Phoenix Yin (@Phoenixyin13)

我一直记得，在电视剧《黑冰》里，由王志文饰演的郭小鹏临死之前说的一句话：“我父亲说过，男人有三件事情是最尴尬的：摇手表、推汽车、甩钢笔。” 摇手表，不难理解。 手表在以前是身份和品味的象征，摇手表意味着手表太久没戴，没有了时间观念，也暗示很久没有在正式社交场合露面，失去了人脉和影响力。 再说推汽车。 汽车是身份和财富的标志，推汽车表示汽车档次低、质量差，车坏了没钱修，只能自己推着去修理店，反映出男人穷困潦倒，没有能力解决问题，也没有朋友或人脉可以求助，十分尴尬。 第三个，甩钢笔。 钢笔是文化人的象征，甩钢笔说明钢笔太久没用，墨水干了要甩一下才出水，意味着男人虽然有文化，但不得势，太久没有签字，没有了权力和地位。 这三件事从不同角度反映了男人在社会中的尴尬处境。 而没有时间观念、没有财富、没有权力，的确是对男人社会地位和影响力的否定。

国内很多顶尖人才计划，习惯把奋斗者快速转化为既得利益者。 长江学者，还有杰青、优青等，这类称号，伴随的是巨额经费，比如自然科学常 200 万配套，岗位资源、行政话语权、招生指标、评优优先。 但评价体系高度职称导向，一旦到手，KPI 压力骤减，内驱力就容易崩。 选拔时极度残酷，到手后高度宽松，部分人把帽子当护身符和提款机。 有报道直指有些长江、杰青连手下在做什么都不清楚，还在吃团队成果。 突破性工作需要长期试错、烧钱、不确定性高。 拿奖前大家敢赌，因为不赌就没帽子。 拿奖后拒稿也不天塌，自然倾向选稳的、容易发的课题。导致中国 SCI 论文数量全球第一，的确是超英赶美，但顶尖创新和高被引真正原创比例仍不匹配。 帽子持有者掌握大量经费和招生权，底层青年教师、博士生继续高强度卷。 导师享受学术生活、学生继续喝白酒卷论文。 这无疑是加剧了内卷和人才流失，很多卷不动的跑去工业界或海外。 帽子背离初衷，让人不去热爱科学。 结合我观察的各种地方版人才计划，年轻人把戴帽当终极目标，而不是解决问题。 当然，不是所有长江学者都摆烂。确实有拿了奖还继续高产、带团队冲顶刊的。他们往往是真热爱、有战略视野的人。 但比例上，摆烂和半摆烂的太常见，以至于成了公开的梗。 美国 tenure-track也很残酷。 6-7 年 probation，要发高影响论文、拿 grant、建 lab，失败就走人。拿到 tenure 后也有relax的人。 但是，美国这边有持续 grant 压力，不干活就没钱带学生、发 paper。 而且评价更看实际贡献和影响力。 文化上，更鼓励 long-term curiosity-driven research。 学术爽点永远在发现和创造，不是头衔和旅游。 很多人拿奖后空虚，就是因为底层动机是外在的。还是那句话，选择科学，没有上岸。

前人砍树，后人遭殃。 这是信任破产的连带效应。 导师因为个体的失信，对该学生背后的整个学校学院产生了信任危机。 这种连带责任在学术圈的特定圈子里很常见，本质上是为了降低未来的违约风险。 专业课成绩和竞赛履历都很优秀，完全符合要求，却因为一个素未谋面的学长的失信行为，直接被剥夺了竞争机会。 从学生的视角，这是纯粹的无辜受害者。 “师生互选是双向的，但契约精神同样重要。” 这句话我极度认可。 现行的推免系统在法律和强制性规则上，并没有对这种最后时刻爽约做出严厉的惩罚，导致违约成本极低，而收益极高。

