思考 on Zhang's Blog

AI人物志-人文主义者李飞飞

Tue, 07 Apr 2026 20:00:00 +0800

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。

她教会了机器看见世界，却担心这个世界正在失去对人的看见。

2015年，硅谷的一个会议室里，一位穿着简单、气质干练的华裔女性正在向一群投资人展示她的新项目。屏幕上不是算法公式，而是一张张照片——一个中国女孩站在新泽西的街头，眼神中带着迷茫和倔强。

“这是16岁的我，“李飞飞说，“不会说英语，家里破产，在餐馆打工洗盘子。”

投资人们交换着困惑的眼神。他们来听AI项目，不是来听移民故事。但李飞飞继续说：“我今天站在这里，不是因为算法，而是因为有人相信了我——我的高中老师、我的邻居、整个社区。AI可以改变世界，但我们必须确保它是在帮助人，而不是取代人。”

这是李飞飞的风格。她是ImageNet的创造者，是计算机视觉领域的领军人物，是斯坦福AI实验室的主任。但她谈论AI时，总是从人开始。

从北京到新泽西：一个关于看见的故事

1976年，李飞飞出生在北京的一个知识分子家庭。她的父亲是工程师，母亲是教师。在那个年代，这样的家庭意味着稳定，但也意味着限制。

1992年，16岁的李飞飞随父母移民美国。他们带着全部积蓄——不到一千美元——来到新泽西州的一个小镇。父亲做相机修理，母亲在超市当收银员，李飞飞在餐馆洗盘子。

“那是我人生中最艰难的时期，“李飞飞后来回忆，“我不会说英语，不懂美国文化，感觉自己像个隐形人。”

但李飞飞没有放弃。她每天只睡四个小时，白天上学，晚上打工，周末去图书馆自学英语。她的高中老师发现了这个特殊的学生——一个洗盘子的小女孩，却对物理和数学有着惊人的天赋。

“我的老师帮我申请奖学金，帮我写推荐信，“李飞飞说，“他们让我相信，我可以做任何事。”

1995年，李飞飞以全额奖学金进入普林斯顿大学，主修物理。但她很快发现，自己对抽象的理论不感兴趣。她想要解决真实的问题——关于人的问题。

“物理告诉我世界如何运作，“李飞飞说，“但我想知道，我们如何理解这个世界。”

这个疑问把她带向了神经科学，然后又带向了计算机视觉。

加州理工的困惑：机器为什么看不见？

2000年代初，李飞飞在加州理工学院读博士，研究计算机视觉。

当时的计算机视觉领域正处于困境。研究者们开发了各种算法来识别图像——边缘检测、特征提取、模式匹配——但这些算法只能在特定场景下工作，换个角度、换个光照，就失效了。

“我们像是在教机器背诵答案，“李飞飞回忆，“而不是教它真正理解图像。”

问题的核心是数据。当时的图像识别算法依赖于人工设计的特征，但这些特征太有限了。人类可以识别猫，不管它是坐着、躺着、在黑暗中还是在阳光下。但机器做不到，因为它没有见过足够多的例子。

“人类通过视觉经验学习，“李飞飞想，“为什么机器不能？”

这个简单的想法，催生了ImageNet。

ImageNet：一场关于数据的革命

2006年，李飞飞在伊利诺伊大学厄巴纳-香槟分校担任助理教授。她决定做一件疯狂的事：构建一个超大规模的图像数据库。

当时的标准数据集只有几千张图片。李飞飞想要的是一百万张、一千万张、甚至更多。她相信，只有足够大的数据，才能让机器学习到真正的视觉理解。

“所有人都说我疯了，“李飞飞回忆，“他们说，标注这么多图片是不可能的，成本太高，时间太长。”

但李飞飞找到了一个创新的方法——众包。她通过互联网平台，把图片标注任务分发给全世界的网民。每张图片由多人标注，通过投票机制确保准确性。

这个项目花了两年时间和数百万美元。2009年，ImageNet终于发布——包含超过1400万张图片，涵盖2万多个类别。

“那是计算机视觉的转折点，“一位参与ImageNet的研究者说，“它证明了数据的力量。不是更好的算法，是更多的数据。”

但ImageNet的真正影响在两年后才真正显现。

2012年的夏天：深度学习的黎明

2012年，Hinton的学生Alex Krizhevsky使用深度卷积神经网络（AlexNet）参加ImageNet竞赛，以压倒性优势获胜。错误率比第二名低了10个百分点——在图像识别领域，这是代差。

深度学习革命开始了。

“ImageNet让深度学习成为可能，“Hinton后来承认，“没有ImageNet，我们无法训练这么大的模型。”

李飞飞成为了这场革命的无名英雄。但她没有沉浸在成功的喜悦中，而是开始思考一个更深层次的问题：这场革命会把我们带向哪里？

斯坦福的反思：AI的伦理困境

2013年，李飞飞加入斯坦福大学，担任AI实验室主任。在这个位置上，她看到了AI发展的另一面。

偏见。ImageNet的数据主要来自西方互联网，导致训练出的模型对非西方文化存在偏见。一个识别"新娘"的模型，主要输出的是西方婚纱；一个识别"家庭"的模型，主要输出的是白人家庭。

隐私。人脸识别技术的进步，让监控变得前所未有的容易。政府和企业可以追踪任何人的行踪，而普通人对此毫无察觉。

就业。自动化正在取代越来越多的工作，从工厂工人到白领职员。AI创造的新工作，需要更高的技能，而失业者往往无法胜任。

“我们创造了强大的技术，“李飞飞说，“但我们没有准备好如何使用它。”

这种担忧让李飞飞开始关注AI的伦理问题。她在斯坦福成立了"以人为本的AI（Human-Centered AI）“研究院，致力于研究AI的社会影响，推动负责任的AI发展。

AI4ALL：让AI属于所有人

2015年，李飞飞联合创办了AI4ALL（原名AI4ALL），一个非营利组织，旨在增加AI领域的多样性。

“AI正在塑造我们的世界，“李飞飞说，“但创造AI的人，不能只是硅谷的白人男性。我们需要女性的声音，需要少数族裔的声音，需要来自不同背景的声音。”

AI4ALL为高中生——特别是女性和少数族裔——提供AI教育项目。它不仅仅教授编程和算法，更重要的是培养学生的批判性思维，让他们思考AI的社会影响。

“技术本身是中性的，“李飞飞说，“但技术的使用是有价值取向的。我们需要更多人来参与这个价值的塑造。”

这个项目已经培养了数千名学生，其中许多人后来进入了顶尖大学，成为AI领域的研究者。

当下的沉思：人文主义者的警告

站在2026年，李飞飞对AI的发展既有期待，也有担忧。

她看到了AI在医疗、教育、环保等领域的巨大潜力。AI可以帮助医生诊断疾病，帮助老师个性化教学，帮助科学家预测气候变化。这些都是她梦寐以求的应用。

但她也看到了危险。

AI的集中化。训练大模型需要巨大的计算资源和数据，只有少数几家科技巨头能够做到。这种集中化可能导致权力的垄断，让AI成为少数人的工具。

AI的滥用。深度伪造、自动化武器、大规模监控——这些技术正在威胁个人隐私和社会稳定。

AI的异化。当AI越来越强大，人类可能变得依赖它，失去独立思考和判断的能力。

“我担心我们正在创造一个我们不理解的世界，“李飞飞说，“一个由算法决定一切的世界，而人类只是旁观者。”

她的解决方案是人文主义——把人的价值放在AI发展的中心。

“AI应该是增强人类，而不是取代人类，“李飞飞说，“它应该帮助我们成为更好的自己，而不是让我们变得多余。”

说到底：一个看见者的使命

回顾李飞飞的一生，她的核心使命始终是看见——让机器看见世界，让世界看见被忽视的人。

ImageNet让机器学会了视觉理解，这是技术上的看见。AI4ALL让少数族裔和女性进入AI领域，这是社会上的看见。以人为本的AI倡议让伦理问题进入主流讨论，这是价值上的看见。

“我16岁时感觉自己像个隐形人，“李飞飞说，“那种不被看见的感觉，我永远不会忘记。这就是为什么我相信，技术应该用来帮助那些被忽视的人。”

这种信念让李飞飞成为AI界的独特声音。当其他人谈论准确率、算力、市场份额时，她谈论人、社区、价值。她提醒这个技术驱动的行业，不要忘记技术的最终目的是服务人。

一位李飞飞的同事告诉我们：“飞飞让我明白，做AI不只是写代码。你是在塑造未来，而这个未来会影响数十亿人的生活。这种责任感，是飞飞带给我们的最重要的东西。”

全局来看，李飞飞的一生诠释了技术与人文的结合。她是顶尖的科学家，创造了ImageNet这样的技术里程碑；她也是人文主义者，始终关注技术的社会影响。在AI发展最狂热的时期，她保持清醒，提醒人们不要忘记人的价值。

她教会了机器看见世界，但她更希望这个世界能够看见每一个人——尤其是那些像16岁的她一样，感到隐形的人。

而这，就是一个看见者的最高使命。

FIN -

参考

AI人物志-强化学习之父Richard Sutton

Mon, 06 Apr 2026 20:00:00 +0800

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。

当全世界都在谈论AlphaGo的奇迹时，很少有人知道，那个让机器学会"思考未来"的人，已经在加拿大的寒风中等待了四十年。

2016年3月，韩国首尔四季酒店。AlphaGo与李世石的围棋对决进入白热化。当AlphaGo下出那手震惊世界的"神之一手"时，全球数亿观众为之疯狂。但在遥远的加拿大埃德蒙顿，一位留着胡子、穿着格子衬衫的老人只是微微一笑，然后继续在他的白板上写着公式。

他叫Richard Sutton。他是强化学习之父，是AlphaGo背后的理论奠基人。但此刻，他没有在看直播——他已经知道结果。四十年的等待，终于等到了这一天。

“AlphaGo证明了强化学习可以工作，“Sutton后来平静地说，“但我更关心的是，它还能做什么。”

马萨诸塞州的童年：一个关于选择的谜题

1957年，Sutton出生在美国马萨诸塞州的一个普通家庭。他的父亲是一位工程师，母亲是一位教师。从小，Sutton就展现出对数学和逻辑的痴迷。

但真正改变他的是一本旧书。

那是1960年代末，Sutton在图书馆的角落里发现了一本关于心理学的书。书中描述了一个实验：老鼠在迷宫中学习找到食物。Sutton被这个简单的场景迷住了——没有老师，没有标签，只有尝试、错误、和奖励。老鼠通过不断尝试，学会了最优路径。

“这就是学习的本质，“年轻的Sutton想，“不是被教导，而是通过互动。”

这个念头像一颗种子，埋进了Sutton的心里。他不知道，这颗种子将在四十年后长成参天大树。

斯坦福的困惑：监督学习的局限

1970年代末，Sutton进入斯坦福大学学习计算机科学。那是AI的第一次寒冬，但Sutton对主流的方向感到困惑。

当时的主流是监督学习——给机器大量标注数据，让它学会从输入到输出的映射。但Sutton觉得这种方法有问题：人类不是这样学习的。婴儿学走路，不是通过看一万个"正确走路"的示例；棋手学棋，不是通过记忆所有可能的局面。

人类学习是通过试错，通过与环境的互动，通过奖励和惩罚。

“监督学习假设有一个’正确答案’，“Sutton后来解释，“但现实中，很多问题的答案取决于你未来的行动。下棋时，这一步的好坏取决于你后面怎么下；投资时，这个决策的好坏取决于市场未来的变化。”

Sutton想要一种不同的学习范式——强化学习（Reinforcement Learning）。在这种范式中，智能体通过行动影响环境，环境反馈奖励或惩罚，智能体的目标是最大化长期累积奖励。

这不是简单的输入-输出映射，这是一个序列决策问题。

时序差分：在未知中寻找答案

1984年，Sutton在麻省大学阿默斯特分校读博士时，做出了他一生中最重要的贡献——时序差分学习（Temporal Difference Learning）。

核心问题很简单：如何估计一个状态的价值？在棋局中，当前局面的价值取决于从当前局面出发，最终能赢还是输。但我们不知道最终结果，我们只能一步步走下去。

Sutton的洞见是：我们可以用当前的估计来更新当前的估计。

具体来说，当我们从状态A走到状态B时，我们可以用状态B的当前价值估计来更新状态A的价值估计。如果状态B看起来很好，那么状态A也应该变得更好；如果状态B看起来很糟，那么状态A也应该变得更糟。

这种"自举（bootstrapping）“的方法看起来像是循环论证——用估计来更新估计，能收敛吗？

Sutton用数学证明了，在某些条件下，它能收敛。而且，它比传统的蒙特卡洛方法（等到游戏结束才更新）更快、更高效。

“时序差分是人类学习的方式，“Sutton说，“当我们做一件事时，我们不需要等到最终结果才知道好坏。我们可以根据中间反馈实时调整。”

这篇1988年发表的论文，成为强化学习领域的奠基之作。但当时的AI社区对此反应冷淡。

漫长的冬天：在边缘坚守

1980年代到2000年代，强化学习处于AI的边缘。

监督学习有ImageNet，有深度学习，有耀眼的成果。但强化学习呢？它只能在简单的玩具问题上演示，比如让机器人在网格世界里找路，或者让杆子在车上保持平衡。

“那时候很难，“Sutton回忆，“申请经费被拒，发表论文困难，学生招不到。人们问，‘这东西能做什么？‘我回答不了。”

但Sutton没有放弃。他相信，强化学习的问题不是理论问题，是规模问题。当时的计算机不够快，模拟环境不够复杂，算法无法展现真正的能力。

“我们需要等待，“Sutton说，“等待计算能力的提升，等待合适的应用场景。”

这个等待持续了将近三十年。

在这期间，Sutton培养了一批学生，其中最著名的包括David Silver——后来AlphaGo的核心开发者。Sutton把强化学习的火种传递给了下一代，即使他自己看不到火焰燃起的那一天。

“我告诉他们，这不是一个热门的领域，“Sutton说，“但如果你相信它，就坚持下去。”

2013年的突破：Atari游戏上的奇迹

2013年，DeepMind发表了一篇论文，震惊了整个AI社区。

他们用一个简单的强化学习算法（DQN，深度Q网络），在没有任何先验知识的情况下，学会了玩Atari电子游戏。不是一两个游戏，是几十个游戏。而且，在某些游戏上，AI的表现超越了人类专家。

Sutton看到这篇论文时，知道等待结束了。

“DeepMind证明了，强化学习可以扩展到复杂问题，“Sutton说，“不是通过更聪明的算法，而是通过深度学习来近似价值函数。”

这是Sutton理论的完美验证。时序差分学习需要估计状态的价值，但对于复杂问题（比如游戏画面），状态空间太大，无法用表格存储。深度学习提供了近似价值函数的方法——用神经网络来估计"这个画面有多好”。

DeepMind的创始人Demis Hassabis后来承认，他们的工作建立在Sutton的理论基础之上。

“Sutton是强化学习的奠基人，“Hassabis说，“没有他的工作，就没有AlphaGo。”

AlphaGo：等待四十年的答案

2016年，AlphaGo击败李世石，成为AI历史上的里程碑。

AlphaGo的核心是蒙特卡洛树搜索（MCTS）结合深度神经网络。但很少有人知道，MCTS的理论基础正是Sutton在1980年代发展的强化学习方法。

具体来说，AlphaGo使用了Sutton的**策略梯度（Policy Gradient）**方法。它不是简单地估计状态价值，而是直接优化策略——教网络"在这种情况下应该怎么下”。

“AlphaGo是强化学习的胜利，“Sutton说，“但它也是开始，不是结束。”

Sutton指出，AlphaGo的成功有几个关键因素：

完美的模拟环境：围棋规则明确，可以完美模拟。现实世界没有这么干净。
大量的自对弈数据：AlphaGo通过自己跟自己下棋，生成了数百万局数据。现实世界的数据是昂贵的。
明确的奖励信号：赢或输，一目了然。现实世界的奖励是延迟的、模糊的。

“围棋是强化学习的理想测试场，“Sutton说，“但真正的挑战在现实世界。”

当下的沉思：强化学习的下一个前沿

站在2026年，Sutton正在思考强化学习的下一个前沿。

他认为，当前的强化学习还有几个根本问题需要解决：

样本效率：AlphaGo需要数百万局游戏才能学会下棋，人类只需要几百局。如何让学习更高效？

泛化能力：AlphaGo只会下围棋，不会下象棋。如何让学到的知识迁移到其他任务？

真实世界：围棋有完美的模拟器，但现实世界没有。如何让强化学习在真实环境中工作？

Sutton的答案是：预测。

“智能的本质是预测，“Sutton说，“预测接下来会发生什么，预测行动的后果，预测什么策略会带来好的结果。”

