Bill OuYang

[园长｜YuanMan @sanyuanVC]

有意思的事要来了， SK 海力士要在 Nasdaq 上市了？

据市场消息，它们预计8月在纳斯达克开始融资，募资可能高达140亿美元。

很多人没发现，SK 海力士不是普通韩国科技股。

市场之前就预计，它有机会成为全球前四最赚钱的公司之一，利润表现甚至可能超过 $AAPL、 $MSFT、 $NVDA ， 比一众科技龙头还赚钱。

SK Hynix 也是 Nvidia 最重要的 HBM 供应商之一，是也是高频宽记忆体（HBM）核心制造商。

海力士本身也是美光的直接竞争者， 它们同样做DRAM、NAND 和 HBM 高频宽记忆体。现在美股投资者多一个潜在选择，对 $MU 来说，这不是一个小压力。

不过对整体行业来说肯定也是好事，AI 记忆体赛道正在被重新定价，美股 AI 真的越来越热闹了。

[nini @nini_incrypto_]

https://t.co/fPyZpmtH08

[iPaul @iPaulCanada]

小伙坚持一个月的钟摆跳，从173到145，瘦的都是内脏脂肪，不伤膝！

[Anish Moonka @anishmoonka]

By age 40, nearly every person with Down syndrome has the same brain protein deposits that mark the beginning of Alzheimer's disease. The extra chromosome they are born with carries the APP gene, which produces the precursor to amyloid (the protein that clumps into Alzheimer's plaques). Three copies of that gene instead of two means 50% more output from birth. By their 60s, roughly half have developed clinical dementia.

For the 7 million people worldwide who have Down syndrome, there are zero treatments addressing the genetic root cause. Life expectancy jumped from 25 to 60 years since 1983, but that came entirely from better management of secondary conditions. Nobody has ever touched the source.

In February 2025, a team at Mie University in Japan, led by Ryotaro Hashizume, published the first successful physical deletion of the extra chromosome 21 from Down syndrome cell lines. The core challenge: three copies of chromosome 21 look nearly identical, so standard CRISPR (a gene-editing tool that uses molecular scissors to cut DNA) cannot tell them apart. The team genetically fingerprinted each copy, identified which was safest to remove, then designed precision cuts targeting only that one. Chromosome removal rates hit 30.6% in stem cells and 13.9% in skin cells. No accidental extra chromosomes appeared in treated cells.

Neurologists at Harvard Medical School and Beth Israel Deaconess Medical Center in Boston published a second study in April 2026, using a completely different approach. Instead of deleting the chromosome, they silenced it. The body already has a natural silencing mechanism: in biological females, one of the two X chromosomes gets switched off at birth by a gene called XIST. The Harvard team used modified CRISPR to insert XIST into the extra chromosome 21, telling it to go quiet. Standard CRISPR inserts large genes at under 2% success rate. Their modified version hit 20-40%, a roughly 30-fold improvement. Lead researcher Volney Sheen said that 30% "is high enough efficiency that you would get a clinically appropriate response." Both studies remain at the cell stage, with animal testing and human trials still ahead.

The urgency behind both labs: chromosome 21 does not just cause Down syndrome. That same APP gene is the best-known genetic trigger of early-onset Alzheimer's. Alzheimer's affects 55 million people globally. Anything either team learns about silencing or removing that chromosome matters far beyond the 7 million people with Down syndrome.

[Serkan Tanyildizi @srkntnyldz]

Brezilya’da 20 yaşındaki genç kızı ipe bağlamadan aşağıya fırlatarak ölümüne sebep olan 3 bungee jumping çalışanı tutuklandı.

[MichaelTurtle 2026年加油版 @shawnchen_eth]

最近我試了一個 AI 交易工具：Superior Trade。
它不是那種只讓你問「BTC 會不會漲」的聊天機器人，而是更偏向 AI trading infrastructure，也就是把一個交易想法從「自然語言」一路帶到「策略生成、回測、風險檢查、部署執行」的完整流程。

Superior Trade 官方對自己的定位是：Intelligence Infrastructure for Autonomous Capital。簡單講，就是未來如果 AI agents 真的要進入金融市場，它們不能只會聊天，還需要能讀市場資料、調用交易技能、做回測、控制風險，最後把策略真正部署到交易環境裡。

