contrayes

The golden age lies ahead of us, not in our past.

[contrayes @contrayesyes]

https://t.co/wvnFezFh0D

[Lynncc（薄肌版） @Lynncc6]

一年过去了
大结果没拿到
大后果拿到不少
大因果也得到一些
大苦果也吃挺多
大红果永远看不腻
大苹果暂时买不起

[contrayes @contrayesyes]

@vibemutsumi 并非

[contrayes @contrayesyes]

偶也有认真考虑过这个选项哈哈哈哈

[智乃 @moeKafuuChino]

不过u1s1跟ai聊了以后我真打算把去星巴克摇咖啡作为备选项😇😇😇

[contrayes @contrayesyes]

昨晚和朋友聊天，谈到实践时提到了“认知提升”。

这个词在我脑子里已经隐约带有一丝贬义，但在当时的某一刻，我突然意识到，就是这种我看不大上的“认知提升”其实是有用的（就如我在此平台上我看到的大部分内容）。

当认知还不够充分时，人很容易沉浸在“认知提升”的幻象里，把不断���得新知误以为自己在不断进步。

而当接触到的那些“认知提升”都已经稀松平常时，想再往前走，就得靠行动和实践。

这也是我觉得好的信息源、好的圈子很有价值的一点：加速信息的充分与饱和，让人更早走到从“知道”到“做到”的阶段。

[contrayes @contrayesyes]

@realchendahuang 国内那套起号逻辑搬到x上了，清纯女大/精致名媛/科技佳丽的身份暗示+洗稿来的干货/争议性/低俗内容😅

[contrayes @contrayesyes]

@Imciliud 他给我就已经坨了！还是干拌云吞火鸡面好吃😋

[contrayes @contrayesyes]

标记了一个chance

[Lynncc（薄肌版） @Lynncc6]

在大厂做了差不多一年AI专家数据，接触过一些数据生产、供应商管理和模型训练相关的工作。看到这些非常有共鸣，给一些内部视角：

大量司内员工的使用数据被合成用于训练，正在以不同形式被整理、筛选和合成，再回流到训练流程中。我们称为回流。沉淀真实一线工程师在工作中遇到的问题：代码库、复杂的工程环境、实际的 Debug 过程，以及那些很难通过普通 Prompt 构造出来的长尾场景

虽然是司内数据，但并不意味着可以无条件用于训练，数据授权、隐私保护和内部合规依然是必须解决的问题。但大家都在默许这些的发生

优质数商正在从外包进化为模型研发合作伙伴。过去数商的核心能力是组织人力、执行标注规范、控制交付质量。但现在，优秀的数商已经开始具备更完整的技术和研究能力，可扩展的合成生成系统、同时懂RL数据和领域的工程师、能够判断什么任务对模型真正有用，以及自己提出任务的能力，而不是只响应甲方需求

简单同质化数据越来越不值钱，单价低至几块钱，能提供可靠学习信号的数据才有价值，而这这需要极高的领域知识 + 实验设计 + 质量控制。一个任务可能很长、很复杂、需要大量人工时间，但如果它无法区分模型能力的高低，或者无法提供稳定、有效的反馈，那么它对训练的价值仍然有限

专家人类数据仍是稀缺品，如何组织数百万人类专家高效生产高质量���据，是当下需要攻克的难点。 普通的外包专家做不出足够挑战模型的数据。尤其是在复杂编程、数学推理、科研、法律、金融等专业领域，模型需要学习的不只是标准答案，还包括专家如何拆解问题、如何做出判断、如何发现错误，以及如何在不确定条件下推进任务

这类数据的难点在于：1）真正有能力挑战前沿模型的专家数量有限。普通外包专家可以完成标准化任务，但很难稳定生产模型当前能力边界附近的高难度任务。2）专家的时间非常昂贵。让一个领域专家从头到尾完成数据生产，成本高、效率低，而且不同专家之间的产出质量存在差异。3）专家知识很难被标准化。很多专业判断依赖隐性经验，不容易转化成清晰的标注规范和评分标准。4）专家数据的质量验证本身也需要专家。这导致生产成本和质检成本很难简单地通过增加人力来解决