他提出了**预测学习（Predictive Learning）**的概念——不是学习特定的任务，而是学习预测世界。这种预测能力是通用的，可以迁移到任何任务。

AI人物志-天选之人刘嘉

Sun, 05 Apr 2026 20:00:00 +0800

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。

当AI的信仰丢失20年后，一个研究大脑的人重新找到了回家的路。

2016年3月，江苏卫视《最强大脑》的录制现场，一位戴着眼镜、气质儒雅的教授正盯着监视器，眉头紧锁。屏幕上，人工智能系统正在与人类选手进行人脸识别对决。当AI以压倒性优势获胜时，现场爆发出欢呼声，但这位教授却感到一阵眩晕。

他叫刘嘉，当时是北师大心理学院院长，一个研究人脑20多年的脑科学家。那一刻，他意识到一件事：丢失20年的信仰，回来了。

“我当时以为AI还是一如既往的弱智，“他后来回忆，“结果它已经在最强大脑的赛场上击败了人类。那种感觉，就像你一直以为走丢的孩子已经死了，突然有一天，他站在你面前，而且比你想象的更强大。”

北大的第一堂神经网络课：一个被遗忘的名字

刘嘉的AI故事，要从1994年说起。

那一年，刘嘉还是北京大学心理学系的学生。他对数理充满热情，但心理学的课程让他失望——“太文科了，不讲逻辑，太哲学思辨”。他一度想转去学计算机，直到他偶然选了一门课。

那门课叫"人工神经网络”，授课老师是一位刚从日本做完博士后回国的年轻教师。刘嘉至今记得那间教室的位置，记得黑板上画着的神经元连接图，记得那种"终于找到组织了"的激动。

“那是我国内可能第一门人工神经网络的课程，“刘嘉回忆，“老师的样子我都记得，但名字全忘了。”

这个被遗忘的名字，改变了刘嘉的一生。人工神经网络完美契合了他的背景——既有心理世界的复杂性，又有理科的严谨逻辑。他决定把神经网络作为一辈子的事业。

但命运弄人。就在刘嘉准备投身AI时，他遇到了Marvin Minsky。

MIT的低谷：信仰被亲手埋葬

1995年，刘嘉来到MIT读研究生。他满怀憧憬，想要跟随AI界的教父Marvin Minsky学习神经网络。但他不知道的是，Minsky对神经网络"深仇大恨”，而当时的AI正处于最后一次寒冬。

“我去见Minsky的时候，他非常depressed，“刘嘉回忆，“我问他做AI应该选哪个方向，他说他自己也不知道promising的方向在哪里。”

Minsky建议刘嘉去学脑科学——“脑科学太好了，有太多frontier可以探索”。刘嘉听从了这个建议，留在了脑与认知科学系。但他没有意识到，这个选择意味着与AI的20年分离。

“我当时并没有底层的逻辑或信念，“刘嘉后来反思，“只是觉得神经网络很酷，但一旦大家说这东西不行，特别是像Minsky这种权威说AI不行，我就没细想，然后放弃掉了。”

那是AI的最后一次寒冬，90%以上的人都放弃了。刘嘉也是其中之一。

20年的弯路：从脑科学到《最强大脑》

接下来的20年，刘嘉把AI"彻底给忘记了”。

他专注于脑科学研究，从MIT博士毕业，回国任教，先在中科院，后去北师大。他研究视觉认知、神经机制、大脑的可塑性，发表了大量论文，成为脑科学领域的权威。2015年，他甚至成为北师大心理学院院长，行政职务一片坦途。

但刘嘉心里始终有一个空缺。那个1994年在北大课堂上点燃的热情，那个关于人工神经网络的梦，被深埋在心底，几乎被遗忘。

直到2016年，《最强大脑》的人机大战。

“当时我们想做一个酷炫的节目，想到了人机大战，“刘嘉回忆，“其实我对AI的进展、对深度学习了解基本上为0，当时以为AI还是一如既往的弱智。”

结果让他震惊。AI在人脸识别上超越了人类最顶尖的高手。而那一年，正是AlphaGo击败李世石的年份。

“这两件事情结合起来，让我重新回到了20年前，“刘嘉说，“丢失20年的信仰，回来了。”

信仰的重建：从Hinton的传记中找到底层逻辑

2016年之后，刘嘉开始疯狂地补课。他读深度学习的论文，学习神经网络的新进展，试图理解这20年发生了什么。

但他很快发现，技术细节不是最重要的。重要的是理解为什么——为什么深度学习突然行了？为什么神经网络在20年后复活了？

“我看了半天也没看明白啥，“刘嘉承认，“后来我想应该从Hinton的传记史里面入手。”

他研究了Geoffrey Hinton的历史，看了Yann LeCun和Yoshua Bengio的背景。但Hinton的经历最触动他——那个在AI寒冬中孤独坚守40年的人，那个即使被全世界嘲笑也不放弃的人。

“Hinton有一句话对我触动特别大，“刘嘉说，“别人问他为什么要坚持做人工神经网络，他说：‘人的大脑就是这么工作的，没理由人工神经网络不这么工作。’”

这句话道出了底层逻辑：人工神经网络不是仿生，而是对智能本质的回归。

刘嘉突然明白了。他20年的脑科学研究不是弯路，而是必要的准备。正因为研究了大脑，他才能真正理解为什么深度学习有效——因为大脑就是这么工作的，神经元连接、学习、涌现智能。

“我找到了我的底层逻辑，“刘嘉说，“当年就应该选人工神经网络来做。至于Hopfield网络还是其他，都不重要。只要底层架构对了，其他都是技术问题。”

辞掉院长：不想错过这个时代

找到底层逻辑后，刘嘉做了一个让所有人震惊的决定：辞去北师大心理学院院长的职务。

“我当时不到45岁，级别做得比较高，从行政的路来讲是一片坦途，“刘嘉解释，“但我想，不能在那上面浪费时间。”

学校不允许他辞职。刘嘉花了一年时间，每两天给大书记发一次短信，“你赶紧批准吧”。最终，他成功了，成为一个普通的教授，把所有行政职务全部辞掉。

“现在是最伟大的时代，“刘嘉说，“为什么说要把所有的行政职务全部给辞掉？道理非常简单——不想错过这个时代。”

2019年，刘嘉加入清华，成为脑与智能实验室的负责人。清华的AI很强，但脑科学比较弱；刘嘉的脑科学很强，但AI比较弱。这是一个完美的互补。

“我和清华之前完全没有任何交集，“刘嘉说，“但我觉得那是一个很好的地方。”

降临派的天选之人：脑科学+AI的融合

刘嘉把自己称为"降临派”——相信AI终将超越人类，而人类应该迎接这个未来。

但与其他降临派不同，刘嘉的信仰有坚实的科学基础。他认为，光靠Transformer堆数量是不够的，神经元的质量需要脑科学的借鉴。

“我们可以堆数量，但是光靠堆数量是不行的，还要去提升质量，“刘嘉说，“这时候需要脑科学的借鉴。”

他指出了当前AI的三大缺陷：

缺乏复杂度：Transformer没有动力学，没有偏微分方程，而生物神经网络是四维的（三维结构+时间）。

缺乏长程反馈：人脑40%是长程feedback连接，而Transformer接近零。

缺乏并行加工：Transformer只能串行predict next token，而人类有快速的并行加工系统。

“这三个东西是目前人脑和人工神经网络最大的区别，“刘嘉说，“而这三个东西，导致我们现在做脑机接口和机器人最大的瓶颈。”

刘嘉认为，AI要进入下一个阶段，必须有一场基于脑科学的启蒙运动——就像当年脑科学启蒙了感知机、卷积神经网络一样。

“我觉得下面还需要一个脑科学，在第一系统上面对AI有一个启蒙，“刘嘉说，“这个启蒙一旦完成了，AI才会变成一个真正的AI，或者真正的物种。”

当下的沉思：与AI共生是最难的课题

站在2026年，刘嘉正在拼命思考一个课题：怎么和AI对话，怎么和AI共生。

“很难很难，“他承认，“很多人觉得能够用AI就叫AI原生，那就是瞎扯。AI原生是一种思维范式的、一种根本性的改变。”

刘嘉把与AI的关系比作"谈恋爱”——不是工具的使用，而是伙伴的合作。AI不是word、不是PPT，它有能动性，有创造力，有"小性格”。

“她就像一个小女生一样，你今天对她还好好的，你说句话她还挺开心，你明天说同样的话她就给你使脸色，“刘嘉形容，“那一定是我philosophy哪儿没做对。”

这种困惑是普遍的。AI时代，“小术易求，大道难得”——各种工具、技巧层出不穷，但从底层理解AI的philosophy，反而成为这个时代最困惑的问题。

“全世界所有的人，现在都没有这个philosophy，“刘嘉说，“大家都是在摸索的过程中。但有些人走到前面，他有更深刻的理解。”

刘嘉希望成为那个"走到前面"的人。他用20年研究人脑，用20年远离AI，然后在2016年重新找到信仰。这种经历让他有独特的视角——既懂脑科学，又懂AI；既懂人的智能，又懂人工智能。

“如果从一个降临派的角度来说，我的那个歧路可能是必要的安排，“刘嘉说，“从头到尾没有放弃过信仰，但是需要去学习别的东西，从而可以帮助AI更好的发展。”

说到底：一个天选之人的使命

刘嘉的故事，是一个关于信仰与弯路的故事。

AI人物志-教父Marvin Minsky

Sat, 04 Apr 2026 20:00:00 +0800

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。

他是人工智能的命名者，却亲手扼杀了它的第一个春天。

1956年夏天，达特茅斯学院的一间会议室里，四位年轻人正在讨论一个疯狂的想法：让机器像人一样思考。他们中有数学家、信息论专家、神经科学家，还有一个刚刚从哈佛毕业的年轻人——Marvin Minsky。

会议持续了八周，没有产生任何实质性的成果。但Minsky提出了一个词，改变了历史：人工智能（Artificial Intelligence）。

“我当时只是想找一个词来描述我们要做的事，“Minsky后来回忆，“没想到它会变成这么大的一个领域。”

他更没想到的是，二十年后，他会成为这个领域的"杀手”。

哈佛的天才：一个关于心智的谜题

1927年，Minsky出生在纽约的一个犹太家庭。他的父亲是一位眼科医生，母亲是一位艺术家。从小，Minsky就展现出惊人的天赋——他读遍了家里的所有书籍，从医学到艺术，从哲学到数学。

但真正改变他的是一台玩具。

那是1940年代，Minsky的父亲给他买了一台显微镜。年轻的Minsky开始观察一切——昆虫的翅膀、植物的细胞、自己的皮肤。但他最着迷的不是这些实物，而是观察本身。

“我看着显微镜，突然意识到一个问题，“Minsky后来写道，“我在用我的眼睛观察细胞，但我的眼睛也是由细胞组成的。那么，是什么在观察？”

这个关于自我的谜题，成为Minsky一生的追求。他想知道心智是如何工作的，意识是如何产生的，智能是如何涌现的。

1946年，Minsky进入哈佛大学。他主修数学，但他的兴趣遍布所有学科。他听神经科学的课，参加哲学的讨论，在心理学实验室做实验。他想要找到一个统一的框架，来解释所有关于心智的问题。

“我当时相信，智能是可以被形式化的，“Minsky回忆，“如果我们能描述心智的规则，我们就能在机器上实现它。”

这是符号主义AI的核心理念，也是Minsky一生的信仰。

达特茅斯：一个夏天的野心

1956年的达特茅斯会议，是AI历史上的里程碑。但很少有人知道，这次会议几乎是一场灾难。

会议的组织者是John McCarthy，一位年轻的数学家。他邀请了Minsky、Claude Shannon（信息论创始人）、Nathaniel Rochester（IBM首席设计师）等人，希望讨论"如何让机器模拟人类智能的各个方面”。

但会议开始后，大家发现根本不知道该讨论什么。每个人对"智能"的理解都不同，每个方向看起来都充满可能。争论持续了八周，没有达成任何共识。

“那是一次失败的会议，“一位参与者后来承认，“但Minsky拯救了它。”

Minsky做了什么？他提出了一个框架。他说，智能可以被分解为几个核心问题：推理、知识表示、学习、语言理解。每个问题都可以被独立研究，最终组合成一个完整的智能系统。

这个框架让混乱的讨论有了方向。它也成为符号主义AI的路线图，影响了接下来二十年的研究。

“Minsky的天才在于抽象，“一位AI历史学家评价，“他能把复杂的问题简化成可管理的部分。这种能力在科学史上是罕见的。”

MIT AI Lab：符号主义的黄金时代

1959年，Minsky和McCarthy共同创立了MIT人工智能实验室。这是世界上第一个专门研究AI的机构，也是符号主义AI的大本营。

在接下来的二十年里，MIT AI Lab诞生了无数传奇。Minsky的学生们开发了最早的专家系统、自然语言处理程序、机器人视觉系统。他们相信，只要积累足够多的规则，机器就能拥有通用的智能。

Minsky本人也做出了重要贡献。他开发了框架理论（Frame Theory），一种知识表示的方法；他设计了Snarc，最早的神经网络模拟器之一；他写了《心智社会（The Society of Mind）》，一本试图解释意识如何产生的哲学著作。

“那是一段令人兴奋的时光，“一位Minsky的学生回忆，“我们相信自己在创造历史。Minsky告诉我们，智能的奥秘就在我们眼前，只要再努力一点，就能揭开它。”

但Minsky的自信背后，隐藏着一种傲慢。他相信符号主义是正确的道路，其他方向都是歧途。特别是神经网络——那种模仿大脑结构的"连接主义"方法，在Minsky看来是"不科学的”。

“神经网络只是统计学，“Minsky在一次演讲中说，“它没有告诉我们任何关于智能本质的东西。”

这种偏见，最终导致了AI历史上最大的悲剧之一。

《感知机》：一把双刃剑

1969年，Minsky和Seymour Papert出版了《感知机（Perceptrons）》一书。这本书用严格的数学证明，指出了单层神经网络的致命缺陷：它们无法解决简单的异或（XOR）问题。

从技术角度，这本书是正确的。单层感知机确实有局限性，需要多层结构才能解决复杂问题。但Minsky和Papert的表述方式——强调神经网络的"不可能性”，而不是讨论如何改进——给整个领域泼了一盆冷水。

“那本书杀死了神经网络研究，“一位经历过那个时代的科学家说，“Minsky是当时AI界的权威，他的话有决定性的影响。当他说神经网络是死胡同时，没有人敢继续研究它。”

神经网络进入了第一次"寒冬”。研究经费被削减，学术职位消失，年轻的研究者被迫转行。Hinton后来回忆，他在1970年代几乎找不到任何关于神经网络的论文，因为"那个领域已经不存在了”。

Minsky知道这本书的影响，但他从未为此道歉。“我只是在陈述事实，“他坚持，“如果神经网络研究者不能解决这些问题，那他们就不应该继续。”

这种冷酷让许多人感到愤怒。但Minsky不在乎。他相信真理比人情更重要，即使这个真理可能伤害了别人。

1980年代：一个教父的困惑

1980年代，专家系统的成功让AI迎来了第二次春天。Minsky似乎被证明是对的——符号主义确实可以产生实用的系统。

但Minsky本人并不满意。

专家系统只能在特定领域工作，它们没有通用智能，不能学习新知识，不能理解常识。Minsky想要的不是这种"窄AI”，他想要的是真正的智能——像人类一样灵活、创造性、有自我意识的智能。

“我们在建造工具，不是在理解心智，“Minsky在一次会议上抱怨，“这不是我想要的AI。”

这种困惑让Minsky在1980年代陷入了一种奇怪的境地。他仍然是AI界的权威，但他的研究方向与主流脱节。他继续研究知识表示、意识理论、心智哲学，但这些工作越来越抽象，越来越远离实际应用。

一位Minsky的同事回忆：“那是一段孤独的时期。Minsky还在MIT，但他不再是那个引领潮流的人。他在思考一些太超前的问题，而业界只关心眼前的应用。”

更讽刺的是，神经网络在1980年代复活了。反向传播算法的出现让多层神经网络变得可行，Hinton、LeCun、Bengio等人开始取得突破。Minsky曾经的"受害者"们，正在证明他错了。

Minsky的反应是沉默。他不再公开批评神经网络，但他也不承认自己的错误。他继续走自己的路，研究符号主义，研究心智哲学，等待符号主义的复兴。

那个复兴从未到来。

2000年代：一个老人的守望

进入21世纪，Minsky已经七十多岁。他仍然活跃在学术界，但他的影响力已经大不如前。

深度学习在2010年代的爆发，彻底终结了符号主义的时代。神经网络在图像识别、语音识别、自然语言处理等领域全面超越符号方法。Minsky曾经嘲笑的"统计学”，正在成为AI的主流。

