heyday

[fin @fi56622380]

几家AI startup其实都是照着上个时代的AI workload来做的，架构在Transformer 成为工业主范式之前就已经形成，到了LLM时代的转型期也挺艰难曲折

比如groq的主要架构基本上是17年就完成了，那是CNN的时代，架构也是以CNN/LSTM为主要的target，当时测试benchmark都是ResNet50，SRAM容量是绰绰有余的

结果进入LLM时代，一个LLAMA 70B模型的参数量占内存就相当于3000个ResNet50，就不够看了。groq幸好在片间延迟做的好，把scale out做出来了，才有了后来come back story的底层基础

到了20~21年，其实传统ML workload市场，ai 加速器已经是一片红海了 ，毕竟对硬件要求没那么高，但好在融资市场环境还很好，过的还不错

到了22~24年，这批SRAM路线的startup处境极其艰难，LLM吃掉了其他路线的份额，整个AI加速器全都是训练份额，推理市场极小，而startup们又完全无法在LLM训练上分到哪怕一点点汤，看不到前景，人员流失特别厉害，太多人在黎明前放弃

到了24~25年开始，AI 推理的市场逐渐被重视起来，startup们才开始慢慢缓过来，靠token速度刷PR，但依旧是叫好不叫座，TCO成本和Nvidia比高出一个数量级而且差距在拉大

到了25~26年，agent发展达到了一个质变拐点，推理token速度终于进入重要KPI，SRAM路线终于又焕发了第二春，Nvidia用LPU推进pareto frontier, Google TPU也开始跟进同样的路线，cerebras并不是LLM native的设计，但胜在多年积累成熟，也拿到了trainium+cerebras和openai的合作

AI startup们在迷雾中模糊的感知到一个远景方向，几经曲折，在各种山穷水尽中反复，实现的路径和方式和最初看到的已经完全不同，终于找到了属于自己的那块拼图的位置

大家也只是在19~20年附近，才开始模糊的感知到the bitter lesson，the scaling law，即便是GPT3把路趟出来了，也还是有如此多的迷雾，又经历了六年，这群AI startup才终于走出来

从后视镜回看，他们并不是精准预见了未来，而是艰难地活到了未来终于需要他们的那一刻。有一种惊心动魄而又柳暗花明的历史美感

[0x鸣人 @LuBtc888]

两万做到上亿是怎么实现的？

日内短线交易如何玩出神？

这是王何俊老师在复旦大学的一堂精华分享。

建议所有兄弟们必看，交易员必看！

[0x鸣人 @LuBtc888]

小资金如何做大？滚雪球大法！让交易滚起来！

你觉得5000块变50万跟赚500万哪个更容易？

大把人告诉你50万好赚的要死，真不一定哦。

老韭菜知道50万才是最难的，而且滚雪球大法还告诉你，如果你从5万块就学巴菲特，分散持仓一定是这个市场里最大的low逼。

今天让我们一起来学，滚雪球大法！让交易滚起来！

[投机实验室 @LabSpeculation]

顶级老交易员Larry说，他推荐大家读三本书。

一本是《股票作手回忆录》，一本是《苏黎世投机定律》。

还有一本最好的书，那就是你自己每天写下来的交易日志。

记录自己买了什么，卖了什么，为什么买，当时怎么想，错在哪里，对在哪里，然后反复复盘。
从成功和失败中学习，能够让我们更了解自己，也是成为一个优秀交易员的必经之路。

[Vincent @Vincent_AINotes]

你以为个人玩家做量化只能被机构碾压？大二学姐教你用500美元跑通AI量化系统。

[区块链行情研究 @qkl2058]

华尔街的对冲基金，给量化研究员开的年薪一般在 20 万到 65 万美元之间。

刚好，Jane Street 一位量化交易员最近在 YouTube 上传了一条 50 分钟的视频，把量化学习的完整路线图梳理得很清楚。建议你收藏下来，今天就抽时间看掉。比起 X 上那种“神奇公式”文章，这个更值得花时间。

[AI Will @FinanceYF5]

