GaryFangV

[Frank Wang 玉伯 @lifesinger]

Anthropic 的产品，为什么这么厉害。 刚看���公众号《海外独角兽》的最新文章。非常不错，强烈推荐。

Anthropic 公司里有个 Labs 团队。

Labs 团队会围绕不同的技术判断播下大量种子，再把它们放进 Anthropic 内部的真实工作环境里生长。有些很快因为需求不足而枯萎，有些因模型能力的���节还没到，暂时进入休眠。只有极少数能在反复的 Dogfooding 中逐渐扎根。

最终，一个产品只有在内部目标用户中跑出足够好的周活和留存，才有机会对外发布。Anthropic 现在同时运行着几百个原型，其中绝大多数永远都不会面世。

Claude Tag 最早也是这样一个内部实验。它经历了几个月的真实使用和反复打磨，先改变了 Anthropic 自己的工作方式，直到今年 6 月才正式对外发布。

[码良 @cxjwin]

张一鸣和梁文锋罕见隔空"互怼"，把中国 AI 带到了分岔路口。

张一鸣在 Seed 全员会点名称赞 Seedance 视频模型，鼓励做有自己特色的模型——继续押多模态；对 AI 编程只给了"热点之一"的评价。梁文锋在投资人会议上说得很直接："现阶段最重要的，应该还是 coding agent。"

更狠的是蒸馏。张一鸣明确反对：沿着蒸馏走，最多逼近竞争对手，很难真正超越。而梁文锋的路线图里，蒸馏是核心杠杆——用更少算力逼近前沿。

字节闭源、多模态、全栈覆盖，大豆包 3.82 亿 MAU 冲超级 App，AI 年化收入约 40 亿美元；DeepSeek 开源、单点突破、不做超级 App，收入几乎全来自 API，年化 4-5 亿美元，但 API 定价 10 个月收回成本。

两人连行事哲学都相反：张一鸣讲"延迟满足"，梁文锋对投资人 29 次提"克制"。但目标都是 AGI——一个想用系统的力量取胜：更大��数、更全矩阵；一个想用算法的力量抵达：更高效架构、更聚焦路线。

一个看 AI 能铺多广，一个看 AI 能钻多深。

这不只是开源闭源之争。是"系统派"和"算法派"两种 AGI 信仰，在同一个市场里正面碰撞。上一轮 OpenAI vs Anthropic 的剧本，轮到中国版本了。

[加密Krystal @Krystal_Eth]

大疆堪称国内硬科技创业的黄埔军校。
一批技术骨干出走创业，在不同赛道跑出多家独角兽，个个都是行业标杆。

汇总了下大疆员工离职后创业成功：
拓竹科技陶冶，全球消费3D打印头部，估值超百亿美元。

正浩创新王雷，全球户外电源市场份额第一，年营收接近80亿，产品热销海外多国。

宇树科技王兴兴，全球四足机器人市占率约70%，已申报IPO，具身机器人标杆企���。

科比特航空卢致辉，工业无人机（巡检安防） 国内早期工业无人机龙头，深耕电力、安防行业应用。

速腾聚创朱晓蕊，激光雷达（自动驾驶），国内头部车载激光雷达厂商，服务多家车企自动驾驶项目。

松灵机器人魏基栋，移动机器人底盘、割草机器人 商用移动底盘市占率领先。

物种起源林源，高速吹风机个护家电 把无人机高速电机技术移植家电，高端吹风机头部出海品牌。

汝原科技王铭钰，智能小家电、光能家电 多款硬件爆品，主打无线光能小家电。

[加密Krystal @Krystal_Eth]

8月10日，被称作“人形机器人第一股”的宇树科技正式开启科创板申购，

遥想当年，大疆 2018 年花 1012.86 万元拿下宇树科技大概 17% 的股份，工商都变更完了，结果第二年内部整顿，投资负责人受牵连，一刀切撤资宇树科技。如今人家科创板申购市值直奔610亿，这37亿的账面收益就这么飞了。

当时足式机器人赛道看着也玄乎，宇树甚至差点发不出工资，企业收缩也是情理之中。

前员工成了百亿身家的对手，前股东成了最遗憾的旁观者。更讽刺的是，当年撤资的理由是“风险控制”，现在回头看，最大的风险恰恰是没投进去。

资里最贵的不是估值，是内部管理成本。有时候，多撑一口气，就是几百倍的差距。大疆用37亿买了个教训——好项目不等人，风控不能变成错失的借口。
#大疆错失宇树

[宝玉 @dotey]

