本文解读的是Kaiming He、Xiangyu Zhang、Shaoqing Ren和Jian Sun于2016年发表的里程碑论文《Deep Residual Learning for Image Recognition》，该论文提出的ResNet通过残差连接（Residual Connection）解决了深度网络的退化问题，将网络深度推到了前所未有的152层，在ImageNet上取得了3.57%的Top-5错误率，首次超越人类水平。ResNet不仅彻底改变了深度网络的设计范式，更为后续Transformer、生成模型等架构的残差连接奠定了理论基础。 “更深的网络应该至少不会比浅层网络更差。"——这是ResNet论文的要害所在。在ResNet之前，深度网络面临一个悖论：理论上更深的网络应该能够学习更复杂的特征，但实际中更深的网络在训练集上的错误率反而更高。这不是过拟合，而是优化困难——网络无法有效学习恒等映射。 ResNet通过残差连接解决了这一根本问题。残差块定义为 $y = F(x) + x$，其中 $F(x)$ 是残差函数，$x$ 是恒等映射。如果最优映射是恒等映射 $H(x) = x$，传统网络需要学习 $H(x) = x$，而残差网络只需学习 $F(x) = 0$，后者显然更容易。这种设计使得网络可以非常深，性能可以持续提升。 在当今大模型时代，残差连接已经成为深度网络的标准组件：Transformer的残差连接、生成模型的跳跃连接（U-Net、StyleGAN）、大模型的深度扩展（GPT-3、PaLM等模型都依赖残差连接训练深层网络）。理解ResNet，就是理解深度网络设计的核心思想。 本文将从问题根源、核心机制、解决方案、实践评估四个维度深度解读ResNet，包含完整的数学推导、梯度流动分析和实验评估，并在文末提出开放性问题与未来研究方向。 深度网络的退化问题 问题一：网络深度与性能的悖论 理论上，更深的网络应该能够学习更复杂的特征表示，性能应该更好。但实际中，随着网络加深，出现了两个严重问题： 梯度消失问题：在深层网络中，梯度在反向传播过程中指数级衰减。对于Sigmoid激活函数，$\sigma’(x) \leq 0.25$，经过 $L$ 层后，梯度最多衰减到 $0.25^L$。当 $L$ 很大时，早期层的梯度接近0，无法有效更新参数。 退化问题（Degradation Problem）：这是ResNet论文发现的新问题。实验显示，56层网络的训练误差比20层网络更高。这不是过拟合（因为训练误差也更高），而是优化困难——网络无法有效学习。 数学分析：假设最优映射是 $H(x) = x$（恒等映射），传统网络需要学习 $H(x) = x$，这需要所有层的权重矩阵都是单位矩阵，这在深层网络中很难实现。 问题二：恒等映射的学习困难 恒等映射 $H(x) = x$ 是最简单的映射，但在深层网络中学习恒等映射却非常困难。 ...

在金本位时代，稀缺的是黄金，锁死的是人类；在信用货币时代，稀缺的是人——合格、有未来、讲信用的借款人。政权可以驯化黄金、招安比特币，但无法驯化「谁才是真正的资产」这条逻辑。 本文是我最近刷到脑总的博客学习的, 真的信息量极大的一项思考盛宴. 我用记录的形式做自己的思考和汇总, 并且我也深思下我们作为普通人应该如何面对未来。本文主要线索是把货币 / 黄金 / 比特币 / 人口 / 政权五者的关系做一次系统梳理和细读，并在最后回答：普通人该怎么办——内卷与学校为何是「不得不做的入场券」，以及如何在系统之内突破个人天花板。