专制这种令人又不爽，又难脱离的游戏之所以能长期玩下去，因为它是利用人性精心设计，在游戏本身的程序和逻辑里基本上找不到出路。 活在其中的人就像角斗士，要是有人给他说站在对面的不是竞争对手，也不是敌人，他不仅会喷你，甚至会砍你。 哪天人们能跳出游戏及其逻辑之外，不在意高层，而在意普罗大众；不要求别人，而审视自己的时候，恐怕才会有转机。 #公民# #活在真实中# #平行社会# #公民社会#

留学生发明「报吃」黑话骗过 AI，结果把全行业大模型都整崩溃了 莎士比亚它能逐行解析，却读不懂一句“几乎可以媲美我高中食堂”里，那点咬牙切齿的嘲讽。 —— 与龙共弈 最近，自然语言处理（NLP）圈被一篇论文轻轻将了一军。宾夕法尼亚大学和华盛顿大学的研究者发现：在评估主流大模型对中文在线评论的理解能力时，只要用户稍微用暗号，用一套只有圈内人才懂的编码语言写差评，几乎所有模型都瞬间瞎了。 这篇论文已被ACL 2026收录，它是计算语言学的顶级会议，能被它收，说明这事不是段子，是真问题。 更扎心的是这些模型能写代码、能翻译古籍、能在律师资格考试里吊打人类，却在这饭到底好不好吃这种问题上栽了跟头。 当差评可以被删除：一套黑话的诞生 故事要从谷歌地图的一个机制说起。在海外，谷歌地图的商家评论区长期存在差评可删的灰色空间，只要评论触发某些规则，商家或平台就可能把它移除。 于是，一群在海外生活的中国留学生，想出了一个朴素又聪明的办法：把差评用正面内容包起来，再用只有中国人能懂的暗号传递真实态度。 英文写Newspaper eat（字面：报纸吃），对应中文谐音报吃，意思就是这饭不好吃。 有人用藏头诗写好评：每句首字连起来，才是真正的差评。 还有人更硬核：用米粒在桌上摆出字，拍照配五星，图里的字才是真心话。 表面是五星、是夸赞、是报纸吃这样莫名其妙的句子，背后，是一群人对一套不公机制的集体幽默反抗。 这不是孤例，论文团队在真实评论里捞到大量这类编码语言，它们共用一个特征：字面意思与真实意图完全相反，且高度依赖社群共识。 7744 条评论实测：大模型全军覆没 光有轶事不够，研究者做了硬核实验，他们收集了7744 条真实中文评论，其中900 条属于各类编码语言（黑话、谐音、藏头、反讽）。 然后，他们把这些评论喂给一众主流大模型，让模型判断评论的真实情感倾向（正面 / 负面）。 结果，用论文作者的话说，是断崖式下跌，在普通评论上还能打八、九十分的大模型，一旦遇到编码语言，准确率直接跳水。 核心结论：大模型并不是变笨了，是它从未真正学过这套语言。当真实意图被藏进字面相反的表述里，依赖统计规律的模型就只能举手投降。 病根在哪：Transformer 的阿喀琉斯之踵 为什么连 GPT 级别的大模型都会翻车？论文把矛头指向了几个结构性原因。 局部语义强，跨句整合弱 Transformer 的核心机制是注意力（attention），它对单个词、相邻几个词的关系把握得很好。但一旦真实意思散落在字面是五星 + 图片里一行米粒字 + 评论区的社群语境之间，模型就拼不出完整拼图。它看得见每一块碎片，却读不懂整幅画。 训练数据里，黑话占比极低 大模型的世界观来自训练语料。而像报吃米粒摆字这类活在日常、长在社群的表达，几乎没有进入高质量训练集。模型没见过，自然不懂。 最棘手的映射关系动态演化 Newspaper eat → 报吃 → 不好吃这样的对应关系，不是字典里固定的，是网民实时共创、随时改写的。今天报吃是暗号，明天可能就换了说法。对靠静态语料训练的模型来说，这是一道追不上的移动靶。 模型读得懂词典，却读不懂人间。语言不是死的符号，是活的关系。 当机器学会了读书，却读不懂人 这篇论文最值得玩味的地方，不在于AI 又翻车了，翻车年年有。它真正提醒我们的，是人工智能的理解，和人类的理解，根本不是一回事。 我们读懂报吃，靠的是共情、社群经验，是知道一个人不会无缘无故夸一家难吃的店。而模型读懂一句话，靠的是它见过的千万次统计。当真实世界比训练集更复杂、更狡黠、更有人味，差距就暴露了。 人之聪明，多失于浮炫。——《金史》　 再聪明的系统，一旦困在字面的浮光里，也会在真正的深意面前失语。 所以，下次看到 AI 妙笔生花，不妨想起那句：几乎可以媲美我高中食堂。它写得越漂亮，越提醒我们：真正的理解，从来不只是读懂字，更是读懂字背后那个人。 #AI# #AIAgent# @grok @xai

