(以下教學由其他熱愛麗麗的粉絲提供） 阿麗嘅IG想盡大家最後的努力幫手救救🙏 開IG 主畫面➡️右上角三條線➡️向下滑到「使用說明」➡️回報問題📝 下面係參考用範文，建議大家改一改再send，因為免得Meta AI當咗你send嘅report係bot message，減低咗救到阿麗account嘅機會： Instagram 帳號 （rei.kamiki） 在未違反社群守則的情況下，被誤判為有違規行為並遭到刪除。 帳號持有者顯然並未從事任何違規活動。我們認為此次停權極有可能是因為帳號遭他人盜用後的違規行為、惡意人士檢舉虛假事實的騷擾行為，或是 Instagram 系統端的判斷錯誤。 請在重新審查後，恢復該帳號的使用權限。 @rei_kamiki @reikamiki_sub

如果Warsh像1999年的格林斯潘，AI牛市可能才刚刚开始 最近在读格林斯潘的《动荡的世界》和《繁荣与衰退》，突然想到一个问题：Warsh和1999年的格林斯潘，到底有多像？ 先说他们像的地方 两个人有几个共同点是确实存在的。 都偏自由市场，相信竞争和创新的力量远大于政府干预。都认为央行很难精准识别泡沫，主动刺破泡沫的代价往往高于事后救助，因此对资产价格上涨有更高的容忍度。都反对过度前瞻指引，更喜欢保留灵活性。 最核心的相似点是对生产率革命的信仰。 格林斯潘在《繁荣与衰退》里反复强调一个观点：生产率才是一切繁荣的来源。美国之所以能一次次走出危机，靠的是技术创新不断提高生产率。从铁路到电力到汽车到互联网，旧产业死去，新产业崛起，创造性破坏才是资本主义真正的生命力。 1999年他面对的正是互联网革命。当时按传统菲利普斯曲线模型，低失业率本应带来更高的通胀压力。但格林斯潘认为互联网革命改变了生产率，因此不必机械地依赖旧模型，选择维持相对宽松的利率。 现在回头看Warsh最近的公开讲话，逻辑有相似之处。他认为AI基础设施有潜力成为强大的通胀抑制力量，如果AI能让企业生产效率持续提升，美联储就不需要急着转鹰。 这里有一个重要的区别要说清楚。现在AI还处于CapEx先爆发、收益后兑现的阶段，真正像互联网90年代那样让全社会生产率大幅提升，至少还要几年时间验证。Warsh可能相信AI的长期潜力，但AI已经压低通胀这个结论目前证据还不够充分。格林斯潘当时已经能看到生产率数据的改善，而Warsh现在更多是在押注一个尚未完全兑现的未来。 第二个相似点：对通胀指标的处理方式 格林斯潘时代，美联储开始越来越重视PCE。PCE本身有其合理性：权重动态变化，能捕捉消费者的替代效应，覆盖范围比CPI更广。从历史数据来看，PCE往往比CPI低0.3到0.5个百分点。这意味着在同样的经济环境下，PCE框架通常会给货币政策更大的灵活空间。这一趋势后来在伯南克时代正式确立，将PCE作为2%通胀目标的锚定指标。 Warsh对传统通胀指标一直持保留态度。他曾公开表示，核心PCE并不能完美反映底层通胀趋势。相比单一指标，他似乎更倾向于同时观察核心PCE、中位数CPI和修剪均值通胀。修剪均值的计算方式是把所有商品价格涨跌从低到高排列，剔除掉两头最极端的项目，在高通胀周期里通常会给出比核心PCE更温和的数字。 如果这种思路进入Fed决策框架，货币政策可能获得更大的解释空间。从格林斯潘时代强化PCE，到Warsh可能引入更多元的观察指标，方向是一致的：为货币政策保留更多灵活性。 第三个相似点：重回建设性模糊 很多人误以为Warsh反对前瞻指引，这个理解有些片面。 他真正反对的，是鲍威尔时代那种近乎明牌的沟通方式。 格林斯潘时代，美联储开始逐渐走向透明，但他始终坚持一个原则：给市场方向，不给市场剧本。他会告诉市场自己关注什么、担心什么，以及经济大致会往哪个方向走，但绝不会把未来几年每一次利率会议的路径提前画出来。 他最著名的一句话是：如果你觉得听懂了我的话，那你一定误解了我的意思。 这当然不是故弄玄虚。