【中國潮玩，海外破圈】從國內外熱銷直至亮相世界杯開幕式，中國潮玩熱在全球持續升溫。潮玩海外破圈並非偶然，其背後依託完整的中國製造供應鏈與產業生態，實現從“中國製造”到“中國創造”的躍升。同時，中國潮玩扎根中華文化，以去語言化的情緒符號承載全人類共同價值，跨越文化壁壘引發共鳴，不僅成為世界感知中國文化的新窗口，也為文明交流互鑒開闢新路徑。

【語言難題】印度的人工智能夢想 困在翻譯鴻溝中 今年上旬，印度總理莫迪（Narendra Modi）宣布AI必須「民主化」，但當地有近24種官方語言和百多種方言，使用印度各類語言的人口過10億。若AI無法彌合這一鴻溝，它就會成為又一項將講英語的精英階層與其他人分隔開來的技術。

【中國語言資源保護工程成果展示館開館】8月24日，中國語言資源保護工程成果展示館在湖南長沙正式開放，標誌著中國語言資源保護實現從“數據庫”向“活態展”的跨越。展示館位於湖南省博物館陳列大樓一層，依託教育部、國家語委“中國語言資源保護工程”標誌性成果，匯集全國漢語方言、少數民族語言和語言文化共計1800余點海量語料，以數字化展陳為主要手段，精選全國文博單位珍藏的語言文字類文物30余件，打造沉浸式、融合式、體驗式三位一體的新型語言文化展陳空間。

【AI進化】DeepSeek招聘訊息預示行業重心轉移 DeepSeek發布多個AI Agent相關職位招聘，涵蓋算法、數據與基礎設施等領域，顯示其產品重心正由傳統大語言模型轉向AI Agent。業界認為，Agent將讓AI從「回答問題」進一步走向「自主執行任務」。新一輪AI競賽焦點正逐步轉移。