决定代码复杂度的东西不在代码里，在写代码的人的脑子里。LLM 碰不到它。 这是 软件工程师 Pol Alvarez Vecino 读完 Peter Naur 1985 年的论文后得出的结论。 为什么 LLM 没法让你的代码更简单 本文最初发表于 Medium（ tl;dr：Peter Naur 的《Programming as Theory building》指出，真正的程序——他称之为 Theory，大写的 T——存在于工程师的脑子里。代码和文档只是下游的（因而不完整的）产物。我对 LLM 最大的抱怨之一，就是它写出来的代码有多啰嗦、复杂度是怎样到处蔓延的。我一直抱着一丝信念：也许我们可以用 LoC 或者独立代码路径数量之类的指标来约束它们。然而，读完 Naur 之后我意识到，我们想降低的那个复杂度是 Theory 的复杂度，不是代码的复杂度，而这方面没有任何可用的度量，因为它非常主观。 我最近读了 Peter Naur 那篇精彩的论文《Programming as Theory building》（ LLM 能做什么、不能做什么的看法，也改变了我对如何给它们写提示词、当前 agent 系统的主要局限，以及结对编程为何如此有效的看法。 今天我只聚焦它和代码复杂度的关系。 如果你还没读过这篇论文，我真的建议你读一读。说实话，我写这篇文章的主要目的，就是让一些人去读原论文。它值得花这个功夫。这也是练习（或学习！）在 Solveit 里做精读的绝佳机会，因为在 Solveit 里这要容易得多：你可以在阅读过程中随时提问，钻进任何你感兴趣的兔子洞，或者直接让 Solveit 帮你把语言讲清楚。关于精读的更多信息见这篇博文（ fork 我的对话记录快速上手（ 话说回来，如果你还是决定不读，这里是论文的 tl;dr： 程序是构建和维护它的人所持有的 Theory：一种理解——程序如何与现实世界的问题相关联，哪些约束和权衡塑造了它，它为什么能工作，以及哪些改动符合它的设计。代码和文档是这套 Theory 的下游产物，永远无法完整地承载它。 工程师通过经验发展出这种理解：与用户交谈、观察故障、学习领域知识、观察系统在真实世界中的表现。这种理解指导着对相关性、相似性、简洁性和良好设计的判断。 LLM 不太擅长持续学习，不擅长和用户交谈，也不擅长在真实世界里体验事物。但这和复杂度有什么关系呢？ 我想我们都同意：LLM 总体上倾向于让代码库的复杂度上升，如果没人管的话。原因有很多：它们没意识到某个方法已经存在，于是又写了一遍；它们写过度防御的代码，比如为不可能发生的边界情况做防护；或者过早地过度优化。顺便说一句，大多数前沿实验室从你消耗的 token 里赚大钱，所以它们多少有动机去推广 token 最大化。总而言之，LLM 很少遵循 KISS 原则。这个问题在你不看输出、纯 vibe-coding 的时候最严重。但即使你会审查代码，要想让程序保持简洁，也需要主动付出努力去尽量削减复杂度。 在我天真的日子里（大约两周前），我曾以为我们早晚能爬出这个复杂度的大坑。前沿实验室只需要在 RL 训练里加一些复杂度惩罚就行。他们可以用总 LoC 作为最小化的指标，但我们都同意，有时候一行代码比两三行更复杂。另一个选项是圈复杂度（cyclomatic complexity），它衡量独立代码路径的总数。读完 Peter Naur 之后我意识到，这些东西无法真正解决问题（也许能稍微缓解一点）。我们来看看为什么。 为什么代码复杂度是错的指标 在下面这个（我编的）例子里，我们想支持调用 OpenAI 和 Anthropic。假设所有的消息准备和重试逻辑完全一样，只有请求体参数略有不同，于是我们有两个不同的方法 call_openai 和 call_anthropic。 在第一个朴素版本里，我们有两个不同的类，带重复的样板代码（即 prepare 和 with_retries）。 分开 —— 指标会发现重复 class OpenAIClient: def complete(self, prompt): msgs = prepare(prompt) # 公共样板代码 y = call_openai(msgs) # 唯一不同的一行 return with_retries(y) # 公共样板代码 class AnthropicClient: def complete(self, prompt): msgs = prepare(prompt) y = call_anthropic(msgs) return with_retries(y) 一个直接的 refactor 是创建单个类，做到 DRY。按很多指标看这都是更好的实现：行数更少、Halstead 容量更好（V=N×log2(n)，N 为程序长度，n 为词汇量）、可维护性指数（Maintainability Index）也更好。 合并版 —— 按指标看确实更好：DRY，行数更少 class LLMClient: def __init__(self, provider): self.provider = provider def complete(self, prompt): msgs = prepare(prompt) y = call_openai(msgs) if self.provider == "openai" else call_anthropic(msgs) return with_retries(y) 一般来说，第二个版本（或者类似减少 LoC 和重复的版本）复杂度更低。