今天跟我的法鬥一起教大家用 Codex + worktrees 同時做多個 prototype～～ 上台前超級緊張擔心 Codex 掛掉、擔心時間不夠、擔心很難邊講邊做... 還好 Codex 還是很神奇的十分鐘內幫我完成 🥹 p.s. 這是一個教大家用 Codex 做 iOS 的活動，錯過的可以來看影片 ➡️

AI 编程 接下来的趋势是：需求对齐侧会越来越厚，需求实现侧会越来越薄 需求对齐侧： 从 /grill-me 拷问需求，到 /prototype 画需求原型，这些是“我自己该怎么对齐需求” 再到 /to-questionnaire 是“为了对齐需求，我需要采访别人什么问题” 再往下的发展，就是“更多工种（比如 设计、产品）参与其中，作为 需求对齐侧 的一个环节” 需求实现侧： 随着 Agent 长程执行能力、编码能力 越来越好，很多防御性的流程（比如 Spec 拆成 详细的 Plan）变得没必要 最终 需求实现 将退化成一个 /goal 命令

都在问我为什么不聊股票了，因为我现在所有的投资都已经交给 AI 在打理了，我的精力就抽出来做更有意思的事情。 主要的策略是收益增强，就是在我现有的持股基础上用期权做增强和对冲，另外还有一些小 Agent 负责探索。 Agent 的阶段划分就是我之前说的 prototype builder sweeper grower maintainer 几个，做前置的最小化探查，有正向收益后开启大规模回测，上虚拟盘，然后用小账户实盘，最后上大账户。 因为交易这个东西，本身就是一个从想法延伸到机械执行的过程，我负责想法，AI 负责执行。

很多人认为 AI 完全无法替代古法编程，尤其是在大公司，我认为这不是 AI 的问题，也不是员工的问题，是公司组织架构的问题。 现在的组织架构，还是围绕着人为中心来构建的，前端、后端、PM、UI、UX、数据、算法、法务等等。问题就是每个人只对自己的结果负责，就导致一个需求由十几个无法相互沟通的 AI 一起并行搭建，一定是屎山。 Claude Code 创始人 Boris Cherny 提出过一个解决方案，AI 让产品、设计、开发的工作边界变模糊后，可以按“一个人解决什么问题”来组织团队。所有的角色不是并行，而是按照产品的生命周期线性推进： 原型者 Prototyper：探索新方向，快速做出样品验证想法 建造者 Builder：把样品做成真正能交付的产品 清扫者 Sweeper：做减法，清除产品和系统积累的复杂度 增长者 Grower：持续改进已有产品，让更多用户愿意用、留下来 维护者 Maintainer：让成熟产品长期稳定、安全、高效地运行 当然这不一定就是标准答案，但毋庸置疑的是还按照现在的组织架构来搭配 AI 一定是在堆屎山。

小米今天真正的王炸，不是玄戒 O3 跑到 522 万分，而是开始复制苹果和英伟达最值钱的东西：一套自己的 AI 计算底座。 雷军今天一口气发布玄戒 O3、O100、D100 三颗芯片。 O3 是 3nm 手机旗舰 SoC，240 亿晶体管、200 TOPS NPU，9 月首发小米 18 Fold。 O100 是 1.22TB/s 高带宽 AI 加速芯片；D100 更夸张，原本为智驾设计，却能支持最高 160GB 统一内存，本地部署最高 200B 参数模型。 然后小米把这三颗本来属于手机、AI、汽车的芯片，全部塞进 AI Cube Prototype。150W 持续性能释放，本地跑 120B+3B 双模型。 说白了，这已经有点小米版 Mac Studio / DGX Spark的意思了，只是目前还是原型机，O100 和 D100 也要到明年才正式商用。 小米重启大芯片研发五年多，已经砸进去超过 210 亿，芯片团队接近 3000 人。 以前看小米造芯，是为了少买一点高通，现在这条路线明显变了： 手机有 O3，AI 有 O100，汽车有 D100，再往上把 MiMo 模型和终端全部接起来。 苹果最强的从来不只是 A 系列或者 M 系列单颗芯片，而是 Mac、iPhone、模型、操作系统都建立在自己的计算平台上。 小米现在想做的，也开始越来越像这件事了。

