前总理李鹏在任时曾豪言壮语，三峡工程建设成功，每度电降至8分钟，而多年过去了，他承诺变成变实了吗？电费仍旧居高不下，边远地区涛声依旧。再者三峡工程的质量频频出问题，改变了原有生态平衡，天灾人祸不断发生…… 所有中共独裁一向以假治国，从盗取江山到现在一直欺骗百姓，本性难改，坏事做尽。

2025年我家消耗的总电量是18.3MWh，从公共电网输入的是12.4MWh，用电量算挺大的了，但2025的电费账单总计只有500澳元（不计电网连接费，那个每天一刀左右），这么算的话我们家每度电只要4分钱 （4c/kWh）。 我以前只知道家里电费确实不贵，后来和朋友们聊起来才发现，我家电费便宜了差不多10倍。 我家是太阳能板加上Tesla Powerwall，澳洲是太阳能发电大国，白天太阳能过剩的时候很多电力公司提供的电很便宜甚至免费，我家就利用这段时间，加上午夜用电低峰期给家里的两台特斯拉还有Tesla Powerwall充电，然后其他时间就暂停电网买电，直接用太阳能板和储能电池覆盖家里其他的用电需求。 我觉得这很好的验证了可再生能源的魅力，真的是想怎么用就怎么用。 澳大利亚在这方面做的还是不错的，现在买Powerwall政府还有补助，比我那个时候买便宜了40%左右，我又抢跑了一步错过了便宜的时候。 BTW，你们给自己的特斯拉取的什么名字？我的是Kuma和Starship。

【電芯降本】全球電池價格2026年料將持續走低 最新BNEF調研預計，全球鋰電池包價格在2025年已逆風下跌8%至每度108美元，2026年仍將再降3%至105美元，主因是中國產能過剩、競爭加劇以及向成本更低的磷酸鐵鋰技術轉型。

奇观 今天上午最后的行程安排是光电产业园，来的时候在飞机上隔了30公里看到的那个“人造太阳”，很多网友说不信那么远，我当然不会乱讲，今天产业园导游说最远160公里外都能看见，可想而知这玩意有多壮观。 视频里绝大多数面板都是光伏面板，但是光塔下面的不是，光塔下面是12000组巨大的镜子，通过反射把太阳光集中到一个点，对，就是光芒万丈的塔尖，那里的最高温度超过1200度，有专门的吸热设备，吸收的热度用来煮一种工业盐，这种工业盐在220度-650度区间会变成液体，滚烫的液体盐会用来煮开水，水蒸气再用来发电，这就是它的工作原理。 看到这可能有读者会问，为什么要煮盐，反正熔盐也是用来煮水，直接用太阳光热煮水不就完了吗？ 因为水的热容量太低，100度就蒸发，在保存热量上远远不及工业盐。工业盐的厉害之处在于白天煮的滚烫，晚上太阳下山了它可以继续煮水发电，24小时工作不停歇，甚至遇到特殊天气连续3-5天照不到太阳，工业盐也能持续煮水发电。 这些工业盐的液体形态很稳定，如果不煮水，保存在罐子里每天只降温1度。550度的熔盐，50天后还有500度，所以它和锂电池一样，也是一种储能方式。 光伏、风电最大的问题是发电不稳定，都要看天吃饭，用光热塔熔岩发电可以实现均衡发电，甚至还能调度周围的光伏、风电。比如边上有多余的电可以先挪过来煮盐，回头要用了再释放。 说了那么多优点，那为什么它没有全国推广呢？答案也不难猜，成本贵呗。 第一个熔盐塔造价28亿，每度电发电成本0.8元，比水电贵7倍，比光伏贵4倍，比火电贵2.5倍，要是没有国家补贴就是个亏货。不过等造第二个熔盐塔的时候，我们已经把进口技术国产化了，再改进了工艺，成本降一半，现在每度电0.3-0.4，虽然还是比火电贵一点，但国家只要再补贴一点就能盈利了。 最后上照片，我进到了园区，最近还到过光塔下面，现场很科幻。光塔高260米，相当于80多层楼。 最后一张照片你们看到了吗，由于现场玻璃镜的反射，空气里有一道一道的光束，看着太酷了。 至此本轮敦煌之行圆满结束，莫高窟普窟特窟都看了，文艺表演看了，鸣沙山去过，月牙泉去过，沙漠深处坐车去过，星空看了，血月刊了，最后还看了中国最酷的光电熔盐塔，啥也别说了，完美。 …… 上面内容都是在飞机上写的，晚上8点半降落首都机场，以为很快就能回家，结果飞机滑行20分钟，下来坐摆渡车又慢吞吞开了将近20分钟，从摆渡车出来走到出口又10几分钟，我真服了，这什么调度水平啊，坑死我了。 回到家都快10点了，写个球哦。我在路上简单用手机复了下盘，黄金涨疯了，comex期货已经超过3700，现在市场已经逐渐下注9月17日直接降息50个基点。你们看链上赌场的赔率，50bp已经涨到16%，再加上今天海湾那边又打起来了，特朗普批准对哈马斯领导人进行打击，前方已确认卡塔尔首都多哈发生剧烈爆炸，感觉全世界都在助攻黄金。 a股黄金板块今天暴涨8%，但是k线形态还好，平台突破刚刚展开，后续如果有回调的话是可以看看的。 今天a股最让我注意的不是下跌，而是量缩的超乎预期，今天只有2.11万亿了，如果跌破2万亿会是一个不好的信号，说明新入场的资金在减少，股市热度难以持续。牛市太热了大家怕猝死，但更怕牛市凉了站岗。 今天晚上证监会批准了寒武纪和舒泰神的定增，都是从底部上来涨了10倍的牛股，涨这么多，圈一笔钱奖励下自己，这是a股老传统。 没别的想说的，发射吧～