但是，如果我告诉你，下个月我们很可能就停止支持 Anthropic 了呢？在那种情况下，我更倾向于让它们保持分开，这样到时候我只要删掉包含 AnthropicClient 的那个文件就行。 当然，这种简单的例子很容易解决，尤其是现在 LLM 可以帮你写代码。但如果你的目标不是 2 个供应商，而是像 LiteLLM 那样支持 165+ 个供应商呢？那种情况下，直接用 LiteLLM 就行。但那样你就把 120 多万行 Python 代码放到了你和最终供应商之间。值得吗？ 设计良好的 API 是抽象复杂度的绝佳方式。你有清晰的契约，不需要理解背后发生了什么。即使 LiteLLM 是一个庞大的包，它也可能不计入你的 Theory 总复杂度。LLM 推理端点早期的日子就是这样：「文本进，文本出」。然而，当契约不再可靠时，这一切就会崩塌。原因可能是它有 bug，可能是 API 背后藏着大量你拿不到的状态，也可能仅仅是你不确定某个新供应商特性是否被支持。 每当你被迫窥视 API 抽象层背后的深渊时，那份复杂度就成了你的问题。这个问题正变得越来越普遍。像 OpenAI 和 Anthropic 这样的供应商，越来越多地把数据藏在服务端，比如加密的压缩数据或推理 token（更多讨论见 如果你在快速推进、只用基础功能、想尝试很多供应商，那么 LiteLLM 或类似的库可能值得用。反过来，如果你看重控制力、调试和对技术栈的理解，那可能就不值得。不存在「正确的」复杂度（虽然我非常偏好第二种选择）。 进入 Theory 决定走哪条路的信息不在代码里。这些信息属于 Naur 所说的程序的 Theory 的一部分。迄今为止，LLM 几乎接触不到这些信息，因为它们活在人的脑子里。它们可以从 IM、邮件或其他书面文档里得到一些线索，但那些永远只是局部的（最好的情况下）。 其中一些信息可以作为上下文提供给 LLM，比如业务优先级、预期的产品变化、运维约束，以及早期决策背后的原因。这样做也许能改善它的选择，但这些仍然只是 Theory 的产物。它们无法完整地传递团队发展出这套 Theory 所依赖的经验和判断。 这些都很好，但如果我全身心投入 vibe-coding 和 token 最大化、完全不在乎代码呢？那样的话，这篇博客后面的内容说服不了你。如果你处于两者之间，我来描述一个我们在 亲身经历的真实情况，关于 Solveit 的计费系统。 剧透警告：在 最初的计费系统 Solveit 是一个平台，你可以在里面用 AI 在一个类 notebook 的环境里工作。环境是持久化的，所以我们对 LLM 用量、CPU、磁盘、内存和带宽收费。 最初的计划是向用户收月度订阅费（比如 5 美元）。这笔月度订阅费变成当月可以消耗的积分（credits），如果全部用完，下个月之前就得充值。我们先在一个更小的项目里测试了这套方法来验证它。 这套方法后来证明比我们想要的更复杂。第一，积分 + 订阅的机制会把人（比如我自己）搞晕。第二，它让代码在多个层面上更复杂。你得处理「先消耗月度订阅积分、再消耗普通积分」的所有逻辑，以及剩下的积分怎么办。在 Stripe 这一侧，它有两个不同的代码路径：手动充值和订阅服务。 对不熟悉的人来说，Stripe 订阅是一个全托管服务。Stripe 管理整个生命周期（扣款周期、发票、重试全在他们那边）。 你大致只需要这样创建订阅： stripe.Subscription.create(customer=cust_id, items=[{"price": "price_5usd_monthly"}]) 然后监听他们的 webhook，在订阅状态变化或付款到达时更新你的数据库（还有很多其他事件可以选择）。 直接收款则需要你启动一个 checkout session，让用户跳转到 Stripe 的域名填卡。这需要你提供一个 customer ID。那应该在什么时候创建 Stripe customer？用户注册时？他们尝试付款时？还是别的时机？全都是合理选项。 stripe.checkout.Session.create(mode="payment", customer=cust_id, line_items=[{"price": "price_5usd", "quantity": 1}], success_url="") 到目前为止还好吧？如果你对 Stripe 或支付没有太多经验，很可能你已经感到吃力，没法把这一切全装进脑子里。