Sshsia

Pemenant Beta Version

[Sshsia @siegx]

SG 本地三大银行唯一能购买实物金条的UOB，10gram以下的金条已经一年多没货了，不过澳洲Perth Mint直邮服务还是可以信赖。去Perth时记得注册好会员，回来用Trust bank或0% FX的卡，计算好数量择时下单，就算包括运费保险也能买到相比UOB几乎平价

[Sshsia @siegx]

每年这时买一点。就算分散投资了。
有UOB账户的online随时都能买，5个工作日内去总行取货就行。

[Sshsia @siegx]

算了下时间，我正好也是那个月开始买的

[zerohedge @zerohedge]

That was the low of the decade

[Sshsia @siegx]

@Klaith 我用的网站是https://t.co/muc2OC4YEv 应该没问题的，本地卖票的也就viagogo，ticketmaster和https://t.co/97AG0Uv32h三家

[TravelGov @TravelGov]

Irkutsk, Russia: The U.S. Embassy is aware of press reports from the Irkutsk region of suspected pneumonic plague resulting in the death of an individual and of associated quarantine measures in, and closures of, hospitals in Irkutsk. We continue to track the situation closely. The U.S. government has limited ability to help U.S. citizens in Russia, especially outside of Moscow. The State Department’s Level 4 Travel Advisory (Do Not Travel) for Russia remains in place and states U.S. citizens currently in Russia should depart immediately. U.S. citizens planning travel to Russia are again strongly advised not to travel to Russia due to risk of wrongful detention and security concerns. More at: https://t.co/rgpoFm6YhH

[Phoenix Yin @Phoenixyin13]

鼠疫从来没有离开过那片土地。

几天前，一名伊尔库茨克抗鼠疫研究所的员工死亡，近200人被隔离。官方没有确认鼠疫是死因，当局称其为病因不明的肺炎。俄媒的说法是她刚去过布里亚特，那里靠近蒙古边境发现了疫情。
另一种说法，是实验室打碎了试管，而俄方监管机构否认发生过病原体事故。

俄罗斯境内有11个天然鼠疫疫源地，覆盖面积超过22.2万平方公里，阿尔泰、图瓦都在其中，宿主是旱獭和黄鼠。
俄罗斯上一次官方确认的人间病例是2016年，一个男孩剥旱獭皮时感染。
我可以肯定地说，这和2022年Nature古DNA的发现是同一条线。1338年伊塞克湖的祖先菌株，与天山野生旱獭上的鼠疫菌最接近。这片草原走廊，就是鼠疫几百年里的常驻居民。

俄罗斯、蒙古、中国西北、中亚至今天山山脉之间，存在着一系列延续至今的天然鼠疫疫源地。
鼠疫最特殊，也最可怕的一点就在这里。
它并不需要人类才能存在，人类只是偶然闯入这个系统的宿主而已。

维持鼠疫的是一个比城市、王朝甚至文明本身更加长寿的生态网络，那就是旱獭、鼠类、鼠兔、跳蚤，以及高山草原自身。
在这些生态系统中，鼠疫杆菌可以长期在野生动物种群之间循环。某些年份几乎沉寂，某些年份又随着宿主密度、气候、降水以及动物迁徙重新活跃。

在吉尔吉斯斯坦天山的两个天然鼠疫疫源地，研究人员在2012至2017年的连续监测中，多次从灰旱獭及其体外寄生虫中检测到鼠疫杆菌。
而在俄罗斯阿尔泰，这套系统今天仍然活着。
俄罗斯卫生部门公布的数据表明，仅2012年至2024年，戈尔诺—阿尔泰天然鼠疫疫源地的野外样本中就分离出了294株鼠疫杆菌。2024年的调查中，研究人员仍然从灰旱獭尸体以及蒙古鼠兔洞穴中的跳蚤里分离出了鼠疫杆菌。

七百年过去了，蒙古帝国消失了，丝绸之路衰落了，黑死病结束了，俄罗斯帝国建立又崩溃，苏联建立又崩溃。铁路取代了马队，飞机取代了商船，人类学会了测序基因、制造抗生素、建立负压实验室。

但是在天山、阿尔泰和蒙古高原的草原上，旱獭仍然每年从洞穴里醒来。

跳蚤仍然寄生在它们身上，鼠疫杆菌仍然在这个系统中循环。人类消灭的只是鼠疫作为一种不可控制的人类大流行病的地位。

我们从来没有消灭鼠疫本身。

[Nabeel S. Qureshi @nabeelqu]

The only generation that knows how computers work is also the most relaxed about AI:

[Freda Duan @FredaDuan]

AI Drug Discovery Is Becoming a Bottleneck Trade

I get excited when an industry starts going through a real regime change. AI drug discovery (“AIDD”) increasingly looks like one of those moments.