研究了几天，我终于发现 Grok 的正确使用方式了：把它当成高速、廉价、额度几乎用不完的杂活 Agent。 Grok 的优缺点都很明显： 1. 速度非常快，但比较懒，复杂任务的质量不如 Sol 5.6 和 Fable 2. 订阅附带 X 蓝标，对做自媒体的人可能有用 3. 使用额度非常宽松，Grok Imagine 还能快速生成图片和视频 4. 生成质量比不上 Kling 和 SD，但速度快、对嘴不差，做原型完全够用 Unity 最近又开放了 CLI，所以 Grok 最适合连接 Unity、Unreal、Blender 等工具，帮你批量处理素材、改场景、写脚本和完成重复性工作。 Fable 和 Sol 太贵，不适合拿来干所有杂活。更合理的工作流是： 先让 Grok 快速做到超过 MVP 的 Prototype，连图片和视频一起做出来；最后再交给 Fable 或 Sol 做架构审查、质量提升和收尾。 便宜模型负责跑量，顶级模型负责判断。这样用才不浪费。

MSR Memora：一个解耦"存什么"和"怎么取"的 agent 记忆系统 问题： 现有 agent 记忆系统在抽象和具体之间无法兼得。RAG/Mem0 保留细节但碎片化；摘要压缩高效但丢失约束和数字。知识图谱需要预定本体论，不跨域。 核心洞察： 记忆内容可以保持丰富（时间线、多轮讨论），但检索走一条独立的轻量结构层。 架构： 每条记忆两个部分。Primary abstraction——6-8 词的短语（what this memory is about），嵌入做相似搜索。Memory value——完整内容，永远不直接通过内容检索。Cue anchors——从 value 里提取的短标签，提供替代检索路径，不需要本体论。 例子："Dave 和 Sarah 同意原型 4/1、试点 5/2、MVP 5/30"。Primary abstraction = "Updated Project Orion timeline agreed by Dave and Sarah"。Cue anchors = "Dave Project Orion update"、"Project Orion prototype schedule"等。后续查询 Dave 的贡献、原型进度、试点时间，都能通过不同 cue 到达同一条记忆。 检索： 不是一次性 top-k。Policy-guided retriever 迭代精化查询、通过 cue anchors 扩展、决定何时停止。可以蒸馏到小模型。 结果： LoCoMo 86.3%，LongMemEval 87.4%，SOTA。比 RAG、Mem0、Zep、LangMem 全高。多跳推理上差距最大。token 消耗减少 98%（vs 完整上下文）。存储条目数约 Mem0 的一半（344 vs 651）。 代码： | ICML 2026 #Agent记忆# #MSR# #LLM#