这堂 1 小时的 MIT 投资组合管理课程，是 Mathematics in Finance 系列里最值得看的一个视频。

一位前摩根士丹利交易员，用一堂课讲清了分散投资和仓位管理，胜过很多人数年才摸索明白的内容。

整套课程共 26 讲，全部免费。

建议收藏。

[爱玩股票AiWanGuPiao @aiwangupiao]

段永平看财报的逻辑，其实挺简单。他说，你只要有小学数学水平，就能学会。
​​核心就一点：看财报最主要的目的，是排除烂公司，而不是非要找出好公司。 
​​他经常举一个例子：你刮奖看到“谢”字，还会继续刮吗？
​​财报就像那个“谢”字。很多时候，你不需要看完全部，只要看到几个不对劲的地方，就可以直接pass掉，省下大量时间。
______
​​那具体看什么？段永平主要关注6个指标：
​​1. 负债 
​​公司欠多少钱？包括银行贷款、应付账款、债券等等。负债太高，风险自然大。
​​2. 净现金 
​​把该还的债都还掉，公司手里还剩多少真金白银。净现金越多，公司越安全，扛风险能力越强。
​​这两个指标主要看公司“安不安全”。
​​3. 现金流 
​​公司做生意真正流进口袋的钱。利润可以做账，现金流很难长期造假。这个指标是看公司到底有没有真的赚到钱，而不只是账上好看。
​​4. 开销合理性 
​​公司花钱是不是理智？管理费用、销售费用、研发费用，是不是花在刀刃上？管理层是不是乱投资、乱扩张、大手大脚？
​​好公司会把钱花在能产生回报的地方，烂公司的钱，花出去经常就打水漂了。
​​5. 真实利润 
​​这里指的是可持续的利润，要剔除非经常性收益（比如卖资产、政府补贴等一次性收入）。
​​举个例子，去年某家公司财报净利润很高，但里面一大半是靠卖掉一家子公司得来的，这种利润不可持续，就要剔除掉再看。
​​6. 扣除商誉后的净资产 
​​商誉是什么？就是公司收购时多花的钱，这东西是虚的，容易爆雷、容易减值。段永平喜欢资产负债表简单干净的公司，扣掉商誉以后的净资产，才是公司实打实的“硬价值”。
______
​​总结一下，段永平看财报，就是带着“排雷”心态，先确保公司安全、真实、不瞎花钱，再看它赚不赚钱、赚得稳不稳定。
​​这六个指标都不难理解，甚至不需要很深奥的财务知识。关键是养成习惯，在看任何公司前，先拿这几条筛一遍。
​​很多时候，投资不是比谁更聪明，而是比谁更清醒、更懂得避开陷阱。
​​希望对你有点启发。财报是工具，别把它当玄学，用常识判断，往往最有效。

[heyday @hey88210257]

@sydoya royal botanic garden里的那个总督府😜

[seekinganythingbutalpha @ivanalog_com]

https://t.co/MqJoDULfqU

[Forefront Society @majiajia_]

PayPal 创始人彼得·蒂尔认为，AI正终结过去200年以数学能力为核心的精英体系。工程、量化等“数学型人才”的逻辑优势被AI迅速替代，其职业护城河正在消失。未来真正的竞争力，将转向理解复杂社会语境、进行叙事与沟通、并把AI能力嵌入社会系统的“语言型人才”。

[我踏马而来 @huozhemeta]

真相太让人扎心了

[夏雪宜 @XXY177]