Two things are happening:
1/ Upstream: the frontier AI labs are piling in.
2/ Downstream: The supply chain is clearly moving.

Supply-chain checks suggest the upstream picks-and-shovels of discovery and early preclinical R&D are starting to feel the increase in experimental volume.

DNA → protein → assays → sequencing → automation → preclinical testing

Names across that stack include $TWST , @GenScript , $ILMN , $TXG , lab-automation vendors and CROs.

$TWST expects triple-digit percentage growth in AI-enabled drug-discovery orders in FY26, and another year of triple-digit order growth in FY27.

@GenScript's AIDD business doubled YoY in 1H26. Its current platform advertises industrial-scale validation of 4,000+ designs/day, with integrated sequence-to-data workflows. Our channel checks suggest the ramp is moving even faster: roughly 8,000 designs/day currently, with a path toward ~16,000/day by YE26.

---
Why does AI drive more wet-lab demand?

1/ AI makes hypothesis generation almost free → way more shots on goal.
The bottleneck is moving from expert-driven design to biological validation.

2/ AI models need continuous experimental feedback — and both good and bad data are useful.
Traditionally, only the highest-conviction A+ candidates might get pushed into expensive validation. With AI, even the B/C candidates can be valuable because failed experiments generate training data.

@GenScript has said its sequence-to-binding workflow can return data in 4–7 days, and that faster cycle times matter because AI models depend on continuous experimental feedback.

@Anthropic is a clean example. @claudeai designed 1,320 protein binders. @adaptyvbio converted those digital sequences into DNA, expressed the proteins and tested binding. Only 354 actually bound. And the 966 failures are not wasted. They are useful negative labels: what does not express, what does not bind, what has poor affinity. Those results help train the next model iteration.

3/ Wet labs are no longer just making drugs. They are making training data.
$TWST / @GenScript increasingly look like biological data foundries.

$TWST explicitly talks about generating model-ready data from AI-designed sequences. In some workflows, the customer may care less about receiving the physical protein than about getting structured experimental results back into the model.

Traditional drug discovery asks: “Does candidate X work?”

AI drug discovery also asks: “What can this experiment teach the model?”

---
TAM of AIDD

If AI is simply a better R&D tool, the relevant spending pool is the $300–400B of annual global pharma R&D. If AI meaningfully increases the number of viable drug programs, the opportunity is larger because it expands downstream demand for DNA synthesis, protein production, assays, and preclinical work.

Near term, we can also size demand from AI-company spending. If Anthropic reaches $80B of ARR in 2026 and spends just 1% on AIDD, that alone would imply ~$800M of annual investment.

---
Trade setup

This is a trade that could have long legs. It’s hard to really stop working until PhaseI/II results (2028+)

It smells a lot like the bottleneck trade we just saw in semis: GPUs → HBM → networking → power/cooling. In biology, It basically follows the drug discovery process downstream: AI models → designs → DNA/protein → assays → preclinical capacity.

After the upstream picks-and-shovels, animal testing could become the next bottleneck. Monkey prices are already near prior highs and CRO capacity is tight. AIDD pushing more candidates into preclinical development would only add demand.

?? But clinical trials are still the bottleneck?
This is the biggest pushback I keep coming back to. No matter how fast discovery becomes, drugs still need to go through preclinical → Phase I → Phase II → Phase III → approval. You still need patients, time and capital.

But that doesn’t mean the bottleneck trade won’t work. More viable candidates — especially with higher success rates — still means more demand throughout the development process.

And who knows: clinical trials themselves may eventually be optimized by AI.

?? What breaks the trade?
Near term, the picks-and-shovels trade breaks if experimental budgets stop growing, AI-generated designs don’t translate into useful wet-lab hits, or capacity catches up too quickly.