這也是我覺得它比較有意思的地方。
現在很多 AI 交易產品還停在「分析行情」或「產生交易建議」這一層，但 Superior Trade 做的是更底層的東西：
用自然語言描述交易想法
AI 幫你整理成策略
用歷史數據回測
看 PnL、Sharpe、drawdown、win rate 等指標
再決定要不要部署成 live strategy
我進去實際看了一下，幾個功能比較值得提：

1. Intelligence：AI 交易訊號雷達
它會把不同 market setup 分類，例如 squeeze、stealth accumulation、coiled spring、funding inversion 等，並用 AI 對 setup 做 ranking。你看到的不是單純一個幣名，而是一整套條件：價格趨勢、成交量、open positions、funding fee、setup score 等。

2. Strategies：從已驗證策略開始
這裡有一些社群和模板策略，可以看到 backtest APR、Sharpe、max drawdown、win rate。對我來說，這比單純複製別人的喊單健康很多，因為至少你可以先看歷史表現和風險，再決定要不要改成自己的版本。

3. Backtests：這是我覺得最重要的功能
AI 交易最怕的是「講起來很聰明，實際跑起來很爛」。Superior Trade 的回測功能可以讓你先把策略拿去跑歷史數據，看它在不同市場狀態下是否真的有 edge。尤其是 drawdown、Sharpe、profit factor 這些指標，對判斷策略是否能長期跑非常重要。

4. Agent Skills：讓 AI agent 變成交易員工具箱
Superior Trade 還有技能庫，例如 CoinGlass、Nansen Smart Money、HyperTracker、OpenNews 等方向。這代表它不是只做一個封閉的 dashboard，而是想讓 AI agent 可以調用不同資料源和交易能力。
官方網站也提到，他們在做的是 data、reasoning、execution layer：也就是市場資料、推理能力、回測引擎、部署 runtime 和風控。這個定位其實很明確：不是做另一個交易所，而是做 AI agents 進入交易市場時需要的基礎設施。
如果你有在看 AI agent + trading 這個方向，Superior Trade 值得試一下。它比較適合想測策略、看數據、做系統化交易的人，而不是只想找一個「AI 幫我買哪個幣」的人。
我剛註冊後看了一圈，最推薦先玩的是 Backtests 和 Intelligence。前者可以驗證策略，後者可以看 AI 如何整理市場 setup。
註冊連結：
https://t.co/hCH6MxQS3c

@SuperiorTrade_

[Suraj Sharma @suraj_sharma14]

If I had 6 months to become an Agentic AI Engineer.

I'd do this.

Stage 1: Python + Async Foundations
asyncio, FastAPI, event-driven architecture, error handling, API integration patterns.

Stage 2: LLM Fundamentals for Agents
Context management, model routing, token economics, latency tradeoffs, failure modes.

Stage 3: Tool Calling + Structured Outputs
Pydantic validation, function calling schemas, error recovery, dynamic tool discovery.

Stage 4: Memory + State Management
Short-term buffers, long-term vector recall, context compression, cross-session sync.

Stage 5: Single Agent Workflows
ReAct loops, plan-and-execute, self-reflection, iteration limits, graceful degradation.

Stage 6: Multi-Agent Orchestration
LangGraph/CrewAI, supervisor patterns, message passing, conflict resolution, handoffs.

Stage 7: Human-in-the-Loop Systems
Uncertainty detection, approval gates, audit trails, resume logic, intervention points.

Stage 8: Evaluation + Quality Assurance
Automated eval harnesses, LLM-as-a-judge, regression testing, hallucination metrics.

Stage 9: Observability + Tracing
Distributed tracing (LangSmith/Arize), cost dashboards, latency monitoring, alerting.

Stage 10: Security + Guardrails
Prompt injection defense, output filtering, PII redaction, sandboxed execution, compliance.

Stage 11: Production Deployment
vLLM/SGLang, Kubernetes scaling, CI/CD for agents, canary releases, rollback strategies.

Stage 12: Open Source + Portfolio
Ship autonomous agents publicly, write architecture docs, record demos, contribute to libs.

Most people stay stuck watching tutorials.

Builders get hired.