MiniMax H3：租显卡还是买显卡？两种自建方案对比 想自己部署 MiniMax H3，真正需要解决的不是软件，而是 GPU。SGLang、ComfyUI 和模型代码基本都能免费使用，但 H3 视频生成需要大量显存和算力。 目前主要有两条路：租云显卡，或者自己买显卡。 方案一：租云显卡 租一台带 RTX 5090 的云服务器，按小时开机，用完关机。 以当前云平台公开价格估算： • RTX 5090 32GB：约 $0.99/小时，折合约 ¥7/小时 • 使用 20 小时：约 ¥143 • 使用 100 小时：约 ¥713 • 使用 300 小时：约 ¥2,140 • 连续开一个月：约 ¥5,130 • 另外还要算磁盘、流量和模型存储费用 我在某鱼看了一下RTX 5090 32GB 一小时也要5元 ，现在模型很火商家坐地起价也很正常 优点： • 不用一次性买显卡 • 不用处理散热、供电和驱动 • 按小时计费，用多少算多少 • 可以先测试 H3 到底适不适合自己 • 需要批量生成时，可以临时升级多卡服务器 缺点： • 长期使用会越来越贵 • 云服务器网络和硬盘可能额外收费 • 机器库存、地区和价格会变化 • 需要自己配置 Linux、驱动和运行环境 • 单张 5090 主要适合测试和个人使用，速度不会像官方云服务那么快 适合的人： 偶尔做视频、刚开始研究 H3、暂时不确定使用量的人。 方案二：自己买显卡 购买一张 RTX 5090 32GB，装到自己的台式机里，在本地部署 H3。 粗略预算如下：按照当下某鱼我看到的最新价格算 • RTX 5090 显卡：约 ¥15,000～35,000（闲鱼15000的5090很多是钓鱼/故障卡，实际靠谱可成交，大多要1.7万以上） • 64GB 内存：约 ¥1,300～2,000 • 1TB 以上 NVMe：约 ¥500～1,000（H3本地部署，硬盘建议直接2TB，模型+缓存会吃掉很大空间，1TB会很快爆满） • 电源、主板、CPU、机箱和散热：约 ¥4,000～8,000（电源别省！5090功耗很高，最低850W金牌以上，优先选1000W更稳妥） • 整机大约：¥20,000～45,000 实际价格看品牌、行情和你已有的配件。只买显卡、不配整机的话，成本会低一些。 RTX5090不是跑H3的最低门槛，4090(24G)量化后也能跑，只是分辨率、时长受限。（这是已5090为例 至少要玩的舒服一些 ） 后续主要是电费： • 整机满载大约 0.7～1 度电/小时 • 按每度电 ¥0.6～1 计算 • 每运行 100 小时电费约 ¥40～100 • 每月运行 300 小时，电费约 ¥120～300 优点： • 买下来后不用按小时交租金 • 文件和模型都在自己电脑里 • 没有云平台停机、封号和库存问题 • 可以长期运行，也能部署其他 AI 模型 • 大量使用时，单次生成成本更低 缺点： • 前期投入高 • 需要自己处理驱动、CUDA、散热和系统故障 • 显卡会折旧，满载运行也有噪音和耗电 • 5090 32GB 仍然属于单卡测试档，H3 需要 offload，速度有限 • 想做多人服务或批量生产，单卡不够，还要上 4 卡服务器 两种方案怎么选？简单看使用时间： • 每月使用 20～100 小时：租显卡更划算 • 每月使用约 300 小时：开始接近买显卡的合理区间 • 每月长期超过 500 小时：买显卡更合适 • 要多人同时使用：直接考虑多卡服务器，不要买一张 5090 硬扛 按租赁价格计算，一台 ¥20,000 左右的 5090 整机，理论上运行约 3,000 小时可以抵掉租金。考虑显卡折旧、维护、断电和闲置时间，实际回本周期大约 10～18 个月。 最推荐的路线 如果只是个人做视频： 先租一张 RTX 5090，花 ¥200 左右测试 20 小时，跑通 MiniMax H3-Base 的 768p 生成。确认速度、画质和使用频率都能接受后，再考虑买整机。 如果已经确定每天都要生成，或者每月使用超过 300 小时： 买一张 RTX 5090 本地部署更合适。系统建议 Ubuntu，内存 64GB，NVMe 至少 200GB，使用 ComfyUI 或 SGLang。 如果是商业批量生产： 考虑 4 张 A100/H100 级别显卡，用 SGLang 部署。成本会明显上升，不适合个人刚开始就投入。 还要注意一点：本地 H3 主要能跑 H3-Base 的 768p 流程，官方 H3-Context-IR 和 H3-Regenerate-2K 目前没有完全开源。想复现完整 2K 效果，需要调用官方 API。 总结： 不确定用多少，先租；确定长期高频使用，再买。先花 ¥200 验证，比直接花两三万买机器稳得多。

