103岁的终点 杨振宁逝世了，103岁。相当长寿了，他出生的那年苏联也刚刚成立，结果老杨比苏联还多活了25年。 其实昨天就在网上听到传闻，大家都在半信半疑的等官宣，结果今天就来了。咱蹭一波流量，聊聊老杨最热门的三个话题。 其一，老杨最牛的学术成果，就是获诺奖的那个，研究的是啥？ 宇称不守恒（Parity Non-Conservation），我第一次学习的时候觉得这玩意真挺神的。我们普通人的认知里，镜中的世界和真实的世界一定是对称的吧，但是老杨和李政道在1956年发现了一个惊人的事实，镜中世界的有些东西和真实世界是不对称的，这个东西叫弱核力。至于什么是弱核力，我其实也没搞明白，反正咱们知道镜中世界有东西不对称，就足够和朋友们聊天时吹牛逼了。 其二，老杨在物理学界什么地位？咱中国人最喜欢搞排名，现在盖棺定论也凑热闹排一下。 科学家排名前两位是公认的，牛顿，爱因斯坦，断层式领先，和清华北大在国内大学的地位类似，从第三名开始就有争论，说的最多的通常是麦克斯韦，再往下人就多了，像波尔、费曼、狄拉克、普朗克、海森堡、卢瑟福、温伯格……等等一堆人，就好比咱们国家top5的大学有十几个，杨振宁和他们大致是一个level的。有些英文网站排名他在8-13，而中文排名他通常稳居前十，5-10区间。 有一点是肯定的，华裔里面老杨是史1。 其三，老杨和翁帆的忘年恋，结婚的时候是28岁嫁给了82岁，当时曾引起轩然大波，老杨也因此备受争议。 有人会说当事人自愿结婚，轮得到你们外人指指点点吗？但老杨是全球知名公众人物，他娶了一个比自己小54岁的妻子，客观上已经对社会公允价值观造成了巨大冲击。年轻人表达了厌恶情绪是情理之中的，他们会觉得这是一个功成名就的老男人挤占年轻女性资源的负面案例。 有人会说，翁帆就算不嫁给杨振宁也看不上那些凡夫俗子，这我同意，但那些凡夫俗子依然会对老夫少妻的组合充满恶意，因为一个显而易见的事实，只有在某方面获得巨大成功的老男人才能娶到年轻妻子，大家就是羡慕嫉妒恨你说怎么办吧。 老男人再婚里只有李国庆的口碑最好，因为他娶了自己学生时期爱慕的同学，这才是公众想要的示范榜样，大家觉得庆子接地气，喜欢，支持，就这么简单。 不过老杨和翁帆的婚姻前后也延续了21年，翁帆陪老杨走到了人生的尽头，我相信很多当初恶言相向的人最终也都能够理解，毕竟伟大的人类拥有不平凡的人生，这也挺公平。 瑞思拜，杨振宁（1922年10月1日—2025年10月18日） 昨天文章的最后说了我曾经账户被冻结的事情，很多读者好奇留言问冻结账户有提示吗？没有的，就是某一天银行转账的时候提示账户被冻结，别的什么通知都没有。有些银行你可以打电话问客服，客服会帮你查询冻结的原因，比如招商银行，但更多的银行在被冻后只会让你去线下柜台查询。 到了线下柜台，和柜员说自己的账户被冻了，让ta帮忙查是哪里冻的。ta会叫经理过来开个权限，过几分钟就能查出结果。xxx省xxx市xxx公安局冻结，能告诉你对方的联系电话，最重要的是告诉你冻结的时间。 冻结时间有的时候是3天，这种通常不严重，3天到期了会自动解冻，解冻后尽快把里面的资金取现转移，因为后面很可能会再冻上。我就是先冻了3天，自动解了，以为没事，后面突然又冻上了，这次是半年，悔的我大腿拍肿。 遇到冻半年的就是摊上事了，因为半年到期了很可能会再续半年，我当时就被连着续了6次，冻结了3年。 被冻的是你账户里的现有资金，有活期利息，每个季度发一次，可以领取。别人往你这张卡里打钱进来没事，你也可以领取。 通常账户被冻是你的流水里有一笔钱涉案调查，不分金额大小，有可能是1万，也有可能是100元，但被冻的是全部资金，这对于那些用单一账户做资金流水的生意人来说是致命的，他们要是像我一样硬扛3年，生意早就死透了。所以老板们会第一时间去公安局协商，只冻结涉案部分资金，把剩余资金解冻。 网上有很多去了线下警局后反馈的人，总体来说一线城市的比较文明，放心去，那些偏远的、经济落后的小地方能别去就别去，一言难尽。 昨天有读者留言说我要是冻的不是95万，而是几千万，我不可能那么淡定，好吧，确实是那么回事，但这事也给诸位一个教训，就是银行卡资金管理时做好风险隔离，和他人有资金往来的最好是单独一张专用卡，注意和家里放大钱的、每月收工资的、日常消费的卡分隔开。很多人没出事之前没这方面意识，等到突然被冻了天塌了。 …… 今天差不多就聊这些，最后说个事，你们之前不是说让我再去录一期播客嘛，我打算征集一下读者们关心的问题，你可以在这一段的划线评论里留言，也可以在评论区的征集专用楼里留言，节目主持人小姐姐会收集整理。原则上只要内容审核能通过的，你们问什么我答什么，不挑。 就这些吧，上钟！

