注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 超思考実験展
超思考実験展 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 超思考実験展 的推特
财报透视:WST 暴涨 14%,揭示医药供应链的“AI 加速”逻辑 在刚刚发布的 2026 财年第一季度财报中,West Pharmaceutical Services (WST) 以超越市场预期 27% 的盈利表现震惊了华尔街。作为制药行业的“包装收费站”,WST 的这份财报远不止数字增长那么简单,它实质上是生物医药行业进入“商业化收割期”的强烈信号。 核心亮点:GLP-1 引发的结构性红利 WST 本季营收达 8.449 亿美元,同比增长 21%。其爆发力主要源于: 重磅药物放量: 以 GLP-1(减肥/糖尿病药物)为首的注射剂需求激增,直接带动了高价值(HVP)包装组件和自助注射设备的订单。 产能释放: 欧洲生产线爬坡效率超预期,成功承接了下游药企全球扩产的订单压力。 利润结构优化: 随着复杂药物占比提升,运营利润率从 15.3% 跃升至 21%,体现了极强的议价权。 深度解读:AI 究竟在其中扮演什么角色? 虽然 WST 是一家物理制造企业,但其业绩弹性本质上是 “AI + 医疗” 效率红利的终端体现: 从“出药率”到“上市率”: AI 通过蛋白质折叠预测和模拟筛选,显著提高了新药研发的成功率。这意味着更多高价值、复杂的生物药剂(如多肽药物)走出了实验室,进入了 WST 的包装流水线。 全产业链提速: AI 不仅加速了药物发现,还通过优化临床设计和申报流程,压缩了新药从获批到大规模上市的时间窗。WST 订单的“陡峭”增长,正是这种行业节奏变快的物理映射。 交付方式的智能化: 为了延长专利期和提升合规性,药企正加速将传统剂型转化为智能交付设备。AI 驱动的数字医疗趋势,正让 WST 的产品从“耗材”变成“精密系统”。 策略思考 对于宏观投资者而言,WST 的表现是一个明确的信号:AI 对医药行业的改变已不再停留于研发端的叙事,而是开始转化为供应链上的实打实订单。 当市场还在争论 AI 算力时,医药供应链中的“核心收费站”已经开始享受 AI 带来的商业化加速红利。只要新药上市的节奏持续被技术手段压缩,这类掌握精密交付关卡的公司,将持续展现出超越周期的确定性。 免责声明:本人观点十分主观,非投资建议dyor
显示更多
《AI 下半场:美股人形机器人产业链全梳理》 白毛股神 Serenity @aleabitoreddit 说:Robotics is next.🤖🤖🤖 过去两年,市场主要交易的是 AI 的大脑:GPU、CPU、存储、数据中心、大模型、推理算力。 但大脑建好之后,AI 不能永远只停留在屏幕里写代码、画图、聊天。 大模型是 AI 的大脑,机器人是 AI 的身体。大脑负责思考,身体负责行动。 只有当 AI 拥有了身体,它才能真正走进工厂、仓库、医院、家庭,去搬运、分拣、装配、护理、清洁,最终在真实世界里创造价值。 Biteye 按照人形机器人的组成部分,系统梳理了美股机器人及供应链核心标的👇 🔹 感知系统 这部分负责让机器人看到世界。它通过视觉、深度、触觉等传感器,把真实世界转化为数字信息,让机器人能够识别物体、理解环境并进行空间定位,是机器人理解外部世界的第一步。 $CGNX Cognex | ~$8B+ | 工业机器视觉龙头,工厂自动检测与识别系统 $KEYS Keysight | ~$30B+ | 测试测量系统,机器人电子系统验证基础设施 $TDY Teledyne Technologies | ~$25B+ | 高端工业相机+LiDAR+传感器系统 $ON onsemi | ~$25B+ | 自动驾驶+机器人图像传感器核心供应商 $NOVT Novanta | $5.61B | 做机器人力/力矩传感器,在人形机器人和工业机器人里很重要。 $AMBA Ambarella | ~$4B+ | AI视觉芯片,用于机器人/无人机/安防识别 $VPG Vishay Precision Group | ~$1.7B | 精密力学传感器公司,应变计和力传感器可用于人形机器人灵巧手、关节力控与高精度抓取,是 Optimus 供应链弹性标的之一。 $VLN Valens Semiconductor | ~$200M+ | 高速信号传输芯片公司,提供低延迟视觉数据传输方案,可用于机器人多摄像头、自动驾驶和端侧计算系统。 🔹 执行系统 执行系统相当于机器人的肌肉和关节,负责把计算系统发出的指令转化为真实动作。无论是行走、转身、抓取、搬运,还是保持平衡,都依赖电机、减速器、液压/气动系统和精密传动部件来完成。 $PH Parker Hannifin | ~$120B+ | 运动控制+液压系统,机器人核心驱动与执行器 $IR Ingersoll Rand | ~$32B+ | 工业压缩机+自动化气动系统 $FTV Fortive | ~$18B+ | 工业精密工具+自动化设备系统 $RRX Regal Rexnord | ~$14B+ | 电机+传动系统,工业机器人动力核心 🔹 计算与控制 计算与控制相当于机器人的“大脑 + 小脑”,负责处理感知数据、理解环境、规划路径,并把AI决策转化成稳定动作。它决定机器人反应快不快、动作准不准、能不能在复杂环境中自主运行。 $NVDA Nvidia | ~$3.0T+ | AI GPU + Jetson边缘计算平台,机器人算力绝对核心 $MSFT Microsoft | ~$3.2T+ | Azure + Copilot + AI基础设施,提供机器人云端大脑与开发平台 $GOOGL Alphabet | ~$2.0T+ | DeepMind + Waymo,布局自动驾驶与机器人AI系统 $AMD AMD | ~$880B+ | GPU/CPU替代方案,提供机器人边缘与训练算力 🔹 能源系统 能源系统决定机器人能运行多久、功率能有多强,包括电池技术、电源管理和充电系统,是机器人能否规模化落地的关键限制条件。 $ADI Analog Devices | $203.57B | 模拟芯片、电源管理、传感和工业控制巨头,机器人底层硬件核心。 $HON Honeywell | $144.11B | 电源管理+工业能源系统 $MPWR Monolithic Power Systems | $76.83B | 电源管理芯片龙头,广泛应用于机器人、AI服务器和汽车电子。 $VICR Vicor | $14.40B | 做高效率电源模块,将电池电压转换成不同部件用电,适合机器人能源系统。 $AMPX Amprius Technologies | $2.43B | 硅负极高能量密度锂电池,已切入无人机与机器人市场 $BLNK Blink Charging | $85.63M | EV充电基础设施公司,探索机器人与物流设备充电场景 🔹 基础软件 基础软件是人形机器人真正的“智能底座”,决定机器人不是简单重复动作,而是能够理解任务、学习环境并不断优化行为。 在人形机器人训练中,软件的重要性甚至高于单一硬件。机器人需要先在仿真环境中学习走路、抓取、避障和执行任务,再通过真实世界数据不断修正模型。 $MSFT Microsoft | ~$3.2T+ | Azure AI + Copilot 生态,机器人云端大脑与企业AI开发平台。 $NVDA Nvidia | ~$3.0T+ | Isaac Sim + Jetson + GPU 算力平台,机器人仿真训练和AI推理基础设施。 $TSLA Tesla | ~$1.3T+ | FSD + Optimus 数据闭环,端到端机器人策略模型代表。 🔹 人形机器人 在人形机器人方向,本体公司的目标是让机器人像人一样在复杂环境中完成通用任务;在工业和协作机器人方向,则更强调稳定性、效率和规模化部署。因此,这一层通常也是机器人产业链中最接近终端需求、最容易形成品牌和估值叙事的部分。 $TSLA Tesla | ~$1.3T+ | Optimus 人形机器人 + FSD 自动驾驶统一系统,代表“AI大脑 + 机器人本体 + 数据闭环”的一体化路线。 $HON Honeywell | ~$140B+ | 工业自动化、航空自动化与物流自动化解决方案商,更多偏机器人系统集成与场景落地。 $ABB ABB | ~$100B+ | 全球工业机器人和自动化龙头,产品覆盖机械臂、控制系统、产线自动化,是成熟工业机器人代表。 $TER Teradyne | ~$24B+ | 通过 Universal Robots 和 MiR 布局协作机器人与自主移动机器人,是工业协作机器人平台型公司。 $CCXI Churchill Capital Corp XI / Agility Robotics | 拟合并估值约 $2.5B | Agility 是美国人形机器人公司,核心产品 Digit 主攻物流、仓储和制造场景。 目前 Agility Robotics 正通过与 SPAC 公司 Churchill Capital Corp XI 合并上市,交易完成后预计更名为 Agility,并使用新 ticker $AGLT。 🌟写在最后 机器人产业链的投资逻辑,其实和半导体周期很像。 早期阶段,很难判断谁会成为最终赢家,但产业链上每一层都会先跑出阶段性机会:感知、执行、能源、控制、本体,都会随着行业关注度提升被重新定价。 今天优必选超仿生机器人刷屏,就是一个很明显的信号:机器人正在从实验室、发布会,开始走进大众视野。根据公开报道,优必选在 6 月 30 日发布会上表示,“优世界 U1”系列全渠道订单已突破 1 万台,并计划今年交付。 当然,这不代表机器人马上就会全面商业化。短期看,它更像一个从“概念展示”走向“真实订单”的拐点。真正值得关注的,是订单能不能持续、成本能不能下降、供应链能不能跟上。 对普通投资者来说,与其现在就押注谁是“人形机器人界的英伟达”,不如把机器人当成一条完整产业链来研究:感知、执行、能源、本体,每一层都选出核心公司,用组合方式分散单一标的不确定性。 Robotics is next 这句话大概率是对的。但节奏不会一蹴而就,真正的机会,可能藏在每一台机器人都绕不开的核心供应链里。
显示更多
0
6
75
25
转发到社区
Justin Skycak 数学教学思想深度研究报告 Justin Skycak 数学教学思想深度研究报告 认知科学基础、Math Academy 工程实现及可操作教学框架 摘要 Justin Skycak 的数学教学思想可以概括为一套以长期记忆、前置知识和任务选择为核心的教学系统: 建立细粒度知识依赖关系,诊断学生当前状态,提供最少必要讲解,让学生立即独立解题,再通过反馈、间隔提取和混合练习维持掌握。 这套体系最有价值的部分,是把提取练习、间隔效应、明确指导、掌握学习和个性化任务选择整合到同一系统中。它特别适合数学基础知识的快速获得、自动化和长期保持。 需要谨慎对待的部分包括: 将广义“主动学习”研究直接用于证明 Math Academy 的具体教学形式; 将直觉主要归因于重复练习; 将完全个性化视为高效学习的必要条件; 将少记或不记笔记推广为普遍建议; 用课程学习效率解释竞赛数学、证明和研究能力; 用公司内部数据证明 Math Academy 整体优于高质量人工教学。 在本次检索范围内,没有找到针对 Math Academy 的独立、同行评议随机对照研究。因此,目前能够可靠支持的是它所采用的若干教学原则,尚不能据此确认整个产品方案已经达到全局最优。 