转译自 Lenny Rachitsky

我从 Cursor 人才主管 Adam Ward (@wardadamp) 那里学到的最大收获：

1. 前线部署工程师 (FDE，forward deployed engineer) 是目前科技界最抢手的职位。

他们必须具备深厚的技术功底，同时又能和销售团队打好配合，在公司高管面前从容自信。他们要把复杂的产品转化为实际的商业结果，帮助客户优化 AI 账单，而不是仅仅在“最大化消耗 Token” 上做文章。

Adam 将这股热潮与当年的移动端工程师招聘潮相提并论——只不过，当年那股热潮持续演进了两年，而“现在，一切都发生在几天或几周之内”。

2. 传统的招聘漏斗，被 Adam 戏称为“死亡漏斗” (funnel of doom)，其实是个专门打造平庸团队的机���。

标准的招聘漏斗是这样的：联系 100 个人，20 个回复，每一轮面试淘汰掉一批，最后录用剩下的人。

但这套玩法建立在一个漏洞百出的前提上：最先回复你的那 100 个人，根本不是行业里最顶尖的 20%，他们可能只是那天碰巧心情不好、想换工作而已。等到候选人走到漏斗最底端时，你其实已经是在一个“矮子里拔将军”的池子里挑人了。

即便你的面试流程再严苛，最终拼凑出的也只是个平庸的团队。

3. 破局之道在于：把每一次招聘都当成“高管猎聘” (executive search) 来对待。

这意味着你需要严谨地界定岗位需求 (rigorous scoping)——对这个特定岗位而言，什么是“优秀”？

这意味着你要精心绘制候选人图谱 (deliberate candidate mapping)——全世界最适合这个岗位的 50 个人到底是谁？

这还意味着你要穷追不舍 (relentless pursuit)——锁定这 50 个人，死死咬住不放。这种视角的转变，意味着你要从确立“卓越支柱” (pillar of excellence) 开始招人，而不是一开始就撒一张盲目的大网。

4. 现在的“新危险区”出现在候选人签下 Offer 之后。

候选人接了 Offer 又毁约的趋势正在上升，而且资深人才从签约到入职之间往往有几周的空档期。因此，Cursor 把“接受 Offer 后”的这段时间当成一场专门的战役来打。

他们会组织新入职的员工一起聚餐，在入职第一天前就把笔记本电脑寄过去，在任何人正式打卡上班前，就让他们感受到社区的归属感。这不仅能确保大家准时报到，还能让他们在入职后更快地进入工作状态��

5. 实战考察 (work trials) 是预测一个人能否胜任工作的最佳指标。

研究早就反复证明了这一点，但目前行业的默认面试形式，依然是隔着桌子进行一轮又一轮的一对一聊天。Cursor 则会安排长时间的现场实战体验，让候选人与团队肩并肩，共同推进一个真实的（或者高度还原的）项目。

这种形式能同时传递出三层信号：技术能力、核心价值观以及协作默契度，同时也给了候选人自己做决定、双向奔赴的数据依据。Cursor 曾经做过一个实验，试着取消实战考察，结果团队对招进来的人信心大跌。于是，他们果断把实战考察加了回来。

6. 跑去问你的人脉圈“你认识的最牛的工程师是谁？”——这是一个陷阱。

相反，你应该根据你界定的岗位需求，抛出极其具体的问题：“在你合作过的所有产品工程师里，谁和设计师配合得最默契？”或者“谁能把一个技术框架转化成产品，而且比你见过的任何人都做得好？”——因为具体的提示词 (prompts) 才能让人脑海中迅速跳出确切的名字。

当有几个你信任的人，都不约而同地提到同一个人时（“Lenny 提到了他，Sally 也提到了他”），你就可以通过这种交叉验证，锁定那个你要放进“全球 50 强候选人”名单里的目标了。

7. 明确岗位需求 (scoping the role) 是大多数招聘流程中最被忽视、投入最少的一步。

“我一看到牛人就能认出来”——这绝对是个错觉。如果你不在前期花时间去明确、并给这个岗位在特定公司所需的技能、经验和特质排个序 (stack-rank)，你就根本不会有针对性的招聘策略，没法给出打动人的说辞，也设计不出真正有效的评估���法。后续所有的流程，其实都源于这最开始的一步。