在床上怎样表现才会让男人失魂落魄念念不忘呢？（1） 昨晚微信一美女跟我说，她和情人车震了，但是效果差强人意，没有想象中的激烈激动，她在反省是不是自己的问题，是不是自己的技巧不够……她一边说我一边脑补了几次自己的车震，好像也没什么技巧可言，只因情之所至，效果才出乎意料地好。 所以当时我简单回复了句：技巧方面男人似乎更重要。 她说：好像女人也很重要，有些女人，男人碰一次就不想碰第二次了。 嗯……似乎也有些道理。 我以前写过一篇文章，说过“回床率”这个问题，就是和男人睡过一次后，他就对你念念不忘，期待第二次第三次以及更多次。从自身经验上来说，我觉得我应该是一个初见一般，既不性感，也不妖娆，朴朴素素，又不爱言语的一个人，越接触越觉得有些小趣味和小性格，包括床上的不拘谨不扭捏，自然又忘情。加上原有的“传奇”经历，所谓的丰富的性经验，直言不讳的性话题……吸引力可能就此叠加起来了，就像一本很厚、又有引人入胜的错综情节的小说，他总不能三两下翻阅完毕，也不能三两下理清关系，得仔仔细细地品味，看着看着，难免就自我代入自我沉浸了。 不过，使自己成为一个幽深的洞，烛火摇曳，引着男人一点一点深入，然后忘记来路与归途，仍是身为女人的一种小骄傲。 那么床上怎样表现才会让男人失魂落魄念念不忘呢？ 说是床上，却要从上床的外围话题开始。 外围话题主要一个意思，就是要有情趣。 可情趣却是一个很抽象的概念，散落在生活的方方面面，没有那心思，也捡拾不起来，更不会恰如其分地应用。我觉得是不是举一些例子就能比较直观些呢…… 比如，偶尔自拍私密照发给他，撩拨下，尤其在他一本正经地工作时； 偶尔说些带色的小笑话，像“这周日你有空吗”之类的，取得两个人的会心一笑； 注意内衣样式和品质的选择，时不时地诱发他的性想象力，优雅保守的激起他的破坏欲，暴露性感的激起他的征服欲，清纯文艺的激起他的怜惜心…… 同时也要分享一些现实中和故事中的人情世故，最好有个影射和借鉴，两个人可以有思想上的共鸣与贴近； 分享好的文章诗词图片以及音乐，是对情趣的滋养。 日常吃食方面也大有文章可做，餐厅低调调情（五十度灰里面男主让女主脱下内裤），自家厨房也有极大的用武之地，至于蛋糕果冻跳跳糖这些，都各有妙用……有时候吃饭的地方不单单可以用来吃饭，有些时候，吃的东西不单单可以吃。 我还有一种很有趣的能力，就是想象力，可以无限丰富地将两个人的生活或者性生活做多重的设想，将现实用虚幻的各种设想装饰起来，看似一种生活，却相当于过了好几种。 所以，情趣是一种全方位的情商体现。同时多注意收集学习，以及学以致用，慢慢你也就会创造出你们独有的情趣事件来。 情趣有了，那么再谈床上事宜。也就是说感情需要发酵的，都发酵好了，接下来就是实力对接。 床上技巧首先是要考虑姿势。 虽然姿势大部分都华而不实，但你也不能数十年如一日地采用男上女下或者女上男下，最多一个老汉推车吧，多尝试总是有趣的。我记得有个动图，说两个人可以截图选择当晚的姿势，这个就很新鲜很好玩，避免了俩人尝试新姿势的尴尬和扭捏，有了一个不错的引子和借口。然后还要保持一定的好奇心和好学心，我就是一个比较好学的人，以前学习过一个超难的动作，绝对给男朋友留下了深刻的印象……好学的另外妙用就是，她会让你的男伴放弃顾虑，可以在性方面和你畅所欲言，他自身也不敢懈怠，两个人共同精益求精，自然就更和谐了。 其次是喜好或者癖好的相互沟通。 喜好或者癖好，当然是感觉和揣摩出来的更好玩，有一种心照不宣的默契。但大家都是从陌生到熟悉的，所以一旦揣摩不透，就需要语言来沟通……两个人的性喜好上千万不要有误区，比如有人喜欢口，有人不喜欢，两个人不说透，结果都是在忍受。比如爱爱的速率频率以及时长，有些人喜欢短平快，有些则是我要我要我还要，这都需要心里有数。比如我向来不喜欢和风细雨式的，所以他就会在过程中有些粗暴的动作，比如我喜欢高频快速的律动，对方也恰恰喜欢，这就很好。 再然后一定要勇于尝试新鲜事物，哪怕是简单的模仿，都会有意想不到的情趣产生。这里包括爱爱地点的选择，方式方法的选择，借用器具助性的选择……我有过夏季大雨里做爱的设想和期待，但现在看来，要实现起来似有困难……最怕的就是男伴说咱们车震吧，女的说呀那个空间太小，不舒服；男的说穿性感点吧，女的说我不喜欢妖里妖气的，那不是正经女人该做的事……性感绝对不止妖媚一种。在尝试新鲜事物上，两个人要保有热情和一颗天真的童心，像两个小孩子一起手拉手探险才好玩。比如前几天看到一个图片，是山顶扎头发，很意味深长，两个人找个空旷无人的高地，一定有一种与自然天地合一的自由、放飞的感觉。 （未完待续） 

大家好，我是希亚。这是一篇新人自白，这篇推文下会抽三位粉丝送出周边福利❤️ 1. 币圈的00后打工人，要留在这里吗？ 去年经济学硕士毕业后，我先后在币圈项目方、钱包和交易所工作过，做过增长、社媒和品牌营销。 3月31日，我正式从前司离职。 这个时间点正好是我进入这个行业的一年整。离职后我给自己放了个假，也认真思考：我到底适不适合这个行业？要不要离开币圈，像很多同学一样，回到传统金融或互联网，做一份看起来更稳定的工作？ 那时候正好收到了一个去上海的金融机构做会计的机会，这可以说是和我过去一年做的事情完全不相干了。我陷入了痛苦的纠结：如果继续留在这个行业，我可能仍然面临波动的工作状态；如果去做会计，我发自内心地说--我不爱干这个。 我知道从事自己喜欢的事情、继而获得正反馈是什么感觉。我很喜欢写内容。 有朋友推荐我读《通证经济学》，书里主要讲的是区块链要从投机转向服务实体经济。这本书其实给了我挺大的推动。本来我就不太想回到传统金融：传统金融的创新性与自由度是不能和这里比的。 我知道很多圈外人对行业抱有消极看法。 