誰先讓企業的日常工作流在自家 AI 上運轉，誰就贏得了下一個十年 當前 OpenAI , Anthropic 才剛開始打企業戰 , 市場應該也還沒有完全反應導入比例大幅上升後的產值 讓我們看看當前各個產業的採用比率 當前採用率超過 50% 的其實只有 - 科技/軟體 - 航太/ 國防 - 金融服務 - 製造業 - 電信 - 醫療健康 - 零售/電商 - 媒體娛樂 - 其他專業服務 為什麼 AI 賽道當前依然看不到上限, 即使 claude 當前的方案已經是我自己有一個、加上團隊版有一個, 還是常常會遇到 單一 session 用量打到上限的問題 多帳號的一個問題是, 很多 context 沒有辦法整合, 所以如果我常用不同版本的 claude 在完成一系列的操作時（不同賽道的分析 , 或是不同產品的研究）, 在遇到上限、同時有 deadline 的需求時, 還是得乖乖付費 😅 我認為既然個人戶, 小團隊都會遇到這樣的問題, 大組織肯定也是, 且消費潛力更高, 企業肯定傾向先買斷一定額度的費用, 以 「token 用不完」的這個前提把未來 AI 這一部分的花費給認列 近期有關 Anthropic 最大的新聞是跟 SpaceX 的合作 xAI 旗下的 Colossus 1 數據中心（300 MW 容量）將開放給 Anthropic 使用，直接提升 Claude Pro 與 Claude Max 訂閱用戶的 token 配額，雖然此容量遠不及與 Google 簽下的雲端算力合約（5GW 級別） 只能說 Anthropic 的多角化佈局越來越強了，Anthropic 創辦人 @DanielaAmodei 近期也表示：AI 同事時代正式開始，企業採用的速度將會大幅上升 OpenAI 部分：自從 GPT-5.5 推出之後開始出現轉機，OpenAI 正在將 Codex 打造成企業的「AI 員工作業系統」。 「95% 的 OpenAI 內部工程師每天運行 10–20 個 Codex agent」 對於市場預期，看似大家更喜歡 GPT-5.5 更勝 Opus 4.7 （或許是因為大家對 Opus 的預期本來就很高） 💥管顧業的結構式破壞 除此之外也有一些變動動到管顧業的蛋糕 🍰 麥肯錫宣布將引入 AI agents 接管顧問配對業務，公開承認 AI 可以替代其核心內部流程 麥肯錫的做法是用 AI 增強自身，將 AI 作為槓桿使用，前提是顧問本身必須具備 AI 無法替代的判斷力與關係資本 當分析師被 AI 取代、Claude 成為企業的「同事」，企業主對 AI 的依賴度一旦超過某個閾值 AI 公司實際上就成為了新型的「決策基礎設施供應商」影響力遠比傳統管顧公司更深

币圈血泪史！ 原创 大滑头 2026年6月30日 23:08 湖南 PS：本文是一篇微小说，内容纯属虚构，如果预测对了，完全是巧合。 比特币跌破59000美元那天，梁宇正在地铁十号线里刷手机。 他最开始以为自己看错了。 新闻标题写得很冷静：比特币盘中跌破59000美元。 下面还配了一张K线图，红得很克制，没有咆哮，没有感叹号，也没有“币圈崩了”这种自媒体常用语。但梁宇看完以后，胃里还是轻轻沉了一下。 他已经快半年没认真看过币圈了。 不是完全不关心。币圈的人很难真正不关心币圈，只是他把交易软件从手机首页拖进了第三屏的文件夹，文件夹名字叫“学习资料”。 这是一种成年人式的自欺欺人：只要不点开，浮亏就暂时不存在；只要不看账户，生活就还能继续装作正常。 上一次他认真看盘，还是市场一片乐观的时候。 比特币ETF已经不是传闻，华尔街开始用很正式的语气讨论数字黄金，群里每天都有截图：某某机构继续买入，某某大佬继续看多，某某链上数据出现牛市信号。