另外，要抵制住“看名企光环”的捷径诱惑：在合适的时间、在某家大厂的优秀团队待过，这仅仅是“有可能”代表他很优秀；如果你直接照搬别人的用人标准，那你其实就是在给一个你本就觉得千疮百孔的招聘流程“抬轿子”。

8. 当顶尖候选人告诉你“现在时机不对”时，试着降低你的要求：“我不是要面试你——我只是希望能有下一次交流。”

Adam 会默默埋下种子——比如喝杯咖啡、邀请参观办公室、或者把他介绍给一位对他的工作极其着迷的团队成员——这些种子会在几周、几个月甚至几年后开花结果。因为如果你选择了沉默，想着“秋天再联系”，那最好的结果也就是在没人抢走他的情况下，你碰巧捡了个漏。

在 Cursor，寻找一个热情的引���人，所花费的心力几乎和写一封招募邮件一样多，因为一旦别人无视了你的第一条消息，再无视你的第二条、第三条就会变得越来越容易。

Cursor 还会巧妙地利用“主场优势” (home games)，把接触的重点放在一起吃顿饭上——“这既能让人卸下防备，又能拉近关系”——以及邀请对方参观办公室，刻意营造出那种大学校园导览时让人觉得“这里就像家一样”的直觉。

9. 促成签约 (closing) 是一项团队运动，而且从第一次对话就开始了。

当 Cursor 正在跟进一位高素质的候选人时，团队会针对这个人召开每日站会 (daily standups)：我们对他的动机有了什么新了解？他提出了哪些顾虑？团队里谁最适合去解答这些疑虑？

每一位核心候选人都会有一个专属的 Slack 频道。所谓的“促单���约”，不应该感觉像是一次生硬的销售推销，而应该是整个流程中持续为你解答疑虑后，水到渠成的自然结果。

10. 用心是不花钱的，但它却是招聘中最大的“不公平优势” (unfair advantage)。

Adam 说，纵观整个招聘领域的历史，决定候选人满意度得分的最关键因素，就是让他们感觉到这家公司是真心实意想要你。

因此，Cursor 会精心设计每一个接触点 (touchpoints)：谁来迎接候选人，谁在午餐时坐在他们旁边，哪位面试官能和他们聊聊小众爱好——这一切都是精心挑选的，绝不是谁日程表有空就拉谁来凑数。

要让这种“用心”可持续，你需要转变一下思维：你是在为这个岗位招那“唯一的一个人”，而不是在招 10 个人。“不要把精力分散在 10 个人身上；把所有的专注都留给那唯一的 1 个。”

[Phoenix Yin @Phoenixyin13]

段永平说，他有一个习惯，就是不合适的东西，他会赶紧离开。

简而言之就是发现错了、不合适的时候，立刻止损，不管付出了多少成本。也就是他常说的，不���不可做的事，做对的事。
这表面上是一个行动选择，其实背后是由高强度的自我认知与极高的敏锐度双轮驱动的。

来谈谈我对这个习惯的延伸与加强准则。

1.要判断一个东西不合适，前提是你得有一个清晰的参照系。
我认为，很多人之所以不知道哪里不合适，是因为他们从未建立起稳固的自我确��性，系统内部的坐标系。
不知道自己的边界、价值偏好、天赋所在以及真正无法忍受的底线是什么。当缺乏内心的参照物时，外在的环境再别扭，也只能被感知为一种模糊的焦虑或消耗，而无法被准确定义为不合适。

而段永平能够果断离开，是因为他始终保持着强烈的主体意识，
“我是我自身资源（时间、精力、资本）的管理者，环境是为我的目标或状态服务的。”
而很多人习惯了被动接受，把环境当成不可改变的既成事实，把自己当成无条件去适应环境的配件。

2. 你对环境不敏感，认识不到不合适，心理和认知层面通常有两种表现。

第一，认知麻木与习得性无助。
人为了在不舒适或不对劲的环境中生存，大脑会启动防御机制，降低敏感度，久而久之，明明被严重消耗，却以为这就是生活的常���。

第二，归因错乱。
有些人感知到了痛苦，却找错了原因。
习惯性地进行内归因（“一定是我不够努力/不够优秀/太敏感，才适应不了这个环境”），而非系统归因（“这个环境的机制、价值观或匹配度本身有问题”）。
归因错乱，直接阻断了寻找未来方向的可能。