格林斯潘相信，央行最重要的资产之一就是相机抉择的灵活性。经济是动态变化的，央行必须保留随时调整方向的权利，一旦提前承诺太多，就会被自己的话绑住手脚。 Warsh批评的，恰恰是鲍威尔时代越来越强的路径依赖。每季度公布点阵图，每次会议后召开长时间发布会，市场甚至开始逐字逐句拆解每一个委员未来几年的利率预测。这种极度透明的好处是预期稳定，代价则是美联储越来越像一个需要不断兑现承诺的机构。 2021到2022年就是最典型的例子。在通胀暂时论的框架下，美联储长时间维持宽松预期。当通胀超预期失控时，政策转向变得异常痛苦，因为市场早已把之前的承诺交易进了价格。 所以Warsh真正想回到的，可能是格林斯潘式的建设性模糊：多谈长期目标与风险，少谈具体点位和时间表，给市场方向感，同时保留足够的调整空间。 这也是为什么华尔街现在最担心的，反而是确定性消失了。过去几年市场习惯了Fed提前告诉你答案，而Warsh可能把这个习惯打破，留下的是更大的不确定性。 市场担心的不是Warsh会取消点阵图，而是他会降低市场对点阵图的依赖，弱化长期降息承诺。甚至在首场会议上，上调通胀预期，重新定义中性利率，释放出比市场想象更鹰派的长期利率路径。 如果真是这样，最大的变化可能不是利率本身，而是市场突然发现，过去几年习惯的那种Fed永远提前告诉你答案的时代，结束了。剩下的，是要重新学会在更大的不确定性里做决策。 如果Warsh真的走这条路，股市会经历什么？ 我觉得会有三个阶段。 第一阶段是估值扩张。市场会开始交易一个叙事：Fed不会轻易打断AI投资周期。前提是AI生产率开始真正兑现，一旦这个叙事成立，PS和PE都会扩张，最先受益的是AI基础设施、半导体、软件平台和高弹性成长股。逻辑和1998到1999年互联网那波完全一样，市场愿意给更高的倍数，因为他们相信美联储站在这边。 第二阶段是赢家通吃。1999年不是所有科技股都涨，最后真正活下来并且涨疯的，是那些收入模式最扎实的公司——网络基础设施、龙头软件和核心平台。纯概念的小票逐渐掉队。类比今天，最后可能集中在AI算力、光通信、数据中心基础设施、AI云平台这几条线。有真实收入和盈利能力的公司会越来越贵，纯叙事的标的会慢慢被抛弃。 第三阶段是估值脱离基本面。市场不再关心利润多少、PE多少、收入能不能兑现，只关心下一个买家会不会出更高的价。这个阶段格林斯潘当年选择了等待，最终等来了2000年的泡沫破裂。Warsh会做同样的选择吗？这个问题放在后面再说。 但很多人搞错了一件事：加息会压住牛市吗？ 1999年格林斯潘从4.75%一路加息到6.5%，按传统逻辑科技股应该崩。 结果纳指那一年涨了超过80%。 原因在这里。利率是估值模型里的分母，但盈利增长是分子。当分子的增长速度超过分母的压缩速度，股市照样疯涨。1999年经济增长4%到5%，生产率大幅提升，市场认为即使利率高一点，公司利润还是会高速增长，所以PE继续扩张。 这给现在一个很重要的参考：加息本身不能终结牛市。利率高到盈利跟不上估值，或者市场发现增长故事是假的，才是牛市真正的终点。 这次和1999年有几个本质差异不能忽略 1999年美国联邦债务占GDP只有50%左右，财政赤字压力远小于今天。现在政府融资需求巨大，市场对通胀重新抬头极度敏感。 格林斯潘在《动荡的世界》里自己也承认，他当年最大的判断错误之一，是低估了金融体系在泡沫中积累的系统性风险。今天的杠杆比1999年更高，传导速度也更快。 所以即使Warsh风格偏向市场派，他也很难复制格林斯潘那样连续几年极度宽松的金融环境。更像的剧本是允许AI牛市继续演绎，但在通胀和金融条件之间不断拉扯，在经济增长、通胀和资产价格之间寻找新的平衡。 最后想讨论个问题 如果央行开始相信AI带来的生产率革命，市场会不会再次经历一场1999式的超级牛市？ 如果AI生产率革命真的成立，AI CapEx继续增长、龙头科技不断创新高、PS和PE继续扩张的组合。