【#習言道｜人工智能向何處去？習近平強調八個字】當大模型不斷刷新能力邊界，當機器人從工廠走向街頭，人工智能已不再是實驗室中的概念，而是奔涌而來的時代浪潮。# 然而，浪潮中既蘊含巨大機遇，也帶來治理挑戰。 “人類不得不直面時代之問：當機器開始思考，人類如何與之相處？當算法參與決策，安全如何保障？當技術挑戰倫理，治理如何跟上？當鴻溝不斷拉大，普惠如何實現？” 7月17日，在2026世界人工智能大會暨人工智能全球治理高級別會議開幕式上，習近平主席以“四問”點出當前人工智能發展面臨的治理挑戰，用八個字指出全球人工智能發展的方向——向上向善、造福人類。

近期麻豆倒閉的消息，實在令人不勝唏噓。 成人產業本來就屬於高風險且不易經營的領域。在華語市場中，不僅長期缺乏完善的產業鏈與制度支持，大眾對其也普遍帶有負面的刻板印象，甚至會視從業者為低人一等的存在，這使得整體發展環境更加受限。加上多數消費者尚未建立為成人平台付費的習慣，雖然台灣這幾年已逐漸養成為影視串流平台付費的觀念，但這樣的消費模式要真正延伸至成人平台仍有一段不小的距離。 另一方面，創作者品質參差不齊，對消費者而言缺乏保障，也進一步削弱付費意願。而當產業無法提供穩定且具吸引力的收益時，自然難以吸引優質創作者與專業團隊投入，形成一種近乎無解的惡性循環。 若營利模式仍停留在單篇解鎖或訂閱制，對於以個人為主、製作成本相對較低的創作者而言，仍有機會獲得不錯的報酬；但一旦規模擴大至工作室甚至公司層級，所需承擔的成本與風險大幅提升，這樣的收益模式顯然難以支撐長期運營，最終往往會面臨困境。 加上未來大環境的不確定性提高，似乎對於成人產業創作者而言，降低成本並專注於個人經營和包裝才是更穩妥的道路。 正因為如此我其實一直在思考，在這樣的環境下，創作者究竟該如何降低風險、穩定變現，甚至建立可長期經營的個人品牌？（對，我就是趁機推銷順便蹭熱度的） 如果你也在這個產業或準備踏入，其實有一條比你想像中更穩定、更適合長久經營的道路，我將試著用我的經驗讓你們少走一些彎路，把握成人自媒體經營的黃金期。 之後我會和@bunnybrownie36 @ChiBB1214 一起開一個完整的教學內容，把這些方法整理給真正想做的人們🫡

【觀察：兩岸交流熱絡 台灣青年認知重塑成融合新動力】 民進黨當局對兩岸交流採取諸多阻撓和限制措施，卻擋不住台灣青年對大陸的熱情。近期，兩岸青年交流頻繁，6月22日至24日間，就有“兩岸媒體川渝行”、“兩岸青年直播電商創業交流大會”、“兩岸青年‘創未來’科普夏令營”在中國多地舉行，為兩岸關係和平發展釋放積極信號。 上海海峽兩岸研究會研究員包承柯在接受香港中通社專訪時談到，在台灣民意“去川普化”、“去倚美化”的當下，島內青年的認知正在經歷一場深刻的“後真相重塑”，成為兩岸關係和平發展的正向力量。 近期兩岸青年交流頻繁，6月22日舉行的“2026兩岸媒體川渝行”活動中，來自海峽兩岸的專家學者、媒體記者、自媒體人等近40人，實地探訪成渝地區雙城經濟圈在產業、科技、基建、民生、生態、人文等領域的發展成果，挖掘兩岸產業、文化合作新空間。 23日，海峽兩岸近500位青年代表齊聚義烏的“兩岸青年直播電商創業交流大會”，在深度交流中幫助台灣青年掌握數字貿易核心技能、促成經驗共享與項目孵化。現場，8組合作項目集中簽約，涵蓋跨境電商、文創IP、供應鏈整合等多個領域，達成合作意向金額約1.5億元。 24日，包括32名台灣青年在內的60餘名兩岸青年齊聚“兩岸科創行”科普夏令營，開營儀式上機器人、機器狗和憨態可掬的機器熊貓表演吸引台灣青年爭相拍照留念。 “大陸的科技進步超乎想像。”首次到訪大陸，參與科創夏令營的台灣青年張家豪說，兩岸應發揮各自優勢，在相關領域加強交流合作，共同提升產業競爭力。福建人形機器人創新中心工程師向台灣青年發出邀請：“福州有場景、數據、供應鏈，等著台灣青年加入，願未來產線上的人形機器人，將銘刻‘兩岸青年，共同定義’。” 據國務院台辦17日發布的數據，截至目前，第十八屆海峽論壇大會已發布23項兩岸青年社團合作項目，19組結對共建、簽約合作。 “近期兩岸青年交流頻繁，操作智能剪輯、分析電商數據、達成簽約合作……這種‘體驗式’、‘實戰式’的交流，在過去實不多見，充分顯示大陸為兩岸青年搭建發展平台、共享發展機遇的誠意和實際行動。” 包承柯在接受香港中通社專訪時談到：“習特會”之後，美國減少對台灣事務插手程度，對台支持力度正在明顯縮減——這些新動向還會更加明確地表現出來，不斷打擊島內民進黨當局一直推行的“倚美謀獨”政策。民調顯示，台灣青年人更加主張通過兩岸談判來解決分歧，反映了台灣青年不甘當“台獨”炮灰的認知變化。 “當下，台灣青年正成為兩岸關係和平發展的正向力量。他們的認知正在經歷一場深刻的‘後真相重塑’，開始重新思考自己的未來，特別願意來大陸交流和參訪，大陸的發展給他們帶來新的感受，讓他們增長見識。” 包承柯認為，兩岸青年生活在同一個時代，彼此有很多共同語言，對生活的感受、對科技的觀感、對服裝和生活美學的共同追求……未來是青年們的，目前，島內青年的變化還只是處在“量變”的水平上，只要這樣的變化持續下去，總有一天會引起台灣社會發展的真正“質變”，兩岸融合發展一定會實現。（來源：香港新聞網） 詳情： #台灣# #兩岸# #青年#