Longer term, the thesis breaks if AI drugs look great in discovery / Phase I but fail at normal rates in Phase II/III. That is why Phase II matters so much.

?? Milestones
Late 2026–2027: first Isomorphic-designed drugs enter human trials; more AI-native programs move into IND-enabling work / tox.

2028–2030: clinical trial results start telling us whether AI-designed drugs actually perform better than conventional drugs.

Calling all the "bottleneck bros". :) @jukan05 @zephyr_z9 @aleabitoreddit @ParadisLabs

+++
More comprehensive analysis: https://t.co/vaTuiyyYB6

[Andrej Karpathy @karpathy]

We'll be spending a lot more time trying to understand the outputs of language models. A few thoughts, tips & tricks:

Writing. Something I've had success with: Ask your LLM to explain something in ASD-STE100, it's a controlled language specification originally developed for aerospace maintenance documentation. LLMs well-versed in this language and it comes with heavy constraints on clean writing style that I often find a lot more readable. Sometimes I've tried to soften it a bit e.g. ask for "80% of the way to ASD-STE100" because the spec is quite stringent. But even better:

Diagrams / images. Instead of writing, ask your LLM to create a diagram. These can be a lot easier to process, parse, and understand. But even better:

Web pages. Ask for output "in HTML" to get a beautiful, interactive webpage. LLMs are getting really good at frontend and can create beautiful experiences, animations, etc. But even better:

Explainer videos. The output format I am most bullish on is fully custom / bespoke explainer videos generated on any arbitrary topic. Experiment with things like "Create a 3b1b style video explainer on X. Use my ElevenLabs API key for audio narration". (you'd need an API key for the latter or you can ask your LLM to find you decent free alternatives that use your local compute). This is actually starting to work!

In summary:
- As LLMs get better, they will do more and more of the legwork autonomously, and a lot more of our work will rise up the abstractions into oversight and understanding.
- Luckily, LLMs can help here too because as intelligence and code are increasingly abundant, you can ask for large, custom, discardable software artifacts (e.g. web apps, video explainers) that would have never made sense to create before. Push the boundaries here and you'll be surprised.

[Nassim Nicholas Taleb @nntaleb]

Actually, come to think about it, academia is populated with wimps & gamma males good at taking tests but crippled with a total absence of imagination.

[Nagi Yan @naki2012]