婚姻的本质是什么?
1，他要亲你，要摸你，要贴你，要每天盘你，在你身上咕涌，最少三四十年。
2，走出去，人家看到你俩，你们是两口子，他代表着你，你代表着他。
3，婚姻是两个成熟的人长久地相互扶持，而不是"一带一".
4，婚姻就像一座围城，里面的人想出来，外面的人想进去。
5,90%的男人不会终生只爱一个女人，维系婚姻的长久，不是爱情，而是两个人的筹码交换。能够维持一种平衡的状态，它就是一场合作。
6，底层男性结婚没得挑，只要女方的要求不是太过分的话，基本上是一拍即合。
7,80%的离异男女认为，他们婚姻的破碎是因为彼此逐渐疏远，丧失了亲密感，或是因为他们感受不到爱与欣赏。
8，婚姻不是简单的1+1=2，而是两个独立个体，在相互尊重，理解和支持的基础上，共同创造出属于两个人的新世界。
9，年轻人，不要过分理想化爱情，婚姻并不是幸福的起点，而是对人性的考验开始。
10，所有人，无论男人还是女人，都想从伴侣身上获得爱。
11，其实婚姻，你跟谁过最后都还是跟自己过，决定婚姻是否幸福，从来不是依靠外在的物质条件，而在于你是否真真正正的懂婚姻。
12，跟谁过，其实都一样。对的人不是天生的，和你相配的人是磨合出来的，世界上没有完美的另一半，只有因为相爱而彼此忍让的两个人。
13，大部分家庭都是搭伙过日子，尤其有孩子的家庭，真正婚姻质量高的家庭，比例比你想象中的要低。
14，其实爱情和婚姻，对初始的样子是我们从对父母的婚姻中来的。父母以及长辈们的婚姻模样，决定着整个家庭，甚至决定了孩子的婚姻观和爱情观。
15，男人的帅气，是岁月积累的睿智和稳重，男人的甜言并不重要，重要的是承诺是否能兑现!
16，不管是爱情，友情，亲情，一味追求纯粹关系的都会失望，都是不成熟的理想型想法。动不动以爱为名，要求关系中的相对优势者迁就包容相对弱势者，都是要求人做圣母。
17，婚姻最被人忽略的本质是：婚姻其实是很苦的。因为婚姻本质是约束了你的自我意识，很少有完全合得来的夫妻，毕竟人与人之间距离太近，都是刺猬，所以自我意识越强，婚姻越难。
另外一个解释是，人的本质是先自私再无私，婚姻的本质是先无私再自私，所以两种属性本身就是矛盾的，所以婚姻实际是苦的。
18，一切感情的延续都是利益筹码的延伸，有筹码就有感情，没有筹码就没有感情!
19，男人当然喜欢年轻漂亮的女子，但男人尊重的，永远是那些刻苦勤奋的女性。慕强，刻在每一个人的骨髓里。
20，一个不懂得爱自己的女人，再漂亮也终究是归于肤浅，最后结局只能是成为别人的禁脔，成为别人的小三，成为一个没有灵魂的躯壳。
而独立自强，刻苦努力，为自己而活的女人，那种魅力四射的感觉，深深印刻在每个人心中。
#什么是婚姻 #婚姻的本质 #现实与婚姻 #婚姻的本质是什么 #什么是婚姻 #婚姻

[傅盛 @FuSheng_0306]

李飞飞：K12教育完全是在浪费学生的时间，AI在快速证明很多东西是机器可以做到的，让人类花十几年甚至几十年的时间做一大半机器都能做到的事情，这是对人类的一种浪费。

[Ignatius Lee @22HomoPoliticus]

抖音博主“小鱼书评”社会科普：《通往奴役之路》

感谢各大知识博主们不断接力进行政治和社会科普，这些工作非常重要，其重要性不亚于前沿学术研究。我们看到近年这类高水平知识科普越来越多了，这是非常令人欣慰的事情。

感谢读者和网友们在过去几年的坚定支持。祝大家平安夜快乐和圣诞快乐！

祝愿大家在新的一年里嘉猷日新、应机豹变！同时也祝愿致力于知识科普的各大博主们在新的一年继续勇猛精进、勇攀高峰。

[宝玉 @dotey]

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。

有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。

内容比较长，但有句话我要特别放在前面高亮一下：
> AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键

