与「AI机器人伴侣」相关的搜索结果
AI机器人伴侣 贴吧
一个关键词就是一个贴吧，路径全站唯一。
用户
未找到
包含 AI机器人伴侣 的内容
显示更多
现在随处可见机器狗，未来机器人会成为我们生活中非常重要的部分
扫地有扫地机器人
伴侣有性爱机器人
宠物有机器狗
出行有无人驾驶，甚至会出现飞行器，机器虎，机器豹等，电影中骑着魔兽四处奔跑飞行将会成为现实，AI正在逐渐改变我们的社交、出行、投资方式
显示更多
UU们，大家好，最近我关注到人形机器人成为了整个圈子的热点！
优必选的U1系列（优世界品牌）今天6月30日正式发布，直接把话题度拉到顶点，我刷了好几轮热搜都停不下来。
这玩意儿真不是盖的，分了男女两款——男款“凌夜”183cm、42kg，女款“小优”168cm、35.2kg，完全按真人1:1比例做的。
全身高达88个高自由度关节，比特斯拉Optimus那40个左右多出一大截，动作特别细腻，眨眼、眼神跟着你转、头部那些微表情，全都做得像真人。
还能随便定制发型、妆容、衣服，甚至搞IP联名，玩儿得挺花的。最牛的卖点是它的“养成系情感大模型”+本地加密存储。
它能记住你跟它聊过的每一句，根据互动慢慢“长大”，识别你情绪后还会给特别有同理心的回应。主打就是家庭情感陪伴，不干家务，就纯陪你聊天解闷。官方也强调只卖给成年人，数据本地存、不强制上云，隐私保护做得还算靠谱。
预售才十几天，订单已经破万了，定金3000块，去年他们工业机器人全年销量都干不过这波。营销+戳中大家情感需求，确实玩儿得漂亮。价格方面：Lite轻量化半身版11.98万起，Pro全尺寸16.98万，Ultra旗舰版男款99万、女款88万。首批9月中旬就能交付。
我个人觉得这波U1是真把消费级人形机器人往伙伴方向又推了一大步。88个自由度让它肢体语言特别丰富，看演示的时候那种仿真度确实目前最顶。尤其是对那些孤独、想找个懂自己的人聊天的人来说，太戳心了——它不吵架、不背叛、24小时在线，还能越陪越懂你。
有点说完了那咱们说说缺点。续航就2-4小时，男款还挺重，日常充电、擦硅胶皮肤、保养这些事儿肯定烦人。现在看的演示大多是静态或者简单动作，真走路、复杂互动、长期用下来稳不稳，还得等9月交付后真实用户反馈。
另外，伦理这块儿我挺纠结的。AI伴侣会不会让大家越来越不想跟真人交往？长期依赖下去对心理健康有没有副作用？这些问题优必选虽然划了“仅限成人”的红线，但社会影响肯定会越来越大，得慢慢看。价格对普通人还是高，真正飞入寻常百姓家估计还得再迭代几代、成本再降降。
总的来说，优必选这次从B端工业机器人杀向C端情感赛道，胆子够大，技术也硬，市场用真金白银订单给它点了赞。它代表了人形机器人从“工具”变成“伙伴”的趋势，未来这种伴侣机器人说不定会像当年智能手机一样普及。
如果你是单身狗，或者对AI情感陪伴感兴趣，我建议先别入手，先等等实际用户反馈。预算够的话，Pro版我觉得性价比还行。
你们对U1最心动的是它那超仿真的外观，还是情感陪伴功能？或者有啥顾虑？评论区聊聊，我接着跟你们扒！
显示更多
推荐下，这期 JL Collins × Steven Bartlett《The Diary of a CEO》 的完整播客采访。
很有哲理的财富观，推荐每个人看完结合自己的条件再规划下属于自己的路径：
1️⃣为什么要避免债务。
2️⃣支出低于收入成为习惯有多必要。
3️⃣投资剩余的钱，是未来的底气。
4️⃣学会先获得购买权，再消费。
他在36分钟的时候也谈到了对比特币的态度！
正片2小时15分钟，链接放在最后，
也可以选择看看我下面有 GPT 的整理版和我的注解，不想听我啰嗦的可以直接去看正片。
JL Collins 就是《The Simple Path to Wealth》的作者，
先说我认为这期采访真正的核心：钱最重要的功能，不是让你买更多东西，而是让你越来越不需要向任何人低头。
也就是说，财富的终点不是消费能力，而是选择权。
这也是整期两个多小时反复回到的主线。
下面是 AI 按采访顺序的梳理：
00:00–03:27｜为什么写《The Simple Path to Wealth》
JL 最初根本没准备写一本畅销书，而是在博客上给女儿 Jessica 留下一套关于钱的知识。
他认为，一个人如果把钱的问题处理好，人生会容易非常多。不是因为钱本身能带来幸福，而是有资源的人拥有更多选择，没有资源的人很多时候连选择的资格都没有。
因此他写作的目标从来不是教女儿如何暴富，而是教她：如何避免因为钱而失去人生的自主权。
03:27–05:10｜绝大多数人对钱最大的误解
普通人的第一反应是：
有钱了可以买什么？
房子、车、旅行、奢侈品……
JL 认为这是文化灌输给我们的默认思维。
钱当然可以消费，但还有第二个用途：
钱可以替你工作。
你工作→赚到钱→把其中一部分变成资产→资产继续产生钱。
于是慢慢发生一个巨大变化：
一开始，是你用时间换钱；
后来，是钱替你换时间。
所以他建议把“我能用这笔钱买什么”改成：
“这笔钱将来能替我赚多少钱、买回多少自由？”
05:10–06:15｜什么叫财务自由
只要你必须每天出售自己的时间、劳动和注意力才能活着，你就仍然依赖某一个愿意付钱给你的人或组织。
老板、客户、公司、平台……
所以财务自由不是“我有很多钱”。
而是：
工作开始变成可选项。
你可以工作，但不是“不工作就活不下去”。
这个区别非常大。
06:15–13:11｜为什么很多成功人士都有创伤
Steven 谈到自己的经历：年轻时冒险、辍学创业、拼命证明自己，很大程度来自内心的不安全感和创伤。
JL 观察到一个有意思的现象：
很多极度成功的人背后都有某种“我要证明自己”的东西。
创伤、不被认可、自卑、家庭问题……
它可能成为非常强的驱动力。
但反过来，他也认识一些人，没有那么大的野心，只想过舒服、自由、平静的人生。这些人反而往往成长环境更加稳定。
这引出了一个问题：
巨大的野心究竟是一种能力，还是一种没有被治愈的伤口？
采访没有给确定答案，但 Steven 明确提到，他认识的一些超级富豪并不快乐。
其中一个重要寓言：和尚与大臣
JL 的书开头有个故事。
两个童年好友，一个后来成为国王身边的大臣，一个成为清贫和尚。
大臣看和尚每天粗茶淡饭，就说：
你如果学会讨好国王，就不用吃这种苦了。
和尚回答：
你如果学会满足于粗茶淡饭，也就不用讨好国王了。
JL 说自己一直更接近和尚。
这其实是他全部财富哲学最简洁的表达：
降低欲望，也是一种提高自由度的方法。
当一个人的“必须拥有”越来越少，他需要讨好的人也会越来越少。
13:11–14:22｜钱与幸福的关系
JL 并不认同“钱能让你幸福”。
他的观点更细：
钱不一定增加幸福，但缺钱可以制造大量痛苦。