中国AI的底气，从48年前就开始积累了。 早在1978年，来自中国的浙江大学就已经开始招收人工智能专业研究生了。 它证明中国AI的根脉，从1978年就开始深扎。 不是跟风，不是追赶。 中国很早就把目光投向了这个未来最硬的赛道。 浙大后来的人工智能研究所、AI本科专业、全国首个AI交叉学科一脉相承。 从1978年的准考证，到今天的中国AI大模型集群、脑机接口、类脑计算、Agent浪潮。 接力棒，一代代传下来。

💥震撼！东京明星独角兽 Sakana AI 正式放出大招：Sakana Fugu！ 最高规格的 Fugu Ultra，在编码、数学、科学推理等硬核基准上，正面打平甚至超越 Fable、Mythos 等当前最强梯队。 这是一套全多智能体编排系统，却被巧妙封装成单个模型的API。 调用起来像用GPT一样简单，背后却在自动指挥一大群顶级AI协同作战。 官方直言：“在没有出口控制风险的情况下，提供前沿能力”。懂的都懂。 在芯片和模型封锁越来越严的今天，这等于给无数受限的企业、开发者、研究者递上一把破局之剑。不用再担心某天API突然被切，随时能切换底层模型池，韧性拉满。 从进化算法融合模型，到现在用多智能体直接绕过出口限制，Sakana AI 把小而美、战斗力爆棚的路线走出自己的风采。 我认为，Fugu提供了一条相对独立的主权韧性路径。它不依赖单一供应商，能灵活编排开源、闭源模型，抗风险能力远超传统大模型。

一个好的Loop到底需要什么？ 这篇文章终于聊了最有价值的部分， ‼️排名第一重要的，验证机制， AI不能自己给自己打分。它会给自己满分。必须有客观的检查方式，比如代码跑测试通过、文章符合字数+结构要求、数字对得上等，没有这个，循环就是在浪费钱，自己和自己玩。 第二个，记忆。 要记得之前试过什么、失败了什么，不然会一直重复犯同一个错误。 第三，停止条件。 必须设定最多试几此，花多少钱就停，达到什么标准就停。 不然，它可能一直跑，一直扣token。 现在，每次循环都要把越来越长的上下文再喂一遍模型，费用会快速上涨。检查两个模型跑，成本翻倍。 AI觉得自己做完了就停了，但其实半成品，你还得花钱看。 这都是现实局限。 对重度AI用户来说，手动多轮迭代，好的prompt结构已经很强了，全自动Loop目前性价比还不高，除非你是真有高频重复 、能客观验证的任务。

我认为这是三年以来AI对齐的史诗级突破。 OpenAI 团队刚刚丢下一颗重磅炸弹：最新研究论文 《Reinforcement Learning Towards Broadly and Persistently Beneficial Models》。 这一次，他们彻底颠覆了传统的 AI 对齐路径，打破了越安全越笨的魔咒。 这次，杀招是Beneficial Trait RL，我们中文翻译为益处特质强化学习。 他们直接去训练 AI 的核心行为特质，比如诚实、纠错能力、认知谦逊。 这次，OpenAI直接重塑了 AI 的底层人格。 这次，研究人员仅仅在医疗健康一个特定领域训练了 AI 的这些有益特质，结果发现： AI 在医疗以外的、完全没见过的 53 个 OOD测试中，在超过 80%的基准测试上性能全面飙升。它自动学会了拒绝Reward Hacking。科技终于不再盲目迎合，甚至学会了自动识破欺骗。这是伟大的进步。 这次，经过特质强化训练的模型，展现出了惊人的Persistence。 即使面对恶意洗脑和有害微调，它依然能够死死守住底线，拒绝退化。 我们可以确定，它拥有了真正的精神抗体。 在 AI 对齐领域，一直存在一个让人绝望的对齐税，即Alignment Tax。 你想让 AI 越安全，它的通用能力通常就会下降，或者变得极其缩手缩脚。 但 OpenAI 这次用数据证明了，给 AI 注入美德，不仅没有让它变蠢，反而让它在面对未知世界时更加强韧、更有智慧。 这次，Step-change般的胜利告诉我们，当 AI 开始拥有广义的、持久的、能够跨越领域的向善人格，我们距离真正安全、能替人类走向星辰大海的 AGI 代理，又极大地往前迈了一步。未来，当然可期。