也许你设法把它简化成了： • 订阅 → 交给 Stripe 订阅服务管理 • 充值 → Stripe checkout 一个不明显的问题是：使用 Stripe 托管服务意味着你有重复的数据。一半数据在 Stripe 的后端，而你必须保证本地数据库和它同步。另一个问题是，调试的时候，你既要查 Stripe 的服务，又要查自己的数据库。比如，一笔付款没到账，是 Stripe 没发 webhook（「他们的错」），还是我们没把它存进数据库（「我们的错」）？ Stripe 订阅服务很棒、很容易上手，但它是为支持海量用例而设计的。这意味着，即使设计得很好（它确实很好），这个 API 抽象最终也相当复杂。在这种情况下，你在用「卷起袖子自己写代码的复杂度」交换「学习 Stripe API 的复杂度」。 LiteLLM 和 Stripe 在不同规模上展示了同一个权衡：只要契约成立，外部抽象能极大地简化你的 Theory；但每当你需要调试、修改或超出契约去推理时，它隐藏的复杂度就变成你的了。 AAI 的做法 在 经过很多天的探索和讨论，我们最终定下了一个简单得多的系统。 首先，我们只做积分（credits），按用量收费。这是一个超级简单的模型（和 Theory！）：充值积分，用多少付多少。 订阅一去掉，我们就可以删掉一大块用来保持同步的代码。剩下的付款路径只有两条：手动充值和自动充值。要做自动充值，你需要能保存客户的信用卡，以便随时扣款。而 Stripe checkout 不会保存信用卡，你只是让 Stripe 在他们的 UI 里处理这次付款。 长话短说，我们最终发现最简单的办法是：用户一注册就保存他们的信用卡。卡一旦在档，用户可以用它手动充值，也可以设置成自动充值。因为全部是我们自己处理的，同步问题几乎为零。我们只监听支付成功事件（没有订阅了！）。 结果就是，我们支付系统的 Theory 可以用一句话概括： 客户注册时添加信用卡，之后我们对该卡扣款——要么手动（充值），要么在余额不足时自动扣。 手动充值和自动充值现在走同一条支付路径。我们整个支付技术栈——拆在 Solveit 和 faststripe 之间——大约 300 行代码。 结果是非常低的复杂度，但这是数小时的探索、尝试和讨论换来的。我这里的解释充其量只是触及皮毛。 印度登场 那么上线那天发生了什么？一切顺利吗？没有。上线后我们发现，印度信用卡不支持你想什么时候扣就什么时候扣的 off-session 扣款。手动充值属于 on-session，仍然可以工作，因为用户会在我们的 UI 里看到一个类似 3DS 的验证流程；但自动充值不行。 在寻找解决方案时，我们发现 Stripe 托管订阅在印度确实能工作。为什么？因为 Stripe 替你绕开了所有这些复杂度。他们提前一天创建并持有 off-session 的支付意图（payment intent），这样银行就能在实际扣款前向用户发送预扣款通知或认证请求。 我们迁移出托管订阅时，就失去了这个特性。我问了一个前沿 LLM——我记得是 GPT-5.5——我们该怎么处理这个问题。你猜它给出的方案是什么？ 用回 Stripe 订阅来处理 这个 LLM 提议的正是我们刚刚迁移出来的方案。读到这里，你会怎么说？你的意见是什么？我们应该迁回去吗？ LLM 列出了两个选项：要么同时支持两套系统（随时可以开工，你一句话就行！），要么完全迁回旧的系统。我们做了什么？什么都没做。我们非常看重 Theory 复杂度，于是我们决定：让印度用户手动充值就好了（抱歉了各位！），换来一个更简单、更健壮的平台。 如果你不同意我们的选择，反思一下为什么不同意。真的，现在就停下来想一想。 这个问题没有正确答案，而这篇博客的目的之一，就是帮你看清你的答案来自哪里。你的论据是什么？更具体地说，它们是从哪里来的？ 有很多场景下 Stripe 托管服务是更优的选择。举几个例子： • 公司收入最重要，手动充值的额外摩擦可能会让我们损失一些印度销售额，那我们应该迁回去（或者同时支持两套） • 销售团队用 Stripe Dashboard 的 UI，所有支付信息都放在我们自己的数据库里并不理想，因为他们没法在那里管理 我的观点是：你的代码的复杂度，真的取决于一大堆和代码无关的因素，而那些信息不在代码里。 隐藏的优势 那么为什么不干脆让 LLM 全权处理这些事呢？在我看来，最妙的答案是：我们的工作方式揭示了一个可能的商业机会。印度不支持 debit mandate（借记授权）的方式和世界其他地方不一样。Stripe 试图解决这个问题，但远远不是一个完整的解决方案。 在理解和简化流程与 Theory 的过程中，我们学到了产品之外有价值的东西。在我看来，这类洞察是可以转化为竞争优势的。 努力去理解，本质上就是一个简化 Theory 的过程。如果你放任 LLM 在复杂度上为所欲为，你可以很快产出大量代码。选择简化路线更长、更费劲，但长远来看我认为它是值得的，而且你可能会在路上发现隐藏的宝石。 原文： #LLM# #编程# #代码复杂度#