(Bookmark it)

[Xudong Han @Xudong07452910]

微软 CEO Satya Nadella 这篇文章，可能会影响很多公司未来几年对 AI 的战略定位。因为它讨论的核心，已经不只是模型选择，而是公司在 AI 时代如何继续拥有自己的知识、能力和护城河。

AI 时代，公司到底靠什么形成护城河？

过去企业谈 AI，常常关注用了哪个模型、接入了什么 agent、能不能降本增效。但 Satya 把问题往前推了一步：未来企业的竞争，关键在于组织能不能持续学习，并把这种学习沉淀成自己的 AI 能力。

他提出了两个概念：human capital 和 token capital。

human capital 是人的资本：经验、判断力、关系、创造力、行业直觉和模式识别能力。

token capital 则是企业自己积累出来的 AI 资本：内部 agent、知识库、私有评测、业务反馈、工作流，以及这些东西不断循环后形成的系统能力。

这个说法很有意思，因为它没有把 AI 简单理解成「替代人」。

相反，Satya 的判断是：AI 越强，人的价值反而越重要。

因为 AI 可以执行任务、生成内容、处理流程，但它不知道什么目标真正重要，什么判断有商业价值，什么客户关系值得维护，什么细微信号值得关注。

没有人的方向，算力只是在原地打转。

所以未来人的价值，会更多体现在定义目标、判断结果、设计反馈、沉淀经验、训练系统上。

一个优秀员工的价值，不只是自己会做事，更在于能不能把自己的判断力，变成整个组织可以复用的能力。

这也是我觉得最值得思考的地方。

很多公司现在用 AI，还停留在效率工具层：写文档、总结会议、生成代码、做 PPT。

这些当然有用，但真正的变化在更深处：

公司能不能把自己的工作流、领域知识、历史经验和隐性判断，变成一个会不断进化的 AI 学习系统？

每一次客户反馈、项目复盘、代码审查、销售推进、产品决策，都可能成为训练信号，让企业自己的 AI 系统更懂这家公司。

这就是 Satya 说的 learning loop。

而且这个 loop 必须属于公司自己。

底层模型可以换，从 OpenAI 到 Anthropic，从 Gemini 到 Llama，未来还会有更多选择。但如果一换模型，公司过去积累的知识、流程和 agent 能力就全部消失，那说明企业并没有真正拥有自己的 AI 资本。

它只是把自己的组织经验租给了外部模型。

这也是这篇文章更大的提醒：

如果未来所有公司的知识、流程和经验都被少数几个大模型吸收，最后价值只流向少数模型公司，很多行业可能会慢慢被「知识商品化」。

所以 Satya 强调的不是只有 frontier model，而是 frontier ecosystem。

更健康的 AI 未来，应该是每家公司、每个行业、每个国家，都能在模型之上建立自己的学习系统，保留自己的知识、判断和控制权。

这当然也是微软的平台叙事。

但抛开商业立场，这个问题本身很值得想：

我们使用 AI，是让自己的组织变得更聪明，还是只是在帮别人的模型变强？

未来公司的差距，可能不只来自谁有更多人才，或者谁接入了最强模型。

更大的差距，可能来自谁更早建立了自己的「人类资本 × AI 资本」复利系统。

模型会越来越强，也会越来越容易获得。

但一家公司的真实场景、隐性知识、组织判断和长期积累，不会自动变成护城河。

只有当这些东西被系统性地捕捉、评估、反馈和迭代，它们才会成为 AI 时代真正的资产。

这可能就是 Satya 这篇文章最核心的提醒：

未来最强的公司，不只是会用 AI 的公司。

更像是那些能让 AI 持续学习自己、放大自己，同时还能保留控制权的公司。

[Rahul @sairahul1]

This is the best site on the internet to learn how LLMs actually work.

Free. Completely.

https://t.co/YOGF6PsmBN

Bookmark this site.