研究范围与证据等级 本报告使用三类资料: Skycak 本人的文章和公开讨论; Math Academy 关于教学法、知识图谱和任务算法的官方说明; 关于提取练习、主动学习、掌握学习、智能辅导系统、发现学习等主题的独立研究和综述。 X 的历史内容无法完整索引,因此部分观点通过 Skycak 个人网站上同步发布或扩写的文章还原。Math Academy 的系统结构可以从官方资料确认,但学习速度、产品优越性等效果主张主要来自公司自身。 报告采用以下证据等级: 等级含义A多项研究、系统综述或元分析反复支持B总体有支持,但效果依赖学习阶段、内容和实施条件C工程设计合理,缺少独立产品级验证D个人判断、价值判断或超出现有证据的推广 一、Skycak 教学理论的完整结构 数学是高度层级化的知识系统 Skycak 认为,高级数学任务由大量底层事实、程序和概念组成。学生在当前内容上遇到困难,往往源于更早的前置知识没有达到稳定掌握。 Math Academy 因此使用细粒度知识图谱表示: 一个主题依赖哪些前置主题; 一道题调用了哪些底层技能; 学习高级内容时,哪些旧技能得到隐式复习; 学生当前可以学习哪些新内容。 该知识图谱主要由领域专家手工构建。官方材料曾描述约 2500 个主题,每个主题又包含若干知识点、前置关系和组成关系。它属于专家系统和学生建模路线,核心并非让大模型自行生成课程。 这一设计很适合计算、代数、函数、微积分程序等结构明确的内容。证明、建模、策略创新和数学表达较难拆成稳定、可自动观察的节点。 证据判断:B/C。 数学确实存在大量前置依赖。具体如何拆分节点、设置关系权重,仍然包含课程专家的判断。 学习的目标是形成可长期调用的知识 Skycak 把学习看成长期记忆发生稳定改变。学生在课堂上理解了一次,并不等于以后能够独立提取和使用。 他的典型教学过程是: 给出最少必要解释; 展示一个完整示例; 学生立即独立做题; 系统提供反馈; 之后在逐渐拉长的时间间隔中重新提取; 将相关题型混合,训练方法选择; 在高级内容中继续调用底层技能。 Math Academy 将“讲解后几分钟内开始解题”作为主要教学形式,并强调自动化、间隔练习和混合练习。 证据判断:A/B。 提取和间隔有很强证据。具体到“讲解应该多短”“做几题后应该离开”,需要根据内容和学习者调整。 初学者需要明确指导 Skycak 反对让缺少相关知识的学生长时间自行发现方法。他认为初学者工作记忆容量有限,开放探索会让学生同时处理过多无关信息。 因此,他支持: worked example; 细分步骤; 显式指出子目标; 提供完整的初始方法; 随着熟练程度提高逐步撤除提示。 这一判断与认知负荷理论、示例学习效应和专业知识反转效应总体一致:知识较少的学习者通常需要更多指导;已有较强知识结构的学习者会逐渐从独立问题解决中获得更多收益。 问题在于,Skycak 有时把无指导发现、有脚手架探究、问题解决后教学和高水平开放问题放在一起批评。独立研究一般区分: 缺乏指导的发现学习; 教师设计并提供反馈的引导式发现; 学生先尝试、教师随后比较和正式讲解; 专家阶段的开放探索。 后几类方法可能有效,适用阶段和目标不同。 证据判断: 初学者需要明确指导:A/B; 所有探索都低效:D。 自动化为复杂思考释放认知资源 Skycak 强调基础事实和程序应达到快速、准确调用。例如: 基本运算; 分数和比例; 代数变形; 常见函数性质; 经常使用的解题程序。 当学生每次都需要重新推导这些内容时,工作记忆会被基础操作占用,很难处理更复杂的结构。 这个判断有较强合理性。但自动化不足以单独构成深层理解。概念知识和程序知识通常相互促进:概念帮助学生选择和修改程序,程序实践也可能促进概念关系的形成。 Skycak 关于“直觉主要来自大量重复”的观点只能解释其中一部分。数学直觉还来自: 比较不同解法; 研究反例; 转换表示方式; 解释条件为什么必要; 判断方法适用范围; 在新情境中重新组织知识。 证据判断: 基础自动化的重要性:A/B; 重复能够充分产生直觉:C/D。 二、核心方法的证据核验 提取练习 Skycak 主张学生在尝试作答前不要立即看笔记或答案。只有实际从记忆中提取,才能知道自己是否真正掌握。 一项课堂情境下的系统综述筛选了近 2000 篇摘要,最终分析了 50 个实验、5374 名学习者和49个效应量;多数研究发现提取练习对学习结果有中等或较大促进作用。研究覆盖多个年龄和学科,但非西方样本仍然较少。 实施中需要区分: 先独立提取,随后看反馈:有效; 一直不允许使用资料:可能妨碍复杂任务; 提取尚未学会的知识:容易变成无效猜测; 错误后缺少纠正反馈:可能巩固错误。 证据等级:A。 间隔练习 集中做完大量同类题,通常会产生很强的短期熟练感,但长期保持较弱。将练习分散到多次学习中,通常更有利于记忆保持。 Math Academy 根据学生状态动态安排复习,并通过高级题中调用的底层技能计算隐式复习。其 FIRe 机制会将一道复杂题的练习收益分配给多个组成技能,以减少重复做简单题的需要。 需要区分两个结论: 间隔优于集中突击:研究支持较强; Math Academy 的具体 FIRe 权重和复习算法达到最优:缺少独立验证。 证据等级:一般原则 A;产品算法 C。 混合练习 传统教材常把同类题放在同一节中。学生只需执行当前章节的方法,不必判断题型。 混合练习将多种问题放在一起,要求学生先回答: 这道题应该使用什么方法? 它特别适合训练: 区分相似问题; 方法选择; 长期保持; 防止依赖章节标题和表面格式。 初次学习一个程序时,少量连续同类练习仍有价值。较合理的顺序是: 少量集中练习 → 间隔复习 → 混合辨别。 证据等级:B。 效果依赖题型之间是否需要辨别。没有辨别需求时,混合练习未必带来明显收益。 