同时本文也是我思考的汇总，我深思下我们作为普通人应该如何面对未来。 一、认知错位：为什么多数人用「大清逻辑」读现代金融 一个魔幻却常见的现象：今天的老中在理工科上已经很强——硅谷 AI 独角兽核心团队、国际奥赛领奖台，大量是华人——但在社会科学的认知，尤其是金融与货币上，很多人依然停留在「大清语境」里。 最典型的例子是宋鸿兵《货币战争》这类书：罗斯柴尔德家族控制世界、美联储是私人阴谋……地摊文学式的叙事，在国内卖了几百万册；《红色赌盘》里甚至提到，连王*山都非常推崇并推荐给省部级官员。王是社科院学者出身、长期担任金融口领导——这不是个人品味问题，而是整个精英阶层深层的防御性焦虑：在中国两千年历史语境里，从来没有独立的央行、也没有基于契约的现代金融系统。「知道」和「相信」是两回事——就像很多高知家庭依然用「上火、湿气」解释疾病，在金融领域，大家习惯用《资治通鉴》里的权谋逻辑，去解释《国富论》以后的现代经济运行：习惯找幕后大佬、信密室交易，却不愿承认现代金融的本质是制度与博弈。 这种错位，会直接导致：歧视金融、互联网、人文社科为「虚拟经济、不事生产」，只认看得见摸得着的工业产能；在货币问题上，则表现为对实物货币（金本位）的迷信——而这恰恰是理解「货币 / 黄金 / 比特币 / 人口 / 政权」的起点。 二、金本位：稀缺的是黄金，锁死的是人类 马克思的片面深刻性与金本位的死穴 马克思的理论有一定科学成分，否则不会俘获那么多高知。他用大白话推理「生产过剩」：假设一定时期内，工人创造的总商品价值是 10,000，总工资是 8,000，剩余价值 2,000 被资本家拿走；工人把 8,000 全用来消费，资本家再挥霍也只能花掉 1,000，那么社会总需求 9,000，总供给 10,000——生产过剩、消费不足。资本家可以把剩下 1,000 再投入生产（买设备也是商品），但这只是把过剩问题推迟，最终会让过剩更严重。马克思敏锐地抓住了「卖不出去」这个现象，但他的理论死穴在于：他是在金本位的框架下思考的。 在金本位时代，社会总财富在某种意义上被等同为社会总黄金。工业革命带来的是生产力的指数级爆发——以英国为例，1770–1850 年纺织业效率提高超过 200 倍、钢铁产量从每年 4 万吨到 225 万吨、铁路从无到全球数万公里——商品像雪崩一样被生产出来，但地球上的黄金开采速度是线性的。数学上的必然就是：商品增长率远大于黄金增长率，用有限的黄金去流通无限增长的商品，结局必然是价格崩塌、严重通缩。所以那个时代会不断爆发经济危机：生产过剩 → 价格暴跌 → 企业倒闭 → 工人失业，恶性循环。马克思据此预言资本主义必然灭亡；之所以没有发生，是因为不断有新金矿发现（加州、澳大利亚的「旧金山、新金山」）以及每次危机淘汰一部分低效产能，把问题一再推迟。 19 世纪的资本家 = 21 世纪的币圈 OG 用今天币圈的现象做类比，可以精准理解当时资本家的行为。在金本位下，企业家赚到利润后只要换成黄金囤起来，他占有的全球黄金比例就只增不减——全球黄金总量假设 10 万吨，他拥有 100 吨即 0.1%，只要不卖，就永远占全球总财富的 0.1%。黄金是超新星爆发的产物，不是地球能量层级能「生产」出来的；商品产出在疯狂增长，黄金购买力不断上升，囤金者的实际财富在被动增值。这像极了现在币圈早期元老：场外赚钱（挖矿或实业），全部换成比特币囤在冷钱包里打死不卖；比特币总量恒定 2100 万枚，还有人忘私钥导致有效总量越来越少——只要你囤住不卖，随着法币滥发和生产力提升，很难有任何实业投资能跑赢这种简单囤积策略。 ...