我Gap期间去云南找我姑妈玩，她问我毕业之后做了什么工作。我说在我在做加密货币。姑妈大惊失色，问我是不是被骗了。 -- 最后是我爸帮我解释的。他很看好这个行业，因为他见识到了离开冗杂昂贵的传统跨境金融系统后，区块链技术是如何真正让货币的利用与转移变得高效和廉价。 他跟我说：“你还年轻，去做你喜欢的事情呗。” 我发现我还是很喜欢这个行业。对于工作来说，我还是想继续做内容输出，收集用户真实声音，再反过来推动产品迭代。 2.相信什么，就选择什么 四月中旬，我读到了@BitMart_zh 的创始人 @sheldonbitmart 写的《理解 LayerFi（Layered Finance）：链上金融演进的必然逻辑 (2025-2030)》，他在这里描绘了一个更成熟、更接地气的 Web3 未来：不再是只有极客能玩的高风险游戏，而是能真正连接现实世界、让普通人高效转移和使用资产的体系。 这让我见到了自己还想留在这个行业、想申请进入BitMart的原因。 BitMart给我的感觉一直在踏踏实实认真地做产品、做基础建设，也在用一种更成熟、更长期的方式推动自己的全球化发展。过去八年，BitMart 经历过行业周期与市场起伏，也一步步走到了今天：BitMart US 已完成美国 50 个州的合规覆盖，而 BitMart 本身，也正在从单一交易平台，逐渐扩展为围绕链上账户体系、交易、支付、资产管理、RWA 与 AI 等方向的更完整的数字资产服务体系。 也正是因为这样，我希望把我过去在增长、社媒和品牌上的经验，以及对用户声音的敏感度，带到 BitMart 的产品优化和内容工作中来。 3.最后，希亚可以为大家做些什么？ 从今天起，我就要勤勤恳恳在 BitMart 华语区驻扎打工啦！大家如果有任何产品问题，欢迎第一时间来DM我，我会人肉跟进大家的反馈💪 我也会在账号里更新一些产品福利和日常，如果有想要看的内容，请不客气地通知我，我会尽力为各位用户老爷用户小主服务哒～ 也希望各位内容创作的老师们多多指点，我们殷切盼望能与内容创作者、BitMart 深度用户们进行合作。 最后，希亚会在本篇推文下留言的粉丝中抽取三位送周边福利礼盒作为见面礼，感激与大家的相遇🫶

2026年AI卷疯了，但我卷不动了。 GPT、DeepSeek、Gemini……一个比一个能打。 多模态、上万亿参数，一个比一个牛逼。 但你有没有发现一个问题——会用AI和用不上好AI的人，差距正在以肉眼可见的速度拉大？ 作为一个普通币圈人，我每天要看线、收集信息、撸交互、盯数据……光这些就够累了。想着用AI帮我省点事吧，结果呢？ 我得先学会怎么跟AI「说话」。 同一个模型，大佬用出来是专业级作品，我用出来就是请您再说清楚一点，光教AI怎么干活的时间，比我自己干还长。 这还没完。我自己的数据、本地的文件、浏览器记录、日程安排——想用AI自动化处理？先担心隐私问题吧。搞复杂了要开好几个窗口切换，搞简单了AI根本不懂我在说什么。 中登老登们更难受，学不动了，真的学不动了。 币圈混久了都信一件事：认知差就是印钞机。可问题是，现在的认知门槛「不在知道AI能干什么」，而在「有没有时间精力学会怎么用它」。 那有没有一款产品，让普通人直接就能用上好AI，不用学、不用磨、不用调试？ Yizilabs投资的 @dappOS_com 早在2025年就开始做AI转型尝试。最近他们推出了「低Prompt AI代理系统」xBubble。 核心理念很戳我：别学AI了，你就说你要什么，让AI自己去干。 我用一句话，30秒，搞定了一张海报，我平时要写文章、做贴图、弄梗图，搓AI是刚需。这次标题图就是用xBubble做的。而且这些海报都能商用，对比传统的llm来说直接免去后顾之忧了 我就直接发了一句： 「帮我设计一个以「现在AI太聪明了，但是我真的卷不动了」为标题的海报」 同样一句话，拿去喂给grok还要我手动更改几次才能生成，对比下来还没有xBubble更灵动（下方是grok生图） 👉 先知也附上基础的交互指引给大家使用 1.进入 2.选择运行环境（Computer / Personal）发出请求 3.系统自动处理：匹配SOP → 执行 → 输出结果 看上去很省事儿吧，让我们看看背后的逻辑。是两套核心引擎在跑 1️⃣ Bubble Pilot：你说一句话，它跑一遍流程 Pilot做的事很简单：读取你的需求，判断任务类型，然后去系统里找有没有现成的SOP 有，直接调用，秒出结果。没有？它自己兜底干。 这就是AI使用AI——你不需要知道背后用了哪个模型、调了哪些工具，Pilot帮你把路走通。 2️⃣ Bubble Engine：AI自己攒经验，越用越懂你 Engine是 xBubble 最不一样的地方。 它会在后台为任务自动生成多套方案，拿不同模型反复试、反复比，找出最优的那条路，固化成SOP。下次再来同样的事，直接走成熟流程，又快又稳。 这意味着什么？AI在学习AI，AI在使用AI。 你不需要研究GPT-5和Claude-4哪个更适合做海报，Engine早就帮你测试过了。你不需要积累什么提示词宝典，Engine把最优路径固化好了直接给你用。 