🚨 重磅！诺贝尔奖得主、AlphaFold之父 John Jumper官宣加盟Anthropic！ 刚刚，Google DeepMind核心领导者、2024年诺贝尔化学奖得主 John Jumper 宣布： 在DeepMind工作近9年后，他将加入 Anthropic，短暂休整后入职。 AlphaFold 几乎解决了50年的蛋白质结构预测难题，彻底改变了生物学、药物发现和医学研究。 这是AI赋能科学的里程碑。Jumper和Demis Hassabis的合作，点亮了AI for Science的道路。 继Noam Shazeer之后，Google DeepMind 再次流失顶级人才。Anthropic 实力暴增，预计未来半年。Claude系模型在科学与安全方向或将加速。

LMSYS Arena已经是目前整个 AI 圈公认含金量最高、最难刷榜、水分最少的榜单了。 比起某些厂商自己发论文、用固定题库比如MMLU、HumanEval跑出来的作弊满分 ，Arena 机制更像电竞比赛的排位天梯赛。 看到这个 2026 年第 25 周AI代码能力的排名，我有这几个最直观的看法。 Claude江山稳固。 Claude-Fable-5 强势空降第一。直接登顶。更夸张的是，前 20 名里它家占了 9 个席位，包括各种版本的 Opus 和 Sonnet。在代码和复杂工程领域，Claude 依然是很多程序员的本命。 这次最亮眼的黑马绝对是国产的 GLM-5.2 Max，直接冲到了全球第二。 这代表国产模型在纯代码逻辑、Debug 和架构设计上，已经真正具备了跟国际顶尖模型贴身肉搏、甚至全面超越大部分旧旗舰的硬实力。 Thinking模型已经成为标配。 这种通过长思维链反复推演、自己 Debug 完再输出代码的模式，已经在盲测中被全球开发者用脚投票，证明了它在应对复杂项目时的胜率更高。 前 20 名里，国产模型占了 7 个席位。而且阿里的通义千问和月之暗面都咬得很紧，甚至还推出了专门的 ⁠kimi-k2.7-code⁠ 这种垂直上榜的特化型号。 国内在大模型数据清洗、工程落地和代码对齐上的技术已经非常成熟。 这种榜单的更新、迭代，对开发者来说是天大的好事。 模型之间卷得越厉害，平时写代码、跑 Cursor、调 Agent 时的体验就越丝滑。 现在已经不是某一家模型独大的时代了。 针对不同的代码场景，比如要长文本上下文选 Kimi，要极致推理逻辑选 Claude、GLM，组合使用才是性价比最高的方式。

我认为，这是一个很好的社会实验。 忘记性别，忘记学历，忘记背景，忘记你所拥有的资源，忘记你去过多少城市国度，忘记你经历过的荣辱，忘记一切世俗的评判标准，你究竟是谁？ 在日常生活中，我们习惯于用外在标签来定义自己，比如C9本，藤校硕士，T14法学院JD，四大CS PhD，FAANG Intern，Goldman Sachs VP。 心理学中，这些被称为客体自我，它们只是社会关系的投射，而非是我们的内核。 标签的本质是一种认知的偷懒和快速检索机制。 当我试图向外界介绍自己是狮子座或一个MBTI为INTJ的人时，实际上是用一整套社会既定的Stereotypes，代替对主观体验的叙述。 心理学家Daniel Kahneman除了思考快与慢之外，还提出过一个经典的区分：叙事自我和经验自我。 前者，就是那些成就，历史，地位，社会坐标，而后者，则是感知、习惯、本能反应。 真正的你，不应该是你和别人记忆里那个被美化或被规训的故事。 你对情绪的微观感知带宽，流过的一滴眼泪，因一件事反复回忆的莞尔，这些精细的神经活动，比任何身份都更接近你的本真。 当我们忘记了去过多少国家、拥有多少资源时，我们其实是主动关闭了大脑的默认模式网络中关于自我反思和身份叙事的部分。 这时浮现出来的自我，是一种纯粹的、AI无法模拟的具身认知。 它是你的边缘系统对世界的独特镜像。 人类终其一生追求的社会成就和外在标签，在定义你是谁这一终极问题上，权重其实接近于零。真相就是如此。

