Galan

AI产品设计

[Galan @GalanWorld]

1

[Dobby @lesliedqbb]

这太他妈疯狂了。Demis Hassabis 花了 16 年打造 DeepMind 并获得了诺贝尔奖

上周，他把对未来 5 年的所有洞见浓缩成一场免费的 1 小时演讲

他解释了谁能在即将到来的变革中生存，谁不能

Chatbots → Agents → Workflows → Automated Departments → One-Person Companies

一个真正理解 AI 的人将超越整个初创团队的表现

人们花 15K 美元参加那些教的东西比这少得多的训练营

你可能现在没有 1 小时时间

别让这个从你的动态里消失

收藏起来，今晚看

[Galan @GalanWorld]

非常重要的发现

[Pedro Domingos @pmddomingos]

I've found the path to AGI:
https://t.co/NRvZViBVUc

[Galan @GalanWorld]

收藏

[Felix Rieseberg @felixrieseberg]

Hi, I'm Felix. I'm an eng lead working on Claude. I love watching people take flight and do things they never thought possible.

We often describe that as "being more ambitious" when using AI, which is tricky advice to follow. I wrote a tutorial:

https://t.co/vNPPs5FWm8

[Galan @GalanWorld]

这就是信息和动机的不对称情况下，做好自己的，先为不可胜。

[0x鸣人 @LuBtc888]

马斯克曾经也是个高内耗人格，

直到后来他找到了个屡试不爽的方法：

[Galan @GalanWorld]

🐂

[宝总的财富指南 @baozong_facai]

厦门大学一位教授，把人与人之间的沟通技巧讲得太透彻了！

为什么有些人三言两语就能把事情说清楚，有些人说了一大堆，反而把关系搞僵？

这堂课真的值得每个人认真听一遍。

看完才发现，原来会沟通和不会沟通，差距这么大。

建议收藏，越早学会越受益。

[Galan @GalanWorld]

anthropic绝不会成为一家受人尊敬的公司
极大概率作恶

[Galan @GalanWorld]

写在Claude封号之前。
及对Claude获取我的聊天和编程会话来训练anthropic的模型的许可的看法。
anthropic不会成为一家受人尊敬的AI公司。

[Galan @GalanWorld]

👍

[Mo Elgaraihy @EngMoElgaraihy]

🚨 ملياردير جلس لمدة 42 دقيقة فقط وشرح كيف يعمل الاقتصاد العالمي بالكامل.. أفضل وأبسط من برامج MBA تكلفتها 200,000 دولار! 🤯💰

​بدون فلسفة أكاديمية معقدة ولا معادلات مملة.. قواعد اللعبة المالية الحقيقية وكيف تتحرك الثروات والديون في العالم كما لم يشرحها لك أحد من قبل! 📉⚡️

​42 دقيقة ستغير طريقة فهمك للمال إلى الأبد..
​احفظ التغريدة وشاهد الفيديو التاريخي فوراً! 🎬👇

[Galan @GalanWorld]

👍

[金尘马 @jinchenma_ai]

我建议大家除了多刷X、Youtube看一手信息，优质论文也要多看，在 AI 辅助下，看这些内容已经没什么门槛了。

我一个非科研狗，用 ScienceBuddy 也能轻松看论文了。

现在我经常凌晨两三点，甚至四点才睡觉，早上十点、十一点才起床。

家里人也多次让我早点睡，我自己其实也想。但试过好几次，一想早睡就睡不着，然后又得折腾到天亮，反而睡得更不好。

于是我就想着，关于睡眠，有没有什么科学的做法，能帮我解决这个问题？

最近 Anthropic 也分享了 Claude 优化生物领域模型代码的进展，AI 已经开始参与一些具体的科研工作了。

ScienceBuddy 背后的团队 @PhAILabs 也开源了 ScienceIDE，把多个领域的真实科研代码整理成任务，让 AI 练习修复代码，再检查算出来的结果能不能对得上。

正好这次受邀尝试 PhAI Labs 的 ScienceBuddy，一个目前免费的 AI 科研工作台，我就想拿自己的睡眠问题试试，看看它能不能帮我解读相关论文。

于是我找了三份睡眠相关的论文和指南，上传到了 ScienceBuddy，让它帮我解读，再把里面的研究结果、适用条件和原文出处整理成一张表。看完有不明白的，就继续追着接着问，让它补查一些研究内容。