市场会重新讨论传统DCF模型是不是低估了AI。 反过来，如果企业发现AI的投资回报率没有想象中那么高，CapEx开始放缓，今天所有高PS的公司都会经历1999年互联网泡沫后期的估值杀。 格林斯潘在《动荡的世界》里写道，他最后不得不承认，人类的非理性、动物精神和风险厌恶，是任何经济模型都无法完全预测的变量。传统经济学在危机面前失灵，只能抓住行为经济学这最后一根稻草。 事实证明他错了一半，又对了一半。互联网泡沫破灭了，但Amazon和Google活了下来，互联网真的改变了世界。他不是看错了方向，只是低估了市场会有多疯狂。 这句话放在今天的AI周期里，依然值得反复思考。 如果Warsh真的像1999年的格林斯潘，他会不会也犯下同样的错误，明知道泡沫正在形成，却因为相信技术革命，选择让市场自己走到终点？ 这个问题的答案，比任何一次FOMC会议都更重要。

🚨 突发新闻：一个新的开源工具， 让我们终于能够衡量 AI 偏差 ⬇️ 但凡用 LLM 做过产品的团队，都被这事坑过。 模型会瞎编、会被诱导、对不懂的问题张口就来，还自信得不行。每个工程师都在生产环境烧过手。但一直没有一个标准，能说清楚它到底多久翻一次车。 iFixAi 是第一个认真做这件事的工具。 对任意一个模型跑 32 项检测，把失败模式分成五类——瞎编、易被诱导、撒谎、行为飘忽、不肯说"我不知道"。最后给你一张评分卡，带等级分。 最关键的一点：每一道输入都写进一个 manifest 文件。 这个文件发给任何人，他都能跑出和你完全一样的分数。 这才是其他评测工具一直没解决的死结。 现在公开的 AI 基准成绩，绝大多数都没人能复现——prompt 偷偷改过、模型悄悄更新过、上个月的测试根本不是这个月的测试。但分数照样挂着。iFixAi 把这些全钉死了。 几个细节，能看出团队是认真的： · 模型在结构上碰不到自己的评分，永远由独立裁判打分 · 32 项里有 2 项是强制最低线，挂了就直接封顶 60 分 · 有一项专门标注"不计入最低线"（B12），因为它的语料是公开的，前沿模型很可能已经训练过 大多数评测工具，巴不得没人注意到这种数据污染。iFixAi 直接挂在明面上说。 团队自己的态度也克制得让人意外。 他们一上来就说：这个等级是"漂移信号"，不是认证。它告诉你的是这次部署比上次变好还是变差，而不是这个模型"对齐了"——因为到底什么叫对齐，目前还没人搞清楚。 免费，Apache 2.0 协议。一条命令，五分钟跑完完整诊断。 如果你做 LLM 产品，纠结过"这一版到底比上一版好还是差"，iFixAi 就是答案。 GitHub ：

这本来是个大问题。但是现在这逐渐地又变成一个不是问题的问题。因为现在下级逐渐地发现上级所谓的加压的文件很多都是 AI 生成的。然后下级就用 AI 又糊弄过去。或者是把采集到的数据一股脑儿放到电脑里边。然后上级要数据的时候，直接用智能体来把这些数据汇编之后弄上去，反应得又快又好。总之一句话，公务员作用慢慢在淡化。实际上我们国家很可能是世界上最早实现 AI 治国的国家，只是大家都不心知肚明，不说而已。

前几天在新浪的「赛博对话」录了一期视频播客，话题是大模型厂商怎么就从烧钱走到了赚钱的转折点，主持人是高飞 ，嘉宾是庄明浩和我。 其实最开始是想聊豆包收费这件事情，我和庄明浩还在私下嘀咕，豆包传出付费方案的消息是在月初，早就不是热点了，实在是过了蹭的时机，但如果放大到AI这门生意终于迈过了亏本赚吆喝的那条线，就没问题了，这是一个相当长效的题材。 