香港影坛发生了一件现在看来极其荒诞的事。 向华强为了挡住周星驰的势头，把刘德华、张学友、郭富城、郑伊健、邱淑贞等23位当红大腕全部塞进一个剧组，赶着拍了十几天，搞出一部《超级学校霸王》。 资本的想法很简单——用明星怼死你。 结果呢？ 这部堆满巨星的片子，在香港本土只拿到1829万港币的票房。 而同期周星驰的《唐伯虎点秋香》，一个人扛着整部戏，轻松卷走4017万，直接翻倍碾压。 向华强当时在港圈几乎是说一不二的存在，习惯了用资源碾压对手。 他以为只要砸钱、凑人、抢档期，就能复制成功。 这种思维放到商业运作上或许管用，但放到创作上，就是一场灾难。 《超级学校霸王》的拍摄周期只有14天，为了抢在周星驰前面上映，整个剧组像在赶末班车。 剧本是临时拼凑的，笑点是东拼西凑的，连穿越、街头霸王、校园这些元素都像从不同盒子里倒出来的零件，硬塞进一个模具里。 这样的电影，怎么可能好看？ 资本追求的是确定性——找最火的明星、蹭最热的IP、抢最好的档期，一切都在掌控之中。 但艺术需要的是偶然性——一个天才的灵光一现，一段即兴的神来之笔，一次冒险的自我突破。 这些东西，用钱买不到，用人堆不出来。 反观周星驰同时期在做什么？ 《唐伯虎点秋香》里那段经典的“打击乐说唱”段子，是他临时起意加的词；和“如花”的对手戏，即兴发挥到连台词都忘了。 这种创作上的即兴与投入，是资本永远无法用预算表计算出来的东西。 这场围剿的失败，本质上是一次资本思维对创作规律的碰撞。 向华强在票房上输得一塌糊涂后，转头就开始对周星驰泼脏水，什么“片场暴君”“自私难搞”的帽子挨个扣，半点儿实锤证据都拿不出来。 向太陈岚更是多次通过社交媒体发动舆论战，串联圈内艺人公开点评周星驰的性格问题，制造负面标签，长期进行软性口碑消耗。 任达华、刘青云、张家辉三位影帝集体表态——“跟他不熟”。 杜琪峰直接开骂：“周星驰对香港电影圈没有贡献，因为他自私，没品！ ”王晶补刀：“作为一个人，他已经被骂爆了。 ” 这场“倒周运动”规模之大，摆明了是把周星驰往死里踩。 向太为啥这么大火气？ 表面看是因为一篇网帖抹黑了她老公，实际上，这账早在90年代就算下了。 周星驰在向家手底下拍戏那几年，票房再高，他也就是个拿片酬的打工仔。 等到他想自己单干、当老板分版权的时候，动了向家的蛋糕，就已经是“敌人”了。 在港圈那套江湖规矩里，你不讲人情、不服管、不拜码头，就是原罪。 可资本显然低估了一个事实：观众是用脚投票的。 三十年后，随便问个爱看港片的观众，都能说上两句《逃学威龙》的名场面，可那部凑了23个巨星的拼盘电影，早就没人记得叫啥名了。 这就是最硬的勋章——不是资本捧出来的，是时间替观众选的。 现在回头看这段历史，简直就是在给当下娱乐圈的“资源咖”困境写剧本。 资本把“小张卫健”的套路改了个名字，变成“小刘德华”“小张国荣”“小某某接班人”，本质上一模一样——找一个有几分相似的新人，砸资源、堆热搜、大咖带飞，试图用标签复制成功。 结果呢？ 2026年，被网友戏称为“内娱太子团”的多位新生代演员，手握S+级项目与顶级代言，却接连遭遇口碑与热度倒挂。 一部S+古装剧上线后，平台热度被质疑从24000“硬水”至28000，豆瓣评分未及格，弹幕区“强推之耻”刷屏。 与此同时，一部小成本、无资本加持的网剧却凭扎实剧本与演员贴合演绎，豆瓣8.2分逆势出圈。 这种反差，和三十年前《超级学校霸王》被《唐伯虎点秋香》碾压，如出一辙。 观众早已不是当年那个给什么就看什么的观众了。 审美在觉醒，判断力在提升，对“二手货”的容忍度在急剧下降。 资本可以买数据、水奖项、制造虚假繁荣，但真实的观众缘和路人盘，做不了假。 小红靠捧，大火靠命，强捧终究有天花板。 向华强当年搞的那套“堆积明星”的投机 逻辑，放到今天依然在娱乐圈反复上演。 资本永远学不会的是，好的内容从来不是靠人堆出来的，而是靠一个人、一个团队、一个天才能耗在剪辑室里改剧本改到天亮的那种死磕。 少林足球》筹备时，周星驰睡在剪辑室地板上改剧本；《功夫》里那个“包租婆一吼震碎玻璃”的镜头，重拍27次，他自己蹲在监视器前盯每帧画面。 这些事没上热搜，但圈内人都知道。 他后来受访说过一句大实话：“我不是不想分钱，是怕分了钱，没人再敢投我。 ”这话听着硬，其实是清醒——没有永盛敢赌他第一把，就没有后来他敢赌自己第二把的底气。 刘德华当年对张卫健说过一句话：“学到的就要教人，赚到的就要给人。 ”张卫健后来把这句话记了一辈子，功成名就之后，也学着去帮助那些需要帮助的人。 这是人情和温度在传递，是资本永远学不会的东西。 而资本能学会的，只有“砸钱—复制—收割”这个粗暴公式——但历史已经证明，这套公式，走不远。