FEL：马斯克重新定义 EUV并开启太空芯片制造 马斯克最近一句“FEL FTW”，让 Free-Electron Laser（自由电子激光器，FEL）重新进入半导体行业视野。 市场很容易把这件事理解成“马斯克要造自己的 ASML”，但这可能并不是最准确的框架。 FEL 首先不是一种全新的光刻原理，而是一种新的 EUV 光源。如果这条路线最终进入 Terafab，它真正挑战的可能不是整台 ASML EUV scanner，而是过去二十多年 EUV 产业形成的一个基本架构：每台 scanner 配备自己的 LPP 光源。 FEL 更激进的可能性，是把 EUV 光源从 machine-level component 变成 fab-level infrastructure。 1、从锡滴到电子束 今天 ASML EUV 的核心波长是 13.5 nm。产生这种光的方法非常复杂：高功率激光每秒数万次击中高速飞行的微小锡滴，把锡瞬间变成高温等离子体，再从等离子体辐射中收集 13.5 nm EUV。这就是 LPP，Laser Produced Plasma。这里有巨大的工程问题：锡滴变成超高温 plasma然后才能产生 EUV。 但过程中必须处理：锡碎屑、collector污染、hydrogen plasma、镜面寿命、清洁、热负荷…… 这本身就是 ASML/Cymer 二十多年积累起来的一座巨大技术壁垒。ASML甚至长期与大学研究团队合作解决氢等离子体环境、锡清洁和组件寿命问题。 FEL 完全不同。电子枪产生电子束，加速器把电子加速到接近光速，再让电子穿过周期性磁场组成的 undulator。电子不断摆动并逐渐形成 microbunching，最终产生高度相干的电磁辐射。通过设计电子能量和 undulator，可以直接产生 13.5 nm EUV。 所以两条路线解决的是同一个问题：怎样大量、稳定地产生 13.5 nm 光子。LPP 的答案是“激光+锡等离子体”；FEL 的答案是“相对论电子束+加速器”并以此绕过锡等离子体的巨大工程技术壁垒，并还能增加EUV photon throughput。 2、FEL 最大的赌注是功率 EUV 光源功率直接影响曝光速度、光刻胶剂量和 scanner throughput。LPP 已经从早期几瓦一路发展到数百瓦，并正在向千瓦级推进。但继续提高功率越来越困难。更多激光能量意味着更极端的锡等离子体、更大的 collector 热负荷、更严重的污染和更复杂的系统可靠性问题。 FEL 的长期诱惑在于数千瓦甚至 10 kW 级 EUV。公开的 FEL-EUV 研究已经讨论过这种量级。这里必须区分“理论/工程设计目标”和“半导体量产能力”：今天并不存在一台 10 kW FEL 在先进晶圆厂里稳定量产芯片。但如果这种光源最终实现，它提供的就不只是“比 LPP 多一点光”，而可能是一个数量级不同的技术路线。 FEL 的优势也不仅是功率。它可以提供高度相干、窄频谱、可控偏振的辐射，没有 LPP 那套锡滴、锡碎屑和等离子体污染问题。某些偏振模式甚至可能改善极小尺寸图形的成像对比度和 process window。换句话说，FEL 不只是更大的灯泡，而可能是一台更强、更干净、更可控的 EUV photon engine。 代价也非常明显：它把“锡滴地狱”换成了“粒子加速器地狱”。 电子枪、RF、加速腔、磁铁、undulator、超高真空、beam control、energy recovery、冷却和控制系统，每一项都可以成为新的工程瓶颈。今天 LPP 最大的优势不是物理原理漂亮，而是已经经过数十亿小时级别的产业学习和大规模晶圆生产验证。FEL 最大的问题也不是能不能产生 EUV——答案早已是能——而是能不能把一个粒子加速器变成 semiconductor-grade manufacturing infrastructure。 3、Terafab 改变了 FEL 的经济学 如果目标是制造一台设备卖给 TSMC，FEL 的体积和复杂度是巨大劣势。但如果目标从“造一台光刻机”变成“从零设计一座超大型 AI 晶圆厂”，问题就完全不同。 传统架构大致是： Scanner A + LPP A Scanner B + LPP B Scanner C + LPP C Scanner D + LPP D FEL 更激进的架构可能是： 10 kW Central FEL → EUV Beam Distribution → Scanner A / B / C / D / E…… 这意味着不再试图把一个粒子加速器塞进光刻机，而是直接把整个晶圆厂建在粒子加速器周围。