四、行业格局预判：国内基座模型将洗牌收敛，中美差距仅在算力资源 1、国内市场：资源分散，最终仅留存 3-4 家基座厂商 当下国内自研大模型基座企业数量过多，算力、人才资源分散，大量重复研发造成资源浪费。长期行业会快速洗牌收敛，若每家厂商都只追求合理利润，最终仅需 2 家大厂 + 2 家创业公司，即可完成充分市场竞争，行业暴利空间会彻底消失，成本控制能力将拉开企业差距 2、国际竞争：海外头部交替领先，中美无人才代差 Anthropic 现阶段在代码智能体赛道小幅领先 OpenAI，但属于阶段性优势，未来 OpenAI 与 Google 会交替领跑行业 中美 AI 不存在人才层面代差，国内科研人才储备充足，双方唯一硬性差距是算力硬件资源。美国头部企业拥有海量高端 GPU，可训练 800B 超大激活参数模型 国内算力供给受限，仅能稳定训练几十 B 规模模型。DeepSeek 的追赶目标：依靠架构、推理效率创新，以远少于美方的算力投入，将中美技术代差从 1-2 年缩短至 3-6 个月 五、唯一不可退让底线：团队稳定，是实现 AGI 的核心根基 整场 4 小时交流中，梁文锋明确公司唯一无法妥协的核心利益：保持核心团队稳定 只要核心人员不流失，算力、资金、硬件资源都可以逐步补齐，做成 AGI 只是时间早晚问题；人才流失，才是公司最大风险 本轮大额融资落地后，团队发放大额期权，大幅化解人员流失隐患。对比同行，DeepSeek 人才流动率长期处于行业低位，多数研究员入局初衷是完成通用人工智能，而非单纯追逐高薪 同时公司采用松弛型科研组织架构：无硬性 KPI，研发工作分为上下两条线，统一协同任务不占用员工一半时间，剩余时间研究员可自由探索感兴趣的技术方向，不强制加班，保障创新研究氛围。公司不靠规章制度管理，依靠统一的 AGI 愿景凝聚所有人 六、算力破局：TileLang 打破 CUDA 垄断，国产芯片生态一年之内完成验证 算力是国内 AI 追赶海外的最大掣肘 现有算力现状当前拥有约 2 万张 H 等效算力，华为供给 16000 张 950 卡，仅等效 4000 张英伟达 B 系列显卡，仅支撑现有几十 B 模型训练，不足以研发下一代百 B 级超大模型。资金使用策略：融资全部优先转化为算力，只要硬件价格合理，不计成本大批量采购英伟达、国产芯片，半年内花完融资是最优状态；长期自建算力集群，但暂无自研芯片计划，优先市场化采购硬件 TileLang 底层架构，彻底摆脱英伟达 CUDA 依赖自研高级算子语言 TileLang 是国产算力适配的核心抓手，V3 系列模型已完全脱离 CUDA 生态运行：算子开发代码量大幅精简，开发效率显著提升，整体推理性能相比传统方案小幅优化；深度适配华为昇腾芯片，仅少量修改即可完成跨硬件迁移，抹平国产卡适配门槛；同时依托 AI 辅助编写底层算子，持续完善国产算力配套生态 梁文锋判断：未来 1 年内，市场 “国产芯片生态不完善” 的固有认知将被彻底扭转。当前国产硬件最大瓶颈并非软件适配，而是产能不足；华为 950 性能可平替英伟达 GB200/GB300，仅存在四倍算力差距、两年代差，长期具备完整替代潜力 七、商业化兜底：B 端收入稳步增长，不靠短期变现透支长期研发 DeepSeek 不以商业化营收为核心目标，但商业模式具备充足兜底能力，不存在长期亏损风险： To B 业务增长乐观，若算力供给充足，年度 ARR 有望冲击数亿美金规模，现金流可覆盖全部研发、人力成本 C 端仅低成本维持基础服务，不主动做流量变现、增值付费 长期不做全产业链垂直整合，基座模型是核心赛道，应用层、垂直场景全部开放给合作伙伴共建生态 保底方案：即便技术迭代停滞，仅依靠标准化 API 付费服务，也足以支撑上市公司完整业绩

宁可我负天下人——中美巨头的宿命 当大多数中国AI公司都用免费招揽客户的时候，美国的同行在进行一个疯狂的商业试验，越是对核心用户： 他们涨价越凶。 OpenAI的收费等级已经有六层，像六把镰刀大力收割付费用户；黄仁勋多次力挺的Perplexity，也在大力涨价，首席执行官多次说： 没有上限，你花多少钱都行。 最典型的是Anthropic， 2025 年初，他们宣布涨价，Claude API 的价格比对手高出 50%。 所有人都以为这是一个坏主意，用户会大量流失。但现实接连打脸，Claude 在B端市场不仅没有下降，反而上升了，甚至远远甩开了OpenAI。 这家完全不管用户死活的企业，现在是人类有史以来收入增长最猛的企业。 1 在中国，这种事情是不可想象的。 不是企业不想涨价，而是多数行业的定价权正在流失。比亚迪卖一辆车，就赚几千块钱；光伏板漂洋过海卖到欧洲，欧洲人拿来当瓷砖砌墙；亚朵好不容易做成了一款上千块的被子，马上就有无数“代工厂”跳出来，把价格砍到一折。 工业克苏鲁的诅咒就是，现在没有人想做品牌了，企业辛辛苦苦建立的品牌，非但不能带来溢价和护城河，反而成了一笔沉重的成本负担。对很多企业来说： 品牌是负资产。 经历了一轮毒打的房地产公司，更是已经完全沦为组装工厂；连豪宅也都在比拼功能参数，没有任何溢价。几乎所有开发商，都退回极致性价比： 白牌路线。 但现在，一个非常有种的企业跳出来了。 2024年10月20日，宸嘉发展击败了一众央企国企，在万众瞩目之下，买下了徐汇区龙华街道的两万方地块，楼面价超过12万/平方米。 从那天开始，这个地块从公众眼中消失了18个月，在以资金周转率为第一要务的房地产行业，几乎是不可想象的。更何况，这块地并不大。 前几天，这个名为嘉佰道·徐汇的项目姗姗来迟，终于低调开门了，价格十分炸裂，120平小户型的高层住宅，总价要超过2000万；叠墅更是要： 7000万起。 可以说，放眼中国房地产历史，叠墅还没有这么贵过。 7000万元人民币，相当于1000万美元了，在上海足够买下大多数独栋别墅，足够拿到美国比富丽山庄别墅的入场资格；在伦敦切尔西，也够买一幢传统排屋。 但在嘉佰道·徐汇，它只是一套叠墅。 定价即经营，定价即生死，嘉佰道·徐汇却非要跳出务实的生存策略，挑战的那个固若金汤的定价体系： 宁可我负天下人。 2 1982年，有一位15岁的少年天才站到杨振宁面前，想做他的研究生。在面试中，杨振宁问的量子力学问题，他都对答如流。但有一个问题，却回答不出来： 这些问题，哪一个你觉得是美妙的？ 杨振宁因此而拒绝了这位天才，理由是他没有发展出taste（品味）。 嘉佰道·徐汇在找的，是愿意为taste买单的那批客户，验资只是第一步。保罗福赛尔在《格调》里说： 与金钱同样重要的因素还有风范、品味和认知水平。 嘉佰道·徐汇可能是上海最低调的千万美元住宅，入口藏在龙华西路上，参观者在正式进入之前，要先穿过前院，来到艺术前厅。 艺术前厅面积并不大，挑高也不算夸张，没有任何富丽堂皇的装饰。光从穹顶静静地打下来。 这一束光，就定义了嘉佰道·徐汇的全部品味。 香港豪门的向太陈岚，现在特别喜欢在直播里科普富豪生活，她说有钱人戴劳力士、爱彼、百达翡丽： 更有钱的人什么都不戴。 嘉佰道·徐汇完全不追求视觉冲击力，市面上最流行的奢石，他们都没有用。他们似乎给参观者举办了一场考试，测验他们能不能从泉潭里铺装的太行金岩浆岩、院子里那棵15米高的乌桕，以及别墅外立面的镶嵌花岗岩，看出它的成本。 很多成本和工艺都没法写出来，只能交由参观者自己去估价。 阿拉伯风格的泳池、南法风情的会所，庭院的造景，出自京都最古老的造园公司植弥加藤之手；当然还有庭院里那只巨大的大象雕塑，是艺术家向京的作品。 嘉佰道·徐汇把别墅的地下室都做了精装修，在上海是第一次有人这么做，他们不希望未来的业主自己动手，因为那很可能破坏一套完整的设计语言。 他们在12套房子的露台上，放着一个约10米长的冲浪泳池，那是一种生活方式的符号。 他们很自信地告诉来访者，你花的几千万，不只是买一幢私密住宅，买昂贵的石材和配套，而是来购买我的品味： 我的品味，真的很贵。 为什么多数企业不敢涨价？因为买家会立刻找平替。但如果只有通过考试才能购买，情况就变了。 通过考试的人会自我说服，我是被选中的，我配得上这个产品。 太便宜了，考试就失去了意义。 3 爱马仕之所以贵，卖的根本不是皮料，甚至不是工匠的手艺，他们卖的是帝王的体验： 一位工艺大师，一年时间埋头苦干，为我做一个包。 操盘嘉佰道·徐汇的这群地产老炮，相信自己的埋头苦干，值得用户花大价钱买单。 在动笔做设计前，他们几乎跑遍了全球豪宅。这应该没有公费旅游的嫌疑，因为他们又花了几个月时间，跑遍了德国梅赫拉特、法国‌贝唐库尔这样的小镇。 THG、劳芬、嘉格纳、美诺、当代等十几个欧洲顶奢厨卫品牌，生产腹地都是放在小镇上，甚至是乡下工坊里。

