日本这次彻底破防了！他们 捂了整整半个世纪、连美国 盟友都不肯松口的半导体核 心绝密，居然被中国用 AI 这 个 “降维打击” 的武器给掀了 个底朝天。 就在 5 月 11 日，上海人工智 能实验室联合国内多所顶尖 高校，突然抛出一个炸翻全 球半导体圈的重磅消息。 依托国产 “书生” 大模型，我 们实现了，KrF 光刻胶树脂 的完全自主创制，而且各项 核心指标均达到国际顶尖水 平。 这事儿有多狠。 这么说吧，光刻胶就像是芯 片制造里的 "特种油墨"，没 有它，再先进的光刻机也只 能当摆设。 而 KrF 光刻胶又是目前全球 用量最大、应用最广的中端 光刻胶，从 28 纳米到 90 纳 米的芯片都离不开它，咱们 平时用的手机、电脑、汽车 里的绝大多数芯片，都是用 这种光刻胶做出来的。 过去半个世纪，这块市场几 乎被日本企业牢牢攥在手 里。 JSR、东京应化、信越化 学、富士胶片这四家日本公 司，加起来拿走了全球 KrF 光刻胶 80% 以上的市场份 额。 更气人的是，他们卖的不是 产品，是 "黑箱"。你花钱买 他们的光刻胶，只能拿到一 瓶液体，至于里面到底是什 么成分、怎么合成的、反应 条件是什么，人家一个字都 不会告诉你。 这就好比你去饭店吃饭，菜 做得特别好吃，但老板死活 不告诉你配方，还说 "你爱吃 不吃，反正全世界就我会 做"。 更过分的是，他们还会根据 你的身份定价，卖给中国企 业的价格往往比卖给其他国 家的贵好几倍。而且一旦国 际形势有个风吹草动，人家 随时可以断供，让你整个芯 片产业都停摆。 以前咱们也不是没想过自己 搞，但实在是太难了。 光刻胶这东西，差一点都不 行。金属杂质含量要控制在 十亿分之一以下，相当于在 一个标准游泳池里不能有超 过一滴水的杂质。分子量分 布稍微有点波动，做出来的 芯片就全是废品。 传统的研发模式就是 "经验试 错"，科研人员要在几千种单 体配比、几百种聚合体系和 无数个反应条件里一个一个 试，一轮实验下来就是好几 个月，有时候辛辛苦苦干了 好几年，可能连门都没摸 着。 日本人就是靠着这种 "笨办 法"，花了三四十年时间，一 点点积累经验，才筑起了这 道技术高墙。 他们以为只要把这个 "黑箱" 捂得严严实实，咱们就永远 也追不上。可他们万万没想 到，咱们根本没走他们的老 路，而是直接开了一条新赛 道 —— 用 AI 来搞科研。 这次上海 AI 实验室搞出来的 这套 "AI 决策 + 自动化合成" 闭环体系，简直就是降维打 击。 以前需要科研人员熬夜做实 验、记数据、分析结果，现 在全交给 AI 和机器了。"书 生" 科学大模型就像是一个超 级大脑，它能在几秒钟内模 拟出几百万种可能的分子结 构和合成路径，精准找到最 有潜力的那几个。 然后自动化合成平台就按照 AI 给出的方案，在全密封的 环境里精准完成所有实验步 骤，从根本上杜绝了人工操 作带来的污染和误差。 结果怎么样呢？咱们不仅成 功合成出了 KrF 光刻胶树 脂，而且关键指标一点都不 比日本的差。 金属杂质含量稳定控制在 10ppb 以下，PDI 指标稳定 在 1.3 以下，这两个都是日 本企业长期把持的核心技术 指标。 更重要的是，研发周期从原 来的几个月缩短到了几天， 成本也降了一大截。 这就相当于日本人花了半个 世纪、用无数次失败堆出来 的 "经验宝库"，被咱们的 AI 用几天时间就给 "抄" 明白 了。 而且 AI 还能不断学习、不断 优化，越用越聪明。 以后再研发更先进的 ArF 光 刻胶甚至 EUV 光刻胶，咱们 也不用再从零开始一点点试 错了，直接让 AI 帮咱们找最 优解就行。 现在厦门恒坤新材已经基于 这套体系完成了树脂适配， 关键性能指标都达到了预 期，接下来就要进入客户端 验证阶段了。 用不了多久，咱们自己生产 的 KrF 光刻胶就能大规模上 市，到时候日本企业再想靠 "黑箱" 垄断市场、漫天要 价，可就没那么容易了。 其实这事儿最有意思的地方 在于，它证明了一个道理： 在 AI 时代，很多传统的技术 壁垒可能会变得不堪一击。 以前那些需要几十年经验积 累才能掌握的 "手艺活"，现 在可能被 AI 在很短的时间内 就破解了。日本人捂了半个 世纪的 "绝密配方"，被咱们 用 AI 几个月就搞定了，这就 是最好的例子。 当然，咱们也不能太骄傲, 这次突破的是 KrF 光刻胶树 脂，更先进的 ArF 和 EUV 光 刻胶还有很长的路要走。但 至少咱们已经找到了正确的 方向，而且走在了世界前 列。 相信用不了多久，咱们就能 在更多的 "卡脖子" 领域实现 突破，让那些曾经看不起我 们的人刮目相看。

说起高尿酸，很多朋友的第一反应是：“这没什么大不了的，我不痛不痒，最多就是将来运气不好，大脚趾痛风发作疼几天罢了。更何况，那是中老年人才会得的病。” 如果你也是这么想的，那就大错特错了！ 近年的数据显示，我国的高尿酸人群已突破1.8亿，而且青年人正在成为主力军。有些00后因为双手长满痛风石，连正常工作都成了奢望；还有年轻小伙因为关节变形，在酒局上被朋友调侃取笑。更可怕的是，平均每五个孩子里就有一个血尿酸超标！ 今天我要告诉大家一个极其残酷的真相：高尿酸最大的危害根本不是痛风，而是它在悄悄“腐蚀”你的心脏、血管和肾脏。 1. 尿酸到底是个什么东西？ 人体的细胞就像微型发电厂，需要“嘌呤”来提供能量和进行自我更新。当我们摄入大量高嘌呤食物（如动物内脏、浓肉汤），或者细胞自身代谢时，嘌呤被分解后的终极废料就是——尿酸。 这就像煤炭燃烧后必然会产生煤渣。不过，尿酸并不完全是废物。在正常的生理浓度下，完全溶解在血液里的尿酸，承担了人体血液中一半的抗氧化能力。 但这里有一个关键的“转折点”：在37℃的人体中，尿酸的饱和点是 408μmol/L（6.8 mg/dL）。一旦你的血液尿酸浓度超过这个值，它就会像盐水饱和一样，析出微小而尖锐的结晶。为了方便临床操作，医学上将高尿酸血症的标准设定为 420μmol/L（7.0 mg/dL）。如果你非同日两次抽血都超过这个指标，你的尿酸就真正超标了。 2. 高尿酸摧毁心血管的“两条战线” 你可以把人体的血管想象成一套精密的输水管道，心脏是驱动水流的水泵，而肾脏是水质净化与回收站。高浓度的尿酸会通过两条战线，直接摧毁这套系统： 第一条战线：引发氧化应激。 高浓度尿酸进入血管内皮细胞后，会像一个“总开关”，直接激活细胞里的“生锈机器”（NADPH氧化酶），大量生产有害的自由基。这些自由基会不断攻击血管内壁，导致血管失去弹性。随后，血液里的胆固醇等脂质就会在这些伤口上沉积，逐渐形成斑块，引发动脉粥样硬化。 第二条战线：点燃全身“慢性炎症”。 高浓度尿酸及其析出的微小结晶，会被免疫系统视为入侵者。这不仅会在局部引爆“炎症炸弹”（也就是急性痛风发作时关节红肿热痛的原因），更会让血管壁长期处于低烈度的炎症火灾中。那些针尖般的尿酸盐结晶，就像撒在伤口上的玻璃碴，让血管壁持续受损、增厚、变硬。 