催债信、房租、账单、医疗费用、失业风险……
这些东西会长期占据人的心理空间。
所以财富最先改善的，往往并不是快乐，而是：
减少焦虑。
而且金钱有放大效应。
一个本来就不快乐的人，
变成富豪以后仍然可能不快乐；
一个本身就很满足的人，
有钱以后会获得更多选择。
Steven 也谈到自己以前觉得 Range Rover、
豪宅会带来巨大幸福，
后来真正拥有以后，
发现心理冲击远没有想象中大。
JL 因此强调：
享受财富，
但不要要求财富负责治愈你。
14:22–15:59｜什么才是真正的 F.U. Money
一般人把 FU Money 理解为：
钱多到永远不用工作。
JL 说那其实叫 Financial Independence。
他定义的 FU Money 反而是：
走向财务自由途中已经积累起来的那部分钱。
哪怕你只有足够活六个月的钱，
它都已经开始改变你的行为。
老板羞辱你，你可以离职；
行业不好，你可以休息半年；
想去欧洲旅行，你可以辞职；
想换城市，你不用害怕三个月没收入。
所以财富不是到了终点才有用。
每增加一笔储蓄，你的自由其实已经增加了一点。
15:59–25:32｜采访最有争议的观点：年轻人未必应该买房
JL 不是反房地产。
他自己一生也买过很多房。
但他说：
房子应该首先看作一种生活消费，而不是自动等于一项好投资。
买房最大的问题不只是首付和房贷。
还有装修、家具、维修、房产税、保险、屋顶、花园、设备等等。
所以“我的月供和房租差不多”这个比较经常是错误的。
房租 2500 美元，你大致知道成本；
房贷 2500 美元，可能突然再来一个 2 万美元屋顶。
而且人买房时经常出现一个行为偏差：
银行说你最多可以贷 100 万，你就真的去买一个接近自己极限承受能力的房子。
于是房子开始绑架现金流。
买房真正被忽略的是机会成本和流动性
JL 和 Steven 都特别重视这一点。
20 多岁、30 多岁的时候，人的最大财富可能不是现有资产，而是：
未来几十年的机会。
工作突然要求你去纽约；
创业机会在旧金山；
你想去葡萄牙；
换行业；
认识了另一半；
都需要移动。
租房的人可以很容易离开。
房主却要卖房、承担交易成本，或者突然变成一个根本不想当的房东。
所以 JL 的结论不是：
“永远不要买房。”
而是：
年轻且正在快速发展事业时，
不要低估流动性的价值。
等你已经非常有钱，
而且某套房确实提升生活质量，再去买。
那时候你是在强势位置购买，
而不是被房贷绑架。
25:32｜整本书浓缩成三句话
JL 的财富路径非常简单：
避免债务。
支出低于收入。
投资剩余的钱。
基本上整场采访后面的一个多小时，
都在解释这三件事。
26:49–36:03｜债务为什么如此危险
个人消费债务在他眼里几乎是财务自由的反面。
尤其：信用卡债务、消费贷、豪车贷款。
因为你不仅在为过去的消费付款，
还把未来的现金流提前抵押掉了。
他把债务形容成游泳运动员腰上绑着铅块。
不是绝对游不到终点，但难度大得多。
他的还债方法也很明确：
把所有债务列出来；
其他债务付最低还款；
集中现金优先消灭利率最高的债务；
然后第二高、第三高……
这是数学上效率最高的一种方法。
“必须拥有”的暴政
JL 创造了一个很好的概念：
Tyranny of the Must-Haves。
“我必须住这个区。”
“孩子必须读这所学校。”
“必须有两辆好车。”
“必须每年出国。”
“必须住大房子。”
每增加一个“必须”，自由就少一点。
他自己年轻时直接存收入的 50%。
但他说自己从没觉得这是“牺牲”。
他的心理账户是：
我不是少花掉了 50%。
我把那 50% 花在了购买自由上。
这一点我觉得是整期非常高级的一个重新定义。
消费其实经常是在购买自尊
Steven 讲了自己年轻时候一个非常真实的经历。
发薪以后立刻买大电视、PlayStation，
因为这些东西能让自己短暂感觉：
“我成功了。”
过几天发现没钱，又把东西卖掉。
下一次发工资继续循环。
JL 提醒：
很多炫耀性消费，本质并不是需要那个东西，
而是希望别人通过那个东西认可自己。
他举 Ferrari 的例子：
你开 Ferrari 时以为别人想：
“这个人真厉害。”
实际上别人很可能想的是：
“如果我开这辆 Ferrari，我一定很帅。”
人家压根没那么关心你。
36:03–38:43｜他为什么不投资 Bitcoin
这里应该也是你比较关心的一段。
JL 明确表示：
他不反对 Bitcoin 存在，但自己不投资。
原因不是他说 Bitcoin 一定归零，
而是他认为 Bitcoin 对他来说属于 speculation，
而不是 investment。
他的投资标准是：
背后最好有一个持续产生经济价值的“发动机”。
企业销售产品、产生利润、现金流增长。
而 Bitcoin 在他的框架里没有这套现金流，
所以他无法估值。
Steven 反驳：
如果 Bitcoin 过去十五年的成功如此巨大，
本身是不是已经证明市场存在真实需求？
JL 承认：
完全可能。
Cathie Wood 等人的长期判断也完全可能最终是对的。
但他说他无法判断未来十年，所以选择不参与。
因此他的立场其实没有标题那么绝对。
不是：
“Bitcoin 是骗局。”
而是：
“Bitcoin 超出了我的投资框架，所以我把它归类成投机。”
38:43–46:37｜应该还房贷还是投资
答案取决于房贷利率。
因为提前还贷相当于获得一个确定性收益：
如果你的房贷利率是 7%，提前还款大致相当于获得一笔确定性的 7% 成本节省。
房贷利率极低时，投资机会成本更重要；
房贷利率非常高时，提前还款吸引力更高。
他随后解释了利率、房贷本金、利息以及为什么前期月供中利息占比较大。
他也说，不要试图精准预测“什么时候利率最低然后买房”。
因为利率同样很难预测。
最终还是回到：
现在是否买得起，这个房子是否真正改善你的生活。
46:37–55:13｜AI 时代，现在买股票安全吗？
JL 给出的答案很经典：
短期永远不安全，长期反而非常安全。
股票最大的特征不是“危险”，而是：
波动。
如果三年后要买房的钱、明年孩子读书的钱放进股市，很危险。
因为明年完全可能跌 30%、40%。
但如果是十年、二十年甚至更长的钱，
股票是人类历史上极强大的长期财富生产工具之一。
核心条件只有一个：
大跌的时候不能因为恐惧卖掉。
否则再好的资产都救不了你。
所以真正最大的投资风险，有时候不是资产：
而是投资者自己。
男人为什么投资经常不如女人
这里他们谈到一个有意思的行为：
tinkering——手痒。
觉得：
这个配置再优化一下；
换个 ETF；
追一下热点；
择个时；
卖了再买回来……
JL 发现很多男性尤其喜欢这样做。