🚨 从中国领事馆、侨务系统到列治文市长竞选团队：Jeff Jiang（蒋浩）究竟扮演什么角色？ 2026 年列治文市选，一位值得公众深入了解的人物是 Jeff Jiang（蒋浩）。 他不仅是 Alexa Loo（卢仙泳）领导的 Richmond Strong 市议员候选人，还是一名长期活跃于华人社团、曾担任加拿大华人联合总会（CCSA）执行委员，并与中国官方外交及侨务网络有公开接触记录的人士。 蒋浩是正常参与加拿大民主政治的社区领袖，还是可能成为外国政治影响进入地方竞选团队的桥梁？ 让我们按照时间线查看公开证据。 📌 证据一：2017 年，与丁果、中国外交官及侨团领导人同场 2017 年 2 月 15 日，加拿大华人社团联席会（CACA）在列治文举行春节团拜。 主办方公布的名单包括： 中国驻温哥华副总领事孔玮玮、领事张昊； CACA 执行主席王典奇； 时事评论员丁果； 加拿大华人建筑装修协会会长蒋浩。 这份原始名单证明他们曾参加同一活动，但不证明彼此有秘密政治合作。 📎 📌 证据二：2020—2023 年，蒋浩在加拿大华人联合总会担任职务 2020 年 1 月，CCSA 官网确认，蒋浩以该会理事身份应邀出席中国驻温哥华总领馆春节招待会。 2023 年 4 月 29 日，CCSA 官方人物专访进一步明确称蒋浩为该会执行委员之一。 这说明蒋浩不只是参加过中国领事馆活动的普通嘉宾，他还曾担任一个与中国官方保持长期交流的华人社团职务。 📎 2020 年原始记录： 📎 2023 年官方人物专访： 📌 证据三：2024 年，蒋浩组织中国总领事出席的文化活动 2024 年，CCSA 主办中华传统文化节暨第 16 届温哥华泼水节。 蒋浩担任会长的华人建筑装修协会是承办单位之一。 中国驻温哥华总领事杨舒出席并致辞，蒋浩则以承办方负责人身份讲话，并获得社区贡献表彰。 这是蒋浩具备实际活动组织能力，以及与中国官方共同参与公共活动的直接记录。 📎 📌 证据四：2025 年，其所属社团直接与中国侨务系统开展工作交流 这项证据来自 CCSA 自己的公告。 2025 年 11 月，CCSA 会长牛华率团赴中国，与国务院侨务办公室有关负责人举行专项会谈。 官方报道指出，双方讨论海外侨务、社团发展及国际合作，侨办负责人介绍国家侨务工作的有关部署。 同年 12 月，CCSA 又前往中国驻温哥华总领馆，向代总领事曾智等官员介绍考察成果及后续工作。 这证明蒋浩曾任职的社团与中国官方侨务体系存在直接工作联系。 但两次考察及汇报名单没有确认蒋浩本人参与，因此不能说是他接受了有关工作部署。 📎 中国考察原始记录： 📎 总领馆工作交流记录： 📌 证据五：2025 年，中国官方媒体专门介绍蒋浩 2025 年 12 月 3 日，中国侨网发表专题： 《加拿大华人“姐夫”蒋浩：匠心暖人心 公益聚同行》 文章介绍其建筑事业、社团领导经历及社区公益。 中国侨网属于中国新闻社的海外华人传播体系。 这证明蒋浩得到中国官方媒体的专题报道，但文章内容主要是人物经历和公益活动，并未明确涉及市选支持。 📎 📌 证据六：2026 年，蒋浩正式进入 Alexa Loo 的竞选核心团队 2026 年 5 月 25 日，Alexa Loo 正式宣布蒋浩加入 Richmond Strong，竞选列治文市议员。 这不是一般意义上的社区支持者身份。 Richmond Strong 官方网站明确列出： Alexa Loo：市长候选人及团队领导人； Jeff Jiang：市议员候选人； Jeff Jiang 的团队职责领域：Construction & Business（建筑与商业）。 他以正式候选人身份，与 Alexa Loo 共同宣传 Richmond Strong 政纲。 📎 📌 证据七：2026 年 7 月，蒋浩代表 Alexa Loo 出席华人社团活动 这是最能说明蒋浩在本届竞选中实际政治角色的证据之一。 2026 年 7 月 9 日，CCSA 举办中华传统文化节新闻发布会。 主办方正式记录将蒋浩列为 Alexa Loo 的代表。 同场出席者包括 CACA 多位负责人，以及北美温哥华中国和平统一促进会负责人林决定。 因此可以确认：蒋浩不仅是 Alexa Loo 的共同参选者，也实际代表她参与了相关华人社团活动。 这能够证明政治代表行为，却不能证明现场发生了中国官方指挥的选举活动。 📎 🔎 最关键的问题：蒋浩在 Alexa Loo 团队中发挥了什么作用？ 根据目前的公开记录，可以确认他具有三重身份： 第一，行业代表。 他在 Richmond Strong 中负责建筑、商业及审批效率相关的政策领域。 第二，社区组织者。 他长期领导建筑行业协会，承办过大型社区活动，并在多个华人社团中建立了公开联系。 第三，竞选代表。 他是正式市议员候选人，也曾被公开记录为代表 Alexa Loo 出席活动。 这些身份使他具备连接候选人与部分华人社区组织的条件。 但目前尚无证据证明他能够左右 Alexa Loo 的政策决定，也没有证据证实他负责全部华人选民动员。 ❗请蒋浩与 Alexa Loo 公开回答 1. 蒋浩目前是否仍在 CCSA 或其他与中国官方侨务系统保持工作联系的社团担任正式职务？ 2. 蒋浩在 Richmond Strong 中，除了建筑及商业政策，是否还承担华人社团联络、竞选筹款、宣传及选民动员工作？ 3. 在本届竞选期间，蒋浩是否曾就竞选安排，与中国领事馆、中国侨务机构或相关社团负责人进行协调？ 4. 是否有任何外国实体直接或间接向 Richmond Strong 提供资金、人员、宣传资源或其他竞选支持？ 5. Alexa Loo 是否知悉蒋浩全部相关社团职务，以及这些社团与中国官方机构的工作联系？这些关系是否影响过团队的政治决定？ 结语 外国干预的问题，不是某个人是否为华裔，也不是他是否与中国外交官合影，而是外国政府有没有通过隐蔽的资金、指令或协调行为影响加拿大民主选举。 目前的公开材料，可以确认蒋浩与部分具有中国官方往来背景的社团存在历史组织关系，并已直接参与 Alexa Loo 的竞选团队。 但尚无直接证据证明他是中共代理人，或者受中共指示参与列治文选举。 所以，公众需要得到一个明确答案：蒋浩在本届市选中，究竟只是独立的社区代表，还是存在尚未披露的外国政治协调关系？ 这需要事实、文件和当事人的公开回应，而不能仅凭合影或组织联系作出定论。 列治文的市政政治，应当由列治文居民自主决定。 #RichmondBC# #RichmondElection2026# #JeffJiang# #AlexaLoo# #ForeignInterference#

转：1949 年的上海，赫赫有名的商人丁永福，把自家的洋房全賣了，換成了美金。旁人都說他傻，他卻拿著這筆錢，扭頭買了六張去美國的三等艙船票，頭也不回地走了。 丁永福在上海經營棉紗和百貨生意二十餘年，南京路的兩間臨街鋪面是他打拚半生的根基，法租界的三層洋房是他給家人置辦的安穩居所，在滬上商界，他也算小有名氣的實業商人。周圍的街坊、生意夥伴全都無法理解他的舉動，時局交替的關口，房產是最保值的資產，美金匯率隨時可能浮動，放著殷實的家業和舒適的生活不要，偏要換幾張漂洋過海的廉價船票，所有人都認定他是被時局嚇昏了頭。 沒人知道，丁永福並非衝動行事，他提前半年就通過海外華商和往來滬港的商船，摸清了時局走向。他親眼見過身邊家底豐厚的私營商人被無端盤查，也聽聞不少工商界人士因資產問題身陷困境，他清楚留在上海，自己的產業和家人都會面臨無法預估的風險。他反覆權衡後認定，只有離開故土，帶著家人去往局勢穩定的海外，才能保住一家人的性命和基本生計。 賣洋房的過程十分順利，買家是上海本地的綢緞商，對方多次勸說他留下房產，稱洋房是不可再生的硬通貨，就算時局變動也不會有太大損失。丁永福始終堅持全款收取美金，他深知當時的本土貨幣信用崩塌，只有美金能在海外通用。拿到錢款後，他立刻前往輪船公司購票，彼時前往美國的高等艙位早已被權貴富商預訂一空，僅剩三等艙還有餘票，他沒有絲毫猶豫，直接買下六張，剛好適配他、妻子和四個孩子的出行需求。 家人對此極度牴觸，妻子整日以淚洗面，指責他拋家舍業，讓一家人放棄優渥生活去異國他鄉受苦；四個孩子捨不得熟悉的家園和玩伴，整日哭鬧不止。丁永福沒有過多辯解，只是默默收拾行李，只攜帶換洗衣物和必備生活用品，家中的古董字畫、金銀細軟全部留在洋房內，他清楚這些貴重物品無法攜帶，也沒必要為了身外之物耽誤行程。 出發當日，上海港碼頭人頭攢動，逃難的百姓、急於離境的商人、維持秩序的軍警混雜在一起，場面混亂擁擠。丁永福緊緊牽著最小的孩子，讓妻子帶領另外三個孩子緊隨其後，攥緊船票和裝著美金的皮夾，艱難擠過人群登船。三等艙的條件極為簡陋，狹小的艙室擺滿上下鋪，空氣里充斥著海水腥味與汗味，床板堅硬硌人，每日伙食只有干硬的麵包和淡水。 海上航程共計二十三天，丁永福幾乎未曾合眼，一邊照料哭鬧的孩子，一邊安撫情緒低落的妻子，手中的美金分文不敢亂花，僅用於購買家人必需的飲食。他時常站在甲板上眺望大海，心中對未來並無十足把握，但他始終堅信，留在上海的風險，遠大於異國漂泊的艱難。 抵達舊金山港口時，一家人早已疲憊不堪，因語言不通，入關流程耽擱了近兩個小時，幸好他提前聯繫了遠房堂叔，堂叔在唐人街經營小餐館，專程開車前來接應。最初的生活極為窘迫，一家人擠在唐人街一間十平米的小公寓內，丁永福放下上海富商的身段，每日凌晨前往批發市場進貨，在唐人街擺攤售賣華人常用的日用品與調味品。 他從零學習基礎英語，面對本地商販的排擠與刁難，始終隱忍退讓，靠著誠信經營和實在的價格，慢慢積累了固定客源。半年後，他用剩餘美金租下一間小鋪面，開設華人雜貨鋪，生意逐漸步入正軌。 三年後，丁永福收到上海舊友的來信，信中提及，當年勸說他留房的綢緞商資產被全部沒收，洋房收歸公有，本人被下放至郊區勞動；眾多留在上海的商界同行，要麼失去全部產業，要麼流離失所，曾經人人艷羨的房產與家業，最終都化為泡影。 丁永福看完信件，只是默默將其收好，並未向家人提及太多。他的雜貨鋪後來逐步擴張為連鎖超市，四個孩子都在美國接受了完整的教育，各自成家立業。晚年時，他坐在自家的獨棟小屋內，向孫輩講述當年的抉擇，他說自己從不是聰明人，只是懂得在變局中守住底線，家人的平安，遠勝於洋房、財富等所有身外之物。旁人眼中的愚蠢，不過是他藏在心底的清醒，他從未後悔賣掉洋房、遠渡重洋，因為他用看似決絕的選擇，給了一家人安穩活下去的可能。