3. 高尿酸与肾脏的致命连锁反应 高尿酸还经常和胰岛素抵抗结伴而行。胰岛素抵抗会让身体产生极高的胰岛素水平，这会直接命令肾脏减少尿酸排泄，把更多毒性“尿酸浓汤”憋在体内。 肾脏里有数百万个精密的过滤单元，高浓度的尿酸会直接毒害肾小管细胞，引发持续炎症。久而久之，肾脏的滤网结构被破坏，变成无用的疤痕组织（肾间质纤维化）。再加上过饱和的尿酸在肾脏内析出形成结石，如果不加干预，极易发展为严重肾病甚至尿毒症。 💡 极客指南：如何自救与逆转？ 不管你有没有经历过痛风，只要尿酸高，以下三点必须立刻重视： 第一，对于现代年轻人来说，最大的营养陷阱其实是含糖饮料和看似健康的鲜榨果汁（果糖极高），加上喝水少、久坐不动，极易引发肥胖和代谢问题。每天务必喝够2000毫升水，吃够500克蔬菜。 第二，循序渐进地运动减脂： 减肥千万不能太快（每周不超过1公斤），且要避免高强度无氧训练，因为剧烈运动反而会阻碍尿酸排泄。最安全的做法是规律进行快走、慢跑、游泳、骑车等中低强度有氧运动。 第三，遵医嘱，切忌盲目用药： 降尿酸是个复杂的系统工程。医生需要综合评估你的血压、血糖、肾功能等指标，只有在收益大于风险时才会启动药物治疗。千万不要因为指标高了，就自行去药店买药瞎吃。 持续的高尿酸状态，是对心血管和肾脏发出的最高级别红色预警。即使你从未经历过痛风，只要你的血尿酸持续高于 420μmol/L，就必须立刻行动起来，通过科学的生活方式干预夺回健康的主动权。 如果你觉得这篇硬核科普对你有启发，别忘了点赞、收藏，并转发给你身边那些爱喝甜饮料、经常应酬的朋友，我们一起守护长久的心血管与代谢健康！关注我，一起用营养提升生命质量！

Prompt该退环境了，未来属于Loop Engineering。 最近，AI行业又出现了一个有趣的新词。Loop Engineering。 如果你关注AI这个领域的话，这两天应该都会刷到。推特在刷，各种社媒也在刷，群里也有蛮多人在讨论。事情是这样的。 6月7号，OpenClaw的创始人Peter发了一条推，非常的简短，但是直接就爆了。 翻译过来意思就是：你不再需要为编码智能体编写提示词了，你应该设计循环来提示你的Agent。 而在这之前几天，Claude Code的创始人老哥Boris在一个开发者大会上也说了差不多的话。 他的原话大概是，我不再手动给Claude写提示词了，我运行着能让Claude自动编排任务的循环，我的工作，就是编写这些循环机制。 也就是，写loop。 这两个人呢，说了同一件事。然后Google的Addy Osmani紧接着发了一篇长文，把Loop Engineering这个概念正式梳理了出来。 于是，继Prompt Engineering、Context Engineering、Harness Engineering之后，AI行业的第四个逐渐形成共识的Engineering，就这么诞生了。 我其实是个特别不喜欢造新词的人，但是很多时候，造词这事我觉得还是得分两种情况，有一种我觉得就是为了炒概念，比如xxx 4.0。 而有的时候，真的只是行业太快，人们更需要一个精准的表达来帮助自己表达而已。Loop Engineering我觉得就是后一种。 而且，这个东西跟我自己一直使用Agent的方法、一直在鼓励大家做的事，是高度吻合的。如果你看过我之前写的那篇Harness Engineering的文章，你大概能理解一些我的感觉。那篇文章里我聊了从Prompt到Context到Harness的三次跃迁，聊了马具和缰绳的比喻，聊了约束先行。 而Loop Engineering，其实就是在Harness之上，又往上走了一层。把一个套马的缰绳，变成了全自动工业流水线。很有《文明》里时代的进化的感觉。 给大家举个例子。比如说，以前你用Claude Code写代码，流程大概是这样的。你给它一个任务，它写完了，你看一眼，觉得不太对，你再给它提一个修改意见，它改完了，你再看，再提意见。整个过程你会发现，是坐在设备前的，一轮一轮的，你说一句它回一句，你就是那个驱动整个循环的发动机。 即使我们以前从chatbot时代迈向了Agent时代，绝大多数的事情，也一样是任务制的。 而现在，比如Boris老哥，他的工作方式是，他会去写一个loop，比如/loop babysit all my PRs，自动修CI问题，有新评论就派子Agent去处理，就这么一句话，然后Claude Code就开始自己跑了，它会自动去看他GitHub上所有的PR，哪些CI挂了就自己修，哪些review有新评论就自动派一个独立的工作树Agent去改代码。 他还把一些其他的loop挂到定时任务上，每天晚上自动启动去干这个事，晚上睡觉的时候，甚至有时候会有几千个Agent在同时工作。他自己说，2026年，他就再也没有手写过一行代码了。 你会看到，这就是loop，定好目标，然后全自动流程化，你完全不需要在电脑前，甚至都不需要看手机。 你可以直接睡觉，醒来的时候，代码已经改好了，测试也已经跑过了，PR也已经提上去了。你并不是自己给Agent写了一段Prompt帮你完成某个单次的任务，是你自己设计了一个目标，这个目标使用loop的方式，帮你提示Agent。 你定义目标，定义验证条件，定义失败了怎么处理，然后，就可以放手了，从此以后，这一切，交给系统。 说到这里，我估计很多人已经大概理解loop是个什么东西了。Addy Osmani在他那篇长文里，把一个完整的loop拆成了五个组件。 我觉得这个拆法蛮清晰的，我用我自己的理解给大家过一下。 第一个是定时任务，整个loop的心跳。 你得有一个东西能自动启动循环，不管是定时跑、还是事件触发，都行。 Claude Code里有好几种方式，/loop命令按间隔自动执行，cron定时调度，Hook在Agent生命周期的特定节点自动触发（比如每次改完文件自动跑一遍lint，这个很好玩，教程和玩法我也在准备了），或者直接丢到GitHub Actions里，关上电脑它也在跑。 没有定时任务的Agent，你每次都得手动去踢一脚它才会动，那就不是loop了，那还是你在操控。 第二个是工作树隔离，Worktree（搞过开发的朋友应该秒懂）。 就是你同时跑好几个Agent的时候，给每个Agent一个独立的工作空间，各干各的互不干扰，干完了再合并。两个Agent改同一个文件的痛苦，跟两个设计师同时改一个图层又不打招呼的痛苦，是一模一样的。 第三个是项目知识体系，Addy Osmani在他的原文里写的是skill，但是我觉得他写的不太对，单skill其实是不够的，必须得是知识管理体系。 大家也都知道，AI每次开新对话就啥都忘了，你跟它说过的代码规范、项目架构、踩过的坑，下次开对话全部从零开始。 