主动学习 Skycak 经常引用 STEM 主动学习研究,支持学生实际解决问题,而非持续听讲。 这里存在定义差异。相关大型元分析中的主动学习包含课堂讨论、小组任务、测验、问题解决和高阶思考等多种活动;Skycak 将它主要落实为“简短讲解后个人独立做题”。两者存在重合,但研究不能直接证明这一种具体形式优于所有其他主动教学形式。 能够稳妥得出的结论是: 学生需要频繁作答和思考; 持续被动听讲通常效果较差; 活动形式需要与学习目标匹配; 个人练习、小组解释和教师讨论可以同时存在。 证据等级:主动参与 A;Skycak 的窄定义 B/C。 掌握学习 掌握学习要求学生达到预定标准后再进入依赖该知识的新内容。未掌握时提供额外练习、反馈和补救。 总体研究显示掌握学习通常产生正向效果,但效果高度依赖: 掌握标准如何定义; 是否有高质量纠错; 学生获得多少额外学习时间; 测试是否与训练内容高度相似; 学生能否长期坚持。 智能辅导系统的元分析也通常发现正向效果,但系统自带测试上的效果往往大于外部标准化测验,说明部分收益可能来自训练与评价的一致性。 证据等级:B。 三、Skycak 观点中证据较弱的部分 “真正的刻意练习必须完全个性化” Skycak 认为,只有系统能够根据每名学生的实时状态选择任务,才称得上严格意义上的刻意练习;普通班级很难实现这一点。 个性化确实能够减少: 重复已掌握内容; 跳过未掌握前置知识; 全班使用同一难度; 复习时机不匹配。 但“完全个性化是高效学习的必要条件”缺少充分证据。高质量班级教学也可以通过: 分层任务; 小组反馈; 低风险测验; 作业数据; 教师巡视; 周期性诊断; 实现部分个性化。 证据等级:C。 “学生通常不应该记笔记” Skycak 认为,记笔记经常变成把教师的话复制到纸上,降低实际提取和解题时间。他建议主要保留少量参考材料,把时间用于练习。 这个批评对机械抄写成立。但研究并不支持“普遍不记笔记”: 生成式笔记可以促进组织和解释; 笔记可以作为外部存储; 引导式笔记可能提高注意和学习效果; 抄写式笔记通常价值较低; 在提取测试时依赖笔记会削弱诊断价值。 更可靠的规则是: 学习时可以写结构化笔记;练习时先闭卷提取;完成后再用笔记检查和修正。 证据等级:Skycak 的普遍建议 D。 “困难问题通常浪费学习时间” 对初学者和课程基础学习而言,一小时反复尝试一道远超当前能力的问题,单位时间获得的正确反馈很少,确实可能低效。 竞赛数学、证明和研究型训练具有不同目标。它们要求训练: 在长时间没有反馈时维持问题状态; 生成和淘汰猜想; 构造反例; 切换表示; 修正证明; 忍受较低成功率; 从失败路径中提取策略。 AoPS 等竞赛教育体系会主动让学生接触超出当前常规程序的问题,并把挣扎、失败和讨论作为训练内容。 因此,需要区分: 知识获得任务:较短反馈周期通常更有效; 开放搜索任务:长时间探索本身就是训练对象。 证据等级:针对初学者 B;推广到所有数学训练 D。 四、Math Academy 产品设计分析 Math Academy 的产品结构可以分成四个部分。 专家构建的课程模型 领域专家拆分主题、编写解释、设计例题和练习,并指定前置关系。它通过人工课程设计保证内容结构和解法稳定。 优势: 可控; 可审查; 不依赖大模型临时生成; 前置关系比较明确。 风险: 图谱反映编写者的课程观; 难以覆盖所有非标准解法; 维护成本高; 证明和建模难以细粒度编码。 学生状态模型 系统综合诊断测试、练习结果、答题时间、近期错误和历史复习记录,估计学生对不同主题的掌握程度。 问题在于,系统只能根据可观察行为推断知识。答对可能来自: 真正理解; 记住模板; 猜测; 利用题目格式; 短期记忆。 因此,状态模型需要加入解释、变式和迁移任务,避免只观察标准答案。 任务选择 系统从以下任务中选择下一项: 学习新知识; 修补前置缺口; 复习即将遗忘的知识; 完成测验; 暂停当前课程并降低难度。 官方说明称测验通常会调整到大约 80% 的成功水平,并在学生连续出错时停止新内容、转入补救。 这能够控制平均学习难度,但对追求高正确率的学生可能产生长期失败感。产品需要明确告诉学生: 当前是新知识训练; 当前是熟练度检查; 当前是开放挑战; 不同任务具有不同预期正确率。 复习压缩 FIRe 机制通过复杂题中的组成技能,计算底层知识获得了多少隐式复习,从而减少单独练习简单题。 这是很有价值的工程设计,但它依赖两个假设: 成功完成复杂题确实意味着底层技能得到有效提取; 人工设定的组成关系和权重能够准确表示练习收益。 这些权重尚未看到独立验证。 五、总体证据矩阵 Skycak 或 Math Academy 的主张证据等级判断学生需要实际解题,不能长期只听讲A可靠提取练习提高长期保持A可靠间隔练习优于集中突击A可靠初学者通常受益于明确指导和完整示例A/B可靠,但应逐渐撤除指导基础技能自动化有助于复杂任务A/B可靠混合练习有利于方法辨别B依赖题型和学习阶段掌握前置知识后再推进B原理合理,实施条件重要智能系统可以改善任务分配B总体有支持,效果差异大所有学生都需要完全个性化C工程主张FIRe 是最优复习算法C缺少独立验证80% 左右是普遍最佳难度C可作起始参数,不能普遍化不记笔记更有利于学习D过度推广数学直觉主要由重复形成C/D只解释部分机制困难问题通常不值得投入时间D只适用于部分学习目标Math Academy 明显优于人工教学C尚缺独立产品级证据 六、可操作的六层数学教学框架 该框架保留 Skycak 体系中证据最强的部分,同时加入概念理解、迁移、开放问题和心理负荷控制。 课程结构层 将课程内容拆成可教学单元,并记录四类关系: 内容说明前置知识学习当前内容前必须独立掌握什么组成技能完成当前任务时实际调用什么相似概念学生容易混淆哪些方法或定义迁移方向当前知识以后会用于哪些复杂问题 单元不宜只用“章节”表示。