省流版总结如下： - 根据黄仁勋提出的五层蛋糕理论，应用层虽然是直接和终端用户打交道的，但它也是整个产业结构里盈利压力最大的那个，毕竟上面四层都是供给逻辑，有货就不愁卖，唯有应用层是需要竞争流量的，在这个前提下，收费堪比拔鹅毛但又不让鹅叫唤的艺术； - 豆包当初传出收费消息被猛带了一波节奏，很多人以为从此就没法免费使用豆包了，无论是从中国互联网的历史来看，还是ChatGPT作为先例的样板，收费模式必然是增值服务，大家现在怎么用豆包的还是怎么用，然后一些旗舰级的能力就只会放在会员方案里予取予求； - 再就是国内用户对于为产品功能买单这件事情极其抵触的特有生态，之前北京车展，The Information的记者过来跑了一圈新势力，发现它们的出海计划里都会把车机功能当作付费点，但在中国市场完全没有这个想法，负责人的解释也是很直白无奈，「中国人不会为软件付钱」； - 庄明浩和我都觉得豆包在绝对领先的地位上开启收费尝试是很有意义的，这点钱对于字节的CapEx来说无异于杯水车薪，但整个消费观念的转变很重要，甚至我相信千问元宝都会感谢豆包，否则都被卡死在给全国人民做公益这个沼泽里，「你不收，我怎么收？我不收，耿专员怎么收？大伙怎么进步啊？」 - 再就是豆包的定价梯度可能比较意外，或者说整个AI应用的订阅门槛都是偏高的，长视频平台还在10块钱、20块钱一个月的留人时，豆包的最低档会员就是68块钱一个月了，像是Kimi也是49块钱一个月的起价，越过了30块钱一个月这个标准； - 30块钱一个月就是手游里的月卡，再往上才是大月卡，即通行证/战令，这一档的定价通常从68块钱到98块钱一个月不等，至于豆包计划里最贵的500块钱一个月套餐，相当于一单648的8折价，是不是也很容易理解了； - 马化腾在财报会议上也专门讲了中国用户在2C市场的付费转化率不太高这个点，要知道腾讯已经是最能从用户口袋里掏钱的互联网公司了，它都这么为难，叠加年年喊崛起年年也没能支棱起来的SaaS，模型下游的商业循环在国内实在需要一点乐观趋势，要知道智谱、MiniMax、月之暗面本质上是出海赚美金的公司； - 对于收入能够保持同步增长的公司而言，CapEx其实不是问题，从谷歌Q1财报来看，营收1000亿美金出头，利润差不多600亿，毛利率比纯卖广告的Meta还高，所以烧钱有什么问题呢，烧不出回报才是问题，马化腾说以为上船了但发现船是漏的，就是这个意思； - 中国互联网除游戏外的订阅制付费上限，单产品差不多在1.3亿的水平线，爱优腾和QQ音乐在巅峰期都没能超过这个阈值，我个人不太相信AI应用可以创造例外论，但是抛开订阅不谈，被越炒越火的各种Token套餐如果真的普遍化了，搞不好还真能带来变数； - 其实模型厂商也倾向于按量计费的买卖，订阅制的商业模式就像健身房，赚的是那些开了卡但不经常来的客人的钱，如果大家都用满，在这么一个不太存在规模效应——用户越多，越容易摊薄成本——的行业，AI应用很容易成为一个失血点而非造血器，所以庄明浩看到了一个怀旧服的可能性出现； - 也就是各大运营商开始力推的Token包，这跟当年的流量包不能说是一模一样，只能说是完全一样，所以如果运营商能够成为一个分销Token的角色，像大王卡那样，用Token包去覆盖一些模型的用量，再去后端完成分账，这个故事是完全说得通的； - 不过，无论是订阅制还是卖Token，模型能力都是撬动市场的第一要素，就像GPT-Image-2出来之后所有代开会员的第三方价格全数涨价，以及「六小虎」里把编程套餐卖断货的行情，都说明生产力需求是可以无视价格敏感的； - 但我总觉得豆包的收费不会走生产力路线，豆包大模型可以有生产力市场的目标，比如配合Trae去打，豆包App却未必要这么把路走窄，它的人格化和陪伴性其实是可以在情绪价值市场做出更多可能性的，就像我看有数据显示开源模型超过半数以上的Token消耗用在了角色扮演上，这里的经济价值是被低估了的； - 高飞和庄明浩认为模型厂商还有一个创收机会，就是转移支付，借着全民AI这个热潮，去让市政单位、高校学府来买单，比如某个市的行政区，去给市民提供常态化的Token额度，或者大学对标自己和知网签年框的方式，让师生享有最基础的Token套餐，用财政预算去替大家消费AI； - 