那段时间，梁宇觉得自己熬出来了。 他在币圈混了六年，见过太多名场面。 见过项目方说“我们会持续建设”，然后第二天官网404；见过KOL深夜发长文说“这是行业至暗时刻”，第二天删帖去推广新项目；见过群友上午喊“兄弟们抄底”，下午改名“退出江湖”；也见过自己凌晨三点盯着合约页面，一边发誓再也不开杠杆，一边把保证金又补了一次。 他以为这些苦，都是进入新时代之前的门票。 所以去年年底市场回暖时，他给自己做了一次资产配置。说是资产配置，其实就是把能动的钱基本都买了币。比特币一部分，以太坊一部分，Solana一部分，剩下的分散在几个“叙事很强”的小币里。 他当时的逻辑很完整。 比特币是底仓，吃机构化红利；以太坊是生态，等现货ETF和质押叙事；Solana是高性能公链，活跃度好；小币负责弹性，万一跑出一个十倍，人生就能进入下一阶段。 下一阶段具体是什么，他没想太清楚。可能是换房，可能是辞职，可能是去大理开咖啡馆，也可能是继续上班但每天气质明显不同。 币圈最迷人的地方就在这里，它总能让一个普通人觉得，自己离“下一阶段”只差一次正确埋伏。 那时梁宇甚至在朋友聚会上讲过一句很有气势的话：“以后风险资产不能只看股票，真正的流动性入口在链上。” 朋友们没太听懂，只觉得他眼神很亮，像刚听完一场不用交钱的成功学课。 半年后，流动性入口还在，梁宇的钱不太在了。 地铁到站，他没有下车。原本该在国贸换乘，他多坐了两站才反应过来。手机屏幕上，比特币价格还在59000美元附近抖动，像一个刚从医院出来的人，心电图看着还活着，但医生表情并不乐观。 他点开交易软件，密码输错一次。 第二次进去，页面加载了几秒。那几秒特别长，长到他想起了很多事：去年底加仓时的自信，今年春节时没卖的倔强，三月份朋友提醒他要不要减一点时的淡定，还有自己那句“我拿的是周期，不是波段”。 账户终于出来了。 梁宇沉默了。 总资产比他记忆里少了很多。不是那种一眼归零的惨烈，而是一种更钝的疼。比特币还在，以太坊还在，Solana还在，几个小币也还在。它们都还在，只是价格像集体做了缩骨功。 最扎心的是小币。 有一个AI概念币，名字里同时带了AI、GPU、Chain三个词。梁宇当初买它，是因为项目方说自己要做“去中心化AI算力网络”。当时他觉得这个叙事太完美了，既有币圈的去中心化，又有AI的景气度，属于两个风口交汇处。 后来他才明白，两个风口交汇处，也可能是垃圾最容易被吹起来的地方。 那个币现在跌了82%。 项目方还活着，推特也还在更新，只是内容从“即将发布重大合作”变成了“社区是我们最重要的资产”。 梁宇已经学会翻译币圈黑话：当一个项目开始强调社区，通常说明其他资产都不太够用了。 真正让他破防的，是老赵发来的微信。 老赵是梁宇以前的同事，做财务出身，性格谨慎，买股票只买看得懂财报的公司。2021年梁宇劝他买币，老赵问了一个很朴素的问题：“这个东西怎么估值？” 梁宇当时觉得这个问题特别土。 币圈怎么能用传统估值框架理解？共识、稀缺性、网络效应、全球流动性，这些词听起来比PE、PB高级多了。老赵不懂，说明他还停留在旧世界。 后来旧世界开始买AI。 老赵今年买了AI服务器、光模块、电力设备和一只美股AI龙头。他没有每天看盘，也没有喊单，更没有在群里发“兄弟们冲”。他只是每隔一段时间转发一份研报，语气非常平静：“资本开支还在上修。” 梁宇最烦这句话。 因为它听起来不像一句口号，却比口号更有杀伤力。 AI这边的上涨，背后有云厂商预算，有数据中心建设，有芯片订单，有光模块需求，有电力瓶颈。虽然也贵，虽然也泡沫，虽然也随时可能杀估值，但至少它每涨一段，市场能找到一个看起来像理由的理由。 币圈这边也有理由。 ETF、减半、降息预期、避险需求、主权货币信用、链上活跃度。每个理由单独听都挺硬，放在一起也很宏大。