一图总览：两本书一根讲「结构」（脆弱→强健→反脆弱），一根讲「激励」（谁承担后果谁才有资格决策）。林迪效应与杠铃策略是时间检验过的智慧；普通人要做的就是保持可选性、与有切身利害的人为伍。 塔勒布说：脆弱的人寻求预测，反脆弱的人寻求选择权。风会吹灭蜡烛，却能让火越烧越旺。 《反脆弱》（Antifragile，购书链接）和《非对称风险》（Skin in the Game，购书链接）是纳西姆·尼古拉斯·塔勒布（Nassim Nicholas Taleb）思想体系的两根主轴。前者回答「在不可预测的世界里，什么样的结构能从波动中获益」；后者回答「谁有权做决策——以及谁在把风险转嫁给你」。两本书都强烈推荐给科技、经济领域的读者，尤其推荐给管理者：无论你管的是产品、团队、供应链还是投资组合，都会反复撞见「优化与冗余」「专业化与单点失败」「决策与后果分离」这些命题。下文用七层理解维度组织这篇读书笔记：你可以只读到第一层就停，也可以一路烧脑到第七层；每一层都试图做到逻辑自洽，层与层之间由浅入深，最终希望不同背景的读者都能各取所需、读得酣畅。 阅读与读者建议：若你时间有限，读到第二层即可掌握两书核心概念；若你是管理者或做产品/供应链/投资，建议至少读到第四层（实例）和第七层（如何做）；若你想理解塔勒布在思想史中的位置及与左派批判的对照，第三层、第五层不可跳过；若你关心「这些观点事后被验证了吗」，第六层专门回答。全文使用简体中文；专有名词首次出现时附英文，便于查证与延伸阅读。 第一层：两本书在说什么？ 一句话概括： 《反脆弱》：现代社会为了「效率」和「可控」而消灭冗余、消灭波动、追求强健（robust），结果系统变得脆弱——平时小赚，危机巨亏。更好的目标不是「不被击垮」，而是从波动和压力中获益（反脆弱）。书中用凸性/凹性、林迪效应、杠铃策略等概念，把这套直觉数学化、可操作化。 《非对称风险》：决策权和风险承担被系统性地分离了。专家、CEO、官僚、银行家用你的钱下注，赚了归他们，亏了归你——这就是风险转嫁。书的核心主张是：谁承担后果，谁才有资格做决策（skin in the game）；否则再多的「专业」和「理性」也只是在为转嫁风险背书。 两本书合在一起，一个讲「结构」（反脆弱 vs 脆弱），一个讲「激励」（共担风险 vs 转嫁风险）；很多现代病，两者同时在场。 第二层：核心概念 《反脆弱》的四个锚点 脆弱 / 强健 / 反脆弱 脆弱：波动越大，损失越大（凹性，concavity）。例如极限库存的供应链：平时省成本，一旦断链就停产。 强健：波动来了，尽量不变（线性）。例如「百年一遇」的防洪标准：能扛一定冲击，但不会从冲击中变强。 反脆弱：波动越大，获益越大（凸性，convexity）。例如免疫系统：适度接触病原，反而更强；完全无菌，一遇外界就崩。 林迪效应（Lindy effect） 一个东西已经存活的时间越长，预期剩余寿命就越长。传统、习俗、历久不衰的制度里，往往浓缩了我们「说不清楚但有用」的智慧；用当下理性去替换它们，常常是在用简化版替代复杂版，风险自负。 杠铃策略（barbell strategy） 不要「中等风险、中等收益」的中间地带（那里往往最凹、最容易被转嫁）。要么极端保守（绝大部分资源极度安全），要么极端冒险（小部分资源允许全损），清空中间。塔勒布自己的黑天鹅基金：九成以上放在短期国债，几个点买深度虚值看跌期权；平时小亏期权费，危机时大赚。 可选性（optionality） 保留「能试、能撤、能换」的选项，比追求「一次做对」更重要。反脆弱的人不寻求预测，而寻求选择权：在不确定中保留上行空间、限制下行损失。杠铃、分散、可迁移技能，都是可选性的具体形式。 《非对称风险》的三个锚点 Skin in the game（切身利害） 决策者必须和承受后果的人同一批。古罗马：建筑师设计的桥，建筑师要站在桥下；汉莫拉比：房子塌了压死人，建筑师的儿子抵命。一旦「设计者」和「受害者」分离，就会出现道德风险：拿别人的钱赌，赢了拿奖金，输了别人兜底。 风险社会化、收益私有化 银行太大不能倒，亏了纳税人救，赚了高管和股东拿；预售制下，开发商拿钱、政府拿地价、银行收利息，烂尾和质量风险却由购房者扛三十年。塔勒布的批判是：现代制度设计常常在系统地把下行风险转给普通人，把上行收益留给精英。 有知识的白痴（IYI，intellectual yet idiot） 有学位、会模型、活在「平均斯坦」（Mediocristan）里的人——即日常波动小、极端值罕见的世界——在「极端斯坦」（Extremistan）来临时（危机、黑天鹅）模型失效，但他们不承担后果，所以会继续给出「科学」建议。问题不在于他们不聪明，而在于激励错位：他们的报酬不与结果绑定。 这一层把两本书的「概念骨架」抽出来；下一层放到一条更大的思想脉络里，你才能理解塔勒布在跟谁对话。 第三层：论证主线与思想谱系 塔勒布站在一条有别于主流左派的现代性批判传统里。主流批判说：现代性的问题是不够激进，要用更多理性、更多计划、更多专家来改造社会。