表弟最近跟我算了一笔账。 500万放银行，按年化1.5%算，一个月利息大概6250块。 如果放进Web3交易所，按年化5%算，一个月大概能有20833块。 两边每个月差14583块，一年就是17.5万。 表弟算完以后说，这钱放Web3，一年多出来的钱，都够买一辆不错的车了。 我问他，那你有500万，放哪里？ 他说，还是银行。 我问为什么。 他说，银行一个月少赚14583块，是少赚。交易所哪天提不出来，可能就是本金没了。 他说完，又低头看了一眼手机，把那张收益计算表删了。 如果你有500万，你会放银行，还是放Web3交易所？

在日本做了几年独立 AI 工程师,聊几个只有真正在这里干过才知道的事。不是签证、收入、市场分析那些,是日常工作里那些不会出现在任何攻略帖里的细节。 第一个没人告诉你的事:在日本,中国人做 AI 有一个非常奇怪的信用加成。 日本企业对"AI"这件事的认知来源主要是两个:美国和中国。美国代表前沿(OpenAI、Anthropic、Google),中国代表速度(DeepSeek、千问、字节)。你是中国人,天然被归到"速度快、实战经验丰富、见过大场面"这个认知框里。 日本本土的 AI 工程师大多数是从学术界转过来的,理论功底扎实,但生产部署经验偏弱。你跟日本客户说"我在中国的互联网公司做过日均千万级 DAU 的数据系统",他们的反应不是"哦",是"えー、すごいですね(哇好厉害)"。因为日本本土很少有这种体量的实战场景。 这个加成不是永久的,干砸一个项目就没了。但它给了你一个很好的开局:第一次见面时,客户对你的预期天然比对一个日本本地工程师高半格。 第二个没人告诉你的事:日本客户最怕的不是你技术不行,是你"突然消失"。 在日本商业文化里,"飞ぶ"(消失/跑路)是对合作关系最大的恐惧。他们之前遇到过的外国 freelancer 里,有人项目做到一半签证到期走了,有人拿了预付款之后联系不上了,有人说好的交付日期突然说"还需要两周"然后反复延期。 所以日本客户考察你的第一优先级不是"你有多强",是"你靠不靠谱"。靠谱的定义极其具体:说好周五交就周五交,邮件当天回,电话接得到,出了问题第一时间主动说而不是藏着。 我刚来日本的时候不理解这一点,觉得"技术好就够了"。后来才明白,在日本,你交付质量 90 分但每次都准时,比你交付质量 98 分但偶尔迟到一次,在客户心里的评价要高得多。信赖感(信頼感)是日本商业关系的地基,地基不稳什么都白搭。 第三个没人告诉你的事:在日本做 AI 落地,最有效的销售话术不是"AI 能帮你省多少钱",是"不用 AI 你会被同行甩开多远"。 日本企业的决策动机跟中国企业不一样。中国企业决策靠 ROI:"花这些钱能赚回来多少?"算得过来就干。日本企业决策靠"危機感":"不做这件事会不会落后于同行?"同行都在做,我不做,不行。同行都没做,我为什么要第一个冒险? 所以你跟日本客户谈 AI,最有效的切入方式不是给他算 ROI,是告诉他:"你的竞争对手 XX 已经在用 AI 做这件事了。"这句话在日本商业文化里的杀伤力,比任何 ROI 计算表都大。 当然,前提是你说的是真的。日本圈子小,胡说被抓到一次,你在整个行业就废了。 第四个没人告诉你的事:中日英三语是一个被严重低估的壁垒。 表面上看,语言只是沟通工具。实际上,三语能力让我能做到一件几乎没有竞争者能做的事:用英文读 Anthropic 的 system card 和最新的技术文档,用中文跟国内的 AI 社区保持同步,用日语跟客户的业务方和技术方深度沟通。 全球最前沿的 AI 信息首先出现在英文世界,通常晚一到两天出现在中文世界,晚一到两周出现在日文世界。