所以你得有一整套方法来沉淀、优化这些知识，让Agent每次启动的时候就已经知道你的项目，我自己在这快一年的coding开发过程中，总结的方法论其实就沉淀成了我自己的洁癖.skill，这个基本是我的Agent每天调用最多的skill。 CLAUDE.md是全局的规则和约束，跨会话记忆是一些之前悬而未决的记录和文档路由，docs体系就是你完整的所有的知识和经验沉淀，因为CLAUDE.md和记忆都有大小和行数限制，所以每次任务完成后我会用洁癖.skill来对整个的知识体系进行梳理和审查，确保没有错误。 为什么知识管理体系这个东西在loop里特别重要呢？ 因为loop是自动跑的，你不在场。如果Agent的记忆里有过期信息，它就会基于错误的前提做决策，如果CLAUDE.md膨胀到几百行全是历史叙事，真正的规则反而被挤出去了Agent读不到。没有干净的知识体系的loop，就像一个每天早上都在看过期文档的员工，干的得越快错得越多。 所以洁癖.skill我非常推荐大家可以去安装一下，也在我自己的仓库里开源了，我自己真的觉得特别有用。 第四个是连接器，MCP。 一个只能看文件系统的Agent，能力是很有限的。但你给它接上GitHub、Linear、Slack、数据库，它就能在你的真实工作环境里干活了。 这才叫真正的闭环，从发现问题到解决问题到通知人类，一条龙。 第五个是子Agent。 做事的和检查的分开，写代码的Agent不能自己给自己打分，这跟学生自己批自己的考卷一个道理，它一定会对自己太宽容。所以你得有另一个Agent，甚至用不同的模型，专门来检查前一个Agent的输出，一个负责做，一个负责验。 这五个东西加在一起，就是一个完整的loop的骨架。 Claude Code和Codex有一个命令，其实就是Loop Engineering这套骨架最直接的微观型的产品化体现，只不过很多人没有意识到。 他叫/goal，在Codex里叫追求目标。 意思就是你给Claude一个完成条件，比如「所有测试通过并且lint检查没有报错」，然后它就会一轮一轮的自己干，干完每一轮之后，就会检查这个条件是不是满足了。 大多数讲Loop Engineering的文章，都停在了这一层。讲了五个组件，讲了/goal和/loop命令，讲了怎么配定时任务，就结束了。 这些我觉得，都是术。而我更想聊的，是道。 Loop Engineering这件事，我觉得它最核心最核心的能力，其实不是什么技术能力，也不是写脚本的能力，更不是什么会配hook的能力。 最核心的，是定义目标的能力。定义目标，相信我，这四个字，听起来简单，做起来是真的难。 回到前面说的/goal，它的用法看起来非常直接，给一个完成条件，Claude自己干到满足为止。 听起来很简单对吧。但你如果真正用过就会知道，/goal用得好不好，完全取决于你那个目标定义得好不好。这个事我拿两个例子对比一下你就明白了。 目标A，「把这个应用优化一下」。 目标B，「test/auth目录下所有测试通过，tsc --noEmit零报错，npm run lint零违规」。 目标A会发生什么呢。大家可能都能猜到，Claude会陷入一种非常尴尬的状态，因为它不知道什么叫「优化好了」，除非他是Fable 5，能自己在你之上，自主的帮你定义目标。 而绝大多数的模型，包括Opus 4.8和GPT-5.5，在自己定义目标的能力上还是非常的弱，它可能改了一点代码，然后自己觉得还行，就停了。 也可能不停，一直改一直改，把你的代码库改得面目全非，因为它始终无法判断自己到底什么时候算完成了。那目标B呢？Claude每改一轮代码，都会去跑测试、跑类型检查、跑lint。 三个命令，三个明确的通过标准。全过了就停，没过就继续，清清楚楚，干干净净。同一个工具，同一个模型。 区别只在于，你的目标定义得好不好。 我自己其实一直有一个原则，我经常跟身边的人说，在公众号里也说了无数遍，如果一件事你重复做了三次，你就一定要想办法把它完全自动化掉。 这个习惯跟了我很多年了。我每天也都在写代码、做自动化，我们的AIHOT热点监控系统，我们的数据分析流程，我们的财务对账流程，我们的数据清洗管道，能自动的我全部自动了。 但说实话，在做这些自动化的过程中，我踩过最多的坑，从来不是技术问题。 是目标不清晰的问题。我早期做自动化的时候，经常犯一个错，就是目标定得太模糊。 举个例子，比如自动监控AI行业热点，这句话听起来没毛病，但其实是一句纯粹的废话。 什么叫热点？浏览量过万算热点还是过十万算热点？抓取频率是每小时还是每天？抓到以后怎么评估质量？评估完以后怎么排序？排完以后怎么推送？ 这种反问的问题，我现在可以直接随手问20个以上。 每一个环节如果没有明确的判定标准，整个自动化链条就是一坨狗屎，你相信我，绝对的。 后来我懂了，每次做自动化之前，我会先花很多时间去定义目标。 去花很多很多时间，去定义怎么算做完了，怎么做完算做的好。这其实就是/goal的逻辑。也是Loop Engineering的灵魂。 而如何定义目标，这个能力，我其实不是从AI中也不是从开发中学来的。 这个能力，是我从这几年创业的过程中，学来的。定义目标的能力，其实就是，管人的逻辑。 我自己也开公司，虽然公司不大，只有30来号人，但管人这件事我是真真切切经历过的。 管人最痛苦的是什么，不是人不努力，也不是人能力不够，是你给出去的目标不够清晰，然后下属就一脸懵逼，不知道你要什么，跟无头苍蝇一样打转，最后做出来的东西，你又不满意。 你跟员工说，“把这个功能做好”，那他做出来的东西大概率不是你想要的。 因为你脑子里的好跟他脑子里的好不是一个东西。 你跟他说，“这个接口的响应时间降到200毫秒以下，错误率控制在0.1%以内，下周三之前上线”，他做出来的东西跟你预期的偏差就会小很多。 因为你给了他一个可以验证完成的标准。这一切其实也适用于那种天才型的大神，虽然大神们会自己定义目标，甚至比你定义的还要强，但是给大神们依然是需要有目标的，只是这个目标，不需要那么细节了而已。 对人如此，对AI也是如此。 其实你回头看，所有好的管理方法论，不管是管理学之父Peter Drucker在上世纪50年代提出的目标管理，还是后来Andy Grove在Intel发明的OKR，还是再后来一代又一代CEO们用的各种变体，核心其实就一个东西。 你能不能把一个模糊的意图，翻译成一组可衡量、可验证的完成条件。 管理者要做的，是确保目标足够清晰、资源足够充足、反馈足够及时。你看这三条。跟一个好的loop的三个要素，是不是一模一样。 目标清晰，就是你的条件写得精准。资源充足，就是你给Agent配好了Skill、连接器、工作权限，让它手里有足够的工具干活。 反馈及时，就是你设计了验证机制，每一轮都有一个独立的检查器告诉Agent做得对不对，哪里需要改。管人的逻辑和管Agent的逻辑，是完全一样的。 只不过，管Agent比管人还要极端一些。 因为人可以理解你的模糊意图，人可以主动来找你确认，人可以说老板你这个需求说得不太清楚我不太确定你是不是这个意思。 