那么，如何建立这种果断离开能力的路径呢？

其实，经过我这些年对于人的经历，我认为段永平式的思考，是一种高效的决策机制，它是可以被后天训练和建立的。

1. 停止清单意识。
平时不仅要想“我要什么”，更要想“我绝对不要什么”。当一个环境触碰了你的 Stop List，触发信号就必须行动。
2. 用机会成本替代沉没成本。
每在一个不合适的地方多待一天，你失去的不只是这一天的时间，还有用这一天去寻找和处于合适环境中所能创造的所有价值。
3. 提升归因的客观性
这点很重要。
当你感到持续的消耗、低效或痛苦时，做一个简单的分离训练。
这是我的能力问题，还是匹配度问题？
我的经验是，如果换了几个场景同样的问题依然存在，那是能力问题；如果在这个特定的场域里极度别扭，那就是匹配度问题。

我认为，对于暂时找不到原因和方向的人来说，或许第一步不需要立刻做出翻天覆地的离开，要先从停止内耗性的自我怀疑、开始记录并承认自己的真实不适感开始。

[Gartner @Gartner_inc]

⭐️ Our most-liked webinar is now available on-demand.

AI agents are reshaping IT operations, self-service models and CIO priorities across the enterprise.

Watch the replay to explore key lessons from early deployments and what it takes to become agent-ready: https://t.co/WQN18wWyeM

[范师傅 @FanShifu]

斯坦福那门课每节一小时以上，非专业人士硬看的话大多数撑不过三节就会放弃。

我们其实可以用 Grok 的视频分析功能，直接丢链接，让 Grok 把一节课的核心扒出来。先看骨架，感兴趣的片段再去定位原视频深度学习。

可能有大佬叫你直接啃斯坦福原课程视频，说这样才算真学。

千万别。

我本科读的哲学专业，老师当年也叫我们别看注��本，直接啃原著。结果全班别说出哲学家，甚至没有一个从事哲学相关工作，很大原因是兴趣被扼杀在摇篮里了。

为什么？用一个很生僻但很形象的成语，来形容哲学原著叫做「佶屈聱牙」，书里的字都认识，连起来却看不懂。

初学者一上来就啃原著，那等于跟人性过不去，同理，要求所有人一上来就怼深度内容，也是在跟人性较劲，摩擦力贼大！除非你天赋异禀，不然无异于自己劝退自己。

所以，Grok 才是我们在 X 平台学习 AI 的好伙伴😊遇到深度内容交给他，感兴趣的部分自然会去深入了解。

[Berryxia.AI @berryxia]

OpenAI联合多家推出了Agent Plugins开放标准。

一次开发插件，就能在多个兼容的Agent客户端里使用。这个标准由OpenAI与AWS、Cursor、GitHub、VS Code、Vercel共同制定，用于打包Agent Skills，并支持MCP服务���配置，格式统一。

首批支持的客户端包括：Codex、ChatGPT、Cursor、GitHub Copilot、Kiro和VS Code。

目标是解决目前各家Agent技能格式割裂的问题，让开发者不用为每个平台重复适配。

当Skills和工具配置开始有跨平台标准时，Agent生态的可移植性会明显提升。

[edisonZ @ai_edisonZ]

Jeff Dean 真的走了。

在谷歌干了27年，员工编号30号，公司最不可替代的那个人之一。昨天正式离职，跟 Sanjay、Oriol、Quoc 一起创业去了。

前两天他在 YC 被问：如果回到刚加入谷歌那个年纪，你会做什么？

他当时的回答现在听起来特别有意思。因为他和那帮老伙计，真的把心态调回了二十多岁。

他在访谈里讲了两个自己当年的故事，特别有画面感。

2001年，Google搜索还跑在硬盘上，慢得要死。他和 Sanjay 算了一下：整个搜索索引，其实已经能塞进当时所有机器的内存里了。很多人觉得这想法有点疯，但他们两个人几天就改完上线了。搜索瞬间变快，直接拉开了和竞争对手的差距。

2013年，语音识别刚开始好用。他又在一张餐巾纸上算了一笔账：如果每个用户每天只跟手机说3分钟话，服务器规模就得翻一倍。不是“我们想做个��强的芯片”，而是“如果不做，公司会被自己的成功拖垮”。于是TPU就这么来了。