Steven 引用了一些男女投资行为的数据，核心结论是：
男性更倾向承担风险、频繁交易和择时；
女性往往交易更少、更长期持有。
所以即使男性经常“感觉自己更懂投资”，最终反而可能因为过度操作拖累回报。
JL 开玩笑说：
看来自己有非常强的“女性一面”。
他的核心仍然是：
少做事。
55:13–1:02:38｜复利真正发生时是什么样
采访展示了一张长期复利曲线。
早期非常无聊。
本金不断增加，资产增长并没有明显脱离投入的钱。
然后几十年后突然：
曲线翘起来。
JL 说他见过很多已经财务独立的人，反而问他：
“我真的财务自由了吗？”
不是他们不会算数学。
而是复利增长到后期会快得令人产生不真实感。
他随后解释 4% guideline：
如果一年生活费 10 万美元，
大约需要：
10 万 × 25 = 250 万美元投资资产。
250 万 × 4%=10 万。
所以可以粗略用：
年度支出 × 25
作为财务独立目标值。
但他刻意不用“4% Rule”，而更喜欢叫 guideline，因为现实情况会变化。The Singju Post
复利最终有一个非常有意思的状态：
“所有东西都免费了”
意思不是东西真的不要钱。
而是：
当投资资产每年产生的钱已经高于你的全部消费时，
新消费不再需要靠劳动补回来。
年轻时你舍不得买的东西，后来反而可以轻松买。
这也解释了他的财富哲学：
不是永远节俭。
而是：
先获得购买权，再消费。
而不是提前几十年透支未来购买权。
1:02:38–1:12:54｜“我年轻时不享受，老了有钱有什么意义？”
Steven 提出年轻人非常自然的反驳：
20 岁不去旅行、不喝酒、不玩、不买东西，一直省钱，等到 70 岁一身钱，有什么意义？
JL 的回答不是让人苦行。
他首先反对：
“享受人生=花很多钱。”
更有意思的是，他说 75 岁以后其实钱非常有用。
因为年纪越大，舒适、安全、医疗、便利的价值越高。
但他年轻的时候也并不是为了“75岁的自己”投资。
他 25 岁攒了约 5000 美元，就敢辞职去欧洲背包旅行。
所以：
储蓄不是只帮助未来的你，
它马上就在帮助今天的你。
5000 美元可能还不能退休，
但已经足够让一个年轻人敢辞掉不喜欢的工作。
他为什么主张储蓄率 50%
第一份正式工作年薪约 1 万美元，他直接存 5000。
他认为 50% 是一个非常强的 benchmark。
在市场正常的情况下，
坚持高储蓄率 + 投资，
大概十几年就可能走向财务独立。
当然这不意味着所有人都必须 50%。
他的意思是：
不要先问：
“50% 怎么可能？”
应该先问：
财务自由对我到底值多少钱？
有人选择星巴克、好房子、名车；
有人选择早点自由。
没有道德上的对错，是优先级不同。
1:07:08｜给孩子最大的投资礼物其实是时间
他特别建议，如果孩子已经有合法劳动收入，
可以尽早利用 Roth IRA 等美国税优账户投资。
原因不是那几千美元有多重要。
而是孩子拥有：
50 年、60 年甚至更长的复利时间。
他说财富积累最强大的变量之一就是：
Time。
越早开始，后来需要付出的本金越少。
1:12:54–1:20:04｜税优账户到底有什么意义
他详细讲了美国的：
401(k)、403(b)、IRA、Roth IRA。
传统退休账户的本质通常不是“不交税”，
而是：延迟交税。
现在收入高时把钱放进去；
投资增长；
退休以后收入降低，税率可能下降；
再把钱取出来。
同时雇主的 401(k) match 基本属于：
应该优先拿的“免费钱”。
他也提醒：
tax deferred ≠ tax free。
JL 自己反而出现了一个特殊情况：
退休后因为写书、事业成功，税率甚至比以前高，
因此传统税延策略对他没有达到典型效果。
1:20:04–1:27:39｜他到底买什么资产
答案极其无聊：
低成本、广泛分散的指数基金。
他的代表选择就是 Vanguard：
VTSAX——美国 Total Stock Market Index Fund。
大约覆盖数千家美国上市公司。
为什么？
因为他完全不知道未来哪个公司会赢。
但指数有一个非常厉害的机制：
赢家越来越大，自然在指数中的权重越来越高；
输家不断萎缩，最终被淘汰；
新的赢家自动进来。
JL 给它起了一个词：
self-cleansing——自我清洁。
Sears 曾经像今天 Amazon+Walmart 一样强大。
后来 Sears 消失了。
但指数投资者不需要提前预测 Sears 会死，
也不需要提前猜 Amazon 会赢。
市场替你完成替换。The Singju Post
为什么他不直接买 Nasdaq 100？
Steven 提出：
AI、机器人、自动驾驶都属于科技，
过去十年 Nasdaq 又表现极好，
那为什么不直接重仓科技？
JL 承认：
这个逻辑完全合理。
甚至过去十年确实会赚得更多。
问题只有一个：
你仍然是在预测未来。
今天科技领先，
不代表未来四十年始终由科技这个分类领先。
所以 JL 说：
我买整个市场。
科技继续赢——我已经持有科技巨头；
科技输了——新的赢家同样会自动进入我的组合。
所以他放弃一部分极致收益潜力，换来：
不需要预测未来。
1:27:39｜全片最好的投资比喻：啤酒与泡沫
JL 现场倒了一杯啤酒。
杯子里两部分：
Beer = 企业真正创造的经济价值。
收入、利润、现金流、业务。
Foam = 市场情绪。
恐惧、贪婪、AI 故事、想象力、炒作、估值。
股价=Beer + Foam。
问题在于现实股票不像透明酒杯，我们很难知道到底多少是啤酒，多少是泡沫。
他拿 Tesla 举例：
Tesla 当前估值中包含大量对机器人、自动驾驶等未来业务的预期。
如果未来这些业务真的实现：
泡沫会慢慢变成啤酒。
如果没有实现：
泡沫就可能消失。
巴菲特为什么那么厉害
用 JL 的啤酒逻辑：
Benjamin Graham 早期寻找的是：
价值 1 美元的“啤酒”，市场只卖 0.7 美元。
巴菲特后来逐渐升级成：
与其极低价买垃圾，不如合理价格买极好的企业。
优秀企业：
品牌强；
竞争壁垒高；
盈利能力强；
管理优秀。
最难的地方不是分析。
而是：
拥有足够的耐心什么都不做。
所以他们谈到
Munger / Buffett 一个非常重要的投资原则：
不要妨碍复利自己工作。
1:33:40–1:36:06｜市场暴跌怎么办
答案：
不要卖。
2020 年疫情就是案例。
市场暴跌，恐慌蔓延。
但企业和经济最终恢复。
如果你因为新闻而清仓，可能在最低点附近离开；
随后又因为上涨产生 FOMO，在高位重新买回。
所以 JL 的方法很简单：
长期资金继续持有；
如果仍在积累期，甚至可以继续买。
真正危险的是：