可问题是，账户不会因为叙事宏大就少亏一点。 梁宇以前最喜欢说一句话：“币圈是对传统金融的革命。” 现在他觉得，革命先革到了自己的本金。 晚上回家，他老婆正在客厅看剧。 她知道他买币，但不知道具体买了多少。家庭关系里有些东西不能太透明，比如私房钱，比如体重，比如浮亏。 老婆随口问：“你今天怎么这么安静？” 梁宇说：“市场教育了一下我。” 老婆没抬头：“又亏钱了？” 梁宇本来想反驳，说这不叫亏，这叫周期波动，叫浮动回撤，叫长期主义的必要成本。但话到嘴边，他突然觉得这些词都很疲惫。 他说：“嗯，亏了一点。” 老婆问：“一点是多少？” 梁宇说：“按生活来说，是一点；按账户来说，是一片。” 老婆终于抬头看了他一眼：“那你还买吗？” 这个问题太难了。 币圈老玩家最怕的不是下跌，而是家人用正常人的逻辑提问。正常人的世界里，亏了就少买，错了就改，危险就远离。币圈不是这样。币圈的训练体系更复杂：跌20%叫回调，跌40%叫洗盘，跌60%叫黄金坑，跌80%叫信仰筛选，跌95%叫项目进入长期建设阶段。 梁宇曾经非常熟悉这套语言。 熟悉到他可以自动生成回复：优质资产不用慌，周期还在，拿住筹码，黎明前最黑暗。 可今年不一样。 因为他发现，黎明可能真的来了，只是没照到币圈这边。AI那边灯火通明，数据中心像工地一样加班，英伟达像印钞机一样被盯着，光模块厂商的订单排得满满当当。资金不是不敢冒险了，资金只是不想再为纯粹的“相信”付那么高的价。 这才是最伤人的地方。 他不是输给熊市，而是输给了隔壁桌更会讲故事、更能交作业的风险资产。 第二天中午，梁宇和老赵吃饭。 老赵没有幸灾乐祸，这让梁宇更难受。人最怕的不是别人嘲笑你，而是别人赚了钱以后还很体面。 老赵点了一份商务套餐，梁宇点了最便宜的盖饭。不是因为穷，是因为心态需要配合账户。 老赵问：“你现在还看好比特币吗？” 梁宇想了想，说：“长期还看。” 这句话他自己都觉得熟悉。币圈里所有被套住的人，最后都会成为长期主义者。 老赵问：“那短期呢？” 梁宇说：“短期看不懂。” 老赵点点头：“这就挺真实了。” 梁宇喝了一口汤，突然有点想笑：“以前我觉得AI股票泡沫大，结果人家泡沫里有订单。我这边泡沫里有表情包。” 老赵也笑：“也不至于。比特币毕竟不一样。” “是，不一样。”梁宇说，“AI涨了，研究员说这是产业趋势；币涨了，群友说庄家拉盘。AI跌了，机构说短期扰动；币跌了，大家先问交易所能不能提币。AI讲资本开支，币圈讲社区共识。AI公司开发布会，币圈项目开AMA。AI那边是老板们互相卷预算，币圈这边是散户互相接飞刀。” 老赵说：“你总结能力还在。” 梁宇说：“亏钱以后，人的语言能力会变强。因为你得给自己解释。” 吃完饭回公司，梁宇打开电脑，本来想工作，结果手又不自觉点开行情。 比特币还是在那个位置附近晃。 他突然意识到，自己其实没有那么恨比特币。比特币至少还算体面，跌了也有流动性，有深度，有全球共识。真正让他受伤的是那些包装成时代列车的小币。每一个都说自己代表未来，每一个都让他提前体验未来破产。 他开始清仓几个完全看不懂的小币。 卖出按钮按下去的那一刻，他没有解脱，只有一种很奇怪的平静。像是承认自己被割了，但终于不再配合对方继续表演。 群里还在热闹。 有人说：“现在就是倒车接人。” 有人说：“主力在洗不坚定筹码。” 有人说：“兄弟们别怕，历史总是惊人相似。” 梁宇看着这些话，忍了半天，还是发了一句：“历史确实相似，我每次都在车底。” 群里安静了十秒。 然后有人回：“哈哈哈哈哈。” 币圈最顽强的地方在于，大家都亏得很惨，但笑点还在。账户可以缩水，段子不能断供。 那天晚上，梁宇把交易软件从“学习资料”文件夹里拖了出来，又放进了另一个文件夹，名字叫“高危运动”。 他没有彻底退出。 