爸氣饗宴，美味相伴｜用一頓好飯，犒賞爸爸一整年的辛勞 父親的愛，往往不擅長說出口，卻始終藏在每一次守護與陪伴之中。 今年父親節，不妨暫時放下忙碌，帶爸爸品嚐一頓豐盛佳餚，或安排一場結合煙火、美食與夏日風景的小旅行，用最實在的陪伴，向他說聲： 「爸爸，辛苦了。」 寒舍餐旅父親節專案｜滿額贈88折餐飲優惠券 7月19日至8月9日，寒舍餐旅集團旗下台北喜來登大飯店、台北寒舍艾美酒店、寒居酒店及礁溪寒沐酒店，共同推出「爸氣饗宴，美味相伴」父親節專案。 活動集結12間人氣餐廳，包括台北喜來登大飯店的比薩屋、安東廳、請客樓、辰園、桃山、Sukhothai與十二廚；台北寒舍艾美酒店的探索廚房與寒舍食譜；寒居酒店BeGood，以及礁溪寒沐酒店MU TABLE與中餐廳。 活動期間於指定餐廳單筆消費達指定門檻，即可獲贈88折餐飲優惠券，優惠券可於8月10日至10月31日期間使用。父親節先陪爸爸享用一頓豐盛佳餚，之後還能再次相聚，延續節日的美好滋味。 父親節限定蛋糕｜以醇厚風味獻給成熟可靠的他 寒舍餐旅同步推出「醇釀樂章」父親節蛋糕，以深邃醇厚的風味與精緻外型，刻畫父親沉穩而溫暖的形象。 六吋蛋糕售價1,280元，於8月5日前完成預付，可享九折早鳥優惠。蛋糕可於台北寒舍艾美酒店Drip & Dough、台北喜來登大飯店The Deli、寒居酒店BeGood Café及礁溪寒沐酒店沐選訂購。 無論是父親節聚餐後一同分享，或親手送給爸爸，都能為今年的節日增添一份專屬儀式感。 8月8日限定｜與爸爸同行，獻上雪茄巧克力 8月8日父親節當天，午餐及晚餐時段與父親同行，於寒舍餐旅集團指定餐廳內用，每桌即可獲贈「雪茄巧克力」一支。 以細膩巧克力製成經典雪茄造型，為父親節餐桌增添成熟、幽默又充滿質感的小驚喜。贈品數量有限，送完為止。 台北八里福朋喜來登｜煙火、美食與沙雕交織的夏日假期 除了城市中的父親節饗宴，台北八里福朋喜來登酒店也準備了一場適合全家同行的夏日小旅行。 8月9日至8月23日連續三個週末，飯店推出「夏日淡江煙火」住房專案。入住期間不僅能欣賞淡水漁人碼頭璀璨煙火，還可享用翌日自助早餐兩客，以及The Mesh Bar大廳酒吧迎賓飲料券，在河岸風光與夏夜煙火中，留下難忘的家庭回憶。 8月8日父親節當天更推出一日限定禮遇，凡成人男性貴賓至The Mesh Kitchen或禧粵樓中餐廳用餐，即可額外獲贈海鮮加菜禮一份，為爸爸的節日餐桌再添一道豐盛驚喜。 飯店大廳酒吧亦同步推出夏季芒果甜點，以清爽香甜的盛夏滋味，為父親節聚餐畫下完美句點。 旅程中還能順遊2026八里城市沙雕展，漫步河岸、欣賞沙雕藝術，在煙火、美景與佳餚之間，共度一場兼具放鬆與儀式感的父親節假期。 今年父親節，把時間留給爸爸 父親真正期待的，或許從來不是昂貴的禮物，而是一家人坐在同一張餐桌前，好好吃飯、聊聊近況，再一起留下幾張珍貴合照。 今年父親節，就用一頓美味饗宴、一份精緻甜點，或一場悠閒的夏日旅行，感謝爸爸始終如一的守護。 爸氣饗宴，美味相伴。陪爸爸吃頓好飯，就是最日常，也最珍貴的幸福。 各項活動適用餐廳、消費門檻、訂位方式與住房專案內容，請以飯店官方公告為準。

【美股上市公司隐性利好速读】🔍 ━━━━━━━━━━━━━ 📅 日期：2026年7月27日（周一） 🌍 市场：美股（NYSE + NASDAQ） 【核心摘要】本周聚焦三大主线：FDA 8月审批高峰密集临近（$MRNA 流感疫苗8/5、$SRPT DMD基因疗法8/8），生物医药催化密集；金融巨头上演回购分红盛宴（$JPM $500亿回购+$GS加码分红）；内部人增持信号集中涌现（$ELV CEO买入$100万、$EVCM群购$230万），估值洼地与内部信心形成共振。 一、SEC 重大文件公告（近1-2周） $JNJ Johnson & Johnson：7月15日提交8-K，披露重大实质性协议。Q2营收$253亿（+6.6%），超预期，同步上调全年指引。此项协议被视为重塑公司中期轨迹的战略举措，利好医疗保健板块龙头。 $JPM JPMorgan：6月24日通过美联储压力测试后，立即宣布$500亿新股回购计划（7月1日生效），季度股息从$1.50提至$1.65（+10%）。CEO Dimon强调"堡垒级资产负债表"，当前CET1充足率远超11.5%的监管要求。 $MRNA Moderna：BLA审查持续推进，PDUFA目标日8月5日。VRBPAC于6月18日以9-0全票通过mRNA-1010流感疫苗的获益-风险比，涵盖50-64岁及65+两个年龄段。 二、内部人交易动向（Form 4，近1-2周） $ELV Elevance Health：7月17日CEO Gail Boudreaux以$367.79均价买入2725股（约$100万），同日董事Ramiro Peru以$366.05买入1000股（$36.6万），CEO+董事同日集群增持总额$137万。发生在Q2业绩超预期但股价暴跌14%之后，是典型的"利空出尽+管理层抄底"信号。当前PE约16倍，处于历史低位。 $EVCM EverCommerce：7月8日CEO Eric Remer买入7.5万股（$74.9万），董事Peretz买入10万股（$99.5万），董事Rosenthal买入6万股（$60.1万），三人同日总买入$234万。股价$9.75-10.15，接近52周低点$9.45。P/S仅1.8倍，远低于同行3.0倍中位数。做空比例8.5%，可能触发逼空。 $BAER Bridger Aerospace：7月2日CFO+2位董事合计买入280万股（$1150万），均价$4.12。北美野火季催化，市值仅$2.1亿，内部人持股升至28.7%。8月12日财报为下一验证节点。 三、13F 机构持仓变化 Q2 2026的13F截止日为8月14日，目前仍处数据空白期。Q1数据显示大型科技股（$AAPL、$MSFT、$NVDA、$GOOGL）仍是机构核心持仓。大型对冲基金持仓需等8月中旬批量公布后才有明确信号。 四、分析师评级变动（近1-2周） $STX Seagate：富国银行7月10日上调至"增持"，目标价$900→$1100。AI数据中心驱动近线硬盘出货量长期保持25%+增长，产能已分配至2027年，并开始规划2028年需求。毛利率有望突破65%+。 $SHOP Shopify：Stifel上调至"买入"，目标价$110→$150。电商平台估值修复逻辑受认可。 $TWLO Twilio：Stifel上调至"买入"，目标价$175→$260。云通信赛道的价值重估。 $FTNT Fortinet：摩根士丹利将评级从"低配"上调至"平配"，目标价$80→$133，网络安全支出回暖信号。 $GS Goldman Sachs：汇丰上调至"持有"（从"减持"），目标价$995。股息+11%至$5.00，金融板块盈利周期上行。 五、并购重组公告（近1-2周） $UBER Uber：7月16日宣布以$148亿（€41.50/股现金）要约收购Delivery Hero。交易完成后覆盖99个市场，2025年合计订单额$2360亿。Prosus已不可撤销承诺出售。预计3年内Non-GAAP EPS高个位数百分比增厚。共享出行+外卖双轮驱动的全球平台逻辑进一步增强。 $LXP LXP Industrial Trust：7月20日宣布被Brookfield/CPP以$52亿全现金收购，每股$61.20，较30日VWAP溢价12.3%。标的为美国优质物流仓储REIT，覆盖Sunbelt和Midwest的5300万平方英尺资产。 六、股票回购计划（近1-2周） $JPM JPMorgan：$500亿回购7月1日生效，无固定到期日。叠加10%股息增幅，年化股息率约2%，远超标普500均值1.1%。 $NWS News Corp：$10亿回购持续推进，已累计耗资$3.48亿。7月6日单日回购10万股（$276万）。 $WISE Wise Group：7月21日启动£4.05亿（约$5.4亿）回购计划，40%用于员工股权激励，60%注销。预计2027年3月前完成。 $AMPG AmpliTech：$1000万回购计划+终止ATM增发。虽规模不大，但"回购+终止稀释"组合拳释放强烈信心信号。 七、生物医药 FDA 催化剂 $MRNA Moderna：mRNA-1010流感疫苗，PDUFA 8月5日（仅9天！）。VRBPAC 9-0全票。若获批将成为全球首个mRNA季节性流感疫苗。Phase 3数据显示：相对保护效力26.6%（vs标准剂量），对急诊/住院等严重结局保护效力升至47.9%。65+年龄段vs Fluzone High-Dose展现免疫优效性。mRNA平台优势：2-3个月即可完成毒株更新（传统需6个月）。 $RCKT Rocket Pharmaceuticals：beremagene geperpavec治疗营养不良型大疱性表皮松解症，PDUFA 7月28日（明日！）。市值约$18亿，审批结果为重大二元催化剂。 $SRPT Sarepta Therapeutics：elevidys DMD基因疗法扩大适应症sNDA，PDUFA 8月8日。当前已获批用于4-5岁DMD患者，扩大至更广泛年龄群体将显著扩展市场。 $GILD Gilead：bictegravir/lenacapavir单片HIV方案，PDUFA 8月27日。若获批将成为体积最小的HIV单片治疗方案，双药机制降低长期毒性。 八、散户社区热议股（近1-2周） $GOOG Google：Reddit讨论量第一（1355次提及，+28%），TSLA和NVDA分列二三。但GOOG近期回调3%，散户分歧较大。 $INTC Intel：Reddit讨论量单日暴增519%，StockTwits提及6074次（+31%）。