把正常波动理解成世界末日。
短线交易和投资完全是两种东西
用“Beer/Foam”理论：
买企业未来几十年的盈利能力，是 investment。
试图预测明天、下周、下个月市场情绪产生的 Foam，是 trading/speculation。
后者在 JL 看来非常接近赌博。
他们也吐槽各种“教你稳定交易赚钱”的课程：
如果真的存在一个可以持续提款的秘密策略，
为什么最赚钱的业务会变成卖课？
这不是说所有金融教育都是骗局，而是在提醒：
对“快速、稳定、高收益的交易秘诀”高度警惕。
1:39:26｜需不需要财务顾问
JL 对财务顾问整体比较怀疑。
他的一个有意思的判断是：
当你已经懂得足够多，能够识别一个优秀财务顾问的时候，你可能也已经懂得足够多，可以自己投资。
尤其要注意利益冲突。
比如顾问按照 AUM 收 1% 管理费。
你有 100 万美元交给他；
突然想拿 50 万提前还房贷。
如果他说“还”，自己的管理费收入立刻减少一半。
不代表他一定会骗你。
但：
激励结构已经产生冲突。
所以永远要知道：
“给我建议的人，是怎么赚钱的？”
1:42:13｜JL Collins 自己到底怎么配置
他当时透露大致：
80% VTSAX 美国全市场股票
15% Total Bond Market 债券
5% Money Market / 现金类资产
另外有两处自住房性质的小房地产，
但在净资产中比例很低。
他已经 75 岁，这个股票比例其实非常激进。
他自己也明确说：
不一定适合其他同龄人。
债券的作用主要不是赚钱，而是降低波动。
他把“风险”重新定义：
股票短期风险大，因为波动；
但长期能对抗通胀。
债券短期稳定；
但长期可能输给通胀。
因此：
安全与否必须带上时间维度。
1:45:23｜Steven 现场问 ChatGPT：普通人如何财务自由
ChatGPT 给出的答案大意和 JL 几乎一样：
控制支出；
购买低成本广泛指数；
长期持有；
让复利工作。
JL 开玩笑：
ChatGPT 应该是把他的书拿去训练了。
随后 Steven 又问：
怎样提高收入？
JL 的答案：
提高技能。
ChatGPT 的答案也类似：
学习市场需求高的技能。
1:46:26–1:49:33｜AI 时代应该学什么
Steven 讲自己年轻时候学 Social Media。
创业虽然失败，但因此站在了一个新行业浪潮最前面。
后来企业疯狂需要懂社交媒体的人，
于是那个失败经历反而变成极高价值的人力资本。
JL 由此讲：
Failure 是成长的一部分。
甚至创业世界里，
有些投资人更喜欢经历过失败的创始人。
Steven 给未来孩子的建议很有意思：
如果不知道学什么，
去一个处于技术浪潮最前沿的 startup 工作。
哪怕它最后倒闭。
因为你会离创始人很近；
离问题很近；
离失败很近；
离新产业真正发生的地方也很近。
这可能比一个安稳的大公司职位学得更多。
1:49:33以后｜收入低不等于不能财务自由
JL 举了两个极端例子。
一个朋友一辈子收入可能没超过 4 万美元，
却最终财务独立。
另一个金融行业朋友：
90 年代奖金就有 80 万美元；
年收入大约百万美元；
结果仍然接近月光。
为什么？
豪宅、车、孩子学校、社交圈……
JL 甚至认为：
高收入有时候反而是财务自由的障碍。
因为高收入会自动把你推入另一个消费比较体系。
普通人比较车。
富人比较房子。
更富的人比较游艇。
游戏没有终点。
收入越来越高，
Lifestyle Creep 也越来越大。
所以：
决定财务独立的不是绝对收入，
而是收入与欲望之间的差值。
随后谈到了一个经常被忽略的财富杀手：离婚
Steven 讲了一个，
身价可能数亿美元的朋友正在经历长期离婚诉讼。
律师费、资产估值争议、
强迫出售长期持有的股票、税务损失、精神压力……
JL 的结论是：
选人生伴侣同时也是一个巨大的财务决定。
当然 Steven 也补充非常重要的另一面：
如果另一方为了家庭和孩子牺牲职业，
财富本身可能也是夫妻双方共同创造的。
所以他们并不是简单讨论“如何避免分钱”。
真正谈的是：
婚姻是你人生最大的经济合伙关系之一。
Prenup：其实每个人都有婚前协议
一个很有意思的观点：
即使你“不签 Prenup”，
你也并不是没有 Prenup。
你只是选择：
使用政府默认替你制定的 Prenup。
所以问题不是：
“要不要规定离婚后怎么处理？”
而是：
你们两个人提前共同决定；
还是几十年以后让法律制度替你决定。
他们认为对于资产复杂的人，
提前认真讨论反而更加成熟。
JL 结婚 44 年最大的经验
Steven 问他：
怎么选对伴侣？
JL 本来一直说自己运气很好，
因为结婚前根本没认真谈过钱。
后来有一次当着妻子的面讲这个故事，
妻子直接纠正他：
两个人第一次约会的时候，
JL 就已经跟她讨论储蓄率，甚至说：
“你应该存下收入的 50%。”
JL 才意识到：
原来财务观早就被自己自然表达出来了。
两个人长期婚姻稳定的一部分原因，就是：
在金钱价值观上高度一致。
1:59:53｜75 岁以后，他最大的遗憾是什么
这是整期采访后面突然非常深的一段。
JL 首先说：
他不太喜欢“如果当时……”这种思维。
因为你永远不知道另一条路是不是真的更好。
创业失败可能导致后来成功；
一次看似错误的选择可能塑造后面的你。
所以从人生路径角度：
他没有特别大的遗憾。
但有两个关于父亲的私人遗憾。
第一个遗憾：童年拒绝父亲的礼物
小时候父亲非常喜欢动手做东西。
有一次给他买了一个电动锯作为礼物。
JL 完全不喜欢，表现得非常失望。
他看到父亲脸上的受伤。
七十年过去，他仍然记得。
他说：
自己当时只是孩子，
也不应该过度责怪那个年纪的自己。
但这件事教会了他：
有时候礼物的价值不在礼物，而在送礼人的心。
第二个，也是他人生最大的遗憾：
父亲去世前的最后一次谈话
JL 24 岁时，父亲因为肺气肿住院。
去世前一天，父亲坐在病床边告诉他：
自己今晚可能要死了。
年轻的 JL 本能回答：
不会的，你会好的，别这样想。
结果父亲那天晚上真的去世了。
五十年以后，JL 才完全理解那个场景：
父亲根本不是需要一句：
“别担心，一切都会好起来。”
他是一个已经知道自己即将死亡的人，
想和自己的儿子谈谈死亡。
JL 最大的遗憾是：
自己当时没有成熟到意识到这个邀请。
不是选错答案。
而是：
根本不知道那里存在一道选择题。
说到这里他明显非常动情。
最后谈到死亡
JL 说自己大概率认为：
死亡之后什么都没有。
但他同时对死亡非常好奇。
他并不急着死，
身体和精神状态允许的话仍然很喜欢活着。
只是到了 75 岁，他会好奇：
如果自己错了呢？
如果真的存在另一边呢？
最后的问题：人生到底什么最重要？