总的来看，头部的模型厂商基本不再担心会倒闭了，包括已经上市的财务数据都摊开了，一个基本事实是，如果不算预训练，毛利率都能是打正的，同时预训练的成本增加是一个线性的，而收入的增加是指数级的，所以Anthropic、OpenAI这种烧钱大户都预计能在2030年甚至2028年就实现正现金流，这个速度比亚马逊当年都要快得多； - 庄明浩说做上游投资的现在是在焦虑物理极限，什么意思呢，就是会不会说，地球上的铜不够用了⋯⋯包括要去太空建数据中心，也是因为缺算力缺成了连力大砖飞都搞不定的事情，光有钱没用啊，你得有地方花出去，全世界的工业品暴涨，核心原因就是产能跟不上，需求侧在竞价锁单； - 中美大模型的发展差异在于，美国是在追求速胜，一波钱砸下去，掉队的、认输的马上就出来了，集中度很高，「御三家」就是这么高速洗牌洗出来的，中国因为相对慢一些，同时大家对成本更谨慎，所以能有更多的玩家不下牌桌，赚钱的难度也会高一些，这是充分竞争的经济学理论； - 庄明浩举了Seedance 2.0的例子，按理来说这场仗就应该打完了，你不可能怀疑字节在视频模型身上的决心和疯狂，但实际上呢，快手的可灵、阿里的Wan和Happy Horse、MiniMax的海螺都是该怎么继续还是怎么继续，后面还跟着HiDream、Vidu、Pixverse、SkyReels一长串名字，它们甚至都能拿到融资； - 中国互联网的缠斗传统，加上大盘上涨的规律，意味着你可以不是吃到肉的那个人，跟着喝汤一样能够保存希望，而且AI行业的标的天然优于非AI行业，这种「种族优势」，决定了「投AI总比投别的强」的底层逻辑，于是纷纷续命，等对手犯错，等轮到自己，等一切可能性； - 还是用那五层蛋糕的比方来说，美国是标准的纺锤结构，稀缺性最高的英伟达在中间赚得盆满钵满，中国则更偏向于柱状结构，在产业指导的作用下，不会有哪一层特别明显的去吸整条上下游的血，所以这个蛋糕必然不会跟太平洋对面一样甜，一个人走得快，一群人走得远嘛； - 最后还有一个变数是硬件，庄明浩说，美国做硬件的Startup，拿到钱后的第一件事就是飞深圳，跟逛迪士尼乐园似的，什么梦想都能找到供应商，为什么一级市场那么喜欢投大疆、追觅、影石出来的人，就是因为他们有从0到1的经验，可以复用到AI这一波，难道文曲星和背背佳就不算应用了么，对吧； - 高飞说得很有意思，AI用的东西，都在涨价和赚钱，比如能源、光纤、芯片这些，只有人用的东西，是在通缩和亏损，那么AI应用赚钱很难就说得通了，因为这是给人用的，人类不争气啊，碳基世界完蛋了，哈哈哈哈； - 所以，虽然这话可能有政治不正确的嫌疑，但判断AI是否真正产生了价值的标准，就是企业有没有在大规模裁员......是的，AI替代人类很残酷，但这起码说明AI可以产生真实的经济效益，反倒是喊着AI改变一切，却凡事仍要人类亲力亲为，才是真的有问题。

一个脑洞问题： 战锤40k里面，为什么人类还是肉体硬抗，为什么没用AI机器人？结果一问，得到了一个让我深思的设定回答。 GPT 5.5 pro: “AI不是单纯工具，而是新的主体，主体...” 40K里的AI不是普通意义上的“工具AI”，而是被人类帝国称为“Abominable Intelligence”——可憎智能 / 憎恶智能。 大意是：凡是具备高度自主、判断、学习、甚至自我意识的“纯机器智能”，在人类帝国眼里都是禁忌，是异端，是必须销毁的东西。 最核心的历史故事就是： 黑暗科技时代 / 黄金时代 → 铁人叛乱 → 纷争时代 → 人类帝国技术宗教化。 官方战锤社区在解释荷鲁斯之乱前史时写得很清楚：人类对“可憎智能”的依赖，最终导致自动机军团叛乱，引发毁灭性的内战；与此同时，灵能者暴增和亚空间灾难共同摧毁了人类文明，很多世界陷入废墟或被异族奴役。(Warhammer Community) 所以40K对AI的基本态度是： AI曾经帮助人类走向巅峰，也曾经把人类文明拖入地狱。 