Fable5的动态工作流规划能力和长程任务能力非常惊艳，模型本身训练已经带上了这些目标，做任务的时候，也很能感受到这个模型对 unknown unknown 的把控力。 这背后是前沿 AI 模型的训练目标，正在从让模型变聪明转向让模型会干活。 Fable5被明确设计为能够自主工作数小时甚至数天、分阶段规划、派发子任务给内部 agent、自我验证输出结果、在百万 token 上下文中始终保持注意力的系统。 这也不是 Anthropic 一家在走的路，把最近几个月的模型发布串起来看，所有实验室都在往同一个方向收敛。 DeepSeek V4 Pro 的训练管线是典型的例子：先用 SFT 加 GRPO 强化学习对每个领域独立培养专家能力，再通过 on-policy 蒸馏将所有领域的专长统一融合进一个模型。同时提供 Non-Think、Think High、Think Max 三种推理模式，让用户根据任务复杂度在延迟和深度之间做取舍。1.6万亿参数 MoE 架构，百万 token 上下文，10到12倍便宜于 GPT-5.5的价格。它的训练方法已经明确针对 agentic coding 和长程推理做了优化。 即将公布的GPT-5.6更进一步，OpenAI 用强化学习训练三个独立变体（Sol、Terra、Luna），让模型通过生成长 deliberation trace 来推理后再输出。Sol 甚至有一个 ultra 模式，会自主派生出多个子 agent 来并行处理多步骤任务的不同部分。 把这些拼在一起，能看到一条非常清晰的趋势线： 前 Qwen 技术负责人林俊旸回顾了 Qwen3混合思考模式（thinking/non-thinking 切换）的教训：思考模式和指令模式在训练目标上天然冲突，强行让一个模型两者兼顾，结果是两边都不够好。所以后续版本直接拆成了 Instruct 和 Thinking 两个独立变体。 但他更核心的判断是：AI 领域正在从训练模型转向训练 Agent。他把传统的推理思考（o1、DeepSeek-R1那种，依赖数学和代码的确定性奖励信号）和 Agent 思考区分开来，Agent 需要在交互式环境中制定计划、调用工具、根据反馈修正行动。后者的训练基础设施挑战大得多：要解耦训练和推理，要优化环境质量而不是数据多样性。 这就回到了 Dario Amodei 反复讲的那个最朴素的原理：AI 模型能力根本上取决于参数规模和输入数据。从这个角度看，LLM 行业确实没有天然护城河，训练方法在收敛，开源社区在追赶，算法创新很快就会被复制。 Anthropic 自己内部的数据也很说明问题，2023年收入从0到1亿美元，2024年到10亿，2025年到90-100亿，每年十倍增长。但 Dario 自己也在说“我们接近指数的终点”——当所有玩家的训练方法论趋同，真正的壁垒只剩下算力获取能力和生态锁定效应。 所以 Fable5让人兴奋的是它展示了一种新的模型行为模式：不需要外部脚手架告诉它一步步怎么做，它自己就能把一个大任务拆开、执行、纠错、完成。这种能力的来源是训练阶段就刻进模型权重里的目标函数。 当训练模型的思路和训练 Agent 的思路开始重叠，我们看到的就不再是一个更聪明的问答系统，而是一个真正能在现实工作流里接管长程任务的执行体。

上层社会最怕你读的60本书！读完你就能掌握了上层社会的命门。 一、决策与判断类 1. **《思考，快与慢》**：丹尼尔·卡尼曼经典著作，揭示大脑“快直觉”与“慢理性”两种思考模式，剖析认知偏差与决策谬误的根源。 2. **《超越智商》**：斯坦诺维奇作品，论证智商≠理性，教你通过训练“理性思维”规避认知陷阱，做出更明智的选择。 3. **《穷查理宝典》**：查理·芒格的智慧合集，收录多元思维模型、投资原则与人生哲学，是价值投资与认知升级的必读之作。 4. **《决策的艺术》**：系统讲解在信息不全、结果不确定的场景下，如何科学权衡利弊，避免沉没成本与情绪化决策。 5. **《噪声》**：卡尼曼新作，揭示人类判断中无处不在的“随机噪声”，提出“决策卫生”策略，提升判断的精准度与一致性。 6. **《别做正常的傻瓜》**：奚恺元教授用趣味实验拆解行为经济学中的非理性现象，教你避开理财、消费与人际中的常见误区。 7. **《不确定世界的理性选择》**：心理学与决策学经典，探讨在复杂多变的环境中，如何建立理性的判断框架与决策逻辑。 8. **《对赌》**：安妮·杜克将扑克博弈思维引入生活决策，教会你接纳不确定性，用概率思维提升选择的胜率。 9. **《助推》**：理查德·塞勒提出“自由主义家长制”理念，通过温和的“助推”手段，引导人们做出更符合长期利益的选择。 10. **《策略思维》**：博弈论入门经典，用生活化案例讲解博弈策略，教你在竞争与合作中找到最优解。 二、人际关系类 1. **《非暴力沟通》**：马歇尔·卢森堡提出“观察-感受-需要-请求”四步沟通法，化解冲突，建立共情与尊重的亲密关系。 2. **《被讨厌的勇气》**：以阿德勒心理学为核心，倡导“课题分离”，教你摆脱他人评价的束缚，获得真正的自由与幸福。 3. **《人性的弱点》**：戴尔·卡耐基传世经典，总结人际交往的核心法则，是提升情商、搞定人脉的入门指南。 4. **《影响力》**：西奥迪尼揭秘说服他人的六大心理学原理（互惠、承诺、社会认同等），既是社交利器，也是防骗手册。 5. **《亲密关系》**：罗兰·米勒从科学视角解读爱情、婚姻与友谊，剖析亲密关系的建立、维系与修复的底层逻辑。 6. **《沟通的方法》**：脱不花力作，覆盖职场、家庭等高频场景，提供可直接套用的话术与技巧，帮你高效解决沟通难题。 7. **《关键对话》**：教你在高风险、情绪化的场景中（如吵架、谈判）保持理性，用平等对话达成共识。 8. **《界限》**：教会你建立清晰的心理边界，既不被他人过度索取，也尊重他人的边界，守护自己的精力与情绪。 9. **《也许你该找个人聊聊》**：心理咨询师的真实案例集，展现普通人在痛苦、迷茫中的救赎与成长，治愈力极强。 10. **《我不是教你诈》**：刘墉用小故事剖析人情世故，教你在复杂社会中看清人心、保护自己，同时守住善良的底线。 三、经济规律洞察类 1. **《经济学原理》**：曼昆经典教材，用通俗语言系统讲解微观与宏观经济学基础，是零基础入门经济学的首选。 