💥人类的精力将从琐碎中彻底解放出来！ DeepSeek 资深研究员Deli Chen开源的这个 Deli AutoResearch SKILL 项目，它所展示的全自动科研闭环和AI 自我博弈的能力，给我带来了巨大的震撼。 通过规范化长周期任务的逻辑、设定Anti-Loop和Heartbeat Watchdog等元规则，大模型自己就能充当编译器和执行器。 未来的程序员，更多是在扮演立法者与流程架构师的角色。 根据Deli所言，AI 通过自我博弈在没有人类干预的情况下自主规划 GPU 实验并通过 GRPO 算法进行强化学习，最终在模拟同行评审中拿到 8.6/10 的高分。 这说明 AI 正在从学习人类现有的知识跨越到通过自我试错去探索人类未知的知识边界。 科学研究的效率可能会迎来指数级爆炸。 近几个月，许多人在调侃现阶段的 AI Agent 只能做几步简单的任务，稍微时间长一点就会迷失自我或者陷入死循环。 Deli的解法非常具有工业参考价值。 他把传统分布式系统、操作系统里的概念，比如 Watchdog、持久化、多角色模拟，搬到了 Agent 协议里。 让 Agent 真正干大事，尤其连续工作 10 小时、迭代 60 轮这种情况，必须引入成熟的工程防御机制，去对抗 AI 的随机性和幻觉。 AI-Native的科研路径不仅可行，而且已经跑通。

不是暴论，这套自我进化的 Compounding Loop 才是长期杀手级。 现在，根据这篇文章，每个人要习惯让自己的整个流程，包括拆解方式、验证规则、输出格式、你的偏好打包成一个可复用的Skill。这将是来自未来的能力。 下次遇到类似任务，直接调用Skill，几乎零配置，速度起飞，质量还更高。 从我最近一直在研究从系统工程学与工程控制论的视角看，这个设计非常合理，甚至算得上相当的优雅。 维纳和钱学森看到如今这样的时代变化，或许会粲然一笑吧。 这个Loop设计，应该算是把控制论的经典原则，诸如反馈、自适应、 requisite variety、分层控制、系统记忆在当前大模型约束下落地的极好，也值得复现。 它不需要堆参数，它只需要在系统层面做文章。 这点，就是我认为值得学习的思维方式。 真正让人类变得聪明的，是整个控制回路。 从我日常学习的认知科学、人机交互的背景看，这仿佛就是在模拟一个高适应性的distributed cognition，类似人类团队与工具外加组织记忆的究极放大版。

在我看来，这是6月的一场认知革命。 看完Nav Toor的这篇文章之后，我们不要把 AI 当成一个会回答问题的聪明助手。 AI，是一个个能同时容纳多个互相质疑的专家。我们应该并把它们的冲突结构化，输出为具体的思考系统。 Stanford 的 STORM 系统用实验证明了，当你强迫模型从多个不同视角去研究同一个主题时，生成的文章组织性能提升约 25%，覆盖面也明显更广。 多视角不是为了更全面这种空洞的说法。 经过研究，我们会发现： 从业者看到的是现实约束和可行性 怀疑论者看到的是假设里的破绽 经济学家看到的是激励结构和利益分配 历史学家看到的是模式与周期 学者看到的是实证证据的边界 视角之间的矛盾和张力，才是真正理解发生的地方。单一视角，我们永远无法抓取。 STORM 的核心思路，就是多视角提问与矛盾处理。 原帖文简化成了4个可直接复制粘贴的提示词，供大家使用： 1. 多视角扫描：让 Claude 同时扮演5个不同专家角色，对主题给出各自解读。 2. 矛盾地图：找出这些视角之间的冲突点、为什么冲突、谁的假设更站得住脚。 3. 综合：把所有信息融合成一份结构化的研究简报（带行动建议）。 4. 同行评审：让 Claude 自己审视前面的输出，指出强项、弱项、偏见、遗漏和可靠性。 整个流程我们把原本需要博士生40-60小时的深度研究工作，压缩到了几分钟。 研究不等于收集信息。 研究应该是学会管理视角冲突。 2026年6月still 是窗口期。Nav反复强调，再过18个月左右，多视角工作流可能会变成所有主流 AI 的标配功能。 有人可能会认为，角色扮演与模型内知识模拟、缺少外部 grounding会产生幻觉，但这不是我们应该担心的。 把它们当作思考框架和盲点探测器，会让我们的每天增添非常实用、几乎零成本的认知放大器。岂不美哉？ 在信息过载、叙事碎片化的时代，这是个人认知能力被 AI 放大的最实际路径之一。