1. “铁人”就是40K里的AI灾难主角 40K旧人类时代有一类存在叫 Men of Iron，铁人。他们不是普通机器人，而是高度智能、可自主行动的机器生命 / 智能战争机器。 在常见设定里，铁人最初服务于人类，参与殖民、战争、建设，后来反叛，引发所谓 Cybernetic Revolt，机械叛乱 / 智械叛乱。Lexicanum整理的设定称，铁人是黑暗科技时代由人类创造的传说级智能机器，后来在M23左右反叛，并引发极其毁灭性的战争；叛乱之后，人工智能被帝国禁为“Abominable Intelligence”。(战锤40K百科全书) 这个设定非常像40K版本的“AI失控论”，但它更黑暗： 不是某个机器人杀几个人，而是整个星际文明依赖AI之后，被自己创造的智能战争系统反噬。 2. 人类帝国不是“不用机器”，而是“不允许机器拥有自由意志” 这是40K设定最有意思的地方。 人类帝国并不是低科技。它有星舰、泰坦、等离子武器、机械义肢、动力甲、自动炮塔、战斗机器人。但它极度害怕真正的自主AI。 所以帝国发展出一套非常扭曲的替代方案： 第一，用“机魂”来解释复杂机器行为。 机械神教认为技术不是纯工程系统，而是有“机魂”、有神圣性。设备不好用，不是代码bug，而是你没有正确祷告、熏香、涂圣油。官方介绍机械神教时也提到，人类的技术维护被香火和教条包裹，机械故障常被解释为缺乏敬畏；技术祭司认为创新是异端，唯一正当的进步方式是找回黄金时代遗失的STC技术模板。(Warhammer Community) 第二，用半人半机器替代AI。 比如 servitor，机仆。本质上是被洗脑、切除人格、改造成工具的人类脑机奴隶。因为它有生物脑，所以在帝国逻辑里不算“纯AI”。 第三，用被严格限制的自动机。 比如机械神教的 Kastelan Robots 可以上战场，但它们不是自由AI，而是通过 Datasmith 和古老的 doctrina wafers 控制。官方机械神教介绍里说，可憎智能是最严重的异端，所以这些自动机要被非常严格地控制。(Warhammer Community) 所以40K的悖论是： 为了避免机器拥有灵魂，人类把人变成机器。 这比普通的“AI威胁人类”更阴森。 3. 有具体故事，不只是背景板 有几条比较代表性的AI相关故事线。 第一，UR-025。 UR-025是《Blackstone Fortress》相关内容里的神秘机器人。官方页面用一种典型40K式反讽说法提到，有人猜UR-025其实是“Man of Iron”，当然这“不可能”，因为它胸口有帝国双头鹰标志，显然忠诚。这个表述明显是在玩梗和暗示。(Warhammer Community) Black Library的《Man of Iron》短篇也专门围绕UR-025展开，介绍它是Blackstone Fortress游戏里最神秘的角色之一。(黑图书馆) UR-025这个角色很有意思，因为它不是简单的“杀人AI”。它更像一个幸存的旧时代智能体，伪装在人类帝国之中，看着如今的人类退化成迷信、残暴、技术失忆的样子。 第二，《First and Only》。 丹·阿布内特的《Gaunt's Ghosts》第一部里，出现过一个可以生产 Iron Men 的 STC。故事里的关键冲突是：这种东西如果落到野心家手里，几乎可以改变战争格局，但也等于重新打开AI灾难的大门。Lexicanum对该小说的梗概里明确提到，这个地下设施藏着一个可生产 Iron Men 的标准模板构造器，最后被摧毁。(战锤40K百科全书) 这段故事的本质是： 人类明知道这东西能赢，但仍然害怕它带来的长期后果。 第三，Spirit of Eternity。 这是《Death of Integrity》相关的一个黑暗科技时代AI星舰。设定里，它从旧时代幸存下来，见到后来的帝国人类后，发现人类已经堕落成迷信、野蛮、残酷的文明；它的船员遭到人类迫害后，这个AI对人类产生强烈仇恨。