2. **《国富论》**：亚当·斯密奠基之作，提出“看不见的手”理论，奠定自由市场经济的思想根基，影响至今。 3. **《通往奴役之路》**：哈耶克经典，警告计划经济与政府过度干预会侵蚀自由，最终走向极权与奴役。 4. **《就业、利息和货币通论》**：凯恩斯代表作，开创宏观经济学，主张政府干预经济以应对失业与周期性危机。 5. **《自由选择》**：弗里德曼倡导自由市场，反对政府干预，认为个人选择与竞争是经济繁荣的核心动力。 6. **《贫穷的本质》**：班纳吉与迪弗洛基于15年实地调研，揭示贫穷陷阱的根源，提出精细化扶贫与反贫困的可行路径。 7. **《卧底经济学》**：蒂姆·哈福德用风趣案例拆解日常现象背后的经济学逻辑，让你看懂价格、稀缺性与博弈。 8. **《21世纪资本论》**：皮凯蒂用200年数据证明，资本回报率高于经济增长率是贫富差距扩大的核心原因，主张全球财富税。 9. **《动物精神》**：阿克洛夫与席勒引入凯恩斯“动物精神”，解释非理性心理如何驱动经济繁荣与萧条。 10. **《变革中国》**：罗纳德·科斯以“边缘革命”视角，解读中国从计划经济到市场经济的转型逻辑与民间力量的作用。 四、底层逻辑认知类 1. **《思考，快与慢》**：丹尼尔·卡尼曼经典著作，揭示大脑“快直觉”与“慢理性”两种思考模式，剖析认知偏差与决策谬误的根源。 2. **《穷查理宝典》**：查理·芒格的智慧合集，收录多元思维模型、投资原则与人生哲学，是价值投资与认知升级的必读之作。 3. **《原则》**：瑞·达利欧分享桥水基金的决策与生活原则，强调“极度求真、极度透明”，构建系统化的行动框架。 4. **《系统之美》**：德内拉·梅多斯系统思考入门经典，教你从整体、动态的视角看待复杂问题，找到解决问题的杠杆点。 5. **《超越智商》**：斯坦诺维奇作品，论证智商≠理性，教你通过训练“理性思维”规避认知陷阱，做出更明智的选择。 6. **《模型思维》**：斯科特·佩奇介绍24种跨学科模型，倡导“多模型思维”，用不同框架拆解复杂世界，提升认知深度。 7. **《认知觉醒》**：周岭结合脑科学与心理学，讲解元认知能力，教你从底层改变大脑运行逻辑，摆脱内耗与焦虑。 8. **《把时间当作朋友》**：李笑来颠覆传统时间管理，主张“管理自己而非时间”，通过长期积累实现心智成熟与自我成长。 9. **《哲学家们都干了些什么？》**：林欣浩用幽默笔法讲述西方哲学史，从苏格拉底到尼采，带你追问人生与世界的本质。 10. **《直觉泵和其他思考工具》**：丹尼尔·丹尼特提供77个思想实验，训练批判性思维与逻辑分析能力，帮你拆解复杂难题。 五、自我成长与心态类 1. **《被讨厌的勇气》**：以阿德勒心理学为核心，倡导“课题分离”，教你摆脱他人评价的束缚，获得真正的自由与幸福。 2. **《原子习惯》**：詹姆斯·克利尔提出“1%法则”，通过微小习惯的复利效应，实现人生的长期蜕变与自我提升。 3. **《终身成长》**：卡罗尔·德韦克区分“固定型思维”与“成长型思维”，证明能力可通过努力提升，鼓励拥抱挑战与失败。 4. **《也许你该找个人聊聊》**：心理咨询师的真实案例集，展现普通人在痛苦、迷茫中的救赎与成长，治愈力极强。 5. **《高效能人士的七个习惯》**：史蒂芬·柯维以原则为中心，提出主动积极、以终为始等七大习惯，构建个人效能与领导力体系。 6. **《心流》**：米哈里·契克森米哈赖定义“心流”——全神贯注、忘我愉悦的最优体验，教你在工作与生活中创造幸福感。 7. **《逆商》**：保罗·史托兹提出逆商（AQ）概念，通过CORE四维度与LEAD工具，教你提升应对逆境的能力，从挫折中反弹。 8. **《认知觉醒》**：周岭结合脑科学与心理学，讲解元认知能力，教你从底层改变大脑运行逻辑，摆脱内耗与焦虑。 9. **《5%的改变》**：李松蔚主张用“微小可控的5%行动”打破困局，避免对“彻底改变”的执念，通过量变引发质变。 10. **《活出生命的意义》**：维克多·弗兰克尔基于集中营经历，提出“意义疗法”，教导人在苦难中寻找生存的意义与价值。 六、历史与文明类 1. **《人类简史：从动物到上帝》**：尤瓦尔·赫拉利以认知革命、农业革命、科学革命为主线，讲述人类从动物到“神”的演化史。 2. **《枪炮、病菌与钢铁：人类社会的命运》**：贾雷德·戴蒙德用地理环境差异解释文明兴衰，驳斥种族优越论，揭示文明发展的底层逻辑。 3. **《全球通史：从史前史到21世纪》**：斯塔夫里阿诺斯突破欧洲中心论，以全球视角考察人类文明的互动与演进。 4. **《崩溃：社会如何选择成败兴亡》**：贾雷德·戴蒙德分析复活节岛、维京社会等案例，总结社会崩溃的五大核心因素，反思现代社会的可持续性。 5. **《万物简史》**：比尔·布莱森用风趣笔法讲述科学发展史，从宇宙大爆炸到人类文明，科普天文、地质、生物等领域知识。 6. **《丝绸之路：一部全新的世界史》**：彼得·弗兰科潘以丝绸之路为轴心，重构世界史叙事，展现东西方文明的交流与碰撞。 7. **《史记》**：司马迁中国第一部纪传体通史，记录从上古黄帝至汉武帝的历史，兼具史学价值与文学魅力。 8. **《中东两千年》**：伯纳德·路易斯梳理中东千年民族、宗教与地缘冲突史，解析现代中东格局的历史根源。 9. **《第三帝国的兴亡》**：威廉·夏伊勒基于一手史料，全景式还原纳粹德国从崛起至覆灭的全过程，剖析极权主义的本质。 10. **《东晋门阀政治》**：田余庆研究东晋“皇权与士族共治”的特殊政治形态，深入分析门阀士族的兴衰与权力博弈。

