Chunfeng NIAN

[柴郡🔔｜Crypto+AI Plus @0xCheshire]

你首先是一个媒体公司，其次才是产品公司。

[Science girl @sciencegirl]

Building a miniature house

https://t.co/YNbejEXg80

[Inferam @InferamAI]

How to make a mini toy motorcycle from paper clips

🎥ricegrains_manual

[Y11 @seclink]

最近流感盛行，正好学习了解一下新药行业市场知识...

[Chunfeng NIAN @ChunfengN]

@lidangzzz 吱

[Bear Liu @bearliu]

无意刷到的，分享一下：设置成手机壁纸，很清凉。

[Chunfeng NIAN @ChunfengN]

@turingou 这句式原本是用来评论青春的。

[howie.serious @howie_serious]

人人都知道“费曼技巧”。于是，出现这样一种现象：你给某人讲一个东西，经常会得到这样的反馈，“你费曼的不好！我都没听懂！”

这个现象是普遍的。背后是人们对“费曼技巧”的普遍误解：费曼技巧就是要把知识讲到小孩子都能听懂。我没听懂，所以你不会费曼。

是费曼者的问题吗？不一定，因为：对方是不是宝宝，你也不是在跟宝宝说话。

为了解决这个误解，效法 lexile 对英语能力的量化分级机制，我把“费曼”也做了一个量化分级，按照难度从 L1 到 L5 逐渐增加：

L1 儿童 （child）：假想的费曼对象是儿童，8 岁以下，景知识为 0，抽象理解能力接近为 0（主要靠具体事物来理解，很难抽象思考）。

L2 初中生 （teen）：假想对象是 13~18 岁的中学时。有一定的知识储备，具备了一定的抽象思考能力。这个级别的费曼，信息量明显提升，除了基本概念之外，还可以探讨如何研究，意义如何。

L3 大一新生 （college student）：典型对象是大一学生，具有成年人该有的正常的知识储备、正常的理解能力。我在写书和互联网分享时，给自己设定的费曼等级就是L3。我默认我的读者是成年人，有大学生的学习能力，有普通成年人该有的知识储备和理解能力。

L4 研究生 （grad student）：典型对象是同领域的研究生。在特定领域有较深的理论背景、有较强的理解能力。这种对话，信息量大，会涉及研究方法和专业案例，词汇上也会涉及更高级的概念和理论。

L5 领域专家 （expert）：典型对象是同领域的专业人士。这种费曼已经是思想对话。

从 L1 到 L5，难度逐渐增加：信息量增加，对背景知识和理解能力的要求提高，更趋近于对话。

L1~L2的本质是“教”，因为受众水平有限，信息量和难度必须人为调低；L3 属于分享，已经不是“迎合”听众了，而是以讲者、作者的创作目标为中心。到了L4～L5，本质上已经是对话和探讨了。

费曼技巧，不是讲者的义务（没有必要把成年人对话降低到8岁儿童的层次），更不是听者的权利（我还是个宝宝呢！来，让我听懂！）。

从 L1 到 L5的这种升级过程，也是一个人的学习成长之旅，一个人从小白到专家的升级打怪过程。当然，即使你在一个领域成了 L5 级别的专家，遇到小孩子，也应该用对小孩子费曼的方式来交流。

费曼技巧背后的 big idea：是学习者通过“生成”输出（用自己的话说出来），来建立世界模型的内部表征，来加深自己对知识和世界的理解。大活人在互联网上践行费曼技巧，和 ChatGPT 所做的事情是一样的，在底层原理上也基本是一样的。

全文👇
https://t.co/sSycWSTIwu

[金融汪 @yuyy614893671]

Pink Floyd 的这首歌的原版MTV 被人修复了，高清版本在这里，看完原版再去看乐山的街头表演，觉得这种致敬经典的方式，牛逼！
https://t.co/se7fcDaYFI

[章工 @435hz]

真正的人生从四十岁才开始。在那之前，你只是在做调研而已。

—— 卡尔·古斯塔夫·荣格

[Eddie @Health00810]

Top 100 movies based on true events.