这也很真实。大多数币圈投资者不会因为一次下跌就离开。人一旦见过某种疯狂的上涨，就很难彻底回到普通收益率的世界。银行理财看起来像静止画面，指数基金像慢动作，只有币圈还能让人觉得人生有支线剧情。 但他给自己定了几条新规矩。 不再满仓，不再碰看不懂的小币，不再把项目方路线图当商业计划书，不再把KOL喊单当研究报告，不再因为一个币名字里带AI就觉得它真的有AI。 最后一条最重要。 因为今年最讽刺的地方就在这里：真正赚钱的AI在股市，真正亏钱的AI在他的币圈持仓里。 几天后，比特币有没有重新站回60000美元，梁宇已经没那么急着看了。 他知道自己还是会看，还是会心动，还是会在某个深夜被一根大阳线唤醒体内残存的赌性。但至少现在，他比半年前清醒一点。 他终于明白，风险资产从来不是一个整体。 有的风险资产，背后站着资本开支、订单、财报和大厂预算；有的风险资产，背后站着群友、表情包、路线图和“下周有重大更新”。 市场没有抛弃冒险。 市场只是换了下注对象。 比特币跌破59000美元那天，梁宇没有失去信仰。他只是把信仰的仓位降到了自己睡得着的比例。 这已经是一个币圈老韭菜能给生活的最大诚意。 晚上睡前，他把微信签名改了。 原来那句是：“波动只是价格对信仰的尊重。” 新签名短很多： “牛市改姓AI了，我先活着。”

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。

【山東青島：海上油田200人生活輔助平台開展試航任務】7月23日，新建的海上油田200人生活輔助平台，從山東青島海西重機港池出港，前往青島前海錨地南水域開展試航任務。該平台擁有1000平方米的甲板面積供油田服務使用，並根據作業需求配備2台100噸級繞樁式海事起重機。

【探訪亞洲最大耙吸挖泥船】亞洲最大耙吸挖泥船“浚廣”輪近期交付投入運營。作為中國35000立方米艙容等級耙吸挖泥船的母型船、首制船之一，“浚廣”輪總長198米，最大挖深120米，總載重60483噸。“浚廣”輪採用世界首創的可調仰角雙艏噴系統，配備自主研發的“一鍵疏浚”和“浚駕合一”智能控制系統，實現了疏浚作業的全自動控制。具有“強破土、大挖深、遠運距、長吹距”強大性能，可廣泛應用於港航疏浚、深遠海取砂、管溝開挖回填及深海管道鋪設等施工作業場景。

【“大連一號”低空跨海長航時複合翼無人機首飛】近日，由大連理工大學自主研發的“大連一號”低空跨海長航時複合翼無人機圓滿完成海上首次飛行試驗。該機型掛載能力、航程航時、抗風能力等核心指標均達預期，為中國構建“海陸空”一體化低空經濟生態增添了高性能實戰平台，有力助推了遼寧省低空經濟產業創新發展。 “大連一號”兼具直升機垂直起降與固定翼高速巡航能力，整機最大起飛重量超150公斤，任務載荷45公斤，翼展6.5米，巡航時速110公里，油電混動技術保障了超1300公里的跨海長續航。該機型可在6級風中垂直起降、7級風下穩定巡航，高度適配海上巡檢、物資運輸與應急救援等多元化全海域作業場景。

「參加愚蠢的比賽，就會拿到愚蠢的獎品」，這是我對Claude最新的公告的評價。現在開始，如果你用Claude的新模型產生出來的文字，你要拿來用，要小心，因為Anthropic會加入AI浮水印，人類看不出來，但Anthropic的模型可以認出。也就是說，小朋友用AI寫作業，可以被辨識出來。Anthropic說是全球性的政策，先從新模型開始，再慢慢地延伸到舊有模型。 這個AI浮水印不是用隱藏文字的方式，所以你如果看著Claude的輸出，自己再打一遍也沒用。Anthropic是用使用文字的模式來加浮水印，所以如果你要破解這個浮水印，你只要大量改寫，或是用小段文字，或是給其它家的AI改寫，甚至是簡單地用另一個語言來回翻譯，浮水印就認不出來了。 