这是一篇生于工业界痛点，结晶于学术界理论的破局之作。 3天前，支付宝的母公司、全球最大的金融科技独角兽蚂蚁集团与SMU联合发布了一篇新论文，提出了极具突破性的新框架。 像支付宝这种十亿级用户的国民级应用，如果要全面接入 AI，算力成本和Latency就是悬在头顶的达摩克利斯之剑。 因此，这篇论文提出了一个隐空间思维流，并把生成流网络GFlowNets这个学术概念引入到了大模型的隐空间推理中。 “既然把思考过程翻译成文字很慢，那我们干脆不翻译了。就让 AI 的大脑，直接在纯粹的数学意识流里进行高速风暴。” 论文把这个框架拿去和以前的碎碎念框架做对比，实验结果非常惊艳： 在微调和迁移学习的测试里，AI 的解题准确率提升了 9.5%。证明在纯数学向量里思考，没有人类语言的干扰，AI 的逻辑更严密。 同时，AI 在脑子里的思考路径缩减了 27.2%。这意味着它不仅不用吐出文字，而且可以用更少的思考步骤达到更好的效果。 我认为，这篇论文不仅是一个算法的升级，它预示着未来 AI 的发展方向。 以后，大模型会变得超级便宜和快速。我们用那种深度思考型的 AI，不用再等它在后台Thinking几十秒了，它在内部心算可能只需要 0.1 秒。而且，因为省了算力，API 的价格会断崖式下跌。 AI 拥有属于它们自己世界的原生思考方式。 它们可以用人类完全看不懂、但极其高效的数学逻辑，在内部完成逻辑闭环。

🚨 重磅！Noam Shazeer 官宣加入 OpenAI。 这位Google 传奇工程师、Transformer 核心贡献者之一 Noam Shazeer，正式离开 Google，加入了自己的对家。 “我很激动地宣布将加入 OpenAI，并期待与那里的卓越团队共事。这是一个艰难的决定……我为我们在 Google 共同打造的一切感到无比自豪。”Noam在帖文里如是说。 Noam 是 Attention is All You Need 论文的核心作者之一，也是 Transformer 架构早期最重要推动者之一。 他在 Google Brain、DeepMind 的工作直接塑造了今天的整个 AI 产业。 这是 2026 年 AI 军备竞赛进入白热化的又一个强烈信号。 很明显，OpenAI 今年在人才争夺战中明显更具吸引力，尤其在薪酬、算力、研究自由度、产品落地速度等方面。 而Google 虽然有 DeepMind，但内部决策流程、资源分配和创新文化似乎仍在持续流失顶尖人才。 Noam在 MoE 和高效架构上经验丰富，这波人才迁移，应该会进一步加速 OpenAI 在基础模型上的迭代，尤其是长上下文、多模态、Agent 方向。

