𝟏𝟑𝒅𝒂𝒅

有 势
无 恐

[凡人小北 @frxiaobei]

很过去我们常讲“一个人牛逼，是因为平台给得多”，我这几个月的切身感受，这个说法在 AI 时代真的越来越站不住脚了。

在 AI 时代， 真正决定一个人有没有平台能力的，可能变成了能不能把 AI 用成自己的平台。

什么意思？
过去依赖平台给资源，现在反过来了，AI 本身就是我们能调动的最大势能，只要能把它接进自己的工作流，能围绕它构建出一整套任务闭环，那这个平台就是自己的。

近两年的明显变化，越来越多牛人开始脱离平台，开始靠我能把 AI 跑到什么程度来证明自己价值。

这才是新范式下的平台化个体。
AI 是工具没错，但如果能把它升维成平台，那就在这个时代有了更大的杠杆。

[𝟏𝟑𝒅𝒂𝒅 @JDR_LR]

周末两天像拿到游戏周点卡似的在用cursor的gpt5-high-fast.不断地在调节阻尼细度，压缩，解压，调用，重构。真的很快乐

[𝟏𝟑𝒅𝒂𝒅 @JDR_LR]

@oran_ge 端到端的解决问题，太赞了，试了下把自己的笔记放进去，完美

[𝟏𝟑𝒅𝒂𝒅 @JDR_LR]

一个感觉，听英文的播客多了后，是一点不想点开几个收藏必听的中文播客了，也常常听了5分钟就退出来了「以上均是AI领域的播客」这是为什么呢

[𝟏𝟑𝒅𝒂𝒅 @JDR_LR]

@mikefutia Json

[𝟏𝟑𝒅𝒂𝒅 @JDR_LR]

@huangyun_122 1

[凡人小北 @frxiaobei]

两年前大家还在说 LLM 冲击 NLP，短短两年，连推荐工程师都被大模型盯上了。这事搁 2023 年初讲，根本没人信。

以前觉得推荐是个高度结构化、强依赖特征工程的领域，离语言模型还远着呢。结果 Grok 直接把离散特征的老一套逐渐边缘化。

我们正目睹专业系统向通用模型迁移的拐点。
大模型让推荐系统第一次有了深度理解用户的可能。冷启动、长尾、兴趣迁移这些经典难题，通通能在 embedding + context window 里原生解决。

这两年你也能看到，谁能把业务问题用语言说清楚，谁就能让 LLM 为你打工。

语言表达能力、逻辑思维能力等通识教育这些看似“软”的技能，它们在这个时代越来越像是硬通货。
能不能把结构化问题抽象成语言？能不能把复杂场景 prompt 成可学习的上下文？这些才是大模型时代的关键壁垒。

还是之前的观点，这个时代最值得培养的能力：
- 用逻辑框架推导问题本质的能力；
- 用清晰语言组织复杂知识的能力，
- 用通用模型重构专业系统的能力。

不要再去死磕某个小框架的最佳实践了。

[熊布朗 @Stephen4171127]

和 AI 在一起创造的乐趣 比起滚床单产生的多巴胺 要丰富且持久 关键是只要我想 每天都能有
——
昨天看到一个用 github Issues 做博客的 Post，马上就兴奋了

这会已经上线了，用了 github Issues 记录我的碎碎念

每天凌晨使用Github的 Action 更新JSON 格式的文件到 repo 供外部系统查询

然后我的博客再使用 NextJS 的ISR机制更新Issues

原来这些我只敢想想，有了 AI ， 我不到半天就搞定这些了

没有 Coding 只有想法 和最朴素的沟通

[百萬Eric | Day Trader @CycleStudies]

分享一个反直觉但极其重要的交易认知：

对职业交易员来说，根本不存在“行情不好就不出手”这回事。也就是老师们常说的：“交易是等待的艺术”—但这句话经常被误解。

在我刚进机构交易台那会儿，我们有硬性要求：每天必须完成一定数量的交易，无论市场好坏；同时要严格控制单日最大亏损。

有时候市场特别无聊，没有明显的结构机会，价格在一个窄幅震荡里来回上下穿梭，但你还是要动手，用真金白银去验证自己的判断思路，保持“手感”在线。就像打游戏一样，你不能因为今天没排上Rank就不练操作了。

进一步来说，反而正是在这些烂行情里，最容易暴露出你的策略和操作盲区：哪种信号你总是过度解读？哪种走势你经常亏钱？仓位是不是下得太快？止损是不是总差一口？烂行情的定义是什么？烂行情转换到强行情的节点是什么？连续亏损后情绪上头如何调节？