关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。

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！

一到夜晚就會不自覺想要 已經有好長一段時間沒有和異性做過 都是玩具陪我度過每個孤單夜晚..😭 這幾天有在想 如果找X跟粉絲‘約會’會很奇怪嗎。 一想到就覺得很害羞（臉紅(⁄ ⁄ ⁄ω⁄ ⁄ ⁄) 可以留言讓我參考參考你們的想法嗎 這裡不允許我發佈那麼長的影片 #所以我只能放這裡#

为什么你的智能摄像头不该信任云端今天聊聊链上目击者的崛起 AI爆发式增长，背后却隐藏着一个巨大的核心漏洞，信任。全球有数以十亿计的摄像头和传感器，但它们产生的每一比特数据，在传统私有服务器上都可以被随意篡改、删除，甚至遭遇深度伪造（Deep-fake） XYO @OfficialXYO正在通过NVIDIA 的机器人技术直接引入链上彻底打破这一技术僵局。 想象一下这个纯粹的边缘端协作：摄像头捕捉到画面，但数据完全不经过容易受到攻击的第三方云端，而是直接由 NVIDIA Jetson Orin Nano 芯片在本地（边缘端)完成计算机视觉推理 以下是 XYO Layer One 处理这些真实世界数据的硬核流程： 边缘检测与物体分类:Orin 芯片直接在设备源头识别物体(精准区分人、车辆或宠物） 置信度评分： 每一个事件都将模型的确定程度作为一级字段直接写入元数据，拒绝伪造绝对真理 加密签名： 设备在观测到事件的瞬间进行本地加密签名，将数据与其物理源头牢牢绑定。 去中心化账本： 签名后的事件被发送至 XYO Layer One 区块链，成为永久防篡改的记录。所有者可以自主选择将其完全私密保存或公开供全球验证 用加密证明取代盲目信任，XYO 正在为未来的机器经济搭建不可或缺的可信数据底层