塔勒布继承的那条线说：现代性的问题是太过狂妄——不是计划太少，而是相信理性可以设计一切，从而轻视传统、地方知识和试错演化。这条线可以简化为：柏克 → 哈耶克 → 斯科特 → 雅各布斯 → 塔勒布。下面按你笔记中的精要，把每一块的论证与实例补足，方便你对照原书和后续延伸阅读。 柏克：传统智慧对抗建构理性 1790 年，埃德蒙·柏克在《法国大革命反思》里把论点归纳为三个层次，后来被反复引用。 第一，传统不是迷信，而是几代人智慧的结晶。 那些看起来「不理性」的制度、习俗、传统，是在漫长历史演化中形成的；能存活到今天，本身就说明它们有某种适应性。你用当下理性标准去审视它们，觉得不合逻辑，然后推翻、建立「理性的新制度」——但你的理性是有限的，你看到的只是表面逻辑，而传统里蕴含的智慧往往是隐性的、情境的、难以言说的。柏克举了英国普通法：不是某一位立法者设计出来的，而是一个案例一个案例累积起来的；表面上看混乱、矛盾、缺乏系统性，但正是这种「混乱」让它能适用各种具体情境、在保持连续性的同时微调。相比之下，法国大革命从零开始用理性原则制定全新法律体系，结果是频繁的宪法更替、朝令夕改、社会秩序崩溃。 第二，社会是有机体，不是机器。 启蒙时代流行一种机械论的社会观：社会像钟表，由部件组成，可以拆开、按蓝图重新组装。柏克说这是根本性错误：社会更像一棵大树，是几代人几百年慢慢长出来的，有看不见的根系、复杂的养分循环、无数微妙的平衡。你可以修剪枝叶、嫁接新枝，但不能把它连根拔起再期待重新栽种。法国大革命的错误就在于把社会当机器，按自由平等博爱的理性蓝图「重新组装」法国社会，结果则是恐怖统治、雅各宾专政、拿破仑军事独裁、欧洲连年战争。 ...

「深度学习之父」杰弗里·辛顿（Geoffrey Hinton）说：超级智能 AI 会带来大规模岗位流失、加剧不平等，我们必须重新思考人们如何获得收入与意义；全民基本收入（UBI）将「必要但不充分」——能让人不饿肚子，却补不上失业带来的尊严缺口。他主张通过对 AI 征税或设立分红，让增长被更公平地分享。 那期对谈是 2025 年 9 月 3 日发布的（访谈视频），我是偶然刷到，看完才有感而发。主持是 Ken Yang（JD/MBA，Common Wealth Canada & UBI Works 总监，@kenjaminyang），嘉宾是图灵奖得主、有「AI 教父」之称的 Geoffrey Hinton。辛顿在这期里直指超级智能 AI 会导致大规模失业、贫富分化，并呼吁把 UBI 和「钱从哪来」一起谈——对 AI 征税、用分红机制让全民分享技术红利。当时记了几段核心论点，顺带写点自己的反应；半年多过去，AI 已经铺天盖地，再翻出来看，不少话更像提前打的预防针。 一、经济学家说技术会创造新岗位，但这次可能不一样 很多人——尤其一些经济学家——会说：新技术总会消灭一些岗位，再创造一些岗位。挖沟的没了，可以去干文书。辛顿的观点是：超级智能 AI 来了，文书也能做得比人更好，那这批人接下来去干什么，并不清楚。 他举的是「平庸智力劳动」：律所里查类似案例的律师助理、呼叫中心里报酬低、培训不足、尽力回答却体验很差的客服。AI 会做得更好，而且可复制。再往外推，凡是重复、可程式化的脑力工作，通用 AI 甚至专用 AI 就能替代，更不用说「比我们强很多倍的超级智能」。所以他的结论很直接：我们很快就会看到大规模失业。生产率提高在理想状态下本该让每个人分到更多商品和服务，但在现有分配结构下，「很多穷人会失业，很多富人会更富」——这对社会非常不利。 我自己的看法：宏观上，辛顿和安德森（人口 + 生产率）看的是不同侧面——一个强调「补位」，一个强调「替代」与分配。两者可以并存：总量上技术可能补人力缺口，但分配不会自动公平，若不对征税、分红、UBI 做制度设计，大规模失业与不平等很可能先于「人人受益」发生。 二、UBI：必要但不充分——收入与尊严是两件事 主持人提到两个维度：工作带来收入，工作也带来自我认同——很多人是「以职业定义自己」的。辛顿的回应是：全民基本收入（UBI）若在很多人失业时实施，是必要的，但不足以解决全部问题。它能让人不挨饿、付得起房租，却无法弥补「失业」带来的尊严与意义感缺失。所以 UBI 是「necessary but not sufficient」——必要但不充分。 访谈里还提到威尔士的 UBI 试点：针对离开孤儿院、刚满 18 岁进入社会的年轻人，给一小群人发基本收入，对照组走常规社会福利。结果是拿到 UBI 的那组在「过渡到成年」的过程中明显更好——有基本经济安全后，在劳动力市场上更有议价空间，也更有可能去寻找更合适的工作或其它方式回馈社会。这说明 UBI 在缓冲冲击、给人们一点选择空间上是有证据的；但它确实不解决「工作本身带来的意义感」问题。 三、钱从哪来：对 AI 征税与分红 一旦大规模失业，原来靠劳动所得税支撑的财政会缩水；若还要发 UBI，钱从哪来？辛顿的主张是：钱应该来自对「替代了人类工作的 AI」的征税——用这些税来支撑 UBI 或类似保障。他也承认，大公司会对「对 AI 征税」非常抵触。 ...