如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。

唐杰的核心观点有七层逻辑。

---

第一层：预训练没死，只是不再是唯一主角

预训练仍然是让模型掌握世界知识和基础推理能力的根基。

更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。

但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。

所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。

什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。

通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。

---

第二层：Agent 是从「学生」到「打工人」的跨越

唐杰用了个形象的比喻：
> 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。

这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。

不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。

以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。

这听起来有点笨，但确实是当下最有效的路径。

Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。

---

第三层：记忆是刚需，但怎么做还没想清楚

唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。

他把人类记忆分成四层：
- 短期记忆，对应前额叶
- 中期记忆，对应海马体
- 长期记忆，分布在大脑皮层
- 人类历史记忆，对应维基百科和史书

AI 也要模仿这个机制，大模型对应的可能是：
- Context 窗口 → 短期记忆
- RAG 检索 → 中期记忆
- 模型参数 → 长期记忆

一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。

但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。

---

第四层：在线学习和自我评估，可能是下一个 Scaling 范式

这一段是唐杰观点里最前瞻的部分。

现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。

理想情况是什么？模型能在线学习，边用边学，越用越聪明。

但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。

唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。

这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。

---

第五层：AI 应用的第一性原理是「替代工种」

这是对我启发最大的一句话：
> AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键

AI 的本质不是创造新的 App，而是替代人类工作。

两条路：
1. 把以前需要人参与的软件 AI 化。
2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。

Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。

所以，明年 2026 年的爆发点在于“AI 替代不同工种”。

创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。

换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。

这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。

---

第六层：领域大模型是个「伪命题」

这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？

之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。

但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。

当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。

---

第七层：多模态和具身智能，前景光明但道路艰难

多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。

文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。

具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。

怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。

还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。

唐杰预判 2026 年这些都将取得长足进步。

---

把唐杰这篇文章串起来，其实是一张相当清晰的路线图：
当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。
近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。
中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。
长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。
远景，多模态和具身各自发展，等待技术和数据的成熟。

---

把唐杰和 Karpathy 的观点放在一起看，能看出几个共识：

第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。

第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。

第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。

第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。

不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。

两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。

2026 年，会很精彩。

[Ben X @Reportify_Xu]

对AI持怀疑态度的CNBC知名主持人，畅销书《Too Big to Fail》的作者Andrew Ross Sorkin和AI的信仰者Anthropic的创始人Dario Amodei进行了一场对谈，挺劲爆的。Andrew敢问，Dario敢答。结果，结论是OpenAI是最大的雷。为什么这么说呢？详情请见视频。

[周期教授 @Zhouqi2013]

作为一个结婚的过来人，我告诉你结婚的好处：

1.结婚后，可以过免费的夫妻生活，固定的伴侣，让身体会变得越来越健康，皮肤会变得越来越好。

2.在生活中遇到困难时，有伴侣一起面对和解决，多了一份支持和依靠。

3. 逢年过节，家里热闹许多，双方亲人相聚，欢声笑语不断，氛围感拉满。

4. 经济上能相互扶持，一起规划未来，不管是买房、旅游，都多了份助力，压力骤减。

5. 遇到烦心事，有人耐心倾听，给你温暖回应，心灵上有了避风港，情绪不再无处安放。

6. 能一起养宠物、种花草，见证生命成长，共享温馨日常，为平淡生活添彩。

7. 两人一起学厨艺，尝试新菜品，用餐时光变得更有趣，满足味蕾，滋养爱情。

8. 出门旅行，有人帮你拍照、提行李，陪你看遍山川湖海，留下美好回忆。

9. 成长路上相互督促，一起读书、健身，成为更好的自己，携手奔赴理想生活。

10. 生病时，有贴心人照顾，递水送药、嘘寒问暖，康复之路不再孤单。

[SimbaLee @lipeng0820]

🎞真正优秀的人，都不是学校培养出来的！

名校就能决定人生吗？周国平一针见血：真正优秀的人是自我成长的，而不是学校培养的。别把人生的主动权交给环境、家长或学校！

“名校虽不能决定人生，但有更优渥的人脉资源，把握住资源和机遇，即使不善读书也有机会迎来逆风翻盘的机会。”

#CyberCut 智能切片分享 - 标题和正文由@CyberCut_ai 自动生成。