Minsky对此的反应很复杂。一方面，他承认神经网络的成就；另一方面，他坚持认为这些系统没有真正理解任何东西。

“它们只是在模式匹配，“他在2010年的一次采访中说，“它们没有概念，没有推理，没有自我。这不是智能，这是高级的计算。”

这种批评有一定的道理。大语言模型确实缺乏常识推理、因果理解和真正的创造力。但Minsky的问题在于，他也没有提供替代方案。符号主义在理论上优雅，但在实践中失败。神经网络在实践中成功，但在理论上不透明。

“Minsky被困在自己的框架里，“一位AI研究者评价，“他太相信符号主义了，以至于无法看到其他可能性。这是一个悲剧——一个如此聪明的人，却被自己的偏见限制。”

2016年，Minsky去世，享年88岁。他没有看到AlphaGo击败李世石，没有看到GPT的爆发，没有看到AI成为全社会的焦点。从某种意义上，这是幸运的——他不必面对符号主义的彻底失败。

AI人物志-理论家Yoshua Bengio

Fri, 03 Apr 2026 20:00:00 +0800

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。

当工程师们在调试代码、哲学家们在争论本质时，一个理论家在寻找数学上的必然。

2018年12月，蒙特利尔的一间会议室里，三位老人正在等待一个改变他们一生的电话。Geoffrey Hinton在多伦多，Yann LeCun在纽约，而Yoshua Bengio就在这里——他的家乡，他工作了三十年的城市。

电话响了。图灵奖。三人共享。

Hinton的反应是困惑，LeCun的反应是兴奋，而Bengio的反应是——沉思。“这证明了一件事，“他后来对一位同事说，“坚持正确的理论，时间会站在你这边。”

这是Bengio的风格。他不追求轰动，不追求速度，他追求理解。

蒙特利尔的冬天：一个数学家的选择

1964年，Bengio出生在巴黎，但他的童年在蒙特利尔度过。那是加拿大最寒冷的城市，冬天漫长而黑暗。年轻的Bengio喜欢在室内读书——数学书、物理书、任何他能找到的科学书籍。

“我从小就知道我想做研究，“Bengio回忆，“不是应用，是纯粹的研究。我想理解事物为什么是这样。”

这种追求把他带向了机器学习。1980年代末，当Bengio在麦吉尔大学读博士时，神经网络正处于第一次寒冬。但Bengio看到了别人忽略的东西：不是神经网络本身，而是学习的过程。

“Hinton关注的是结构，LeCun关注的是应用，“一位曾与Bengio共事的研究者分析，“而Bengio关注的是——学习到底在发生什么？”

这是一个理论问题，也是一个根本问题。如果神经网络能学习，那它学到了什么？它如何表示知识？这种表示与人类智能的表示有何不同？

Bengio花了十年时间回答这些问题。

表示学习：在黑暗中寻找光

1990年代，Bengio在AT&T贝尔实验室与LeCun共事。那是深度学习最黑暗的时期，但Bengio没有放弃。他开始研究一个当时几乎无人关注的领域：表示学习（Representation Learning）。

核心问题很简单：当神经网络学习时，它在内部构建了什么样的表示？这些表示为什么有效？

“大多数人只关心网络的输出，“Bengio解释，“但我关心的是中间层。当网络识别一张猫的图片时，它的第一层在学习边缘，第二层在学习纹理，第三层在学习形状——这种层次化的表示，就是智能的本质。”

Bengio在2000年代初发表了一系列论文，奠定了表示学习的理论基础。他证明了，好的表示应该具有某些数学性质：平滑性、稀疏性、可分解性。这些性质让神经网络能够泛化，能够从有限的例子中学到通用的规律。

“Bengio的贡献是建立了一座桥梁，“一位深度学习研究者评价，“一边是工程实践，一边是数学理论。他让我们理解为什么深度学习有效，而不只是知道它有效。”

但这座桥梁在当时几乎无人通行。2000年代，支持向量机统治着机器学习领域，神经网络仍然被视为"黑箱”。Bengio的论文引用寥寥，他的学生毕业后找不到工作。

“那是我最困难的时期，“Bengio承认，“但我知道我在做正确的事。理论不会过时，只有应用会。”

注意力机制：一个理论的意外应用

2014年，Bengio做出了一个让他自己都感到意外的贡献——注意力机制（Attention Mechanism）。

当时，Bengio正在研究神经机器翻译。传统的序列到序列模型有一个瓶颈：输入序列的所有信息必须被压缩成一个固定长度的向量。对于长句子，这会导致信息丢失。

Bengio提出了一个简单而优雅的解决方案：让模型选择性地关注输入序列的不同部分。当翻译一个词时，模型可以"看"回原文的相关部分，而不是依赖一个压缩的表示。

“这不是工程技巧，“Bengio强调，“这是关于选择性的理论。人类智能的核心就是选择性——我们无法处理所有信息，我们必须选择重要的部分。”

注意力机制彻底改变了自然语言处理。2017年，Google的Transformer架构完全基于注意力机制，开启了大规模语言模型的时代。今天，从GPT到Claude，所有的大语言模型都建立在Bengio的理论基础之上。

但Bengio对注意力机制的流行感到复杂。“它被滥用了，“他说，“人们把它当作万能药，但注意力只是智能的一部分。我们还需要因果推理，还需要世界模型，还需要很多其他东西。”

这种谨慎是Bengio的标志。当业界为大语言模型欢呼时，他保持冷静；当投资人为AI疯狂时，他提出警告。他不是反对进步，他反对的是盲目的进步。

因果推断：下一个前沿

2019年，Bengio做出了一个让同行惊讶的决定：他把研究重心转向了因果推断（Causal Inference）。

这是一个与深度学习完全不同的领域。因果推断研究的是如何从数据中发现因果关系，而不仅仅是相关性。 Judea Pearl——因果推断的先驱——曾批评深度学习只是"曲线拟合”，没有真正理解世界。

Bengio同意这个批评。“深度学习让我们能够预测，“他说，“但它不能让我们理解为什么。如果我们想要真正的智能，我们需要因果推理。”

这个转向在深度学习社区引起了争议。有人质疑Bengio是不是"背叛"了深度学习，有人担心他正在远离主流。但Bengio不为所动。

“科学不是时尚，“他回应，“我们不能因为某个方向流行就追随它，因为某个方向不流行就放弃它。因果推断是智能的基础，无论它是否流行，我都必须研究它。”

过去五年，Bengio在因果推断和深度学习的交叉领域做出了开创性工作。他提出了"因果表示学习"的概念，试图让神经网络不仅学习统计规律，还学习因果结构。

“这是下一个十年最重要的方向，“Bengio预测，“当AI系统能够进行因果推理时，它们将不再是工具，而是真正的智能体。”

在Hinton和LeCun之间：第三条路

回顾Bengio的职业生涯，他的位置很独特——在Hinton和LeCun之间，在理论和应用之间，在坚持和开放之间。

Hinton是先知，他相信神经网络的潜力，愿意为之孤独地等待。LeCun是工程师，他相信实践的力量，愿意为之不断地构建。而Bengio是理论家，他相信理解的价值，愿意为之耐心地探索。

“我们三个人代表了深度学习的三个维度，“Bengio曾这样描述，“Hinton是深度，LeCun是广度，我是连接。我试图理解深度和广度背后的原理。”

这种连接让Bengio成为深度学习社区的关键人物。他创办了ICLR（国际学习表示会议），这是深度学习领域最重要的学术会议之一。他培养了大量学生，其中许多人成为了业界的领军人物。他坚持开源和开放科学，让深度学习的研究成果能够被全世界共享。

但Bengio最珍视的角色是教育者。他在蒙特利尔大学任教三十年，每年都给本科生上课。“理论必须被传承，“他说，“如果只有我一个人理解，那我的研究就没有意义。”

当下的沉思：理论的黄昏还是黎明？

站在2026年，Bengio面临着与Hinton和LeCun不同的挑战。

大语言模型的成功让许多人质疑理论的价值。“为什么我们需要理论？“一些工程师问，“只要堆更多的数据、更大的模型，性能就会提升。”

Bengio不同意这种观点。“这是短视的，“他说，“没有理论指导，我们只是在盲目地试错。我们需要理解为什么大模型有效，它们的局限在哪里，如何改进它们。”

他指出了当前AI的几个根本问题：

泛化问题：大语言模型在训练数据上表现很好，但在分布外的数据上常常失败。为什么？因为我们不理解它们真正学到了什么。

因果问题：大语言模型能够生成流畅的文本，但它们不理解因果关系。它们知道"火导致烟”，但它们不知道为什么。

效率问题：训练大模型需要巨大的计算资源。如果我们理解学习的本质，也许可以用更少的资源达到同样的效果。

“这些问题需要理论来解决，“Bengio坚持，“不是更多的数据，不是更大的模型，是更深的理解。”

但Bengio也承认，当前的理论研究面临困境。大模型太复杂了，超出了传统数学工具的适用范围。我们需要新的理论框架，新的数学工具，新的思维方式。

“这是理论的黄昏，也是理论的黎明，“Bengio说，“旧的理论不够用了，但新的理论正在诞生。这是最令人兴奋的时刻。”

说到底：一个理论家的坚守

Bengio的故事，是一个关于耐心的故事。

当工程师们急于构建系统时，他选择先理解原理。当业界追逐热点时，他选择坚持基础。当大模型的成功让理论显得无用时，他选择相信理论的价值。

这种耐心不是固执，而是一种更深层的信念：知识的积累是渐进的，真正的理解需要时间。

“我年轻时想要快速成功，“Bengio回忆，“我羡慕那些发表论文、获得关注的人。但随着年龄增长，我意识到，真正重要的不是速度，是深度。一篇深刻的论文比十篇肤浅的论文更有价值。”

这种哲学影响了Bengio的整个职业生涯。他不追求论文数量，他追求论文质量。他不追逐研究热点，他追求根本问题。他不关心个人名声，他关心知识的传承。

一位Bengio的学生告诉我们：“他教会我最重要的一课是——做研究不是为了发表，是为了理解。如果你真正理解了一个问题，发表是自然的结果。”

全局来看，Bengio的一生诠释了理论的价值。在深度学习的三次浪潮中，他始终站在幕后，不追求聚光灯，但提供了不可或缺的支撑。他的表示学习让深度学习有了理论基础，他的注意力机制让自然语言处理有了突破，他的因果推断研究正在为AI的下一个阶段铺路。

AI人物志-工程师Yann LeCun

Thu, 02 Apr 2026 18:09:00 +0800

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。

当理论家还在争论神经网络是否可行时，一个法国工程师已经让机器看清楚了世界。

1989年，新泽西州霍姆德尔镇的一栋灰色办公楼里，一位留着长发、穿着皮夹克的法国年轻人正在向一群西装革履的银行家演示他的"疯狂想法"。他面前是一台笨重的计算机，屏幕上跳动着一串串手写数字。当机器准确识别出那些潦草的字迹时，银行家们交换着困惑的眼神——他们不知道，自己刚刚见证了人工智能历史上最重要的突破之一。

这位年轻人叫Yann LeCun。他带来的不是理论论文，而是一个能工作的系统。“我不在乎它为什么工作，“他后来回忆当时的想法，“我只在乎它确实工作了。”

这是工程师的思维，也是LeCun一生的注脚。

巴黎的地下实验室：一个工程师的觉醒

1960年，LeCun出生在法国巴黎郊区的一个普通家庭。与Hinton的"天才家族"不同，LeCun的童年没有什么传奇色彩。他喜欢拆东西——收音机、电视机、任何他能拿到手的电子设备。“我不是想修好它们，“他说，“我只是想知道它们是怎么工作的。”

这种好奇心把他带向了工程学。1980年代，LeCun在巴黎的ESIEE工程学院学习电气工程。那是一个AI的寒冬，神经网络被视为死路，但LeCun在一个偶然的机会接触到了一本关于认知科学的书，书中提到了一种模仿人脑视觉皮层结构的算法——卷积神经网络。

“我当时就想，这东西太美了，“LeCun回忆，“它不是抽象的数学，它是可以实现的。”

与Hinton不同，LeCun没有被神经网络的"不可解释性"困扰。作为一个工程师，他关心的是效果，而不是原理。如果一种方法能让机器学会识别图像，那它就是好方法——至于为什么，可以以后慢慢研究。

这种实用主义态度让LeCun在1985年做出了一个大胆的决定：他要去见Geoffrey Hinton。

多伦多的那个夏天：两个偏执狂的相遇

1985年的夏天，LeCun带着自己写的代码来到多伦多大学。他敲开了Hinton办公室的门，两个改变AI历史的人第一次面对面。

“他看起来像个嬉皮士，“Hinton后来回忆，“长发、皮夹克，说话带着浓重的法国口音。但他眼睛里有火。”

LeCun向Hinton展示了他对卷积神经网络的改进。当时的神经网络研究主要集中在全连接网络，但LeCun意识到，对于图像识别这种任务，全连接是低效的——图像中的相邻像素有天然的关联性，应该被一起处理，而不是分别处理。

Hinton被震动了。“他解决了我在论文里提到但没有解决的问题，“Hinton说，“这个年轻人不只是理解了我的理论，他超越了它。”

那个夏天，LeCun和Hinton一起工作，完善反向传播算法，探索多层网络的训练方法。但两人的分歧也很快显现：Hinton痴迷于理解大脑，LeCun只关心让系统工作；Hinton愿意花十年打磨一个理论，LeCun想要六个月看到成果。

“我们是两种完全不同的动物，“LeCun后来形容这段关系，“他是哲学家，我是工程师。但奇怪的是，这种差异让我们互补。”

AT&T贝尔实验室：从实验室到现实世界

1988年，LeCun加入了传奇的AT&T贝尔实验室。那是全球最先进的科研机构，诞生了晶体管、激光、Unix操作系统。对LeCun来说，这里是天堂——有无限的计算资源，有聪明的同事，最重要的是，有真实的问题需要解决。

LeCun接手的第一个大项目是手写数字识别。美国邮政系统每天处理数百万封信件，需要自动识别信封上的邮编。这是一个完美的测试场：数据充足，问题明确，而且——如果成功——有巨大的商业价值。

LeCun花了两年时间构建了一个名为LeNet的系统。它有多层卷积结构，有池化层降低计算量，有反向传播训练参数。当LeNet在1990年投入使用时，它能以99%的准确率识别手写数字，处理速度超过每秒100张。

“那是我人生中最骄傲的时刻，“LeCun回忆，“不是因为我发表了论文，而是因为我的系统真的在帮助人们送信。”

LeNet的成功证明了深度学习的实用价值，但它并没有改变学术界的看法。1990年代，支持向量机（SVM）成为机器学习的主流，神经网络再次被视为"过时的技术”。LeCun在会议上发表论文，听众寥寥；他申请研究经费，评审人质疑"这东西真的有用吗”。

“那时候很孤独，“LeCun说，“但我有LeNet。只要它还在工作，我就知道我们是对的。”

被驱逐的十年：在工业界坚守

1996年，AT&T拆分，贝尔实验室的辉煌时代结束。LeCun被迫离开，加入了一家初创公司NEC研究院。后来他又去了纽约大学，在学术界和工业界之间来回切换。

这十年被称为LeCun的"被驱逐期”。深度学习在学术界几乎消失，LeCun是少数几个还在坚持的人。但他没有Hinton那样的耐心——Hinton可以在多伦多安静地等待春天，LeCun需要行动。

他开始做一件在当时看来"不务正业"的事：把深度学习带到工业界。

2003年，LeCun创办了一个名为"深度学习研究"的研讨会，邀请工业界的工程师参加。他向他们展示卷积神经网络如何用于人脸识别、自动驾驶、医学影像。“我不跟他们说理论，“LeCun解释，“我给他们看demo。”

这种策略奏效了。2010年代初，随着GPU计算能力的提升和数据量的爆炸，工业界开始意识到深度学习的潜力。Facebook、Google、百度纷纷成立AI实验室，而LeCun成了最抢手的人才。

2013年，Mark Zuckerberg亲自邀请LeCun加入Facebook，领导新成立的AI研究院（FAIR）。LeCun提出了一个条件：研究院必须开源所有研究成果。“如果深度学习要改变世界，它必须是开放的，“他说。

Zuckerberg同意了。FAIR成为工业界AI研究的标杆，而LeCun终于有了一个可以大展拳脚的平台。

与Transformer的对抗：一个工程师的固执

2017年，Google发表了Transformer架构，彻底改变了自然语言处理领域。Transformer抛弃了卷积和循环结构，完全基于"注意力机制”，在翻译、文本生成等任务上取得了惊人效果。

深度学习社区沸腾了。人们开始说"CNN已死"“RNN已死”，所有人都转向Transformer。但LeCun没有。

“Transformer是伟大的工程成就，“LeCun承认，“但它不是智能的全部。它缺乏对世界的基本理解。”