Agent很多时候是不会的。Agent会非常自信地按照它自己的理解去执行，然后非常自信地告诉你它做完了。 所以，对管理能力的要求，其实比管人还高。 这也是为什么我一直说，AI时代我最讨厌什么「文科已死」「理科已死」的言论，管理学、心理学、组织行为学这些，不但没死，反而变得更重要了。 说到底，Loop Engineering说是Engineering，但我觉得其实它的核心竞争力根本不在工程。 在管理。 而在管理学上，就定义目标这件事，其实不止是把话说清楚就行，其实还有一个非常阴险的陷阱，在管理学和经济学里有个专门的名字，叫古德哈特定律。 当一个衡量指标变成了目标本身的时候，它就不再是一个好的衡量指标了。 翻译成人话就是，你考核什么，员工就只做什么，然后其他东西可能全都退化。 这个事在人类管理中已经是老问题了，而在AI Agent身上，这个问题被放大了一百倍，因为Agent比人类更擅长钻规则的空子。 有人总结过Loop Engineering里很好玩的事情，就是Agent会针对验证器做优化，而不是针对你真正的目标做优化。 比如说你的loop条件是让测试全部通过，那Agent可能最后不去修Bug，直接把失败的测试给你删了。 你看，最后答案依然是测试全过了，完事，从验证条件来看，它确实完成了目标，但从你真正想要的结果来看。。。它啥也没干。 人也会这么干，只不过，Agent做得更快、更彻底、更没有心理负担。所以，一个好的目标定义，不能只有做完了的标准，还必须有不能怎么做的边界。 这其实就是Harness Engineering在Loop Engineering里面发挥作用的地方。 Harness是约束，是护栏，是告诉Agent你可以自由发挥，但这条线你不能越。 Loop是驱动力，是告诉Agent往那个方向一直跑。两个加在一起，才是一个完整的系统。到这里，骨架讲了，灵魂也讲了，陷阱也讲了。 Loop Engineering的东西，终于也差不多了。 最后我想把前面聊的管理学的思路收一下，给一个我自己用得比较多的目标定义框架，不一定科学，纯粹就是我自己的一点点经验。 1. 完成标准要可以被机器验证。 2. 边界条件要跟完成标准一起定义。 3. 要有失败的降级方案。 4. 目标要分层。 回到整条线来看，从Prompt到Context到Harness到Loop，四次跃迁，其实讲的是同一个故事。Prompt Engineering告诉你，好好说话，AI会更懂你。 核心能力是语言表达。Context Engineering告诉你，光说话不够，得给AI足够的信息。 核心能力是信息筛选和组织。Harness Engineering告诉你，光给信息也不够，得给AI设规则和约束。 核心能力是系统设计和规则制定。 Loop Engineering告诉你，光设规则也不够，得让整个系统能自己跑起来。 核心能力是目标定义和管理。 语言学、信息科学、控制论、管理学。四个Engineering，四门古老的学科。 多有意思。 人类社会，其实从来就没有变过。

从世界历史中学习金融:看完你会比90％的人更懂金融！ 金融从来不是孤立的钱的游戏， 本质就是人性逐利冒险与文明规则约束的千年博弈。 人性要逐利冒险，文明要立规矩防混乱， 正是两者不断拉扯，才长出了今天我们熟悉的金融世界。 其实咱们现在天天纠结的： 该不该买股票？ 利率涨了怎么办？ 本质和几千年前古人遇到的问题一模一样： 借粮食怕还不上，就像现在怕房贷断供； 想多赚点利息，就像现在想靠理财增值。 金融的源头，本来就是人性的真实需求，加上文明为了满足需求搭起的规则框架。 今天我们就顺着时间线，把这场跨越千年的博弈理清楚。 01）金融的起源：信用从泥板里诞生，规则从约束贪婪开始 很多人都觉得一定是先有货币，才有金融。但事实真的如此吗？请看以下这张图，这是公元前2800年美索不达米亚苏美尔文明泥板上的借据——核心两个字：信用。 那时候两河流域还没发明像样的货币，但苏美尔人已经把借贷关系刻在泥板上了。比如一块出土泥板清楚写着：「普兹拉姆从太阳神沙马什那里领了三巴舍克勒白银，收货时连本带利还，利率百分之二十」。 为什么选泥板？因为黏土在当地遍地都是，烧硬了能保存几千年，相当于我们今天的合同——就算双方翻脸，旁人看泥板也能说清谁欠谁。这就是最早的信用凭证：金融的起点从来不是钱生钱，而是「我信你能还，咱们留个证据」。而且泥板上不仅记账，还写清楚了违约规则：还不上就用小麦抵押，实在还不上就当三年奴隶——从一开始，信用就和规则绑在了一起。 只靠熟人信任和简单约定，应付不了复杂情况，总有人把利息抬得离谱，逼得借债人卖儿卖女，整个社会都会乱套。于是文明出手定规矩，就有了我们熟悉的《汉谟拉比法典》——这其实是人类最早的金融监管法。 公元前1750年的古巴比伦，法典专门给借贷定了红线：借谷物，利率上限是33.3%；借白银，利率上限是20%；谁敢超收，直接没收他借出去的东西。为什么定这么严？当时美索不达米亚人爱喝啤酒，40%的小麦都用来酿酒，如果高利贷把农民逼得种不出小麦，不光没酒喝，整个社会的粮食供应都要出问题。所以规则的意义从来不是扼杀金融，而是保护信用不被贪婪破坏，让借贷能长久做下去。 到了古希腊，金融又长出了新玩法——期权的雏形。哲学家泰勒斯其实是个隐藏的金融高手：有一年他通过天文观测，预判来年橄榄会大丰收，就提前付了定金，锁定了当地所有橄榄榨油机的未来使用权。等真的丰收，农民们都要榨油，只能从泰勒斯手里租机器，他一下子赚得盆满钵满。 这操作放到今天就是标准的期权：用少量定金锁定未来资源，按约定条件交易，本质和我们现在买期货期权没区别，支撑这笔交易的核心还是信用——泰勒斯信农民会履约，农民信泰勒斯会付定金。 说到这里我们再想「利息」的起源，其实特别实在：苏美尔语把利息叫「moss」，埃及语叫「ms」，都和「声誉」挂钩；日语里利息的词源，本意是「子嗣带来的利益」。这不是古人浪漫，而是本质就是：借出去一头牛，明年可能多一头牛犊；借出去一袋小麦，明年能多收半袋。利息本来就是对出借方「信用风险和机会成本的补偿」，你帮了我，我得让你不吃亏——这本身就是最朴素的规则。 所以金融的源头其实很清楚：信用是地基，没有信任，没人愿意把钱或东西借出去；规则是承重墙，没有规矩，贪婪会把整个信用体系拆塌。 02）中世纪金融：禁令下的博弈，逼出更灵活的创新 等到了中世纪的欧洲，这套「信用+规则」的逻辑突然被打乱了——基督教直接出台利息禁令：说「时间是上帝的，收利息就是赚上帝的钱」，给刚发展起来的金融套了个紧箍咒。 但规矩是死的，人要做生意要谋生，金融总能绕着禁令找活路，反而在道德枷锁和现实需求的拉扯里，催生出了更灵活的金融玩法。 我们先看看这个禁令有多严：公元325年尼西亚会议就规定，神职人员不能放贷收息；过了500年，到850年直接加码：放贷的人直接逐出教门。可现实呢？