它整理出来的结果里提到，晚睡不一定就等于不健康，还得看睡眠时长够不够、作息是不是规律。

哎，看完结果，我感觉心情好多了，至少缓解了一部分焦虑。因为我不用光盯着自己几点睡，还可以先想办法把睡眠时间保证好。

另一个让我印象比较深的，就是它整理出来的调整思路：想调整作息，得先保证足够的总睡眠。

我现在是自由职业，时间还算自由，晚睡了可以安排晚一点起，睡够了，白天才有精神头。我准备先把睡眠时间保证好，再逐步把作息稳定下来，往前挪一挪。

平时碰到这种问题，我可能就搜搜 Google，或者直接问 AI，但查完之后，还得自己去判断这些信息靠不靠谱。

我觉得用 ScienceBuddy 比较方便的地方，就是能帮我解读这些英文论文，而且它生成的结果能够追溯到原文的具体位置。这样就更方便判断，AI 到底是在编胡话，还是确实有所依据。

这次核对时也发现，个别页码标得不准。不过它把要看的材料和对应的结论整理到一起了，确实省了不少来回翻找的工夫。

做生物医学研究，或者经常需要整理这类文献的朋友，可以试试。目前免费，浏览器打开就能用：
https://t.co/3P3SfwnM0c

#ScienceBuddy #PhAILabs #AIforScience

[金尘马 @jinchenma_ai]

我建议大家除了多刷X、Youtube看一手信息，优质论文也要多看，在 AI 辅助下，看这些内容已经没什么门槛了。

我一个非科研狗，用 ScienceBuddy 也能轻松看论文了。

现在我经常凌晨两三点，甚至四点才睡觉，早上十点、十一点才起床。

家里人也多次让我早点睡，我自己其实也想。但试过好几次，一想早睡就睡不着，然后又得折腾到天亮，反而睡得更不好。

于是我就想着，关于睡眠，有没有什么科学的做法，能帮我解决这个问题？

最近 Anthropic 也分享了 Claude 优化生物领域模型代码的进展，AI 已经开始参与一些具体的科研工作了。

ScienceBuddy 背后的团队 @PhAILabs 也开源了 ScienceIDE，把多个领域的真实科研代码整理成任务，让 AI 练习修复代码，再检查算出来的结果能不能对得上。

正好这次受邀尝试 PhAI Labs 的 ScienceBuddy，一个目前免费的 AI 科研工作台，我就想拿自己的睡眠问题试试，看看它能不能帮我解读相关论文。

于是我找了三份睡眠相关的论文和指南，上传到了 ScienceBuddy，让它帮我解读，再把里面的研究结果、适用条件和原文出处整理成一张表。看完有不明白的，就继续追着接着问，让它补查一些研究内容。

它整理出来的结果里提到，晚睡不一定就等于不健康，还得看睡眠时长够不够、作息是不是规律。

哎，看完结果，我感觉心情好多了，至少缓解了一部分焦虑。因为我不用光盯着自己几点睡，还可以先想办法把睡眠时间保证好。

另一个让我印象比较深的，就是它整理出来的调整思路：想调整作息，得先保证足够的总睡眠。

我现在是自由职业，时间还算自由，晚睡了可以安排晚一点起，睡够了，白天才有精神头。我准备先把睡眠时间保证好，再逐步把作息稳定下来，往前挪一挪。

平时碰到这种问题，我可能就搜搜 Google，或者直接问 AI，但查完之后，还得自己去判断这些信息靠不靠谱。

我觉得用 ScienceBuddy 比较方便的地方，就是能帮我解读这些英文论文，而且它生成的结果能够追溯到原文的具体位置。这样就更方便判断，AI 到底是在编胡话，还是确实有所依据。

这次核对时也发现，个别页码标得不准。不过它把要看的材料和对应的结论整理到一起了，确实省了不少来回翻找的工夫。

做生物医学研究，或者经常需要整理这类文献的朋友，可以试试。目前免费，浏览器打开就能用：
https://t.co/3P3SfwnM0c

#ScienceBuddy #PhAILabs #AIforScience

[Galan @GalanWorld]

好👍

[Mo Elgaraihy @EngMoElgaraihy]

سام ألتمان، المدير التنفيذي لـ OpenAI:
​"لا داعي لكتابة البرومبتات بعد اليوم."

