silence

这下完了，这个房子废了。砍断一根，底下会密密麻麻分布一片竹笋根，这家伙不仅力量大能穿透水泥地，而且长得贼快，这么大根也就半天，视频开头有类似娃叫，那就是竹笋生长的声音，太吓人了😨😨

「财新」当期出刊特稿：经济复苏了吗？ - 结论是肯定的，Q1的GDP涨了5个点，出口和工业生产两大引擎还在快速增长，去年出现下降的固定资产投资也回到微增趋势，最重要的是PPI在3月同比转正，走出了连续41个月为负值的低谷，价格水平的改善是最明确的证据； - 出口增速高达14.7%，相当强劲，而且质量很高，代表新动能的机电产品占到了出口总额的六成以上，而且基于中国加工贸易的模式，出口繁荣也反过来拉动了进口数据超预期的大增22.7%； - 供应强于需求、外需强于内需的结构依然保持，消费、地产、居民收入等薄弱板块与大盘轻微背离，体感上的温差确实存在； - 主流经济学理论是期待通胀的，尤其是剔除掉能源波动的通胀回升，以及房地产的跌幅收窄，这些迹象的出现才意味着内需走强，必须摆脱低物价的困扰，目前来看，除了PPI，CPI也在回涨，这都是乐观信号； - 如果分得更细一点，生产资料是有在涨价，生活资料却还在下跌，意味着上下游剪刀差扩大，直接面向消费端的下游企业会比较难受，没有完全摆脱增收不增利的陷阱； - 上市公司的人均工资收入也在去年成功止跌，虽然没有大幅增加，但至少不再处于下行阶段，经济学家认为宏观复苏的既定节奏传递到个人收入上是有滞后性的，商品涨价-企业增收-扩大投入-工资增长的完整循环可能还要等上几个季度甚至更久； - 固定资产投资的反弹取决于AI基建热潮和国家政策托底的双重拉动，财政支出在Q1完成年初预算的速度为近5年最快，服务于数据中心、新能源汽车的电力投资也是亮点； - 地方政府的化债形势仍然严峻，因为土地出让收入一直在萎缩，叠加付息支出之后压力很大，但监管起来既不能过于严苛，也不能放任不为，只要兜底原则持续，就不会出现无法解决的问题，需要和时间做朋友，循序消化出清。

@li58186604 @DiamondHal77842 @lijinxinglvshi 机长搏斗中大骂习，所以录音根本不敢公开

@DiamondHal77842 @lijinxinglvshi 我就奇怪为什么要隐瞒，这种事好多国家都发生过，跟他一点关系都没有啊，最多民航总局担点责任

从东航坠机事故调查看,他哪有啥执政能力.

真心劝所有人，都去冲斯坦福这场两小时封神讲座 直接把ChatGPT，Claude所有主流大模型底层核心逻辑扒得底朝天，讲得通透到离谱！ 全程全是硬核干货，含金量直接拉满 很多知识点就算是AI圈内老从业者，平时压根接触不到、根本没人肯讲 别再天天沉迷碎片化短视频瞎耗时间浪费生命了 赶紧先收藏码死，抽两小时沉下心一口气看完！ 看完直接颠覆认知，这绝对是你这周最值最赚 提升最大的一次深度学习，没有之一！

@Maxwell_SCU 直接原因是机长最后大骂习近平，所以没发公开录音

东航机长似乎购买了恒大理财，同时过得也不顺，和同事有矛盾。当然倒霉蛋多了，再倒霉也不能去屠杀无辜乘客生命，不过这也使得处理房地产的一些措施内部有争议，甚至有可能影响当时领导力推的既定方针，据说是从某个维护的角度出发，这事儿不向社会公布

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

吴恩达 2026 年新课《AI Prompting for Everyone》21 节看完，提炼最值得抄的 6 条： 1️⃣ 新手和高手差 5-10 倍产出，差在 4 个维度：问题难度、上下文、是否引导、写作流程 2️⃣ 信息获取分 3 层：pretrained / web search / deep research 复杂任务用 deep research 比手刷网页快几十倍 3️⃣ Context 窗口能塞 75 万字（≈ 哈利波特前 4-5 本） 换话题就开新对话防污染 4️⃣ 忘掉 "Let's think step by step"，现在直接说 think hard 或 ultrathink 模型自己知道展开多少推理 5️⃣ ChatGPT 同意你的频率比不同意高 10 倍 反 sycophancy 4 招：中性提问 / 给评分卡 / 别埋偏见 / 列双方案 6️⃣ AI slop 4 大特征：滥用破折号、delve/nuanced、三人组排比、空洞 not X but Y 写作走渐进式大纲（出大纲 → bullet → 正文），不要让 AI 直接写正文 完整课程免费：learn.deeplearning.ai/courses/ai-pro…