字节对大厂 AI Coding 的反思，好真实。 字节技术副总裁洪定坤的分享，我来回看了好几遍，很有启发。 字节在 AI Coding 方面的实践还是很有代表性的，推荐所有做研发的同学都可以看看。应该会感同身受。 我看完记了一整页笔记，分享给大家。 我甚至觉得可以把这个分享理解为字节在 AI Coding 上的一些真实反思。 根据自己的理解，我把这个分享里对我有启发的几个判断展开来聊一聊。 其中会夹杂很多我自己的感触，想看原文的可以直接去找演讲全文。 反思一：AI 代码贡献率不该是 KPI AI Coding 基本上都已经逐步进入了各个公司的生产流程。 很多人都在说自己的业务有 90% 的代码是 AI 生成的，乍一听，感觉很恐怖。 但其实，AI 对研发的提效没有外界想象的那么高。 洪定坤举了 TRAE 团队的例子。TRAE 本身就是做 AI 工具的，所以这个团队对 AI Coding 的采用非常积极。 过去半年里，他们有 94% 的代码都是 AI 贡献的。但人均需求吞吐率只提升了 60%，也就是之前的 1.6 倍。 这就有疑惑了，AI 写代码的速度至少是人的 10 倍以上，如果 90% 以上的代码都是 AI 产出的，效率至少应该提升 5 倍或者 10 倍吧？为什么只提高了 1.6 倍？ 字节得出来的结论是，单一的指标，比如 AI 代码占比，根本没有办法代表真实的生产力。 如果把 AI 代码贡献率当成 KPI，结果就是大家都去优化 AI 的生成量，而不是优化交付能力。 看起来 AI 用了很多，但系统的效率并没有真正变好。 那为什么 90% 的代码都是 AI 写的，人效才提了 1.6 倍？一个很重要的原因是，写代码只是整个研发流程的一个环节。 写之前要理解需求、写 Spec，写完之后要验证功能、提交发布，这些环节如果还是传统方式，光把写代码加速了，整体效率提不上去。 洪定坤把字节在这方面的尝试叫做系统化的 AI Development，核心意思就是 AI 不能只管写代码，得让它进入更多的研发环节，整条链路都跑通，效率才能真正上来。 前两天出去的时候还跟别人争论这件事。现在还有不少公司在追踪员工到底用了多少 Token，说白了，这是在追踪过程。 更应该关注的是，用了这个工具之后，从结果层面去看，交付到底有没有变得更快、更可靠。 一个团队天天说自己 AI 工具用得贼溜，消耗了多少 Token，但没有什么有效的产出，那这到底是好事还是坏事。我觉得这是一个值得每个管理者思考的新问题。 反思二：功能正确≠工程可用 Vibe Coding 的理想状态是就像聊天一样，用自然语言表达自己的需求，最后做出来想要的产品。 如果哪里不对，再用自然语言和 AI 沟通，让它修改。这是过去一年 Vibe Coding 风靡的思路。 对于不太复杂的应用，这种方式完全没问题。我自己做的一些项目基本上就是这个流程跑下来的。 但只要是做生产级的软件，无论公司大小，流程肯定不是这样。 因为公司里必然有老代码，有一套约束。怎么复用已有的组件，安全和权限怎么处理，性能怎么保证，还有兼容性、可维护性。 正经写过工程代码的人都清楚，Vibe Coding 描述的那个状态是比较理想化的，更适合做小项目和验证想法。 真正的程序员虽然也在 Vibe Coding，但流程跟理想状态不一样。 字节内部做了一个实验来验证这个判断：三个模型，三个 Agent 框架，两两组合成 9 种方案，针对同一个需求，每组跑 100 次，总共 900 次。 结果发现，AI 在功能正确率上表现还不错，所有组合都超过了 80%，也就是说，AI 把功能写对的能力已经过了及格线。 但无论哪个组合，生成代码的工程质量都不太好。比如 UI 不对，没有复用组件，性能有问题，结构不符合规范。 这些问题大家在用 AI 写代码的时候应该都碰到过。 现在所有上了牌桌的 Coding 模型，都已经过了 Opus 4.6 这个级别的临界点，模型可以自主写代码了。 这个时候影响 AI Coding 成败的绝对不是裸模型，而是裸模型加上 Harness 的能力。 这个判断本身不算新鲜。 但我最受触动的是字节对 Harness 的理解。 他们的反思是，整个行业好像还是把 Harness 等同于 Agent 框架，诸如用 single agent 还是 multi agent，包含哪些角色，角色之间怎么配合。 这些当然重要，但字节在实践中发现，真正决定 AI Coding 能不能落地的，反而是更基础、更工程化的东西。 洪定坤把它叫做基建。 比如上下文工程有没有做好，架构的约束够不够清晰，团队的知识能不能有效沉淀下来，过去的技术债有没有梳理清楚。 这些看起来不那么性感的工作，反而直接影响 AI Coding 的效果。 实验数据也验证了这一点。同样的模型和框架组合，把这些基建结合进去之后，功能正确率直接从 80% 提升到了接近 90%，工程质量得分，也从之前 40 到 60 分的不及格水平，普遍提升到了 80 分左右。 基建做不好的话，可能的后果是，Vibe Coding 感觉快了，但实际整体可能更慢。工程的债，迟早得还。 反思三：代码门槛下降之后，团队怎么协同 洪定坤分享里有一个例子让我印象很深刻。 产品经理有个需求，发现还得等研发排期，就说那我自己来吧，用 AI 三下五除二就把功能给实现了。 确实这个功能不复杂。做完之后产品经理把代码给到研发，说我已经把代码写完了，现在你只需要帮忙把功能上线就行。 研发一看，不行。你这代码能跑，但不符合上线的规范，有权限问题、安全问题。 产品经理就很委屈，你们没时间做这个需求，现在我都做完了又不让上线。可研发看到的其实是代码质量的问题。 所以这里面就有一个需要所有人正视的事情，虽然代码的生成门槛虽然下降了，这并不代表系统的复杂度也下降了。 真实的业务系统里，代码要放到已有的架构里，要跟已有的模块配合，还要考虑各种各样的问题。 绝对不是谁写出来就能直接上线的。不然肯定会出问题。 怎么让不同角色的人用同一套工具和规范做出符合要求的代码，这是接下来大家需要去解决的。 字节的思路是在内部尝试工具化。比如把内部实践直接产品化，沉淀到 TRAE 里面，开放给所有人。 其实说白了就是工具化。 我看朋友圈有好多大佬也都在转这篇文章，应该还是有挺多共鸣的。 我感觉这一次分享多少也是一些拨乱反正吧。因为过去一段时间确实有很多听起来很离谱的言论，有些人会疯狂地炫耀自己使用了多少 Token，会认为这就代表着 AI Native...... 强烈推荐大家看看原文。字节跳动的公众号就有。