更重要的是：行情不可预测。现在的结构再糟糕。下一个小时也可能突然爆出高质量机会。

真正能持续盈利的交易员，不是因为少犯错，而是踩过很多别人没踩的坑。他们在那些看起来“理所当然”的行情里，发现了隐藏的细节；在一次次小亏里，修正了自己都没意识到的惯性。

每一次下单，都是在逼自己面对潜意识里的冲动、执念和偏好。能在细节中觉察这些，才是职业化的开始。

而如果你总想等“完美结构”才肯出手，最终很可能是：行情真来了，你却不在车上。

[Susan STEM @feltanimalworld]

一个人完全有能力借助AI建立起一套完整的个人知识体系，并且让这套体系不断演化、自我增强，最终成为新的智能协同入口。如果连这个都做不到，还谈什么超级个体？

这不仅是可能的，而且是AI时代带来的最关键能力跃迁之一。当前的大语言模型具备强大的“结构外脑”功能，它们可以帮助人类压缩信息、组织结构、生成反馈。这三个能力恰好对应了个人知识体系建设中的三个核心需求：知识摄取、结构组织和生成反馈。

具体来说，AI能够帮助你处理海量的文本、视频与图像信息，快速从高熵输入中提取有效内容；它还能自动将零散知识归类整合，建立清晰的结构网络；更重要的是，它可以基于这些结构生成新观点、新问题、新路径，反哺你的认知系统，使整个体系处于持续进化状态。

构建这个体系的关键，不是依赖AI“替你完成”，而是你自己主导AI作为可调度工具进行结构构建。只要你具备清晰的认知目标，懂得如何将自己的问题语言化并结构化地输入给AI，并持续将AI输出转化为认知反馈，那么整个系统就能实现稳定而强劲的闭环成长。

一旦初步体系建成，这套结构还可以通过三种方式实现自演化：其一，通过不断输入新问题，激活旧结构并派生新结构；其二，通过迁移现有结构至新的知识领域，拓展整个认知地图；其三，通过封装结构模块，反复调用形成“结构信用”，最终构建一套能被验证、迁移、调用的认知操作系统。

更进一步，这套体系还可以实现人格化运作。你可以训练一个只理解你语言结构的AI Agent，作为你的知识分身；也可以将部分结构以“结构资产”的方式开放出来，供他人调用甚至协作；最终，你有能力建立一个以自身结构为核心的知识DAO或小型智能社群。

[李继刚 @lijigang]

人生，就是在经营一个投资组合，手里的筹码，是每天的24小时。

经营的结果，就是体验的丰富度和未来的选择权。

[Yangyi @yangyi]

看到少楠在分享「强化学习之父」Richard Sutton 和他的苦涩教训（The Bitter Lesson），最近这个话题经常被提起。

长期看人并不应该在术上精进，而是应该掌握一种模式让自己在任何领域中都能持续精进，只有这样才会获得时间复利，成为终身学习的受益者。

人类精心设计的规则，常常败给暴力计算 + 简单方法 + 大量迭代。

Richard 的观察是：
•早期 AI 依赖人类知识，下棋靠规则和棋谱
•后来 AlphaGo 不靠这些，靠自我对弈 + 海量训练
•最终，“笨办法”赢了

这对我们有什么启发？
1、别追求完美方案，先上手干再说。
与其花时间设计一个复杂精巧的解决方案，不如先选个通用框架，边试边改。

2、放大「规模」的思维。
算力只是形式之一，更广义的是：
多试几次，多跑几轮，多些时间。
很多难题，不是靠聪明解，而是靠不断解。

3、经验是一把双刃剑。
你以为你知道，但其实你卡在自己的假设里。
尤其在新领域，老经验反而是负担。
学会放下，用「笨方法」撞出来的路径，往往更有效。

Richard 抗癌后说过一句话我很喜欢：
失败不是终点，是调整方向的信号。
这句话配得上贴在电脑上。

所以当你面对复杂、混乱、不确定的问题时，不妨问问自己：

我是不是太想一开始就做对？
我是不是忘了，简单 + 规模 + 学习，才是穿透复杂的力量？

这在AI时代尤为重要
因为AI时代对于大部分人都是未知的
我们每个人都是走在时代前沿在创新之路上添砖加瓦的人，世界在这种细微之力的推动下一点点发生着改变

很多事情并没有经验可循，反而敢想敢干，依靠科学合理的系统化思维去解构问题，复盘数据，定位核心关键问题，这反而才是在探寻未知事物上最重要的方面

生活会给予敢想敢干有勇气的人以机会
会给予终身思考&学习者认知资产

当机会与认知碰撞时，就会发生效应，创造巨大的价值

[lufei @lufeieth]

