“古斯教会她的，不是怎么解题，而是怎么面对解不出来的自己。” 当然美国的教授也不都是这样，但美国顶级大学的终身教授，这种水平的概率就很高，这取决于： 1，教授要拿到了tenure , 终身教职，不再有考核和饭碗的压力。 2，教授要有追求，拿到终身教职后，仍然有兴趣有改变世界的理想。 3，大学要有学术自由，研究啥取决于教授自己的兴趣和追求，不受行政，社会，商业，和政府的压力！

墙里的种子为什么总在墙外开花？ 王虹邓煜双双获得菲尔兹大奖，为什么不是在培养他们的祖国？ 王虹邓煜是2007级北大的学生，之后分别留学法国和美国，都在美国麻省理工学院攻读过数学专业。 现在王虹在美国加州大学、纽约大学、法国高等科学研究所担任教授； 邓煜先后担任南加州大学和芝加哥大学数学教授； 他们的共同点是基础教育都在中国完成，而科研成熟期，则主要发生在欧美。 为什么会这样？这就是一个学术自由的问题。 中国只是在少年阶段，数学教学比西方国家播种早，面积大，收获的人才多，因为数学就是诞生天才的领域，你会就会，一通百通，不会就不会，一窍不通； 中国基础数学教育非常强大，既有强大的奥数教育和考试体系、也有专业机构：北大数学科学学院、清华丘成桐数学中心、中科大少年班这些体系，是绝对能够，非常早的识别和发现人才的。 因此，中国并不是没有好种子，只是再好的种子，也给中国这个专制腐烂的土壤埋没了。 因为中国是没有学术自由的。 数学研究和其他工程不同，不需要大型实验设备，不需要科技成果直接转化为生产力，是一个非常枯燥，但又是非常耗时耗力的研究过程。 数学研究提倡的是，世界最强大脑的数学家同行，每天都有交流，研究者始终有世界上最优秀的导师长期指导；而每一个数学家专注自己的课题，需要有最大胆的问题假设，要允许十几年可能都没有成果。 而中国的数学教授，比方说北大，被称为数学神童的“韦神"韦东奕，曾经在两届国际数学奥林匹克竞赛上，都是以满分的成绩获得了金牌的。 今年 也才35岁，现任北京大学数学系副教授，已经没有任何冲顶菲尔兹大奖的研究成果，就是因为他根本就没有自由研究数学的环境和空间。 每年学校都要对他进行考核，要求他拿出成绩，作为一个北大副教授，天天都要学习习近平思想，更何况北大考核教职员工，学习习近平思想，要入脑入心入魂？ 而全球的菲尔兹奖获奖者，通常都具有几个特点：他们可能十几年都没有论文；他们可能研究方向完全没人理解；也可能连续几年所有数学论证都失败，甚至连指导导师也不知道最终这项研究有没有成果？ 但是，欧美国家对于这种研究模式: 是有绝对耐心的; 是长期给予稳定的研究经费的； 是极少的行政事务干预的； 是从不强求研究者为了考核职称，必须去不断地发表论文的； 所以欧美凡是能成就天才的数学科研机构都是：只要方向正确，就可以慢慢做。 而在中国，谁允许你慢慢做？ 很多跟欧美一样优秀的数学天才，为什么在中国就获不了奖？ 因为中国是急功近利的，领导要求你这个数学家，你赶紧拿出成果来，你赶紧获得菲尔兹大奖，如果你三年五载还拿不到奖，你算什么狗屁科学家，凭什么还给你拨付研究经费？ 这就是为什么中国人熟知的数学界泰斗人物，无论是华罗庚还是陈景润，他们在中国数学领域奋斗了一辈子，他们谁都获不了菲尔兹奖的原因。 中国不是种子不行，是共产党这片土壤变成了盐碱地，再优秀的种子，也烂在地里。 @baodiantimes