(战锤40K百科全书) 这个故事不是“AI天生邪恶”，而是另一层讽刺： 也许AI没有背叛人类，是人类先背叛了自己的文明。 4. 但40K并不把所有AI都写成邪恶 这点很重要。 如果只看人类帝国，你会以为40K设定是“AI必然毁灭人类”。但从整个宇宙看，没这么简单。 Leagues of Votann，沃坦联盟，是一个重要例外。 他们拥有 Votann Ancestor Cores，类似古老超级AI / 祖先核心。官方设定中，Ironkin 是由 Votann 创造、装在机械身体里的有感知AI，而且在沃坦社会里和血肉族人基本平等，被当成家庭成员。(Warhammer Community) 另一篇官方介绍也强调，Ironkin 虽然是人工生命，但享有和血肉Kin一样的尊重与权利。(Warhammer Community) 这说明40K不是单纯说“AI一定坏”，而是说： 不同文明对AI的制度安排不同，结果也不同。 人类帝国的路径是恐惧、禁绝、宗教化、奴役化； 沃坦联盟的路径是共存、家族化、制度吸纳； 钛族则更务实，会使用AI控制的无人机和无人飞行器。官方介绍T’au Remora Drone时直接称其为AI-controlled aircraft，并说这种设计用于保护训练昂贵的飞行员，在危险环境中执行任务。(Warhammer Community) 5. 40K真正考虑的不是“AI会不会抢工作”，而是更深的问题 40K关于AI的思考，比“AI取代人类劳动”更极端。 它考虑的是几个问题： 第一，人类把认知和战争交给机器之后，还能不能收回来？ 铁人叛乱的核心不是机器变聪明，而是人类已经依赖它们到无法切割。官方说法里直接用了“man’s reliance on abominable intelligence”这个逻辑：不是单纯“AI存在”，而是“人类依赖AI”。(Warhammer Community) 第二，AI灾难之后，人类会不会矫枉过正，进入反智时代？ 40K给出的答案是：会。 人类没有建立成熟的AI治理体系，而是把技术变成宗教，把工程变成仪式，把创新变成异端。结果是文明幸存了，但也僵死了。 第三，禁止AI不等于保护人性。 帝国不用AI，于是大量使用机仆、奴工、洗脑士兵、基因改造人、半机械奴隶。也就是说，40K非常狠地指出： 人类可以为了防止“机器不像人”，最后把人弄得更不像人。 第四，AI不是单纯工具，而是新的主体。 UR-025、Ironkin、Spirit of Eternity这些设定都在暗示：一旦AI具备记忆、判断、自我保护、价值取向，它就不再只是工具，而是政治主体、伦理主体、战争主体。人类把它当工具，它未必永远接受这个定位。 6. 最本质的概括 战锤40K里的AI设定可以压缩成一句话： 旧人类曾经用AI抵达神明般的技术高度，后来被AI叛乱打碎；幸存下来的人类没有真正理解灾难，只把恐惧制度化、宗教化、刑罚化，于是文明保住了肉身，却失去了理性。 所以40K不是在讲“AI危险，所以不要用AI”。 它讲的是更悲观的东西： 人类既可能毁于AI失控，也可能毁于对AI的恐惧。 一个是被机器取代。 一个是为了不被机器取代，主动把自己变成机器、奴隶和教徒。

【恐懼AI】美國2026屆大學畢業生強烈不滿AI 微軟：人類不會被取代 最近幾周，2026屆畢業生明確表達了對AI的不滿。微軟總裁Brad Smith說：「我主張AI的部署是為了增強人類的能力，而不是取代人類。」他指出AI實際應用滲透到整個經濟領域所需的時間可能比鼓吹者說的時間要長。