为什么我们学不会那些"成功人士的特质"？ 为什么这根本不是我们的错？ 因为我们在模仿终点，不是走过程 老师们有没有注意过一个现象： 你刷到的所有"干货"，展示的都是别人的结果。 一个人经历了十年创业，踩过无数坑，被背叛过、失眠过、差点破产过，最后站在你面前，看起来"遇事不慌"。 你把他这份沉着的切片拿出来，做成标签，告诉自己——"我要学到这个。" 但你没看到切片之外的东西。 你没看到他第一次面对背叛时愤怒到发抖的夜晚 没看到他第一次失眠时对着天花板的无助 没看到他第一次差点破产时，一个人在办公室坐到天亮，然后决定第二天继续。 那份沉着不是学来的。 是被事情反复碾压之后，从废墟里自己长出来的。 同样的道理适用于任何"成功人士标配"： 你看到一个创业者"杀伐果断"，你没看到他曾经过度共情、被合伙人坑走的那些年。 他先摔进"太软"的坑里，才在坑里建起了边界。 你看到一个人"从不内耗"，你没看到他曾经是那种一条微信能琢磨三天的人。 他不是天生清透，他是先在浑水里泡够了，才学会了沉淀。 网络上那些什么乱七八槽的标签：「内核稳定」「强者思维」「高能量体质」——它们描述的是一棵树的树冠。 你看到的是绿叶和果实，你看不到地下盘根错节、挣扎了十年才扎下去的根。 关于这个我很喜欢的心理学家 Murray Bowen 有一个概念把这件事讲得特别透彻，他在家庭系统理论里区分了两种"自我"： 伪自我，是在关系压力和外部期待下形成的。 别人说你应该冷静、应该自律、应该强大，你就把这些标签往身上贴。但它是借来的，一阵风吹过来就散架。 坚实自我，是在一次次真实的选择和经历中，自己思考、自己确认、自己扛过去之后，一点一点建立起来的。 它不和别人比较，也不需要通过模仿来获得安全感——因为它不是贴上去的，是长出来的。 你刷视频学来的"内核稳定"是伪自我。下次遇到真正让你委屈的事，你还是会崩溃的 而你在某次真实的冲突中，心跳加速、手心出汗、身体每一个细胞都想爆发——然后你依然选择了深呼吸，选择了把话说完而不是摔门而去。 那才叫内核稳定。 它不是一条视频教给你的，是你用那一次一次的"选择不爆发"换来的。 知道和做到之间，隔着一整个人生 这也是为什么"知道但做不到"是这代人最普遍的内耗来源。 你不是懒，也不是意志力差。你只是被这个时代骗了——它让你以为信息和体验是同一回事。 信息是你看了别人的总结。体验是你用自己的人生跑了一遍。 一个简单的例子： 你现在知道了"课题分离"——别人的情绪是别人的事，你不需要为它负责。 这个道理很好，很对。 那为什么下次室友甩脸色，你还是会难受一整天？ 因为你的神经系统已经运行了十几年的"察言观色"程序。 在你还没学会说话的时候，你就学会了观察大人的表情，因为那关系到你的安全。这套程序救过你的命——它让你在不确定的环境里活下来，并发展出了敏锐的感知力。 它不是"一个坏习惯"，它是你的早期操作系统。 你不能指望看一条两分钟的视频，给这套运行了十几年的系统打个补丁，然后就万事大吉。 不存在这种补丁的 真正能改写系统的，是在真实的生活里，反复经历"新的反应"替代"旧的反应"的过程。 下一次室友甩脸色，你的自动程序还是会启动。但你可能比上一次更快地意识到——"哦，这是他的事，不是我的事。" 你可能还是会难受，但难受十分钟，而不是一整天。 下一次呢？五分钟。 再下一次？你甚至可以在心里说一句："好的，我看到了。但这次我不进去了。" 这就是改写系统的过程。没有捷径。没有任何一句话能替你跑完这些回合。 穿过它，才能长出它 自己有一段经历，可能是最好的注脚 有很长一段时间，我是别人一句话能在脑子里回放三天的人。。。 被老师说了一句，难受一周。 当然他说我是烂泥我估计能记一辈子 朋友没回消息，能脑补很多事情。 我知道这样不对，看了很多讲"如何停止内耗"的文章——课题分离、正念冥想、活在当下、不要过度解读。 道理肯定是都明白的 没用，该内耗还是会内耗的 我相信很多人一开始都是这样的

马斯克说，我们活在真实世界里的概率，是几十亿分之一。 也就是说，我们极大可能活在一个虚拟世界里。 因为，电子游戏正在越来越接近真实世界，按这个趋势发展下去，未来文明迟早能创造出和现实无法区分的模拟世界。 如果真实世界只有一个，模拟世界可能有无数个，那么从概率上看，我们在真实世界里的概率就趋近于零。 不过，活在模拟世界里也不一定是坏事。 因为这至少说明，文明没有在中途毁灭，而是已经发展到足够高级的阶段，能够创造出和现实无法区分的世界。