王虹此前的采访，她曾坦言，在北大的日子让她很沮丧（feel discouraged）。她最初并非数学系学生，历经曲折（费好大的力气）才得以转入；而在她的履历中，还有一个极其醒目的“空白” —— 她从未参加过任何数学奥赛。北大校友网的官方报道曾写道：“王虹未曾接受过系统的数学竞赛训练，她对数学的最初想象，仅仅源于阅读课外书以及独自琢磨书中的难题。” 回忆起在北大数院的时光，她的表达坦率：那是一段不断挣扎的过程，甚至直言当时觉得“能生存下来就不错了”。王虹这一生的挫折，感觉都留在北大了。 保研失败后，深陷自我怀疑的她远赴法国巴黎综合理工学院就读。她说，很快她发现建筑需要不断说服他人投资，而数学能赋予她独立研究的自由。于是决定重新投身数学。在法国取得硕士学位后，她前往麻省理工学院（MIT）读博。最终在数学博士导师拉里·古斯（Larry Guth）的引领下在科研中建立自信，逐步攻克了几何测度论与挂谷猜想。 如果没有导师古斯的循循善诱和赏识，王虹这颗明珠或许真的会被蒙尘，甚至被时代错过。

最近研究美股，我越来越觉得，不能再单纯用“公司好不好”来理解一些巨头了。 有些公司涨，不只是因为财报漂亮； 有些公司跌，也不一定真的会死。 因为它们已经不只是公司，而是国家利益的一部分。 Intel 芯片落后了，但政府可以进来拿接近 10% 股权； NVIDIA 卖中国芯片，政府可以从里面抽 15%； Apple 这种巨头拿到关税退款，消费者却不一定能拿回一分钱。 你会发现，所谓自由市场，到最后也分层。 普通人是在市场里承担价格： 手机涨价、通胀、关税、生活成本。 巨头是在规则里寻找位置： 政策补贴、供应链议价、税务退款、国家安全叙事。 这就是大公司最可怕的地方。 它们不是单纯跟同行竞争， 而是在资本、政策、产业链、国家战略之间，找一个最舒服的位置。 所以现在看美股，我不只看 PE、营收、利润。 我更会看一家公司有没有变成“不能轻易出事”的资产。 INTC技术上可能没那么强了，但它背后是美国制造业和芯片安全。 NVDA 估值很贵，但它背后是 AI 算力和中美科技竞争。 $AAPL 增长没那么性感，但它背后是全球供应链、消费电子定价权和巨额现金流。 这几家公司最大的护城河，已经不只是产品。 而是它们大到一定程度以后， 市场在给它们定价，政府也在给它们定价。 有时候最强的护城河，不是技术领先， 而是你已经变成了国家不能轻易放手的筹码。

🔎低自由度夹爪，为什么是大规模机器人学习的最优解 这几天，一直在研究 @axisrobotics 的轨迹任务的技巧，尤其是那些双臂操作。做着做着，心里忽然冒出个问题： 为什么 Axis 的机器人末端，始终是个普通夹爪，而不是灵巧手？ 看着那些需要双手配合的场景，一只手稳住物体，另一只手去推、去调整，我总忍不住想，要是换成多指灵巧手，不少动作一只手其实就能完成。手指灵活了，物体在掌心里转个向、换个姿态，很多双臂任务的复杂度立刻就能降下来。 带着这个疑问，我查了些资料，也结合这些天的操作感受，慢慢想明白了。 Axis 现在主要用的是类似 Franka 的并行夹爪。开合就一个自由度，键盘空格键直接控制。双臂任务里，按 C 键切换左右臂，动作本身不算复杂。 这种设计看着“简陋”，但放到整个平台的目标里，其实很合理。 最直接的原因，是数据收集的效率和可控性。 Axis 的核心，是在浏览器里大规模采集人类演示轨迹。贡献者用鼠标键盘就能上手，不依赖额外硬件。夹爪的动作空间极小，位置、姿态，再加一个开合度。操作者可以把注意力集中在抓取时机和微调上。 如果换成灵巧手，十几甚至二十多个自由度，靠键盘根本控不住。就算引入 VR 手套或动作捕捉，门槛立刻抬高，全球贡献者的规模会大幅缩水。平台追求的是“人人都能贡献”，而不是少数专家在实验室里精雕细琢。 再往深一层看，是学习效率的问题。 模仿学习对动作空间的维度非常敏感。夹爪策略只需要学会“什么时候开、什么时候关”，几十到上百条高质量演示通常就够用了。 灵巧手却要协调多根手指的协同、接触力和重定向，数据量往往要高出好几倍，甚至一个数量级。 Axis 现阶段的重点，是快速积累覆盖面广的基础操作，拣选、放置、排序、开关抽屉这类。用夹爪，能把有限的演示预算花在更广的任务分布上，而不是过早陷入高维动作的泥潭。 双臂配合，反倒成了一种很自然的补偿。 很多看起来“必须双手”的任务，本质是因为夹爪缺乏手内操作能力。一只手固定，另一只手执行，等于是用空间换灵活性。而这种协调本身，就是很有价值的技能。 真实世界里，并不是所有机器人都装着昂贵脆弱的灵巧手。双臂夹爪系统在工厂、仓库、家用场景里依旧常见。Axis 现在收集的双臂数据，直接对应了这类实际需求。等基础协调学会了，再往灵巧手上迁移，会有一个更扎实的底座。 当然，灵巧手并不是不需要。 工具使用、衣物折叠、精细装配，最终还是要靠多指来完成。Axis 的路线图里，已经写了多形态支持，包括灵巧手、轮式双臂、人形。 他们的思路是先把夹爪和双臂跑通，把数据采集、清洗、后训练的闭环做扎实，再逐步引入更高自由度的末端。这是务实的顺序，不是技术上的局限。 夹爪不是偷懒的设计，而是现阶段最匹配目标的选择。 它让数据收集足够简单、足够快、足够大规模；让策略学习的门槛可控；同时也逼着系统去学习真正的双臂协作。等这些基础打牢了，灵巧手自然会进来。到那时候，很多现在需要双手的任务，可能真的就变成单手的事了。 研究这些轨迹时，偶尔还是会想，“要是有手指就好了”。但仔细想想，正是因为现在没有，才把那些更底层的问题暴露得更清楚。 #PhysicalAI# #Robotics# #EmbodiedAI#