1. Schindler's List (1993)
2. Titanic (1997)
3. A Beautiful Mind (2001)
4. The Pursuit of Happyness (2006)
5. Apollo 13 (1995)
6. 12 Years a Slave (2013)
7. The Imitation Game (2014)
8. Spotlight (2015)
9. The Revenant (2015)
10. Sully (2016)
11. Hacksaw Ridge (2016)
12. Dunkirk (2017)
13. The Post (2017)
14. Darkest Hour (2017)
15. Bohemian Rhapsody (2018)
16. Green Book (2018)
17. Vice (2018)
18. First Man (2018)
19. The Social Network (2010)
20. Ford v Ferrari (2019)
21. 1917 (2019)
22. Just Mercy (2019)
23. Bombshell (2019)
24. Harriet (2019)
25. Judas and the Black Messiah (2021)
26. The Trial of the Chicago 7 (2020)
27. Richard Jewell (2019)
28. Captain Phillips (2013)
29. The King's Speech (2010)
30. The Blind Side (2009)
31. Dallas Buyers Club (2013)
32. Moneyball (2011)
33. American Sniper (2014)
34. The Theory of Everything (2014)
35. Erin Brockovich (2000)
36. Goodfellas (1990)
37. Hotel Rwanda (2004)
38. 127 Hours (2010)
39. The Fighter (2010)
40. Zero Dark Thirty (2012)
41. Bridge of Spies (2015)
42. Unbroken (2014)
43. The Founder (2016)
44. Hidden Figures (2016)
45. The Danish Girl (2015)
46. Invictus (2009)
47. The Elephant Man (1980)
48. Catch Me If You Can (2002)
49. Sully (2016)
50. The Pianist (2002)
51. Into the Wild (2007)
52. Ray (2004)
53. Milk (2008)
54. Born on the Fourth of July (1989)
55. The Hurricane (1999)
56. The Last King of Scotland (2006)
57. The Wolf of Wall Street (2013)
58. The Great Debaters (2007)
59. The Fighter (2010)
60. The Butler (2013)
61. The Big Short (2015)
62. American Hustle (2013)
63. Invictus (2009)
64. Lincoln (2012)
65. The Pursuit of Happiness (2006)
66. The Aviator (2004)
67. Lawrence of Arabia (1962)
68. The Elephant Man (1980)
69. My Left Foot (1989)
70. Chaplin (1992)
71. Frida (2002)
72. Hotel Rwanda (2004)
73. Monster (2003)
74. Zodiac (2007)
75. Selma (2014)
76. Steve Jobs (2015)
77. Jackie (2016)
78. The Walk (2015)
79. The Man Who Knew Infinity (2015)
80. The Post (2017)
81. All the Money in the World (2017)
82. Molly's Game (2017)
83. The Florida Project (2017)
84. The 33 (2015)
85. The Railway Man (2013)
86. Stronger (2017)
87. Loving (2016)
88. Snowden (2016)
89. The Lost City of Z (2016)
90. The Founder (2016)
91. The Front Runner (2018)
92. The Disaster Artist (2017)
93. The Current War (2017)
94. The Favourite (2018)
95. Stan & Ollie (2018)
96. BlacKkKlansman (2018)
97. On the Basis of Sex (2018)
98. Judy (2019)
99. Bombshell (2019)
100. The Irishman (2019)

[Geek @geekbb]

Hitomi-Downloader 是一个免费的开源下载管理器，专门用于从多个在线源下载图片和视频。我实测是可以下载YouTube、bilibili视频，它宣称支持众多在线平台下载，大家自行测试。
蛮强的一款下载神器。https://t.co/mprSkaZK1Y

[无心先生 @wuxin_sir]

@crypto_chanshi 如果你能站在生产者的视角去学习，去观察，你所能学到的，将会是消费者的无数倍。

[财经数据库 @caijingshujuku]