系统的进化速度比你快，用AI的效率比你高，而你只需要做一件事：说出你要什么。 还有就是两种运行环境：隐私和安全都想到了，不同场景、不同信任度 1️⃣Bubble Computer：端到端项目工作空间。当你需要研究+写作+设计+验证一套流程跑完时，Computer模式在沙盒环境里把全链路打通，不用你手动切换工具。 2️⃣Bubble Personal：本地环境模式。需要操作你本地文件、浏览器、日程？Personal模式在沙盒化执行模型下处理：安装、下载、系统级改动都在云容器里完成，任务结束即销毁。你的机器上只执行明确授权的操作，重活儿留在云端，干净结果流回本地。 说白了：信云就选Computer模式，想保护隐私就选Personal模式。你自己说了算。 目前xBubble支持10+种任务类型： 快速模式（日常小任务）→ 语音听写、文本转语音、对话头像、深度研究 工作模式（SOP驱动，稳定专业）→ 幻灯片创作、文档创作、事实核查、定时任务、海报创作、图像创作、视频创作、网站开发 覆盖主流需求，关键是——每个任务都不需要你调提示词。 确实XBubble算不上什么颠覆世界的东西。 但它确实解决了一个让我头疼很久的问题：让普通人不用跟AI墨迹，就能把事办了。 AI应该学习AI，AI应该使用AI。 你只需要说出目标，能解决普通人的需求，我认为这就已经做得很棒了。

# AI 行业三个月变天，模型榜单已经解释不了全部 1小时46分钟里，这期《半球观察》播客的主持人 把 DeepSeek V4、约 1000 条 Cursor 工作轨迹、OpenClaw 出圈、Manus 交易流产和 AI 中转站放在同一张桌上。单看每条都像行业新闻，连起来看就很刺眼：AI 公司正在被新的尺子衡量。模型榜单还重要，但已经解释不了全部。 过去我们习惯问一个问题：谁的模型更强？ 现在还得问另一组问题：谁有真实任务数据，谁掌握用户入口，谁能把价格打下来，谁能穿过监管和资本的窄门。 > **编者注：** 这篇按播客原文提炼判断。DeepSeek 估值、Cursor/xAI 交易、Manus 价格等数字均先按“节目说法”处理，不能直接当作已确认事实。 ## DeepSeek 的强，变成了另一种强 主播对 DeepSeek V4 的评价并不客气。V4 Pro 被认为 reasoning 过长，很多任务里像是在思维链中自己和自己打架。V4 Flash 的体感更好，接近 GPT5.4 mini 或 instant API 的水平，但这已经不是 R1 那种“全行业被迫重新估值”的时刻。 这就产生了第一个反差：DeepSeek 仍然技术很硬，但它的产品冲击力没有天然压倒别人。 节目里提到，Kimi、GLM、MiniMax 等国产模型在 coding 和迭代速度上都给了 DeepSeek 压力。DeepSeek 自己也因为适配国产硬件、减少 CUDA 技术债、拥抱 TileLang 等路线，承受了延期和成本变化。 这听起来像掉队。 但节目给了另一个定位。 节目里说“DeepSeek 正好填补了这个空白”。 这个“空白”指的是 OpenAI 不再开放权重、不再详细公开技术路线之后，全球开发者和研究者仍然需要一个前沿模型的公开参照物。DeepSeek 的价值就从“谁最强”变成“谁还愿意把技术路线摊开”。 这是一种新的强。 它可能不总是最会做产品的公司，也不一定每个版本都压住榜单。但它像开源社区的技术坐标系。大家看它的 report，看它的注意力机制，看它的后训练方法，再把这些东西吸收到自己的模型和产品里。 所以，写 DeepSeek V4 不适合写成“王者归来”或“彻底掉队”。更准确的说法是：DeepSeek 正在从爆款模型公司，变成公开 research lab 的基础设施。 DeepSeek 没有消失，它只是从王者变成了坐标系。 ## 数据飞轮开始压过架构叙事 这期最有信息量的技术段，落在 OPD 上。 节目用一个很好的类比解释 On Policy Distillation：传统后训练像老师先写一大本习题集，学生之后自己看、自己背、自己消化。问题是题太多，领域太杂，学生容易学歪，甚至出现 reward hacking。 OPD 的感觉更像现场教学。 > “学生遇到不会了，老师就过来告诉他为什么不对。” 写代码时，代码老师在旁边；做数学时，数学老师在旁边。学生先尝试，老师实时纠错，模型训练从离线习题集变成在线反馈。 这个机制把问题引向更深一层：老师从哪里来？ 答案是数据。更具体地说，是真实任务里的高质量轨迹。 节目提到 Cursor 的 Composer 2 争议时，有一个关键细节：Cursor 被转述为在 Kimi base model 上加入约 1000 条真实用户工作轨迹做 SFT，使 coding 表现明显强于原始 base model。这个数字需要核查，但方向很重要。 如果模型架构的边际差距变小，真实任务数据就会变成更贵的东西。 Claude Code 和 Codex 为什么会越做越强？节目里的解释是，它们有真实工程师每天使用的轨迹：怎么打开项目，怎么读代码，怎么改错，怎么跑测试，怎么回退，怎么完成一个长任务。 