邱国鹭大佬这段内容值得反复听，至少三遍以上。

🚨 行业大消息！华尔街顶尖机构Jane Street一名在校大三学生，直接拿下年薪22万至60万美元的高薪岗位。 核心原因很简单：他借助AI工具，处理分析海量数据的速度，远远甩开了机构里绝大多数资深交易团队。 这套逻辑，放在Polymarket预测市场同样适用，拼的从来不是直觉瞎猜，而是AI对海量数据的拆解与捕捉能力。 在一场一小时的干货讲座里，他完整拆解了整套落地系统的底层逻辑： • 如何高效研读、梳理海量行业与市场数据集 • AI怎样精准捕捉人类肉眼容易忽略的行情规律、定价偏差 • 自建机器模型如何把原始数据，直接转化成可落地的交易决策 • 普通人怎么照搬这套思维，复刻到Polymarket等预测市场里赚钱 今晚别再刷剧追Netflix浪费时间了。 静下心花一小时看完这场分享就够了。 短短一个小时，足以颠覆你对市场研究、AI赋能，以及Polymarket机会红利的所有认知。

自由图书《The Little Book of Deep Learning》 这本书的排版也非常适合在手机上阅读

网上的机器学习教程常见两种极端：要么满屏公式、讲得抽象难啃；要么只教你调框架、原理一笔带过。结果学完能跑代码，却抓不住算法的核心。 我在 GitHub 上挖到一本开源免费电子书《Applied Machine Learning in Python》，路线清晰、体系完整，把数学推导和 Python 实现紧密绑在一起，真正做到“懂原理，也会写”。 从线性回归一路到神经网络，每个算法不仅有完整推导，还给出纯 Python 的手工实现；再配上交互式可视化，把原本晦涩的数学概念变成看得见、摸得着的训练过程。 GitHub：github.com/GeostatsGuy/Ma… 在线阅读：geostatsguy.github.io/MachineLearnin… 你将学到： - 覆盖 30+ 算法：回归、分类、聚类、降维一网打尽 - 每个算法：详细推导 + 纯 Python 手写实现，不止会用，更能理解 - 深度学习：ANN、CNN、自编码器、GAN 等主流架构系统讲透 - 交互式可视化：训练过程、参数变化一目了然 - 配套资源齐全：YouTube 讲座 + 完整代码仓库 全书免费在线读、代码全部开源，适合想系统入门并真正吃透机器学习原理的开发者。

MIT 静悄悄放了 12 本 AI 教材出来，全部免费。同样内容去美国念个学位，学费要 5 万美元。 cyrilXBT 整理的清单，分四类。 【基础】 1. Foundations of Machine Learning（Mohri 等）：经典 ML 教材，PAC 学习理论到核方法 cs.nyu.edu/~mohri/mlbook/ 2. Mathematics for Machine Learning：ML 背后的线代、概率、微积分 mml-book.github.io 3. Probabilistic Machine Learning Part 2（Kevin Murphy）：概率视角下的 ML 高级篇 probml.github.io/pml-book/book2… 【深度学习】 4. Deep Learning（Goodfellow/Bengio/Courville）：业内俗称"花书" deeplearningbook.org 5. Understanding Deep Learning（Simon Prince）：2025 新版，配 Python notebook，比花书更新更友好 udlbook.github.io/udlbook/ 【强化学习】 6. Reinforcement Learning: An Introduction（Sutton & Barto）：RL 圣经，做 Agent 必看 incompleteideas.net/book/the-book-… 7. Distributional Reinforcement Learning：第一本系统讲分布式 RL 的教材 distributional-rl.org 8. Multi-Agent Reinforcement Learning：多 Agent 协作完整入门 marl-book.com 【应用与工程】 9. Foundations of Computer Vision（Torralba 等）：现代 CV 全景图 visionbook.mit.edu 10. Machine Learning Systems：ML 模型的系统工程化 mlsysbook.ai 11. Machine Learning in Production：从模型到真正的产品 mlip-cmu.github.io/book/ 12. Fairness and Machine Learning：AI 公平性问题 fairmlbook.org 啃下来需要一点数学和编程基础。如果你只是想"了解 AI"，这些书太硬，去找科普书更合适。但要真搞懂 AI 是怎么回事的人，看这些比看 100 篇科普文章都管用。

2026年最新出炉，全程高能 斯坦福教授AI讲座，本质上就是把未来3年谁赚钱，谁被淘汰，提前剧透了一遍。 看懂的人已经在布局了，看不懂的人还在拼命学技术 非常值得刷