Then read this setup ↓

[宝玉 @dotey]

微软 CEO Satya Nadella 发了一篇长文，提出了一个新概念：Token 资本。

他的核心论点是，AI 时代每家公司都需要同时经营两种资本。一种是传统的人力资本，员工的知识、判断力、关系网络；另一种是 Token 资本，公司自己构建并拥有的 AI 能力。两者不是此消彼长的关系，人的判断力越强，Token 资本增长越快。没有人的方向引导，算力只是在空转。

这个说法听起来抽象，但 Nadella 给出了一个具体的检验标准：你能不能随时换掉底层的通用大模型，而不丢失公司积累的专有经验？如果能，说明你真正拥有自己的 AI 能力；如果不能，说明你只是在租用别人的智能。

他建议企业把工作流、行业知识、决策经验转化成可以持续改进的 AI 系统，建立私有评估体系来衡量模型在实际业务中的表现，而不是只看公开跑分。这个学习飞轮一旦转起来，就像复利，每次改进的工作流都会产生更好的训练信号，进一步加速知识积累。

Nadella 还发出了一个颇有政治意味的警告。他拿全球化做类比：第一轮全球化时期，GDP 数字看着不错，但整个产业被外包掏空了，后果至今还在显现。如果 AI 时代重演这个剧本，少数几个模型吃掉所有行业的知识和价值，"政治经济体系不会容忍这种结局"。

--- 原文翻译 ---

没有生态支撑的前沿技术，注定无法行稳致远
Satya Nadella

最近，我一直在深思：在由人工智能驱动的经济浪潮中，企业的未来究竟在哪里？

这次变革与以往任何一次平台更迭都截然不同。过去，我们只是用数字化系统来提升人类的工作效率。但这一次，我们破天荒地在人类与数字系统之间建立起了一个真正的认知循环 (cognitive loop)。这绝对是个颠覆认知的概念，因为它彻底改变了我们对企业内部“工作”本质的定义。

当 AI 模型能够源源不断地吸收人类和组织的专业知识，并将其变成大众化的廉价商品（即将原本稀缺的专业技能变成人人唾手可得的通用能力，从而削弱企业的核心壁垒）时，真正的危机出现了。我们面临的关键挑战，不再仅仅是如何使用某个数字化工具或系统，而是企业该如何在这个全新的世界中持续学习、积累知识产权 (IP)、保持独特性并茁壮成长。

每家公司都必须构建两种资本：一种是我们熟知的“人力资本” (human capital)，另一种我称之为“Token 资本” (token capital)。人力资本包含了员工的知识储备、判断力、人脉关系、创造力以及识别事物规律的能力；而 Token 资本则是指企业自身打造并掌控的 AI 实力（在这里，“Token 资本”一词很形象，因为大语言模型 (LLM) 处理信息的基本单位就是 Token）。

必须强调的是，随着 Token 资本的不断壮大，人力资本并不会因此贬值。相反，它会变得比以往任何时候都更加宝贵！我坚信，人类的主观能动性 (human agency) 将是推动 Token 资本增长的核心引擎。人类负责设定宏大的目标，跨领域地将线索串联起来，建立关系网，并洞察出最关键的规律。如果没有人类在前方指引方向，那些强大的计算力不过是在原地打转罢了。

这就意味着，真正的机遇并不在于你去市面上挑选一个“最好”的模型，而在于如何在模型的基础之上，构建一个能让人力资本和 Token 资本产生复利效应 (compound) 的“学习循环” (learning loop)。你可以把某项任务甚至整个岗位都外包出去，但你绝对不能把“学习能力”给外包了。企业未来的核心竞争力，就在于能否在人类与 AI 之间不断积累并放大这种学习能力。

这需要一种全新的架构思路：每家企业都要能够构建出能随着时间推移自我迭代的 AI 智能体系统 (agentic systems)，同时还要牢牢掌控自己的知识产权。一家公司应该能够随时替换掉底层的某个“通才模型” (generalist model)，而不丢失那些已经沉淀在系统里的、像“公司老兵”一样丰富的专业经验。在未来的时代，这将是检验企业是否拥有数据控制权和技术主权的关键“试金石”。

企业需要将自身的工作流、领域知识以及多年积累的判断力，统统转化为每一次使用都能自我进化的 AI 系统。企业应当建立私有评估机制 (private evals)（即企业内部针对自身真实业务场景定制的模型能力测试标准），用来检验模型是否真正在对企业有价值的结果上取得了进步，而不能仅仅依赖外界的公开跑分盲目自嗨！专属的强化学习 (reinforcement learning) 环境，应该让模型通过吸收组织内部真实的业务数据和工作轨迹变得越来越强大。这样的专属知识库，能让企业的组织记忆变得随时可检索，同时也让 token (tokens) 的运转效率大幅提升。