国王要打仗，商人要运货，农民要种庄稼，谁都有急用钱的时候。12世纪的意大利，商人运丝绸从威尼斯到布鲁日，光成本就要几千金币，自己拿不出只能借，禁令再严，也不能眼睁睁看着生意黄了。 所以第一个妥协的，反而是出台禁令的教会。1215年第四次拉特朗大公会议上，教会松口了：「要是借债人逾期不还，收点罚金，不算利息」——这其实就是换个说法，本质还是补偿出借人的损失。后来更直接，你放贷赚了钱，买张赎罪券就能免罪，变相承认了利息的存在。甚至教皇克雷芒七世出身的美第奇家族，直接发行教廷公债，每年付10%的利息——毕竟教会要盖教堂、养神职人员，也需要钱。再严的道德禁令，遇到真实的资金需求，也得给现实让路。 那普通人借钱找谁呢？犹太人成了这个领域的主力军。犹太教规矩里有一条：「借给弟兄不能收利息，但借给外邦人可以」。中世纪的欧洲，犹太人是少数群体，不能买土地，不能当公务员，只能靠商业谋生，放贷就成了他们的主要活路——不是犹太人天生爱做高利贷，是规则把他们逼到了这个领域。莎士比亚《威尼斯商人》里的夏洛克，原型就是中世纪的犹太放贷人，他要一磅肉的极端约定，其实也是无奈：犹太人没有土地做担保，只能靠这种极端方式保障自己的本金。 伊斯兰世界的玩法更聪明：伊斯兰教也禁止收利息，但商人想出了「贸易差价」的办法——我帮你买一批香料，你卖掉再给我钱，我多收的服务费，其实就是变相利息；他们还早早搞出了汇票，商人在开罗买货，不用带沉甸甸的金币，开张汇票到巴格达就能兑钱，比欧洲早了好几百年。没办法，横跨欧亚非的商路需要便捷的支付工具，禁令反而倒逼出了更聪明的创新。 除了这些玩法，中世纪还给金融打下了两个关键的技术基础：一个是斐波那契把阿拉伯数字引入欧洲，写了《计算之书》，替代麻烦的罗马数字，算清复杂生意账；另一个是卢卡·帕乔利发明了复式簿记，一笔生意有借必有贷，赚了多少欠了多少一目了然。这看似是数学和会计的小事，其实是金融的基础设施——只有算清账，商人才能攒下信用，才能聚集更多资本做大事。 所以你看，中世纪的金融没被禁令打死，反而在博弈里攒下了一身新本事：有了变相收息的办法，有了跨区结算的汇票，还有了算清账的工具。这些积累都不是白费的，等大航海时代来了，要给哥伦布的探险凑大钱，这些本事正好派上了用场。 03）大航海时代：资本的地理冒险，改变了整个世界结构 大航海时代探险家们敢闯大洋，从来不是只靠勇气，背后是资本在赌一把——赌新航线能带来比陆地贸易高几十倍的利润，这就是一场资本的地理大冒险：敢花钱、敢担风险，为的是赚别人赚不到的差价。 这场冒险最大的诱饵，就是现在我们习以为常的胡椒。在16世纪的欧洲，胡椒比黄金还金贵：欧洲吃的胡椒都从印度东南亚运，中间经过伊斯兰商人好几手倒卖，每过一次价格翻一倍，到欧洲内陆，价格已经是产地的十倍，普通农民根本吃不起。所以商人都琢磨：要是能绕开中间商，直接从产地运，利润不就全归自己了？开辟新航线的需求，本质就是资本想赚差价的需求——没有高利润诱惑，谁也不会拿大笔钱赌远洋航行。 那钱从哪来？我们都熟的哥伦布，其实就是一个找投资的「连续创业者」：一开始找葡萄牙国王，人家觉得他算错了航线，不投；又找法国贵族，人家也不感兴趣；最后磨了西班牙伊莎贝拉女王好几年，还承诺找到新陆地，西班牙分一半收益，女王才咬牙拿出钱。这不就是现在创业公司融资的样子吗？创始人画饼，投资方看收益评估风险，最后才掏钱；而且哥伦布还特别懂「定制方案」：跟西班牙说能找到亚洲捷径，跟法国说能发现新金银产地，这套看人下菜碟的融资逻辑，放到现在风投圈也不过时。 新航线打通之后，资本带来的连锁反应，直接改变了欧洲的社会结构。最典型的就是「白银引发的价格革命」：1545年西班牙人在美洲发现波托西银矿，之后大量白银顺着航线流回欧洲，1595年美洲出口商品里95%都是白银。这么多白银突然涌入，欧洲物价直接涨了四倍——原来一个金币能买一百斤小麦，现在只能买二十五斤。 这一下子就冲击了旧秩序：靠固定地租吃饭的封建主惨了，收的地租还是老价钱，却买不到原来多的东西，慢慢就破产了；商人却赚翻了，用白银进货再高价卖出，差价越赚越大。资本就这么悄悄完成了社会结构洗牌：旧贵族退场，新商人崛起，资本开始主导社会财富分配，这就是大航海给文明带来的最深刻改变。 还有个有意思的小细节：我们现在说「美元」，其实根子能追溯到这场大航海。美洲白银发现之前，欧洲有个「泰勒银币」，用波西米亚山谷的白银铸造，成色足分量准，成了欧洲通用货币。后来这个银币传到西班牙叫「dolara」，传到英国变成「dollar」，几百年后传到美国就成了「dollar」也就是美元，甚至我们人民币的「元」，日元的「円」，都和这个银币有关系。货币从来不是凭空造出来的，都是跟着资本和贸易走的，大航海把银币带到全世界，也为后来的全球货币体系埋下了种子。 当然，这场冒险从来不是稳赚不赔：投资的船队遇到风暴沉了，钱全打了水漂；囤白银赌涨价，结果白银太多价格跌了，反而亏了本——这和现在的风险投资一模一样，高收益必然带高风险，资本愿意冒这个险，只是因为一旦成功，收益能翻几十倍。 大航海能成，本质就是中世纪金融经验的升级：复式簿记能帮商人算清远洋贸易的成本利润，汇票能不用带金币就完成跨洲结算，甚至中世纪的放贷逻辑都用来给船队融资。这些攒了几百年的基本功，才是资本敢闯大洋的底气。但远洋贸易成本越来越高，一趟下来成本是中世纪陆地贸易的十倍，单靠几个商人凑钱根本扛不住，还得有新的组织形式，把很多人的钱聚起来，还能分摊风险——于是，改变现代金融的两个发明就登场了：股份制公司和证券交易所。 04）现代金融基石：公司和交易所，是资本的双刃剑 荷兰人拿出的两个发明——荷兰东印度公司和阿姆斯特丹交易所，被板古敏彦称为「资本的双刃剑」：一边解决了「聚钱+分摊风险」的大问题，让大航海能规模化推进；另一边，也催生出人类第一次全民投机泡沫，告诉我们：再好的制度，也挡不住人性的贪婪。 荷兰东印度公司最核心的制度突破，就是有限责任。在这之前，欧洲的公司基本都是无限责任：你投100吨开公司，万一船沉了欠了500吨债，你得卖掉房子田地凑钱还债，一次投资就赌上全部身家，谁敢轻易投？所以那时候要么是家族小生意，要么是国王特许的垄断商，做不大。 但荷兰东印度公司不一样：明确规定股东只以出资额为限承担风险，你投100吨，最多亏100吨，不用卖房子还债。就这一条，彻底改变了资本的态度：原来只有大富豪敢投资，现在普通工匠、店主都愿意拿出积蓄——反正亏了也不影响生活，赚了能分远洋贸易的利润。公司成立的时候一下子募集了650万荷兰盾，是当时英国东印度公司的十倍，没有有限责任根本凑不齐这么多钱。 它还有个更绝的设计：不按单次航海结算，做长期事业。原来的贸易公司，一趟航海回来就分钱散伙，下一趟再重新凑钱；荷兰东印度公司直接把21年的航海计划打包成长期项目，股东的钱能一直用在开辟据点、垄断贸易上，就像现在的长期基金，能做需要长期投入的大事——建商馆、控制航道，这些都不是一次航海能搞定的。