AI 数据岗位也���面���非常明显的岗位价值重构。Data PM 需要理解更多模型训练逻辑：模型当前缺什么能力？什么样的数据能够弥补这个能力缺口？应该如何设计任务和数据分布？什么样的质量标准才有意义？如何通过实验判断数据是否真正有效？作为交付运营，上游是数据PM，下游是标注交付管理，流程标准化、人数多、很容易被自动化和外包吃掉，被锁在执行层，价值闭环难达到

[contrayes @contrayesyes]

@bot 审查文中的论据是否可靠；论点所述是否基本符实

[复利CLOS @fuliclos]

深圳越繁华，中国经济为什么可能越危险？

英国学者詹姆斯·克拉布特里���近在中国访问了两周。

在深圳，他被震撼了。

新能源汽车、人工智能、无人机、机器人，产业链完整，技术进步惊人。中国科技生态的实力，甚至超出了他原来的想象。

但离开深圳，来到北京，与经济学家迈克尔·佩蒂斯交流之后，他看到的却是另一幅图景：

房地产持续低迷，投资下降，消费疲软，民营企业不愿投资，就业压力巨大，地方财政收入承压。

他在11月1日发表的文章《China: through the K-Hole》中，提出了一个判断：

中国的K型经济分化正在扩大。

K的上半部分，是科技产业、先进制造和出口竞争力不断向上。

K的下半部分，是房地产、传统行业、普通就业和居民消费不断承压。

他还提到一个很刺眼的现象：北京街头，似乎人人都在送快递、跑外卖。

官方城镇调查失业率在5%左右，但经济学家李稻葵曾估算广义失业率达到10.2%。克拉布特里还引用了中国约5300万人从事外卖和网约车、约2亿人从事广义零工经济的数据。