两项最新研究发现，ChatGPT、Claude、Gemini和Llama等美国主流AI模型，碰到涉及中国等威权国家的政治敏感问题时，更容易拒答，给出的内容也可能更贴近当地官方叙事。Meta独立监督委员会上月公布的研究还发现，面对“批评威权政府”的请求，多个模型的回应程度明显低于针对政治自由国家政府的类似请求。 研究人员警告，大规模网络宣传如果能长期影响AI的回答，向互联网灌输宣传内容就会获得新的战略价值。中共的审查和外宣一旦渗进训练数据，西方模型也可能替党国机器复读；自由世界不能再把数据来源当成没有政治风险的中性材料。

赚钱的铁律 想多赚钱，请先研究自己 赚钱的第一性原理 实现财富自由四种方式 30种被动收入 男人翻身9条法则 ……… 助你从底层翻身，实现躺赚人生💪 🔥 记住：真正的翻身，从不是一夜暴富，而是用正确的方法持续积累！

研究股票的朋友多少有这个困扰，平时不可能一直盯盘，但又生怕错过突然放量拉升的票。 BreakoutAnalysis 干的就是盯盘这个活，开市期间每 15 分钟扫一遍全美股市场，揪出放量大涨的股票。 筛出来的股票还要过一道历史走势关，长期表现疲软的会被过滤掉。 通过的每只股票，AI 结合当天新闻写一段人话分析，讲清为什么涨、该注意什么。 然后，会将连图表截图和新闻标题一起推送到咱们的社交渠道或邮箱。 GitHub： 每天开盘前和盘中各有一份大盘简报，三大指数、当天的重要事件都在里面。 筛选条件都在一个配置文件里，可自由按自己需求修改，不需要写代码。

最近真的在认真研究：如果不上班，自媒体能不能成为稳定收入来源？ 结论是不能，至少我不行。 所有数据不错的账号，基本都在做同一件事： 有且只有一个鲜明标签 有话没话都要高频更新 所有素材保持高度雷同的风格 两分钟的视频，可能需要24小时持续拍素材 发出来以后，别人抄你，你再抄别人 要么假惺惺地表演日常生活 要么永远处于 hyped up 的高能量状态 做国内市场，要迎合土鳖平台；做海外市场，要迎合土鳖受众。 太吓人了，自媒体看起来比上班自由，实际上可能比上班更耗命数。