这些突破，从来不是靠堆人、堆资源，而是靠把一个被所有人当成“固定约束”的东西，重新算了一遍。

他反复强调的一个判断，其实特别清醒：
做AI别去抢模型已经能做20%的事。那种事，大厂用数据和算力，一年内就能把它做成80%。

真正值得做的，是找模型现在几乎做不到的——成功率0%或1%的问题。
因为那里才有真正的空白，两三个有判断力的人，依然有机会赢过大公司。

他觉得AI时代最稀缺的，不是写prompt的能力，也不是调模型的技术，而是“品味”——知道该让机器去做什么，不该做什么。

现在他离职去干的，正是这种事。

用AI把科学和工程实验自动化，让机器自己提出假设、跑实验、迭代。听起来很远，但按他一贯的风格，大概又是从一张餐巾纸上的计算开始的。

Demis也同步卸了管理职，专心做AGI。

挺有意思的时代。

那些真正有判断力的人，开始重新选择自己站���哪里了。

[向阳乔木 @vista8]

1. 在注意力经济最终阶段，宁静和不受打扰的空间，将成为人类社会最高贵的阶级标志。

2. 算法具有种“锁定效应”，当你开始消费某个内容，算法为了保持留存率，会不断缩小你的信息范围。

3. 在注意力经济中，注意力的原材料绝对恒定，“道德”在注意力市场竞争中是纯粹的负资产。

4. 人类大脑处理信息的容量和速度是线性的、有限的。但注意力的掠夺手段（算法、人工智能）是指数级升级的。

《注意力商人》这本书会成为和《娱乐至死》一样的神作。

[Alpha哥AI投资日记 🌴 📈 @AlphaguyTrading]

这段挺值得思考。

现在很多人确实还是把 AI 当成加强版 Google + Grammarly：查资料、写文案、改邮件。模型已经很强了，Agent、工具调用、桌面端也都在推，但普通白领的真实 adoption，可能没有市场想象得那么快。

Yes ChatGPT, Claude, etc. are extremely popular… but if you look at the engagement data the vast majority of people are still using these aI chat tools like a glorified Google + Grammarly. That’s why the AGI labs are all pushing desktop apps for Codex, Cowork, etc. so hard to non-technical ppl. And yes exceptions for lawyers and customer service but even those have some asterisks and exceptions to rule.

模型能力（Capability）≠ 用户使用率（Adoption）

我感觉是一部分员工并没有足够强的动力主动把自己的流程自动化。效率提高 30%，工资未必提高 30%；反而可能让公司发现，原来AI能替代你的很多工作，那要不裁个员吧？

未来几个月办公 AI 的 adoption 速度，对 AI 硬件以及其他 AI 股来说，可能是一个先行指标

[Koda @wadezone]

AI 越强，普通人和高手之间的差距反而会越大。

以前你会写代码、会投流、会剪视频、会写文案，这些都可以成为壁垒。

但 AI 出现以后，所有“术”层面的东西，都在迅速被拉平。

未来真正值钱的，是另一种能力：

你能不能在每天几万条信息里，判断什么重要，什么不重要；什么是机会，什么只是噪音。

这也是为什么我越来越觉得：

能赚到钱的人，往往都有一个共同点——独立思考能力很强。

AI 可以��你回答问题，
但它不能替你决定，什么问题值得问。
所以未来真正拉开人与人差距的，不是知道多少工具，而是对人、对社会、对自己理解得有多深。

社会学、心理学、脑科学、哲学，这些看起来离赚钱很远的东西，最后研究的其实都是同一件事：

人性。

我一直很认同一句话：

做人要反人性，做事要顺人性。

对自己，要反即时满足、反从众、反虚荣。

但做产品、做内容、做生意，却不能要求别人反人性。

你得让信息更容易理解，
让产品更容易使用，
让情绪更容易共鸣，
让决策成本足够低。

《乌合之众》为什么我觉得做自媒体的人都值得读？
不是因为里面每个结论都严谨。
而是它提醒你一件非常重要的事：
一个人独处时，和身处群体时，可能根本不是同一个人。

人在群体里很容易放弃独立判断，被情绪、身份和共识裹挟。

所���真正会传播的人，研究的从来不只是：

“我想表达什么？”

而是：

“这句话进入一个群体以后，会激发什么共同情绪？”