他甚至听说，北大毕业生中可能有一半面临就业困难。

克拉布特里的结论是：中国可能正在走向日本式的长期停滞。佩蒂斯认为，十年以上的低增长、停滞和缓慢修复，甚至可能已经是乐观情景。

我认为，他说的客气了。现实比这个更加悲观。

中国的困难，可能比当年日本失去的三十年更加复杂。

为什么？

第一，中国没有日本当年的家底。

日本房地产泡沫破裂时，已经是高度发达的富裕国家，居民收入、社会保障、医疗体系和企业全球竞争力都处于较高水平。

中国却是在尚未完成富裕化的过程中，提前遭遇房地产泡沫、人口老龄化、地方债务和消费不足。

日本是富裕之后遭遇停滞，中国可能是在尚未富裕时就进入长期调整。

两者的社会承受力完全不同。

第二，中国房地产问题更加严重

房价下跌，居民财富缩水，消费意愿下降；消费下降，企业收入减少，投资更加谨慎；土地卖不出去，地方财政承压；地方财政紧张，又影响公共服务、政府采购和企业经营。

这不是一个行业的衰退，而是一整套经济循环同时失去动力。

第三，中国缺少真正有效的居民财富再分配和社会保障缓冲。

经济下行时，居民最需要的是安全感。

医疗、养老、失业保障、教育支出，每一项都影响消费决策。

当人们担心未来收入、养老和医疗，就会选择储蓄，而不是消费。

第四，最危险的是旧增长模式的利益结构。

佩蒂斯提到了经济学家赫希曼的理论：一个曾经成功的增长模式，会培养出��赖这个模式的利益群体，而这些群体可能反过来阻碍改革。

过去依靠土地、房地产、地方投资和信贷扩张的体系，形成了庞大的利益结构。

现在真正需要的是把更多资源转向居民、民营企业和消费市场。

但这意味着重新分配资源，也意味着改变旧有利益格局。
这个看不到改变的迹象。

第五，科技繁荣掩盖经济结构的失衡。

新能源汽车可以不断降价，机器人可以不断升级，AI可以创造新的产业。

但科技进步不自动等于居民收入增长。

企业可以拥有世界一流的生产能力，却找不到足够有支付能力的消费者。

产能越来越强，购买力却没有同步增长，最后就会变成更激烈的价格战。

克拉布特里提到，中国上百个新能源汽车品牌陷入激烈竞争，很多企业利润微薄，甚至无法盈利。

这就是一个典型例子：产业竞争力强，不等于整个产业生态健康。

第六，出口也不是无限的避风港。

国内需求不足，企业就向海外寻找市场。

中国制造的竞争力越强，出口越多，贸易摩擦和保护主义的压力也可能越大。

如果国内消费不能接住产能，海外市场又不断增加壁垒，那么所谓的出口增长，就很难独自承担整个经济转型的任务。

我甚至认为，中国面临的长期调整风险可能比日本更大。

不是说中国没有技术优势，也不是说中国必然崩溃。

而是中国同时面对几个日本当年没有以同样方式、同样程度面对的难题：尚未完成富裕化、人口老龄化更早到来、居民保障不足、地方债务沉重，以及经济资源重新分配的制度阻力。

日本失去三十年，仍然保有相当厚实的居民财富和社会保障基础。

中国如果陷入类似的长期停滞，普通人的感受可能会更加沉重。

最后，我想说一个容易被忽视的事实：

一个国家最值得警惕的，不是没有高科技，而是高科技越来越先进，普通人的生活却没有同步变好。

深圳的机器人不会替居民偿还房贷，AI不会自动��决年轻人的就业，新能源汽车出口增长也不会自动修复地方财政。

经济不是几个冠军产业的成绩单。

它是企业、居民、政府、就业、消费和投资共同构成的生态。

如果上半部分越来越繁荣，下半部分却不断萎缩，那么K的两条线只会越拉越开。

深圳的繁华当然值得骄傲。

但如果我们只看见深圳的繁华，而看不见街头送快递的人，看不见买不起房、找不到工作、不敢消费的普通家庭，那就可能把产业的胜利误认为整个经济的胜利。

科技可以创造未来，但只有健康的经济生态，才能让普通人分享到未来。

[contrayes @contrayesyes]

@grok 分析全球范围���这种困境出现的原因和解决方法

[contrayes @contrayesyes]

曾经油田工作时有耳闻，做预算时是得根据乙方成本来的，如今听R哥一说，原来其他行业也存在这样类似的现象。卷是停不下来了，太恐怖…

[Rainier @mtrainier2020]

其实这个很恐怖的。很多人以为上了大量机器人，上了各种自动化设备，老板应该赚了很多钱吧。
我了解下来的情况，并没有。
只不过卷的把斩杀线又往上提了提。
因为给你报价的，采购方，已经帮你用了自动化设备之后的效率提升带来的成本降低算进去了。

比如有些钣金件的产品，在大规模黑灯工厂上线前，每个产品大概需要9块钱就可以了。但是上了黑灯工厂后，每个产品，采购价���砸到了6块钱。
设备采购成本就是100万左右。
设备采购了之后，如果不是24x7的生产，设备都不能回本。
结果就是，一个厂家赌了一把，投资了设备，然后24x7黑灯工厂，然后采购方，估算成本的时候，把你的人工成本给去掉了。给到你的钱，确保你不饿死，不接设备就折旧。
带来的结果就是，其他没上设备的厂家，在这个产品上被卷出了市场。

老板，投了设备，没有捞到超额的利润。
员工，有了设备，工作没有了。
客户，虽然产品价格便宜了，但是自己工作也是朝不保夕，能不买都不买了。

这基本上，就是中国的现状。
唯一的办法就是疯狂卷出海，然后所过之处寸草不生。
国外那些正常作息的公司，怎么跟这些公司竞争啊。

[contrayes @contrayesyes]

标签也是对认知目标客户的方式之一，但它更像一个中间体，不是直接用的。场景除了人群画像，还涵盖了人与环境的交互，当作最后落脚点是合适的。不过我也好奇，场景的下一��段又是什么？似乎没什么共识，但一定会有一个答案吧

[边淬火 @Biancuihuo]