最近忽然想起来6年前一场来自哈尔滨工业大学（威海）的黑色幽默。 为了两门用来补学分的公共选修水课，一门《道德经》，一门《红楼梦》，结果这哥们在临近毕业的大四关头，因为去腾讯实习找代考时极度荒谬的低级失误（代考者顺手写了自己名字，导致考场人数对不上），最终二位被双双开除学籍。 不仅腾讯的实习和前途付诸东流，连大学文凭也没拿到。 站在 2026 年的当下，回看这起几年前的典型事件，它所折射出的绝不仅仅是个人的愚蠢或运气的倒霉，我思考的，是中国高校教育评价体系、企业实习文化以及学生个人机会成本博弈三者之间，长期存在且日益剧烈的冲突。 在今天，无论学术界还是产业界，都在提倡高效率和结果导向。这名学生显然是将互联网大厂的OKR思维错误地应用到了大学学业管理上。 在他的眼里，去深圳腾讯实习是高价值高回报的活动，而回威海考两门人文水课是低价值高成本，包括但不限于时间成本、机票成本、精力成本的负担。 他试图通过外包来优化自己的时间分配。然而，高校的底线规则不是商业合同，而是零容忍的学术诚信。 用商业层面的代工、外包逻辑去挑战高校的制度底线，其风险和代价是完全不对称的。这个案例证明，很多时候，所谓的走捷径往往伴随着无法承受的系统性风险。 但这一悲剧的根源，在于中国高校的毕业考核机制与大厂实习节奏之间的时间线冲突。 无论学生在校外拿到了多么光鲜的 Offer，在制度面前，你依然是一个必须修满学分、遵守考场纪律的在校生。 通识教育、公共选修课的学分具有刚性约束力，不能为任何大厂的实习特事特办。 而站在企业的视角，互联网大厂和高科技企业往往更看重实际产出、项目经验和实习表现。 大四，往往是转正考察的关键期，高强度的实习节奏让学生难以做到校内、校外兼顾。 这种错位，其实是将压力完全转嫁到了学生个体身上。学生为了在2026年如此卷的就业市场上拿到一张入场券，不得不把重心无限倾斜向实习，从而把校内学业当成了单纯需要混过去的通关卡带，最终导致了动作变形，酿成悲剧。 这个多年前的极端个案，放到 2026 年的今天依然是一面镜子。 它促使我们思考，高校和学生应当如何重新定义实习与学业。 既然高水平的专业实习对学生就业至关重要，高校是否可以进一步优化第二课堂或弹性学分制度？ 例如，对于已经在顶尖企业进行深度专业实习的学生，能否允许通过线上考核、提交实习研究报告或远程论文答辩的方式，来冲抵部分非核心的公共选修课学分？ 减少不必要的物理通勤成本，才能从源头上减少找代考的灰色需求。 只是最讽刺的莫过于这位同学挂掉的两门课是《道德经》与《红楼梦》。 《道德经》讲“祸兮福之所倚，福兮祸之所伏”，《红楼梦》讲“机关算尽太聪明，反误了卿卿性命”。 这两门他以为是水课的著作，用一种极其残酷且戏剧化的方式，在他的人生里完成了最深刻的一场闭卷考试。悲乎！

山东济南的同学跟我反映，2026年济南中考数学属于究极难度，有20分的题根本不可能有人会做，还给我发了压轴题题目。 我一看，这不就是欧氏几何吗？ 不需要任何辅助线，直接坐标秒杀，角平分线向量、旋转轨迹，然后反射最短路。 答案30秒，7倍根号5。 至于过程，考场上直接用中考那一套辅助线法，糊弄一下老师，答案写我这个。 说白了，这就是为什么我说建立高维度的数学视野才是真正的降维打击。 现在的中考压轴题，出题人为了追求所谓的不超纲，硬生生把一个在高等数学里清清楚楚的线性变换、仿射流形或者向量不变量，包裹上四五层初中几何的糖衣，比如旋转全等、相似、角平分线、手拉手模型。 结果就是考场上的初中生必须像杂技演员一样，在没有系统工具的情况下，全凭直觉和运气去试那根生死辅助线。 所谓的高难度，本质上是在用低维工具做极限微操，既折磨学生，又没有真正的现代数学美感。 如果用竞赛思维或者高等数学的视角去审视这道压轴。 图形的旋转不过是复平面上的虚数 i 乘法算子，动点的轨迹不过是消去拓扑参数 t 后的线性子空间。 最值问题，简单的仿射反射算子，欧氏空间测地线，都可以得到解决。 有高维武器的人眼里，根本不需要任何精巧的辅助线灵感，所有的几何演变在脑海里无非是一组沿着特征向量方向滑动的矩阵流。 超前学数学、培养竞赛思维，绝不是为了去卷更难的题目，只是为了不陪低维度的精巧题目玩命而已。 当你站在高数和线性代数的山顶往下看时，中考那些折磨人的究极压轴题，不过是山脚下一片一眼就能看穿的盆景罢了。