这种循环，将成为企业全新的知识产权。我把它想象成一台不断向上攀登的机器 (hill climbing machine)。而且与大多数资产不同，它具有强大的复利效应。每一个被优化的工作流，都会产生更优质的训练信号，从而加速这家企业独有的隐性知识 (tacit knowledge) 的积累。那些尽早布局构建这种循环的公司，将会获得一道难以复制的护城河，无论未来市面上又出了什么能力炸裂的新模型，都无法轻易撼动其地位。

我们最不愿看到的局面，就是各行各业的所有公司，都在向少数几个贪婪吞噬一切的巨头模型割让价值。如果所有的经济价值都只被少数几个模型垄断，政治经济体制是绝对无法容忍的。社会也绝对不会允许一个让整个产业被彻底掏空的 AI 未来。

回想一下全球化初期发生的事情吧：大规模的业务外包曾让许多工业经济体被彻底掏空。表面上看 GDP 数据依然光鲜亮丽，但大量产业工人流离失所是血淋淋的现实，其带来的严重后果至今仍未消散。我们绝不能让这种悲剧在 AI 时代重演——决不能让少数几个 AI 系统攫取了所有的经济回报，而一整个行业的从业者却只能眼睁睁地看着自己赖以生存的专业知识被无情地廉价化。

在我看来，我们的当务之急不仅是打造前沿模型 (frontier model)，更要构建一个繁荣的“前沿生态系统” (frontier ecosystem)。只有这样，价值才能像活水一样，广泛地流向每一家公司、每一个行业、每一个国家。在这个生态中，每个组织都能拥有属于自己的学习循环，将组织智慧沉淀其中，让人力资本与 Token 资本共同实现滚雪球式的增长。

这也是伴随我职业生涯一路走来的核心理念：真正的平台，能够让在其之上生长出来的价值，远远大于平台自身所截留的价值。在这样的生态里，每家公司都能持续创新，并构建属于自己的真正价值。

当这一切实现时，企业不仅能为自己、也能为周边的整个经济体创造巨大的红利。员工们将会看到自己的专业技能被无限放大，个人的判断力将被融入系统，变得可以复制和规模化应用。而这一切带来的好处，最终将回馈给企业以及他们所在的广泛社区。

这才是企业为自身和宏观经济创造价值的正确方式。这也是我们应当携手共建的、稳定而持久的生态平衡。

[حكيم | Hakim @Aqwall1_]

عمري كله أعاني من شد الرقبة… والحين بس
اكتشفت إن المشكلة أصلًا مو من الرقبة؟

[Journeyman @JourneymanChina]

这个视频解析了小区门口房产中介门店不易关停的核心原因：

对房产中介而言，与小区业主长期互动积累的信任是最核心的资产。

视频还提到一组数据：
贝壳年营收约950亿元，其中非房产交易收入占比已超过40%；
租房收入超200亿元，装修收入超150亿元。

这正是降维切入的优势：
中介凭借已有的信任基础跨界装修赛道，推进门槛会低很多。

反观以装修为主业的红星美凯龙，也曾尝试切入房产中介领域，但效果并不理想。

[百官行述 @BAIGUANXINGSHU]

必须要整明白赚钱的几个层次

1、纯体力：一天100~500元 农民工、外卖、快递、保洁、司机。

2、靠技能：一天 300~1000元 教师、医生、程序员、会计、设计师等。

3、靠资源：一单1000到10万元，上不封顶 明星、网红、专家、关系户等，依靠流量知名度和社会关系赚钱。

4、靠资本：上不封顶，下不设限 大企业 CEO，CFO，上市公司老板等。他们可能随时亏损几个亿，也可能随便赚几十个亿。

5、靠运气：上不封顶，下不设限 买彩票、遗属继承、踩狗屎运捡到宝。

6、靠做梦 在迪拜看到的银行广告语：Life is better with money.