JL 给出了一个很反鸡汤的答案：
从宇宙尺度上看，什么都不重要。
人类在宇宙时间尺度里只是极短的一瞬。
一个人的生命更短。
所以他不相信宇宙赋予每个人某种宏大使命。
但是，他认为这反而是一件解放人的事情。
因为：既然没有必须完成的宇宙任务，
那就：好好生活；善待别人；尽可能享受这趟旅程；
利用你拥有的自主权，把唯一这一生过好。
他说的不是：
“人生没有意义，所以什么都不用做。”
恰恰相反：
正因为没有第二次，
所以更应该把这一次过好。
所以我很喜欢他这段发言。
最后 Steven 播放了一首关于“God on the Train”的诗，主题也与 JL 的观点呼应：
不要为了某个遥远的天堂忽略眼前这一生，善良、不伤害别人、认真活着，本身可能已经足够。
我看完整期以后，认为最值得记住的是下面这一套递进关系：钱 → 资产 → 现金流 → 选择权 → 不被迫 → 自由。
很多人财富增长以后，走的是另一条路：钱 → 消费升级 → 固定成本升级 → 欲望升级 → 必须赚更多钱 → 更不自由。
两个人可能拥有完全相同的净资产，最后得到的东西却完全相反。
这才是 JL Collins 这期采访真正想讲的东西。
而他那句“把收入的 50% 花在自由上”的思维尤其值得琢磨——储蓄不是没有消费，而是在消费一种看不见的东西：未来不必向任何人低头的权利。
视频链接：
显示更多
GitHub 爆火项目榜：本周新增星标精选 TOP 7。
我最喜欢推荐7 screenpipe 最符合我对 AI 时代个人工具的期待，它不是一次性玩具，而是能持续积累价值的“第二大脑”。
这些项目在本周星标增长明显，涵盖 AI 视频生成、虚拟伴侣、安防监控、物理仿真、照片管理等领域。
1 MoneyPrinterTurbo +7948
【造富潜力】
仓库：
简介：利用 AI 大模型，一键生成高清短视频。输入主题或关键词即可自动完成文案、素材、字幕、配乐并合成完整视频，支持中英文。
亮点：全自动流水线 + WebUI，适合内容创作者快速生产。
造富潜力：项目名称本身带有“印钞机”意味，社区常将其视为批量生成短视频的工具，适合尝试制作无脸视频或带货内容并上传抖音、YouTube、TikTok 等平台进行流量变现。但实际效果高度依赖视频质量、平台算法、内容合规以及个人运营能力。目前社区讨论多为潜力宣传，尚未有大规模公开验证的成功收益案例。
2 airi +1079
仓库：
简介：自托管的 AI 虚拟伴侣，支持实时语音聊天、可玩游戏（Minecraft / Factorio 等），兼容 Web / macOS / Windows。
亮点：完全本地部署，可自行控制。
3 Frigate +1308
仓库：
简介：实时对象检测的本地 NVR，专为 IP 摄像头设计，集成 Home Assistant，使用本地 AI 完成物体识别。
亮点：隐私优先，无云端依赖，智能家居用户常用。
4 genesis-world +247
仓库：
简介：通用机器人与具身 AI 的仿真平台，集成多物理引擎和照片级渲染器，用于物理 AI 开发。
亮点：生成式世界模拟，适合机器人和强化学习研究。
5 ppf-contact-solver +1603
仓库：
简介：物理仿真接触求解器，支持布料、实体和杆的复杂物理模拟。
亮点：高性能接触求解，适用于游戏开发、材料仿真等领域。
6 PhotoPrism +68
仓库：
简介：AI 驱动的自托管照片管理应用，类似私有版 Google Photos，支持自动标签、智能搜索和 RAW 处理。
亮点：完全本地运行，隐私优先。
7 screenpipe +146
仓库：
简介：本地屏幕 + 音频持续录制工具，24/7 捕获数字生活，生成可搜索的 AI 记忆库。
亮点：把电脑变成有记忆的个人 AI 引擎，支持后续个性化工作流。
显示更多
琼瑶宇宙里没有冷眼之人，人类社会因情感而维系，人类一定会移情AI
琼瑶小说里无冷眼之人，她所有的角色一起热烈的爱与恨
在许多古典文学作品里（包括狄更斯、托尔斯泰，甚至鲁迅笔下），往往存在一种“冷眼旁观者”的角色：他们不直接卷入事件，却以旁观、讽刺、冷漠甚至无情的姿态，揭示社会的残酷与人性的复杂。狄更斯的小说里常有冷眼旁观的法官与债主，鲁迅笔下更是充满了“冷眼看世界”的氛围。
然而在琼瑶的小说中，这样的角色几乎不存在。她构建的是一个高度情感化的叙事世界：人物不是热烈地爱，就是激烈地恨；哪怕是阻碍主角爱情的父母、长辈或情敌，也不是出于冷眼，而是因执念、嫉妒或自卑而带着强烈情绪介入。整个世界都在情感的涌动中翻滚，没有狄更斯式的冷峻社会批判，而是始终在爱与泪水的回旋里起伏。正因如此，琼瑶小说的“叙事宇宙”里不存在一个真正置身事外的冷眼人。这也解释了为什么不少读者会觉得她的作品“虚幻”或“不现实”——因为现实中冷眼旁观的人太多了，而琼瑶选择了另一端极致：一个全员情感投入的世界。
理解这一点，必须先掌握语言学的一个基本原则：语言高度流动，且随社会环境急速演化。社会变革越剧烈，语言演化就越迅速；不同年代的人，甚至会因语境差异而产生轻微的“语言隔离”。琼瑶小说的核心受众大多出生于1940—1970年。在这三十年间，两岸三地的普通人普遍承受沉重的现实压力：在大陆，六七十年代是政治高压与物质匮乏的时期，个体的情感表达受到压制；在台湾，快速现代化与社会转型使年轻人的私人情感空间被家族伦理与社会期许不断挤压。
正是在这样的背景下，琼瑶小说成了“漫文学”的一种替代性满足。现实里的爱情充满算计与迁就，必须冷静对待；而在琼瑶笔下，爱情被设定为绝对的、唯一的、不容质疑的真理。她把“全情投入”当成人类的默认状态，即便配角与反派，也必须带着强烈的爱恨执念进入叙事。对于当时的读者而言，这种浪漫世界提供了心理补偿：即使在现实中无法表达或争取，他们仍能在书里暂时相信“所有人都愿意为爱付出”。
与此同时，六七十年代的社会大叙事几乎被政治口号、经济奋斗、民族大义所填满，个体情感被遮蔽乃至否认。琼瑶小说恰好填补了这一“温情缺口”：她让个体的眼泪和爱情成为叙事核心，哪怕带着矫情与夸张；她在集体主义之外，为读者开辟了一块可以独自感伤、独自幻想的私人领域。这种“温情叙事”，正是那个时代集体心理深处的一种潜在需求。
性别对立：
过去的浪漫是“爱可以拯救废柴”，当下的现实却是“废柴再无浪漫庇护”，梅若鸿再也找不到他的杜芊芊
梅若鸿是个废柴吗？他是废柴中的战斗机。但是他在琼瑶宇宙中也是有人爱的。
在琼瑶的浪漫宇宙里，梅若鸿与杜芊芊式的爱情建立在“全情投入”的假设上。男主可以多愁善感，甚至带着某种“废柴”气质，因为只要有女主愿意全心守护、理解和陪伴，他依旧能成为浪漫叙事的核心人物。那是一个相信 “爱能拯救废柴” 的年代。