​في 38 دقيقة فقط، يشرح ألتمان كيفية استخدام ChatGPT بمستوى يتجاوز الخيال!

​محاضرة ألقاها أمام طلاب جامعة ستانفورد

أدركوا أنهم ​كانوا يستفيدون من 15% فقط من الإمكانيات الحقيقية للذكاء الاصطناعي! 🤯🧵👇

[a16z @a16z]

Sam Altman on one of the highest-return years of his career: no job, exploring his interests, and a lot of people who were nice enough to teach him things.

"I read many dozens of textbooks. I learned about fields that I had been interested in. I didn't have any idea that they were all gonna come together in the way they did."

"I learned a lot about nuclear engineering. AI was starting to work, so I learned a lot about AI. I learned about synthetic biology. I learned about investing."

" I met people that were working on all sorts of different things who were nice enough to talk to me."

"If I met someone interesting and it seemed good and needed help, I would just help them. And they would teach me stuff, or they would offer me the chance to invest in their startup later."

"Out of all of it, almost all of it didn't work out. But the seeds were planted for things that worked in deep ways later."

@sama w/ @CraigCannon (Nov 2018)

[meng shao @shao__meng]

斯坦福大学 2026 秋季课程 CS 312「Deep Learning Alchemy」，课程资料和视频会全部公开！

课程由 Tatsunori Hashimoto @tatsu_hashimoto 和 Suhas Kotha @kothasuhas 主讲，它是深度学习“实验方法论”课，现有课程体系里几乎无人系统教授：如何设计、运行、并预判深度学习实验。

Stanford CS 312: Deep Learning Alchemy
https://t.co/JJoB8IOf4o

# 课程设计的核心主张

"Alchemy is learned by hand"（炼金术只能亲手学会）。 课程直言：许多教科书教给你的心智模型缺乏实证支持；它点名了经典的偏差-方差权衡，指出这类理论在今天的 scaling 时代已经失效。深度学习尚未形成成熟理论，仅靠数学功底不足以发明下一代架构。结论是：没有替代方案，只能大量亲手做实验，在“计算上可行的实验域”里积累真实的经验直觉。

"Prediction is understanding"（能预测才算理解）。 这是全课最鲜明的观点。它把“理解”操作化地定义为：在实验跑出来之前，能准确预测它的结果。这直接体现在课程考核方式上。这个理念与近年来“深度学习的科学化”（将 DL 作为实验科学来研究）的思潮一脉相承。

# 课程大纲：一条清晰的主线

七个单元，前四个在小规模语言模型预训练上展开（课程强调其能反映更大规模的现象），后三个转向 DNA 领域（近期深度学习最重要的新兴应用域之一）：

1. Basics — 超参数调优与 scaling
2. Optimization 1 — 超参数不变性（如最优学习率对其他超参数的鲁棒性）
3. Optimization 2 — 尖锐与平坦盆地（loss landscape 与泛化的关系）
4. Architecture 1 — 扩展模型容量
5. Architecture 2 — 深度/时间上的稳定性
6. Generalization — 数据高效算法
7. Exotic — 内容保密（“？？？”）

这条线串起了现代深度学习实践中最硬核的几个经验性议题（scaling law、学习率迁移、loss landscape 几何、架构消融、泛化）全部以“亲手实验 + 预测检验”的方式教。

[lencx @lencx_]

Dan Koe 最新文章《想要成功，你得敢于“痴心妄想”》核心思想总结：想要成功，就要敢于设定一个大到迫使自己改变的目标。文章所说的“痴心妄想”，是指一个目标超出了你当前的能力、习惯和认知，让你必须重新审视生活、调整注意力，并寻找过去根本不会考虑的行动路径。