Q2财报后散户多空激烈交锋，AI叙事是核心争论点。 $MU Micron：AI Score 71（AltIndex），散户情绪偏多。AI存储需求是主要看多逻辑，富国银行目标价$730。 $NBIS Nebius：AI Score 71，X平台提及206次（+50.8%）。AI基础设施赛道新宠，散户关注度快速攀升。 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 【综合排序输出】 🥇 第1名：$MRNA Moderna 核心利好：mRNA-1010流感疫苗PDUFA 8月5日（倒计时9天），VRBPAC 9-0全票通过。若获批将成为全球首个获批mRNA季节性流感疫苗，开辟百亿美元新市场。Phase 3保护效力26.6%（严重结局47.9%），65+免疫优效于Fluzone High-Dose。 关键时间线：8月5日FDA决定日，监管审批已获欧盟/加拿大/澳大利亚同步受理。 风险点：FDA不跟从VRBPAC建议（概率低但存在）、商业化落地速度不确定、mRNA疫苗公众接受度。 建仓建议：适合事件驱动型投资者在PDUFA前分批建仓，不宜全仓押注。当前估值已部分反映预期，审批通过后有一波冲高，但需关注商业化节奏。 🥈 第2名：$ELV Elevance Health 核心利好：CEO+董事同日集群增持$137万（CEO自身持仓已达$6351万）。Q2业绩超预期（EPS $7.45 vs 预期$6.71），但因Medicaid成本担忧暴跌14%至$370附近，PE仅16倍（23%历史分位），分析师目标价$393-$449。 关键数据：Q2营收$498亿（+0.8%），上调全年EPS指引至$27+，服务1.18亿客户。 风险点：Medicaid参保人数下降趋势、医疗成本通胀、政策不确定性。 建仓建议：适合价值投资者逢低建仓。CEO真金白银增持是强烈信号，当前价位支撑较强。 🥉 第3名：$EVCM EverCommerce 核心利好：CEO+2董事同日买入$234万（18个月来最大单日内部人买入量），P/S仅1.8倍（同行3.0倍）；做空比例8.5%+内部人增持可能触发逼空。近期完成非核心业务剥离，分析师预期利润率改善。 风险点：小型股流动性风险、SaaS板块整体承压。 建仓建议：仅适合风险承受能力较强的中小盘投资者，分批小仓试水。 4. $JPM JPMorgan：$500亿回购+10%股息增幅，年化股息率2%，堡垒级资产负债表。适合稳健型中长期配置，不宜追高。 5. $STX Seagate：AI存储核心标的，产能锁定至2027年，毛利率趋势向上。富国银行上调目标价至$1100。适合成长+价值混合型投资者。 6. $UBER Uber：Delivery Hero收购如完成将打造全球最大出行+外卖平台（99市场），3年内EPS显著增厚。已持有者可继续持有，新建仓建议等回调。 🥇 Top 1-2详细建仓逻辑： $MRNA：事件驱动型机会。PDUFA仅9天，VRBPAC全票通过意味着获批概率极高。但需注意"买预期卖事实"风险——若获批后冲高，可部分止盈锁定利润，保留底仓等待商业化数据。建议PDUFA前布局20-30%仓位，审批通过后视涨幅决定加仓或减仓。 $ELV：价值投资逻辑。CEO在股价暴跌14%后立即用$100万真金白银增持，与Q2业绩超预期形成强烈反差。当前PE 16倍处于历史低位，向上空间明确。建议分3-5批在$360-380区间建仓，持有周期6-12个月。 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 更多更即时更聚焦信息请订阅： ━━━━━━━━━━━━━ ⭐️⭐️⭐️ 请关注、转发、收藏，华尔街观察团队将持续跟踪相关消息、解读量化数据，基于WSV模型，给出股票、黄金、债券（ETF）大类资产及板块（ETF）轮动量数据，个股案例研究，为您提供超前布局机会。⭐️⭐️⭐️ 文章所载内容信息参考，不构成任何投资建议或操作指南。信息基于公开公告整理和量化数据机器学习计算，文章信息与数据的真实性、完整性、有效性不承担任何责任。历史数据不代表未来、案例分析不代表收益承诺。投资者据此操作，风险自担。投资有风险，入市需谨慎。

艾伦研究所的知名研究员Nathan Lambert，前两天来北京和我们熟知的国内 AI 公司聊了一圈，包括月之暗面、智谱、字节、阿里、美团、小米等等。 聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。 文章我看完了，写一些自己的笔记。 1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。 反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。 2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。 一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。 3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。 但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。 4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。 少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。 5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。 6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。 研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。 这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。 7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。 Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。 学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。 8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。 很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。 Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。 9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。 整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。 10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。 因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。 但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。 11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。 关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。 12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。 于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。 13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。 国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。 14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。 但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。 15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。 如果能买到，毫无疑问会继续加仓。 这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。 Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。