我能在信息出现的第一天就消化它,然后在一周内把它变成日本客户能理解和使用的方案。 这个时间差就是我的定价权。日本本地的 AI 工程师要等日文翻译或解读出来才能跟进,美国的 AI 工程师不会日语进不了日本市场。中间这个位置,人极少。 第五个没人告诉你的事:我交过最贵的学费是"把中国的工作习惯带到日本"。 刚来的时候我犯了几个现在想起来都想扇自己的错误: 给客户发了一个方案,里面直接写"你们现在的做法效率很低,应该换成 XX"。在中国这叫直接、高效。在日本这叫"失礼"。日本的方式是:"贵社目前的方式当然是经过深思熟虑的(先给面子),不过如果考虑未来的扩展性(给台阶),或许可以参考一下这种方法(才提建议)。"同样的意思,包装方式完全不同。我花了大概半年才把这个习惯改过来。 还有一次,客户说"検討します"(我们考虑一下),我以为是真的在考虑,等了两周去跟进。后来才知道这句话在很多场合的真实含义是"我们不打算做,但不好意思当面拒绝你"。在日本,"不"很少被直接说出口,你得学会听懂那些"不是不"的"不"。 还有一次把项目进度做成了飞书文档共享给客户。客户完全不知道飞书是什么,打不开。后来老老实实改用 Excel + 邮件。在日本企业里,Excel 和邮件是永远不会错的选择。你觉得落后,人家觉得稳当。 第六个:最意想不到的获客渠道。 我以为在日本获客要靠 LinkedIn 或者行业展会。实际上我最有效的获客渠道有两个:一个是 X(推特),另一个是日本特有的"勉強会"(学习会/技术分享会)。 日本的技术社区有一种独特的文化:定期办免费的技术分享会,大家轮流讲自己在做的东西。你去讲一次,讲得好,会后有人来跟你换名片(是的,日本还在用纸质名片,而且交换名片有一套完整的礼仪),两周后邮件来了:"之前听了您的分享,我们公司正好有一个类似的课题,方便聊一下吗?" 这种获客方式成本为零,但信任转化率极高,因为对方亲眼见过你讲东西,知道你是真的懂而不是嘴上说说。 最后说一句总结。 在日本做独立 AI 工程师,最核心的能力不是技术,是"翻译"。不是语言翻译,是把全球最前沿的 AI 技术,翻译成日本企业能理解、敢尝试、用了之后能看到结果的东西。技术只是原料,翻译才是手艺。 而这个"翻译"能力是没法被 AI 替代的,因为它的核心不是信息转换,是理解两种完全不同的商业文化各自在怕什么、想要什么、能接受什么。这种理解只能靠在两边都踩过坑才能长出来。 所以如果你问我在日本做 FDE 最大的壁垒是什么,不是技术,不是签证,不是日语,是你愿不愿意花几年时间在一个节奏完全不同的市场里,把那些只有踩过才懂的坑全部踩一遍。 踩完了,壁垒就是你自己。

在计算材料学与分子动力学（MD）领域，科学家长期受困于一个“不可能三角”：计算精度、通用泛化性与计算速度不可兼得。 这对已经具备海量材料候选结构生成能力的最新的ai模型来说，让“验证与筛选”变成了主要的新材料研发的瓶颈。 第一性原理计算（DFT）：具备量子力学精度与全元素通用性，但算力开销极高，通常只能处理几百到几千个原子的微观体系。 经典经验势（如 MEAM / EAM）：将原子相互作用简化为经验公式，速度极快、可模拟上亿原子，但缺乏通用性，换一种合金或相变条件往往需要重新拟合参数。 通用机器学习势（MLIP）：通过神经网络拟合量子化学势能面，兼顾了精度与泛化能力，但复杂的等变网络（Equivariant Networks）架构极其笨重，计算速度比经典经验势慢上数个数量级。 来自深势科技（DP Technology）、北京科学智能研究院（AISI）与北京应用物理与计算数学研究所的联合团队在 论文《Universal Machine-learning Molecular Dynamics at the Speed of Empirical Potentials》中提出了名为 DPA4C 的全新通用机器学习原子间势函数，首次在保持近第一性原理精度的同时，将计算速度推向了经典经验势的级别。 以往的 AI for Science 研究多聚焦于扩大模型参数与增加训练数据量，但在实际部署中，复杂的张量积与高阶等变特征计算往往导致 GPU 显存带宽与算力利用率低下。 