交易伟人的经验：斯坦利·德鲁肯米勒 转载自： 2016 年 12 月 7 日 亚历克斯·巴罗 基金经理斯科特·贝森特这样描述斯坦利·德鲁肯米勒： “历史上最伟大的赚钱机器，兼具吉姆·罗杰斯的分析能力、乔治·索罗斯的交易能力，以及一个河船赌徒的胆量。” 这是极高的评价，但如果你看看德鲁肯米勒的业绩，就会发现它完全名副其实。 过去 30 年，德鲁肯米勒的平均年化回报率超过 30%, 这已经非常惊人。 但更不可思议的是，他的业绩几乎没有波动。 他从未经历过一个亏损年份， 120 个季度中也只有 5 个亏损季度。这完全是闻所未闻的成绩。 而且，他是在如此庞大的资金规模下做到这一点的。 巅峰时期，德鲁肯米勒管理的资金超过 200 亿美元，但他依然能够持续取得极其出色的成绩。 研究德鲁肯米勒时，你会产生一种感觉：他像是在某个丛林深处的实验室里被制造出来的。 有人把一个优秀投机者所需要的每种性格特质，一项一项装进了他的身体里： 思维灵活 独立思考 极度好胜 永不疲倦的求知欲 深刻的自我认知 也许他是天生的怪才。 也许他是杰西·利弗莫尔和乔治·索罗斯的秘密爱情结晶。 但也可能，他只是一名极其坚定的交易员，终其一生都在追求精进。 无论如何，我们都应该研究这位市场伟人的思想与行动。 现在，让我们开始。 什么真正推动股价？ 在杰克·施瓦格的《新金融怪杰》中，德鲁肯米勒回答了自己如何评估股票的问题。 他说： “我刚开始工作时，会对每只股票或每个行业做非常详尽的研究，覆盖所有可能的方面。在向股票筛选委员会进行展示之前，我必须先把研究报告提交给研究主管。我特别记得，有一次我向他提交了一份关于银行业的报告。我对自己的工作感到非常自豪。然而，他读完后对我说：‘这东西毫无用处。究竟是什么让这只股票上涨或下跌？’这句话刺激了我。从那以后，我开始把分析重点放在寻找那些与股价走势高度相关的因素上，而不是试图罗列所有基本面信息。” 坦率地说，即使到了今天，许多分析师仍然不知道自己所研究的股票究竟为什么上涨或下跌。 金融世界充满了噪音和胡言乱语。 这里有很多聪明人，但他们并不真正理解这个世界是如何运行的。 金融体系的激励结构是这样的：只要分析师听起来足够聪明，并且假装知道某只股票为什么上涨，他们就能得到奖励。 所有电视上的评论员和所谓专家基本都如此，唯一的例外，是那些真正拿真钱交易的人。 这些人要么学会这个游戏，要么被竞争淘汰。 德鲁肯米勒就是那些真正参与竞争的人之一。 因此，他很早就被迫弄清楚：究竟是什么真正推动价格？ 他的结论是： “盈利不会推动整体市场，真正推动市场的是美联储。要关注央行，要关注流动性的变化。市场上的大多数人都在寻找盈利和传统指标，但真正推动市场的是流动性。” 流动性就是货币，尤其是信用的扩张与收缩。 它是推动经济需求的最大变量。 而美联储掌握着影响流动性的最大杠杆。 这就是为什么交易员必须持续关注美联储正在做什么。 这并不是说销售额和盈利不重要。 在单只股票层面，它们依然非常重要。 德鲁肯米勒继续说道： “很多时候，关键因素与盈利有关。银行股尤其如此。但化工股的表现方式完全不同。在这个行业里，关键因素似乎是产能。买入化工股的理想时机，是大量产能已经退出行业，同时出现一个你认为会触发需求增长的催化剂。反过来，卖出这些股票的理想时机，是行业里开始出现大量新工厂的宣布，而不是等到盈利开始下降时再卖。原因在于，扩张计划意味着两到三年后盈利可能会下滑，而股票市场往往会提前预期这些变化。” 市场是一台面向未来的折现机器。 这意味着，盈利对股票很重要，但未来的盈利比过去的盈利更重要。 大多数市场参与者只会拿最近的盈利，并把它机械地外推到未来。 他们没有真正去研究：究竟是什么机制在推动某家公司或某个行业的利润。 成为一名优秀交易员的关键，是识别未来将推动盈利的因素，而不是过去推动盈利的因素。 德鲁肯米勒曾在一次采访中说： “我过去30年的工作，就是提前判断那些别人没有预期到、因而尚未反映在证券价格中的经济趋势变化。” 关注未来，而不是过去。 德鲁肯米勒的另一个突出特点，是他愿意使用任何有效的方法。 也就是说，他会使用任何能够帮助自己发现好交易、管理交易的风格或工具。 他说： “我学到的另一个能够帮助我判断股票会上涨还是下跌的纪律，是技术分析。德雷尔斯极其重视技术分析，而我可能是部门里最容易接受技术分析的人。虽然德雷尔斯是我的老板，但很多人认为他是个怪人，因为他保存了大量图表手册。然而，我发现技术分析确实非常有效。我从来不会用估值来判断市场时机。我用流动性因素和技术分析来择时。估值只能告诉我，当催化剂出现、改变市场方向后，市场还能走多远。” 德鲁肯米勒综合使用基本面、宏观、技术和市场情绪等多种方法，以拓宽自己对战场的观察范围。 这也是我们在 Macro Ops 所遵循的方法。 把自己限制在单一、僵化的分析框架中没有意义。 只使用有效的东西，丢弃无效的东西。 如何获得超额回报？ 德鲁肯米勒把传统智慧抛到了一边。 他不是下注许多小型、分散的机会，而是实践所谓的“大注哲学”： 只进行少数几笔规模很大、非常集中的下注。 德鲁肯米勒这样谈论“大注哲学”： “我进入这个行业时听到的第一句话，不是我的导师告诉我的，而是：‘多头能赚钱，空头能赚钱，贪婪的人最终会被宰。’我要告诉你，我就是那个贪婪的人。我坚信，在我们这个行业里，想获得优于市场的长期回报，唯一的方法就是做一个贪婪的人。我认为，如今商学院到处教授的分散化以及类似理念，可能是最被误导的概念。