很多人把赚钱理解成信息差。

我觉得更准确的说法，是认知势能差。

复杂的信息，从高认知流向低理解成本的过程中，就会产生价值。

医生把医学知识压缩成治疗方案；
基金经理把数据压缩成资产配置；
老师把十年经验压缩成一小时；
自媒体把复杂世界压缩成一句让人突然想明白的话。

这中间，就是利润空间。

但有意思的是：

当你越来越懂这些规律以后，最后反而会发现，最好的状态不是处处算计。

《道德经》里有一句：
反者，道之动；弱者，道之用。
很多事情就是反着来的。
越想赚钱，动作越容易变形；
越想表现自己，越容易显得用力；
越想证明自己，越容易失去自己。

你能控制过程，
但不能命令结果。

所以我现在越来越喜欢一句话：

人生有意思，比有意义重要得多。

真正理解规律以后，不是把人生变成一场精密计算。

而是看懂人性，看懂自己，然后自然地做事。

AI 会让“术”越来越廉价。

最后真正稀缺的，
可能是一个人对世界的判断，
以及看懂世界以后，依然能够自然地活。

[Mike_D @mike_d1213]

今天和AI探讨想清楚一个大问题。在下行的周期下，你应该逆势发力还是顺势而为？

这个问题一直很困扰我，因为人们常说要顺势而为，而且我觉得任何高认知的人都应该明白自己作为个人是无法影响周期的。那既然如此，在下行的周期里，就应该学会接受，学会不那么着急。

但另一方面，要学会弯道超车。逆势其实就是弯道超车的最好时候。那也有很多人会选择逆势发力。想办法在整体大环境的萧条下，形成一个局部的增长。

那具体应该怎么办呢？

我今天才明白，顺势顺的是需求端，逆势逆的是能力端。

市场需求你无法改变，不会因为你做的更多，客人就会买的更多，这是大环境。

但是能力侧，你不能真的躺平。要在这个不管做什么收益都要打折扣的环境下，为��一次需求爆发的时候做准备。那为什么这个叫逆势呢？因为这个时候你不管做什么都看不到效果，但你得做。

这是个浅显易懂的道理，说出来会觉得不过如此。但是置身其中的时候，真的会很想不通的。

[Gemini Notebook @Gemini_Notebook]

ICYMI: We rolled out our upgraded Notebook experience to 100% of Pro users. You should feel this improvement across the entire flow, but just in case, here's a tldr;

💬 Upgraded chat: smarter, more thoughtful interactions
📊 New outputs: create charts, PDFs, spreadsheets, images & more
🔎 Agentic research: start with just a loose idea and some questions, Notebook will handle the rest

As always, we really appreciate your feedback. Let us know what you think!

[Phoenix Yin @Phoenixyin13]

今天我想聊聊另一个可能比平方根律更彻底的候选，随机矩阵理论的相关矩阵清洗。

我的个人学习历程里，也了解过大学金融系和商学院教的是CAPM 模型、有效市场假说、Black-Scholes 期权定价、Markowitz 均值-方差优化。
这些模型优雅、线性、易于求解，但它们建立在高斯分布、线性均衡、无摩擦市场的虚构世界里。
相比之下，我认为经济物理学、定量市场微观结构、复杂自适应系统理论更有趣些。

回到我今天要聊的话题。
Laloux–Cizeau–Bouchaud–Potters 1999 那篇 PRL 发现，S&P 500 相关矩阵的特征值谱里，约 94% 落在 Marchenko–Pastur 带内，与纯噪声不可区分。
今天，所有主流风险系统都在做某种形式的谱清洗，Bun–Bouchaud–Potters 的旋转不变估计量（RIE）在大 N 极限下还是可证最优的。

论管着多少钱，其实它比平方根律更普遍。

另外，上一条帖文，对平方根律我有一个保留。它的机制是欠定的。
潜在流动性只是四五种能推出 0.5 的路径之一，还有 Farmer 的 metaorder 公平定价论证（鞅条件）、量纲分析、以及 Jusselin–Rosenbaum 的无套利推导。
指数 0.5 ，太容易被推出来了，所以它对机制的判别力其实很弱。
如果让我来评价，那可能是个现象学胜利。

另外，还有几个案例。

传播子模型与指数约束关系。
��单流符号是长记忆的（你可以查查Lillo–Farmer，衰减指数 γ≈0.5），但价格几乎是鞅。
Bouchaud 等人的解法是，冲击必须按 G(t)~t^(-β) 衰减，且 β≈(1-γ)/2 精确调谐，这是金融里最接近涨落-耗散关系的东西。
而Gatheral 2010 则更进一步。
幂律冲击指数 δ 与衰减指数 γ 必须满足 γ+δ≥1 才不存在动态套利，而 δ=γ=1/2 恰好落在临界线上。
市场，把自己放在了不可操纵性的边界上。