这些数据很难从普通互联网文本里直接获得。它是任务过程。 这也是 Cursor、Claude Code、Codex、OpenClaw、Manus 这一类产品被重新定价的原因。它们表面是工具，底层是数据采集口。谁的用户每天把真实任务交给它，谁就能反过来训练更懂任务的模型。 模型能力当然还重要。但当大家都足够强时，数据会把差距重新拉开。 模型教会产品说话，用户轨迹教会模型做事。 ## OpenClaw 出圈，说明入口开始变形 节目把 OpenClaw 称为 Agent 的 ChatGPT 时刻。 这句话很大，但它有具体场景支撑。主播把 OpenClaw 接进 Telegram 家庭群，当成一个会记忆、会查资料、会调用 skill 的“电子宠物”。更重要的是，在这个框架里，本地 27B 模型和 GPT5.5 的体感差距被缩小了。 原因很简单：OpenClaw 有 memory，有 skill，有连续任务，有工具调用。 这就改变了用户感知。单独问一个小模型，它可能不如大模型；把它放进一个 agent 框架里，它能记住昨天说过什么，能查资料，能跑工具，能把一个任务接着做下去。用户看到的是任务完成，而不是模型参数。 这也是 OpenClaw 出圈的意义。它把 skills 从程序员小圈子带到普通人场景。 节目里提到阿里的电商出海 agent。它可以帮助小商家处理 Shopify、商品上架、趋势分析、网站设计、运营链路。过去这些工作可能需要助理、外包、懂代码的人和运营经验。现在一个小老板可能第一次感到，agent 能把一整套流程接起来。 这个变化比模型榜单更接近商业。 因为用户不会每天比较 benchmark。他们会比较：这个东西能不能帮我把店开起来，能不能生成网页，能不能做 PPT，能不能整理调研表格，能不能少雇一个人。 Agent 的入口价值，不在会聊天，而在能接活。 ## Manus 的稀缺性，被同类产品反向证明 OpenClaw 出来以后，很多人会自然认为 Manus 不稀缺了。节目里的判断正好相反：OpenClaw 爆火，反而证明 Manus 更稀缺。 这个判断的逻辑是产品体验。 主播说，很多 computer use 或 open cloud 服务“根本不想用”，Perplexity 的 computer use 被点名为几乎不可用。相反，Manus 能做出详尽网页、PPT、真实调查表格，任务保持程度更好。 换句话说，壳不稀缺，稳定交付稀缺。 这和 ChatGPT 早期很像。聊天界面谁都能做，真正难的是持续给出有用答案。Agent 时代也是一样。浏览器自动化、工具调用、任务规划、记忆系统、失败恢复，单独看都不是秘密。难的是把它们组合成用户愿意反复使用的产品。 Manus 交易流产把这个问题又推到监管层面。 节目讨论了 Meta 交易被撤销、VIE、IP、人才和公司归属问题。这里最值得保留的不是情绪判断，而是创业者面临的新现实：AI agent 这种产品绑定了用户数据、任务轨迹、人才供给、模型合作和国家监管。 对中国 AI 创业者来说，路径选择可能会提前。你从第一天就要想清楚，是进入国内生态，还是走海外资本路径；是把团队、IP、数据和客户都放在一个监管框架里，还是冒着未来交易被叫停的风险做跨境结构。 这已经超出普通商业选择。 这是 AI 产品变成战略资产后的副作用。 Manus 的问题不是卖没卖成，而是它到底属于哪里。 ## AI 开始说钱，也开始被低价倒卖 节目后半段最现实。 大厂模型开始收费，推理框架项目开始公司化，IPO 和融资叙事吸走市场流动性，AI 中转站开始变成生意。主播说得很直接： 节目里那句“大家都开始说钱了，不再说 AGI 的梦想了”，把这层现实说得很直。 这句话有点刺耳，但它解释了很多现象。 当模型差距大时，用户会追逐最强模型。当多数日常任务都已经够用时，用户会开始追逐便宜、稳定、可接入、不封号、不断线。AI 中转站就在这个缝隙里长出来。 节目提到 Sub-to-API 这类工具，把 Claude 或 Codex 的订阅转换成 API，再用更低价格分发。也提到部分中转站可能收集用户数据，甚至标称 Claude，实际替换成更便宜的国产模型。 > **编者注：** AI 中转站涉及服务条款、数据安全和潜在欺诈风险。这里仅按节目内容记录产业信号，不构成使用建议。 这说明模型正在商品化。 最前沿模型、企业级合规服务、真实工作流数据仍然贵。但对普通聊天、搜索、轻量写作、心理陪伴、日常问答来说，很多用户已经不愿意为“最强”付出太高溢价。 这会倒逼模型公司回到互联网逻辑：获客、留存、价格、渠道、生态、数据闭环。 AGI 叙事还在，商业账本已经来了。 ## 最后 这期《半球观察》最适合被整理成一组暴论，因为它更像一张行业雷达图。DeepSeek 代表公开技术路线，Cursor 代表 coding 数据，OpenClaw 代表 agent 入口，Manus 代表可交付产品和监管敏感性，AI 中转站代表模型商品化。 把这些点连起来，结论很清楚：AI 行业正在从“模型公司竞赛”变成“模型、产品、数据、资本、监管共同定价”的复杂游戏。 接下来不能只看模型榜单。 