超过一天300的工作，都因为你下面有收入更低的人。

年入百万千万，那是因为在你之下有无数的人为你挣钱。你说不对呀，我是炒股炒币赚的。一样的，那些亏损的人，你炒的股票的公司里的打工人，甚至公司的顾客，都是帮你挣钱的人。

一切成本都是人力成本。

[迷思拆解_Panda🐼🐼 @andy88988696]

40岁之后的累，不是因为「睡不够」，而是细胞的修復力崩塌了。

为什么40岁后睡饱还是累？

40岁时，细胞主充电线（NAD+）剩下一半，粒线体发电机集体限电，细胞根本没能量修復。

深睡时间比年轻时减少 60%–70%，生长激素分泌与免疫大扫除大缩水，修復工厂被迫「兼职」。

两大精准细胞控管策略

1. 手动充值细胞发电机

原料补充： 补充 NMN 或 NR，直接拉高体内 NAD+ 水平。

良性压力： 透过 16:8 断食与 Zone 2 有氧运动，启动细胞自噬，汰换老旧粒线体。

2. 压榨极致深睡

环境优化： 卧室维持 18–22°C 恆温与全黑，刺激褪黑激素、降低核心体温。

睡前断毒： 睡前 2 小时禁蓝光、禁精緻糖宵夜，避免干扰生长激素分泌。

25 岁熬夜是补觉回来就好，40 岁后必须从「被动睡眠」升级为「精准控管饮食、运动与睡前习惯」，给细胞足够的燃料去修復。

[BITWU.ETH 🔆 @Bitwux]

说下李笑来的新书《The Half Second》

终于看完了！

我觉得这对于每一个希望进步，希望做好投资，学好英语，处理好家庭关系的人来讲，都是可以参考的，一个至关重要的操作系统。

英文好的可以直接看原本，英文不好可以给你们的 AI 辅助阅读，一定会有很大收获！

实际上人真正的自我，不是你想清楚以后说自己是谁，而是事情发生后半秒钟内，你身体自动做出的第一反应是什么。

比如伴侣语气不好，你第一反应是反击还是看着对方？孩子打翻牛奶，你第一反应是皱眉还是放松？投资的标的突然下跌，你第一反应是理性分析是否应该止损，还是逃避撞死？

这就是“理性完全启动前，身体已经开始反应的窗口”。

笑来老师给了我们一个很恐怖的结论：这个窗口，半秒钟，就是人的真实操作系统。

大部分时候，我们以为自己活在理性里，其实大部分时候活在预装反应里。我们被我们的预装反应，给劫持了，但是却不自知。

所以我们为什么靠意志力很难对抗自己的缺点，因为意志力来得晚了半秒，神经已经指导身体把事情给做了。

意志力属于清醒意识，清醒意识要思考、评估、判断；但坏习惯的第一反应已经先动了。

等你意识到我不该这样时，手已经摸向手机、嘴已经准备反击、交易按钮已经快按下去了。

所以这本书讲的就是追根溯源的告诉我们：这些第一反应是怎么被安装进去的，

当然，只给事实不给解决方案就是刷流氓，所以笑来老师，给了一个方法，让我们可以去重新编辑它们，更好的服务于我们。

也就是最核心的再聊一个技能叫：self talk

1️⃣ self talk 有一整套操作系统的，

书里提出一个工作模型，叫 frequency counter，可以理解成“大脑的熟悉度计数器”。

它的逻辑很简单：大脑的快速系统不总是判断真假，它经常只判断熟不熟。

所以笑来老师提到，既然大脑可以这样玩，那么可以通过自己的声音重新安装反应，也就是他一直提到的，可以劫持自己的大脑！

这就是 self talk 的真正位置。去把一个本来一直被外界使用的机制，夺回来自己用。

2️⃣改变是改身份枢纽；

改变不是改行为，而是改身份枢纽，这也是书的核心，告诉你为什么，再告诉你怎么做。

self talk 并不是让你不停对自己说积极的话，但是身体不知道如何行动，搞所谓的精神胜利法那一套，

他是告诉我们第一反应有结构。一个第一反应通常包括三个东西：身份、情境、动作。

比如笑来老师提到的他抽烟这件事：

身份：我是抽烟的人。
情境：饭后、写作间隙、焦虑时、朋友递烟时。
动作：点一根。

如果你只改动作，就会很累。因为你要在无数个情境里分别抵抗：饭后不能抽、写作不能抽、压力大不能抽、朋友递烟不能抽。情境太多，你挡不住。

但如果你改身份，比如你告诉自己：Iam a preson who never smokes，这个身份一旦装进去，它会影响很多情境下的动作。书里称 identity 是 hub，也就是枢纽。编辑身份，比一个一个对抗行为更有效。

