本科学校只是起点，但在我看来，学术成就取决于信息压缩能力、问题选择、持久的内在驱动力以及硬核的训练。 藤校的隐形代价是残酷的。 Harvard、Yale、Princeton精英气息浓厚，Peer Pressure极高，很多优秀本科生极易陷入标准化精致。大家都在卷类似的优质 internship、精美的履历、高分 GPA。此外，顶尖藤校的资源往往优先向其庞大的 Postdoc和 Ph.D.倾斜，本科生有时只能在大牛实验室里做高级打工人。 而学术长跑看的是比热容和持久动能。 一些本科或许并不出众的学生进入 Ph.D. 阶段后，其对复杂问题的High Frustration Tolerance和研究冲劲，往往会远超那些早期被过度开发、对学术产生倦怠感的精英学生。 在我观察到的大州立大学杀出来的学术传奇，往往具备极度纯粹的理科硬核基因。 他们可能在高中时并不善于包装综合履历，但对物理、数学、计算理论或心智模型有着近乎本能的痴迷。 到了大学后，他们会将全部精力集中在高信息密度、高难度的底层学科。 科研的本质是在未知的混沌中寻找秩序。 当然，在最顶级的博士项目，比如Top 3 CS、Physics、Neuro、Math Ph.D里，藤校本科生和顶级州立本科生都会存在，但成名者的共同特质绝不是他们的本科校名，而是他们的学术审美。 高杠杆率和高压缩比的问题，始终稀缺。

哈工大院士班，解决的一个核心问题，就是对于高考能到670分的人，如何最正确注入教育资源，让他们能完成本科教育、PhD-level research、拿到博士学位这三件事。 实际这种东西在其他国家非常常见，典型的就是陶哲轩，小学到中学全是爸爸在家辅导数学，没有去公立教育体系， 14岁参加了个数学夏令营， 直接被澳洲某个公立大学录取，16岁同时拿到数学本科和硕士学位，核心本科和graduate-level数学课程两年就能学完， 17岁拿到奖学金，进入Princeton读PhD，四年后21岁直接PhD毕业，哪怕在Princeton这种高强度的学术训练和产出下，4年也可以顺利毕业。 这个模式在全世界已经非常完备成熟了，而且是自由灵活排列组合都能享受的机会。 哈工大这个模式还不够极致，我相信中国以后一定会沿着我的思路， 1. 把本科数学物理计算机大量的基础课下放到高中，高中数学物理计算机课下放到初中，一层层下放， 2. 把本科时长进一步压缩，本科一入学waive掉10门专业课AP，2年本科毕业，2年PhD博士毕业，4年本博连读。 这一定是目前的大势所趋。

每年QS排名发布的时候，我都必须说一句，争论QS排名的都是大傻逼。 几乎15年前，学术界就已经形成了一个初步的共识，大学排名的方法应该和Google的PageRank算法是一样的： A和B是两所大学，如果A毕业的博士PhD能进入B大学当教授（tenure track AP），那么A->B加一分， 反过来，B大学毕业的博士毕业 ，能进入A大学当教授，那么B->A加一分， 最后统计全世界5000~10000所大学，获得一个10000*10000的矩阵，计算每个大学的XRank值，就可以获得大学的排名。 举个简单的例子，假设过去10年，麻省理工MIT总共有30个博士生毕业进入清华当教授，而清华博士毕业后有0人进去MIT当教授，那么毫无疑问MIT的排名碾压清华， 假如过去10年MIT毕业博士10人进入Stanford，而Stanford毕业有11人进去MIT，那么可以认为MIT和Stanford几乎接近相同，当然最后算出来的Rank值肯定是不同的。 当然这个算法可以扩展到本科、硕士、博士后等等几个权重，比如清华本科生毕业进入南开大学当教职的有50人，南开大学本科生毕业进入清华大学的只有20人，那么很明显，清华大学的水平是要高于南开大学一大截的。 当然PageRank来算大学排名的意义是，MIT毕业生可能根本不去三本大学当教职，MIT毕业博士非常少，但是如果他们一多半都去了美国top5~50的学校当教职，那么足够证明MIT的学术水平非常高，远远比一个公立大学每年批量产生300多个水博士要高。 当然这个算法实际落地会有一大堆问题，但基本逻辑是正确的，你可以看看新加坡国立、清华毕业的博士生有多少入职Princeton、排名50名以后的CMU当教授，就知道QS排名到底是不是傻逼了。

过去 75 小时，群里反复绕回同一个问题： 模拟盘赚钱，不等于实盘能活。 Polymarket 现在最容易骗新人的地方， 不是“策略不会写”。 是 dry-run 和 live 根本不是一个市场。 几个反复出现的数字： 正常想象：300-500ms 实际体感：1-5s 抖动 FAK：2-3s cancel：3s 信号到成交：有人测到 4s 这意味着很多回测里看起来赚钱的策略，实盘进去其实是在给更快的人提供流动性。 很多 dry-run 只模拟： 看到价格 → 判断买不买。 但 live 多了几层： 盘口深度 排队顺序 滑点 发送延迟 cancel race ghost fill 赚钱盘口成交不了 亏钱盘口反而成交 所以我现在越来越觉得，PM 策略复盘不能先问： “这个模型胜率多少？” 要先问： 你的真实延迟是多少？ 你的 price source 对不对？ cancel 失败怎么算？ ghost fill 怎么处理？ dry-run 里有没有模拟排队、滑点、盘口深度？ 这些没对齐之前，PnL、Sharpe、胜率都只是幻觉。 完整爬楼版我放到频道了，里面有 msg_id、具体延迟样本，还有一条 ETH 5m priceToBeat 错价事故。 📡 💬 🎯