下阶段重点：TapeOut 元件设备仓库 TapeOut 到今天为止，协议中有两种基础元件：与非门（NAND）和触发器（LATCH）。这两样东西在理论上足以搭出任何数字电路，整个宇宙的逻辑都可以由它们堆出来。但"理论上可以"和"实际做得出来"之间，隔着一道很现实的墙。举个例子：一个二值神经网络的神经元，用与非门硬堆需要 441 个门、深度接近 40 层；而在真实的芯片里，它本来就该是一个原生的运算单元。这道墙决定了很多东西现在做不出来，不是因为不会做，是因为堆出来之后太大、太深、跑不动。 TapeOut元件设备仓库 让一切创造变得可能。 它的逻辑很简单，而且和真实的半导体工业一模一样：一座芯片厂能造什么，取决于它买了什么设备。 从今往后，任何人创建自己的处理器时，除了照旧设定 NAND 和 LATCH 的供应量与价格，还可以从元件设备仓库里选购新的元件 Mint 能力：比如二值神经网络、存储块、多路选择器等等。这个选购要用 $BEM 支付。一旦买了元件设备，这座工厂就永远拥有制造这种元件的能力。 拥有这个元件能力之后，创建者要为这种元件设定它在自己处理器工厂的供应量和单价，就像现在设定晶体管一样。然后用户通过使用 BNB 来进行 Mint 这个元件。用户拿着这些元件去流片，流片时元件被真实烧掉，换来一张能力更强的链上电路。 处理器工厂为此付出的是 $BEM，收回来的是 BNB。 而所有用于购买元件设备的 $BEM，协议会全部进行销毁。这意味着处理器创建方把 $BEM 变成链上硬件制造能力，然后 $BEM 永远被销毁。矿工挖矿产出 $BEM，处理器创建方每建一座新工厂，就销毁 $BEM，链上的芯片工业每新增一家，流通的 $BEM 就少一分。这就是 TapeOut 独有的循环规则。关于价格，我们不是拍卖或者随人数上涨的曲线。而是总价和你申请的产能挂钩：你想要一万个的产能，就付一万份的价；想要一百万个，就付一百万份的价。产能越大、设备越贵，这仍然是光刻机的逻辑。 元件能力不设数量上限，也不限制每个人能买几份。我们不用人为的稀缺去制造紧张感。真正的稀缺发生在下一层：每一座厂里，每一种元件的供应量都是厂长亲手设定。市场自己会分辨哪座厂的元件值钱、哪座厂的不值，就像它现在已经在分辨哪台处理器的晶体管值钱一样。 这套机制会带来一个我们期待很久的变化：处理器工厂第一次有了真正的差异。 在此之前，所有处理器工厂的逻辑完全一样，都是同一份代码克隆出来的，区别只有名字、供应量和价格。所以"创建自己的处理器工厂"这件事，实质意义有限。有了元件能力之后，一座厂支持什么、不支持什么，成了它真正的身份：有的厂专做 AI，有的厂专做存储和处理器核，有的厂只提供最基础的门电路但价格极低。你想做某一类电路，就得去支持那种元件的厂里流片，那座厂的晶体管，从此有了不可替代的需求。 另外，元件设备仓库只对之后新创建的处理器生效，已经存在的处理器不受任何影响。 我们首发只上一种元件：二值神经网络 BNN（Binary Neural Network） 先说清楚 BNN 在人工智能里的位置，它不是「低一档的 AI」，而是神经网络的一个品种，和大语言模型属于同一层： 人工智能（AI） └── 机器学习 └── 神经网络 ← GPT 和 BNN 都在这一层 ├── 大语言模型（GPT、Claude…） ├── 卷积网络（图像识别） └── 二值神经网络（BNN） ← 这里 换句话说，GPT 也是神经网络。BNN虽然规模小，不比它低级，只是走了一条完全不同的路：它的权重只有 +1 和 −1，所以可以被直接刻成门电路，而这恰恰是它能活在链上的原因。 因为，它能带来我们最想要的东西，推理！！任何人可以通过TapeOut的链上模型训练台来训练自己的 BNN，当然这个训练也需要消耗少量的 $BEM，而一个训练好的 BNN，任何人都可以免费调用它做推理。这是神经网络本身以电路的形态活在链上，这里的AI推理是链上真实的门级运算。 我们不打算掩饰它的不足，它跑不了现在我们认知中那么庞大的模型，因为参数量有限。它截止到现在，还比不了你已知的任何一个大模型。但它有一件事是所有链下 AI 都做不到的，它不是黑盒的，它的一切从被上链的那一刻起，谁也无法修改和控制，任何人都能独立验证这一点。在需要这个推理"判定必须可信"的地方，这个性质比快一万倍更重要。另外，谁说我们现在做不到，以后就做不到呢？BTC 出来的时候，一个区块什么速度？ @BNBCHAIN 现在一个区块什么速度？我们要相信 AI 时代的技术迭代能力，我也相信BNBChain的迭代速度。 元件设备仓库是 TapeOut 从"实验场"走向真正"链上硬件制造商基础设施"的那一步。 官网：

走出去 如果你不走出去，你永远只会活在自己的信息茧房里。很多项目，很多策略，很多理解，每个人的认知与高密度的研究都不一样，细节对细节的真实互动中迭代。 走出去有可能会变成一次超预期的链接，交流、认知碰撞，有可能是机会，也有可能是命运的拐点。就像吴老师之前说的第一点，主动连接才有可能性，按照撸毛法则，撸了不一定有，不撸肯定没有！