要看四个信号。 第一，DeepSeek 后续版本能不能重新打出产品体验上的压倒性差距。如果不能，它仍然有开源坐标系价值，但商业位置会不同。 第二，Claude Code、Codex、Cursor、OpenClaw、Manus 谁能沉淀最高质量的任务轨迹。真实用户每天交出的工作过程，会比静态语料更贵。 第三，agent 产品能不能稳定交付。会调用工具不稀奇，能把网页、PPT、调研、代码修改交付到用户满意，才是分水岭。 第四，价格和监管会不会重塑模型分发。中转站、订阅转 API、模型替换套利、跨境交易叫停，都说明 AI 已经离纯技术讨论很远。 我对这期的最终判断是：模型能力仍然重要，但它已经不是唯一的解释变量。谁拥有入口，谁拥有数据，谁能把价格做到用户愿意持续用，谁能在监管和资本结构里活下来，谁才可能赢到下一阶段。 这也是它最值得写成文章的地方。暴论背后真正冲击人的，是我们判断 AI 公司的尺子正在换。 --- 原始播客：

某国内Top 前100的A11大佬 分享他的日常满足一下各位的好奇心 1.每月给夫人的零花钱在7位数，但所有家务事都由助理、管家去负责，几个孩子的教育问题也都有固定的儿陪师，住家老师去负责，夫人啥都不需要干 2. 大佬不喜购物，因为他日常生活的所有东西都由助理置办。我每次见他感觉他穿的那些衣服很土气，让我感觉他是一个非常质朴的人，直到后来我听说这种风格叫“老钱风”，有些品牌叫Brunello Cucinelli‌，Zegna 3. 某些高奢品牌只要有当季新款，都是直接送到她家里，安排模特现场一件一件试穿、搭配给她看，让她选。有一次夫人在家选了一夜的衣服，觉得那个模特很辛苦，直接给了6位数辛苦费 4. 夫人衣帽间里的爱马仕鳄鱼皮比很多门店配货都全，她不怎么背，因为出门的所有东西都是助理拎着，她就是纯喜欢收集 5. 夫人在某次拍卖会上，只因为一个拍卖品的编号里面有自己喜欢的数字，就花了9位数拍下来 6. 我不知道大佬的真实爱好是什么（可能是睡觉吧，从没在上午见过他），但他为了维护一些必要的关系，经常打惯蛋（这里不能多说，但各位猜一下为什么最近十来年掼蛋突然在体制内特别特别流行，似乎每一个人只要想往上爬都必须会打掼蛋）以及打高尔夫，一杆80万（高尔夫规则各位自行了解） 7. 不玩车，不玩表，家里总共就几辆豪车。夫人座驾是RR，大佬曾经出行还会坐一下自己的豪车，后来发现某国产MPV更舒服，就把家里的数量阿尔法全换成这个国产品牌了 8. 私人飞机有，但很少飞，只有在极个别航班实在是不赶趟，或者出国太远时候才会动用这玩意。我印象中大佬只动过一次私人飞机，就是某次出国见另外一位大佬（也是大家耳熟能详的）。游艇也有，不过不在国内，在某西亚城市，没见他玩过 9. 不碰洋酒，只爱喝白酒，也只认那一个牌子。家里有个硕大的储藏室里堆满了老茅子，老茅子自己喝；新茅子只配在杂物间堆着，用来招呼外人 10. 子嗣很多，国内N个，国外N+1个。大佬太忙了，对孩子几乎不怎么过问，都是交给家里的老师、管家去带。所以这些子嗣和大佬不怎么亲密 11. 大佬的某个孩子因为被蚊子叮了一个包，管家调了一个医疗小队过来处理，要求就一个“绝对不可以留下任何印记和疤痕” 12. 因为某个子嗣有明星梦，每次见到大佬都缠着他说想拍电影，于是有一次大佬组了一个局，参与的人里有国内某顶尖影视投资方，一位一线大咖，和一堆叫不出名号但是都是深耕影视圈多年的从业人员（所以为什么很多在影视圈摸爬滚打一辈子的演员可能都没有出头之日，而某些名不见经传的“素人”却总能拿莫名其妙的主演一些大制作，影视圈太讲究资源了） 13. 补充一下12，那个大咖出现的时候，一些服务人员和工作人员都和ta争着合影，大咖很客气有礼貌的和他们拍照，并且非常注重拍照角度和打光啥的；但唯独大佬喝多以后一把搂着ta拿手机前置摄像头拍死亡角度合照的时候，ta不敢有任何推辞； 14. 夫人虽然经常收到各种高奢晚宴，发布会的邀请，但她几乎从来都不去，我印象中最近几年她唯一一次公开出席某秀场，是因为圈内一个顶流女星登门邀请，她才赏脸出席的（该女星出席活动的时候还从夫人这里节奏一个饰品，价值不菲） 15. 大佬的子嗣因为被保护的太过严密，几乎不和外界接触，所以都有些不食人间烟火。每个人都有点古怪，但好在都非常单纯善良，没有坏心思。也正因如此，他们对钱几乎没什么概念，有一次某子嗣因为在路边看到一个要饭老大爷太可怜，直接把微信余额都给老大爷扫了，一笔巨款，我看着都肉痛；

意不意外，你以为社交平台的特朗普是真的特朗普 其实是她：现年34岁的行政助理娜塔莉·哈普 她是美国总统特朗普的“资深心腹”，目前已成为协助特朗普在社交平台“真实社交”上频繁发帖的核心幕僚。 特朗普在“社交平台”的发帖活动通常发生在深夜、周末甚至节假日等非工作时间。尽管白宫官员表示，特朗普本人有时也会亲自发帖，但据报道，哈普的日常工作是收集盟友或粉丝的社媒截图、素材汇总再报给特朗普审阅。 一旦特朗普通过纸质打印稿核准了相关内容，哈普便会登录社媒账号进行发布。