這是很笨的政策，因為Anthropic莫名其妙地加了障礙給使用者，至少是心理上的障礙，讓使用者怕被抓。但誰來抓呢？誰控制了這個偵測浮水印的能力？老師？Anthropic？還是政府？當商人拿石頭砸自己的腳，我們先要想合不合理，有沒有我們沒想到的角度，也許Anthropic加浮水印是為了未來模型訓練的需要，一旦AI知道文字是AI產生的，就不要加入訓練資料，這是在AI模型發展上合理的政策，因為「垃圾進，垃圾出」是模型訓練一大禁忌。但除此之外，有什麼理由來得罪使用者？當你覺得一個政策有鬼的時候，你第一個要懷疑的當然是發想這個政策的人腦子是不是有洞，苐二個要懷疑的，就該是政府扮演了什麼角色。 據說這個浮水印政策是配合歐盟的AI監管法令，Anthropic簽了同意書，其它家沒有簽，所以沒有其它模型公司幹這種傻事。Anthropic為什麼要和愚蠢的歐盟一唱一和？因為Dario Amodei一直就是這樣的理念，「AI要監管，誰來監管？我和政府一起來管最好」Amodei一直以人類守護者自居，認為只有他來管AI的發展，人類才不會出事。Amodei和歐洲那些自以為是的菁英，也沒什麼兩樣。所以王八配綠豆，絕配。 珍惜生命，遠離Claude。

最近跟一位在圈內闖蕩多年、已經財富自由的朋友交流。 她提出一個非常有意思的洞察： 「現在的錢，已經沒有以前那麼好用了。」 為什麼？ 因為在高度工業化的現代，過去王公貴族才能享受的生活品質，現在平民老百姓都觸手可及。 這位朋友提出了一個經典例子：Jeff Bezos 拿的 iPhone，跟普通人拿的 iPhone 沒有任何差別。即便你再有錢，你也買不到一台比 iPhone 領先 50 年的通訊設備，因為技術邊界就在那裡。 我仔細想想，好像真的是這樣。 在清末，慈禧太后用的馬桶是檀香木刻、鋪著綢緞與香料的「官盆」，而平民用的是簡陋的茅坑，兩者有著天壤之別。但在今天，你家裡的馬桶跟首富家裡的，本質上已無代差。即便多花了幾十倍的錢，頂多也就是多了免治功能或自動掀蓋——在最基本的生理尊嚴上，現代工業已經抹平了階級的鴻溝。 這代表財富在「物質功能」上的邊際效應遞減得極快： 食： 財富自由的人吃一頓米其林三星，跟你吃一頓精緻料理的飽足感與美味落差，已不再是天壤之別。 衣： 頂級訂製西裝與優質成衣的差距，比起百年前的絲綢與粗麻，視覺上的階級感大幅縮小。 行： 頭等艙與經濟艙雖然舒適度有差，但抵達目的地的時間是一樣的。 如果第一個 100 萬美金帶給你的邊際效用是 10（它解決了安全感與基本自由）； 那麼第二個 100 萬美金，效用可能就遞減到 5； 到了第三個，效用可能只剩下 1。 這個效用遞減函數不是線性的，而是斷崖式的（Cliff）。 這位朋友說，她見過不少人白手起家，資產從 A6 翻到 A9，又從 A9 跌回 A6（單位是美元）。 很多人財富增加了，心態卻仍停留在 Degen 慣性。簡單來說，就是賭上癮了。 他們成了數字的囚徒，為了追逐帳面上更高的收益，在錯誤的時間點重倉豪賭，冒著 100% 返貧的風險，去換取那早已遞減到幾乎為零的邊際效用。 我跟她也有類似的觀察。或許是華人基因裡帶有上一代的苦難記憶，我們普遍對金錢有一種深層的恐懼感，喜歡囤積數字、喜歡攀比。這種「匱乏感」就像是一種基因病毒，代代相傳。 即便我們已經生活在物質過剩的時代，腦袋裡的作業系統卻還停留在「飢荒模式」。我們習慣用資產的數字來填補內心的不安全感，卻忘了問自己：當邊際效應已經進入斷崖區，繼續透支生命去交換那些多出的數字，代價究竟是什麼？ 如果你觀察那些在幣圈起伏、最終卻無法守住財富的人，你會發現，他們追求的往往不是「更好的生活」，而是「贏過別人的感覺」。 