1️⃣ 你可能一直在为别人设定的目标努力。

很多人的困境有三种：追求一个体面却并不喜欢的人生；每天忙碌、自律，却没有实质进展；明明有野心，却害怕被亲朋好友嘲笑，只敢说出缩水后的愿望。

这些困境有一个共同根源：你没有真正选择自己的方向。

人即使没有主动设定目标，也会被某种目标驱动，比如获得父母认可、维持舒适、避免失败，或者不引人注意。你嘴上说想改变，行动却可能一直在维护安全感。

所谓“现实的目标”，往往也带着这种限制：先根据现状判断自己能做到什么，再为了避免尴尬和质疑，把愿望调低一点。久而久之，生活就被锁定在熟悉的范围里。

2️⃣ 目标会改变你的注意力，进而改变你的行动。

目标像一个信息过滤器，决定了你会注意什么、忽略什么，以及把时间花在哪里。

如果你的目标是找一份稳定工作，你自然会关注学历、招聘和晋升。即使遇到其他可能改变人生的机会，也可能因为觉得“与我无关”而忽略它。

如果你的目标是建立一门规模可观的生意，你就会开始关注产品、客户、定价、传播和合作，同时发现，自己原来做的很多事情对这个目标毫无帮助。

作者用乔布斯的“现实扭曲力场”说明这种作用：当一个看似不可能的结果被坚定地摆到面前，团队的注意力就会转向寻找实现它的路径。

因此，目标的价值不仅体现在最终是否达标，也体现在它能否让你看见新的机会、采取新的行动，取得原本想象不到的进展。

3️⃣ 一个有效的大目标，需要满足几个条件。

首先，目标要足够大，期限要足够紧。检验的方法是：沿用现在的能力、习惯和做法，能不能完成？

如果可以，它就没有真正要求你改变。一个具有牵引力的目标，需要迫使你学习新东西、放弃旧假设，重新组织行动。

其次，它必须由你自己选择，而不是继承父母、文化、行业或社交平台对“成功”的定义。

同时，你需要一个明确的核心方向。多个彼此争夺时间和注意力的目标，会削弱投入。

如果不知道选什么，可以从眼下最痛苦、解决后又能改善其他领域的问题入手。例如，改善体能可能提升精力与自信，改善财务状况可能减轻压力、增加选择。

一开始不必知道完整的实现方法。先确定方向，再让学习和行动逐步补全路径。

4️⃣ 提高标准，意味着明确哪些事情不再做。

目标确定后，需要重新审视自己的习惯、项目、客户、关系、日程和责任：它们是否有助于这个方向？

这一步往往比设定目标更困难。因为很多事情已经投入了时间，放弃会让人不甘；有些承诺与关系让人害怕改变；还有些行为虽然无效，却很舒服。

因此，作者强调对自己诚实，并为行动设定明确标准。例如，停止长期给自己的服务报低价，或者停止那些持续挤占精力的习惯。

做到这一步的标志，是生活明显变简单：要处理的事更少，注意力更集中，也不再需要那么多理由解释自己为什么迟迟没有行动。

5️⃣ 把精力投入少数能显著放大成果的路径。

大目标会让常规做法的局限暴露出来。

如果健身目标大幅提高，仅仅“按时到场、练完回家”可能就不够了。你需要系统训练、合适的指导，以及严格的睡眠和饮食安排。

作者自己的例子是：当他想第一次实现月入十万美元时，只有大约一千名粉丝，过去的收入主要依赖自由职业的工作时长。

这个目标迫使他改变思路：开发人们愿意购买的产品或服务，把内容当作推广渠道，并与拥有更大受众的人建立互惠合作。

这里的重点是识别真正限制结果的环节，然后找到能够扩大成果的方法。持续投入很重要，投入到哪条路径上同样关键。

6️⃣ 目标必须对你有足够深的意义，才能持续牵引行动。

单纯写下一个夸张的数字，并不会自动带来改变。

作者认为，真正有吸引力的目标，会同时调动五种内在动力：探索未知的好奇心、投入其中的热情、做有意义之事的使命感、主导人生的自主感，以及不断进步的满足感。

在这种状态下，学习和成长本身就会成为奖励，坚持也更容易成为主动选择。

如果目标很大，你却始终提不起劲，那么还需要追问：它究竟为什么值得你投入？它与你真正想过的人生有什么关系？

作者把这种力量称为目标的“引力”：你越清楚它对自己的意义，就越容易围绕它作出选择，并持续行动。

[AYi @AYi_AInotes]

所有 AI 公司，最终都会变成支付公司。
金融科技专家 Simon Taylor 这句话绝不是随口造梗，实际上是把扎克伯格最新访谈里的阳谋，直接抽离到了整个软件工业的终局层：

很多人还在讨论 20 刀一个月的 ChatGPT 会不会涨价，

扎克伯格在 Alex Heath 的播客里，已经极度坦诚地交代了那个残酷的财务现实：
靠卖会员或者挂广告，根本填不平“给每个人配一台 7×24 小时云端电脑”的恐怖算力黑洞。