《下一代 OPC》

OPC，One Person Company，一人公司。

今天我们理解的一人公司，大多还是一个人干很多人的活。

一个人写内容、做产品、搞运营、接客户、做财务。AI 出现以后，这个人效率提高了，于是原本需要五个人完成的事情，现在一个人也能完成。

但这可能只是第一代 OPC。

下一代 OPC，不是一个人干掉一家公司的活，而是一个人拥有了一家公司才能拥有的生产能力。

区别很大。

过去，一个人发现了一个需求，比如家里的龟背竹缺少合适的攀爬支撑。

他能做什么？

上淘宝，买一个最接近自己需求的产品。

因为设计一个产品需要工业设计，制造需要工厂，销售需要渠道，物流需要仓储。为了一个小小的需求，组织这样一套生产系统完全不经济。

所以工业社会解决问题的基本方法，是寻找大量人的“最大公约数”。

100万人有相似的问题，生产10万个相同的东西，再卖给他们。

个体适应产品。

但我最近已经经历了另一条路径。

我先用 AI 理解龟背竹的生长机制，再让 AI 帮我换盆、调整生长环境。最后根据我的实际需求设计苔棒，用3D打印机直接制造出来。

一条非常微小的生产链已经闭合：

发现问题 → 理解问题 → 设计方案 → 制造 → 使用 → 反馈。

其中大量原本需要专业人员参与的环节，被 AI 压缩掉了。

现在把这条链继续往前推。

如果有1000个人和我遇到了类似的问题呢？

未来我可能根本不需要建立一家传统公司。

AI 可以帮助完成结构设计、仿真、打样，根据用户反馈不断修改产品；当需求从10件增长到100件，可以寻找3D打印农场；增长到1万件，自动评估是否应该开模注塑。

与此同时，另一组 Agent 可以寻找供应商、询价、质检、管理库存、处理物流和售后。

订单少的时候，这套组织可能根本不存在。

订单出现以后，几十个生产节点围绕这个产品临时连接起来。

订单结束，它们重新释放。

公司从一个固定组织，变成了一次动态组网。

这才可能是下一代 OPC。

一个人不需要拥有工厂，不需要长期雇佣几十个人，甚至不需要掌握供应链里的绝大多数专业知识。

他真正需要长期拥有的，可能只有三个东西：

发现问题的能力、定义产品的能力，以及对结果负责的能力。

剩下的生产能力，可以像今天调用云计算一样调用。

需要设计，调用设计能力。

需要加工，调用制造能力。

需要物流，调用履约能力。

需要客服，调用服务能力。

过去是人进入一个庞大的组织，才能获得这些能力。

未来可能反过来：

一个人提出足够清晰的目标，整个生产网络围绕这个目标临时形成。

这也会改变“工作”的定义。

今天大多数人的收入，本质上仍然与出售时间有关。

每天工作8小时，公司每个月支付工资。一个人的生产能力被封装进职位，再由组织把几千个职位组合成产品。

下一代 OPC 则可能形成另一种收益关系：

你解决了多少真实问题，就获得多少价值回报。

一个人设计了一个不起眼的小零件，却解决了全球30万人的生活摩擦，他完全可能获得远超一个传统岗位的收入。

他不需要管理3000个人。

甚至不需要认识制造这些产品的人。

他的核心贡献只是：

他比别人更早看见了那个问题，并给出了一个有效的解。

于是一个很有意思的变化发生了。

工业时代最重要的能力之一，是组织人。

因为生产能力分散在人身上。

你必须建立公司、划分部门、招聘员工、建立流程，才能把这些能力连接起来。

AI时代以后，越来越多生产能力开始被封装成可以调用的节点。

组织的重点就会逐渐从：

“我拥有多少人。”

转向：

“我能连接多少能力。”

公司规模也不再天然代表生产能力。

一家只有三个人的公司，背后可能实时调用几百个 AI Agent、十几家工厂、全球物流网络和大量自动化服务。

它在工商登记上只有三个人。

但从系统结构上看，它可能已经是一家跨国企业。

这时候，OPC 里的“One Person”，真正有意义起来。

它意味着：

一个人，就是一个完整的生产节点。

他观察世界，发现摩擦，提出目标。

AI 将目标展开成方案。

柔性供应链把方案投射到物理世界。

市场提供真实反馈。

AI继续修改方案。

然后进入下一轮循环。

人的工作逐渐从“亲自完成任务”，迁移到更上游：

看见什么值得做。

当“怎么做”的成本越来越低，“做什么”的价值就会越来越高。

这可能也是 AI 最终带来的巨大变化之一。

今天我们还在惊叹 AI 能写文章、画图片、做 PPT。

因为我们仍然主要在消费 AI 产生的符号。

但真正的下一阶段，是这些符号开始离开屏幕。

它们变成代码，变成机器指令，变成生产计划，变成物流路径，最终变成一个真实存在的产品。

AI 的终点，不是一段更漂亮的文字。

是现实发生了变化。

到了那个时候，我们今天熟悉的公司，可能只是工业时代留下来的一种组织形式。

下一代 OPC 的真正含义也会逐渐显现：

一个人不再需要加入一个庞大的生产系统。

他自己就是生产系统的入口。

[Spencer Gu @matrix67]

AI 用 4 分 12 秒完成了我 15 年前的梦想：制作一个可交互的汉字地图。
15 年前：https://t.co/lsMdasdLKd
15 年后：https://t.co/X50lZxffwf

[实践哥 Li @MinLiBuilds]