LeCun的批评基于一个工程师的直觉：Transformer处理的是符号序列，但人类智能建立在世界模型之上。我们看、听、触摸，构建对物理世界的内在表征，然后用这个模型来预测、规划、行动。Transformer没有这种模型，它只是在统计符号之间的关联。

“你可以用Transformer生成一段关于’猫在垫子上’的文字，“LeCun说，“但它不知道什么是猫，什么是垫子，什么是’在’。它只是在重复训练数据中的模式。”

这种看法让LeCun在2010年代末显得格格不入。当所有人都在追逐大语言模型时，他在研究自监督学习——让机器通过观察世界来学习，而不是通过人类标注的数据。

“这是Hinton路线和我路线的分歧，“LeCun解释，“Hinton相信，只要有足够大的模型和足够多的数据，智能就会涌现。我相信，我们需要先教会机器理解世界，然后智能才会出现。”

World Model：最后的赌注

2022年，LeCun发表了一篇长达60页的论文，阐述他对AI未来的愿景：World Model（世界模型）。

这不是一个新概念。人类大脑一直在做这件事——我们观察世界，构建内在模型，然后用这个模型预测未来。当你扔出一个球，你的大脑会自动预测它的轨迹；当你看到一扇门，你的大脑会预测推开它会发生什么。

LeCun认为，真正的AI需要这种能力。不是识别图像、生成文本，而是理解物理世界，预测行动后果。

“大语言模型是’系统二’——逻辑推理、语言处理，“LeCun说，“但人类智能的大部分是’系统一’——直觉、感知、运动控制。我们需要先解决系统一，才能真正理解系统二。”

这个愿景让LeCun在Meta（Facebook改名后的公司）投入了大量资源。他领导团队开发JEPA（联合嵌入预测架构），试图让AI通过观看视频来学习物理规律。不是通过标注，而是通过预测——预测下一帧画面会是什么样子，预测物体的运动轨迹，预测行动的后果。

“这是工程问题，“LeCun说，“不是理论问题。我们需要构建一个系统，让它自己学会理解世界。”

当下的沉思：工程师的乐观与警惕

站在2026年，LeCun的World Model仍然是一个未完成的愿景。大语言模型已经统治了AI领域，Transformer架构无处不在，而LeCun的坚持看起来像是固执。

但LeCun并不沮丧。“工程师的职业生涯就是不断被证明是错的，然后找到新的方法，“他说，“我在1990年代被证明是错的，2010年代又被证明是对的。现在可能又是错的，但那没关系——重要的是找到下一个对的方法。”

与Hinton的悲观不同，LeCun对AI的未来保持乐观。他不认为AI会毁灭人类，至少不会很快。“我们离真正的智能还差得远，“他说，“大语言模型只是工具，它们没有目标，没有欲望，没有自我。”

但LeCun也有担忧。他担心的是AI的集中化——当只有少数几家公司拥有训练大模型的资源时，AI的力量会被滥用。他担心的是幻觉——大语言模型生成虚假信息的能力。他担心的是就业——当AI可以完成越来越多的工作时，社会如何适应。

“这些问题需要工程师来解决，“LeCun说，“不是哲学家，不是政治家，是工程师。我们需要构建更好的系统，更安全的系统，更公平的系统。这是我们的责任。”

说到底：一个工程师的方法论

回顾LeCun的一生，他的方法论清晰可见：先让它工作，再理解它为什么工作。

这与科学研究的经典路径相反。经典路径是先建立理论，然后用实验验证。但LeCun走的是另一条路——他先构建系统，观察它如何表现，然后从中提炼理论。

“CNN就是这样诞生的，“LeCun说，“我先让它工作，然后才理解为什么卷积结构有效。World Model也会是这样——我们先构建它，然后理解世界模型的本质。”

这种方法论让LeCun成为深度学习三巨头中最"接地气"的一个。Hinton是先知，Bengio是学者，LeCun是工程师。他不追求完美的理论，他追求能工作的系统。他不等待世界的认可，他改变世界。

一位曾与LeCun共事的工程师对我们说：“LeCun教会我最重要的一课是：不要等理论完善才开始。如果你有一个想法，就构建它，测试它，迭代它。理论会在实践中自然涌现。”

全局来看，LeCun的一生诠释了工程精神的价值。在AI的寒冬中，他用LeNet证明了深度学习的实用价值；在Transformer的热潮中，他用World Model坚守对"理解"的追求。他可能不是最耀眼的明星，但他是最可靠的基石——当理论家还在争论时，工程师已经让机器看清楚了世界。

而这个世界，正在因为他的工作而改变。

AI人物志-木匠Geoffrey Hinton

Wed, 01 Apr 2026 21:00:00 +0800

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。

当全世界都说神经网络是死胡同时，一个木匠决定再凿一下那块木头。

2018年3月，多伦多大学的一间办公室里，70岁的Geoffrey Hinton收到了图灵奖获奖通知。那是计算机科学界的最高荣誉，相当于这一领域的诺贝尔奖。但Hinton的第一反应不是庆祝，而是困惑——“为什么是现在？”

答案要追溯到40年前。那时神经网络被视为"伪科学"，研究它的人被嘲笑为"炼金术士"。而Hinton，这个曾在大学做过两年木匠的英国人，几乎是孤身一人扛起了这面旗帜。一位长期观察AI发展的研究者对我们说：“如果没有Hinton的坚持，深度学习可能还要晚来20年。”

剑桥的退学信：一个关于"直觉"的决定

1947年，Hinton出生在一个充满"天才"气息的英国家庭。他的父亲是昆虫学家，母亲是教师，家族里还有数学家、经济学家、作家。但Hinton的童年并不快乐——他患有阅读障碍，在精英教育体系中显得格格不入。

1960年代，年轻的Hinton进入剑桥大学学习物理和化学，但很快发现这不是他想要的。“我对人脑如何工作更感兴趣，“他后来回忆。于是他从剑桥退学，转而去爱丁堡大学学习心理学。

这个决定在当时看起来毫无道理。心理学在1960年代还是一门"文科”，充斥着哲学思辨，缺乏严格的科学方法。但Hinton在这里接触到了一样东西，改变了他的一生——人工神经网络。

那是1960年代末，神经网络的概念刚刚诞生不久。科学家们试图用数学模型模拟人脑神经元的工作方式，但很快就遇到了瓶颈。1969年，AI领域的权威Marvin Minsky和Seymour Papert出版了一本名为《感知机》的书，用数学证明证明单层神经网络存在根本缺陷。这本书像一盆冷水，浇灭了整个领域的热情。

神经网络进入了第一次"寒冬”。大多数研究者转向其他方向，但Hinton没有。他看到了别人没看到的东西。

木匠的两年：在木头中寻找答案

1970年代末，Hinton做了一件让同行们更加不解的事——他去当木匠了。

整整两年，他在伦敦的工坊里制作橱柜、书架、门窗。这不是逃避，而是一种独特的思考方式。“做木工和做研究很像，“他后来解释，“你面对一块木头，需要理解它的纹理、它的特性，然后决定如何下刀。神经网络也是一样——你需要理解它的结构，然后找到训练它的方法。”

这段经历给了Hinton两样东西：耐心和手感。

在那个年代，训练一个神经网络需要手动调整成千上万个参数，没有自动化工具，没有GPU加速。Hinton像打磨木头一样，一点点摸索神经网络的"纹理”。他后来发明的"反向传播算法”，某种程度上就是这种"手感"的结晶——一种让神经网络自己调整参数的方法。

1986年，Hinton与David Rumelhart、Ronald Williams合作发表了关于反向传播的论文。这篇论文后来被视为深度学习的奠基之作，但当时并没有引起太大轰动。神经网络仍然处于"寒冬"，大多数AI研究者仍然坚信符号主义才是未来。

至暗时刻：在多伦多独自坚守

1980年代末，Hinton接受了多伦多大学的教职，离开英国前往加拿大。这个选择在当时看来是一种"流放"——远离AI研究的核心圈子，远离资金和资源。

但Hinton需要这种孤独。在多伦多，他可以不受干扰地继续自己的研究，哪怕这意味着发表论文困难、申请经费被拒、学生招不到。

一位曾在1980年代末拜访过Hinton实验室的研究者向我们回忆：“那是一间很普通的办公室，墙上贴着几张神经网络的示意图。Hinton当时正在调试一个模型，已经跑了好几天。他说，‘我相信这东西会工作的，只是需要更多时间。’”

更多时间。这是Hinton最不缺的东西。

1990年代到2000年代，神经网络经历了第二次"寒冬"。支持向量机（SVM）等机器学习方法成为主流，神经网络被视为"过时的技术"。Hinton的学生们毕业后很难找到工作，很多人被迫转行。

但Hinton仍然坚持。他不断调整神经网络的结构，尝试不同的训练方法，发表了一篇又一篇被主流忽视的论文。他像一个在荒原上种树的园丁，知道这些树可能需要几十年才能长大。

2006年的那个晚上：深度学习的黎明

转折点出现在2006年。

那一年，Hinton发表了一篇关于"深度信念网络"（Deep Belief Networks）的论文。这篇论文提出了一种有效训练深层神经网络的方法，让多层神经网络的训练变得可行。

论文发表后的那个晚上，Hinton独自走在多伦多的街头。他后来回忆，那是一个寒冷的冬夜，但他感到一种奇怪的温暖。“我知道，有些东西改变了，“他说，“但我不知道它会改变得这么快。”

改变确实来得很快。2012年，Hinton的两个学生Alex Krizhevsky和Ilya Sutskever参加ImageNet图像识别竞赛，使用Hinton设计的深度卷积神经网络AlexNet，以压倒性优势击败所有对手。错误率比第二名低了整整10个百分点——在图像识别领域，这几乎是代差。

一夜之间，深度学习从"边缘技术"变成了"主流范式”。Google、Facebook、微软等科技巨头开始疯狂收购深度学习团队和人才。Hinton的实验室成了朝圣之地，他的学生们成了最抢手的人才。

但Hinton本人并没有因此变得高调。他仍然每天步行去实验室，仍然亲手调试模型，仍然在白板上画满公式。一位Hinton的学生告诉我们：“他对待深度学习的态度，就像对待一块需要精心打磨的木头。技术会过时，但手艺不会。”

“人的大脑就是这么工作的”：一个木匠的哲学

2016年，AlphaGo击败李世石，深度学习彻底出圈。媒体开始称Hinton为"AI教父"“深度学习之父”，但他本人对这些称号感到不适。

“我不是在创造什么新东西，“他在一次采访中说，“我只是在模仿自然。人的大脑就是这么工作的——神经元连接，学习，涌现智能。没理由人工神经网络不这么工作。”

这句话道出了Hinton的底层逻辑：仿生不是选择，而是必然。

在他看来，智能的本质不是符号操作，不是逻辑推理，而是学习。人类之所以能够涌现出智能，就是因为大脑具有学习能力。只要给神经网络正确的架构，它就能学会任何东西——从识别猫狗到下棋，从翻译语言到生成图像。

这种哲学与符号主义AI形成了鲜明对比。符号主义者相信，智能可以通过明确的规则和符号来实现；而Hinton相信，智能必须从数据中"学习"出来，就像婴儿学习认识世界一样。

这场争论持续了半个世纪，最终Hinton赢了。但胜利并没有让他变得傲慢。2018年获得图灵奖后，他把奖金捐给了培养年轻研究者的基金。“我只是比其他人多坚持了一会儿，“他说。

2023年的告别：一个关于责任的转身

2023年5月，Hinton做了一件让全世界震惊的事——他从Google离职，并公开警告AI的风险。

“我后悔，“他在接受《纽约时报》采访时说，“我后悔我的一生工作可能带来的后果。”

这不是一个科学家的矫情。Hinton真正担心的是，深度学习的发展速度已经超出了人类的控制能力。大语言模型展现出惊人的能力，但人类并不完全理解这些能力是如何产生的。更可怕的是，这些系统正在以指数级速度变得更强大。

“我原以为AI超越人类还需要30到50年，“他说，“现在我意识到，可能只需要5到10年。”

从Google离职后，Hinton开始花更多时间思考AI的安全问题。他不再每天去实验室，而是参加各种研讨会、接受媒体采访、与政策制定者对话。他想让更多人意识到，我们正站在一个历史的转折点上。

一位在2024年与Hinton有过长谈的研究者向我们转述：“他说，他这一生都在教机器如何学习，现在他发现，人类自己还没有学会如何与这些机器共处。这是他最后想解决的问题。”

弯路与开悟：一个木匠如何找到那条路

回顾Hinton的一生，他并非没有走过弯路。

1970年代末，当他放下神经网络研究去当木匠时，那是一次逃避，也是一次迷失。他在伦敦的工坊里日复一日地刨木头、打榫卯，试图用身体的疲惫来麻痹精神的困惑。神经网络似乎真的走进了死胡同——Minsky的批评是对的，单层感知机确实有根本缺陷。

但正是在那些与木头相处的日子里，Hinton开始理解一个道理：有时候，你需要先退一步，才能看清前面的路。

木工教会了他观察纹理——每一块木头都有自己的纹理，顺着纹理下刀，事半功倍；逆着纹理硬来，只会崩裂。神经网络也是如此。当时的研究者们都在试图用数学证明来证明神经网络的可行性，但Hinton意识到，也许问题不在于证明，而在于结构。

人脑不是单层感知机，人脑是深层的、多层的、有反馈的。如果单层不行，为什么不试试多层？

这个念头像一道闪电，在1978年的某个下午击中了Hinton。他后来回忆，那天他正在打磨一个橱柜的门板，突然停下了手中的刨子。“如果神经网络也像木头一样有层次呢？“他问自己，“如果我们不是试图让单层网络学会一切，而是让每一层学会一点点，然后层层传递呢？”

这就是后来被称为"深度学习"的核心理念——不是让一个复杂的系统做一件复杂的事，而是让许多简单的系统层层协作，最终完成复杂的事。

但光有想法还不够。1980年代的Hinton仍然面临一个根本问题：如何训练多层网络？如何调整那些隐藏层的参数？

他尝试过各种方法。有一段时间，他甚至考虑过放弃神经网络，转向遗传算法——让网络自己进化，而不是被训练。那是一段更加黑暗的日子，Hinton后来称之为"我的遗传算法时期”。“那时候我真的迷失了，“他说，“我以为进化能解决一切问题，但我忽略了进化的代价——它需要数百万年的时间，而我只有一辈子。”

真正的开悟发生在1985年。

那一年，Hinton在卡内基梅隆大学做访问学者。一天晚上，他在酒吧里遇到了David Rumelhart，一位认知心理学家。两人聊起了神经网络的训练问题，Rumelhart提到了一个想法：如果误差可以从输出层反向传播回输入层呢？

Hinton听后沉默了整整一分钟。然后他抓起一张餐巾纸，开始在上面画公式。

“那天晚上，我知道我们找到了，“Hinton后来回忆，“不是因为我算出了什么，而是因为那个想法感觉对了。就像你刨木头时，突然感觉到刨子顺着一个完美的角度滑过——你知道，就是这里。”

这就是反向传播算法的诞生。它不是什么天才的灵光一现，而是两个疲惫的研究者在酒吧里的一次碰撞，是无数次失败后的偶然相遇，是一个木匠在木头中找到的直觉。

当下的沉思：当AI真的学会了学习

站在2026年回望，Hinton的弯路和开悟给了我们一个启示：真正的突破往往来自于对"不可能"的坚持，以及对"可能"的重新定义。

高段领导力从哪里来

Sat, 14 Mar 2026 10:00:00 +0800

领导力不是职位特权，而是一种「让别人心甘情愿做你想做的事」的元能力。它不分层级，不论场景，是每个人终其一生都可以修炼的功课。

今天参加了一场领导力培训。开场前有个细节让我印象深刻：讲师没有问"在座多少人是管理者"，而是问"有多少人希望自己更有影响力"。全场举手。

那一刻我突然意识到，我们对领导力的理解，可能从一开始就窄化了。

领导力的祛魅：从职位到元能力

传统观念里，领导力似乎专属于那些带团队、管项目的人。但培训中的第一个观点就颠覆了这个认知：

领导力是每个人都拥有的影响力——你影响家人周末去哪里吃饭，影响朋友接受你的建议，影响同事支持你的方案。这些时刻，你都在运用领导力。

这让我想到一个更本质的定义：领导力的核心，是「让别人做你想做的事」。

注意，不是"替别人做事"，不是"命令别人做事"，而是让别人心甘情愿地，朝着你想去的方向行动。这里面藏着两层深意：一是你要清楚自己想要什么（方向感），二是你要理解别人为何愿意跟随你（影响力）。

高段位的领导者，从来不是最忙的那个人。他们善于授权——把Ownership真正交给团队，让每个人都觉得"这是我的事"。低段位的管理者，往往陷在事务里亲力亲为，团队却动力涣散。