他們買超跑、買名牌，本質上不是為了自己爽，而是買給別人看的。 試想一下，如果你住在一個無人島上，你會想開一輛藍寶堅尼嗎？上下車得彎腰、椅子難坐得要死，進出車庫還怕刮到底盤。在沒有觀眾的地方，這些財富象徵反而是一種累贅。 有趣的是，這種「優越感」完全是比較出來的結果。再做另一個思想實驗：如果你住的不是無人島，而是所有人都開藍寶堅尼的小島，你還會想開它嗎？應該也不會，因為當超跑變成標配，它就失去了炫耀的價值。 這種對「優越感」的追逐，本質上是一場永無止盡的西西弗斯推石遊戲。 優越感不是來自於你「擁有的多」，而是來自於你「比別人多」。這意味著你的幸福感並非建立在自己的基座上，而是漂浮在別人的目光裡。一旦進入更高階層的圈子，原有的優越感會瞬間崩塌，迫使你投入更多的人生預算去換取下一個階梯的虛榮。 這正是為什麼有些資產 A9 的人依然活得像個飢餓的囚徒。因為在優越感的金字塔中，永遠有比你位居更高處的人。 真正通透的人生，是把自主權從別人的眼光奪回到自己手裡。 這意味著你清楚知道自己需要多少物質就能抵達「舒適」的邊界，而邊界之外的每一分精力，你都選擇用來餵養自己的靈魂，而不是用來滿足無止盡的攀比。 真正的自由，並非擁有買下一切的權力，而是擁有一種「即便不參與這場遊戲，也不覺得自己輸給任何人」的底氣。 當你不再是數字的囚徒，也不再是別人的對照組，你終於能在這擁擠的世界裡，找到一個最讓自己舒服的坐姿。 就像風清揚傳授獨孤九劍時，對令狐沖說的那句：「根本無招，如何可破？」 如果說人生也有獨孤九劍，那麼破除一切煩惱的招式，就是放下心中的比較心——「根本無人，何必去贏？」

iOS 27 將進一步深化與 Apple Intelligence 的系統級整合。我的最新產業調查顯示，為確保在 AI 負載下系統仍能順暢運作，1H27 新款配備 A20 處理器的較低階 iPhone 之 DRAM 規格將升級至 9GB（1.5GB × 6-die），高於目前 A19 機型的 8GB（2GB × 4-die）。2H26 配備 A20 Pro 處理器的三款高階機型（折疊機與兩款 18 Pro 機型）則維持 12GB（1.5GB x 8-die）。

SolarEdge 與英飛凌( Infineon )於 2026 年 9 月 9 日宣布擴大合作，由先前的固態變壓器（SST），延伸至 800 V 高壓直流固態斷路器（SSCB）。目標是服務 AI 與超大規模資料中心的高壓直流配電保護。SolarEdge 主導系統設計，英飛凌提供 CoolSiC JFET 作為開關核心。 為何需要 SSCB 資料中心正從傳統低壓交流，轉向 800 VDC。 直流沒有自然電流過零點，機械斷路器切斷慢、易拉弧，難以在高功率密度下兼顧選擇性保護與效率。 SSCB 以半導體切斷故障，反應可達數微秒、無機械接點，能更快隔離短路、保護高價值 GPU 機架，並讓配電更緊湊。 與 SST 如何串起來 雙方 2025 年 11 月已合作 SST：把 13.8–34.5 kV 中壓直接轉成 800–1500 VDC，效率逾 99%，減少多級轉換與佔地。SSCB 補上 SST 到機架之間的保護層，形成「電網—轉換—配電—保護—機架」的原生直流鏈。 雙方說法 SolarEdge 執行長 Shuki Nir 指：800 VDC 要效率與保護並行，碳化矽讓固態保護可規模化。英飛凌 Andreas Weisl 指：資料中心更易受電氣故障衝擊，SiC JFET 加上 SolarEdge 末端配電經驗，可讓保護更快、更穩。 產業意義 這代表斷路器也開始半導體化。對營運商而言，重點是微秒級隔離、較低損耗、較小空間與較佳總擁有成本；對供應鏈而言，SiC JFET 成為 800 V DC 保護的關鍵元件。