Justin Skycak 数学教学思想深度研究报告 Justin Skycak 数学教学思想深度研究报告 认知科学基础、Math Academy 工程实现及可操作教学框架 摘要 Justin Skycak 的数学教学思想可以概括为一套以长期记忆、前置知识和任务选择为核心的教学系统： 建立细粒度知识依赖关系，诊断学生当前状态，提供最少必要讲解，让学生立即独立解题，再通过反馈、间隔提取和混合练习维持掌握。 这套体系最有价值的部分，是把提取练习、间隔效应、明确指导、掌握学习和个性化任务选择整合到同一系统中。它特别适合数学基础知识的快速获得、自动化和长期保持。 需要谨慎对待的部分包括： 将广义“主动学习”研究直接用于证明 Math Academy 的具体教学形式； 将直觉主要归因于重复练习； 将完全个性化视为高效学习的必要条件； 将少记或不记笔记推广为普遍建议； 用课程学习效率解释竞赛数学、证明和研究能力； 用公司内部数据证明 Math Academy 整体优于高质量人工教学。 在本次检索范围内，没有找到针对 Math Academy 的独立、同行评议随机对照研究。因此，目前能够可靠支持的是它所采用的若干教学原则，尚不能据此确认整个产品方案已经达到全局最优。 研究范围与证据等级 本报告使用三类资料： Skycak 本人的文章和公开讨论； Math Academy 关于教学法、知识图谱和任务算法的官方说明； 关于提取练习、主动学习、掌握学习、智能辅导系统、发现学习等主题的独立研究和综述。 X 的历史内容无法完整索引，因此部分观点通过 Skycak 个人网站上同步发布或扩写的文章还原。Math Academy 的系统结构可以从官方资料确认，但学习速度、产品优越性等效果主张主要来自公司自身。 报告采用以下证据等级： 等级含义A多项研究、系统综述或元分析反复支持B总体有支持，但效果依赖学习阶段、内容和实施条件C工程设计合理，缺少独立产品级验证D个人判断、价值判断或超出现有证据的推广 一、Skycak 教学理论的完整结构 数学是高度层级化的知识系统 Skycak 认为，高级数学任务由大量底层事实、程序和概念组成。学生在当前内容上遇到困难，往往源于更早的前置知识没有达到稳定掌握。 Math Academy 因此使用细粒度知识图谱表示： 一个主题依赖哪些前置主题； 一道题调用了哪些底层技能； 学习高级内容时，哪些旧技能得到隐式复习； 学生当前可以学习哪些新内容。 该知识图谱主要由领域专家手工构建。官方材料曾描述约 2500 个主题，每个主题又包含若干知识点、前置关系和组成关系。它属于专家系统和学生建模路线，核心并非让大模型自行生成课程。 这一设计很适合计算、代数、函数、微积分程序等结构明确的内容。证明、建模、策略创新和数学表达较难拆成稳定、可自动观察的节点。 证据判断：B/C。 数学确实存在大量前置依赖。具体如何拆分节点、设置关系权重，仍然包含课程专家的判断。 学习的目标是形成可长期调用的知识 Skycak 把学习看成长期记忆发生稳定改变。学生在课堂上理解了一次，并不等于以后能够独立提取和使用。 他的典型教学过程是： 给出最少必要解释； 展示一个完整示例； 学生立即独立做题； 系统提供反馈； 之后在逐渐拉长的时间间隔中重新提取； 将相关题型混合，训练方法选择； 在高级内容中继续调用底层技能。 Math Academy 将“讲解后几分钟内开始解题”作为主要教学形式，并强调自动化、间隔练习和混合练习。 证据判断：A/B。 提取和间隔有很强证据。具体到“讲解应该多短”“做几题后应该离开”，需要根据内容和学习者调整。 初学者需要明确指导 Skycak 反对让缺少相关知识的学生长时间自行发现方法。他认为初学者工作记忆容量有限，开放探索会让学生同时处理过多无关信息。 因此，他支持： worked example； 细分步骤； 显式指出子目标； 提供完整的初始方法； 随着熟练程度提高逐步撤除提示。 这一判断与认知负荷理论、示例学习效应和专业知识反转效应总体一致：知识较少的学习者通常需要更多指导；已有较强知识结构的学习者会逐渐从独立问题解决中获得更多收益。 问题在于，Skycak 有时把无指导发现、有脚手架探究、问题解决后教学和高水平开放问题放在一起批评。独立研究一般区分： 缺乏指导的发现学习； 教师设计并提供反馈的引导式发现； 学生先尝试、教师随后比较和正式讲解； 专家阶段的开放探索。 后几类方法可能有效，适用阶段和目标不同。 证据判断： 初学者需要明确指导：A/B； 所有探索都低效：D。 自动化为复杂思考释放认知资源 Skycak 强调基础事实和程序应达到快速、准确调用。例如： 基本运算； 分数和比例； 代数变形； 常见函数性质； 经常使用的解题程序。 当学生每次都需要重新推导这些内容时，工作记忆会被基础操作占用，很难处理更复杂的结构。 这个判断有较强合理性。但自动化不足以单独构成深层理解。概念知识和程序知识通常相互促进：概念帮助学生选择和修改程序，程序实践也可能促进概念关系的形成。 Skycak 关于“直觉主要来自大量重复”的观点只能解释其中一部分。数学直觉还来自： 比较不同解法； 研究反例； 转换表示方式； 解释条件为什么必要； 判断方法适用范围； 在新情境中重新组织知识。 证据判断： 基础自动化的重要性：A/B； 重复能够充分产生直觉：C/D。 二、核心方法的证据核验 提取练习 Skycak 主张学生在尝试作答前不要立即看笔记或答案。只有实际从记忆中提取，才能知道自己是否真正掌握。 一项课堂情境下的系统综述筛选了近 2000 篇摘要，最终分析了 50 个实验、5374 名学习者和49个效应量；多数研究发现提取练习对学习结果有中等或较大促进作用。研究覆盖多个年龄和学科，但非西方样本仍然较少。 实施中需要区分： 先独立提取，随后看反馈：有效； 一直不允许使用资料：可能妨碍复杂任务； 提取尚未学会的知识：容易变成无效猜测； 错误后缺少纠正反馈：可能巩固错误。 证据等级：A。 间隔练习 集中做完大量同类题，通常会产生很强的短期熟练感，但长期保持较弱。将练习分散到多次学习中，通常更有利于记忆保持。 Math Academy 根据学生状态动态安排复习，并通过高级题中调用的底层技能计算隐式复习。其 FIRe 机制会将一道复杂题的练习收益分配给多个组成技能，以减少重复做简单题的需要。 需要区分两个结论： 间隔优于集中突击：研究支持较强； Math Academy 的具体 FIRe 权重和复习算法达到最优：缺少独立验证。 证据等级：一般原则 A；产品算法 C。 混合练习 传统教材常把同类题放在同一节中。学生只需执行当前章节的方法，不必判断题型。 混合练习将多种问题放在一起，要求学生先回答： 这道题应该使用什么方法？ 它特别适合训练： 区分相似问题； 方法选择； 长期保持； 防止依赖章节标题和表面格式。 初次学习一个程序时，少量连续同类练习仍有价值。较合理的顺序是： 少量集中练习 → 间隔复习 → 混合辨别。 证据等级：B。 效果依赖题型之间是否需要辨别。没有辨别需求时，混合练习未必带来明显收益。 主动学习 Skycak 经常引用 STEM 主动学习研究，支持学生实际解决问题，而非持续听讲。 这里存在定义差异。相关大型元分析中的主动学习包含课堂讨论、小组任务、测验、问题解决和高阶思考等多种活动；Skycak 将它主要落实为“简短讲解后个人独立做题”。两者存在重合，但研究不能直接证明这一种具体形式优于所有其他主动教学形式。 能够稳妥得出的结论是： 学生需要频繁作答和思考； 持续被动听讲通常效果较差； 活动形式需要与学习目标匹配； 个人练习、小组解释和教师讨论可以同时存在。 证据等级：主动参与 A；Skycak 的窄定义 B/C。 掌握学习 掌握学习要求学生达到预定标准后再进入依赖该知识的新内容。未掌握时提供额外练习、反馈和补救。 总体研究显示掌握学习通常产生正向效果，但效果高度依赖： 掌握标准如何定义； 是否有高质量纠错； 学生获得多少额外学习时间； 测试是否与训练内容高度相似； 学生能否长期坚持。 智能辅导系统的元分析也通常发现正向效果，但系统自带测试上的效果往往大于外部标准化测验，说明部分收益可能来自训练与评价的一致性。 证据等级：B。 三、Skycak 观点中证据较弱的部分 “真正的刻意练习必须完全个性化” Skycak 认为，只有系统能够根据每名学生的实时状态选择任务，才称得上严格意义上的刻意练习；普通班级很难实现这一点。 个性化确实能够减少： 重复已掌握内容； 跳过未掌握前置知识； 全班使用同一难度； 复习时机不匹配。 但“完全个性化是高效学习的必要条件”缺少充分证据。高质量班级教学也可以通过： 分层任务； 小组反馈； 低风险测验； 作业数据； 教师巡视； 周期性诊断； 实现部分个性化。 证据等级：C。 “学生通常不应该记笔记” Skycak 认为，记笔记经常变成把教师的话复制到纸上，降低实际提取和解题时间。他建议主要保留少量参考材料，把时间用于练习。 这个批评对机械抄写成立。但研究并不支持“普遍不记笔记”： 生成式笔记可以促进组织和解释； 笔记可以作为外部存储； 引导式笔记可能提高注意和学习效果； 抄写式笔记通常价值较低； 在提取测试时依赖笔记会削弱诊断价值。 更可靠的规则是： 学习时可以写结构化笔记；练习时先闭卷提取；完成后再用笔记检查和修正。 证据等级：Skycak 的普遍建议 D。 “困难问题通常浪费学习时间” 对初学者和课程基础学习而言，一小时反复尝试一道远超当前能力的问题，单位时间获得的正确反馈很少，确实可能低效。 竞赛数学、证明和研究型训练具有不同目标。它们要求训练： 在长时间没有反馈时维持问题状态； 生成和淘汰猜想； 构造反例； 切换表示； 修正证明； 忍受较低成功率； 从失败路径中提取策略。 AoPS 等竞赛教育体系会主动让学生接触超出当前常规程序的问题，并把挣扎、失败和讨论作为训练内容。 