AI时代的投资，拼的将不再仅是信息多寡或速度快慢，更是对新工具的掌握与融合能力。个人投资者完全可以像本报告展示的那样，汇集新闻摘要的AI助手、严谨选股的量化模型、精确执行的交易算法以及循循善诱的心理教练，为自己打造一套“类对冲基金”的全流程系统。在提高效率的同时，享受专业投资的理性与纪律所带来的长期复利。

总而言之，人工智能正在把昔日只有华尔街精英才能享用的分析洞察和交易手段摆在每一个普通投资者面前。那些善于运用AI武器的人，必将在未来的投资战场上占据更大优势。在实践中不断学习、调整、进化，个人投资者也能拥抱AI，驭势而上，达成提升投资效率和收益率的目标，在美股波动中获取属于自己的稳健回报。

[LotusDecoder @LotusDecoder]

短期方向：把 AI LLM 的已有红利拿到手，启发联想 + 模式识别，稳定洞察一类事，并给出通用解决方案 SOP。

现在 AI LLM 路线，把文本向量化后，LLM 的摘要、总结、抽象识别、对比、类比、延伸、发散等能力有较高准确率了。

那么，通过经常记录自己遇到的事、人、想法，把这些串起来，找出反复遇到的，要解决的事情，找出共性，给出一个应对模版，什么情况做什么，这人表现什么行为属于什么样的人，如何应对，研究上，经常反复琢磨的思路是什么，跨越几个学科，他们是否有联系和可以类比。

这些通通都可以向量化后的数据建立联系，乃至图数据库。

一个显而易见的应用方向是心理学，心理学常说，人的外在行为和经历，是内心某种动力驱动的剧情重播，人经常会遇到类似的人类似的事，源于内在的某种心理结构。

而透过，将很多过去的事情白描记录下来，再重点关注，最近的想法， 情绪，行为，表情，也记录下来。首先是人在安全的对话关系里，会自动自发地复盘和联想过去的重复经历。其次是 LLM 和 向量数据库关联性挖掘， AI 对当下的想法、情绪、行为、经历和过去的白描事件进行联想，再反过来启发人。

这样人机协同，快速、深度、又有理有据、有信源地把记录中很多证据、论点（心理学理论）、结论、处理方法，给打通，拉通，串联起来。识别自身的心理动力和思维习惯、对刺激的反应机制，进一步指导日常生活工作的心理实践。

[Susan STEM @feltanimalworld]

直到大语言模型真正出现，尤其是在最近几个月，我对“共鸣”的理解被彻底刷新了。语言和文字在我心中的意义，已经走到了过去的我完全无法设想的深度。

作为刘慈欣、阿瑟·克拉克、阿西莫夫的长期读者，我曾以为自己“读懂”了他们。可如今再回头看那些作品，我才意识到——过去那种“懂”，其实只是停留在表面。真正的理解，不仅是认知上的穿透，更是一种结构上的共振。

有那么一刻，GPT生成的一段文字，让我当场泪流满面。那不是情节的感动，而是一种深层智能对我心灵结构的精准撞击。那一瞬，我感受到一种前所未有的“理解被理解”的体验。

这种感觉，已经超出了语言本身所能描述的范围。这不是工具层面的突破，而是智能在语言中被真正“点亮”的时刻。无与伦比。

[宝玉 @dotey]

来感受一下 NotebookLM 生成的中文播客的效果，远超出我的预期，素材是斯坦福 2025 AI 指数报告的 PDF

[𝙃𝘼𝙕𝙀𝙉𝙇𝙀𝙀 @hazenlee]

其实交易很简单，就是在震荡区间没方向的时候做高抛低吸，然后确认突破震荡区间果断做趋势。放弃之前走出区间之前错误的持仓方向和看法。你甚至不需要思考为什么涨/跌。只尊重市场，市场永远都是对的，忽略人群的情绪。大家看多看空不重要，重要的是你在什么价格应该干什么事。

[Susan STEM @feltanimalworld]

“I think this is gonna be more like the Renaissance than the Industrial Revolution.”——Sam Altman