管理与领导：性恶论与性善论的分野

培训中最精彩的部分，是把管理和领导放在了哲学的高度对比。

管理基于性恶论——它假设人需要规则约束，需要流程规范，需要考核驱动。管理的逻辑是"怕你做错"，所以设定边界、监控过程、追求确定性。管理问的是：如何正确地做事？

领导基于性善论——它相信人有向善的潜力，有自发的创造力，有追求卓越的本能。领导的逻辑是"信你能成"，所以描绘愿景、创造机会、拥抱不确定性。领导问的是：如何做正确的事？

这两者的关系不是对立，而是分形。

面对不成熟的团队（新人居多、能力不足、方向不清），你需要管理——建立规则、明确流程、降低试错成本。这时候团队是"团伙"状态：成员相似度高、目标短期功利、依赖外部驱动。

面对成熟的团队（能力匹配、目标共识、自我驱动），你需要领导——激发潜能、授权决策、容忍试错。这时候团队才是"团队"状态：成员能力互补、目标长远积极、内在动机驱动。

最危险的领导者，是用管理成熟团队的方式带新人（放任自流），或用带新人的方式管成熟团队（过度控制）。

领导与领导力：职位与能力的错位

培训中有个扎心的案例：某大厂总监，管着两百人的团队，却发现关键时刻没人真正听他的。他拥有最大的「职权」，却缺乏最基本的「影响力」。

这揭示了一个残酷真相：领导职位是组织赋予的，领导力却是他人授予的。

有职位的人，天然拥有通过职权影响他人的权力——你可以分配任务、决定薪酬、影响晋升。但这种影响力是交易型的：下属听你的，是因为你手里有他想要的东西。

真正的领导力是感召型的：别人听你的，是因为信任你的判断、认同你的价值观、愿意和你一起赌一个不确定的未来。

职权领导力在顺境时好用，逆境时失灵。非职权领导力——基于专业、品格、愿景的影响力——才是穿越周期的硬通货。

这也解释了为什么有些创业者在资源匮乏时能凝聚团队：他们没有职权筹码，只能靠Ownership的让渡和愿景的感召来凝聚人。这种"赤手空拳"练出来的领导力，往往比大公司高管的"职权惯性"更扎实。

领导力的习得：从知到行的鸿沟

培训最后抛出一个问题：领导力可以教会吗？

答案是：可以学习，无法教授。

课堂上可以讲清楚概念、模型、工具，但真正的领导力只能在真实的博弈中长出来。当你被逼到墙角不得不决策，当你要为他人的错误兜底，当你必须在信息不足时选择方向——这些时刻，领导力才开始生长。

现代领导力理论强调结果论：不管你用什么风格，能否持续为组织创造卓越业绩，是检验领导力的唯一标准。

但这不意味着领导力是少数人的天赋。恰恰相反，每一次你主动承担责任，每一次你把"这是我的问题"说出口，每一次你在不确定中选择相信团队，你都在修炼领导力。

培训结束时，我想起一句话：领导力的终极考验，不是你能爬多高，而是当你跌落时，还有多少人愿意托住你。

职位可以任命，权力可以继承，但那种让人心甘情愿跟随的力量——那种即使你不发号施令，团队也会向着共同方向奔跑的感召力——只能靠自己一次次站在悬崖边，一次次选择不后退，一次次把"我们一起扛"说出口，才能慢慢长出来。

这或许是领导力最公平的地方：它不问出身，不论起点，只问你是否愿意为他人承担不确定性。

千问核心离职风波：林俊旸下一步是创业吗？

Sat, 07 Mar 2026 21:29:02 +0800

3 月 6 日，林俊旸正式确认离职。距离那条「bye my beloved qwen」的推文过去 48 小时，这场震动中国 AI 圈的人事风波进入下半场——不是八卦内幕的下半场，而是更实质的问题：一个 32 岁、带出了全球顶级开源模型、被 Google DeepMind 公开喊话抢人的技术领袖，下一步该往哪走？

我的判断很直接：创业是他唯一合理的选择。

不是情感上的「创业浪漫」，而是结构性推演后的结论。大厂、学术机构、加入其他独角兽——这三条路都有明显的逻辑断裂，只有创业能承接他过去三年积累的所有资产，并给他真正的自由度。

林俊旸今年 32 岁，阿里最年轻的 P10，Qwen 技术负责人。在他带领下，Qwen 从一个内部项目成长为全球下载量突破 7 亿次、衍生模型超过 18 万个的开源模型家族¹。斯坦福《2025 年人工智能指数报告》把 Qwen 排在全球第三²，Google DeepMind executive Omar Sanseviero 在他离职后直接在 X 上向 Qwen 团队喊话：「if any of you want a new home to build great models and contribute to the open models ecosystem, please reach out!」³

这是全球顶级 AI 实验室在用行动投票：这些人在开源生态里的价值，远超任何一家公司的内部职级体系能衡量的。

但价值归价值，选择归选择。林俊旸面前的选项其实不多——或者说，他面前的选择太多，反而让决策变得更难。

据说离职消息传出后，投资圈瞬间沸腾。

不止一家头部机构的合伙人通过各种渠道打探他的联系方式——有人发朋友圈暗示「有预算、等团队」，有人通过千问团队的熟人递话，有人直接私信阿里内部的朋友「能不能帮我引荐林俊旸」。不到 48 小时，他的微信被加爆，未读消息里挤满了红杉、高瓴、五源、启明等一线基金的合伙人。

开出的条件一个比一个诱人：有人直接开价数千万美元估值，不占大股，「你说了算」；有人承诺「只管做技术，商业化我们来」，配套完整的 GTM 团队。

千问核心离职风波：开源社区需要什么人

Fri, 06 Mar 2026 01:00:00 +0800

Qwen 的技术报告单篇引用超过 6000 次¹，Hugging Face 下载量突破 7 亿次²，衍生模型超过 18 万个²。斯坦福《2025 年人工智能指数报告》把它排在全球第三³。然后，带着这一切走到今天的人，在凌晨 0:11 发了一条推文就走了⁴。

这两天 AI 圈讨论最多的不是模型，而是人。但我注意到一个有意思的现象：中文互联网上讨论的焦点是"阿里怎么了"“管理出了什么问题"“谁来接班”，而英文社区——从 Hugging Face 到 GitHub 到 X 的评论区——讨论的焦点是一个更本质的问题：开源社区到底需要什么样的人？失去这样的人意味着什么？

这两种反应之间的落差，可能比林俊旸的离职本身更值得想一想。

全球顶级机构在用行动投票

艾伦人工智能研究院的研究员 Nathan Lambert 在 X 上写了一句话：“如果 Qwen 倒塌，在开放研究生态中留下的巨大空缺将很难填补。那些小模型是不可替代的。”⁵

Hyperbolic Labs 的 CTO Yuchen Jin 说：“一个时代的结束。“MiniMax、Unsloth、Ollama 都在林俊旸的推文下留言感谢。Hugging Face 亚太区负责人 Tiezhen Wang 说这是 Qwen 的"巨大损失”。智谱 AI 创始人唐杰评论说：“酷，开始新的旅程吧。”

而截至发稿，事情已经从哀悼升级为抢人。Google DeepMind 的 Omar Sanseviero 直接在 X 上向 Qwen 团队公开喊话⁶：

Qwen friends: if any of you want a new home to build great models and contribute to the open models ecosystem, please reach out!

千问团队离职风波：一个管理者应该看到什么

Thu, 05 Mar 2026 12:00:00 +0800

3 月 4 日凌晨 0:11，林俊旸在 X 上写下一句话：

me stepping down. bye my beloved qwen.

6M 浏览，1.3K 转发，1.3 万点赞。阿里巴巴通义千问技术负责人，今年刚满 32 岁，阿里最年轻的 P10，就这样在深夜告别了自己一手带大的团队。

前一天晚上，他的团队刚发布了一个让马斯克都点赞的开源模型。紧接着，Qwen 另一位核心负责人 Binyuan Hui（惠彬原）也走了，Qwen3.5、Qwen VL、Qwen Coder 的核心贡献者 Kaixin Li 也发了告别帖。目前确认离开的至少三到四人，全是核心骨干。一天之内，中国最有影响力的开源大模型团队经历了一次集体震荡。

这件事在 AI 圈刷屏了两天。各种内幕、传闻、阴谋论满天飞——KPI 不达标、转向闭源、被架空、被挖角。3 月 5 日，阿里 CEO 吴泳铭发了一封内部邮件：

各位通义实验室同学：

公司已决定批准林俊旸同学的辞职，感谢林俊旸过去在岗位上的付出。靖人会继续带领通义实验室推进后续工作。同时公司将成立基础模型支持小组，由我，靖人，范禹共同协调集团资源支持基础模型建设。

技术发展不进则退。发展基础大模型是我们面向未来的关键战略，我们将在继续坚持开源模型策略的同时，持续加大对人工智能领域的研发投入，加大吸纳优秀人才的力度，我们一起加油。

吴泳铭 2026年3月5日

坦白说，这些八卦和公关回应我都不太关心。我更想从一个很小的窗口来看这件事：管理。具体来说，是三个层层递进的问题——你有没有看到信号？你有没有理解诉求？你的制度能不能接住这些人？

信号一直在，只是没人听

管理学里有个说法：员工离职的决定，通常在正式提出前三到六个月就已经做出了。在这段时间里，信号其实一直在——工作热情下降、对战略讨论的参与减少、开始频繁和外部接触。问题不是信号不存在，而是有没有人在接收。

大公司里有一个常见的悖论：越重要的人，CEO 越没时间见。

吴泳铭在邮件里宣布成立高层直接协调的支持小组——这个动作本身说明了一件事：之前的协调层级太多了。一个负责公司核心 AI 能力的技术负责人，他的诉求、困惑、不满，要穿过几层汇报才能到达 CEO 耳朵里？等信息传到的时候，还剩下多少真实度？

我一直觉得，CEO 最值钱的时间投入之一是和关键人才的 one-on-one。不是季度汇报，不是 all-hands 上的 Q&A，而是关起门来、没有议程、聊半小时到一小时的那种对话。这种对话的价值不在于解决具体问题，而在于建立一条不经过任何中间层的信息通道。

Andy Grove 在《高产出管理》里算过一笔账：一个经理人花一小时做 one-on-one，影响的是下属接下来两周的工作质量和方向感。对 CEO 来说，这笔账的杠杆更大——你花一小时和一个关键技术负责人聊，可能避免的是一次价值数十亿的团队震荡。反过来，你省下的这一小时拿去开了一个战略会，讨论的可能恰恰是这个人走了之后怎么办。

从巴菲特的并购与数字观，看CEO该盯住什么

Mon, 09 Feb 2026 23:45:03 +0800

「大都会公司的运营利润率为 29%，ABC 公司是 11%。如果墨菲能将 ABC 公司的运营利润率提高 1/3 到 15%，那么公司每年将多增收益 1.25 亿美元，合并后的新公司盈利将是 3.25 亿美元。」

出处说明：这句话并非巴菲特在致股东信或股东大会上的原话，而是罗伯特·G·哈格斯特朗（Robert G. Hagstrom）在《巴菲特之道》（The Warren Buffett Way，第一版 1994 年）一书中，对巴菲特 1985 年参与大都会通信公司（Capital Cities）收购美国广播公司（ABC）一案的并购逻辑所做的量化转述。1985 年 3 月该交易完成，巴菲特出资约 5.175 亿美元成为合并后新公司重要股东，其信心核心来自大都会 CEO 汤姆·墨菲的管理能力；巴菲特在 1986 年致股东信中明确将这笔投资概括为「购买优秀管理层管理的优秀业务」。哈格斯特朗用上述数字提炼的，正是「管理改善能显著提升低利润率业务的盈利能力」这一逻辑，与巴菲特公开表达的投资哲学一致。

这句话用极简数字把「运营利润率对比 → 效率改善空间 → 利润增量 → 合并价值」这条链讲完。并购的核心价值，往往不是买下现有盈利，而是买下「低效资产被好管理修复后的利润增量」。本文从这一量化表述出发，做一层财务拆解、一层指标辨析、一层并购逻辑，最后落到CEO 和决策者真正该盯住的指标与前提。不谈轶事、不攀交情，只谈可复现的因果与数字。

一、先把数字拆开：那一句里藏着的营收基数

该案例的量化表述只给了四件事：ABC 原利润率 11%、提高 1/3 后约 15%、每年多赚 1.25 亿美元、合并后总利润 3.25 亿。没有直接给出 ABC 的营收。但营收恰恰是「为什么动一点利润率就能多出这么多利润」的关键。

设 ABC 的运营营收为 $R$（提效阶段先假设不扩营收，只做管理优化）：

利润率绝对提升：$15\\% - 11\\% = 4$ 个百分点
利润增量 = 营收 × 利润率提升，即
$$ \Delta \text{Profit} = R \times 4\\%
$$
代入 $\Delta \text{Profit} = 1.25$ 亿（美元）：
$$ R = \frac{1.25}{0.04} = 31.25 \text{ 亿美元}
$$

也就是说，ABC 是一家营收约 31 亿、但运营利润率只有 11% 的公司。小幅度利润率提升 × 大营收基数 = 大额绝对利润增量。这是并购价值的一个数学来源：同样的 4 个百分点，若 (R) 只有 3 亿，增量只有 0.12 亿；若 (R) 是 31 亿，增量才是 1.25 亿。CEO 和投资者若只盯「利润率提高了多少」，而忽略「利润是在多大的营收基数上算出来的」，就会低估或高估一次提效或一次并购的真实影响。

《反脆弱》与《非对称风险》读书笔记

Tue, 03 Feb 2026 22:37:37 +0800

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。

AI引起的大规模失业怎么办?

Mon, 02 Feb 2026 20:24:22 +0800

「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。

安德森谈AI：没有人口崩塌，我们才该慌

Sun, 01 Feb 2026 10:05:31 +0800

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？

物理学的尽头是AGI？

Tue, 27 Jan 2026 23:15:04 +0800

物理学界流传着一个古老的笑话：物理学家无所不能，除了物理。

虽然是句调侃，但在当今的 AI 浪潮中，这似乎成了某种预言。当你剥开 ChatGPT、Claude 或是 Llama 的外衣，往最核心的算法层和决策层看去，会惊讶地发现：怎么满屋子都是学物理的？

从 OpenAI 的分裂到 Anthropic 的崛起，从 Scaling Laws 的发现到 Transformer 的优化，这群曾经天天琢磨量子态、黑洞和宇宙学的聪明脑袋，似乎集体决定换个赛道——不再纠结上帝掷不掷骰子，而是教 GPU 怎么掷出下一个 Token。

今天，我们就按「学术背景 → 核心贡献 → 现状」的结构，盘点一下这几位“稍不留神”就改变了 AI 历史进程的物理学家。看完你或许会明白，为什么说物理学才是 AGI 的“新东方烹饪学校”。

1. Dario Amodei

(Anthropic 联合创始人 & CEO)

物理背景：普林斯顿大学物理学博士。硬核的理论物理与量子计算方向，还顺手在斯坦福和加州理工做了博士后。典型的“谢尔顿”式学术履历。
核心贡献：
- Scaling Laws (缩放定律)：在大模型还是玄学的年代，他和团队搞出了 Scaling Laws，告诉世界：别瞎猜了，算力、数据和参数量之间有铁律。这直接给“暴力美学”奠定了理论基石。
- Claude 之父：从 OpenAI 出走后创立 Anthropic，死磕“宪法 AI (Constitutional AI)”，试图给 AI 装上安全阀。
当前状态：Anthropic CEO。正忙着让 Claude 更聪明、更安全，同时思考怎么不让强 AI 把人类带沟里去。

2. Jared Kaplan

(Anthropic 联合创始人 & 首席科学家)

物理背景：约翰霍普金斯大学理论物理学教授。研究了 15 年的量子引力、场论和宇宙学。正儿八经的教授下海，降维打击。
核心贡献：
- Scaling Laws 的奠基人：他和 Dario Amodei 的名字几乎和缩放定律绑定。把研究宇宙膨胀的劲头拿来研究模型膨胀，结果发现规律竟然出奇地一致。
- GPT-3 & Codex：在 OpenAI 期间是这两个大杀器的核心参与者。
当前状态：Anthropic 首席科学家。继续在 LLM 的基础理论和安全对齐的无人区里探索。

3. Ilya Sutskever

(OpenAI 联合创始人 & 前首席科学家)

中本聪真身锁定？最接近真相的3个人，藏着数字时代的红楼密码

Sun, 18 Jan 2026 21:35:50 +0800

就像曹雪芹用红楼文字藏起吊明秘事，中本聪也用比特币白皮书埋下了身份密码。这个缔造数字货币神话的人，自2011年突然销声匿迹后，留下的谜题比红楼判画还烧脑。今天不搞玄学猜测，纯科普硬核证据——从技术背景、时间线到行文习惯，拆解3位最可能是中本聪的人选，聊聊为什么说"中本聪不是一个人，就是一群人的缩影"。