看懂 Meta 刚发布的个人 Agent 产品 Muse，你会发现它从底层就不是聊天框：
它给每个用户分配一台独立的 Linux 虚拟机、真实浏览器环境、凭证库、每周烧掉约 1 亿 Token。
如果按传统方式按字数收费，没有任何普通人消费得起；

所以小扎选了一条极其狠辣的商业路径：Commerce Model（商业抽成模型）。

它帮你砍掉账单、在二手市场自动上下架商品、处理复杂的跨平台交易，
用户感觉几乎是免费的，而 Meta 坐在那笔被创造出来的交易中间，向商家抽极薄的一刀。
这不再是“卖智能”，而是把大模型做成了对真实经济活动征税的基础设施！

回头看整个互联网平台演化史，几乎所有超级巨头都在重复同一条必经之路：
Niche（垂直切入） $\to$ Commerce（商业交易） $\to$ Payments（支付结算）。
• 搜索最终变成了 Google 购物与竞价；
• 社交最终长成了微信支付与小程序生态；
• 苹果的 iOS 最终变成了不可动摇的 30% 苹果税。

今天的 AI Agent 只是把这条路走得更决绝：
一旦一个 Agent 能够自己比价、自己下单、自己处理退款纠纷、甚至替你打理小生意，
这家 AI 公司就不再是一个写算法的软件商，它在物理上直接变成了新一代的清算中心——
钱包、风控、授信、争议仲裁、资金划转，全部在它的网络里发生。

纯卖模型的公司，宿命是越卷越薄的自来水管道；
而真正能活成万亿帝国的平台，
必须同时拥有三样东西：
能在浏览器里做脏活的「行动层」、用户敢把银行卡和密码交出来的「信任层」、以及资金必须穿流而过的「结算层」。

广告抽的是注意力税，订阅抽的是使用权税，
而把手伸进真实世界的 Agent，抽的是无可辩驳的“结果税”。

时代最暴利的密码早已明牌了：
谁先把 Agent 做成一个能稳定碰钱、替人结账的系统，
谁就不再是一家科技公司，而是下一座统治物理世界的隐形金融帝国。

[韭菜续命研究所 @xuminglabs]

这位长寿科学家从 Sam Altman 那里融了 1.8 亿美元，做一家延长人类寿命的公司。

刚看完他最近一次访谈，我整理出 9 个让我震惊的点：

1. 人类天生就排斥运动：

[Hux @huxlab]

今晚别刷Netflix了。

去看这堂100多分钟的斯坦福大师课。

这是我见过最清晰、端到端讲透：一个语言模型从原始文本走到ChatGPT，中间到底经过了什么。

从Tokenizer开始，一路到脏数据清洗、Scaling Law、LLaMA 3那种体量、RLHF，再到混合精度把系统硬抠出来。看完会有点尴尬：你每天对话的那个东西，底下不是万能prompt。

真正核心就这几层：

1. 先切原子：Token不是词。BPE把文本打成高频碎片，模型吃的是整数序列

2. 再洗原料：互联网默认不能直接喂。爬、抽、去重、过滤、按领域重加权，数据才是脏活

3. 然后认账：参数、数据、算力一起涨，loss几乎按幂律往下掉。Transformer把LSTM甩开，靠的是这条直线

4. 对齐成人话：演示数据 + 奖励模型 + PPO。模型先会说，再被训练成你会想听

5. 最后靠系统：bf16算、fp32攒权重。没有低精度，这个规模根本训不起

大多数人还在收藏怎么问得更聪明。

这堂课从底层深入浅出讲它为什么能开口。

把时间空出来，这可能是你这个月最值的100分钟。

https://t.co/lREjhPC00b

[AYi @AYi_AInotes]

前 Scale AI 创始人、刚出任 @Meta 首席 AI 官的 @alexandr_wang ，在 YC 现场跟 @garrytan 对谈时抛出这枚深水炸弹，直接把全网的技术管理层给听沉默了。

他说在 Meta 内部，我们已经真实看到了这种情况：
只要设计出正确的智能体循环（Agentic Loop），并给出一套能让它自主优化的评估系统与量化指标，
一群 AI 智能体完成的任务量，甚至超过了一支 100 名资深工程师组成的团队。
而且它们做到这一点，非常轻松，极其容易（Very easily）。”