作为一个把 Claude 用到极致，codex偶尔使用的非技术人员，我来谈一下我对于codex和claude的感受： Codex 正在吞噬应用层的一切，Claude 正在吞噬编码层的一切 先说 Codex 的应用层吞噬 Codex 现在已经不是一个编程工具了 它是一个能操作你电脑上所有东西的超级 App，这点大家应该都深有体会 1. Computer Use - 后台操作你的 Mac 4 月 16 日上线，Codex 可以用自己的光标看、点击、输入 多个 Agent 可以在你的 Mac 上并行工作，不干扰你自己的操作 前端设计、游戏开发、任何 GUI 应用，它都能操作 2. Chrome Extension - 接管你的浏览器 5 月 7 日上线，Codex 现在能直接在 Chrome 里工作 它能操作你已经登录的网站，使用你的 Cookie 和认证状态 跨多个标签页并行处理任务，在后台运行不打断你 3. 90+ Plugins - 连接你的所有工具 GitHub、Slack、Gmail、Google Drive、Notion 每个 Plugin 打包了 Skills、App 集成、MCP 服务器 一键安装，直接用 4. Skills - 把重复工作变成一条指令 你可以把任何多步骤工作流打包成一个 Skill 输入 / 触发，就像训练好的员工一样 OpenAI 自己用 Skills 做每日问题分类、CI 失败总结、发布简报 5. Automations - 让 AI 在你睡觉时工作 设置定时任务，Codex 可以自动运行 每天早上生成工作简报，每周五做项目总结 它甚至能跨天、跨周持续执行长期任务，自动唤醒继续工作 6. Memory - 记住你的偏好和历史 Codex 会记住你的个人偏好、纠正过的错误、花时间收集的信息 下次任务自动用上，质量更高，速度更快 7. 图像生成 - 直接在工作流里生成图 集成了 gpt-image-1.5，需要配图的时候直接生成 不用跳出去用别的工具 你自己能发现，Codex 的逻辑是什么？ 让 AI 成为你所有软件之上的操作系统 不是造新工具，而是把现有工具全部串起来 这才是应用层吞噬 再说 Claude 的编码层吞噬 Claude Code 在 2026 年的定位已经非常清晰： 它要重新定义什么叫“开发者” 1. 100 万 token 上下文 - 读取整个代码库 Claude Code 能读取你的整个项目，理解所有文件之间的关系 不是单文件建议，而是跨文件重构 2. 自主执行 - 从规划到测试全自动 你只需要描述想要什么，Claude Code 会： 规划方案 → 写代码 → 运行测试 → 读取错误 → 自动迭代修复 整个过程不需要你插手 3. Terminal + IDE + Desktop - 全场景覆盖 在 Terminal 里用命令行 在 VS Code、JetBrains 里用插件 在 Desktop App 里用图形界面 所有配置、MCP 服务器、Skills 全部同步 4. SWE-bench 80.8% - 行业最高分 这是衡量 AI 解决真实 GitHub Issues 的标准测试 Claude Code 是 2026 年最高分 真实团队用它 20 小时迁移 5 万行代码，事故调查时间减少 80% 5. 自动记忆 - 记住你的构建命令和调试模式 Claude Code 会自动保存项目上下文、调试模式、你偏好的方法 跨 Session 记忆，不用每次都重新解释 6. Hooks - 自动化你的开发流程 每次编辑后自动格式化 每次提交前自动 Lint 用 Shell 命令串联整个工作流 Anthropic 自己说，他们公司现在大部分代码都是 Claude Code 写的 工程师的角色变成了：架构师 + 产品思考者 + 编排者 管理多个 AI Agent，给方向，做决策 这就是编码层吞噬的本质：把编程从技能变成了表达 所以，Codex vs Claude 的本质区别是什么？ Codex 的方向：应用层超级个体 操作你已有的软件，自动化所有日常工作 适合 90% 的普通人 核心能力：串联现有工具 Claude 的方向：编码层超级个体 帮你写代码、改代码、部署代码 适合 10% 的创造者 核心能力：从零创造新东西 但这里有个被所有人忽略的东西：Claude 不只有 Code，还有 Cowork Claude Cowork 是什么？ 它是 Claude 针对非技术人员推出的应用层工具 Marketing、Data 团队发现自己在用 Claude Code 做复杂的多步骤工作 Anthropic 观察到这个现象，就做了 Cowork Cowork 的核心能力： 操作你的本地文件和应用 38+ Connectors 连接 Slack、Notion、Google Drive、Microsoft 365 Projects 让每个项目有独立的文件、上下文、记忆 Scheduled Tasks 定时自动执行任务 Plugins 打包 Skills、Connectors、Sub-agents 你看，Claude 的野心其实是： 用 Claude Code 吞噬编码层 用 Claude Cowork 吞噬应用层 如果你是普通人，想提升日常工作效率： Codex 