粗糙波动率与近临界 Hawkes。
H≈0.1，跨数千只股票稳定，这个普适性不亚于平方根律。我认为漂亮的在于它的微观基础：分支比 n→1 的临界 Hawkes 过程在标度极限下自动生成粗糙波动。Filimonov–Sornette 测出 E-mini 的内生性约 70–80%；Hardiman–Bercot–Bouchaud 则认为 n 一直贴着 1，市场永远处在临界点附近。
这条线索和我上一条提到的Dragon King龙王直接接上。
龙王，可以理解为 n 短暂越过 1 的暂态。

Gabaix 的颗粒性。
企业规模是 Zipf 的，于是中心极限定理的聚合失效，总量波动按 1/ln N 而非 1/√N 衰减。
前 100 家公司，解释了美国 GDP 波动的约三分之一。可以看到的是，Acemoglu 等人的投入产出网络版本给出同样结构。我几乎可以确定，这是厚尾破坏聚合定理这一物理直觉在宏观里最棒的一次落地。

其实还有很多很多，我现在脑子里还能想到的是Tinbergen 1962，离散选择的平均场 Ising，但是再说的话篇幅过长，容易头重脚轻。在此，一笔带过。

其实我讲了这么多，你应该能发现在这些成功的案例、几乎都是把一个测量到的普适指数���输入，推导它的后果。无论是RMT、颗粒性，还是传播子约束。

物理学在经济学里，赢的是永远是标度与约束。

[Phoenix Yin @Phoenixyin13]

我认为，市场冲击的平方根律是物理学方法在业界最彻底的胜利。

Bouchaud、Farmer、Tóth 等人发现，执行一笔大单造成的价格冲击不是线性的。

ΔP ≈ Y·σ·√(Q/V)

Q 是订单量，V 是日成交量，σ 是波动率。指数约 0.5，Y 是 O(1) 常数。
股票、期货、外汇、加密货币，从 1990 年代到现在，跨越四个数量级的订单规模，指数都在 0.5 附近。

其实Tóth等人的潜在流动性解释很物理。订单簿可见的挂单只占真实供需的，部分，交易者的真实���图像一个反应扩散过程，在价格附近形成一个 V 型的液体缺口。
俯瞰整个市场，这个律现在是所有大机构执行算法和容量估算的基础，一个策略能管多少钱，直接由它决定。

还有一个，就是Sornette 的对数周期幂律。

Johansen-Ledoit-Sornette 模型把泡沫写成对数周期修正的幂律奇点。
价格向有限时间 t_c 发散，叠加对数周期振荡。
物理动机是离散标度不变性，羊群网络的层级结构，导致标度因子的对数是离散的，临界指数变复数。

十一年前，2015 年上证是最值得看的案例。
Sornette 团队在 ETH 的 Financial Crisis Observatory 于 2015 年 6 月前就发出了泡沫警告，随后 6 月中旬崩盘。
但这个模型的记录整体上是混杂的。事后拟合极佳，事前预测的 t_c 常常大幅漂移，而且发表偏倚很严重。

Sornette 的另一个观点，它其实和我的黑天鹅框架相冲突。
最大的那几次崩盘、不���幂律尾部的抽样。
不知道有人是否还记得Dragon King龙王。

它们脱离幂律分布，属于另一套机制，正反馈自我强化到极致。因此原则上比普通尾部事件更可预测，而非更不可预测。这或许是对 Taleb 的直接反驳。

接上一条关于通胀的非线性，其实我觉得2021–2023 是个教科书案例。

三年前，那轮通胀提供了更好的非线性证据。
Benigno-Eggertsson 的模型把菲利普斯曲线写成分段的。也就是说，当职位空缺率与失业率之比 V/U 低于 1 时曲线近乎水平，超过 1 后陡然变陡。一个真实的 kink，不是渐进的曲率。
这几乎完美解释了为什么 2010 年代通胀死了然后2021 年又突然复活，以及为什么 2023–24 年通胀能在失业率几乎不上升的情况下回落，因为V/U 从 2.0 掉回 1.0，沿着陡峭段下滑。