因此，需要区分： 知识获得任务：较短反馈周期通常更有效； 开放搜索任务：长时间探索本身就是训练对象。 证据等级：针对初学者 B；推广到所有数学训练 D。 四、Math Academy 产品设计分析 Math Academy 的产品结构可以分成四个部分。 专家构建的课程模型 领域专家拆分主题、编写解释、设计例题和练习，并指定前置关系。它通过人工课程设计保证内容结构和解法稳定。 优势： 可控； 可审查； 不依赖大模型临时生成； 前置关系比较明确。 风险： 图谱反映编写者的课程观； 难以覆盖所有非标准解法； 维护成本高； 证明和建模难以细粒度编码。 学生状态模型 系统综合诊断测试、练习结果、答题时间、近期错误和历史复习记录，估计学生对不同主题的掌握程度。 问题在于，系统只能根据可观察行为推断知识。答对可能来自： 真正理解； 记住模板； 猜测； 利用题目格式； 短期记忆。 因此，状态模型需要加入解释、变式和迁移任务，避免只观察标准答案。 任务选择 系统从以下任务中选择下一项： 学习新知识； 修补前置缺口； 复习即将遗忘的知识； 完成测验； 暂停当前课程并降低难度。 官方说明称测验通常会调整到大约 80% 的成功水平，并在学生连续出错时停止新内容、转入补救。 这能够控制平均学习难度，但对追求高正确率的学生可能产生长期失败感。产品需要明确告诉学生： 当前是新知识训练； 当前是熟练度检查； 当前是开放挑战； 不同任务具有不同预期正确率。 复习压缩 FIRe 机制通过复杂题中的组成技能，计算底层知识获得了多少隐式复习，从而减少单独练习简单题。 这是很有价值的工程设计，但它依赖两个假设： 成功完成复杂题确实意味着底层技能得到有效提取； 人工设定的组成关系和权重能够准确表示练习收益。 这些权重尚未看到独立验证。 五、总体证据矩阵 Skycak 或 Math Academy 的主张证据等级判断学生需要实际解题，不能长期只听讲A可靠提取练习提高长期保持A可靠间隔练习优于集中突击A可靠初学者通常受益于明确指导和完整示例A/B可靠，但应逐渐撤除指导基础技能自动化有助于复杂任务A/B可靠混合练习有利于方法辨别B依赖题型和学习阶段掌握前置知识后再推进B原理合理，实施条件重要智能系统可以改善任务分配B总体有支持，效果差异大所有学生都需要完全个性化C工程主张FIRe 是最优复习算法C缺少独立验证80% 左右是普遍最佳难度C可作起始参数，不能普遍化不记笔记更有利于学习D过度推广数学直觉主要由重复形成C/D只解释部分机制困难问题通常不值得投入时间D只适用于部分学习目标Math Academy 明显优于人工教学C尚缺独立产品级证据 六、可操作的六层数学教学框架 该框架保留 Skycak 体系中证据最强的部分，同时加入概念理解、迁移、开放问题和心理负荷控制。 课程结构层 将课程内容拆成可教学单元，并记录四类关系： 内容说明前置知识学习当前内容前必须独立掌握什么组成技能完成当前任务时实际调用什么相似概念学生容易混淆哪些方法或定义迁移方向当前知识以后会用于哪些复杂问题 单元不宜只用“章节”表示。较合理的粒度是学生能够在一次或数次学习中形成初步掌握的技能或概念。 例如“一元二次方程”可以拆成： 整式运算； 提取公因式； 乘法公式； 因式分解； 零乘积性质； 配方法； 判别式； 方法选择。 状态诊断层 每个单元使用五级掌握状态： 状态可观察标准M0 未知无法完成，或尚未接触M1 辅助完成在示例、提示或笔记帮助下完成M2 即时独立学习后能够独立完成同结构题M3 延迟稳定数天后在混合题中仍能独立完成M4 迁移掌握能解释、比较方法并解决新变式 推进规则： 新课程的必要前置知识至少达到 M2； 高度依赖的核心前置知识应接近 M3； 只达到 M2 的内容必须进入后续复习； 证明、建模和竞赛内容需要观察 M4。 这样可以防止系统把一次答对直接视为完全掌握。 新知识获得层 一次新知识学习使用以下过程： 用一至两个问题检测前置知识； 给出目标、条件和方法； 展示一个完整示例； 学生复述关键判断； 学生独立完成三至五个变式； 错误后先定位错误类型，再提供提示； 达到初步稳定后停止连续同类练习。 讲解时间没有统一上限。判断标准是学生是否获得完成第一次独立尝试所需要的信息。 反馈顺序建议： 指出结果是否正确 → 标出错误位置 → 提供局部提示 → 展示完整解法。 不要在第一次错误后立即给完整答案。 长期保持层 可以先使用一个简单的复习时间表： 当天 → 1天后 → 3天后 → 7天后 → 21天后 → 60天后 根据表现调整： 独立正确且速度稳定：拉长间隔； 正确但明显犹豫：保持当前间隔； 依赖提示：缩短间隔； 完全忘记：返回简短讲解和即时练习。 复习题应逐渐从同类题转向混合题。复习时先闭卷尝试，再使用资料。 高级题已经充分调用某项底层技能时，可以减少单独复习，但不应完全取消延迟抽查。 概念与迁移层 每个核心主题至少配置四类非标准任务： 任务目的方法比较判断不同方法的条件、成本和优点错误分析找出错误推理发生的位置反例任务判断结论缺少什么条件新情境变式检查是否能够迁移 例如学习一元二次方程后，不只要求求解，还可以要求： 判断因式分解、配方和公式法分别适合什么情况； 分析“方程两边同时开平方”的错误； 构造一个有两个整数根的方程； 根据根的性质反向确定参数； 解释判别式为什么能够决定实根数量。 难度与心理负荷层 将任务明确分为三种类别，避免学生把所有错误都理解为学习失败。 类别目标建议首次正确率巩固任务验证稳定掌握85%—100%学习任务获得新知识70%—85%挑战任务训练搜索和迁移20%—60% 这些比例只是起始参数。 连续出现以下情况时应降低难度或修复前置知识： 两到三次独立尝试都无法开始； 错误集中在同一底层步骤； 学生只能模仿示例表面形式； 学生无法说明当前使用的方法； 学习任务长期低于约 60%。 连续两次学习中正确率很高、速度稳定且不依赖提示时，应减少重复并加速推进。 七、建议的任务时间结构 普通数学学习：60分钟 时间内容5分钟闭卷提取近期旧知识10分钟新知识讲解和示例20分钟独立变式练习和反馈10分钟间隔混合复习12分钟方法比较、解释或迁移题3分钟记录错误与下次任务 时间比例可根据课程阶段调整。新内容较多时增加获得阶段；复习期增加混合练习。 算法竞赛或高水平数学：90分钟 时间内容10分钟基础知识和模板提取20分钟新算法、定理或典型结构20分钟标准变式练习30分钟非标准问题的独立搜索10分钟反例、证明或失败路径复盘 竞赛训练中，开放问题时间不能被自适应基础练习完全取代。 建议的总体任务比例： 课程基础阶段：获得与巩固 70%，迁移与挑战 30%； 竞赛初期：获得与巩固 60%，迁移与挑战 40%； 高水平竞赛阶段：获得与巩固 30%—40%，迁移与挑战 60%—70%。 八、教学数据指标 系统不应只记录总正确率。建议跟踪以下指标： 指标计算内容用途延迟保持率学习数天或数周后的独立正确率判断是否真正保持提示依赖率使用提示或资料的题目比例区分独立掌握和辅助完成新知识掌握速度每小时从 M0/M1 达到 M3 的单元数判断学习效率迁移成功率未见过变式中的正确率防止只记模板错误恢复时间从首次错误到独立正确需要多久判断反馈质量方法辨别率混合题中选择正确方法的比例判断是否会识别题型主观负荷学生对难度、疲劳和挫败的简短评分防止长期过载 正确率只能与任务类别结合解释。挑战题正确率低，不应降低学生的“掌握度”评价。 九、四周试运行方案 准备阶段 选择一个范围有限的单元，拆分约 30—80 个知识节点。为每个节点准备： 两至三道诊断题； 一个简短解释； 一个完整示例； 三至五道即时变式； 两道延迟复习题； 一道迁移或错误分析题。 第一周 完成诊断并建立初始掌握状态。记录： 当前正确率； 作答时间； 提示使用； 学生主观难度； 前置知识缺口。 第二至第三周 运行完整流程： 诊断 → 新知识 → 即时练习 → 混合复习 → 迁移任务。 每周根据错误数据修正： 节点粒度； 前置关系； 提示内容； 题目难度； 复习间隔。 第四周 进行三类评价： 无提示延迟测验； 与训练题表面不同的迁移题； 学生对压力、进步感和控制感的反馈。 判断框架是否有效时，应同时观察： 掌握速度是否提高； 延迟保持是否提高； 迁移能力是否下降； 学生是否长期感到挫败； 教师准备和维护成本是否可接受。 十、结论 Skycak 的体系可以作为数学教学中的高效率知识获得系统。它最适合解决： 学生前置知识差异； 固定班级进度； 基础技能不稳定； 复习时机不合理； 优秀学生重复等待； 教师无法持续追踪大量细粒度技能。 它不能独立代表完整数学教育。完整方案仍需保留： 数学解释和书面表达； 概念之间的联系； 证明与反例； 建模； 开放问题； 长时间问题搜索； 同伴讨论； 学习动机和自主性。 实际采用时，可以把 Math Academy 的思想用于知识获得、熟练化和长期保持，再用独立的迁移与挑战任务训练证明、竞赛和研究能力。这样能够保留其认知科学优势，同时避免把数学能力缩减成标准题目的正确率。