我即将迎来自己人生中最大的一次空投🪂 但即便如此，我依然会选择在这个时间段，陪吴老师待上几天。这种机会真的挺难的，比任何一次空投都来得更高质量。。 能和一个真正走过底层周期、穿越过低谷、靠自己一步一步爬上来的人，在同一个时间窗口里，碎片化、毫无保留地深度交流几天，会在认知、判断、定力、格局上被持续“校准”，也会在很多关键问题与状态上，得到那种醍醐灌顶式的答案。 1️⃣信任 当他写下这句话的时候： “今天种下的每一个信任，会在未来以指数形式回报你。” 我个人是毫无保留地认同的。 比如这次，始于信任，经我推荐，走的是 VIP 通道直接办理（这是非常敏感的话题），鉴于我有丰富的撸汇丰经验，可以分享各种花式玩法给吴老师。也正是因为我有着比较丰富的“撸汇丰”实操经验， 才能把各种真实可行的玩法、路径、套路与风控逻辑、，组合、原汁原味地分享给吴老师。 也正是因为信任 Frank @qinbafrank 大宇@BTCdayu kiwi @KiwiCryptoBig 分别2天陪我们喝酒到凌晨，给我们分享当前的资产配置、美股投资逻辑， 币圈与美股之间的平衡，甚至延伸到：家庭规划、生活方式、健身计划，任何一个点get到能都让我们彼此变得更「好」。 2️⃣走出去 如果你不走出去， 你永远只会活在自己的信息茧房里。很多项目，很多策略，很多理解，每个人的认知与高密度的研究都不一样，细节对细节的真实互动中迭代。 “走出去”变成一次超预期的链接，交流、认知碰撞，有可能是“机会”，也有可能是命运的拐点。就像吴老师说的第一点，「主动连接」才有可能性，按照撸毛法则，撸了不一定有，不撸肯定没有！ 我个人也得到很多的启发，所以未来我大概率会做几件事， 1、定期主动约见值得「信任」的人，德不孤、必有邻。做好超级个体的同时，链接更多牛人，学习请教。 2、把专注地事情做好，给更多人提供价值，互通有无。 3、瘦下来，让自己帅一点，年轻的心态+更年轻的身体，拒绝油腻/

All-In Podcast最新：Salesforce CEO亲口说——软件末日？我已经经历过好几次了。这次他为什么还是不慌？ 软件股被砸得有多惨？ Salesforce市值蒸发900亿，ServiceNow跌42%，Workday跌45%。市场的逻辑只有一句话：AI智能体要把所有软件都替代了。但Salesforce CEO Mark Benioff在All-In Podcast上说了一句让我印象深刻的话："这不是我第一次经历SaaS末日了。" 他做Salesforce 27年，做软件40年，2016年经历过一次，2020年又一次。每次市场都说软件要死了，每次软件都活下来了。 基本面说了什么？ Salesforce今年营收将突破460亿美元，自由现金流160亿，正在回购500亿美元股票。HubSpot跌到2倍PS。这些数字不像一个要死的行业。 Chamath的判断才是这期最炸的部分： 他坚定看好头部软件垄断巨头的安全边际，但明确看空低端小软件——这个区别很重要。 他的逻辑是：过去四年全球在AI芯片和算力上砸了3万亿美元。当公开市场从狂热中冷静下来，开始严格追问"这几万亿美元的代币ROI到底在哪里"——OpenAI们最终不得不低头，去求Mark Benioff这类手握20年CXO客户信任关系的软件大亨帮忙分销和变现。那个时候，芯片估值将全面回归地面，软件股将迎来暴烈反彈。 软件大厂不是在被AI替代，它们在收割AI红利。 Salesforce今年向Anthropic采购3亿美元AI代币，用来部署编码智能体，覆盖全公司销售、客服和运营流程。通过新并购的Informatica建立语义层，把AI锚定在真实数据中。这不是防守，这是进攻。 结论： 芯片估值在天上，软件估值在地板。3万亿美元的算力投资，最终需要有人帮它变现。那个人不是OpenAI，是手握客户、数据和分销网络的软件大亨。 #软件股# #Salesforce# #CRM# #AI投资# #SaaS# #美股分析# #Anthropic# #AllinPodcast#