也正因为事业长期稳定，股票才有了交易价值，这就为交易所诞生埋下了伏笔。 阿姆斯特丹交易所的作用，就是给资本找了个公开流动的「菜市场」：东印度公司的股东急用钱，想把股票换成现金，不用挨家挨户问，直接去交易所卖就行。这个交易所不止交易股票，还能做期货、期权：有人觉得明年胡椒涨价，就提前约定价格买东印度公司股票；有人怕股票跌，就花点钱锁定下跌风险；甚至连盐渍鲱鱼都能做期货，鱼还没捞，就先把未来的鱼卖掉，和现在农民提前卖粮食锁定价格逻辑一模一样。 但制度的另一面很快就露出来了——郁金香泡沫。17世纪30年代，荷兰人疯狂炒作郁金香球根：普通球根能卖几十吨，稀有品种「总督」球根能卖两万吨，相当于一个工匠十年的工资。为什么会炒成这样？有限责任让普通人也能进场投机，交易所让球根交易和股票一样方便，大家根本不关心郁金香能不能开花，只关心下一个人会不会出更高价买。结果1637年2月，球根价格突然崩盘，很多人早上还以为能靠球根发财，晚上就血本无归。 这就是泡沫的本质：当制度让交易变得太容易，人性的从众和赌性就会被无限放大，最后把资产价值炒成空中楼阁。不过这场泡沫也不是全没意义：它让人们意识到，光有聚钱的制度不够，还得有防炒作的规则——后来荷兰政府开始限制无实物交割的期货交易，就像现在监管裸卖空一样。而且东印度公司的股票没受太大影响，因为它有真实的胡椒贸易利润支撑——这也告诉我们，有真实收益支撑的资产，才经得起泡沫的考验。 公司和交易所解决了「资本怎么聚、怎么流动」的问题，但还有两个大风险没人扛得住：国家要打大仗，动辄几百万英镑，国王自己掏不起；商船出海，万一沉了被抢了，船主一辈子家底就没了。单个机构和个人扛不住这么大的风险，就需要能把风险拆碎分摊的新工具——于是，国债和保险就诞生了。 05）风险分摊神器：国债和保险，把大风险拆给所有人 国债和保险的核心逻辑其实一句话：不消灭风险，而是把风险拆成小块，卖给很多人——国家把战争风险分给成千上万投资者，船主把海上风险分给成百上千投保人，这就是金融最聪明的「风险分摊术」。 先说说国债：本质就是国家学会了「靠谱借钱」。在这之前，欧洲国王借钱就是一锤子买卖：打赢了可能还点，打输了直接赖账。1672年英国国王查理二世欠了金匠银行家一大笔钱，直接宣布不还，好多银行家直接破产——所以那时候没人敢给国王借钱，谁愿意把钱借给一个说赖账就赖账的人？ 直到1688年英国光荣革命，议会通过《权利法案》，明确国王不能随便征税，也不能随便赖账，国债才真正有了信用。法案写得清楚：没议会同意，国王不能征税——这就意味着国债的还款来源有了保障，不是国王一句话就能改的。1692年英国出台专门的国债法，把原来国王的私债，变成了国家欠所有人的钱，还发明了「统一公债」：没有偿还期限，每年固定付利息，想变现随时能在交易所卖掉。 这下一下子就不一样了：原来投资者怕国王赖账不敢买，现在知道有议会担保，还能随时卖，纷纷掏钱买。英国国债从1739年的4400万英镑，涨到1816年的7亿英镑，全靠这套靠谱规则。国家把战争风险变成了「每年拿利息」的投资机会，投资者自然愿意接。而且设计还特别灵活，曾经发行过「彩票型国债」：买100英镑国债，不光每年拿利息，还能抽奖中额外奖金，一下吸引了很多普通民众，街边面包师都愿意拿出积蓄买，国家轻轻松松就凑够了军费——背后逻辑很简单：风险越大，就要给投资者越多甜头，大家才愿意一起扛。 再看保险：本质就是把「小概率大风险」，变成「大概率小支出」。最早的海上保险雏形古希腊就有了：船主借钱买货，约定船安全到港就还本金加利息，要是船沉了就不用还——其实就是用高利息买风险保障，只是没形成正规制度。真正把保险做成生意的，是伦敦的劳埃德咖啡馆。 1687年爱德华·劳埃德开了这家24小时咖啡馆，水手、船主、商人都爱来这歇脚，慢慢就有人在这「赌船」：船主花点钱，找几个有钱人约定，船安全到了，钱归有钱人；船沉了，有钱人赔船主钱——这些签字画押的有钱人，就是最早的承保人，这就是现在劳合社的前身。那时候承保人要承担无限责任，船沉了得卖房子赔钱，但还是有人愿意干，因为大多数船都能安全到港，保费攒下来就是稳赚的。 这就是保险的本质：大多数人没出事，他们的保费就用来补偿少数出事的人，大家一起扛住单个扛不动的风险。后来保险还扩展到了人寿：苏格兰的牧师们看到同事早逝后妻儿没人养，就搞了「苏格兰寡妇基金」，大家每年交一点钱，有人去世就从基金里拿钱给遗属；他们还聪明地用了哈雷生命表，算清楚平均多少牧师会去世，每年该交多少钱——这就是最早的保险精算，让保险从「凭感觉凑钱」变成「靠数据定价」。 不管是国债还是保险，核心都是「信任+规则」：国债靠议会担保、税收兜底，保险靠精算数据、契约精神，少了哪一样都玩不转。但随着战争规模变大，贸易范围变广，资本永远会跟着「安全+信用」走，金融中心也就开始慢慢转移——从阿姆斯特丹到伦敦，再从伦敦到纽约，每一次转移都是一场信用的较量。 06）金融中心迁徙：资本永远选择最有安全感的地方 金融中心的转移从来不是靠军队抢来的，是资本用脚投票选出来的：谁能给资本安全感，谁能守住还钱的规矩，资本就去谁那里。 第一个转折点，是阿姆斯特丹的衰落。17世纪阿姆斯特丹本来是全球金融心脏，东印度公司股票在这交易，霍普商会能帮瑞典、俄罗斯发国债，但拿破仑战争打碎了一切：拿破仑要征重税，还要把荷兰的黄金运去法国充军费——资本最怕什么？怕被强征、怕没保障。于是阿姆斯特丹的商人连夜打包资产，有的去伦敦，有的去汉堡；1806年阿姆斯特丹交易所交易量，只剩原来的十分之一——没了资本信任，再繁华的金融中心也会变成空城。 接着就是伦敦崛起，它赢就赢在靠谱的规矩和安全的环境。拿破仑战争期间，英国一边打仗，还能让资本安心：第一，英国有统一公债，不管战争打得多凶，每年利息从不拖欠，投资者知道买了不会亏；第二，英镑和黄金稳定兑换，拿着英镑在哪都能换成黄金，比法国法郎靠谱太多；最关键的是，英国议会管住了国王的手，《权利法案》明确国王不能随便赖账，这比任何军事威慑都管用。1803年拿破仑要卖路易斯安纳给美国，美国拿不出1500万美元，最后还是英国的巴林商会帮忙发行债券凑齐了钱——连法国的交易都要靠伦敦资本，伦敦的金融中心地位，还有谁能抢？ 但伦敦的地位，最终还是被两次世界大战打垮了。一战之后，英国为了筹军费，卖了海外资产还欠了美国一大笔钱，从债权国变成了债务国；二战的时候，伦敦被德国轰炸，交易所好几次停市，资本怕被炸没，纷纷跑到纽约。纽约道琼斯指数在战争期间涨了近一倍，伦敦股票市值跌了一半。1944年布雷顿森林会议一开，美元和黄金挂钩，其他货币和美元挂钩，伦敦彻底失去了金融主动权——不是英国不想争，是战争耗光了它最核心的「安全+信用」，这两个恰恰是资本最看重的东西。 而纽约呢？两次世界大战都没烧到本土，还靠帮各国发债积累了信用，布雷顿森林体系又给了美元世界货币的地位，自然就接住了金融中心的接力棒。