较合理的粒度是学生能够在一次或数次学习中形成初步掌握的技能或概念。 例如“一元二次方程”可以拆成: 整式运算; 提取公因式; 乘法公式; 因式分解; 零乘积性质; 配方法; 判别式; 方法选择。 状态诊断层 每个单元使用五级掌握状态: 状态可观察标准M0 未知无法完成,或尚未接触M1 辅助完成在示例、提示或笔记帮助下完成M2 即时独立学习后能够独立完成同结构题M3 延迟稳定数天后在混合题中仍能独立完成M4 迁移掌握能解释、比较方法并解决新变式 推进规则: 新课程的必要前置知识至少达到 M2; 高度依赖的核心前置知识应接近 M3; 只达到 M2 的内容必须进入后续复习; 证明、建模和竞赛内容需要观察 M4。 这样可以防止系统把一次答对直接视为完全掌握。 新知识获得层 一次新知识学习使用以下过程: 用一至两个问题检测前置知识; 给出目标、条件和方法; 展示一个完整示例; 学生复述关键判断; 学生独立完成三至五个变式; 错误后先定位错误类型,再提供提示; 达到初步稳定后停止连续同类练习。 讲解时间没有统一上限。判断标准是学生是否获得完成第一次独立尝试所需要的信息。 反馈顺序建议: 指出结果是否正确 → 标出错误位置 → 提供局部提示 → 展示完整解法。 不要在第一次错误后立即给完整答案。 长期保持层 可以先使用一个简单的复习时间表: 当天 → 1天后 → 3天后 → 7天后 → 21天后 → 60天后 根据表现调整: 独立正确且速度稳定:拉长间隔; 正确但明显犹豫:保持当前间隔; 依赖提示:缩短间隔; 完全忘记:返回简短讲解和即时练习。 复习题应逐渐从同类题转向混合题。复习时先闭卷尝试,再使用资料。 高级题已经充分调用某项底层技能时,可以减少单独复习,但不应完全取消延迟抽查。 概念与迁移层 每个核心主题至少配置四类非标准任务: 任务目的方法比较判断不同方法的条件、成本和优点错误分析找出错误推理发生的位置反例任务判断结论缺少什么条件新情境变式检查是否能够迁移 例如学习一元二次方程后,不只要求求解,还可以要求: 判断因式分解、配方和公式法分别适合什么情况; 分析“方程两边同时开平方”的错误; 构造一个有两个整数根的方程; 根据根的性质反向确定参数; 解释判别式为什么能够决定实根数量。 难度与心理负荷层 将任务明确分为三种类别,避免学生把所有错误都理解为学习失败。 类别目标建议首次正确率巩固任务验证稳定掌握85%—100%学习任务获得新知识70%—85%挑战任务训练搜索和迁移20%—60% 这些比例只是起始参数。 连续出现以下情况时应降低难度或修复前置知识: 两到三次独立尝试都无法开始; 错误集中在同一底层步骤; 学生只能模仿示例表面形式; 学生无法说明当前使用的方法; 学习任务长期低于约 60%。 连续两次学习中正确率很高、速度稳定且不依赖提示时,应减少重复并加速推进。 七、建议的任务时间结构 普通数学学习:60分钟 时间内容5分钟闭卷提取近期旧知识10分钟新知识讲解和示例20分钟独立变式练习和反馈10分钟间隔混合复习12分钟方法比较、解释或迁移题3分钟记录错误与下次任务 时间比例可根据课程阶段调整。新内容较多时增加获得阶段;复习期增加混合练习。 算法竞赛或高水平数学:90分钟 时间内容10分钟基础知识和模板提取20分钟新算法、定理或典型结构20分钟标准变式练习30分钟非标准问题的独立搜索10分钟反例、证明或失败路径复盘 竞赛训练中,开放问题时间不能被自适应基础练习完全取代。 建议的总体任务比例: 课程基础阶段:获得与巩固 70%,迁移与挑战 30%; 竞赛初期:获得与巩固 60%,迁移与挑战 40%; 高水平竞赛阶段:获得与巩固 30%—40%,迁移与挑战 60%—70%。 八、教学数据指标 系统不应只记录总正确率。建议跟踪以下指标: 指标计算内容用途延迟保持率学习数天或数周后的独立正确率判断是否真正保持提示依赖率使用提示或资料的题目比例区分独立掌握和辅助完成新知识掌握速度每小时从 M0/M1 达到 M3 的单元数判断学习效率迁移成功率未见过变式中的正确率防止只记模板错误恢复时间从首次错误到独立正确需要多久判断反馈质量方法辨别率混合题中选择正确方法的比例判断是否会识别题型主观负荷学生对难度、疲劳和挫败的简短评分防止长期过载 正确率只能与任务类别结合解释。挑战题正确率低,不应降低学生的“掌握度”评价。 九、四周试运行方案 准备阶段 选择一个范围有限的单元,拆分约 30—80 个知识节点。为每个节点准备: 两至三道诊断题; 一个简短解释; 一个完整示例; 三至五道即时变式; 两道延迟复习题; 一道迁移或错误分析题。 第一周 完成诊断并建立初始掌握状态。记录: 当前正确率; 作答时间; 提示使用; 学生主观难度; 前置知识缺口。 第二至第三周 运行完整流程: 诊断 → 新知识 → 即时练习 → 混合复习 → 迁移任务。 每周根据错误数据修正: 节点粒度; 前置关系; 提示内容; 题目难度; 复习间隔。 第四周 进行三类评价: 无提示延迟测验; 与训练题表面不同的迁移题; 学生对压力、进步感和控制感的反馈。 判断框架是否有效时,应同时观察: 掌握速度是否提高; 延迟保持是否提高; 迁移能力是否下降; 学生是否长期感到挫败; 教师准备和维护成本是否可接受。 十、结论 Skycak 的体系可以作为数学教学中的高效率知识获得系统。它最适合解决: 学生前置知识差异; 固定班级进度; 基础技能不稳定; 复习时机不合理; 优秀学生重复等待; 教师无法持续追踪大量细粒度技能。 它不能独立代表完整数学教育。完整方案仍需保留: 数学解释和书面表达; 概念之间的联系; 证明与反例; 建模; 开放问题; 长时间问题搜索; 同伴讨论; 学习动机和自主性。 实际采用时,可以把 Math Academy 的思想用于知识获得、熟练化和长期保持,再用独立的迁移与挑战任务训练证明、竞赛和研究能力。这样能够保留其认知科学优势,同时避免把数学能力缩减成标准题目的正确率。