中本聪这谜之存在，简直是数字时代的曹雪芹。前者用《红楼梦》藏王朝兴衰，后者用比特币藏身份踪迹，连"隐身套路"都一模一样——不直接消失，只留下一堆当代人能抠、后代人懵圈的线索。市面上关于中本聪的猜测多到离谱，从"日本物理学家"到"CIA秘密项目"，但剔除无稽之谈后，只剩3个候选人站得住脚。今天就顺着"技术匹配度+时间线吻合+行为逻辑自洽"三大维度，扒一扒最接近真相的答案。

如果说中本聪是比特币的"生父"，那尼克·萨博绝对是"养父"。他的研究几乎为比特币铺好了全部路基，证据链密到让人怀疑"否认都是欲盖弥彰"。核心逻辑先摆死：比特币不是凭空诞生的，它的前身是萨博1998年研发的"比特金"（Bit Gold）体系，而这两者的相似度，堪比黛玉判画与崇祯自缢场景的对应。比特金同样采用密码学验证、去中心化记账，甚至连"安全资产所有权"“数字时间戳"这些比特币的核心概念，萨博早在十年前就玩透了。

更锤的是细节吻合。一是行文习惯，有人比对中本聪的白皮书与萨博的博客，发现二者的表达逻辑、拼写偏好高度一致，连冷门术语的用法都如出一辙。二是时间线契合，中本聪2008年11月发布比特币白皮书前半年，萨博刚好在网上征集比特金项目合作者，像是在为"升级版项目"找队友。三是技术壁垒，比特币融合了哈希现金算法、智能合约等复杂技术，而萨博作为赛博朋克社区核心成员，不仅懂密码学，还深耕智能合约领域，是少数能整合所有技术的人。

唯一的"反证"是萨博本人的否认。2011年至今，他多次公开表示"我不是中本聪”，甚至在私人聚会上被追问时会生气反驳。但这反而像极了曹雪芹"批阅十载不留真名"的小心思：作为追求隐私的自由主义者，他既不想暴露身份，又想让自己的技术理念落地，隐身幕后才是最优解。就像我们现在玩"反向打卡"，越否认越像"此地无银三百两"。

提到中本聪，就绕不开华裔极客戴伟。他发明的"b钱"（b-money），是比特币诞生前最接近去中心化电子货币的试验品，连中本聪都在白皮书里间接引用过他的理念。戴伟的匹配点在于"理念开创"：他最早提出"匿名交易+点对点支付"的构想，而这正是比特币的核心诉求。更关键的是，戴伟与中本聪有过直接电子邮件往来，深知电子货币的技术难点，是少数能理解中本聪思路的人。他自己也坦言，“符合中本聪核心素质的人寥寥无几，我和萨博算两个”。

但戴伟被排除的理由也很充分。一是精力不足，他深耕密码学多年，同时涉猎多个领域，缺乏全职开发比特币软件的时间。二是理念差异，戴伟的b钱更侧重"匿名隐私"，而中本聪更关注"去中心化记账的可行性"，后者的技术落地能力远超前者。简单说，戴伟是"提出想法的人"，中本聪是"把想法做成产品的人"，就像有人画了黛玉的判画草稿，有人却能把"双木藏朱"的密码嵌满全篇。

哈尔·芬尼是比特币历史上第一个接收中本聪转账的人，也是与中本聪通信最频繁的人，堪称"数字时代的脂砚斋"——既能读懂核心密码，又能参与技术落地。他的核心证据是"时间线与互动痕迹"：2009年1月，中本聪挖出第一枚比特币后，第一时间转给了芬尼。两人后续通过电子邮件频繁沟通，芬尼还帮中本聪优化了比特币代码。更巧的是，芬尼是哈希现金算法（比特币核心算法）的开发者之一，技术能力完全匹配中本聪的要求。

但命运给这个谜题添了遗憾。芬尼2009年被确诊肌萎缩侧索硬化症，2014年去世，而中本聪2011年就停止了所有公开活动。时间线虽吻合，但芬尼患病后行动不便，很难独立完成比特币的后期迭代。更合理的推测是，芬尼是中本聪的"合作者"，而非本人，就像脂砚斋为红楼批语，却不是曹雪芹本人。

综合所有证据，最靠谱的答案不是"某个人是中本聪"，而是"中本聪是萨博、戴伟、芬尼等人组成的技术团队代号"。这和《红楼梦》“曹雪芹+脂砚斋+汉臣集团合力创作"的推测如出一辙。理由有三：一是比特币技术过于复杂，单一一个人很难在短时间内整合密码学、记账系统、编程开发等多领域能力。二是赛博朋克社区本就有"集体创作、匿名发声"的传统，他们反感政府干预，用统一代号发布作品很常见。三是中本聪的行文风格偶尔会出现差异，像是不同人撰写后整合的结果，就像红楼文字有雅有俗，疑似多人润色。

就像我们现在说"我命运般的XX”，看似是单人调侃，实则是圈层内的集体共鸣。中本聪这个代号，或许也是赛博朋克们"对抗中心化、追求数字自由"的集体符号——他们不想让个人身份盖过技术理念，于是用隐身制造了永恒的神秘，这和曹雪芹用闺阁叙事藏吊明之痛，本质都是"让理念超越个人"。

关于中本聪的身份，或许早就没有"绝对真相"可言。就像红楼密码只有清初汉臣集团心照不宣，中本聪的真身，大概率也是核心圈里人尽皆知的秘密——可能是萨博牵头的团队，也可能是某个独行极客，只是他们从不点破，外人也永远无从窥探。如今这早已成了一桩悬案：就算有人拿出铁证，也会被质疑是伪造；就算有人坦白身份，也没人愿意相信。毕竟质疑的声音永远存在，而这恰恰正中中本聪下怀——他从一开始就没想过要"被认清"，隐身幕后、让身份成为永恒谜题，本身就是他计划的一部分。

他和曹雪芹一样，都把"隐藏"玩到了极致：曹雪芹藏起吊明之心，让红楼成了千古谜案；中本聪藏起真实身份，让比特币超越了创造者本身。比起揪出真身，这份"无解的神秘"才是他最成功的作品——既守住了隐私，又让自己的技术理念永远被讨论、被传承。

中本聪=当代曹雪芹？我们玩的梗，都是给后代挖的坑

Sat, 10 Jan 2026 21:03:39 +0800

今天刷到有人考古"鸡你太美"的离谱解读，突然惊出一身冷汗。我们现在随口玩的梗、说的暗号，一百年后可能会变成考古界的"未解之谜"。这事儿往深了想更绝：曹雪芹藏了三百年的红楼密码，中本聪埋了十几年的身份谜题，和我们现在说的"栓Q"“显眼包”，本质上都是一回事——用当代人懂、后代人懵的语言，给岁月留了个钩子。等懂这门语言的人全退场，天才和烂梗，都成了千年谜。

曹雪芹和中本聪，堪称"跨时空密码大师"。他俩的套路一模一样：不藏身份，只藏"解读身份的语言"。曹雪芹写《红楼梦》，没在书里明说"我要吊明揭清"，而是把密码嵌进明末文人的"行业黑话"里。“双木"代"朱"姓，“枯木悬玉带"暗喻崇祯自缢，就像我们现在说"显眼包”，不用解释，当代人秒懂是指爱出风头的人，可后代人说不定会解读成"古代贵族专属称谓”。他靠《明季北略》《脂砚斋批语》当"梗注释"，让密码活了三百年。而我们的梗连注释都留不下，大概率死得比"电子木鱼"的热度还快。

中本聪更狠，直接把密码藏进2008年的互联网语境里。他写的比特币白皮书，满是程序员才懂的隐喻，比如"区块时间戳"对应"不可篡改的记录"，像极了曹雪芹用"葬花时间"对应明末节点。现在懂密码学、懂互联网史的人，还能从白皮书里抠点线索。可等我们这代人不在了，后代人对着代码只会懵圈，说不定会把中本聪当成"来自未来的数字先知"，就像我们曾经把曹雪芹只当成"写爱情小说的大佬"。

他俩最牛的地方在于：故意隐身。曹雪芹"批阅十载增删五次"却不留真名，中本聪走红后直接销声匿迹。他们都懂，身份越模糊，语言密码越有生命力。一旦身份曝光，反而会被时代解读裹挟，丢了原本的深意。

我们现在玩的梗，就是简化版的"红楼密码"，只不过生命周期短到离谱。去年的"退退退"，今年就没人玩了。今年的"栓Q"，明年可能就成了老古董。就说"鸡你太美"，现在我们懂是蔡徐坤舞台梗，懂是调侃意味，可一百年后呢？考古学家挖到此句，说不定会结合上下文，解读成"上古先民对家禽养殖与审美标准的双重探讨"，甚至能写出一篇万字论文。再比如现在火的"电子木鱼"，我们知道是当代人解压的精神寄托，可后代人可能会把它当成"神秘电子宗教的祭祀工具"，对着屏幕敲木鱼的视频，就是"远古祭祀录像"。

更扎心的是，我们的梗比曹雪芹、中本聪的密码更"脆弱"。曹雪芹的密码绑在"王朝更迭"的大历史上，中本聪的密码绑在"区块链技术变革"上，而我们的梗只绑在"流量"上。流量退去，梗就成了无意义的文字碎片。就像"yyds"，现在是"永远的神"，一百年后可能连拼音缩写都没人认得，只会被当成"神秘符号组合"。你敢想吗？未来的考古报告可能会写：“公元21世纪人类常用’显眼包’指代特殊群体，推测为当时的社会阶层划分，具体身份待考”。想想都觉得离谱，却又无比真实。

其实不止曹雪芹和中本聪，我们每个人都在无意识地给后代制造"语言谜题"。发朋友圈用的缩写、和朋友聊的黑话、甚至表情包里的潜台词，都是只属于当下的"接头暗号"。蔡元培能识破红楼密码，不是他比别人聪明，而是他刚好懂"清初汉臣的语言体系"。就像现在我们能秒懂各种梗，是因为我们活在这个时代。可后代人没有我们的"时代滤镜"，只能对着我们留下的文字、视频瞎猜。就像我们对着红楼判画，花了三百年才恍然大悟"黛玉不是恋爱脑，是崇祯隐喻"。

中本聪的密码可能会比我们的梗活更久，因为他绑在了技术上。但再过几百年，等区块链技术迭代成新形态，他的白皮书照样会被解读得面目全非。就像现在的我们，虽然能读懂《明史》，却再也没法复刻清初文人的心境，只能无限接近红楼的真相，却永远没法100%还原。

说到底，语言从来都是"时代的通行证"，也是"跨越时代的壁垒"。曹雪芹和中本聪是主动制造壁垒，我们是被动制造壁垒。等懂这门语言的人都走了，所有的故事、梗、密码，都成了岁月里的谜。

现在的我们，一边抠着曹雪芹的密码，一边找着中本聪的线索，一边玩着转瞬即逝的梗。殊不知，我们也在给后代写"考古题"。或许一百年后，有人会拿着我们的聊天记录，对着"栓Q"百思不得其解。有人会对着"电子木鱼"焚香祭拜。有人会把中本聪和曹雪芹并称为"跨时空两大神秘学家"。

Why did I study business in the AI era?：AI时代我为何选择再去读商科？

Tue, 06 Jan 2026 16:06:59 +0800

回望求学与创业的征程，我始终感恩大学时期选择理科的决定。我的本科是计算机科学与技术，严谨的理科训练，让我养成了以数据为依据、以结果为导向的实证思维。这种"凡事求有效、凡事讲逻辑"的认知底色，帮我搞定了职业过程中理性的思考问题。在工作过程中这种思维模版帮我解决很多问题，比如产品迭代、流程优化这些"硬骨头"。但真到了从生产到市场环节打拼才发现，光会解决技术问题远远不够。好几次，我周围很多创业者拿着看似完美的产品推向市场，要么找不到精准客户，要么定价不合理导致盈利微薄，甚至因为没摸清行业周期，在市场低谷时盲目投入，亏了不少钱。这种"懂技术却不懂经营"的迷茫，让我彻底明白：创业的核心是盈利，而盈利的关键在于经营思维。也正因如此，我在21年选择攻读MBA。这段学习历程不是对过往理科知识的否定，而是给我补上了"经营"这堂关键必修课，让我从"做事"的层面，真正升级到"做局"的层面，成为我创业路上扭转困局的核心支撑。又一次我的老板在闲聊时问我，我为什么选择要读MBA呢，以上也是我的回答。

MBA最让我受益的，是帮我升级了视野。用经营思维，真正看见市场里藏在表象下的获利机会点。以前做市场，我只会盯着竞品的价格和功能，跟着别人的节奏走，永远赚不到认知之外的钱。但通过MBA里的经济学和市场分析课程，我学会了从供需关系、行业周期、政策导向的全局视角看市场。比如在分析细分领域时，我不再只看当下的销量，而是用经济模型预判未来的需求趋势，结合成本结构算出"最优盈利区间"，最终找到一个被大公司忽略的小众需求点。就像去年，我通过分析区域消费升级的经济数据，发现本地中小企业对"低成本数字化转型"的需求迫切，但市场上的解决方案要么太贵要么太复杂，于是我针对性地推出轻量化产品，短短半年就实现了盈利翻倍。这种"从经济规律里找机会，用经营思维抓盈利"的能力，正是商科学习带给我的核心价值。同时，不同学科的碰撞也让我打通了认知：管理学让我明白，找到机会只是第一步，能把机会落地的组织能力才是关键。商业历史案例则提醒我，再优质的获利机会，也需要避开周期陷阱，这都是保证收益稳定的重要前提。

“一个人做不大"的想法，在MBA学习中不仅得到印证，更让我找到了"整合全局"的经营解法。从市场分析到组织制度，搭建全方位的经营策略，才能让盈利持续放大。以前我带团队，只会把任务分配下去，却忽略了"组织能力要匹配市场机会”。比如找到轻量化数字化转型的机会后，初期因为团队分工模糊、激励不到位，导致交付效率低，客户投诉多，明明是好机会，却差点因为组织问题错失收益。后来，我把MBA学到的组织设计、激励机制知识用在实践中：先根据市场需求拆分核心业务模块，再对应搭建销售、交付、售后团队，同时设计"基础薪资+盈利分成"的激励方案，让团队目标和公司盈利目标绑定。这样一来，团队效率直接提升了40%，客户复购率也从30%涨到了60%。更重要的是，MBA圈层里的精英伙伴，不仅帮我验证了市场机会的可行性，还为我对接了不少中小企业资源，让我的经营策略能更快落地。这让我深刻体会到，商业盈利从来不是"单点突破"，而是"全局协同"。用市场分析找机会，用组织制度保落地，再用团队协作放大收益，这就是商科教给我的完整经营逻辑。

我曾反复琢磨"一人之公司的成长上限"，现在终于明白：个体的经营思维边界，就是盈利的上限。创业初期，我因为不懂经营，走了太多"赚小钱、丢大钱"的弯路。而MBA的学习，给我搭建起了从"找机会"到"稳盈利"的完整经营框架。比如用经济思维判断市场趋势，避免在周期低谷盲目投入。用成本收益模型优化定价策略，让每一笔订单都有合理利润。用战略规划思维布局长期业务，避免只盯着短期收益而错失长期机会。就像我现在做业务，会先通过市场分析锁定高毛利的细分领域，再根据行业周期调整投入节奏，同时用组织制度保障团队效率，最后通过客户关系管理提升复购率。这套流程下来，公司的盈利稳定性比以前提升了太多。这种"每一步决策都围绕经营盈利"的思维，是我以前靠理科思维永远悟不到的，也是商科学习带给我最宝贵的财富。

如今回望MBA的学习历程，我满心都是感恩。这份感恩，不只是因为它帮我赚到了更多钱，更因为它彻底重塑了我的经营认知。让我从一个只会"做事"的理科生，变成了一个懂得"做局"的经营者。让我明白，市场里的盈利机会从来都不是靠运气，而是靠经营思维的精准判断。让我掌握了从市场分析到组织制度的全局经营策略，能更从容地应对创业中的各种挑战。这段历程，是知识的积累，更是思维的蜕变、视野的升级。未来，我会带着这份经营智慧继续深耕创业之路，也始终铭记：商业的核心是盈利，而支撑盈利的，永远是扎实的经营思维。这就是我要读MBA的终极意义。

Peter Thiel：去中心化世界的"中心化帝国建造者"

Fri, 12 Dec 2025 10:51:30 +0800

【2025加密市场10大风云人物】

他是去中心化世界的"中心化帝国建造者"——Peter Thiel，从PayPal联合创始人到硅谷顶级投资人，他用"从0到1"的垄断思维，在加密世界构建了一个基于基础设施控制的庞大帝国。