但这场对谈最值钱、也最反直觉的地方，还不是100 个人被比下去的震撼，
而是他亲手扒开了 Meta 内部这套系统的底层骨架——
外行以为支撑这种超级蜂群的一定是极其复杂、深不可测的外星架构；

结果 Alexandr Wang 极其直白地用了几个最土的词把它打回了原型：
“Markdown files, cron jobs, goal, metrics, data.”
（Markdown 文件、定时任务、目标、指标、数据。）

撕开这层极简的包装，你会看懂这套打法对传统软件工程的降维打击：

1️⃣ 不是模型更聪明，是「闭环评估系统（Evals）」在发威：
传统的做法是人肉写提示词，祈祷模型别犯错；
Meta 的做法是把业务目标变成机器能自动验证的打分器。
模型只要敢交卷，系统自动跑测试、算指标、找坏味道；通不过就打回重做，直到绿灯亮起。
人不需要盯梢，指标本身就是最好的监工；
2️⃣ 真正的 Alpha 叫“在反馈循环里多烧 1000 倍的 Token”：
很多人用 AI 还在抠搜单次调用的价格；
顶级大厂的秘密是：宁可在后台多消耗 1000 倍甚至 100 万倍的 Token，去让 Agent 不断自查、对跑、互相对抗验证，直到把确定性的业务结果跑出来。
Token 的成本是死的，但换来的是一套永不熄火的流水线；
3️⃣ 记忆根本不需要花哨的数据库：
持久化记忆直接用 Markdown 文件存着，
调度直接用服务器自带的 Cron 定时器在夜间触发。
把脚手架做得越轻、越朴素，系统反而越皮实、越不容易出现上下文崩塌。

这是一场极度冷血的组织重塑：
过去一个技术负责人的天花板，取决于他能带多少人开会、协调多少跨部门利益；
而未来的技术领袖，唯一的生产力杠杆在于：
你能不能用最严密的数学指标，把复杂的业务目标，重述成一个连 AI 都能看得懂的自动化考卷。

当 100 个人的搬砖产能被一套定时器和 Markdown 文件轻松取代，
只会接单写代码的时代正式落幕了。
掌控评估体系、懂得调动蜂群的人，手里握着的已经不再是一个工具，而是一家随时可以原地起跳的虚拟跨国公司。

[Mo Elgaraihy @EngMoElgaraihy]

🚨 مهندس في Google Cloud استعرض للتو كيفية بناء تطبيق كامل من الصفر باستخدام Claude! ⚡️📱

​26 دقيقة فقط تساوي أكثر من أي دورة برمجية بسعر 500 دولار. بدون فريق، بدون إعدادات معقدة... فقط Claude وهدف واضح! 🧵👇

[Hux @huxlab]

20万学费的MBA，未必讲得清这件事。

亿万富翁桥水创始人Ray Dalio用42分钟，把整个经济规律拆开给你看。

他不讲段子，也不贩卖焦虑。就讲因果关系。

剥掉所有市场杂音，底层的骨架其实就这几条：

1. 三股动力在重叠运转：生产率的缓慢爬坡（拉长看是一条平缓向上的慢线）、5到10年的短债务周期（大家熟悉的信贷松紧与繁荣衰退）、50到75年的长债务周期（一生可能只会撞上一两次的债务大出清）。

2. 两个核心扳手在控盘：央行的货币政策负责调控利率与流动性，政府的财政政策负责收税与花钱。两个扳手只要拧错节奏，资产定价和流动性立刻跟着颠簸。

3. 三个动态平衡在托底：债务增速不能长期跑赢偿债收入、产能利用率既不能过热推高通胀也不能过冷导致萧条、风险资产的预期回报必须合理高过无风险现金（风险溢价必须给足）。

4. 周期终局的资金迁徙：只要风险溢价被挤压殆尽，资产价格就会剧烈重估；资金在全球寻找安全岛，储备货币的兴衰与更迭也由此展开。

看完你会发现：

大多数人看财经，天天被各种突发新闻和宏观情绪牵着鼻子走；但真正懂行的人，眼里只有这套经济机器零件的传动比。

新闻隔天就会失效，但这套经济机器咬合的物理因果律，一百年来就没变过。
https://t.co/fLtwLstX8Y