吴恩达三言两语，就把 Loop Engineering 说清楚了。 吴恩达果然厉害。前两天在他的 Newsletter 中，短短几句话就把 Loop Engineerring 这个新词的本质说清楚了。刚看完他的文章，结合着说下我的理解。 1、如果用一句话来总结的话，Loop Engineering 讨论的其实是，如何让 AI 像工程师一样，一边干活、一边验收、一边返工，直到达到要求。 一个程序员标准的写代码流程是这样的：写完代码、运行程序，然后发现 Bug，紧接着修改代码，继续测试，直到没问题为止。 现在越来越多的 AI Coding Agent 已经能够自己完成这个过程。 给它一份产品需求文档（Spec），再给它一套评测标准（Eval），Agent 就会进入循环：写代码 → 运行测试 → 发现问题 → 修改代码 → 再测试。 如果测试没通过，它会继续改。如果功能不符合需求，它也会继续改。整个过程不需要人工介入。 2、Loop Engineering 这个词听起来挺唬人，但核心思想其实并不复杂。 以前我们给 AI 提需求，更多是在描述想做什么。现在还需要提前告诉它，什么叫成功、什么叫完成，以及如何自动判断有没有完成。 这也是 Spec 和 Eval 存在的意义。有了这些标准，Agent 才能自己写代码、自己测试、自己修 Bug，形成真正的闭环。 3、吴恩达认为，如果把视角放到整个软件开发流程里，大家最近讨论的 Loop Engineering，只是一小部分。 所以他专门画了下面这张图，把软件开发拆成了三个嵌套在一起的 Loop。 在 Coding Loop 之外，还有第二层循环，叫 Developer Feedback Loop。 简单理解，就是开发者不断调整产品的过程。Agent 负责实现需求，开发者负责修正需求。 当我们看到一个功能真正做出来之后，经常会发现自己一开始想的和真正想要的并不是一回事。 于是开发者会重新修改需求，再交给 Agent 继续开发。这个循环的速度通常比 Coding Loop 慢得多，可能几十分钟，甚至几个小时才会发生一次。 但它决定的是产品会长成什么样。其实这部分讲的就是 Builder 要决定做什么，以及产品会长什么样。 诸如一个按钮放在左边还是右边，Agent 可以帮我们实现，但判断还得自己做。 4、在这层 Loop 还有个误区，很多人以为，开发者脑子里只要有了清晰的产品愿景，剩下的事情交给 Agent 就行。其实完全不是。 一开始，我们会先写一个大概的 Spec，交给 Agent 去实现。 等第一个版本做出来，自己真正用了一遍之后，往往又会发现：原来我真正想要的，并不是这个。哈哈哈，我就经常经历这样的过程。 于是再回过头修改 Spec，把之前没有想清楚、没有表达清楚的地方补充进去，再让 Agent 继续开发。 如果发现 Agent 总是在同一个地方犯错，比如某个用户流程总是走不通，或者某类输入总是处理不好，这时候就需要补充一套 Eval，把这些容易踩坑的场景固定下来，作为以后每次开发都必须通过的测试。 或者这么讲，第二层 Loop 就是不断校准自己的认知，并将这些理解逐步沉淀进系统之中。 5、我记得去年参加一个活动时，大家讨论过一个话题：如果 AI 的品味越来越好，是不是以后我们只需要说一个想法，它就能把整个产品做出来，人几乎不用再介入？ 吴恩达说自己不太喜欢品味这个词。他觉得，相比 AI，人类真正的优势不是品味，而是拥有更多的上下文。 比如，我们知道用户是谁，知道他们的真实使用场景，也知道他们到底在为什么事情烦恼。这些信息很多都不在模型的上下文里。 只要人手里还有 AI 不知道的信息，就必须有人参与到这个 Loop 中，把这些关键信息持续注入系统。所以，Developer Feedback Loop 很难完全自动化。 6、最外层的 Loop，说白了就是获取真实世界的反馈。前面两层 Loop，解决的都是实现层面的问题。 而到了这一层，关注的是这个产品方向到底对不对，以及我们接下来要做哪些功能。 通过了解用户的反馈、分析数据或者研究竞品的产品等等方式，我们需要不断修正自己的产品判断。 诸如这个功能到底有没有必要做？用户真正的痛点是不是这个？产品是不是应该换一种交互方式？甚至，我们是不是一开始就选错了方向？ 真实世界的反馈会不断影响开发者的判断。开发者再把新的理解更新到 Spec 中，交给 Agent 继续开发。这就是三层 Loop 之间的关系。 7、非常透彻。所有对 Loop Engineering 有所困惑的同学，都应该看看这篇文章。文章我放评论区了。 最后，再画蛇添足一句，我感觉这些新词，真的就是换了种说法而已。之所以能爆火，核心还是因为这些概念，精准击中了目前 AI 行业正在发生的变化。 要我说，Loop Engineering 就是递归式的自我提升。Keep Building。

【2026WAIC：消費級AI新品打通智能生活化使用場景】　2026 #世界人工智能大會#(WAIC)在上海如火如荼地舉行中。本屆大會以“智能夥伴 共創未來”為主題，總展覽面積超10萬平方米，1100多家企業集中展示前沿技術成果，其中超300款AI產品為全球首發。7月18日，記者在現場探館時注意到，從文博觀展到影視創作，從睡眠健康到跨語言溝通，一批貼近民生需求的AI應用在大會現場集中亮相，讓人工智能真正走進日常場景。

歡迎大家來參加今晚的講座分享，這個一次講不完，估計會講三次，雖然是講印度，但對中國和很多人關心的問題都很直接。 1 窮國素質不高是否適合民主製 2 大國民主如何顧及中央和地方的關係 3 文化語言宗教的極大差異，是否不利於民主 4 極端貧富差距是否必然民粹化 5 印度70餘年民主實踐，現在已經進入必然的威權了嗎？

八月 #季風人文講壇# 來了！翻譯、歷史記憶、民族認同、數字時代的自由——滿洲學者如何改寫二戰時間線、台灣民主的興起與未來、「民族」如何想像出「國家」、網絡監控的市場化、以及小說裡的2019香港——語言、歷史、國家、技術交織之下,我們如何理解和想像另一種可能。 在線報名