《🔥如何使用DeepSeek选股炒股，让收益跑赢95%的散户？六年股民实战分享！》 本文为入市六年老股民的真实实操心得，全程落地可复制，无空泛理论。 一、炒股六年亏掉一辆车，直到我换了一种选股方式 先上一组真实数据：我今年的收益率是37.6%。不算惊人——肯定比不过那些抓到翻倍妖股的幸运儿。 但支付宝给我弹了一个提示：「你的收益超过了95%的基民和股民」。那会儿我才意识到：原来A股里大部分人今年压根没赚到钱。 我炒股六年，前五年都在亏。不是小亏，是把一辆本田雅阁亏进去的那种。我试过追涨停板、学过波浪理论、研究过缠论、还花过8000块报过一个「游资操盘手」的课。结果呢？亏得更快了。 后来我终于想明白了一件事：我根本不是在做投资，我是在赌博。我所谓的「选股」就是刷雪球看谁被讨论得多、看东方财富的评论区哪只票热度高、看哪个大V又发了代码。 我没有做过哪怕一次完整的公司基本面分析——因为我根本不知道怎么做，也没有时间做。直到DeepSeek出现。 梁文锋的幻方量化是DeepSeek的母公司——中国最顶级的量化对冲基金之一。他们训练出来的AI模型，骨子里就带着金融分析的基因。这个工具让我第一次觉得——原来一个散户也可以像机构那样做研究。 今年我选出来的每一只股票，都经过了DeepSeek至少三个维度的深度分析。没有一只是因为「听别人说好」就买的。这篇文章，就是我今年用DeepSeek选股的全套方法论。 二、DeepSeek选股的「铁三角」——基本面+技术面+情绪面 机构选股不是靠「感觉」或者「消息」——他们靠的是一套系统化的分析框架，覆盖三个核心维度：基本面（这家公司值不值得买）、技术面（现在是不是买入的好时机）、情绪面（市场其他参与者在想什么）。 散户和机构最大的差距就在于——散户三个维度一个都不看（或者只看技术面画几条线），机构三个维度都有专职团队覆盖。DeepSeek帮我把这三个维度的分析能力，从「机构专属」变成了「散户可及」。 三、基本面分析——五个提示词挖出财报里的「隐藏信息」 基本面分析是选股的核心。但A股有5000多家公司，每家公司的年报动辄两三百页——你就是辞职在家全职读也读不完。 DeepSeek的价值就是：它能在几分钟内啃完一份年报，帮你提炼出最关键的信息。但不是你随便问一句「这家公司怎么样」就行——你得问对问题。以下是我反复验证过的五个「挖金问题」，每一个都对应一个具体的选股逻辑。 第一问：盈利质量——公司赚的是真金白银还是纸面利润？ 很多公司报表上的净利润很好看，但实际上根本没收到现金——全是应收账款。 你要让DeepSeek帮你做这个「揭老底」的检查：「分析[公司名]最新年报，计算经营性现金流与净利润的比值（近三年趋势），检查应收账款占营收的比例是否异常上升，判断公司的盈利质量是否存在水分」经营性现金流长期低于净利润、应收账款增速持续高于营收增速——这两条红灯同时亮起，直接pass。 我今年用这个提示词排除了至少4只「看上去很美」的股票。 第二问：成长持续性——增长是加速还是减速？ 看增长不能只看「有没有增长」，要看「增长的加速度」。连续三年营收增长30%-25%-18%，增速在递减——这是成长性衰竭的信号。 提示词：「分析[公司名]近三年营收和净利润的同比增速变化趋势，计算复合增长率，判断公司的成长是加速还是减速，分析减速的主要原因是否具有持续性。」 第三问：护城河——凭什么竞争对手抢不走它的生意？ 毛利率是企业护城河最直观的量化指标。如果一家公司能连续多年维持高于行业的毛利率，说明它有某种竞争对手无法轻易复制的东西——品牌、技术专利、网络效应、规模优势。 提示词：「对比[公司名]与同行业头部公司的毛利率、净利率、ROE三年趋势，分析该公司的竞争优势来自哪里，护城河是变深了还是变浅了，哪些因素可能威胁其竞争地位。」 第四问：隐藏雷区——财报附注里藏着的「定时炸弹」 这是DeepSeek最让我惊艳的能力之一——它真的会去「读」财报附注。而财报附注里往往藏着上市公司最不想让你看到的东西。大额对外担保、关联交易占比异常、商誉减值风险、存货跌价准备不足——这些对于普通散户来说是「天书」一样的存在，DeepSeek能像侦探一样找出来。 提示词：「仔细阅读[公司名]最新年报的附注部分，找出可能存在风险的会计科目（重点关注：商誉、应收账款账龄、关联交易、对外担保、存货减值计提是否充分），逐一评估风险等级。」 第五问：估值合理性——现在的价格到底贵不贵？ 最后一步才是看价格——很多散户把这个顺序搞反了，一上来就问「这只票现在能不能买」。正确的顺序是：先确认公司质量过关，再判断价格是否合理。 提示词：「计算[公司名]当前PE/PB/PS，与近五年历史区间和同行业均值进行对比，结合公司的成长性和盈利质量，评估当前估值处于什么水平，是被高估、合理还是低估。」 【基本面分析速记卡——五个必问DeepSeek的问题】 一、盈利质量：经营现金流/净利润比值？应收账款是否异常？ 二、成长持续性：近三年营收和利润增速是加速还是减速？ 三、护城河：毛利率vs同行？竞争优势在变深还是变浅？ 四、隐藏雷区：商誉/关联交易/对外担保/存货减值——逐一排查 五、估值合理性：当前PE/PB处于历史什么位置？和同行比呢？ ▲ 五个基本面提示词让DeepSeek在几分钟内完成一个分析师团队几天的工作量 四、技术面分析——用DeepSeek找到「基本面好+买点对」的交集 基本面分析告诉你「这只股票质地好不好」，技术面分析告诉你「现在买时机对不对」。两者缺一不可。好公司在错误的时间买入，照样亏钱。 DeepSeek在技术面分析上有一个独特的优势——因为它背靠幻方量化的技术基因，它对技术指标的解读远比普通的「看图说话」要深度。 我最常用的三个技术面分析方法是： 第一，均线系统——让DeepSeek判断当前股价在所有重要均线（5/10/20/60/120/250日）中的相对位置，是典型的多头排列还是空头排列； 第二，量价关系——成交量是价格走势的「燃料」，放量突破关键压力位是真突破的可靠信号，缩量上涨则需要警惕；第三，技术指标共振——不会只看一个指标，而是让DeepSeek同时检查MACD、KDJ、RSI和布林带，只有在多个指标同时发出相似信号时才认为信号有效。 一个特别实用的提示词模板：「分析[股票名]近三个月的日K线走势。 第一步：判断当前均线排列状态（多头还是空头）； 第二步：分析近一周的量价配合情况； 第三步：检查MACD、RSI和布林带是否出现背离或共振信号。 综合以上三个维度，给出当前是否适合介入的技术判断。」 ▲ 技术面不是画几条线就完事了——量价关系+指标共振才是核心 五、情绪面分析——让你在市场疯狂时保持冷静的「AI保险丝」 这个维度是散户最容易被收割的地方。一只股票基本面很好、技术面也发出了买入信号——但如果你是在市场情绪最高涨的时候追进去的，很可能买在了山顶上。 DeepSeek可以做舆情追踪：你让它搜索目标股票最近一周在全网（微博、股吧、雪球、新闻）上的讨论，统计正面/负面/中性评价的比例，再和前一阶段的数据做对比——如果正面情绪在短时间内剧烈升温，往往意味着短期过热。 还有一个冷门但好用的用法：让DeepSeek帮你「反向思考」。 当你特别看好一只股票的时候，不要问它「这只股票有什么投资价值」——你已经先入为主了。而是问它：「如果这只股票未来半年跌了30%，可能是哪些原因导致的？请列出所有可能的风险因素，包括那些市场上目前没有人讨论的潜在风险。」 这种反向提问会让你在情绪高涨的时候保持一份清醒——这份清醒在牛市中可能让你「少赚」，但在熊市中能救你的本金。 ▲ 全网舆情追踪+反向思考——AI帮你在大众疯狂时守住理性 六、我的完整选股流程：从5000只到最终2-3只 以上三个维度单独来看都很有用，但真正的威力在于把它们串成一套系统化流程。以下是我今年优化了至少五个版本之后沉淀下来的完整选股六步流程： 第一步：行业筛选。 不直接从5000多只股票里选——那太多了。先用DeepSeek做行业比较分析，找出当前处于景气上行周期的3-5个行业赛道。 提示词：「对比以下五个行业近期的景气度指标（营收增速、库存周期、政策环境、机构持仓变化），推荐两个最值得关注的行业并说明理由。」这步做完，选股范围从5000只收缩到了大概三四百只。 第二步：基本面初筛。 在目标行业内，用五个基本面提示词（第三节的方法）对行业龙头和主要竞争对手逐一做快速扫描。 重点关注两个「一票否决」指标——经营现金流长期为负的、应收账款增速持续超过营收增速的，直接排除。这步做完，候选池缩小到20-30只。 第三步：财报附注深挖。 对候选池里的每一只股票，用「隐藏雷区」提示词做一次深度排雷。商誉占比过高的、大额对外担保的、关联交易占比异常的——标记出来，结合具体情况判断是否继续保留。 这步很关键——今年帮我在一只非常火的消费股上发现了巨额商誉减值风险，避免了一大笔潜在亏损。 第四步：估值判断。 在排雷之后的池子里，逐一做估值分析。当前价格处于历史估值区间的什么位置？和同行业相比是高是低？结合公司的成长性判断当前估值是否合理。这步做完，候选池缩小到8-12只——剩下的都是「基本面过关+价格合理的优质标的」。 第五步：技术面择时。对着这8-12只股票，逐一用技术面方法判断当前是否适合介入。重点看均线排列状态和量价配合——只有「多头排列+放量企稳」的才列入买入备选。这步做完，真正准备出手的只有3-5只。 第六步：仓位分配和止损预设。最后一步不是选股，是「管钱」。每只股票分配多少仓位？总仓位不超过多少？每只的止损线设在哪里？这些我都会让DeepSeek基于我的风险偏好给一个参考建议，最终自己拍板。 铁的纪律是：任何一只股票，单笔亏损不超过总资金的2%。这个比例看起来很保守，但它保证了你即使连续犯错十次，本金也就亏20%——还能东山再起。 ▲ 六步完整选股流程——从5000只到2-3只，每一步都有明确的筛选逻辑 七、用DeepSeek选股最容易犯的三个致命错误 致命错误一：让DeepSeek直接推荐股票代码。 「帮我推荐三只这个月最值得买的股票」——这是最危险的问题。DeepSeek可能会给你一个答案，甚至包含看起来很具体的目标价和理由。但AI的「推荐」本质上是基于历史数据的模式识别，它既不预测未来，也不为你的亏损负责。 