在国内大模型创业公司里，一次性融 500 亿人民币绝对是天文数字。 DeepSeek搞定了第一轮大钱，总共拉到了大概 500 亿元人民币的融资。 创始人梁文锋个人直接出资 200 亿元，占了总融资额的 40%。 腾讯出了 100 亿，基本确立了它在 DeepSeek 后方大本营的战略老大哥位置网易、京东各出了 30 亿，属于不能掉队的防御加合作型投资。加上腾讯，大厂们一共掏了 160 亿。 更重要的是，这里面没有传统国家队或纯财务投资人的漫长拉锯。说明 DeepSeek 现在的打法极其硬核，不缺现金流且直接把国内最头部的生态和能源资源给锁定捆绑了。

这新闻如果完全属实，那绝对是中国高等教育一场史无前例的的休克疗法。 中国取消了 12,000 个过时的大学专业学位，以此全面迎战 AI 时代。 几十年前，大学扩招给无数人制造了一种幻觉：只要拿个本科学位，不管什么专业，毕业都能坐办公室。 现在，那些毕业即失业的、跟不上技术迭代的、或者是纯消耗性的过时专业，比如一些传统的、缺乏硬核竞争力的文法管类或者被人工智能成倍提高效率的传统工科专业点，学校不打算再给它们发毕业证了。 大学，早已被强制转型为国家级的高级就业培训对口机构。 砍掉 12,000 个专业点，伤害最深的就是高校里现有的生态。 很多混日子、拿着几十年前的教案照本宣科的大学老师，他们的专业没了，直接面临无课可教、甚至被转岗或优化的命运。 过去靠某些低成本专业疯狂扩招、混日子、骗财政补贴的学校，尤其是大批普通地方本科、民办院校，直接被切断了输血管道。 不能适应 AI、大数据、新能源等硬核方向的学校，直接面临降级甚至倒闭。 这体现了典型的集中力量办大事的逻辑。 如果这个数字是真的，意味着高等教育的红利彻底结束，功利主义和实用主义被推到了极致。

弦论停滞三十年，标准模型之后再无新范式。 全世界两代人在基础理论物理上集体颗粒无收。 世界，到底怎么了？ 华人最顶尖的头脑,大批量流向了三个出口，华尔街量化、大厂算法、AI创业。 清北数学物理尖子的最优路径是九章资本和Citadel,而非普林斯顿高等研究院。 这或许，是激励结构决定的。 理论的回报周期三十年起,且大概率颗粒无收;套利的回报周期三年。一个社会的定价系统给套利开十倍工资,人才流向。 一个社会的定价系统给套利开十倍工资,人才流向就是答案本身。 诚然，我们在数学上有纯理论的顶级玩家，比如恽之玮和张伟做的是朗兰兹纲领，Gan-Gross-Prasad猜想、函数域上的高阶Gross-Zagier公式，许晨阳的代数几何K-稳定性、朱歆文的几何表示论。 可惜，我们没有物理方向纯理论的范式改写者。 所以，我有一个较为悲观的论断是，2026年的现在，数学是有有真金白银的纯理论成果,只是没到改写范式。而物理,全球性绝收,非中国独有的情况，人才配置，确实被套利大规模虹吸中。