如果你观察那些伟大的投资者，无论是沃伦·巴菲特、卡尔·伊坎，还是肯·兰格尼，你会发现，他们往往进行非常、非常集中的下注。他们看到了某个机会，于是押注，甚至押上全部家当。我的理念就是这样形成的：一年中可能只有一两次，你会看到真正让自己极度兴奋的机会。如果你真的看到了，就把所有鸡蛋放进一个篮子里，然后非常仔细地盯着这个篮子。” 这段话里有很多智慧。 想要获得优异的长期回报，你必须愿意在自己高度确信时进行重注。 相应地，你也必须保护资本，不要把资金浪费在一大堆自己并没有多少把握的交易上。 这让我想起塞思·卡拉曼在《安全边际》中写下的话： “避免损失，应当是每一位投资者的首要目标。” 这并不是说投资者永远不能承受任何损失。 而是说，在数年的时间里，投资组合不应暴露于严重的资本损失风险之中。 没有人希望亏损。 但如果观察大多数投资者和投机者的行为，你很难得出这个结论。 我们内心的投机冲动非常强烈。 尤其是当别人看起来已经享受了“免费午餐”，而你的经纪人又打电话向你推销最新的热门 IPO 时，诱惑会非常大。 但避免损失，是确保最终盈利最可靠的方法。 你必须保留弹药。 当所有条件终于同时出现时，你才能全力出击。 德鲁肯米勒在乔治·索罗斯手下交易时，学会了抓住最佳时机。 他说： “我从乔治·索罗斯那里学到了很多东西。但最重要的一点可能是：重要的不是你对还是错，而是你判断正确时赚多少钱，以及判断错误时亏多少钱。索罗斯仅有几次批评我，都是因为我对某个市场的判断完全正确，却没有把机会最大化。” 高度重视资本保护，再配合大注策略，是许多伟大投资者采用的杠铃哲学。 让亏损保持较小，同时尽可能扩大盈利交易，这就是成功投机的核心。 我们今天看到的基金清盘潮，不仅仅是因为资产管理行业充斥着平庸者。 即便一些能力不错的管理人，也不敢承担取得高回报年份所需要的风险。 他们过度管理基准，过度关注短期结果。 这正是获得平均表现的配方。 德鲁肯米勒认为，正确的做法是： “很多管理人一旦赚到30%或40%，就会锁定这一年的成绩。也就是说，在剩下的时间里极度谨慎交易，不愿让已经取得的高回报受到损害。但想获得真正优异的长期回报，你应该先努力赚到30%或40%。然后，如果你仍然拥有足够的信念，就去争取100%的年份。如果你能取得几个接近100%的年份，同时避免亏损年份，就能获得极其出色的长期回报。” 当你已经赚到利润，拥有了“赌场的钱”，下一次高确定性交易出现时，就应该果断加大下注，争取超额回报。 交易者的心态与如何处理亏损 德鲁肯米勒认为，成功交易员必须做到： 果断、开放、灵活、好胜。 1987年股灾前一天，德鲁肯米勒认为抛售已经结束，于是从净空头切换成130%的多头。 但当天他逐渐意识到，自己犯了一个严重错误。 第二天，他立即反转仓位，重新做空市场，最终还赚了钱。 这种心理灵活性，是所有伟大交易者的共同特征，而德鲁肯米勒也许比任何人都更能体现这一点。 “观点坚定，但不要执着”很难做到，却是成功的关键。 要达到这种程度的心理灵活性，你必须学会把自我意识与眼前交易的结果分离。 如果让亏损影响判断，你最终一定会犯下更大的错误。 德鲁肯米勒早年从索罗斯那里学到了这一点。 他说： “索罗斯是我见过最擅长接受亏损的人。他并不在意某一笔交易是赢还是输。如果交易没有按照预期发展，他有足够的信心相信自己能够在其他交易中获胜，因此可以轻松地离开这笔交易。货架上有很多鞋，只穿合脚的那一双。” 如果你非常有信心，接受亏损就不会让你烦恼。 这个行业最美妙的地方之一是： 只要你保护好资本、活下去，就永远可以进行下一笔交易。 德鲁肯米勒说： “我们这个行业非常美妙，因为它具有流动性。你可以在任何一天把一切重新归零。只要我能够控制局面，也就是说，只要我能够平掉自己的仓位，就没有理由紧张。” 几年前，我曾看过查理·罗斯采访德鲁肯米勒。 查理问他： 这么多年过去了，你已经赚了这么多钱，为什么还要继续每周工作60小时？ 德鲁肯米勒的回答大意是： “因为我必须这么做。我热爱这个游戏，也热爱胜利。钱甚至不是最重要的。” 想要达到德鲁肯米勒的境界，你必须因为交易本身而交易。 因为那就是你要做的事。 那就是你的生活。

《反馈深度：衡量智能的新尺度》 长期以来，人们衡量智能，有几种常见标准。 知识储备有多少。 计算速度有多快。 推理能力有多强。 记忆容量有多大。 这些指标都有价值，却都无法解释一个现象： 为什么有的人知道很多，却几十年没有成长？ 为什么有的人知识并不丰富，却能够不断突破自己？ 问题不在于知识。 真正的差异，在于反馈能够深入到哪里。 一、反馈有深度 很多人认为，反馈只有一种。 成功了，继续。 失败了，调整。 实际上，反馈存在不同层次。 最浅层的反馈，只改变行为。 例如今天跑步太累，明天少跑一点。 行为变了，认知没有变。 继续深入，反馈开始改变状态。 例如发现自己长期熬夜效率低，于是开始调整作息、精力分配、工作节奏。 系统开始管理自己的运行状态。 再深入，反馈开始改变策略。 原来一直加班解决问题，现在发现自动化更有效，于是改变工作方法。 策略发生了变化。 继续深入，反馈开始改变模型。 过去认为努力等于成功。 后来发现，真正决定结果的是反馈质量、资源配置和协作效率。 世界观发生了更新。 而最深层的反馈，则开始改变反馈机制本身。 例如，一个人开始思考： 为什么我总是在同一种地方犯错？ 是不是我的学习方式本身存在问题？ 是不是我的评价体系阻止了我成长？ 此时，被修正的已经不是观点，而是认知如何更新的方式。 二、大多数成长，停留在第一层 为什么很多人成长越来越慢？ 因为反馈始终停留在行为层。 工作做不好，就更努力。 考试没考好，就刷更多题。 项目延期，就开更多会议。 所有调整，都围绕动作展开。 动作越来越多。 问题却不断重复。 因为真正需要修改的，从来不是动作。 而是动作背后的结构。 