正确的问法永远不是「推荐什么」，而是「帮我分析这个」。你是最终的决策者，AI是你的研究助手——这两个角色绝对不能模糊。 致命错误二：用DeepSeek的结论代替自己的判断。 DeepSeek说「这家公司基本面良好」——你看了觉得有道理——然后买了。请注意你的决策链条：你唯一的判断依据是「AI说的」。这就是所谓的「外包式决策」——看起来你做了研究，实际上你把最关键的判断环节外包给了一个语言模型。 正确的做法是：DeepSeek提供数据和角度，你用这数据和角度形成自己的独立判断。如果DeepSeek的分析中有任何一点你不能用自己的话解释清楚——那就不要基于这个分析做决策。 致命错误三：只分析不跟进——买入之后的监控比买入之前的研究更重要。 选股和买入只是投资的开始。买入之后公司基本面有没有变化？行业环境有没有发生改变？当初买入的理由还成立吗？这些问题的答案每天都在变化。 我给自己定了一个规矩：每两周至少对持仓股做一次快速体检——把最新的公告和新闻喂给DeepSeek，让它判断「买入逻辑是否发生实质性变化」。 如果没有变化，继续持有；如果逻辑被破坏，果断离场——不管盈亏。这一条纪律，比任何选股方法都重要。 ▲ 三个致命错误：让AI直接推荐/外包式决策/买入后不再跟进——每一条都可能让你亏掉本金 八、写在最后：DeepSeek没有让我变成「股神」，但它让我不再当「韭菜」 37.6%的收益率不算高——在牛市中很多人能做到更高。但我的收益率和那些靠运气或者牛市赚到的有一个本质区别：我知道自己为什么赚了这些钱。 我每一次买入都有明确的、可以被事后验证的理由；我每一次卖出都有根据的、可以复盘和反思的逻辑。这种「知道自己为什么赚、为什么亏」的能力，比任何一只牛股都重要——因为牛股是一次性的，而正确的选股方法论是可以复制的。 DeepSeek的母公司幻方量化有一句话我很喜欢：「量化不是预测未来，而是管理不确定性。」 这恰好是对DeepSeek在选股中角色最精准的描述——它不能告诉你下一只翻倍股在哪里，但它能帮你把「不确定的赌博」转变为「被管理好的风险」。 它能让你看到一家公司财报里隐藏的危险信号、让你在情绪过热时多一份冷静、让你在做决策时有数据和逻辑的支撑。 这些事情看起来很朴素，但如果你炒股超过三年就会明白——让人在股市里长期亏钱的不是「运气不好」，而是不懂得避开那些本该提前看到的风险。 DeepSeek帮我的不是「赚得更多」，而是「亏得更少」。而在A股这个市场上，活得久比赚得快重要一万倍。 以上内容为转载，非小龙先生的原创。我在思考，既然DeepSeek可以拿来选股和炒币，当然也可以拿它来选币炒币。我已经在实践了，你也可以的！ #DeepSeek# #炒股# #炒币# #AI炒股炒币#

AI圈贩卖焦虑已经过于刻意了。 如果说春节长假刚结束那会儿，上门安装龙虾还是一个段子、还是一个停留在用Nano Banana作图博君一笑的阶段，上周末腾讯大厦门口排成长队等待免费安装龙虾，就只能说「至此已成艺术」了。 我很想引述一个笑话，它的原始版本是这样的： 「一个小男孩多大了就不应该进女澡堂了？」 「当他想进女澡堂的时候，他就不应该进了。」 龙虾这事儿的基本道理，本质上也是一样的，如果你需要托人帮你安装龙虾，那么其实你就不太可能需要龙虾⋯⋯ 勇敢的人先享受世界，这话大家都赞同，但要承认自己不在其中、也不配先享受世界，这就很难了。 OpenClaw是很牛逼的创新，没毛病，但它的牛逼并不在于普惠层面，恰恰相反，它是一个用来提高AI使用上限的手段。 是给那些已经把现有AI工具——从ChatBot到Coding——用到了瓶颈的人，一个打破极限的「超频」方案。 而不是给那些时至今日都没亲手写过超出500字的提示词的人，一个弯道超车的万能钥匙。 其实Anthropic的报告写得很清楚，AI在各行各业的理论利用率（蓝色区域）和实际利用率（红色区域）相差甚远（图1）。 考虑到这还是基于Claude的数据——相比ChatGPT和Gemini，Claude是最专注于生产力场景的——就更不用说只把AI当成聊天对象的广大群众了。 还有一个龙虾悖论是，只有你的时间成本足够高，才能接受以Tokens为计价单位的工作外包模式。 为什么AI Coding的货币化超过了其他所有行业？因为程序员是最典型的个体化高薪职业，时间就是生产力。 怂恿普通人用龙虾，就是模型厂商和云计算平台的共谋了，本来赚的就是辛苦钱，还要负担所谓的「数字员工」，省下来的时间再去多刷几部短剧，整个闭环都很尬住。 更离谱的，是从这周开始，各地已经陆续发布「养龙虾」的补贴政策了，一个不存在的网站上的开源项目，和白纸黑字的红头文件绑在一起，实在有些抽象。 我一直说，没错，AI解决了生产的问题，改变了「就差一个程序员」的尴尬，但是，它终究无法创造真实的需求，或者说，FOMO本身就成了需求。 一种形式的充裕，必然带来另一种形式的稀缺，锤子的充裕，对应的就是钉子的稀缺，如果你看不到钉子，那你就是钉子。 在FOMO即需求的设定里，用上龙虾，能用龙虾，比用龙虾干什么，更重要，更值得发朋友圈。 web3的尸体还没凉透，web4就已经横空出世了，这些热情满满的活动充分证明了一条定律：哪里有韭菜，哪里就有币圈。 反而是最喜欢写小作文的A股在此时保持了高度的克制，龙虾概念股出来得相当晚，这说明什么？说明连股民在他们最擅长的自我欺骗这件事情上都犹豫了⋯⋯ 说句不中听的话，你好不容易装上龙虾，环境周全，模型配好，让它每天给你推荐股票，接着AI跑完几百万Tokens，从伊朗局势到芯片革命，事无巨细的交付了一份「麦肯锡级别」的报告，让你无比满意，有种天下了若指掌的力量感。 但从结果来看，它和你抛硬币做的决定，其实没什么区别。 因为赚钱的逻辑不是这样的，从来都不是，世界上更常见的矛盾，是看过了太多的道理，却依然过不好这一生。 就像评价一种资产有没有泡沫的标准是「连大爷大妈都开始买了」，今天看到周鸿祎也表示要搞一键安装的龙虾了，说明这个事儿差不多也快到头了。 不过，在进度上，2026年的AI行业，确实进入了一个「大分化」的版本。 第一个分化，就在于前沿层和大众层，龙虾只是最新的媒介。 更早的春节期间，一份完全由AI生成的2026大失业文件在全网刷屏，这年头，AI胡编乱造不叫胡编乱造，叫非虚构写作了，也是奇景。 AI行业的认知更新以天甚至以小时为单位，普通人却依然麻木不仁的接着奏乐接着舞，这种碰撞引起的失真感，是很有意思的社会化现象。 一边是恨其不争的捉急，一边是与我何干的悠闲，奋斗逼和躺平逼狭路相逢，只好各道一声傻逼。（图3） 我毫不怀疑AI会淘汰掉大多数人，但就此预判大多数人为了不被淘汰所能付出的艰辛，这也是一厢情愿，属于了解AI但不了解人类的错觉。 就像Andrej Karpathy花两个小时给自己写了一个记录心率的仪表盘，然后惊呼应用商店不存在了，未来所有人都会像他一样给自己写App⋯⋯ 这哥们好像活在一个没有TikTok的世界里，或者说根本不知道为了少打几个字，用户是怎么让无限上下划的产品吞噬掉几乎所有时间消费的。 第二个分化，在于大厂和小虎之间的方向背离。 过去一个多月来，国内的互联网大厂烧掉了超过60亿人民币，就为把DAU冲出一个漂亮的数字，把最主流的ChatBot做成入口。 与此同时，硕果仅存的「AI六小虎」里，全都战略性放弃了AI应用的路线，转而选择主在海外市场卖API。 战绩可查的是，Kimi用20天的收入超过了去年全年，智谱最高档的订阅产品一度断货，MiniMax的调用量单周登顶OpenRouter⋯⋯ 于是我们看到「DAU无用论」又被翻出来广为传诵，当然传诵的主要都是些从未做过百万级DAU产品的从业者这点就不要提了，以免尴尬。 可惜AI圈不怎么读书，否则托克维尔的「旧制度与大革命」应该会被更频繁的提及，法国人与过去告别的决绝与浪漫，把处刑台变成了一道道靓丽的风景线，是多么的辉映时代。 只有老登才张口闭口林俊旸，咱们自己人都说junyang。 第三个分化，在于中国和美国的各走各路。 一年前DeepSeek火出圈后，很多啥也不懂但就是喜欢到处掺合的人纷纷建议要把梁文锋保护起来，别让他出国参加交流活动时被万恶的美国给扣了。 姑且不论贷款开团的做法，真实发生的情况是，在这一年来的全球性会议上，整个行业都处于一种「假装中国不存在」的世界线里。 比如最近贡献了Sam Altman和Dario Amodei举手握拳而非牵手这个名场面的AI Impact Summit，有头有脸的AI公司都去了——除了中国的。 这是一个相当吊诡的画面，作为全球AI产业的两极之一，中国的AI公司在各大行业峰会里始终处于缺席状态，存在感和地位的背道而驰，违和感已经无法视而不见了。 这当然是地缘政治的结果之一，双方似乎都是在假设一个不会受到对方任何影响的市场环境，但实际上，中国的程序员们几乎全是Anthropic的付费用户，而美国同行们也把中国的开源模型捧上了天。 至于龙虾热潮的内外两开花，更是把「技术没有国界线」写在了明面上。 「大分化」版本的生存指南，克服焦虑应该放在第一条，如果真要统计，人类每个星期错过的AI风口怕是多达百十个，但风口上已经没有猪了，那里成了一个打卡点。 包括龙虾，我其实是推荐大家都去尝试的，但前提一定是，基于你的好奇和兴趣，而不是因为看着别人都用，心里急得慌。 「哥，你当初不是跟我说AI是用来提效的吗?怎么你搞了AI之后越来越忙了?还一整夜一整夜的不睡觉，抖音也不刷了，番茄也不看了，王者也不打了，张口闭口就是什么Skills、Mcp、OpenClaw，我都有点分不清了，到底是你在用AI，还是AI在用你啊?」