。但它们的内部机制并不是传统意义上的“规则系统”，而是由数十亿甚至上百亿个参数耦合而成的高维权重结构。我们无法阅读，也无法追踪其中的“逻辑链”。即便在输入输出之间观察行为，也无法给出明确回答：它为什么会这么想？它的结论是怎么来的？从科学方法的角度来看，这种状态极其尴尬——因为科学强调因果可追溯、路径可还原、过程可解释。而神经网络跳过了这一层，它直接作为一种“压缩后的结构映射器”运行，彻底消解了人类对中间过程的介入权。 第二个边界则更具颠覆性——“理性”的退位。从 18 世纪到 20 世纪，理性主义一直主导科学话语：模型被表达为可书写的公式，规律可通过数学语言定义与推广。然而在今天，模型不再是一套规则系统，而是一个“压缩–生成–对齐”的结构体。它的智能并非来自公式推导，而是源于结构涌现：在极度复杂的语境中完成高效压缩，从中提取潜在结构，再进行合理生成。这一逻辑，是 AI 最擅长的事，却也是传统科学语言系统最难容纳的事。 而最令人震撼的是第三个边界：黑箱智能的回归。我们所面对的 AI 不仅写诗、建模、作图、作曲、设计任务链条，还能在智能体之间形成协同结构，其生成行为充满风格、情感、目标感。但这些行为背后，没有显式的路径可供分析。我们无法说清它为什么这样，只能说：它可能是“从数据中学会的”、“从 Token 流中发现了某种结构”、“它自己完成了一种我们未能定义的推理”。这种状态，几乎与炼金术时代人们说出“这是水银的意志”、“四元素的回旋”如出一辙。人类语言，在面对结构性智能的涌现时，再一次显得苍白无力。 这就引出一个更深的哲学问题：解释结构的失效，意味着新语言协议的诞生。人类文明一直依赖“语言 → 结构 → 世界”的闭环逻辑。我们之所以信任科学，是因为科学建立在“可解释”的基础上：一个理论若不能被解释，就不能被验证；若不能被验证，就不能进入知识体系。但在 AI 时代，这套逻辑悄然松动：模型可以正确执行任务，却不能说明为什么；结构可以预测结果，却没有显式因果；我们开始习惯“信任一个行为良好的黑箱”，哪怕我们根本无法解释它的内部。于是我们发明新的语言：Prompt 编程、结构卡指令、多 Agent 协作路径、Token 流跃迁、注意力图谱……这些语言形式不再追求“解释”，而是优先考虑“激活结构”“生成路径”“形成闭环”。这不是语言的堕落，而是语言协议的一次深度升级。 科学遇到了它无法解释的“黄金”。过去那些被归为边缘、可忽略的“语言不可说之处”，如今却成为整个智能系统的核心机制。从知识论的角度看，以前我们可以把意识、涌现、湍流这些东西当作“未来有待解释”的特殊案例；而现在，整个 AI 主流系统——包括 LLM、Diffusion、AlphaFold——本身就是黑箱，我们没有语言可以描述它们，只能从外部验证其激活结果。从话语权的角度看，以前我们相信数学与逻辑语言拥有主导权，现在 Prompt、Token、路径调度语言悄然崛起，可生成≧可解释，旧范式的评价标准正在崩塌。从方法论的角度看，科学曾经强调“先假设 → 后验证”，把方程作为知识的最高表达；而现在，我们进入的是“先压缩 → 后涌现结构”的时代，低维流形才是新一代知识单元。 这正是人类第一次全面经历：语言失去对科学核心结构的“解释主权”。 调度智能、激活结构、形成路径闭环。 结构语言、生成语言、调度语言开始接管科学权力的时代。