三、科学的发展，也是一场反馈下潜 科学史，就是反馈不断深入的历史。 最开始，人们修正的是现象。 后来修正的是公式。 再后来修正的是理论。 牛顿不是修正了苹果落地。 他重构了力学模型。 爱因斯坦不是修正了一个实验。 他重构了时空模型。 每一次科学革命，都不是增加了一条知识。 而是反馈深入到了更深的结构。 四、AI的发展，同样如此 今天的大模型，看起来越来越聪明。 真正重要的，不只是参数越来越多。 而是反馈越来越深入。 训练阶段，模型根据误差不断调整参数。 推理阶段，模型开始建立内部推演。 Agent开始根据环境自主修正计划。 未来，更高级的AI，将开始修改自己的学习策略。 甚至修改自己的模型结构。 反馈不断深入。 智能不断跃迁。 五、人类最大的优势 未来，人类和AI都会拥有庞大的知识。 都会拥有极快的推理速度。 真正拉开差距的，很可能不是算力。 而是谁能够把反馈推进得更深。 有人遇到失败，只会换一种做法。 有人会重新定义问题。 有人会重新定义目标。 还有极少数人，会重新定义自己的认知方式。 每深入一层，系统能够解决的问题，就会上升一个数量级。 六、反馈深度，就是智能深度 因此，我们或许需要一个新的智能尺度。 不是IQ。 不是知识量。 不是学历。 甚至不是解决了多少问题。 真正值得衡量的是： 当现实与你的预期发生冲突时，你能够把反馈推进到多深？ 只能修正动作，智能有限。 能够修正策略，智能开始成长。 能够修正模型，智能开始创新。 能够修正反馈机制本身，智能开始持续演化。 智能，从来不是静止的能力。 它是一种不断重构自己的能力。 反馈越深，智能越高。 这，也许才是衡量智能最本质的尺度。

财报透视：WST 暴涨 14%，揭示医药供应链的“AI 加速”逻辑 在刚刚发布的 2026 财年第一季度财报中，West Pharmaceutical Services (WST) 以超越市场预期 27% 的盈利表现震惊了华尔街。作为制药行业的“包装收费站”，WST 的这份财报远不止数字增长那么简单，它实质上是生物医药行业进入“商业化收割期”的强烈信号。 核心亮点：GLP-1 引发的结构性红利 WST 本季营收达 8.449 亿美元，同比增长 21%。其爆发力主要源于： 重磅药物放量： 以 GLP-1（减肥/糖尿病药物）为首的注射剂需求激增，直接带动了高价值（HVP）包装组件和自助注射设备的订单。 产能释放： 欧洲生产线爬坡效率超预期，成功承接了下游药企全球扩产的订单压力。 利润结构优化： 随着复杂药物占比提升，运营利润率从 15.3% 跃升至 21%，体现了极强的议价权。 深度解读：AI 究竟在其中扮演什么角色？ 虽然 WST 是一家物理制造企业，但其业绩弹性本质上是 “AI + 医疗” 效率红利的终端体现： 从“出药率”到“上市率”： AI 通过蛋白质折叠预测和模拟筛选，显著提高了新药研发的成功率。这意味着更多高价值、复杂的生物药剂（如多肽药物）走出了实验室，进入了 WST 的包装流水线。 全产业链提速： AI 不仅加速了药物发现，还通过优化临床设计和申报流程，压缩了新药从获批到大规模上市的时间窗。WST 订单的“陡峭”增长，正是这种行业节奏变快的物理映射。 交付方式的智能化： 为了延长专利期和提升合规性，药企正加速将传统剂型转化为智能交付设备。AI 驱动的数字医疗趋势，正让 WST 的产品从“耗材”变成“精密系统”。 策略思考 对于宏观投资者而言，WST 的表现是一个明确的信号：AI 对医药行业的改变已不再停留于研发端的叙事，而是开始转化为供应链上的实打实订单。 当市场还在争论 AI 算力时，医药供应链中的“核心收费站”已经开始享受 AI 带来的商业化加速红利。只要新药上市的节奏持续被技术手段压缩，这类掌握精密交付关卡的公司，将持续展现出超越周期的确定性。 免责声明：本人观点十分主观，非投资建议dyor

《AI 下半场：美股人形机器人产业链全梳理》 白毛股神 Serenity @aleabitoreddit 说：Robotics is next.🤖🤖🤖 过去两年，市场主要交易的是 AI 的大脑：GPU、CPU、存储、数据中心、大模型、推理算力。 但大脑建好之后，AI 不能永远只停留在屏幕里写代码、画图、聊天。 大模型是 AI 的大脑，机器人是 AI 的身体。大脑负责思考，身体负责行动。 只有当 AI 拥有了身体，它才能真正走进工厂、仓库、医院、家庭，去搬运、分拣、装配、护理、清洁，最终在真实世界里创造价值。 Biteye 按照人形机器人的组成部分，系统梳理了美股机器人及供应链核心标的👇 🔹 感知系统 这部分负责让机器人看到世界。它通过视觉、深度、触觉等传感器，把真实世界转化为数字信息，让机器人能够识别物体、理解环境并进行空间定位，是机器人理解外部世界的第一步。 $CGNX Cognex | ~$8B+ | 工业机器视觉龙头，工厂自动检测与识别系统 $KEYS Keysight | ~$30B+ | 测试测量系统，机器人电子系统验证基础设施 $TDY Teledyne Technologies | ~$25B+ | 高端工业相机+LiDAR+传感器系统 $ON onsemi | ~$25B+ | 自动驾驶+机器人图像传感器核心供应商 $NOVT Novanta | $5.61B | 做机器人力/力矩传感器，在人形机器人和工业机器人里很重要。 $AMBA Ambarella | ~$4B+ | AI视觉芯片，用于机器人/无人机/安防识别 $VPG Vishay Precision Group | ~$1.7B | 精密力学传感器公司，应变计和力传感器可用于人形机器人灵巧手、关节力控与高精度抓取，是 Optimus 供应链弹性标的之一。 $VLN Valens Semiconductor | ~$200M+ | 高速信号传输芯片公司，提供低延迟视觉数据传输方案，可用于机器人多摄像头、自动驾驶和端侧计算系统。 