网景的发明人、a16z 的 “a”，在播客里说：如果没有 AI，我们此刻该慌的是经济——人口在塌、生产力几十年没真起来；AI 和机器人恰恰在我们最需要的时候来了。 最近听了 Lenny 对 Marc Andreessen 的那期播客（访谈视频）。安德森是网景联合创始人、a16z 联合创始人，经历过浏览器大战和「软件吞噬世界」的预言成真。这期里他谈 AI 时代、人口、岗位、育儿和媒体，有几句话我记下来了，顺带写点自己的反应。 一、慌错了对象 很多人慌的是「AI 抢饭碗」。安德森的观点是：慌反了。 过去五十年，发达经济体的全要素生产率增速一直在放缓，不是加快。美国的生产率增速只有 1940–1970 年的一半、1870–1940 年的约三分之一。也就是说，统计上我们并没有活在一个「技术爆炸」的年代，而是技术对经济的实际拉动在变弱。与此同时，生育率跌破更替水平，多国面临人口收缩。没有新技术补上的话，要面对的是经济收缩、机会变少、没有新岗位——这才是更该慌的剧本。 AI 和自动化恰恰在这个时点出现：我们需要用机器补人力缺口、拉 productivity 的时候，技术来了。所以他的结论是：剩下的劳动者会更值钱，而不是更不值钱；所谓「大规模失业」的恐慌是「totally off base」，除非你假设生产率每年涨 10%、20%、50%，那种量级人类历史上从未出现过。 我自己的看法：宏观上可以接受这个逻辑——人口与生产率两条线一起看，AI 的「替代」和「补位」会同时存在。但微观上，具体行业、具体岗位的震荡不会因此消失，所以「不必慌」不等于「不用准备」。 二、AI 是「哲学家之石」 安德森打了个比方：牛顿那代人搞炼金术，想找能把铅变成金的东西——把最普通的东西变成最稀有的东西，没成。AI 做的是把沙变成思考：沙子（硅）做成芯片，芯片跑出推理和创造。最普遍的资源，变成最稀缺的「思考」。所以他说：AI 就是哲学家之石成真。 这句话把技术史和当下串在一起了。我们习惯把 AI 当成「又一种工具」；他把它当成一种质变——从「更多算力」变成「可规模化的思考」。是否同意都可，但这个比喻值得记住：它提醒我们，讨论 AI 时在讨论的不仅是效率，而是「思考」这种活动本身如何被量产。 三、PM、设计、工程师的「三国杀」 播客里有个问题：产品经理、设计师、工程师，谁会被 AI 干掉？ 安德森用了一个词：Mexican standoff（三方对峙）。每个角色都觉得自己能靠 AI 干另外两边的活——码农觉得能兼做产品和设计，PM 觉得能兼做设计和码，设计觉得能兼做产品和码。而且他说：他们某种程度上都对。能跨两三个领域的人，叠加效应会大于「双倍」「三倍」，你会变成「组合型专家」，很难被单一角色替代。 对应到个人策略：T 型或 E 型——至少一条腿特别深（比如工程），同时用 AI 把另外一两条腿拉到「够用」。不要只当「一个螺丝钉」，要让自己不可替代（他引用 Larry Summers 的「don’t be fungible」）。他还说：AI 最好的用法之一，是让它教你——「train me up」：让 AI 出题、批改、讲解，用空余时间把第二、第三技能拉起来。这和「用 AI 代劳」是同一枚硬币的两面。 四、还是要学写代码 有人问：AI 都能写代码了，孩子还要学编程吗？ ...