3️⃣有效咒语的核心是 Action，不是 Mood

所以你需要给自己设置脚本，笑来老师提到ARISE。

它包括五个维度：

A：Action，动作。

R：Reason，理由。

I：Identity，身份。

S：Situation，情境。

E：Emotion，情绪/感受内容。

所以脚本的核心是 Action：必须是身体能执行、外人能观察、半秒内能启动的动作；

这就是为什么：

我很冷静不如我深呼吸三次再回答。
我不焦虑不如账单来了，我 60 秒内打开它。
我不冲动交易不如价格波动时，我完整一天不操作。
我要更爱孩子不如孩子说话时，我看着他的眼睛再回答。

所以你看，核心是不要给大脑下达状态命令，要给身体下达明确动作命令。

基于此 “我不焦虑”“我保持冷静”这种是愿望，不是动作，我们要给自己设置动作，而不是愿望。

比如学英语，真正关键不是每天 talk to myself “多背单词”，而是让英语进入你的自我对话系统，告诉大脑你是帅哥什么样的人，给自己安装一个能骗过自己神经的小系统。

可以和自己对话：

I am a person who thinks in English because it is essential to my life, and I would be very happy to learn English well!

When I talk to myself, I say the next sentence in English. My own voice makes English familiar.

4️⃣大声说出来！

最关键是笑来老师的意思，是你必须说出来，而不是在心里想，你需要调动你的肌肉，大声说出这些话，是把“我要改变”从观念层，降落到身体层。

这本书的核心机制叫 frequency counter，可以理解为“大脑的熟悉度计数器”。

它不总是判断真假，而是判断熟不熟。重复越多，越熟悉；越熟悉，越容易在半秒钟里自动冒出来。

大声说的作用，就是让每一次重复更“重”。

心里想一次，可能只是轻轻划过。

说出来一次，是语义、动作、声音、听觉、身份一起叠加。

它更像一次高质量计数。

就像你刷短视频，为什么画面、声音、音乐、字幕一起上更容易洗脑？因为它不是单通道刺激，而是多通道刺激。

self talk 大声说出来，就是你主动用多通道刺激，反过来洗自己。

[cast @aaafromyiwu]

这篇文章分享了一个很有用的方法

《Grail Notes：为什么你的好点子总是死在"整理"的路上》

你一定经历过这样的瞬间，一个绝妙的念头突然闪现，你打开 Notion 或那本精致的子弹笔记，手指悬在半空——“这条该归到哪个文件夹？属于’灵感’还是’项目’？要不要先建个标签？”

就在你犹豫的这几秒里，那个念头已经悄悄溜走了。等你终于决定好分类，最初那点鲜活的火花，早就熄灭了。

更要命的是，这种"先整理"的执念正在系统性地杀死你的创造力。

你花在搭建分类体系、调整标签、美化排版上的精力，远远超过了真正思考的时间。笔记越整齐，打开它的心理负担反而越重——因为每一次记录都变成了一道"该放哪儿"的选择题。

而最大的代价是隐形的，当你把"解剖学"和"哲学随想"分进两个永不相见的文件夹，你也就亲手切断了它们碰撞出火花的可能。整齐的代价，是创意的孤立。

可奇怪的是，那些真正的天才，没有一个是"整理控"。

达·芬奇留下 6000 页笔记，乱成一团——没有文件夹，没有分类，一段哲学涂鸦随手就甩在解剖草图旁边。达尔文、牛顿，全都这副德行。他们不归类、不排序，把一切都塞进同一本本子里，然后反反复复地翻看。