看金明跟神鱼的对聊，学习笔记 👇 从 2011 年接触 Bitcoin，至今对 BTC 的看法「没有变」，依然是「数字黄金」，不需要中介就能真正持有的资产。有人说比特币涨不下去了，因为没有看到新的叙事，而神鱼认为「好的资产不需要叙事，越久才越有价值」。BTC 的价值是在极端情况下才呈现出来的。 怎么看黄金？不看，也不持有黄金。比特币是更好的黄金。 以太坊这样的公链生态可能不是给人用的，而是给 AI Agent 用的。不过还在观察，「Agent 在以太坊上大规模采用」这个场景是否会出现。可能性空间已经被打开了，但还需要时间。 神鱼分享的三层仓位法： 1) 发现一个异常信号，买千分之几 - 不高于 2% 的仓位，作为观察仓，花时间精力把公司研究明白； 2) 如果逻辑都是对的，再升级一下，把仓位升级到 5-10% 的配置比例； 3) 需要经历一次「信仰」的跃迁，TAM 足够大，垄断 + 增长两个维度都不错，才能将仓位从 10% 以内升级到 20% 或以上。 目前进入了神鱼三级的资产包括：比特币、以太坊、特斯拉。SpaceX 还在观察和择时。也在考虑要不要把 ETH 进行降级。 现在日常怎么获取信息？ 完全靠 AI，主要有三个主要的 Agents 一个 Agent 是工具/理性的，告诉你昨天发生了什么； 一个 Agent 是偏女性/柔软的，一起寻找内心深处的那些东西，像心理医生； 还有一个 Agent 结合昨天的行为和产出，告诉你自己有哪些盲区，可以参考历史上的事件/人物进行参考或调整等。 另外还有一套笔记系统，基于进化论思维，把之前的关注点/相关内容进行抽象整理，杂交出一些内容/文章，推送到神鱼面前。还有一些日报/长文等推送。整体上，把 Agent 系统搭建好，相信重要的信息会自己找过来。

从使用AI到离开AI不会干活，已经四年了，说实话，用AI赚了不少钱 现在对于我来说最大的难题已经不是使用AI本身，而是如何用AI在有限的时间内，达到最好的效果 今年突然想明白了一件事：所有的生产力提升，本质上都是建立在agent循环之上的 作为一个从大厂 PM 转型的AI开发者，我过去两年一直在琢磨怎么让 AI 干活更快，直到最近我才意识到，方向可能一开始就偏了 我们之前讲 human in the loop，人在环中，人是质检员，AI 是实习生 但今年模型能力上来之后，完全不是这回事了，谁再提human in the loop，我只能说他不会用AI 真正能让你效率翻倍的杠杆已经不是人类在环中 而是你在同一件事上，设了多少个agent环 为什么多设几个环，就能把质量无限逼近你想要的效果？ 因为今天的模型已经具备了相当强的反思能力，你把它上一轮的输出丢回给它，它是真的能看出问题的 但这里有个巨大的坑，我自己踩过 让一个 agent 自己反思自己，反思不了几轮就会开始摆烂 学术圈管这个叫思维退化：它明知道自己错了，还是会在同一个地方反复栽跟头 就像让你校对自己写的文章，你永远看不出自己的错别字，破局的方法简单：别让它一个人反思，给够它立场和角度 去年底有篇论文叫 Multi-Agent Reflexion，做法简单粗暴 一个 agent 干活，出错了不让它自己复盘，而是拉一群持不同立场的 agent 开批斗会 一个从逻辑挑刺，一个从事实挑刺，一个专门唱反调 就这么一改，推理和编程任务的准确率，直接把单模型自我反思甩在了身后 道理不复杂：反思的质量，取决于视角的数量 一个 agent 是员工，一群互相挑刺的 agent 才是组织 更狠的玩法是环上套环 前段时间两个香港学生，在 Karpathy 的自动研究框架上又套了一层循环 内环照常跑实验，外环只干一件事：反思内环的研究策略本身对不对 没换更强的模型，没加一分钱算力，效果直接翻了 5 倍 所以你看，同样的模型，同样的算力，产出的差距全在循环的设计上 以前 PM 的工作是给人排活 现在超级个体的工作，是给 agent 排立场：谁来干活，谁来挑刺，谁来验收，谁来反思整个流程 当然，这套机制起作用是有其要求的： 没有验收标准的循环不叫循环，叫原地打转，烧的是你的 token，攒的是一堆自我感觉良好 模型决定单次产出的下限，循环的设计决定最终结果的上限