显示更多
電報 Managed Bots 讓你兩次點擊就能擁有專屬 Agentic AI 機器人! 過去,建立一個 @Telegram Bot 要經過 BotFather 繁瑣的設定流程:申請 token、設定權限、寫程式碼、部署伺服器……普通人光是看到一堆指令就頭痛。現在,一切徹底改變了! 全新體驗:兩次點擊就搞定 只需透過管理機器人(例如 LobsterClawBot),輸入簡單指令: t. me/newbot/SourceBot/你的username 系統就會自動幫你: ✅ 建立 Bot ✅ 管理 token 與 API 權限 ✅ 設定 Agentic 行為模式 ✅ 直接在聊天視窗中啟動 整個過程不到 10 秒,零程式基礎的人也能輕鬆擁有自己的「AI 代理人」!Durov 直接把 Telegram 從聊天 App 變成易用的 AI Agent 平台。 它能主動思考、呼叫工具、執行多步驟任務、與其他 Bot 或用戶互動,甚至在背景持續運作。 這代表:你不再只是「跟 AI 聊天」,而是擁有了一個能真正幫你「做事」的數位分身! 超多實際應用場景(直接抄去用) 1個人生活助理(每天都離不開) •早上自動幫你總結今日新聞、天氣、交通路況 •智慧排程:讀取你的日曆,自動幫你預約會議、訂機票、提醒繳費 •健康管家:追蹤運動數據、飲食紀錄,還能根據你的習慣推薦食譜 2工作生產力神器 •會議紀錄 Bot:加入群組後自動轉錄語音、整理重點、產生行動清單 •郵件/訊息自動處理:掃描重要郵件、分類優先順序、甚至幫你草擬回覆 •研究助理:輸入「幫我整理 Tesla 最新財報」,它會自動抓取資料、製作簡報大綱 3電商與客服革命 •商家直接在 Telegram 開店:Bot 能即時回答商品問題、下單、查物流、處理退貨 •24 小時無人客服:支援多語言,解決 90% 重複問題,真正做到「永不打烊」 4加密貨幣與 Web3 應用(TG 原生優勢) •交易 Bot:自動監控價格、執行限價單、DeFi 收益農場管理 •錢包守護者:即時通知大額轉帳、風險警示 •NFT 社群管理:自動驗證持有者、發放空投、舉辦活動 5教育與學習夥伴 •個人家教:輸入「用繁體中文教我微積分」,Bot 會循序漸進出題、批改、解釋 •語言練習:每天跟你對話、糾正發音、推薦閱讀素材 •考試準備:自動產生考古題、記憶卡片、弱點強化計畫 6娛樂與創作工具 •遊戲 Bot:文字冒險、策略對戰、甚至多人即時遊戲 •內容創作助手:寫文案、生成故事、配圖提示詞、剪輯影片腳本 •音樂/影視推薦:根據你的心情與觀看紀錄,精準推播 7社群與團隊管理 •群組管家:自動歡迎新成員、過濾廣告、整理討論主題 •專案管理 Bot:整合 Notion/Trello,自動更新任務狀態、@ 負責人 •粉絲經濟:創作者可建立付費私人 Bot,提供獨家內容、問答服務 8未來進階玩法 •多 Bot 聯動:你的「財務 Bot」+「行程 Bot」+「健康 Bot」可以互相溝通,自動協調 •開放 API 整合:開發者能把自家服務直接嵌入 Bot(Durov 已呼籲大家快跟上) •隱私優先:所有資料都在 Telegram 生態內,端到端加密 這波影響有多大? Telegram 目前有超過 9 億月活躍用戶,這次更新等於把 AI Agent 的門檻直接打到地板。 以前只有工程師能玩的東西,現在變成人人都能擁有的「AI 超能力」。
显示更多
超豪华的背后团队 项目牵头方是 Flatiron 研究所,联合了剑桥、普林斯顿、NYU、伯克利以及洛斯阿拉莫斯国家实验室等 11 所全球顶级机构。 其背后的 Polymathic AI 团队目的极其纯粹:给 AI 喂饱最硬核的跨学科数据,让大模型学会像科学家一样思考。
显示更多
越来越多的工厂自动化、机器人,和越来越高的失业率,最后会演进出一个什么社会? 还是调研之后的思考,没有答案,只是一直在脑子里转的想法,不吐不快。 很多人应该并不知道现在工厂的自动化到底发展到了一个什么样令人发指的程度,其实早在2018年在天津的全日就看过无人冷库了,库内是完全无人的,出了冷库才有人。 这些年在物流企业、纺织企业、食品加工、医药、各种制造业里见到的远超“流水线”意义的自动化生产线和机器臂、机器人,以及随之而来的员工数量一轮又一轮地压缩。 这不是个别现象,这是普遍现象。 机器人,是不需要工资,不需要消费的。如果这种趋势极大化,社会会变成什么样子? 我想不到、我可能也不敢想,我只能一步一步去推演。 首先是失业率持续上升。有研究分析过机器人暴露度每增加1个标准差,个体就业概率下降约5个百分点。劳动参与率下降,失业率上升,随之而来的是小时工资自然下降。 失业率上升一定会带来不稳定,这时候一定会伴随更强有力的国家控制。国家有能力通过数字人民币、精准补贴、社会信用体系、监控技术,对这个庞大群体进行“基本生存保障”和“行为引导”。 社会形态会因为惯性持续向前。这将是人类首次在超大规模的的人口中,由中央规划实现机器生产丰裕和人类服从的结合。可能,大概率可能吧,会出现“数字铁饭碗”的社会化变体。 或者会按照治理效率出现分层:核心技术、管理精英高收入,普通人获基本保障并接受监控。 这与西方自由市场、福利国家模式、历史共产主义实验都不同。大规模“闲置人口”导致社会活力下降、心理危机、依赖性增强。国家通过更严密技术治理维持稳定,形成数字监护型社会。 再往后,我也想不到了。 ——— 所有人都应该思考一连串的问题: 1、国家为什么要给你福利?因为你创造价值对不对? 2、如果你不创造价值了呢? 3、如果全世界的绝大部分人都不创造价值了呢? 反正我想不明白,想了也不一定对,算了不想了,喝酒!