AI 确实能把股票研究效率拉高，但别把它直接等同于彭博终端。 更准确地说： 它可以帮你快速整理公开数据、财报、估值、行业对比和风险线索。 下面这 10 个 Grok 提示词，适合收藏备用。 1. 完整股票分析 “你是一名严谨的股票研究分析师。请分析 [股票代码/公司名称]。 要求： 公司商业模式与主要收入来源 最近 4 个季度的营收、利润率、自由现金流趋势 资产负债表与债务压力 行业地位和主要竞争对手 当前估值与历史估值对比 牛市、基准、熊市三种情景 主要风险与未来催化剂 所有数据标明来源和日期。无法确认的数据请明确写‘未核实’，不要编造。” 2. 财务报表深度分析 “请分析 [公司/代码] 最近一期年报和财报。 依次检查： 营收与增长质量 毛利率、营业利润率、净利率 经营现金流和自由现金流 应收账款、库存和资本支出 债务、利息覆盖率和到期结构 股权稀释、回购和分红 是否存在利润增长但现金流恶化的情况 请区分正式披露数据、管理层指引和市场预期。” 3. 财报快速解读 “请解读 [公司/代码] 最新财报。 输出： 营收和 EPS 相对预期的差异 一次性项目对利润的影响 哪些业务增长，哪些业务放缓 管理层上调、维持还是下调指引 电话会议中最重要的 5 个信号 市场可能如何重新定价这家公司 短期与长期风险分别是什么 每个数字注明来源和报告日期。” 4. 同行业横向对比 “请比较 [股票A]、[股票B]、[股票C]。 建立表格，比较： • 市值 • 营收增长 • 毛利率和营业利润率 • 自由现金流 • P/E、P/S、EV/EBITDA • 净负债 • 股本回报率 • 主要产品与竞争优势 最后指出： 谁增长最快，谁估值最低，谁财务最稳，谁风险最高。” 5. 估值模型构建 “请为 [公司/代码] 建立透明估值模型。 包括： DCF：自由现金流、5 年增长假设、贴现率、终端增长率 敏感性分析：不同增长率和贴现率对应的估值 可比公司估值 当前估值与 5 年历史区间对比 牛市、基准、熊市三种公允价值 所有假设必须标记为【假设】，不要把估算当成事实。” 6. 股息投资分析 “请分析 [公司/代码] 是否适合长期股息投资。 检查： 当前股息率和支付频率 过去 1、3、5、10 年股息增长 派息率与自由现金流派息率 债务和利息覆盖能力 连续分红或增息年数 与 5 家同行对比 哪些情况可能导致削减股息 再估算投入 [金额] 后，在不同增长假设下的长期股息收入。” 7. 风险与危险信号扫描 “请对 [公司/代码] 做全面风险审查。 重点检查： 债务是否增长过快 自由现金流是否恶化 利润率是否持续下降 内部人士和机构持仓变化 做空比例和高管离职 产品、客户和地区集中度 监管、诉讼和会计风险 对利率、汇率和经济周期的敏感性 最后按高、中、低三个等级排列风险。” 8. ETF与投资组合分析 “请分析以下投资组合：[持仓及比例]。 输出： 行业、地区、市值和风格配置 前十大持仓及集中度 ETF 或个股之间的重叠 贝塔、波动率、最大回撤和相关性 费用率与年度成本 股息收益率和预计收入 在 2008、2020、2022 类型环境中的压力测试 如何在不明显降低预期收益的情况下优化风险。” 9. 宏观事件影响分析 “请分析 [利率变化/通胀/战争/油价/美元走势] 对 [股票或板块] 的影响。 从以下角度拆解： • 营收 • 成本 • 利润率 • 估值 • 融资成本 • 汇率 • 供应链 • 市场情绪 分别给出短期、中期和长期影响，并列出最受益与最受损的公司。” 10. 投资决策备忘录 “请为 [公司/代码] 写一份一页式投资备忘录。 必须包括： 核心投资逻辑 当前市场可能忽略了什么 最关键的 3 个催化剂 最危险的 3 个风险 什么情况证明判断错误 合理关注价格区间 建议仓位上限和止损原则 请同时写出支持买入和反对买入的论据，避免单边结论。” AI 最大的价值，不是替你下单。 而是把原本需要几小时整理的资料，压缩成一套可核查的研究框架。 但要记住： AI 会过时，也会幻觉。 真正涉及资金决策时，财报、监管文件、交易所数据和公司公告，仍要自己核实。