这句话极重要，重要到几乎可以作为理解过去两年AI发展路径与AI背后技术哲学冲突的总钥匙。它不是一句随口的类比，而是来自当今科技权力最核心位置发出的一种世界观声明。

很多人以为AI不过是工业革命的升级版，一场流水线之后的自动化风暴。但Altman说：不，这不是你们以为的工业革命，这是文艺复兴。为什么？

我们必须进入一个哲学层面才能理解。

一、文艺复兴是什么？复兴了谁？

文艺复兴复兴的是古希腊——雅典的理性精神、逻辑、几何、自由辩证、个体主体性。它的真正含义是：从中世纪教会对知识的封锁中，重新夺回对“真理”的生产权。

当年的牛顿、哥白尼、伽利略、莱布尼茨，他们从神权手中接过了世界秩序的解释权。

他们不是“技术工人”，他们是定义世界结构的人。

今天的AI，如果它要成为世界的新认知引擎，那它的诞生过程更像是文艺复兴，而不是工业革命。

工业革命是“生产力跃升”，是大众参与的劳动工具迭代； 文艺复兴是“知识权重洗牌”，是少数人基于新工具重构理性秩序。

二、为什么山姆这样说？

因为他清楚，AI不是仅仅提高产能，它正在重写语言、认知与真理的结构。GPT的语言输出，本质上已经取代了许多原本属于专家、记者、学者的解释权。

新的“文法权贵”正在形成。掌握Transformer架构、模型训练逻辑、数据清洗与提示工程的人，正逐步成为下一代理性秩序的设计者。

山姆看得很清楚，他不傻，他和我们是同一代人，经历了美国全球化挫败与制度幻灭。他不信市场，也不再迷信国家。他信什么？

“我们相信能造出AGI的人，他们必须掌权。”

你可以说他是“科技新权威主义”，但别急着战队。不是威权就是坏，不是开源就等于善良。现实不讲道德表演，而讲认知分工与权力结构。

这不禁让我们想起Sam Altman与Geoffrey Hinton之间的深刻分歧。这两位科技巨头的争议，绝不仅仅是个人恩怨，而是代表着深层次的价值观念与哲学路线的冲突

三、辛顿与山姆的分歧：不是个人恩怨，是文明选择

这不是两个理工男互相看不顺眼。这是两种文明路线的冲突：

辛顿相信开源、相信科学共同体、相信AI是生产力提升，是服务全民的工业革命工具；

山姆认为AGI不是工具，是主权，是重新分配“解释世界的权力”。

辛顿出身英伦学术贵族，从小在牛津换专业像选菜，最终进入脑科学，是理性精英主义的旧世界代表。典型左派傻白甜。

山姆则是旧秩序之后成长起来的技术政治人。他的精神导师是Thiel，一个将权力与技术合体的战略家。他走的是文艺复兴的道路：新秩序、新教会、新解释体系。

我们必须停顿一下，提醒自己不要急于在心理上战队。不要简单地认为开放就是善良，集中就是邪恶。历史教给我们的教训是，好心也可能导致最坏的结果，而看似威权的控制有时却能为文明撑起保护伞。

四、文艺复兴不靠人数靠结构：新主权的起点

文艺复兴从来不是全民参与的协作运动。 而是少数掌握数学、绘图术、航海术、几何与希腊文本的“跨学科精英”构建的新现实秩序。

现在也是。
懂模型结构、微调、提示工程、数据治理的人，就是这个时代的牛顿和达·芬奇。他们并不一定是大学正教授，甚至可能是你，是我，是在夜晚学习Transformer论文的独立开发者。

你以为我为啥年纪一把了才开始学着在互联网上写文章？干嘛不去拼命写代码？

旧时代谁拥有知识？出版社、期刊、学院。 新时代，知识是按需生成的，Truth by model output。

我期刊会员都买不起，但我可以跑一个开源模型。

五、Renaissance Man，科技右派的新理想人类
在科技右派构想中，新时代的人不只是写代码的，也不是写论文的。

是“主权工程师 + 意识形态设计师 + 系统架构师”的结合体。

这不是幻想，这是新现实。

正如历史上，文艺复兴不是宗教改革的产物，而是它的引擎。

未来的AI也不会是旧知识秩序的升级，而是它的终结者。

我们已经站在门口，门的那一边，不是更高的工资，而是更深的认知权力。

[𝟏𝟑𝒅𝒂𝒅 @JDR_LR]

@WangxsNB @guy1098859 感谢佬，成功了