说起Peter Thiel，大家都在聊他的《从0到1》和PayPal黑帮的传奇故事，但2025年的他，正在用实际行动证明：在这个看似去中心化的领域，真正的权力来自于控制底层协议，而非表面的去中心化。

基础设施投资：垄断思维的加密实践

2025年7月，Thiel旗下公司收购BitMine Immersion Technologies 9.1%股份，成为这家以太坊金库公司的最大投资者。这一动作完美体现了他的"从0到1"哲学：拒绝投资去中心化应用、GameFi和NFT等热门领域，转而聚焦Layer2扩展方案、合规基础设施、衍生品协议和稳定币网络。这个策略的核心就是：把底层基础设施攥在手里，就能拿到行业的"隐形垄断权"。

金融帝国：从交易到舆论的全方位布局

Thiel的加密帝国布局是全方位的：Bullish在纽交所成功上市，市值突破130亿美元；支持创建专门服务加密公司的Erebor Bank；通过CoinDesk控制行业舆论话语权；领投DeFi永续DEX Lighter使其成为15亿美元估值的独角兽。这些看似分散的布局，其实共同搭起了一个覆盖交易、银行、媒体、技术的完整加密金融生态系统。

审慎观点：权力洞察者的冷静判断

2025年末，Thiel对比特币前景表达了审慎观点，认为在被BlackRock等机构和政府"收编"后，比特币上涨空间被压缩，但波动性仍高。这种冷静判断来自于他对权力本质的深刻洞察：当去中心化技术被中心化机构大规模采用时，其原有属性必然发生改变，投资者需要重新评估其价值逻辑。

在加密世界，最聪明的投资者不是追逐热点的人，而是那些看清权力流向的人。Peter Thiel的加密帝国告诉我们：去中心化的技术，最终可能会通向一个更加中心化的权力结构——这或许就是创新的终极悖论。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

Brian Armstrong：加密世界的"合规基础设施建筑师"

Fri, 05 Dec 2025 10:44:21 +0800

【2025加密市场10大风云人物】

他是加密世界的"合规基础设施建筑师"——Brian Armstrong，从硅谷程序员到Coinbase创始人，他用15年时间证明：在这个充满不确定性的领域，合规不是创新的阻碍，而是大规模采用的基石。

说起Brian Armstrong，大家都在聊Coinbase的上市和估值，但2025年的他，正在用实际行动构建加密世界最庞大的合规基础设施帝国，这才是真正影响行业未来的关键。

基础设施霸权：以太坊网络的"隐形支柱"

2025年3月，Coinbase发布的验证者报告显示，公司运行12万个验证者节点，质押384万枚ETH，占全网质押以太坊的11.42%，成为以太坊网络最大的单一节点运营方。这个地位的意义在于，Armstrong握有加密世界第二大网络的关键基础设施，为以太坊的去中心化理想提供了中心化的稳定支撑。

合规战略：监管与创新的平衡大师

Armstrong的合规战略体现在多个层面：年初支持建立美国国家比特币战略储备，5月拒绝支付黑客2000万美元赎金并设立"缉凶悬赏基金"，11月将公司注册地迁至加密友好的德克萨斯州。这些决策让人们看到了他对"合规红利"的透彻理解——在监管框架里做事，不仅能赢得机构信任，还能在竞争中建立长期优势。

企业级布局：从交易所到金融基础设施

2025年，Armstrong将Coinbase定位从交易所升级为"全球加密金融基础设施提供商"：29亿美元收购Deribit打造衍生品平台，推出Coinbase Business等企业级产品，强调USDC在企业支付中的"真实痛点"解决能力。这种战略升级，将Coinbase从单纯的交易平台转变为连接传统金融与加密世界的桥梁。

在加密世界的混乱与创新中，Brian Armstrong证明了：真正的长期价值，来自于构建既能拥抱监管，又能推动基础设施进步的可持续生态——这才是加密行业走向主流的必由之路。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

孙宇晨：加密世界的"规则玩家"

Fri, 28 Nov 2025 10:14:16 +0800

【2025加密市场10大风云人物】

他是加密世界里最会"学规则、用规则"的玩家——孙宇晨，从被质疑的"币圈营销家"到登上《福布斯》封面，他的进阶之路，本质上是对游戏规则的深度理解与精准运用。

说起孙宇晨，大家都在聊他的营销手段和各种争议，但2025年的他，用实际行动证明了：在这个规则尚未完全成型的领域，最懂规则的人才能笑到最后。

从边缘到核心：规则突破的艺术

2025年3月，孙宇晨登上《福布斯》封面，被誉为"帮助特朗普家族实现4亿美元收益的加密亿万富翁"。这转变的背后，是他把规则边界摸得门清——从早期的代币营销，到后来的合规布局，孙宇晨总能在规则允许的范围内把自身利益最大化，完成了从行业边缘到核心玩家的跳跃。

多元布局：规则生态的构建

2025年，孙宇晨的各种布局让人们看到了他玩转不同规则体系的本事：为TUSD提供4.56亿美元资金避免脱锚，提交质押版TRX ETF申请，通过特朗普家族关联投行完成TRON反向合并上市，甚至斥资2800万美元成为最年轻华人商业宇航员。这些看似分散的动作，实则构建了一个覆盖金融、监管、媒体、甚至太空领域的规则生态网络。

认知反转：规则叙事的重构

2025年最引人注目的变化，是围绕孙宇晨的公众认知发生了深刻转变。他过往的课程和言论被重新解读，从"标新立异"变成了"前瞻性洞察"。这种认知反转，本质上是孙宇晨对"规则叙事"的成功重构——他不仅学会了游戏规则，更学会了如何让规则为自己的叙事服务，将质疑声转化为对"海洋文明思维"的认同。

在加密世界，真正的赢家不是破坏规则的人，而是最懂规则的人——他们既能在现有框架内游刃有余，又能在规则变迁时抢占先机。孙宇晨的故事，就是加密版的"规则炼金术"。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

商旅APP：伪装成C端产品的B端经济学困局

Tue, 25 Nov 2025 10:40:03 +0800

凌晨两点的吐槽：被商旅APP支配的恐惧

上周出差广州，凌晨两点赶最后一班航班回北京。在机场休息室里，我抱着电脑对着公司指定的「XX商旅」APP发呆——同样是预订返程机票，在「携程」上30秒搞定的操作，在这款APP里我已经耗了15分钟：

第一步填部门信息（明明系统里已经有我的档案）
第二步选审批单号（上个月的审批单还能选，我得翻5页找最新的）
第三步确认差旅标准（弹出3个提示框，必须逐一点「我知道了」）
第四步选座（只有3个靠窗位可选，携程上明明还剩12个）
第五步支付（提示「请选择支付方式」，但只有「企业月结」一个选项）

终于提交成功时，我突然意识到：这款每天被上万员工使用的APP，根本不是什么C端产品——它只是披着C端外衣的B端工具，而这背后的逻辑扭曲，才是体验灾难的根源。

「伪C端」的本质：买单的人不使用，使用的人不买单

上周和HR部门的同事吃饭，聊起这款商旅APP。她无奈地说：「我们去年招标时对比了5家服务商，最后选这家是因为他们的差旅管控系统最完善——能限制员工只能订经济舱，能自动识别超标酒店，能导出财务需要的所有报表。」

我瞬间明白了：

商旅APP的使用者是员工，但付费决策权在企业

这种「权责分离」的模式直接决定了产品的设计优先级：

企业关心「成本」：协议价低多少？能不能防止员工乱花钱？报表全不全？
商旅公司关心「订单」：企业想要什么功能，我就做什么功能，反正员工没得选
员工关心「体验」：这是最不重要的——因为我们既不买单，也没选择

某第三方评测机构2024年的报告很有意思：

员工投诉TOP3：操作繁琐、价格偏高、选择少
企业采购TOP3：成本节约率、合规率、数据导出功能

完全不在一个频道上。

产品人的愤怒：技术不是问题，态度才是

作为产品经理，我专门拆解过这款APP的前端代码——

不是技术做不到，而是根本没用心做。

比如：

登录页用的是5年前的表单组件，没有记住密码功能
搜索航班用的是分页加载，每页20条，翻页要重新请求
酒店详情页没有图片懒加载，打开需要8秒
个人信息页不能自动填充，每次都要重新输入

这些问题，随便找个初级前端工程师都能一周内解决。但商旅公司为什么不做？

因为优化员工体验不能直接带来订单。企业采购时不会问「你们APP的加载速度是多少」，只会问「你们能帮我们省多少钱」。

这种「甲方满意就行」的B端思维，和C端产品「用户至上」的逻辑，差了10个微信支付。

经济学的困局：三方博弈的无解循环

深入想一层，这其实是一场「三角博弈」：

🔵 企业：我要成本可控

企业引入商旅APP的核心需求是「降低管理成本」。

以前员工出差，申请、审批、预订、报销全是线下流程，HR要核对，财务要审计，一年下来光人工成本就要几十万。现在用APP，所有流程线上化，数据自动统计，确实省了不少事。

🟡 商旅公司：我要利润最大化

商旅公司的商业模式很简单：靠企业订单量赚钱。

在竞争激烈的市场里，谁能满足企业的管控需求，谁就能拿到订单。优化前端体验需要额外投入研发资源，而且不能直接转化为竞争力——反正员工只能用指定平台，体验差点也不会流失客户。

🔴 员工：我要好用就行

员工作为最终用户，却是最没话语权的一方。

我们既不能选择用哪个APP，也不能直接反馈给商旅公司。唯一能做的，就是在茶水间吐槽两句，然后继续忍受糟糕的体验。

这三个利益方的目标根本无法调和：企业要「管得严」，商旅公司要「赚得多」，员工要「用得顺」——就像三个方向的力，把产品拉扯得面目全非。

B端产品的终极命题：到底为谁服务？

上周参加产品经理沙龙，有位做企业服务的朋友说：「B端产品就是为付费客户服务的，员工体验不重要。」

我当场反驳：「那你有没有算过，员工每天花在糟糕APP上的时间，其实是企业的隐性成本？」

比如：

每个员工每月用商旅APP10次，每次多花5分钟
公司1000名员工，每月就是50000分钟 = 833小时
按平均时薪100元算，每月隐性成本就是83300元

而且，糟糕的体验还会导致员工抵触情绪——我认识的好几个朋友，为了避开繁琐流程，宁愿自己先垫钱在个人平台预订，然后找发票报销。这反而违背了企业引入商旅APP的初衷：管控风险。

破局之道：从「管控工具」到「效率伙伴」

其实已经有企业在尝试改变了。

我有个客户是一家互联网公司，他们要求商旅服务商做了这些改进：

自动填充信息：基于员工档案自动填写部门、职位、差旅标准
智能推荐：根据员工历史偏好推荐酒店和航班
隐性管控：管控逻辑在后台运行，前端只在超标时提示
一键报销：预订完成后自动生成报销单

结果如何？

员工满意度提升了60%
预订流程耗时减少了70%
企业差旅成本反而下降了5%（因为员工不再绕开系统）

这才是真正的双赢：企业拿到了想要的管控，员工获得了良好的体验，商旅公司也留住了客户。

最后的思考

昨天我又用了一次那款商旅APP——还是一样的繁琐，一样的慢。

马斯克：加密市场"强人时代"的符号

Fri, 21 Nov 2025 10:50:38 +0800

【2025加密市场10大风云人物】

他是加密市场"强人时代"的标志性人物——马斯克，从特斯拉的比特币持仓到社交媒体的市场影响力，他用个人意志重新定义了权力在加密世界的运作方式。

说起马斯克，大家都在聊他的万亿美元薪酬计划和太空探索雄心，但2025年的他，用实际行动证明了：他正成为加密市场权力集中化趋势的最大象征，这才是最值得关注的事实。

双重比特币策略：权力的选择性使用

2025年8月，SpaceX持有的比特币价值突破10亿美元，而特斯拉却在不利时机抛售了75%的比特币持仓。这种看似矛盾的策略背后，是马斯克对加密资产的实用主义态度——将比特币作为长期储备与短期战术工具的精准切换。这种个人决策能直接影响机构持仓策略，凸显了少数人对加密市场的巨大影响力。

社交媒体操控：个人意志的市场放大

作为狗狗币的长期支持者，马斯克的社交媒体动态始终是加密市场的晴雨表。2025年，他仅通过转载"绿章鱼"概念推文，就引发Solana链上Meme币的暴力拉升。这种"一句话定涨跌"的能力，让去中心化的理想面临现实的尴尬：代码的去中心化，敌不过个人影响力的集中化。

万亿美元薪酬：权力集中的终极体现

特斯拉股东以75%票数通过的万亿美元薪酬计划，将马斯克的个人利益与公司命运完全绑定。这一事件的深层意义在于，它为加密世界的"核心创始人+代币叙事"模式提供了现实参照：当一个人的意志能左右万亿美元级企业的战略与估值，那么去中心化协议中创始人的过度影响力也就不足为奇了。

当个人权威能轻易拨动加密市场的神经，去中心化理想正在遭遇最严峻的现实拷问——我们是否在用技术的去中心化，换取了人格的中心化？

2025年的马斯克，早已不再只是科技创业者，而是成为加密市场权力结构变化的缩影。他用实际行动证明：在这个由代码和叙事共同构建的世界里，个人影响力往往比技术设计更能决定权力的流向。

这种「强人时代」的到来，既是加密市场走向主流的必然产物，也是对去中心化初心的深刻挑战。当越来越多的「马斯克式」人物出现，我们不得不思考：加密世界的未来，究竟是走向更公平的分散权力，还是演变成另一场个人崇拜的游戏？

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

金正恩：国家级加密财政的极端实践

Fri, 14 Nov 2025 10:31:56 +0800

【2025加密市场10大风云人物】

他是将加密货币作为国家战略工具的"极端实践者"——金正恩，在国际制裁的压力下，将朝鲜变成了全球最具争议的"加密国家"，开创了国家级加密财政的极端模式。

说起朝鲜的加密活动，大家都在讨论黑客攻击和资产窃取，但2025年的金正恩，用实际行动证明了：加密货币已成为国家博弈的新战场，而朝鲜开创的国家级加密财政极端模式，才是最值得警惕的信号。

2025年，在全球加密市场建制化的光鲜表象之下，朝鲜通过其军方下属的黑客组织展现了另一种"加密国家化"路径。据Chainalysis和TRM Labs的追踪报告，朝鲜黑客在2025年累计窃取的加密资产总额约为20.2亿美元，这一数字超过了许多中小国家的年度财政收入。

国家级黑客网络：Lazarus Group的精准打击

Lazarus Group、APT38和Kimsuky等朝鲜黑客组织在2025年展现出令人震惊的技术能力和组织效率。2月，他们攻击加密货币交易所Bybit，盗取约15亿美元；11月，又成功渗透韩国最大的交易所Upbit，窃取3000万美元。这些攻击不再是随机的网络犯罪，而是高度组织化的国家战略行动，目标明确指向加密资产。

人才渗透：加密行业的隐形威胁

除了直接攻击，朝鲜特工开始大规模伪装身份申请加密公司职位。据调查，部分加密货币公司收到的求职申请中，约30%至40%被怀疑是试图渗透的朝鲜特工提交的。这种人才渗透策略，比直接攻击更具隐蔽性和长远影响，可能在未来几年对全球加密行业的安全构成更严重威胁。

加密财政：制裁下的生存策略

长期以来，国际社会通过金融制裁试图切断朝鲜的外汇来源，但加密货币的出现改变了这场博弈的底层规则。据联合国专家小组评估，朝鲜黑客窃取的加密资产中约60%用于规避制裁及核武器项目，30%维持政权稳定，10%投入网络攻击基础设施升级。这种"无税收、无市场、直接抽取"的极端加密财政模式，为朝鲜提供了制裁下的生存空间。

“加密货币一旦成为全球基础设施，它就不可避免地成为国家博弈的延伸。”

金正恩领导下的朝鲜加密实践，给整个行业提了个醒：当加密货币融入全球金融体系，它不仅带来了效率和创新，也成了国家间权力斗争的新工具。这种极端模式的存在，对全球加密监管和安全提出了前所未有的挑战，也给2025年加密市场的建制化进程添了层复杂的阴影。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

Vitalik Buterin：去中心化理想与机构化现实的平衡者

Fri, 07 Nov 2025 10:01:13 +0800

【2025加密市场10大风云人物】

他是在去中心化理想与机构化现实间寻找平衡的"技术哲人"——Vitalik Buterin，作为以太坊的创始人，他用十年时间将一个技术构想打造成了全球关键基础设施。

聊起Vitalik和以太坊的2025年，大家都盯着价格突破历史高点和机构持仓增长，但2025年的他，用实际行动证明了：他在去中心化理想和机构化现实之间找到了脆弱却关键的平衡，这才是最核心的价值所在。