DPA4C 摒弃了纯算法维度的单点优化，采用了软硬件协同设计（Software-Hardware Co-design）范式： 等变物理架构精简：在严格保留旋转与平移对称性的前提下，重构了特征表达路径。 极端压缩的定制 CUDA 算子：针对推理部署的物理约束，手写并融合了底层 GPU 算子，最大限度减少了内存搬运与内核启动开销。 全尺度模型族覆盖：发布了参数量跨度达 49 倍 的 5 种模型变体，构建起覆盖极端轻量到高精度的“精度—吞吐量”前沿阵面。 DPA4C 在精度、推理吞吐量与并行扩展性上均给出了极具冲击力的实测数据（见附图） DPA4C 为 AI 材料研发带来了四个维度的结构性变革： 1. 疏通高通量初筛的“算力堰塞湖” AI 生成的海量晶体结构往往存在大量亚稳态甚至不稳定的虚假构型，必须经过晶格弛豫、有限温度 MD 与相图计算来校验动力学稳定性。DPA4C 将高通量动力学校验的耗时从“数月”直接压缩至“数天”，使下游验证吞吐量得以匹配前端生成能力。 2. 从“理想晶胞”跨越到“工程微观组织” 实际工业材料的力学强度、抗疲劳与腐蚀性能，往往取决于晶界、位错、空位聚集以及微裂纹扩展等非均匀微观结构。以往由于算力限制，高精度模拟无法涵盖这些大尺度缺陷；而 DPA4C 支持的十亿级原子动力学模拟，让 AI 材料设计能够直接模拟多晶组织演变与断裂力学行为。 3. 赋能自驱实验室（Self-Driving Labs）的高速闭环 在“设计 $\to$ 计算筛选 $\to$ 机器人合成 $\to$ 表征反馈”的自动化实验闭环中，DPA4C 极高的推理速度允许系统在机器人合成前，对熔融、结晶与溶液反应路径进行毫秒级的动态预演，将闭环迭代周期大幅缩短。 4. 攻克多元复杂系统与动态相界面 针对成分组合空间极其庞大的高熵合金，以及固态电池中高度复杂的固-固电解质界面演化、原位催化表界面重构等传统方法难以建模的场景，通用势函数的跨元素泛化能力与经验势级速度提供了前所未有的研究工具。 一句话总结，DPA4C 标志着 AI for Science 正在从“纯算法精度探索”迈向“以硬件部署与工业吞吐为导向”的成熟工程阶段，为计算化学与先进材料研发铺设了真正可落地的底层基础设施。

SpaceX ipo最新时间表预测： 1. 5月15-22，提交S1招股书 2. 5月20，新版星舰V3发射 3. 6月8，IPO路演 4. 6月11，投资者日 5. 6月18-30，IPO正日子 各大投行和媒体会在近段时间预热大太空的情绪，咱们还是多关注大摩之前给的太空60名单： 原材料与采矿 MP (MP Materials) - 稀土 FCX (自由港麦克莫兰) - 铜金属 TECK (泰克资源) - 资源 ALM (Almonty Industries) - 钨 AA (美国铝业) - 铝业 特种材料与合金 CRS (Carpenter Technology) - 特种合金 ATI (ATI Inc) - 特种金属 MTRN (Materion) - 先进材料 GLW (康宁) - 特种玻璃 HXL (Hexcel) - 复合材料 PKE (Park Aerospace) - 航空航天材料 电子与半导体 ADI (亚德诺) - 半导体 STM (意法半导体) - 半导体 IFNNY (英飞凌) - 半导体 MCHP (微芯科技) - 半导体 QRVO (Qorvo) - 射频芯片 MRCY (Mercury Systems) - 国防电子 TTMI (TTM Technologies) - 电路板 AVGO (博通) - 网络芯片 COHR (Coherent) - 激光光学 LITE (Lumentum) - 光学器件 NVDA (英伟达) - 人工智能计算 推进系统与燃料 LIN (林德) - 工业气体 APD (空气化工) - 工业气体 AIQUY (液化空气) - 工业气体 NEU (NewMarket) - 推进剂 组件与子系统 TDY (Teledyne Technologies) - 成像设备 APH (安费诺) - 连接器 KRMN (Kaman