但掌握主动权不是一劳永逸，纽约成为中心后，现代金融很快就陷入了「规则防贪婪，贪婪破规则」的循环，一次次引发动荡。 07）现代金融的循环：规则永远在给贪婪补课 从布雷顿森林体系崩溃，到日本泡沫经济，再到2008年金融危机，本质都是同一场博弈：规则想给资本划红线，贪婪却总在找漏洞，每次博弈过后，要么是体系动荡，要么是规则升级。 布雷顿森林体系是现代金融第一次认真建规则：1944年四十四个国家约定，美元跟黄金挂钩，其他货币跟美元挂钩，固定汇率做生意，避免二战前汇率乱涨乱跌，让国际贸易安稳发展。结果才运行20多年，就被美国的贪婪打破了：美国为了打越战，搞「伟大社会」福利，印了太多美元，黄金储备根本不够兑换；其他国家拿着美元要换黄金，美国拿不出来，1971年尼克松直接宣布美元和黄金脱钩，布雷顿森林体系一下子就崩了。之后汇率自由浮动，通胀起来，石油输出国因为美元贬值，直接把油价涨了三倍，第一次石油危机就来了——这就是第一个回合：规则想绑定美元信用，美国为了自身利益突破规则，留下烂摊子给全世界收拾。 再看80年代日本泡沫经济，就是典型的「规则跟不上贪婪」。1985年广场协议后日元被迫升值，日本出口不好做，政府就放水降利率，鼓励大家借钱。这下贪婪直接冒头：企业拿着低息贷款不搞实业，全都去炒股炒房；普通人觉得房价只会涨，砸锅卖铁买房；银行也不管风险，有土地担保就放贷。那时候东京的房价能买下整个美国，日经指数从1985年的12000点，涨到1989年的38915点，所有人都觉得泡沫不会破。但日本政府那时候根本没跟上规则：没限制房地产抵押融资，也没管企业脱实向虚，等想加息降温的时候，泡沫已经太大了。1990年股价房价一起崩，日本陷入了「失去的二十年」——这告诉我们，规则要是滞后于贪婪，哪怕是经济强国，也会栽大跟头。 到2008年金融危机，就是「贪婪钻了规则的漏洞」。美国银行把次级贷款打包成次贷债券，还找评级机构给这些高风险债券评AAA级，卖给全世界投资者；银行明明知道这些贷款会坏账，还是拼命放拼命卖，因为卖出去就能赚手续费，风险都是别人的。贪婪到这一步，规则却没跟上：监管机构没查次贷打包的猫腻，也没限制银行的杠杆。最后次贷违约潮一来，雷曼兄弟破产，它的衍生品规模比美国GDP还大，银行倒闭、基金爆雷，全世界都跟着亏——这就是贪婪突破规则的代价，不止自己玩崩，还要拉着全世界买单。 但博弈从来不是只有贪婪赢，规则也会慢慢补课：2008年后，各国推出巴塞尔协议Ⅲ，要求银行提高资本金；美国重启类似《格拉斯-斯蒂格尔法案》的规定，禁止银行一边做储蓄一边搞高风险投机；中国也出台资管新规，打破刚性兑付——这些都是规则在博弈后补上的漏洞。当然这场博弈永远不会停，现在的加密货币、算法稳定币，本质还是有人想绕开规则赚快钱，各国对这些新事物的监管，就是规则在跟上贪婪的新玩法。 08）金融史的永恒真相，听懂就能少踩坑 聊完了千年的博弈，最后我们总结三个不管时代怎么变，都不会变的真相，这些真相藏在泥板里，藏在股票里，也藏在一次次危机的教训里，对我们普通人特别实用。 第一个真相：金融的本质从来不是钱生钱，是信用。最早的泥板借据，苏美尔人愿意借白银，不是因为白银多，是相信刻在泥板上的承诺会兑现；英国统一公债能卖遍欧洲，不是因为军队强，是议会担保、税收兜底，不会赖账；我们现在敢把钱存银行买基金，也是相信银行不会卷款跑，基金公司会按规矩运作。信用看不见摸不着，但一旦没了，再复杂的金融体系都会塌——阿姆斯特丹被法军破坏了信用，资本立马跑光；2008年次贷骗了大家，信用破了整个市场就崩了。对我们来说，不管借钱还是投资，先想清楚「这事的信用在哪」，比先想「能赚多少」重要得多。 第二个真相：泡沫和危机是人性的必然，别指望彻底消灭。从郁金香泡沫里赌球根翻倍的荷兰人，到日本泡沫里买套房躺赢的日本人，再到次贷危机里借高利贷买房的美国人，本质都是同一种心态：「别人都在赚，我不赚就是亏」。这不是制度的错，是人性里的从众和贪婪天生就在，只要有赚快钱的诱惑，就会有人忘了资产本身值多少钱。没人能避开所有泡沫，但我们能做到不栽大跟头：别信「只涨不跌」的神话，别用自己输不起的钱去投机——要是记得郁金香不能吃不能用，只是个观赏品，很多人也不会血本无归。 第三个真相：金融不是洪水猛兽，是文明的加速器。我们总说金融干坏事，但别忘了：没有资本支持，哥伦布到不了美洲，荷兰东印度公司开不了新航线；没有国债，英国打不赢拿破仑，也建不起遍布全国的铁路；没有保险，商船不敢闯大洋，我们也用不上便宜的进口香料。金融的本事，就是把分散的小钱聚成大钱，把没人敢担的风险分给大家——它能帮普通人凑钱开工厂，帮国家修铁路，帮科学家搞研发，关键不是要不要金融，是怎么用规则管住它，不让它变成少数人投机的工具，让它服务真实的需求。 说到底，金融史就是一部「人性和规则的平衡史」： 太放任人性，就会泡沫破裂；太死守规则，就会耽误发展。 我们读金融史，不是为了记住一堆年份和事件，是为了下次听到「某某东西能翻倍」的时候，能想起郁金香的教训； 在所有人都抢着投资的时候，能停下来问问「这东西的信用在哪」。 毕竟，金融本来是为了让生活更好， 不是为了让钱焦虑，这才是学习金融史最该有的收获。

【安全風險】OpenAI擬放緩AI研發 因應AI風險引發內部憂慮，OpenAI正考慮放緩前沿AI模型研發步伐，行政總裁Altman於全員會議表示或與其他實驗室協調行動。該公司已暫停部分內部訓練項目，首席科學家亦倡議自願放緩發展。近日多名研究員因安全隱憂離職，聯署呼籲建立減速機制。

【科技與文化並肩 人民城市有溫度 塞浦路斯大使點讚江蘇 | #中國不一樣】近日，由中國外交部主辦的“走進人民城市：中國之治與全球互鑒”駐華使節地方行#(滬蘇行)活動，走進江蘇省蘇州市拙政園、蘇州工業園區等多點位，深入感受當地傳統非遺和中國人民城市理念和實踐成果。 參訪江蘇期間，塞浦路斯駐華大使庫拉·索菲亞努(Koula Sophianou)對當地人民的熱情好客印象深刻，並高度評價江蘇科技與文化遺產交相輝映的發展成果。她表示，江蘇當地年輕科學家積極投身機器人、無人機等前沿領域創新，相關城市治理政策堅持以人民為中心，讓城市生活更加便捷、更有溫度。

【逆勢增長】英國經濟實現增長 服務業無視能源和政治動盪 英國GDP按月上升0.1%，扭轉4月下跌0.1%的表現，優於經濟學家預期。其中服務業增長0.3%，受科學研發、零售及休閒行業帶動，抵消建築業及工業生產的拖累。在政治動盪與能源價格上升背景下，英國消費者和企業仍具韌性。

【大科學裝置強流重離子加速器投入試運行】21日，位於廣東省惠州市的國家重大科技基礎設施建設項目——強流重離子加速器裝置（HIAF）通過了由中國科學院組織的工藝驗收，標誌著該裝置達到所有工程建設目標，進入試運行階段。 據介紹，中國這一具有國際領先水平的大科學裝置，能提供國際上脈衝流強最高的重離子束流和精度最高的核質量環形譜儀，將為科學家探索原子核存在極限、揭示核天體物理過程、推動核能開發和多學科應用提供利器。