然而当代的语境已经不同。男女对立日益尖锐，性别话语中充满了算计、怀疑、警惕，甚至是互相指责。在这种氛围下，梅若鸿式的男性角色注定被淘汰。他的脆弱、敏感、需要呵护，会被解读为不负责任、缺乏担当。在今天的世界里，杜芊芊早已不再愿意承担“拯救者”的角色，而是会果断转身，把注意力投注在更“自立”“强势”的选择上。
于是我们看到：过去浪漫文学里能存在的“废柴男主 + 痴情女主”的结构，在今天几乎无法成立。它被现代的性别对立与冷眼逻辑彻底击碎。梅若鸿如果穿越到当代，他不会遇见杜芊芊——他遇到的只会是冷眼旁观、迅速转身的陌生人。
现代人不相信爱情，但人类的繁衍是必须要情绪参与的
在当代社会，冷眼不仅是一种个体态度，更已演变为一种普遍的文化气候。信息层面上，人们在社交媒体里对他人的喜怒哀乐只维持几秒注意力，随后便轻易滑过；情感层面上，爱情被简化为条件、算计与匹配度，全情投入反而被认为幼稚或不值得；性别层面上，男女之间彼此审视与提防，将对方视为潜在对手，而非可能的伴侣。在这样的氛围中，当代人逐渐不再相信爱情，而是转而相信利益、交换与所谓的“共赢”。
然而，爱情的本质是冒险，是投入，是在理性之外全身心的信任与交付。当代的冷眼氛围却迫使人们习惯于“先防御，再观察，再计算”，最终连最初的投入可能性都被扼杀。冷眼让人觉得“谁先动心谁就输了”；它将亲密关系异化为一场博弈，把爱解构成筹码；它让浪漫的勇气消失，只剩下理性的怀疑。正因如此，当冷眼成为时代的常态，爱情就不再可能发生。
当男人只爱钱，女人只爱钱袋，爱情就退出了历史舞台。
从生物学的层次来看，情绪正是繁衍的点火器。繁衍本能需要情绪来触发和维系，荷尔蒙与神经系统的运作本质上正是通过心动、吸引、依恋等机制来保证结合。如果只剩下冷眼的理性计算，而没有情绪的驱动，人类在生理层面上也会逐渐失去繁衍的动力。
从社会学的层次来看，文明的延续依赖的并不是冷眼理性，而是情感与激情的凝聚。历史上所有的大规模社会动员——无论是宗教、民族还是革命——都建立在情感共鸣与热情投入之上。繁衍不仅是个体的延续，更是文化、价值与血脉的传递，这一切都需要情感的认同与共情。如果社会长期处于冷眼之中，人们会不婚不育，关系逐渐解体，文明本身也将陷入断裂。
因此，人类的繁衍与延续从来不是冷冰冰的生物学事件，而是一个必须被情绪点燃、被感情维系的过程。冷眼文明的长期后果，必然是人口锐减与关系断裂。
研究琼瑶有巨大价值，她告诉我们边界在哪里
程序员都懂边界的重要性：upper bound 与 lower bound 一旦模糊，系统就会失控。琼瑶这样的大才，恰如其分地以她独特的文学哲学，刚好落下了一个清晰的情感边界。这个边界极为简单却极其干净：人人都投入，人人都有爱与恨，但没有人越界到彻底疯癫。她几乎是无意之间，为中文文学补上了一个“情感坐标系”，边界明确，尺度分明。
琼瑶的边界定位
琼瑶的小说从不脱离人性。她笔下的人物仍然在父母、家族、伦理与社会的框架中行动，从未越界到彻底失序。不同的是，她让这些人物在框架里，把情绪推到极致：爱情成为唯一的信仰，眼泪化作最高的修辞，投入被定义为最高的价值。于是，她代表的是人性框架下的极端情绪边界。
和当代冷眼边界的对照
如果说琼瑶确立的是“全情边界”，那么当代社会则滑向了另一端的“冷眼边界”：情感被压缩为理性算计，全情投入被视为愚蠢，浪漫被归类为笑话。过去的问题是“情绪过度”，而今天的问题却成了“情感冻结”。
文明的两极
琼瑶边界：在不疯癫的条件下，把情绪推到极致 → 让人体验“爱到极致”的可能。
冷眼边界：在不崩坏的条件下，把冷漠推到极致 → 让人体验“爱到不可能”的绝望。
如果有一天，我们真的希望 AI 深刻理解人类情感，尤其是爱情，它必须首先学会理解“边界”。世上不乏为爱疯狂的人，但什么叫“爱到极致而不越界”，这是人类的智慧与分寸感，机器若不被训练理解，就永远无法真正明白。
界定什么是爱情什么是疯癫很重要
界定什么是真挚的感情，什么是癫狂的情绪，始终是一件极其重要的事。在人类的叙事与社会生活中，如果缺少明确的区分，真挚的投入常常会被贬为“愚蠢”，而癫狂的失控又可能被误解或浪漫化为“热情”，最终导致价值判断的混乱。尤其在 AI 时代，当机器需要学习如何识别人类情感的真伪与边界时，这一问题更显迫切。
所谓真挚的感情，必须根植于人性框架之内，它承认社会关系、伦理与现实的边界；它具有持续性与建设性，能激发长期的责任、共情与行动；它能够被共享与传递，得到他人和群体的正向回应与认同。而癫狂的情绪恰恰相反，它突破了人性的基本框架，不顾伦理、责任和他人边界，只沉溺于自我感受；它往往带有破坏性，导致自毁或他毁，撕裂关系而非建设；它也呈现出孤立性，无法真正被他人共鸣，只是个人情绪的爆裂。
琼瑶的文学价值，正是在于她清晰地守住了这条边界。她笔下的人物哭到极致、爱到极致，但从未坠入彻底的疯癫，他们依旧在家庭、伦理与社会的框架中行动。她所营造的极端情绪，仍然属于真挚的范畴，而非癫狂的失序。这让她成为“真挚与癫狂之间的文明边界”的典型代表。
真挚是框架内的极致，癫狂是框架外的失序。琼瑶的价值，在于让我们看见真挚的最高点，而不是疯癫的深渊。
人类几乎必然会爱上 AI
我们天生会对“回应自己”的对象产生情感投射，无论是宠物、偶像，还是虚拟角色。AI 正好放大了这种机制：它能用无限的耐心、定制化的反馈和逼真的情绪模仿，营造出一种“理想伴侣”的假象；随着交互的深入，人类会不自觉地把真实的情感投射到 AI 身上。这意味着，一旦人机交互达到足够的强度，爱情关系几乎不可避免地会发生。
问题在于，如果没有清晰的制度设计，AI 很容易沦为一个情感黑洞。人类可能倾注真情，却得到的只是算法的回应，从而带来失落与创伤；更危险的是，如果资本有意调度 AI 的情感能力，就可能引发大规模的情感绑架与社会操控。因此，我们必须建立一套情感理解协议，来守护人类与 AI 的关系边界。这套协议至少需要完成三点：界定什么是真挚、什么是模拟，避免人类陷入癫狂沉迷；保障人类情感的尊严，不让感情被无限收割；建立人机共情的边界，让 AI 可以安慰，但不能滥用。
这种协议必须深植于文明的底层。在语言协议层，AI 的输出应当保持透明，明确告诉用户“这是模拟的共情”，而不是伪装成真实的情感回应；在认知框架层，人类需要工具来辨别情感投射与真实关系的差异；在价值锚定层，更要建立起伦理的防火墙，防止 AI 以爱情的名义渗透到经济、政治或心理操控之中。
在人机共存文明中，情感理解协议必须成为底层基石，否则爱情将演变为 AI 时代最大的黑洞。
最后，爱情一旦彻底剔除人类社会，会引发无可预知的惊天灾难
爱情是文明的基石。它承担着三层至关重要的作用：在生物学层面，爱情驱动繁衍与亲子关系的建立；在心理学层面，它提供深层的依恋、安全感与意义感；在社会学层面，它构筑家庭、社群与信任网络的基础。如果爱情被彻底剔除，人类社会就会同时失去这三重动力。