混乱，难道不是 bug，反而是他们成为天才的核心配置？

想象一下：灵感来了，你只需翻到下一页空白处随手一记——金句、草图、垃圾念头，统统不论。没有自我审查，没有归类焦虑，想到什么倒什么。

然后，在某个闲暇的午后，你从头到尾翻这本本子。三周前的一条笔记，撞上昨天的一个想法，“砰”——一个跨领域的全新连接诞生了。这就是创造力本来的样子。

翻得多了，水分自然蒸发，单薄的念头会慢慢长成真正的项目。这是一套只让好东西存活的天然筛选机制，而你什么都不用刻意做。

这套方法叫 Grail Notes（圣杯笔记法），名字取自《夺宝奇兵》里印第安纳·琼斯的圣杯日记。核心简单到极致：把一切都收进同一本本子，然后不停地重读它。

它只有三条规则：

第一，不要整理。想到就写在下一处空白，让记录毫无摩擦。

第二，重点不在写，而在反复重读。翻看，是让不同时空的想法自由交配的唯一方式。

第三，也是唯一的禁令——别把待办清单写进来。“买牛奶”"发邮件"这类一次性的消耗品，会污染你的创意空间。待办事项请写在便利贴上，把这本笔记只留给想法和思考。

这不是一个让你"做更多事"的效率工具，而是一个让你"创造出真正重要之物"的工具。

[vas @vasuman]

Must read. Very thorough analysis on AI scaling.

[Rahul @sairahul1]

How to build your first AI agent (Full guide)

[Dajun Zhang @ZhangDajun]

我有几年心理状态也不太好，后来我幸运地开始非常系统认真地阅读和深思《道德经》和《庄子》这两本书，然后按照要求开始一点一滴地在日常生活中培养“致虚极，守静笃”和“心斋”的功夫。

核心就是放下执念、去除妄念、去私无我。

经过几年的努力，我现在的心态已经非常平和了。对自己的很多过往经历以及挫折失败也都能坦然接受。对未来的心态也变得从容豁达了。

我知道，对于有你们这种经历的人，更难。我自己都花了几年的工夫才算基本上走出了过去的阴影。

另外，维护健康和谐、充满温情厚意的家庭关系也极其重要，甚至必不可少。除了家人，没有人真的能帮上你。其他人即使有心，也无力做到。

我会把我自己的心路历程贴出来，供你和屠夫兄以及其他有类似经历的人参考。

[Sea @Sea_Bitcoin]

在标普 500 和纳指 100 之间，如何选择？可以从以下这些维度进行思考

1. 看回报

自 1985 年纳指 100 成立，到 2024 年底，纳指 100 的年化复合收益率是 14.25%，同期标普 500 是 11.57%

前者极端上涨时更多、极端下跌也更深，像一匹烈马，对驾驭者要求更高

2. 看成分

标普 500 覆盖科技、金融、医疗、消费、工业、能源、公用事业等多行业，更接近「美国大盘股 Beta」，有一些是成熟行业、低增长公司

纳指 100 则是 100 家在 Nasdaq 上市的、全球大型非金融公司，它不是纯科技指数，但天然偏科技、互联网、AI、半导体等技术驱动型公司

纳指 100 从第一天就不是追求「稳」，而是极致的成长

3. 看地域

标普 500 主要接纳美国公司 / 美国发行人，等于在买「美国核心资产」

纳指 100 主要也是美国公司，但也有来自荷兰 / 英国 / 中国 / 拉美的全球成长龙头，优等生去美国留学的感觉

4. 看重叠

现在，有 88 个纳指 100 成分证券，也在标普 500 里。6 月 22 号后这个数量是 89 个，Marvell 要进入标普 500

拼多多这样的中国公司，无法进入标普 500

两者高度重叠，但方向、风格不同

5. 看未来

如果你相信未来 10 年，科技、AI、芯片等，还会像过去十几年的移动互联网一样，是资本市场主线，选纳指 100

如果担心科技估值过高、AI 泡沫太浓、龙头过于拥挤，标普 500 更分散，容错率更高

6. 看回撤

从 1985 年以来的数据：

≥10% 回撤都很正常
≥20% 回撤分别是 6 次和 8 次
≥30% 回撤分别是 4 次和 6 次
≥40% 回撤都是 2 次
最大回撤分别是 -57% (2008 金融危机) 和 -82% (2000 互联网泡沫)

标普 500 的大回撤也很痛，但纳指 100 的深度和恢复时间都更极端

7. 看周期

如果是短期持有，纳指 100 对买点、市场情绪更敏感

如果是 10 年周期长期持有，尤其是定投，纳指 100 的高弹性，反而能成为长期收益来源

而标普 500 对择时的要求更低，对普通人来说可能更适合作为长期基础仓位

结论

标普 500 作为底仓更均衡，纳指 100 是更进攻的成长仓位

不是说哪个指数一定更好，怎么选，要看能承受多少波动、更相信哪条长期主线