显示更多
0
45
58
5
转发到社区
为什么中国越勤快的穷人反而越难翻身? 邹市明这辈子,够勤快了吧。 打了半辈子拳,没被人打倒,被自己的老婆干亏两个亿。 六岁练拳,打了二十多年,奥运金牌、WBO世界拳王金腰带,拳台上没人嫌他不努力。 退役之后更勤快——上海开超大型高端拳馆,面积巨大、租金天价,一个月固定支出几百万。 拳馆还没回血,又去搞火锅店、电竞公司,甚至在没有任何风控的情况下买高风险理财。 结果呢? 多年累加,各项投资亏损远超两个亿。 北京,贵阳,美国的房子都卖了(有钱还是能折腾),最后搬进出租屋。 拳王邹市明,两口子现在天天在直播间喊”家人们”,靠带货慢慢填窟窿。 一个在拳台上打到世界冠军的人,智商、意志力、执行力,哪样都是前1%。 但就是这样的一个人,退役后做出的每一个投资决策,几乎全是错的。 不是不勤快,是勤快到了错误的地方。这事儿你往回倒两千年,能出来的人绝对教会你一个道理。 孙膑,被庞涓挖了膝盖骨,逃到齐国之后靠乞讨活着。 你可能觉得这是落魄无奈,但你仔细想:一个膝盖骨都没了的人,去给人扫地、做苦力,能不能活? 能。但他没去。 为什么?因为体力劳动会把你的时间和注意力全部吃掉。 你从早到晚搬砖,晚上回去脑子是一团浆糊,别说排兵布阵,你连明天吃什么都不想思考。 孙膑很清楚——他唯一值钱的东西是脑子,而脑子是需要带宽的。 去做体力活,短期能换几顿饭,长期把自己唯一的翻身资本给废了。 韩信受胯下之辱的时候也没去打工。 诸葛亮在隆中”躬耕”了十年,但主要工作其实是读书和社交。 这些人不是懒,是知道一件事:手停口不停地干活,恰恰是把自己锁死在原地的最快方式。但穷人没得选。这才是最残酷的地方。 哈佛教授穆来纳森在印度跟踪了一批甘蔗农。 同一批人,收获前穷得叮当响的时候测智商,比收获后刚拿到一年收成的时候低了整整13分。 13分是什么概念? 相当于你连续熬了两个通宵之后去考试。不是变笨了,是大脑被别的东西占满了。穆来纳森管这叫”认知带宽”。 一个穷人每天睁开眼,后台自动运行的任务是:房租还差800,手机快欠费了,孩子的校服钱没着落,老板今天脸色不好是不是要裁人,菜市场的猪肉又涨了两块。 这些事不是他主动去想的,是大脑自动跑的——就像你手机后台开了20个App,你打开什么都卡。不是手机差,是资源被吃光了。 他的实验里,贫穷状态下的人在认知测试中犯的错误数量,跟失眠组几乎一样多。 贫穷等于慢性失眠。 所以你看到的循环是这样的:首先,进化本能,”活过今天”永远排第一。 然后做决策时自动选”省力的”而不是”正确的”。便利店的方便面3块5,菜市场的土豆能吃三天只要4块,但去菜市场要多走20分钟。穷人的大脑会选方便面。 第二呢,短期决策堆积,经济状况恶化。借网贷补窟窿,买最便宜但用三天就坏的东西,因为舍不得体检拖成大病。 结果,就变成更穷,认知带宽更窄,下一轮决策质量更低。 这个循环的可怕之处在于——你越勤快地去解决眼前的问题,越没有余力去想怎么跳出这个循环。 也就是说勤快不是解药,勤快是循环本身的一部分。 #邹市明#
显示更多
0
7
31
11
转发到社区
麻省理工发布了一篇报告,介绍他们如何应对AI对教师和学生带来的冲击 核心思路:AI已经在大学里无处不在,既然挡不住,就必须主动调整,同时守住教育里最宝贵的人际交流。 现状 现在的学生用AI写作业、查资料非常普遍,老师们也开始用AI备课。但这种便利带来了一些问题:传统的作业、课后论文和编程练习很容易被AI搞定,老师很难看出来学生到底学会了没有;更麻烦的是,很多学生遇到难题直接去问AI,去答疑室、找同学组队讨论的次数明显变少,校园里的人际交往在变弱。 面对这种情况,麻省理工的具体措施: 1、重新设计教学和考核:减少那些能被AI轻易完成的死记硬背作业,增加课堂现场口试、面对面讨论和动手实践项目。同时明确要求每门课都在教学大纲里写清楚允许或禁止使用AI的具体范围和原因。 2、重塑线下校园体验:鼓励更多人与人面对面的交流,保护好本科生科研项目,不让AI助手抢走学生进实验室动手的机会。 3、建立长效支持机制:成立专门团队协助老师改造课程,给师生提供通用的AI工具平台并保障数据隐私,同时关注AI运行背后的资源与环境消耗。 另外还有2个细节点,说明麻省理工是真的懂AI的影响 · 不推荐用AI检测软件:报告明确指出目前的AI查重工具很不准,容易误伤学生,还会破坏师生之间的信任,学校更主张通过面对面交流来考察真实水平。 · 老师用AI也得透明:不仅学生要守规矩,老师如果用AI生成了讲义、PPT或者批改作业,也必须向学生公开说明,避免出现双重标准。 核心指导原则就是: · 保持谦逊与大胆:技术变化太快,学校需要随时修正策略,但绝不能因为看不清未来就无所作为。 · 把人放在第一位:教育的本质是培养人,不能为了追求效率就用AI取代真正的学习过程。 · 注重增强而非替代:AI应该用来开阔思路、提升创造力,不能让学生把思考本身完全丢给机器。 ·因地制宜:不同专业对AI的需求完全不一样,学校不搞一刀切的死规矩。 国内目前还没看到类似的公告或者报告,AI对教育的影响可能比疫情线上课还大,AI时代学生之间的差距会被放大,厉害的学生会远超之前的学长,傻逼的会降智成豆包。 麻省理工报告全文:
显示更多
0
8
127
32
转发到社区
【 翻轉營運~商業模式創新設計工作坊 】由創新管理領域的領導者 - IEG 集團舉辦的工作坊,適合企業新事業部門主管以及創業家參加,讓你在圖像思考 + 實作演練的完美結合下,用正確方法,將營運計畫發展成一個成功的獲利模式!超優惠早鳥票:
显示更多