和 Claude Cowork 都可以 Codex 的 Computer Use 更激进，能操作任何 GUI Claude Cowork 的 Projects 更稳定，适合长期项目 如果你是开发者，想做产品、做项目： Claude Code+codex 是第一选择 SWE-bench 最高分的规划能力+codex的推理能力，代码质量最好 2026 年的 AI 竞争，比的是谁能把 AI 更好地嵌入到用户的日常工作流里 Codex 在应用层走得最激进 Claude 在编码层走得最深，同时用 Cowork 补齐应用层 这两个方向，正在重新定义“一个人能做什么” 应用层和编码层，都在被 AI 吞噬，而我们，正站在这个变革的最前沿，真的很兴奋！

最近看了一篇 career advice 的长文。作者是一家 fully agent-native 公司的 founder，之前在 Scale、OpenAI、Google 都待过。 之前也跟一些行业内的研究员聊到过一个问题：如果你有小孩，在 AI 时代准备怎么教育他？确实啊，AI 把活都干得七七八八了，该让孩子学什么、卷什么？ 借着这篇，聊聊我们自己的看法/建议。 1、把注意力放在真正稀缺的资源上 那篇长文里有个细节，我觉得很真实。作者当年手里有量化的 offer，保底现金高不少，但他选了 Scale AI，因为喜欢那里的社区，也想接触不同的产品和应用。后来正是通过 Scale，他认识了做 LLM inference 的那批人，才有了 DeepMind 和 OpenAI 的机会。当年的同事，现在也成了一圈 Scale 系 founder。 回头看，这些人脉和学习机会带给他的东西，远超 quant 多给的那点现金。 他的观念是：现在拿钱比任何时候都容易。vibe-coding 时代，找个快速赚一笔的机会不难。但真正稀缺的，是别人真实的时间，是牢固的人际关系，是你做成过事之后积累的声誉。 我周围也有些朋友，之前不在 AI 圈，但这两年一头扎进来，逐渐走到更核心的位置。他们放弃了安稳打工的收入，选择在 AI 圈摸爬滚打。要的就是这些稀缺资源。 2、学会找题 AI 最先替代的，是定义清楚、可以评分的任务。学校过去训练的大多也是这种能力：题目已经有人出好了，你负责把答案做对。 但 agent 越来越强之后，真正拉开差距的会是：你能不能发现一个值得解决的问题，能不能判断该把多少时间、token 和资源投进去。 答案越来越便宜，好问题越来越贵。 所以如果问 AI 时代该怎么教育小孩，我觉得至少要让他长期待在真实的问题里。自己做项目也好，研究一个没人布置的题目也好。找题的能力不是上课教出来的，是在一次次选错、做砸和重来里长出来的。 3、用 bitter lesson 选公司 Rich Sutton 那篇 bitter lesson 说的是：通用方法加 scaling，最终会赢过任务特化的优化。这条规则拿来选问题、选公司，同样适用。 公司和职业的回报从来都是幂律分布，AI 只是把走到结果的速度加快了。现在写软件门槛这么低，谁都能搭个简单系统，真正持久的价值只会来自对足够有野心的问题的极致专注。 选公司就问两件事：它做的是不是这个问题最有野心的形态？它有没有真的解掉的可能？ 选岗位就问一件事：这个位置能不能让你直接在公司要解决的那个问题的最前沿干活？ （当然，上述说的是最理想的版本。如果暂时进不了最核心的位置，也看这个岗位能不能让你逐渐靠近核心问题） 4、最后一英里，用冲刺跑 红杉的 Alfred Lin 写过，最后 10% 是 90% 的工作量，也是 90% 的回报。 AI 把结果两极化了，因为中位数水平就是一个 agent 拿着随手写的 prompt 能吐出来的东西。价值只能来自你对某一小片问题的独特视角，或者对细节的执着。 最后一英里靠迭代。而且 coding agent 进步太快，经常更好的做法，是带着上一轮的教训，直接用下一代模型从头再来。 5、xG 和射门效率 足球里 xG（预期进球），衡量一支球队按机会质量算应该进几个球；效率，则是把机会真正转化成进球的比率。 职业生涯很长，不是每个高 xG 的机会都必须抓住。但你得先让自己站在能看见这些机会的位置。 不过人生到某个阶段是要进球的，不能光看见机会，临门一脚的效率也重要。他复盘自己的职业选择时说，大部分决定都做对了，但后悔没有在做决定前，多花一点时间收集信息。 6、researcher 是心态，不是职业 说实话，现在做 research 的门槛前所未有地低。你不需要先进入前沿实验室，才能开始做研究。先大量使用模型，再把直觉沉淀成 evaluation。 前沿实验室里研究员的日常，无非是好奇心驱动着探索新想法，跟 infra 搏斗着把想法实现，把整个系统理解到足够细以便高效 debug、再把结果的价值讲清楚，去换更多算力。 这些事，你不在前沿实验室也全都能做。 所以我越来越觉得，researcher 是一种心态，不是一种职业。这是我整篇文章最想送给大家的一句话。 世界仍然充满机会。解锁的钥匙就是找到有意思的问题，然后交付超出预期的结果。就这么简单，也就这么难。