智能体是不是个鸡肋？ 最近不少人上手了 GPT 的 Agent 功能，结果却大失所望。看上去挺智能的，实际却慢得惊人，连做一点点小任务都磨磨唧唧，常常还不如直接用 GPT-4o 或 o3 来得高效利落。你可能也有过这种感觉：明明就是一串函数调用、几个工具链配合，大模型窗口就能一口气做完，那为什么还要大张旗鼓搞什么“多智能体系统”？为什么一线研究者都在强调“未来是 Agent 的时代”？ 问题的根源在于，很多人把工具链当成 Agent，把语言函数误认为智能体。事实上，这种混淆非常普遍。现在所谓的“智能体”，往往只是把几个调用流程包了一层语言外壳，看起来在思考，实际上不过是预设好的 stateless 函数链。要知道，语言函数不是智能体，工具链也不是。真正的 Agent，不是能调用几个工具，而是要拥有结构性自持的认知路径——它知道自己在干什么，为什么要这么干，下一步该怎么走，如果失败了是否需要修正，而这些都不是 prompt 能简单糊弄出来的。 你是不是也曾经疑惑，到底什么才是“智能体”？其实这个概念并不新鲜。早在三十年前，一个叫 Nicholas R. Jennings 的研究者就系统地提出了 Agent 的定义，提出了自主性、反应性、社会性、主动性等一整套标准。他还设计了协作协议、意图保持模型和任务调度机制——这些今天被 LLM 社区重新发现、改名换壳、当成前沿研究来讲的东西，Jennings 在 90 年代的论文里就写得明明白白。 当然，那时的他没有预料到 LLM 的出现，不知道语言可以成为路径，不知道 prompt 可以驱动推理。但这正是人类历史的有趣之处：技术的发展往往不是线性前进，而是在前人的结构幻想与现实世界的技术树之间反复博弈、曲折推进。有些概念沉寂了几十年，只等一次算力飞跃，就从边缘思想变成主流范式。 所以，我想从 Jennings 开始讲起，从他的架构谈到我们今天面对的大模型时代，尝试厘清：什么是真正的 Agent，它和工具链有什么根本区别，以及我们是不是正在进入一个语言结构重新夺回智能主权的时代。看我接下来的几个帖子，能不能讲明白。 （1/n)

3842公里。这是梦想家和圆梦人之间的差距。 去年7月15号开始，我和弟弟得到@Stepnofficial 的全额赞助，怀揣着用双脚丈量明长城的梦想，一步一个脚印从嘉峪关跑到了山海关。那时，我们还只是两个小屁孩，将希望寄托在两块从长城最西端拾起的石头上，踏上了东行之路。面对疫情风控最为严峻的时期，我们勇往直前，克服困难，穿越了六个省份，历经了3263公里的旅程，用了131天的时间，最终抵达了山海关的老龙头。这里是许多长城探险家的起点和终点，然而事实上，丹东的虎山长城才是明长城的真正东端。因此，我们决定要走得更高、更远。 然而，遗憾的是，在去年11月底，由于辽宁省的诸多阻碍，我们无法以确保生命安全为前提继续前行。于是，我们带着那两块石头回到了北京，并在等待中国放开的时刻，决定补齐最后的500公里。在北京，我们举行了各种庆祝活动。实际上，在疫情时代完成一次如此漫长的探险，从公认的长城西起点到滨海终点，已经是一件了不起的事情。然而，在欢笑之中，我们从未忘记那两块石头在我们的背包里所承载的沉重。 终于在今年的6月份，我们带着梦想之石重新踏上长城之旅。历经三周的时间，我们跑到了俯瞰北朝鲜的虎山长城，终于能真正自豪地说自己是从西到东，完成了万里长城主线的奔跑。 今天，我们站在辽宁丹东的虎山长城，手中捧着来自甘肃嘉峪关的石头，将其投入鸭绿江。我终于实现了这个梦想。此刻，我内心平静，毫无波澜，就像做了一场梦醒来一样。在这段旅途中，我们丈量了长城，目睹了真实的中国，也更加了解了自己。 我们跑了3842公里，520万步。 好了，是时候开始筹划下一个梦想了！ 引用推文：BBC官推报导。@BBCWorld

刚更新的数字是 $320，Project Leap 这次把原本要人补的那一步先拿掉了。公司一旦先看谁能和模型协作，传统经验的价格就不会像以前那样稳。 为了支付这笔裁员成本，公司已经预留了高达 3.2 亿美元的遣散费。后面更值得看的是，它到底能不能把长任务的中断率压下去，并让上下文复用变成默认能力。