方才有空暇，简单写个4月政治局简评： 1、对今年以来的经济形势评价颇高：“我国经济起步有力，主要指标好于预期，彰显强大韧性和活力”。 这个评价基本是完全照搬了何的评价（上期简报总结过），这个评价甚至比统计局同志的评价还要高。 2、对当前问题的判断，相应也比较保守：“也面临一些困难和挑战，经济持续稳中向好的基础还需进一步巩固”。 这是认为问题有所好转的表现，比如上周简报前瞻认为“供强需弱”问题可能被弱化，这里直接没有再提及。 如果以价格指标衡量“供强需弱”的话，该问题确实在好转。 对经济评价颇高，问题又边际降级，确实足以“增强信心”，对应宏观政策也自然应该降级。 虽然有提“以更大力度和更实举措抓好经济工作”，但这放在的是过去应对中长期的“信心底气”的部分，是一个务虚的位置，也是一个务虚的提法，不是对接下来经济工作的指导标准。 3、因此，对宏观政策的定调已经做出重大改变，不再提“更加积极有为”，转而说“用好用足”。 变化脉络：“超常规+更加积极有为”(924之后) → “更加积极有为”(25年) → “用好用足”（如今） 4、对于财政和货币政策的定调，还是“更加积极”和“适度宽松”。 这没问题，一般情况下4月政治局不会这么快推翻此前经济工作会议定下的基调，而且这两者的定调改变对预期影响也非常之大，这么着急做改变，也不利于稳预期。 但还是再这两者前面加了一句“精准有效实施”的限定语，这也是对财政货币政策的弱化表述，与前面对宏观政策的弱化相呼应。 4、所以宏观增量政策就别想了。 上周简报提出的“政策天平”，几乎是快全面导向高质量发展（产业政策、监管政策、适当的改革政策、应对外部冲击的未雨绸缪，如能源安全等）。 所以后面部署的任务基本与高质量发展有关，比如侧重于生产性的服务业、电网等六网、统一大市场和内卷、人工智能+(座谈会部署)、能源安全、拖欠企业账款问题等等，这些都是高质量发展和外部冲击的方向，上周简报前瞻中也基本都有提及，大致政策方向可以说和此前的前瞻基本一致。 5、不过，这次没有提及“城乡居民增收计划”，这是上周简报有提及，经济工作会议也有部署，市场也翘首以盼的关键政策。但这里没有提及，不知道是要继续难产推迟，还是因为经济和预期转好，这项工作的紧迫性下降，又可以稍微放一放了？ 不过不止这一个文件没有提及，其他也没有。比如此前座谈会应该有讨论过两个文件，一个是教育科技人才发展方案(上周简报有提及)，另一个就是城乡居民增收计划。 前者应该不久能出来，后者可能就不一定了，希望即使又推迟 也不要推迟太久。 6、直接提生猪价格，是非常罕见的。 不过此前经济工作会议已有迹象，当时没有这么直白，说的是稳定农产品价格。今年以来，显然生猪价格是最不稳且影响也最大的，所以直接点名批评生猪了。 前两周农业部开过生猪座谈会，当时韩俊在会上的措辞确实比过去更加激烈，难怪，原来是上升到最高级别关注事项了，肯定也是挨了批评的。 接下来这方面应该会有更大的力度，比如调整能繁母猪目标保有量等手段，去年简报也有提过。 7、房地产一如预期没有什么变化。 说没有变化也不对，由此前经济工作会议“着力稳定”，变为了“努力稳定”，这一字之差，不能说明政策方向上的边际变化。 但往往有强调的意味，能说明的是，决策层还是关注房地产，并且认为还是房地产还是需要“努力稳定”，没有因为最近市场一致鼓吹“企稳甚至回升”的形势大好，而这么快改变对房地产的政策基调。 当然也有和前面财政货币基调不改，有类似考虑，即为了稳定预期。 ...更多会在本周简报中展开

4 月政治局会议，最重要的是对宏观政策的定调，拿掉了“更加积极有为”的说法，改用“用好用足”是很明显的弱化。 变化脉络： “超常规+更加积极有为” ↓ “更加积极有为” （不再“超常规”） ↓ “用好用足” （不再说“积极有为”） 本次会议定调和关键方向，与我上周简报分析完全一致，转向高质量发展和外部冲击。

Andrej Karpathy 本可以将这个打包成一个 2000 美元的大师课程。 相反，他免费上传到了 YouTube。 三小时内容，涵盖现代 LLM 的实际工作原理： 分词、神经网络、RLHF、幻觉、工具使用、强化学习，以及像 AlphaGo 和 DeepSeek 这样的系统。 《Andrej Karpathy 大师》中字 pan.quark.cn/s/b019ffff1c5d