2025年7月30日，以太坊迎来了十周岁生日。这天，Vitalik发布了《Ethereum 2035：Vitalik’s Vision for the Next Decade》，勾勒出以太坊从支持加密应用到成为全球关键基础设施的愿景。这可不只是一份技术路线图，更是对去中心化本质的一次深度思考。

技术突破：GKR协议的超级证明系统

10月20日，Vitalik宣布推出GKR协议（Goldreich–Kahan–Rothblum），这是个专门为高速证明生成设计的PoS/ZK计算框架，可以用在区块链和AI大规模计算上。这被看作是以太坊下一代的"超级证明系统"，也是以太坊轻量化战略的底层技术支撑。GKR协议的推出，既展示了Vitalik在技术创新上一直保持的领导力，也给以太坊应对机构化挑战提供了技术基础。

机构化警示：平衡的艺术

面对机构资本大规模涌入以太坊，Vitalik保持着清醒的谨慎。他觉得机构持续增持会带来两个大问题：一是可能把真正关心去中心化的用户和核心开发者挤走，造成社区流失；二是机构压力可能推动不合适的技术决策，让以太坊偏离原定的技术路线图。这种"既要又要"的平衡艺术，正好体现了Vitalik作为以太坊精神领袖的智慧和担当。

长远眼光：量子计算与未来十年

Vitalik的眼光看得比当下的市场波动远多了。在Devconnect大会上，他发出了严肃警告：量子计算可能在2028年美国总统大选前破解椭圆曲线密码学，催促以太坊必须在四年内升级到抗量子算法。这种超前思考，不只是关系到以太坊的技术安全，更是关系到整个加密行业的长远发展。

“以太坊的未来，不在于成为最大的金融平台，而在于成为最具韧性的去中心化基础设施。”

在2025年加密市场建制化的浪潮中，Vitalik扮演了至关重要的平衡者角色。他既要确保以太坊能够承载全球金融基础设施的重任，又要保持其去中心化和实验性的本质特征。这种平衡之道，不仅定义了以太坊的未来，也为整个加密行业指明了方向。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

赵长鹏：币安Alpha 2.0的权力转型

Fri, 31 Oct 2025 10:39:17 +0800

【2025加密市场10大风云人物】

他是从直接掌权转向间接操控的"权力大师"——赵长鹏，从法律阴影中东山再起，用更隐蔽的方式重新确立了币安在加密行业的霸主地位。

聊起赵长鹏的2025年，大家都盯着特朗普的总统赦免和他的东山再起，但2025年的他，用实际行动证明了：他从直接掌权变成了更隐蔽但更厉害的间接操控，这才是最值得关注的转变。

2025年对赵长鹏来说，绝对是从法律阴影里爬出来重新掌握行业话语权的关键一年。特朗普的总统赦免不仅让他重获自由，还秀了一把顶级的政治游说能力。但说真的，真正的权力游戏这才刚开始。

Alpha 2.0：商业革命的隐秘武器

币安2025年3月推出的Alpha 2.0平台，表面上是"发现早期Web3项目"的工具，其实是一场精心布局的商业革命。它不仅直接超过了OKX Wallet，把链上资产发行也纳入了币安生态，还直接把整个行业格局重新洗牌了。激活BSC链、威胁Solana地位、对二三线交易所形成降维打击，赵长鹏靠一个平台就重新巩固了币安的行业霸主地位。

社交媒体：市场情绪的隐形操控者

2025年，赵长鹏操控市场情绪的能力简直登峰造极。当"币安人生"迷因币4天内市值突破5亿美元、96小时狂涨6000倍时，他在X平台上随手发了个"#BNB meme szn"标签，直接引爆了整个BNB链的Meme币狂欢。这种"一句话就能影响数亿美元资产"的能力，连传统金融巨头都望尘莫及。

权力转型：从直接控制到间接影响

经历了法律风波后，赵长鹏不再追求明面上的权力巅峰，而是转向了更隐蔽的影响力构建。通过投资布局、社交媒体影响力、生态系统建设这些方式，他牢牢掌控着对加密行业的隐性控制。11月他投了Aster项目200万枚代币，表面上是看好去中心化永续合约赛道，其实也是在向市场宣告：他依然能重新定义行业的发展方向。

“真正的权力从不依赖于特定的职位或头衔，而在于对规则制定和市场预期的操控能力。”

赵长鹏用实际行动证明了一个道理：就算没了表面的头衔和职位，真正的权力玩家还是能靠创新的商业模式和精准的市场操控，重新确立自己在行业里的统治地位。他2025年的复出，不只是个人命运的转折点，更是加密行业权力结构的大洗牌。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

Tom Lee：华尔街与加密世界的关键桥梁

Fri, 24 Oct 2025 10:07:27 +0800

【2025加密市场10大风云人物】

他是连接华尔街与加密世界的"关键桥梁"——Tom Lee，从传统金融分析师到加密资产布道者，他用华尔街能理解的语言重新定义了加密市场的价值表达。

说起Tom Lee在加密圈的影响力，大家都盯着他的价格预测准不准、赚了多少钱，但2025年的他，用实际行动证明了：他最牛的地方是第一个把华尔街那套分析框架带到了加密世界，这才是真正的价值所在。

Tom Lee是华尔街最早喊多比特币的分析师之一，而且影响特别大——但他绝不是只会猜价格的。2017年那会主流金融圈提起比特币就翻白眼，他却敢说比特币能涨到25,000美元。这个预测让他一炮而红，更重要的是，他给比特币搞出了一套能让华尔街认真对待的估值方法。

估值模型：加密资产的华尔街语言

2018年，Lee搞出了比特币痛苦指数（BMI），还有成本模型和网络效应模型——这可是华尔街第一次认可的比特币估值框架。这些模型最厉害的地方，是用传统金融机构听得懂的话解释了加密资产为啥值钱，直接给机构投资者进加密市场扫清了认知障碍。

以太坊超级周期：从理论到实践

2025年，Lee把目光转向了以太坊，说以太坊正进入"超级周期"。在他的猛吹之下，市场情绪直接被点燃，以太坊8月就突破历史高点，差点摸到5,000美元。更狠的是，他当董事长的BitMine公司疯狂囤以太坊，到2025年底手里攥着超过400万枚ETH，占总供应量的3.37%左右。

双向催化剂：连接两个世界的桥梁

Lee真正厉害的是他的"双向催化"能力——不仅把华尔街的分析框架和投资逻辑带到了加密世界，还把加密资产的创新价值讲给传统金融机构听。这种双向沟通直接打破了两个世界之间的墙，给2025年加密市场的机构化进程加了把劲。

“加密资产不需要被华尔街理解，而是需要用华尔街能理解的方式表达自己。”

2025年加密市场能被主流接受，Tom Lee这个桥梁角色太重要了。他用传统金融的话把加密世界的价值讲明白了，给机构资本大规模进加密市场铺了路，成了两个世界融合的关键催化剂。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

Michael Saylor：企业财库革命的真正先驱

Fri, 17 Oct 2025 10:38:36 +0800

【2025加密市场10大风云人物】

他是改写企业财库规则的"数字资产先锋"——Michael Saylor，从传统软件企业家到加密资产布道者，他用比特币为企业价值储存开辟了全新路径。

说起Saylor和Strategy的比特币持仓，大家都盯着价格涨跌和市值数字，但2025年的他，用实际行动证明了：他彻底改写了企业财库的价值储存规则，这才是最值得关注的突破。

2020年8月，Strategy砸下2.5亿美元买了21,454枚比特币——这哪是普通投资？直接把比特币从投机工具变成了企业财务的标配，顺带让全球企业财库管理换了个玩法。

DAT模型：企业财库的新玩法

Saylor捣鼓出的"数字资产财库（DAT）模型"，给企业界重新定义了价值储存——哪是简单调调资产配置？直接把传统企业财库那套全打翻了。他硬把比特币说成"抗通胀的数字黄金"，给企业指了条不用吊死在法定货币上的新路子。

叙事重塑：从投机到长期资产

Saylor最绝的是，把比特币在企业圈的形象彻底扭转了。他见人就念叨：“我们不是炒币，是为了保护股东价值搞长期资产配置”。这套说辞居然真的让传统金融圈放下了对加密资产的偏见，把比特币当成了企业财库的"常规选项"。

行业浪潮：上市公司跟风持币

Strategy的示范效应，掀起了上市公司持币潮。据BitcoinTreasuries数据，现在已有192家上市公司持有约109万枚比特币，占全球流通量的5.45%。哪怕最近市场调整导致Strategy股价下跌，Saylor仍咬死长期策略——除非比特币跌破1万美元，否则绝不卖。

“企业财库的未来，或许不在银行账户里，而在区块链上。”

Saylor的贡献哪是让一家公司囤点比特币这么简单？他直接给企业价值储存开了个新玩法。2025年加密市场能这么快被主流接受，他的DAT模型功不可没——就像在传统企业和加密资产之间搭了座桥，把加密货币硬生生推进了主流金融体系。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

特朗普：政治权威成为加密价值的新锚点

Fri, 10 Oct 2025 10:21:07 +0800

【2025加密市场10大风云人物】

他是用政治权威重新定义加密价值的"权力玩家"——特朗普，从总统身份到加密代币，他将政治资本直接兑换为数字资产价值，开创了加密市场的全新玩法。

说起特朗普的加密布局，大家都盯着"总统代币"的价格疯涨和他的个人财富，但2025年的他，用实际行动证明了：政治权威正成为加密资产价值的新锚点，这才是最值得关注的转变。

2025年1月，特朗普就职前三天在Solana链上推出"Trump"代币，借总统身份的隐性背书，价格一度冲至75美元，净赚3.5亿美元。这可不是普通的名人代币炒作，而是把政治权力直接换成加密价值的标志性事件。

总统代币：政治资本的加密变现

特朗普的"总统代币"不是临时起意的资本游戏，而是精心设计的政治-金融联动工具。它把总统影响力直接绑在数字资产上，开创了"政治IP+加密资产"的全新变现玩法——核心不是技术有多新，而是权力背书带来的价值转移。

行政命令：加密行业的制度重构

特朗普政府连番发布行政命令：禁止CBDC、设立"美国战略比特币储备"、签署《GENIUS Act》，一步步重构加密行业的规则。这些政策既让比特币在国家金融体系有了正式地位，也给稳定币搭好了监管框架，意味着加密货币正式融入全球金融体系了。

家族金融帝国：权力的延伸渗透

特朗普家族通过World Liberty Financial运营WLFI治理代币和USD1稳定币，进一步将政治权力延伸至金融领域。据《金融时报》统计，公司靠卖代币和稳定币业务赚了32亿美元以上，特朗普家族持有38%股权——政治权力正通过家族企业深度渗透加密金融领域。

当政治权威主动拥抱加密，它将成为比技术更强大的价值锚点。

特朗普的加密布局让我们看到了行业的深层变化：从追求去中心化的技术理想，转向和传统权力结构深度融合。政治权威正成为影响加密资产价值的关键变量，这或许是2025年加密行业最具冲击力的变革。

「10个人-2025年的加密市场重要人物志」系列

本系列聚焦2025年加密市场的关键人物，通过他们的布局与决策，解读加密行业从边缘到主流的转变逻辑。

杰克韦尔奇"数一数二"原则的现代企业实践

Thu, 10 Jul 2025 16:05:25 +0800

“数一数二”原则的现代应用

杰克韦尔奇提出的“数一数二”原则——企业应聚焦于能在市场中占据第一或第二位置的业务——在今天仍有深刻的现实意义。

案例分析：某科技公司的业务重组

某中型科技公司曾同时运营6条业务线，但多数处于行业中游。借鉴韦尔奇的原则，公司进行了业务重组：

保留并强化2条市场份额前三的核心业务
出售3条缺乏竞争优势的非核心业务
终止1条长期亏损的实验性业务

重组后，公司净利润提升35%，核心业务的市场份额进一步扩大。

现代解读

在VUCA（易变、不确定、复杂、模糊）时代，“数一数二”原则有了新的内涵：

从规模到价值：不仅追求市场份额，更注重创造独特价值
从单一到多元：在核心领域保持领先，同时在相关领域适度探索
从静态到动态：定期评估业务竞争力，保持战略灵活性

反思与平衡

韦尔奇的原则并非绝对，企业需平衡：

短期盈利与长期创新：避免过度聚焦核心业务而忽视未来机会
规模优势与组织灵活性：大并不总是好，敏捷性同样重要
市场地位与社会责任：领先地位需与可持续发展相结合

杰克韦尔奇的管理思想穿越时空，提醒现代企业：聚焦核心竞争力永远是成功的基础。

【AI数学】30分钟拆解AI核心公式-复习笔记

Thu, 16 Jan 2025 10:27:39 +0800

上一篇我们搞定了符号，这一篇直接拆解AI论文中出现频率最高的6个公式。每个公式都是：问题→公式→拆解→代码。

前置要求：读完上一篇符号速查手册。

一、Softmax与交叉熵损失

问题：如何把模型输出变成概率？

神经网络输出的是一堆数字（logits），可能是负数、可能很大。我们需要把它们变成概率分布（非负、和为1）。

公式

$$\text{softmax}(x_i) = \frac{e^{x_i}}{\sum_{j=1}^{K} e^{x_j}}$$

拆解

$e^{x_i}$：指数函数，把任意数变成正数
$\sum_{j=1}^{K} e^{x_j}$：所有指数的和，用于归一化
除法：确保结果和为1

为什么用指数？ 因为指数函数会放大差异——大的更大，小的更小，让模型更"自信"。

代码实现

import numpy as np

def softmax(x):
    """
    输入: x, shape (K,) 或 (batch, K)
    输出: 概率分布，shape同输入
    """
    # 减去最大值防止数值溢出（数学上等价）
    exp_x = np.exp(x - np.max(x, axis=-1, keepdims=True))
    return exp_x / np.sum(exp_x, axis=-1, keepdims=True)

# 示例
logits = np.array([2.0, 1.0, 0.1])
probs = softmax(logits)
print(probs)  # [0.659, 0.242, 0.099]
print(probs.sum())  # 1.0

交叉熵损失

有了概率，如何衡量预测和真实标签的差距？

$$L = -\sum_{i=1}^{K} y_i \log(\hat{y}_i)$$

其中 $y_i$ 是真实标签（one-hot），$\hat{y}_i$ 是预测概率。

简化形式（单标签分类）： $$L = -\log(\hat{y}_{correct})$$

就是正确类别的概率取负对数。概率越高，损失越小。

def cross_entropy_loss(probs, label):
    """
    probs: softmax输出的概率, shape (K,)
    label: 正确类别的索引, int
    """
    return -np.log(probs[label] + 1e-10)  # 加小数防止log(0)

# 示例
probs = np.array([0.7, 0.2, 0.1])
loss = cross_entropy_loss(probs, label=0)  # 正确类别是0
print(loss)  # 0.357（概率0.7对应的损失）

二、注意力机制（Attention）

问题：如何让模型"关注"输入的不同部分？

翻译"我爱北京"时，生成"Beijing"应该主要关注"北京"这个词，而不是平均关注所有词。

【AI数学】30分钟搞懂AI论文里的数学符号-复习笔记

Wed, 15 Jan 2025 10:55:01 +0800

读AI论文最大的障碍不是英语，是数学符号。看到 $\sum$、$\nabla$、$\mathbb{E}$ 就头大？本文用符号→读法→含义→代码的模式，30分钟帮你扫清障碍。

前置要求：高中数学水平，会基础Python。

一、求和与连乘

1.1 求和符号 $\sum$

读法：Sigma（西格玛），读作"sum"

含义：把一堆数加起来

公式示例： $$\sum_{i=1}^{n} x_i = x_1 + x_2 + \cdots + x_n$$

论文中常见形式：

损失函数：$L = \sum_{i=1}^{N} \ell(y_i, \hat{y}_i)$（所有样本的损失加起来）
注意力权重：$c = \sum_{i=1}^{T} \alpha_i h_i$（加权求和）

Python实现：

import numpy as np

# 方法1：直接求和
x = [1, 2, 3, 4, 5]
result = sum(x)  # 15

# 方法2：NumPy
x = np.array([1, 2, 3, 4, 5])
result = np.sum(x)  # 15

# 方法3：带条件的求和（论文常见）
# 例如：只对正数求和
result = sum(xi for xi in x if xi > 0)

1.2 连乘符号 $\prod$

读法：Pi（派），读作"product"

含义：把一堆数乘起来

公式示例： $$\prod_{i=1}^{n} x_i = x_1 \times x_2 \times \cdots \times x_n$$

论文中常见形式：

从GE的"活力曲线"看杰克韦尔奇的管理智慧

Fri, 22 Nov 2024 14:18:42 +0800

深度解析通用电气杰克韦尔奇的"活力曲线"管理法：20-70-10绩效分类、差异化激励、组织新陈代谢，以及对企业管理的启示与反思。