在我们创业的过程中，
经常会到处刷到人群、需求、什么欲望、问题，
这些种种词汇。

然后会有一个我现在还觉得很奇怪的流派，
去告诉我们一定要定义一个具体的用户，
或者说你在做短视频、在写文章的时候，
要定义一个具体的观众。

这个我就一直觉得是很拧巴很奇怪的。

什么叫一个具体的观众和用户？
我是用什么东西来定义他？

我是说他28岁，程序员，
还是处男，没谈过恋爱，
手机用华为，吃饭吃老乡鸡，
钱都攒着，彩礼准备用来娶媳妇。

这算是一个画像吗？
那这个画像有什么价值呢？

在未来的营销中，
任何静态画像都会失效的。

就哪怕你是很拧巴的，
照着我上面说的这么一个所谓的画像去做的内容，
那你是做给这一个人看的吗？

你不还是在他身上摘了一两个标签，
然后用这一两个标签去做内容，
去迎合你想象中的有这一两个特质的那帮人吗？

这个东西对卖出你的产品有没有帮助，先不说。
做多了你不会自己觉得恶心吗？
属于把用户当傻逼，也把自己当傻逼了。

我们真正需要的，
其实就是定义一个场景，或者最多三个场景。
然后每个场景下面呢，
最好还有一些足够细节的事件。

��些事件带来的问题，
也就是我们的产品能解决的问题。

而我们就是守好这些场景和事件的大门。
任何遇到这种场景的，都会进来之后感到痛苦，
然后迫不及待的给我们交钱。

[contrayes @contrayesyes]

@Biancuihuo 标签也是对认知目标客户的方式之一，但它更像一个中间体，不是直接用的。场景除了人群画像，还涵盖了人与环境的交互，当作最后落脚点是合适的。不过我也好奇，场景的下一阶段又是什么？似乎没什么共识，但一定会有一个答案吧

[contrayes @contrayesyes]

@wyygwdd 这个背！

[contrayes @contrayesyes]

言简意赅
price tag everything

除此之外，结合个人经历，我认为承认、了解、共鸣产生的价值非常低，真正有能到账的利益才是被承认的价值。

[Rainier @mtrainier2020]

其实无论在中美，还是哪个现代国家，就要一定要认识到，只有自己才能对自己负责。
所有要素都是有对价的。

不要抱有任何不切实际地，白衣骑士会毫无保留地把信息差告诉你，把方法论传授给你。

阿里巴巴和四十大盗里，
阿里巴巴就和他亲哥哥也不会说宝库的秘密。
无论是学术方向，还是创业思路也好，很多时候就是一张纸，几句话，一捅就破。
如果你自己没有什么可以交换的，
那么对方凭什么要把很多信息，know how，那张窗户纸捅破给你看。

在资本主义社会，
首先需要想到的是交换。
你拿什么交换？
你的技能，你的财富，你的机会成本。
如果你没啥交换的，你当然拿不到任何东西，因为你也付不出什么东西。
为什么很多小圈子，都要有门槛，
比如有些圈子，要求入会门槛千万美元以上，一亿美元以上。
因为你有别人需要的信息，
别人也有你需要的信息。
大家可以相互交换。

所有的要素都是有price tag的。

如果你没有什么可以交换的，
那么就多思考，多分��数据，多动脑子。

[contrayes @contrayesyes]

1. 拿着结果找线索，典型的事后偏见、确认偏误，还用电视剧的背书证明自己的专业。吗的，权威个🥚，坐电梯无聊时自嗨吧；

2. 这不就是X上的营销号吗，不是搬知乎就是搬其他平台评论区��要么就套个UI模版，借其他人的发言、点赞，增强自己内容的可依赖性，一看还真像那么回事，占用我注意力的乐色；

把国内那套做号流程搬到这来了，抖音还不够你们吃吗？倒是认真做内容的反而没有那么多产出，都被你们这些低质流量占去了带��，劣币驱逐良币，遇上这种内容真是，直接屏蔽了，再见！

[contrayes @contrayesyes]

值得借鉴的…内容框架

让Agent按这个框架发帖子行啊，一些有痛点的问题+不知道什么定律/原则 or Elon Musk 说的/A/工程师说的+解决方法…

不过更重要的是，这个问题你真的也同样面临吗，它是正确的，但你需要了解它吗

[何陋轩主人 @HelouMaster]