Sargent 的《四次大通胀的终结》里，奥地利、匈牙利、波兰、德国的恶性通胀在财政-货币体制切换的那一天几乎瞬间停止。
价格水平的跳变，对应预期这个序参量的突然重排。这比混沌吸引子更接近实际。

所以我认为，恶性通胀的终结更像一阶相变。

[WeZZard @realWeZZard]

我倒是觉得现在不应该再考虑大厂了。相反，如果真的「有志大厂」，应该考虑使用筛选未来独角兽的标准筛选目前的创业公司：

未来的独角兽一定是可以充分利用 token 来提升决策和执行质量的公司。最近从 @H0wie_Xu 和课代表立正的节目上学到了一个叫 TQ (token 商，类似 IQ, EQ) 的词，我觉得就是一个可以用来衡量这个能力的暂时未标准化的量化指标。

目前我能想到的高 TQ 表现是：

1. 有好的品味并且能用语言定义出来
2. 能将这些定义规则化指导 AI 生成结果和验证产物
3. 能持续评估 AI 对于规则组合的发散性和执行稳定性

不知道大家有没有什么���充

[玄门上品 @suanguaa]

我再刷一遍康熙王朝的时候，产生了很多年轻时候没产生的想法。

其中一条就是：人在高位久了，必然产生“上帝视角”：人在他们眼里就不能是人了，就必然是棋子。

比如，康熙知道苏克沙哈是忠臣，为了稳住鳌拜，也是把苏克沙哈砍了。

他知道朱国治是忠臣，但是如果稳不住吴三桂，也只能把他砍了。

他从小和魏东亭一起长大，也还是在魏府安插了眼线，监视魏东亭。

他知道周培公委屈，也不得不把他冷藏到死，哪怕周培公死后为他守灵，也不肯活着的时候对他好一点。

甚至自己的亲女儿蓝齐儿，也是出去稳住准格尔的，以求以后灭了准格尔。

康熙在上位，为了他要做的事情，不得不这么做。他不这么做，江山就不是他的了。

孝庄太后没教他别的，一直教的，就是“开上帝视角”：不能被下面人左右。

所谓“孤家寡人”就是这个意思，不要像顺治，被董鄂妃左右感情。

其实顺治爱上一个妃子不可怕，可怕的是，他从此跟“棋子”产生共情了。

孝庄其实就怕康熙，对棋子也产生共情。所以从小教苏麻喇姑不要有非分之想。

不是苏麻喇姑嫁给他不可以，而是怕苏麻喇姑对他影响太大，从此心眼太软了。

我也就明白了，人走到一定位置，他必然开上帝视角，他知道他这么做不对，伤害人，把人当棋子，但是他如果不这么做，全都跟着一起覆灭。

所有这些官员，倒是一个个都有当棋子的自觉：知道自己啥时候该补位，啥时候该隐退，啥时候该牺牲。

当然，在这种严苛训练下，康熙真的精神没崩，也没有共情棋子，而是最终如孝庄所愿，成了一个“恩威并施”，善于下棋的政治家。

#屠龙微博常看常新##屠龙生活答疑解惑##屠龙职场答疑解惑#

[Morris @Morris_LT]

为什么 X 的产品负责人Nikitabier会离职？

也许不是因为失败，而是因为一个阶段的任务已经完成。

接手后的第一目标，很可能不是培养高质量社区，而是解决增长问题：

提升流量、增加互动、让算法重新找到用户。

于是产品会围绕一个核心目标优化：

最大化停留时间。

算法会学习什么内容能够让用户点击、评论、转发，然后不断强化这些内容。

短期来看，这非常有效。

但问题也随之出现：

算法优化的是“用户行为”，而不是“用户价值”。

最容易获得互动的，往往不是最有价值的信息，而是最刺激情绪的信息：

愤怒、争议、冲突、极端观点。

久而久之，平台可能训练出的不是更好的用户，而是更容易被触发的用户。

这也是所有内容平台都会面对的矛盾：

增长和健康生态，很少同时达到极致。

第一阶段需要激进增长，需要打破旧规则。

第二阶段需要建立信任，需要保护长期价值。

而这往往需要完全不同的产品思维。

平台真正的竞争，不应该只是争夺用户停留时间。

更重要的是：

它是否让用户变得更聪明？

是否帮助用户获得更好的判断？

因为注意力是一种资源。

消耗用户注意力，可以获得短期增长。

提升用户判断力，才能创造长期价值。