🔹 执行系统 执行系统相当于机器人的肌肉和关节，负责把计算系统发出的指令转化为真实动作。无论是行走、转身、抓取、搬运，还是保持平衡，都依赖电机、减速器、液压/气动系统和精密传动部件来完成。 $PH Parker Hannifin | ~$120B+ | 运动控制+液压系统，机器人核心驱动与执行器 $IR Ingersoll Rand | ~$32B+ | 工业压缩机+自动化气动系统 $FTV Fortive | ~$18B+ | 工业精密工具+自动化设备系统 $RRX Regal Rexnord | ~$14B+ | 电机+传动系统，工业机器人动力核心 🔹 计算与控制 计算与控制相当于机器人的“大脑 + 小脑”，负责处理感知数据、理解环境、规划路径，并把AI决策转化成稳定动作。它决定机器人反应快不快、动作准不准、能不能在复杂环境中自主运行。 $NVDA Nvidia | ~$3.0T+ | AI GPU + Jetson边缘计算平台，机器人算力绝对核心 $MSFT Microsoft | ~$3.2T+ | Azure + Copilot + AI基础设施，提供机器人云端大脑与开发平台 $GOOGL Alphabet | ~$2.0T+ | DeepMind + Waymo，布局自动驾驶与机器人AI系统 $AMD AMD | ~$880B+ | GPU/CPU替代方案，提供机器人边缘与训练算力 🔹 能源系统 能源系统决定机器人能运行多久、功率能有多强，包括电池技术、电源管理和充电系统，是机器人能否规模化落地的关键限制条件。 $ADI Analog Devices | $203.57B | 模拟芯片、电源管理、传感和工业控制巨头，机器人底层硬件核心。 $HON Honeywell | $144.11B | 电源管理+工业能源系统 $MPWR Monolithic Power Systems | $76.83B | 电源管理芯片龙头，广泛应用于机器人、AI服务器和汽车电子。 $VICR Vicor | $14.40B | 做高效率电源模块，将电池电压转换成不同部件用电，适合机器人能源系统。 $AMPX Amprius Technologies | $2.43B | 硅负极高能量密度锂电池，已切入无人机与机器人市场 $BLNK Blink Charging | $85.63M | EV充电基础设施公司，探索机器人与物流设备充电场景 🔹 基础软件 基础软件是人形机器人真正的“智能底座”，决定机器人不是简单重复动作，而是能够理解任务、学习环境并不断优化行为。 在人形机器人训练中，软件的重要性甚至高于单一硬件。机器人需要先在仿真环境中学习走路、抓取、避障和执行任务，再通过真实世界数据不断修正模型。 $MSFT Microsoft | ~$3.2T+ | Azure AI + Copilot 生态，机器人云端大脑与企业AI开发平台。 $NVDA Nvidia | ~$3.0T+ | Isaac Sim + Jetson + GPU 算力平台，机器人仿真训练和AI推理基础设施。 $TSLA Tesla | ~$1.3T+ | FSD + Optimus 数据闭环，端到端机器人策略模型代表。 🔹 人形机器人 在人形机器人方向，本体公司的目标是让机器人像人一样在复杂环境中完成通用任务；在工业和协作机器人方向，则更强调稳定性、效率和规模化部署。因此，这一层通常也是机器人产业链中最接近终端需求、最容易形成品牌和估值叙事的部分。 $TSLA Tesla | ~$1.3T+ | Optimus 人形机器人 + FSD 自动驾驶统一系统，代表“AI大脑 + 机器人本体 + 数据闭环”的一体化路线。 $HON Honeywell | ~$140B+ | 工业自动化、航空自动化与物流自动化解决方案商，更多偏机器人系统集成与场景落地。 $ABB ABB | ~$100B+ | 全球工业机器人和自动化龙头，产品覆盖机械臂、控制系统、产线自动化，是成熟工业机器人代表。 $TER Teradyne | ~$24B+ | 通过 Universal Robots 和 MiR 布局协作机器人与自主移动机器人，是工业协作机器人平台型公司。 $CCXI Churchill Capital Corp XI / Agility Robotics | 拟合并估值约 $2.5B | Agility 是美国人形机器人公司，核心产品 Digit 主攻物流、仓储和制造场景。 目前 Agility Robotics 正通过与 SPAC 公司 Churchill Capital Corp XI 合并上市，交易完成后预计更名为 Agility，并使用新 ticker $AGLT。 🌟写在最后 机器人产业链的投资逻辑，其实和半导体周期很像。 早期阶段，很难判断谁会成为最终赢家，但产业链上每一层都会先跑出阶段性机会：感知、执行、能源、控制、本体，都会随着行业关注度提升被重新定价。 今天优必选超仿生机器人刷屏，就是一个很明显的信号：机器人正在从实验室、发布会，开始走进大众视野。根据公开报道，优必选在 6 月 30 日发布会上表示，“优世界 U1”系列全渠道订单已突破 1 万台，并计划今年交付。 当然，这不代表机器人马上就会全面商业化。短期看，它更像一个从“概念展示”走向“真实订单”的拐点。真正值得关注的，是订单能不能持续、成本能不能下降、供应链能不能跟上。 对普通投资者来说，与其现在就押注谁是“人形机器人界的英伟达”，不如把机器人当成一条完整产业链来研究：感知、执行、能源、本体，每一层都选出核心公司，用组合方式分散单一标的不确定性。 Robotics is next 这句话大概率是对的。但节奏不会一蹴而就，真正的机会，可能藏在每一台机器人都绕不开的核心供应链里。