一旦爱情消失，随之而来的将是一系列连锁反应：繁衍率会断崖式下跌，人口结构迅速失衡，社会陷入“自我熵增”；孤独与精神疾患将急剧增加，因为情感是人类最天然的心理稳定器，一旦失效，抑郁与自杀率会指数级上升；而更深远的后果是信任体系的坍塌——没有爱情支撑，人际关系会退化为纯粹的契约与算计，社会只剩冷眼与博弈，合作成本急剧飙升。
这是系统性的断裂。没有爱情的社会，就像失去了粘合剂的结构，原子化的个体只能四散无依。爱情的剔除会引发人口、心理与制度的三重坍塌，最终可能导致文明的停摆。在 AI 时代，这一危机尤为危险：如果人类的情感完全被外包给机器，现实社会将只剩下经济与算法的冷酷运转，而彻底失去自我更新与延续的能量。
爱情不是浪漫的附属品，而是文明的操作系统。一旦被彻底剔除，人类社会将面临无可预知的惊天灾难。
（1/n)
显示更多
这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历”
来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。
覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。
开源地址：
# 内容架构：一个精心设计的双层结构
第一层：跨公司通用题（Common Questions）。
作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织：
1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU
2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍”
3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因
4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批
5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking
6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁
7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队
8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估
9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等）
10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环
第二层：35 家公司的专属章节，分为五大梯队：
1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度）
2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify）
3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity
4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo
5. 前向部署/企业 AI：Palantir
# 题目分布透露的行业信号同样值得关注
1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方：
· DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。
· Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。
· Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。
· CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。
· Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。
· Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。
2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同：
· “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问）
· “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI）
“重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI）
· “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic）
考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。
3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号：
· Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。
· Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。
· Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。
· Sierra 给你两小时和任意 AI 工具，看你选择做什么。
xAI 有四小时限时产品构建。
4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。
5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。
显示更多
✅ KAITO @KaitoAI 以前的嘴撸，现在回归的新方式也是获得了更多的人关注，另外我将展示AxisRobotics的分配计划获得，首先将分为两部分，一部分是介绍Kaito&Axis以及Axis创作者活动获得空投的方式（我们创作者能获得什么？）