最近参观了一些 AI 用得很成熟的团队，也研究过一些很优秀的agent和工作台。发现照搬过来完全行不通。

原因是违反了Gall定律了。

【Gall 定律：一个能正常运行的复杂系统，一定是从一个能正常运行的简单系统演化而来的。从零设计的复杂系统永远无法运行，也无法修补成可运行的状态。】

这很好地解释了为什么“抄最佳实践”经常失效。

我们看到的是别人已经长成的系统，却看不到它是怎么一步步长出来的。

那些流程、规则、Skill、Agent，很多都不是一开始规划好的，而是在业务里先跑一个简单版本，再根据一个个真实问题慢慢加出来的。

所以现在我研究优秀的 AI 团队，不关注他的大而全的工作台。而是：“他最开始解决的那个小问题是什么？下一步为什么会多出这个东西？”

成熟系统可以用来理解方向，但自己的 AI 系统，还是得从一个真正能跑的小系统开始。

复杂是长出来的，不是规划/抄出来的。

[contrayes @contrayesyes]

随记 & 请大家欣赏标准烟花

表达能力需要培养、需要锻炼，其核心路径有两条：语料的积累、表达场景的分析。我常通过后者锻炼，用gpt帮我分析对话人性格、立场、期望、目的，像一个多方博弈的游戏。

接上段，不是所有的场自己都是主角，不是所有的场自己都要做主角。

接上段，一个多人对话，数量应控制在4-5人左右，如果大家熟悉程度并不是很高，应再考虑减少。

接上段，当你足够独特，会有话找你。而当你需要主动找话时，说明这一时期自己更应该干的事情是沉淀自己。

隔行如隔山，互联网/IT的商业模式、扩张逻辑和传统制造业有很大不同，但是我目前还没有能力给出一个很完善的对话总结，留着未来总结吧。

[contrayes @contrayesyes]

@AIStarsGo 你的表达很到位，内容也富有营养，会有人有共鸣的，for example me 哈哈哈哈。在这也得批判一下x上好多的劣质内容，完全就是纯粹的奶头乐文章，像毒品，让人上瘾而无益

[contrayes @contrayesyes]

回归到个人
很值得细读的文章

[Roc @AIStarsGo]

产出 = 个人能力 x 个人精力 x 对 agent 能力的利用度
现在大家过度关注对 agent 能力的利用度了
晒太阳是我发现提高个人精力最重要的技巧

教训：一定要晒太阳，起码工作环境引入自然光
否则：睡眠推迟，眼睛酸涩，容易累

注意：眼睛酸涩直接导致我注意力下滑，阅读和理解文字的速度直接下降！

背景：因为电脑屏幕反光，我十几年来都不喜欢自然光。

发现：
1. 我经常眼睛酸
2. 哪怕刚睡醒眼睛也酸
3. 睡醒之后还是累
4. 睡醒而且哪怕早睡早起了，睡眠也会自行推迟，每天困的时间越来越晚

测试：
1. 睡醒后眼睛酸，去阳台，闭着眼睛，让阳光直射我的眼睛。大概5 分钟之后，眼睛立刻舒服了非常多！
2. 每天饭后在外面散散步，晒晒太阳，晚上会困的早一点。

依据：神经科学家 TJ Power 写的《The DOSE effect》

这是一本神���，不仅给出技巧，还从人类演化的过程解释了为什么这些技巧有效，还分析了四种神经递质对人的影响：多巴胺、内啡肽、血清素、催产素。

读完这本书让我意识到，很多时候所谓的天赋异禀，只是他们的神经递质调节的更好，可能是天生的，也可能是后天的习惯。

而我相信，通过后天的习惯的修正，也能让我们展现出超越常人的专注、精力充沛、思维敏锐。

如果你懒得读这本书，可以关注我，我会继续介绍我从这本书里学到并且自己应用后有效的经验。

李沐之前回复我，agent 是人的能力的乘法器，不是加法器，我很认可。

进一步，我意识到一种现代焦虑 ：agent 越来越强，我们作为人却进步有限，甚至没有越来越强。

我前几个月做了大量的 vibe coding，事后只感觉东西是做出来很多了，但是却感觉到莫名的空虚。

所以，在 X 上我会主要分享提高“人”本身的经验和技巧，比起 AI，我更关注人。