无敌了，我用 30 分钟，做了个给小孩订正作业的小工具。

现在这种视觉模型，已经开始够快、够便宜，可以直接拿来干活了。

我把孩子做完的作业丢给蚂蚁百灵刚开源的 Ling-3.0-flash-VL。

我没让它直接处理图片，我让它先让它看整张作业，把错题、题目区域、手写答案的位置直接输出成坐标。

后面的程序拿着这些坐标去裁图、去手写，再整理成可以重新订正的题。

这就比单纯 OCR 有意思多了。

🔥当然，现在还远没到“干死作业 App”。

它坐标可能有偏差。

但以前这种东西，你得自己接 OCR、版面分析、错题识别，甚至训练专用模型。

现在一个通用视觉模型，30 分钟就能先把整条链路跑通。

这里也有个很容易误解的地方：

视觉模型，不等于出图模型。

Ling 这种 VLM 的视觉，是它能看图片、截图、文档、视频。

它本身不是 Image 2.5 那种负责生成像素的模型。

它擅长看懂以后，把结果变成文字、坐标、代码或者动作，然后继续干活。

Ling-3.0-flash-VL 总参数 124B，但 MoE 每 token 只激活约 5.5B。

这对 Visual Agent 很重要，极为广阔的知识，以及极低的激活，能做到又快又好。

🔥再往前一步，这种模型甚至很适合当教师模型。

先让 Ling-3.0-flash-VL 批量看作业，生成错题框、手写区域、版面结构这些坐标和标注，再用这些数据训练一个更小、更快的专用模型。

先让大模型直接干活，再让大模型教小模型干活。

这个 Demo已经完全跑通了，30 分钟能做到这一步，已经无敌了。

OpenRouter现在可以免费使用Ling-3.0-flash-VL：
https://t.co/243KW96Wp7

[Sshsia @siegx]

济州岛的旅游经济要完…

[Pop EMPIRE @PopEmpirex]

There's a safety alert in Jeju Island, South Korea.

15 people are confirmed missing with 4 bodies found so far, the South Korean police is receiving a lot of backlash for their mishandling of the latest case.

Theories are pointing to a possible Serial Killer in the area.

Someone mapped out cases of missing persons on the island.

a Local claims that they're receiving a missing person alert every week.

[Sshsia @siegx]

我还记得2012那年去看还在美国上学的队友，我们两个和一对美国夫妇玩麻将🀄️结果惨败的故事😂
对面的女方有八分之一华人血统，祖上是潮州移民后代经越南牙买加再到美国，从小就陪祖母玩麻将…

[The Wall Street Journal @WSJ]

How an almost 200-year-old game became a hot commodity for teens https://t.co/HKkfaBD3ff

[Sshsia @siegx]

@zzxwill 可以的。设备下方其实有一圈强力医用胶布，黏在皮肤上密封效果挺好，不过拆下来时需要有点耐心

[Sshsia @siegx]

P1 incident…

[本杰明乌萨奇 @Corsica267]

汰汰脑子。

@LizAnnSonders 宏观数据图、就业、通胀、市场广度和长期历史对照。最能明确分辨市场表面叙事和实际动作的账号。着重推荐。

@KevRGordon 广度、板块轮动、因子表现。判断指数质量。推荐。

@LJKawa dispersion、concentration、beta.

@FedGuy12 货币市场管道，联储资产负债表，财政部，债务关系。着重推荐。

@bondstrategist 国债曲线，拍卖，机构债券市场。长端供需和美联储路径的关系。

@ConvexityMaven：MBS凸性、久期、MOVE和利率波动。

@KathyJones 债市基本逻辑。

@CollinMartinCS 信用市场。推荐。

@lisaabramowicz1 企业债发行、信用利差、融资活动和债券市场主题。着重推荐。

@KeithMcCullough 趋势、Quad、价格纪律和跨资产相关性。推荐。

@DariusDale42 增长和通胀的rate of change、regime切换和资产配置。补充前者。

@MacroAlf 利率、美元、流动性和跨资产情景。主要价值是生成可以证伪的宏观假设。

@Callum_Thomas、@MacroCharts：看跨资产图表、长期趋势和极端位置，主要用于生成问题。

@BobEUnlimited：系统宏观、增长—通胀组合、仓位和市场共识与数据之间的偏离。

新闻就路透社一家就行。

[Sshsia @siegx]

这次撸了一把苹果的羊毛
APPL的仓位也在300+的时候出掉了
非常好😌

[Sshsia @siegx]

@manateelazycat 1. 影音库分类，按年龄分级，或者自定义。2.童锁模式，或者是针对儿童的眼睛休息模式，类似固定时间段内限制播放时长，下一个时间段自动跳转到之前播放的暂停点。3. 开个脑洞，结合算力仓把电影里的某个桥段或场景用文生图或文生视频制作同人场景（换脸😂）