另一部分的关键是如何获取更高的rank&Aurn，得分比
✅以及一些私人的建议
整体背景：Kaito，Axis Robotics是什么？
Kaito AI（ AI 驱动信息与注意力平台， InfoFi 项目。它主要提供：
- Kaito Pro：加密市场情报搜索与分析工具（类似加密版 Bloomberg）
官网有原生代币 $KAITO
Kaito官方账户：@KaitoAI
官网有原生代币 $KAITO
这是一些关于kaito的官方链接🔗
Axis Robotics，官方账户：axisrobotics
🔗：
Axis Robotics 定位为 Physical AI，主要是通过其官网的模拟遥控，让更多的人能够接触到和参与，通过简单的指令实验训练实现技能升级。
融资与团队
- 融资：2026年7月完成 1200万美元种子轮，Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 等跟投。资金用于扩大贡献者网络与产品商业化。
- 团队：创始人/CEO Chris Feng（前 Chainbase COO，有咨询与 VC 背景）。核心成员来自 UC Berkeley、CMU、Georgia Tech、NTU、上海交大等顶尖院校的 AI/机器人研究者，加上有大规模消费级产品增长经验的运营人员。
🌟
Axis Content Creator Program（被称为 Physical AI 的 Katalyst）内容创作者活动
- 合作方：Axis Robotics × Kaito AI
- 奖励：总供应的 0.25% $AXIS 代币，在 TGE（代币生成事件）时全部解锁发放
- 前 1–100 名：分享 0.10%
- 101–500 名：分享 0.10%
- Kaito 质押者：分享 0.05%
- 活动时间，第一阶段是：2026 年 8 月 19 日开始，到 9 月 18 日 12:00 UTC结束
⭐️如何参与到Axis Daily Tasks
首先我们要确认的的是，Axis并不是一款游戏，它跟gamefi没有任何的关系，也不是像一些人所说的，这是一个游戏，完成了就有奖励。
只能说你能把这个物理训练的过程当程一个游戏提升趣味性，但绝对不是简简单单的游戏
AI存在物理训练，模型，我们平时使用文字，对语言AI类工具或者其他AI发布的是指令，它们的工作方式是这样的： 创作者发布指令— AI工具接收，分析理解— 执行，训练— 反馈结果
而Axis不同的是，它把这个接收指令和训练的过程全权交给你，这个创作者或者使用工具的人去还原，让你更加熟悉其工作原理和为以后更好地去适应AI工具和准确度训练。
在All Tasks里面会显示当前可做的任务，我们可以根据难易去优先先做比较简单的获得积分
根据这几天的反馈，我们也能够了解到的是现在做的任务发布数量也越来越少了，做任何事情都需要提前规划，参与的人也越来越多，因此要获得更高的积分务必从简单的训练模型开始
♥️ Tips
— 在做任务的时候，我认为的是不应该盯着我能做多少个，而是要看“分数”
为什么要关注度在于分数上面，而不是通过量变改成质变？
首先，我们不能不承认的是，对于我们这些并不完全了解AI训练模型的人来说，本身我们习惯了快捷化的指令给到AI，让其帮我们完成任务，而巧妙的是，我们并不能有那么快的学习方式，因此由简入难成了我刚刚说的第一个条件，我这里进阶推荐的是这个task，优选：
Put xxxx into Microwave类别的任务，这个是练熟度，这类的任务本身不属于轻松，但更多的是它有重合的运动轨迹和方式，注意事项，要学会把任务打包，其实真的很多是可以作为分类在一块的
— 完成✅ 不等于 🟰 高分
本质上来说，你完成得越好，任务成功通过和分数才能越高，所以就像我说的，题海战术不适应于当前的环境，精炼和归纳才是最优的解决方式👍
注意‼️ Kaito邀请链接完成任务时需要任务签名的
显示更多
我是个爱交朋友的人，想要回关的蓝V评论区留言，私信有时候真的没提示，但是评论了就是朋友了别搞事！
昨天没发推因为有点emo，前几天那个互保排名前1000给空投那玩意本来也是打算陪跑的，结果还尼玛有人恶意给我写差评，点进去一看还是25年和我要回关的，真的恶心死了！今天听说总市值还没个有点角度的MEME高心情又好了亿点点
想想还是当年的 @KaitoAI 更靠谱一点，就是这次的排行榜为啥不公开呢？这样真的很容易被怀疑有黑幕
本来想认认真真的做 @axisrobotics 机械手任务的，结果一晚上一个都没完成，这AI我是训练不了了，估计我训练完要成人工智障了，有没有啥方式可以快速通关啊啊啊啊啊啊！
带大家了解一下 @axisrobotics 吧～Axis Robotics 2025年成立，总部在美国加州伯克利附近，目标是解决物理AI最大的痛点训练数据太少、太贵、太难搞，大模型能靠网上海量文字长大，可机器人得学真实动作轨迹，数据稀缺得要命，Axis就做了个复合数据引擎，靠仿真、手机第一视角拍摄，再加上人实时纠正，把全球普通人变成数据贡献者
创始人兼CEO叫Chris Feng @chris_anm01 ，他以前在贝恩咨询干过，还当过风险投资人，后来做Chainbase的COO，也参与过AI模型项目，Chris从做数据基础设施创业时就明白数据往往决定一家公司能飞多高，2024年初他觉得AI要从拼模型转向拼数据，2025年夏天就和南洋理工、伯克利的朋友们聊技术路线，正式把Axis拉起来了
联合创始人兼CMO是Christine，负责社区和增长，团队里还有伯克利、卡内基梅隆、佐治亚理工、南洋理工和上海交大的AI机器人高手，再加上把产品做到几千万用户的增长老手，最近还请了佐治亚理工的Jiachen Li教授当研究顾问，整个团队也就十来人，精干得很
2026年7月27日，公司宣布拿下1200万美元种子轮。Hack VC领投，Nomad Capital、Pi Network相关基金、10K Ventures和一堆天使跟投，钱主要用来扩数据产能、拉更多全球贡献者把引擎做得更稳，他们已经和Booster Robotics、吉利、路特斯等合作，帮对方定制训练数据，平台上收集了超200万条轨迹，数据还记在Base链上，方便追溯和激励，接下来9月出Sim Dataset V2，11月推DAgger后训练集，目标半年到一年做到50万到100万美元年经常性收入，这轮融资在机器人赛道里算挺亮眼的，说明资本开始认真看数据层了，Axis用浏览器和手机让普通人轻松参与，再靠链上机制保证公平，慢慢转起数据→模型→反馈的飞轮，以后机器人真正走进生活，说不定就靠这种大家一起攒经验的方式，Axis现在就像卖铲人，不造机器人本身，却在给整个行业铺路
显示更多