思考问题,家办的管控和治理,谁负责、怎么安排、设在哪里更合适? 新加坡家办史上最狗血案开庭:浙江富豪被卷走近4亿,员工反咬索赔2亿分红,“家办内鬼教科书”细节全爆 一场横跨七年、总金额超6亿人民币的家办互撕大戏,正在新加坡高等法院上演。 一边是浙江石化富豪钟仁海,指控四名核心员工七年侵吞逾7300万新元(约合近4亿元人民币);另一边,员工集体反诉,索赔约3900万新元(约2亿元)的利润分红和薪资。 开庭预计至少30天,细节全爆。 主角钟仁海,1983年生,浙江鸿基石化董事长,典型实业派富豪。公司专注烯烃全产业链,2019年集团销售达24亿元,2020年获评嘉兴港区“功勋企业家”。 2024年他还通过司法拍卖拿下上市公司庚星股份24.1%股权,完成“实业+资本”双线布局。 生意做大后,他在新加坡设立了单一家办Panda Enterprise,同时通过利丰国际(LFI)打理离岸业务。 问题出在“离岸团队”。 核心人物是吴淑妮(Shannon Goh)。两人相识时,她还只是渣打银行职员,负责对接LFI业务。因熟悉本地规则、做事利落,很快获得钟仁海信任,跳槽后一路做到财务总监。 随后她引荐另外三人(人力资源、财务、风险管理兼内审)加入。四个人组成了LFI在新加坡的全部常驻班底——从签合同、管账户到发工资,全在一个小圈子里闭环。 钟仁海英文阅读能力有限,常年在国内盯主业,对新加坡团队几乎“全权托付”。 他授权吴淑妮签署银行文件,甚至把多个银行账户登录权限直接交出,很多文件看都不细看就签字。 这种“用人不疑”在国内民企并不罕见,但放到跨境场景里,等于把保险柜钥匙、密码和验钞权全交到同一拨人手里。 真正的黄金窗口期是疫情三年:钟仁海没法飞去新加坡,只能靠视频和微信遥控,四个人彻底没了现场监督。 纸包不住火。2023年底,一笔巨额转账引起银行注意,对方随口向钟仁海核实,老板才发现自己“根本没印象”。 2024年1月底,他聘请Alvarez & Marsal进场做法证调查。九个月后报告出炉:七年时间里,四名员工涉嫌通过多种手段转移、挪用资产,总额约7400万新元。2026年开庭时,诉方主张金额为逾7,300万新元。 手法堪称“家办内鬼教科书”。 最离谱的是伪造电汇。 2023年10月,钟仁海追问资金去向,吴淑妮发来SWIFT MT103凭证,显示她控制的BVI公司Singa Wealth已向LFI转回2,200万美元(约1.6亿人民币)。法证团队一查银行流水,这笔交易根本不存在。 她事后辩称这只是“草稿”、不小心发错了,为了“让供应商放心”,但法庭未采信。 其他手法同样夸张: - 虚报年薪:2019-2022年间,三人实际薪资与报给钟仁海的数字相差836万新元。以2020年为例,吴淑妮实际薪酬170万新元,内部报告只报了71万。更讽刺的是,负责内部审计的叶信志自己就卷在造假链条里。 - 篡改余额截图:2022年1月,发给钟仁海的星展银行账户余额截图显示81.7万新元,实际为290万。此后两个月内,至少120万新元转入她个人账户。 此外还有虚构报销、通过BVI空壳公司转移资产等。 证据看似实锤,剧情却中途反转。 四名员工全盘否认挪用,并集体反诉,要求支付拖欠的利润分成和薪资,总计约3,900万新元。他们的核心说法是:钟仁海当年口头承诺给团队特定业务10%利润分成,一直没兑现;自己拿的钱是应得报酬和分红。 钟仁海一方驳斥:这四个人干的是财务、人事、内审的后台支持岗,凭什么拿业务利润分成?七年来从未提过分红协议,被告了才拿出来说事。 私人细节同样劲爆: 钟仁海指控四人用公司钱买奢侈品报销、从他个人账户提走21万新元现金; 辩方则称奢侈品是按老板要求买的,名牌包、手表、珠宝一部分老板自用,一部分送给前妻和其他女性朋友,燕窝是给商业伙伴的,现金也是老板吩咐拿去给不同人的。 辩方还声称,关系破裂的真正导火索是2023年底吴淑妮拒绝执行钟仁海的“某些指示”,但具体内容至今未在庭上披露。更关键的是,辩方称大量微信记录和邮件能证明转账经过授权,但这些记录“不翼而飞”,怀疑是钟仁海一方销毁了证据。 公说公有理,婆说婆有理。原本看似清晰的挪用案,彻底变成了罗生门。 2025年3月14日,新加坡高等法院法官陈祥泰维持了针对四名员工及Singa Wealth的全球资产冻结令,理由是资产存在“实际损耗风险”。目前案件仍在审理中,最终实体判决尚未作出。 钟仁海案之所以在财富圈炸锅,是因为它戳中了一个结构性痛点: 新加坡对家办的监管在收紧,但管的主要是资金来源合规,管不了家办内部的治理与授权。 截至2024年底,新加坡享受税收优惠的单一家办已超过2000家,四年翻了五倍,其中相当一部分由中国富豪设立。监管能管住“钱从哪里来”,管不住“老板愿意把钥匙交给谁”。 家办本质上是家族的私人财务部门,授权结构、岗位制衡、审批流程,监管无从介入。钟仁海把所有权限集中在四个员工手里,连内审都是“自己人查自己人”,本质上是在考验人性。 类似教训并非孤例。柬埔寨太子集团创始人陈志在新加坡设家办时,也曾被信任的负责人转走数百万新元;张兰信托被击穿案则是另一种典型——操作不规范导致信托隔离失效,资产被债权人接管。 对第一代中国企业家来说,出海设家办早已不是新鲜事。但很多人把家办想得太简单:找几个本地人、开几个账户、拿个税收优惠,仿佛就完成了全球化配置。 钟仁海的教训在于:把国内“靠人管”的思路直接搬到海外,信任代替制度;语言和信息差让老板对海外财务失去感知力,连账户余额都要靠员工截图;公司账、家办账、私人消费混在一起,翻脸时连“哪些是公司钱、哪些是私人开销”都说不清。 真正成熟的家办,比的不是收益率,而是底盘稳不稳。 大额资金划拨要有独立审批,银行对账单要直接送到受益人手里,关键岗位要互相制衡,重要文件要留痕备份。这些听起来很基础,恰恰是很多富豪最容易忽略的。 赚百亿身家可能要拼几十年,但被身边人搬空,可能只需要一场疫情、几个信任的老部下,和一个没有监督的离岸账户。 案件最终结果尚待新加坡高院裁决,但这场6亿人民币的豪门官司,已经给所有准备出海设家办的富豪上了一课。
显示更多
0
8
47
16
转发到社区