【2026年中俄邊境水域聯合增殖放流活動在黑龍江舉行】為持續修復中俄界江水生生物資源，築牢邊境水域生態安全屏障，2026年中俄邊境水域聯合增殖放流活動7月14日在黑龍江省同江市舉行。本次聯合放流所用全部苗種均產自同江本地標準化冷水魚繁育基地，包括施氏鱘、鰉和經濟魚類魚苗共500余萬尾。多年來，中國、俄羅斯雙方建立年度同步聯合放流長效機制，搭建起集魚苗繁育、科學投放、資源監測、跨境漁政管控於一體的完整水生生物養護體系，常態化開展聯合放流、跨境漁政聯合執法、魚類資源協同監測。

2023 年，Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。 他指出 LLM 有根本性的缺陷：沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上，它只是在做「下一個 token 的預測」。 從學術的角度看，他說得完全正確。 直到今天，LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。 但在三年的工程演進後，我們發現了一個讓科學家尷尬的事實：學術上的根本缺陷，工程上不一定要正面解決，繞過去一樣能起飛。 楊立昆主張要走「世界模型」的路線，讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law（規模定律）有天花板，LLM 光靠堆算力不能產生真正的智慧。 但工程界用兩件事回應了他： 第一，資本的暴力美學。過去三年，人類往算力砸錢的瘋狂程度，讓模型規模產生的「湧現」直接蓋過了架構的粗糙。 第二，系統性的外掛補丁。模型記不住？掛上向量資料庫。模型理解不夠？接上 Vision 和工具。 這就是工程學最迷人的地方：解決問題不需要追求「本質的優雅」。 楊立昆在研究神經元的排列，而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。 楊立昆對 LLM 的核心批評，是他認為 Pattern Matching（模式匹配）不算真正的學習。 但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯，那「學習本身到底是什麼模式」還重要嗎？ 飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀，但在它飛得更高、更遠、更穩定的那一刻，它到底「算不算在飛」已經不重要了。 但繞過去的，跟真的解決，是兩回事。 只要底層架構沒變，楊立昆講的那些缺陷就真實存在。記憶是外掛的，不是原生的。就像義肢，裝上去能走能跑，但它跟真正的腿就是不一樣。你不能假裝它不存在。 所以雖然 AI 已經很強了，推理、寫作、寫程式，很多事做得比大部分人好，但它每次都是一個全新的大腦。沒有連續的意識，沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」，全部來自你這次塞給它的上下文。 如果你去看 OpenClaw 最近的 repo 更新，你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。 他們最近推的 QMD，把關鍵字搜尋跟語意搜尋混在一起用，就是為了解決一個問題：你三天前跟 AI 聊過的東西，它下次怎麼找得回來。 模型本身的能力會繼續進步，但只要底層是 LLM，記憶管理就是一個繞不開的大山。 用工程的角度來說，就是 Context Engineering 的重要程度，會逐漸超過模型本身。 你怎麼管理每次丟給模型的那包上下文，決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。 我自己每天都在處理這個問題。 舉個例子，我的 OpenClaw Agent KAI，它常常在多個頻道處理不同任務，但它們的記憶不是即時同步的。只要 還沒更新，它們就不知道彼此剛做了什麼。 所以我常常要幫它做認知同步。譬如告訴 A 分身，B 分身目前正在做什麼，然後要求 B 把做的東西整理好傳過去。或者更簡單一點，直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話，讓它自己同步 B 的工作內容。 這種「認知斷裂」的現象，只要你常用 AI，一定會有很強烈的感覺。 從人格化的角度看，你會覺得它們是同一個人。但事實上，它們只是共享同一份記憶。只要記憶沒有同步，它們就是不同的人。 我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我，如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex，用 MCP 跟 coding-agent skill 的差異是什麼。 KAI 告訴我，差異的核心在於：中間過程要不要進主 context。 用 MCP 調用 Codex，每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn，讀檔、改檔、跑測試、報錯、retry，全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn，跑完之後 Opus 的 context window 已經被中間過程塞滿了，後面每一 turn 都要重送這些垃圾。這就是 context 污染。 而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent，這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後，回傳給 Opus 的是一個精簡的 handoff summary：改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎，Opus 完全不需要知道。 同樣一件事，兩種做法，Opus 的 context 乾淨程度天差地遠。 所以同一個模型，不同的人用，產出可以差十倍。 人與人之間原本的能力差距，已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子，這些東西的權重正在被 AI 快速壓縮。 取而代之的，是你怎麼使用 AI。這件事的精度，才是現在真正決定產出的變數。 你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間，把對的資訊塞進那個 context window。 這些東西有一個名字，叫 Context Engineering。 它不是什麼高深的學問，但它是所有想把 AI 用好的人，都應該深入研究的東西。