深度探讨：赚钱为何这么难？

内容来源：孤独大脑
阅读时间：20分钟

为什么天气糟糕的晚上，人们很难打到出租车？

答案似乎很明显：因为天气糟，所以打车的人多嘛。

塞勒不这么看，他后来获得了诺奖，还有自己的基金公司，客串过电影《大空头》。

这位行为金融学的创始人之一对上面问题的研究，从一个有趣角度回答了本推文的标题：

赚钱为何这么难？

咱们先看打车难题：

大多数司机都给出租车公司打工，每天可租车12个小时，付租金并自理油钱，多出来的自己赚。

这是一份很辛苦的工作，所以许多司机是赚够了就收工，例如定个两百块钱的目标，早达到早收工，晚达到就多跑一会儿。

天气糟糕的时候，打车的人多，司机相对会更容易达到目标（若不考虑天气造成的拥堵），所以就会早回家，车一少打车就更难了。

问题来了，假如司机调整原来的目标策略，收入会怎样？例如：

策略A：别管每天收入多少，固定单日工作时间；

策略B：总工作时间不变，好的日子多干一会儿，差的日子少干一会儿。

结果显示，采用策略A，收入将增加5%；采用策略B，收入将增加10%。

既然有更好的选择，为什么出租车司机不选择收入更高（而且可能更省力）的策略呢？

对此，塞勒给出的解释是：

1、窄框架；

2、风险规避。

何谓窄框架？

简单来说，就是“目光短浅”，“格局不大”。当然，这只是一个相对概念，“短视”甚至是所有人类的基本特征。

大多数出租车司机采用的“目标策略”，是一个典型的“窄框架”例子：只考虑当天的收入，不能从更长时间内的整体收益来调配工作时间的长短。

这么做主要有如下原因：

1、“稀缺”的状态。
司机们存款有限，不得不算好每天的钱，养活家人，按时缴纳每月房租。温饱问题导致的“稀缺”，总是会限制所谓格局。

2、简化决策过程。
每天算好当天的账，少操心。

这样一来，司机就把一个连续不断的大决策，拆成了许多个离散的、均匀的小决策，并且目标清晰，容易执行。

何谓风险规避？

也可译作风险厌恶 （英语：risk aversion），是指一个人面对不确定收益的交易时，更倾向于选择较保险但是也可能具有较低期望收益的交易。

例如，一个风险厌恶的投资者，会选择将他的钱存在银行以获得较低但确定的利息，而不愿意将钱用于购买股票，承担损失的风险以获得较高的期望收益。与风险厌恶程度相对，则是“风险容忍”（risk taker）。

我认为，有时候“风险厌恶”是一个很模糊的定义，就好像形容一个人勇敢，有些人在小事儿上胆子大，在大事儿上胆子小。有些人平日老实巴交，一旦干坏事儿就干件大的，如同老房子着火。

对出租车司机而言，每天以一定数量的收入为目标来安排工作，就会“厌恶”不能完成当日目标。

要实现多赚钱还能多休息，不仅需要专业和经验，更需要判断力，以及在收成不好的日子里带着较少收入早回家的“内心不安”。

对比起辛苦的工作，司机对波动和不确定性，可能是更难以承受的。

不止出租车司机如此，看起来更聪明、更富有的投资人和决策者们也一样“不明智”。

当投资者处于盈利状态时，往往愿意卖出股票以锁定利润，而处于亏损时，更愿意继续持有股票，而不是认赔出局 —— 专家们称之为“处置效应”。

彼得·林奇将上述行为叫作：拔掉鲜花，浇灌野草。

研究表明，投资者和赌徒一样，有某种“均值回归”的幻想。

例如，在猜大小的时候，如果连续5次出现了“大”，老赌徒会倾向于相信接下来出现“小”的概率会变大。但事实上，就单次而言，这一次出现“小”的概率仍然是50%。

即使是懂概率的人，也会有类似的错觉：根据大数定律，只要猜足够多次，“大”和“小”的概率应该是各为50%。既然如此，连续5次出现了“大”，就应该有某种力量导致出现更多的小，把“大”和“小”的概率拉平，让大数定律发挥作用。

投资人经常犯类似的错误，觉得涨了一阵子的股票大概率会跌，而跌了很久的股票上涨的可能性越来越大。

这是典型的赌徒谬误！

骰子没有记忆，它并不知道自己连续5次出现了“大”，所以接下来要多出几次“小”来拉平。

那么，大数定律还会起作用吗？

会。

但是起作用的原理，不是靠拉平，而是靠足够多次扔骰子的“稀释”。

说回“处置效应”。

出租车司机在好日子里太早收工，差日子里过于勤奋；投资者赚点儿钱就跑，亏了却想死守等反弹。

除了均值回归和沉没成本，“处置效应”更本质的原因，则是前景理论（也作“展望理论”）。

前景理论的得名，有点儿像“信息熵”的由来，都是由两个超级聪明的家伙随性而得。

让我们来看一下前景理论的著名问题：

问题1：你会选择哪一个？肯定会得到900美元，还是有90%的可能性会得到1000美元？

问题2：你会选择哪一个？必定会损失900美元，还是有90%的可能性会损失1000美元？

如卡尼曼所言，大多数人在问题1中选择规避风险，得到900美元。

尽管计算期望值二者是一样的。但是按照伯努利的“期望效用”理论，人们会认为得到900美元的主观价值，比有90%的可能性得到1000美元的价值要大。所以大多数人对问题1的选择在意料之中。
1

[Historic Vids @historyinmemes]

You can not step into the future, if you don't let go of your past.

[Chunfeng NIAN @ChunfengN]

@nakanoshima24 有没有文化类项目老铁

[章工 @435hz]

不够真诚是危险的，太过真诚是致命的。

——王尔德

[Fascinating @fasc1nate]

Iconic Japanese battery commercial from the 1980s.