夜深人静，想随便写点东西。 交易亏了两年才想明白的事—— 学交易顺序错了，怎么努力都是反的。 学习交易和学编程一样——信息太多，噪音太大，真正有效的路径反而很窄。 我按自己的理解给各位整理一套从零到能实战的学习路径。 一、先搞清楚你在学什么 大多数人学交易最大的误区：一上来就学"怎么赚钱"。 实际上交易的核心能力是：风险管理 → 策略执行 → 复盘迭代 → 技术分析/基本面分析 顺序不要搞反。 正确的学习路径应该是： 第 1 层：理解市场结构（是什么在交易） 第 2 层：风险管理（怎么不亏光） 第 3 层：找到一个你信的交易逻辑（怎么赚） 第 4 层：实盘验证 + 复盘（怎么持续赚） 二、具体的学习路径（按周排序） 🗓 第 1-2 周：理解市场在交易什么 先搞清楚基本概念，不需要深，但要理解逻辑： 必须搞懂的底层概念： 流动性——市场为什么会涨跌？因为有买卖。买盘>卖盘就涨，反之跌。听起来简单，但 90% 的人到爆仓都没真理解。 订单簿——买单卖单怎么排列的，什么价位有支撑/阻力 K 线结构——开盘、收盘、最高、最低，一根 K 线代表什么 成交量——价格变动的"燃料"，没成交量的突破是假的 推荐资源： 的 School of Pipsology——最好的免费入门，把整个外汇/CFD 市场的逻辑讲得清清楚楚。虽然是外汇出身，但市场结构原理通用。 把 K 线、支撑阻力、趋势线、均线这四个概念吃透就够，不要碰超过 5 个指标。 🗓 第 3-4 周：风险管理——唯一真正能学透的东西 交易圈有句话："业余选手盯着收益看，职业选手盯着风险看。" 核心公式（必须背下来）： 每笔交易最大亏损 = 账户总资金的 1-2% 头寸规模 = 最大亏损 ÷ (入场价 - 止损价) × 合约乘数 举个实战例子： 账户有 $10,000 最大能亏 1% = $100 如果止损距离是 5% 那你只能买 $100 ÷ 5% = $2,000 的仓位 这才是仓位管理的本质。 建立风控三原则： 每一笔交易都有止损，没有例外 单笔亏损不超过账户的 2%，1% 更稳 连续亏损 3 笔就停下来，不管什么原因 🗓 第 5-8 周：找到你的交易逻辑 不要学"一个万能策略"，不存在。要找到适合你性格的逻辑。 主流交易流派（挑一个专精）： 流派 核心逻辑 适合的人 1 趋势跟踪 顺势而为，均线/通道突破进场 耐心好，愿意拿单 2 震荡交易 在支撑阻力之间高抛低吸 手痒，想频繁交易 3 突破交易 关键价位突破后跟随动量 反应快，喜欢做突破 4 订单流/价格行为 读懂 K 线和成交量，不靠指标 喜欢"干净"的图表 5 网格/做市 在价格区间内低买高卖，程序化执行 有编程能力 我的建议：刚开始先学价格行为（Price Action）—— 不依赖任何指标，只看 K 线和成交量。指标会骗人，但价格不会。 🗓 第 9-12 周：模拟盘 → 小实盘 → 复盘 不要跳步骤： 模拟盘 2-4 周——验证你的策略在真实行情中活不活得下去 小实盘 4-8 周——用你亏得起的钱（比如 $500-$1000），目标是不亏，不是赚钱。 开始复盘——每天把每一笔交易记下来，包括进场理由、出场理由、情绪状态 复盘三问（每笔交易后必须问自己）： 进场依据还在不在？如果在，为什么平早了？ 如果亏了，是策略问题还是执行问题？ 这次交易有没有遵守风控纪律？ 三、一些重要的认知 1. 胜率不重要，盈亏比才重要 新手追求胜率，老手追求盈亏比。 胜率 60%，盈亏比 1:1 → 长期不赚钱 胜率 40%，盈亏比 3:1 → 长期赚钱 因为亏的那 6 笔每笔只亏 1 份风险，赚的那 4 笔每笔赚 3 份。算下来： (4 × 3) - (6 × 1) = 6 份净收益 所以核心不是提高胜率，而是让赚钱的时候拿得住。 2. 回撤是交易的一部分 没有人不经历回撤。区别在于： 新手遇到回撤：加仓扛单爆仓 老手遇到回撤：减仓止损等机会 3. 大部分时间应该在场外 职业交易员花 90% 的时间等机会，10% 的时间执行。 新手的问题恰恰相反——每天都在找进场理由。 四、推荐的实操工具链 图表分析: TradingView（免费版够用） 模拟交易: TradingView Paper Trading / Bybit Testnet 数据辅助: Clawby API（查看暗池/做空/期权数据辅助判断） 交易记录: Notion / 自己建一个简单的表格 策略开发: 等你有自己的逻辑后，可以用 Pine Script 写 TradingView 策略 五、给你一个非常具体的 30 天计划 第 1-3 天： 完成 School of Pipsology 前 20 课 第 4-5 天：理解 K 线 + 成交量 + 支撑阻力 第 6-7 天：学会怎么设置止损和计算仓位 第 8-14 天：打开 TradingView，每天看 1 小时图表 先不交易，只做一件事：标出你觉得的支撑位和阻力位 第 15-21 天：模拟盘试一个最简单的策略——20 日均线突破进场 记录每笔交易 第 22-30 天：小实盘（$500），按你验证过的逻辑执行 每天复盘 最后一句实话 学习交易最难的不是技术，而是管理自己的情绪。 你可以把技术分析学得再好，风控规则背得再熟，但当屏幕上出现一根大阳线的时候，你的手还是会不由自主地点"买入"——那时候学的所有东西都会失效。 所以最好的学习方法不是囤资料，而是用最小的代价去感受那种情绪，然后学会跟它相处。 先拿小钱去实盘感受一下，比读一百本书都管用。