最近在盯 prediction market 賽道 @Polymarket 龍頭沒疑問，但有個 UX 痛點一直被忽略：每次預測都要開瀏覽器、連錢包、簽名三連，幣圈原住民還行，普通用戶門檻太高。 手機原生 App 是這個賽道下一階段的關鍵，@bagel_win 2020 年就在做這個，最近推 World Cup 主題活動試水，X 上 65K 粉絲，和 Polymarket 比體量小很多，但勝在方向感很明確。 不過比起 $20K 獎池本身，Bagel 真正有意思的應該是它的卡牌系統： • 預測任何市場 50% 機率掉國家卡 • 集齊 48 張按 0 / 20 / 30 / 50% 階梯分紅 • 為了湊齊 48 國，參與者會主動關注各種賽事 把「一次性預測」綁成「長期收集」，這層設計語言 Polymarket 沒有。 純交易量榜爛大街了，機制層的差異化才值得多看多了解一下。 截止 7/21 UTC+8，還剩 6 週。 傳送門：

对于一些喜欢观察知识⽽⾮学习知识；极度喜欢科学史、技术史但不深⼊科学本身的人，我有这样的建议。 第一，其实这是真实存在且值钱的类型。 彭博、伯恩斯坦、Gartner、⼀级市场、宏观对冲、VC整个观察⾏业的产业每年⽀付⼤量的钱给这种模版的人。 对科技史的兴趣不是消遣，它就是这份⼯作的核⼼肌⾁：技术如何扩散、产业如何被重组、组织在压⼒下如何变形。 其实我也很喜欢观察，甚至这是我这些年最有趣的地方，但在过程中我发现这个逻辑有⼀个致命前提： 只观察不深⼊的⼈，终点默认是评论员，什么都能谈，什么都不真懂，很多时候，在靠语⾔的流畅度冒充判断⼒。 这里的分界线是，你的观察有没有⼀个别⼈⽆法轻易复现的硬底。 伯恩斯坦的半导体分析师看得懂制程节点、良率曲线、资本开⽀周期。 好的能源分析师算得清 LCOE 和电⽹调频，好的⽣物医药 VC 读得懂临床终点设计。 他们不做研究，但能验证研究者的说法真假。 ⼀席之地的分层，护城河的五个来源。 1. 信息渠道，认识供应链⾥的⼈ 2. 技术鉴别，能判断技术说法真假 3. 模型能力，能⾃⼰算成本结构、产能、单位经济 4. 历史深度，知道这个模式上⼀次发⽣是什么时候、结局如何（天然优势，我认为在这个时代也是最稀缺的⼀条，因为⼤部分从业者只有五年记忆） 5. 写作，把上⾯几样变成别⼈愿意读的东⻄ 大概的情况是， 有两三样 = 稳固的⼀席之地。 ⼀样都没有 = 没有议价权，随时可被替换，还要和 AI 竞争。 第二，这套护城河框架再往深处推演一层，分水岭其实在于，你是把科技史当成故事书来消费，还是把它当成参数化系统来逆向工程。 绝大多数只喜欢观察的人，停留在第一层，他们惊叹于瓦特改良蒸汽机、贝尔实验室的传奇、或者某次产业并购的戏剧性。 但这只是在消费结果。 值钱的观察者，看的是状态机。 如果要让这套逻辑在 AI 时代彻底闭环，并具备绝对的溢价能力，还需要补上三块拼图。 顶级的观察者，脑子里装的是不同行业的同构性。这就是Cross-domain。 如果可以懂系统在资源强约束下的扩散方程，就可以发现近乎完全同构的逻辑。 伪装成判断力的语言流畅度，在面对结构性危机时会瞬间破产，当所有人都在高喊某个新范式时，他条件反射般去查证它的边际成本、资本开支回报率和历史对照组。 宏观对冲和一级市场，恰恰需要剥离掉这些修辞泡沫，去计算每一个节点上具体的人、钱、设备和物理极限。 克制住将事物浪漫化的冲动，是观察者走向专业化最痛苦的成人礼。 最后我想说，如果你天然就对知识的边界、技术的演化、历史的复盘有着近乎病态的兴趣，却对日复一日埋头推导公式或写底层代码缺乏耐心，千万不要觉得这是缺陷。 这是一个极其稀缺的系统架构师基因。 当工具把语言的流畅度贬值到零的时候，对真实物理世界、资本流动和历史周期交织点上的精确鉴别力，就会变成这个时代的硬通货。 所以，别去做万事通。 希望你能以深度作尺，去量一量今天技术图纸上的每一个像素。