FEL 从一台机器的 component，变成整个 fab 的 utility，类似电力、超纯水和中央气体供应系统。 这可能正是 Terafab 与 FEL 结合最有想象力的地方。巨大的 accelerator 不再是单台 scanner 必须承担的固定成本，而可以由十台甚至更多 scanner 分摊。一套价值数亿美元甚至更高的 FEL，如果能够稳定向大量 scanner 提供数千瓦 EUV，其单位曝光成本可能完全不同。 4、长期看，FEL 甚至比传统光刻机更适合成为“太空半导体工厂” FEL 本身具有几个天然适合太空的特征。首先是高真空。电子束和 EUV 本来就需要真空环境，太空至少在外部环境上与这套系统高度兼容。其次是规模。地面建设一公里级 accelerator 意味着土地、建筑、隧道、地基和振动隔离；轨道大型结构如果未来能够低成本模块化部署，“很长”本身未必是最致命的问题。第三是机械环境。太空不存在传统地震和地面振动， 因此轨道 FEL 比轨道先进晶圆厂更容易想象。当低成本重型运输、机器人自主建设维修和高度自主 AI fab 同时成熟以后，“Orbital FEL Terafab”更可能从科幻式工程概念变成真正可以计算 ROI 的工业方案。 5、RSI 是 FEL 最值得关注的变量 这可能是整件事情最重要、也可能是最终让马斯克下定决心的因素。 AI 对成熟 LPP 和 FEL 都有帮助，但边际价值可能非常不同。LPP 已经经历二十多年极端工程优化。剩余问题越来越集中于 collector 寿命、热负荷、锡污染、材料耐久性、光刻胶和精密制造。这些问题 AI 可以帮助优化，但越来越受到现实材料和制造能力限制。 FEL 仍然拥有巨大的未搜索设计空间。Electron gun、beam energy、emittance、RF phase、bunch compression、magnetic optics、undulator geometry、energy recovery、beam distribution 和反馈控制形成一个极其复杂的高维系统，而且其中相当大一部分可以通过 Maxwell equations、particle dynamics 和 accelerator physics 在计算机里模拟。 这恰好是科研 AI 最容易产生巨大杠杆的领域。 过去是工程师提出一个方案，跑 simulation，修改参数，制造 prototype，再测试。未来可能是 AI 生成十万种 architecture，用 surrogate model 初筛，再通过高精度 physics simulation 搜索 Pareto frontier，最后只制造最有希望的几十种设计。 AI 的价值还不仅在设计。FEL 最大的工业问题之一是稳定性：RF phase、beam energy、magnet current、temperature 和 beam position 的微小漂移都可能最终变成 wafer 上的 CD variation。FEL 本质上也是一个巨大的实时高维控制系统，而这正是 advanced AI control 最可能发挥作用的地方。 能力不断增强的ai，会让FEL开发建设循环变成： AI 设计 FEL Gen 1 → 制造 → 自动采集 beam/wafer 数据 → AI 找到 simulation-to-reality gap → 修改 accelerator、undulator 和 control → FEL Gen 2 → 更多数据 → FEL Gen 3。 这也解释了为什么 FEL 在 RSI 时代可能比过去任何时候都值得重新评估。没有 AI，挑战拥有二十多年工业学习曲线的 LPP 是一个极其困难的命题。有了越来越强的科研 AI，FEL 大量尚未解决的问题恰恰属于 AI 最容易压缩的“simulation + search + optimization + control”空间。 因此，马斯克看好FEL，其底层的最重要的逻辑其实是： 当 AI 芯片需求扩大一个数量级、科研 AI 开始参与硬件设计、晶圆厂走向 Terafab 规模以后，FEL架构，相比今天以独立 scanner + 独立 LPP source 为核心的 EUV 架构，更可能会是最优解！

我计划中的用途：学习摩尔斯码、prototyping new demo gadgets… 实际上的用途：一边开会一边玩山寨 Flappy Bird :-) 忘记 Moto 360 手表第一代的 flat tire 黑区是不是和 Flappy Bird 同时期的东西了，但是仿一个总是挺好玩的。