Holdings) - 航空部件 RBC (RBC Bearings) - 轴承 APTV (安波福) - 车载电子 HON (霍尼韦尔) - 航电系统 PH (派克汉尼汾) - 流体控制 MOG.A (Moog) - 执行器 GHM (Graham) - 低温设备 AME (阿美特克) - 传感器 航天器与发射系统 RDW (Redwire) - 航天部件 LMT (洛克希德·马丁) - 国防航天 RKLB (Rocket Lab) - 运载火箭 KTOS (Kratos Defense) - 防卫系统 BA (波音) - 航空航天 FLY (Firefly Aerospace) - 运载火箭 NOC (诺斯罗普·格鲁曼) - 国防航天 VOYG (Voyager Technologies) - 空间站 MDA (MDA Space) - 卫星技术 LUNR (Intuitive Machines) - 月球着陆器 YSS (York Space Systems) - 卫星平台 RTX (RTX) - 国防航天 卫星运营商与服务 GILT (Gilat Satellite Networks) - 地面网络 AMZN (亚马逊) - 卫星互联网 VSAT (Viasat) - 卫星通信 GSAT (Globalstar) - 卫星通信 ASTS (AST SpaceMobile) - 太空通信 PL (Planet Labs PBC) - 地球观测 SESG (SES) - 卫星运营 BKSY (BlackSky Technology) - 地球观测 ETL (Eutelsat Communications) - 卫星运营 SPIR (Spire Global) - 卫星数据 IRDM (铱星通信) - 卫星通信 TSAT (Telesat) - 卫星通信

为啥说大家都很草台， 我有个前同事， 面试人家上来就是问哈希表的时间复杂度， 我心想问这个感觉有点侮辱对方智商的表现， 可真的很多人答不上来。 有时候你判断推特的大V 有没有计算机专业素养， 你就看他能不能分清手机内存和存储就够了 别笑， 真的很容测出来不少AI大V其实并未有扎实的计算机的底子。

#兴发集团# 的悲哀：未能绝对控股 #兴福电子# ，导致： 1.未能并表，利润和毛利率无法在财报中体现； 2.持有兴福电子39.93%的股份，市值都一百多亿了，没有卖出之前，财报里只能记账16.55亿“长期股权投资”，如果按兴福电子的公允价值计算，每股实际净资产>30元，却只能显示20.82元。

减脂期最容易踩的坑，可能不是吃多了，而是你根本没看懂配料表。 学会看配料表，真的是成年人很重要的一项“生活技能”。 尤其是减脂期，我现在买东西会特别留意一个词：复合调味料。 看起来只是调个味，但它背后可能藏着很多没有直接写在正面的东西： 味精、呈味核苷酸二钠、增稠剂、稳定剂、糖、盐、香精香料…… 不是说看到添加剂就一定不能吃，你至少要知道自己吃进去了什么。 特别是减脂的时候，记住这个： 新鲜原型肉 ＞ 配料写得清清楚楚的加工肉 ＞ 成分模糊、复合调味料很多的加工肉。 花点时间看一下配料表，能减少很多坑。 真正长期的健康管理，不是每天计算自己少吃了多少卡，而是慢慢建立一种“我知道该怎么选”的判断力。 减脂也好，抗炎饮食也好，可持续的健康生活也好，最后拼的都不是忍耐力。 是选择能力。 把健康这件事，慢慢变成一种不用费劲的生活习惯。🌿

降维打击有多可怕？他用一张表，把自己干成了全单位的免费网管 刚进单位时，他被分到办公室。 看旁边一位老哥每天对着几张表格忙得焦头烂额，他热心上去帮忙，随手改了几个公式，又做了套自动统计模板。 老哥原本要干一周的活，他半天就弄完了。 下午，老哥说电脑太卡，让他帮忙装个软件。 第二天又让他升级系统。 再后来，打印机坏了找他，表格不会做找他，文件打不开找他，电脑蓝屏也找他。 他一边干一边纳闷： 这种水平，到底是怎么考进来的？ 直到有一天，他和人事混熟了，无意中看见那位老哥的简历： 著名985大学计算机系毕业，在校期间拿过一堆奖。 他愣了半天，跑去问人事： “他刚来的时候，也什么都不会吗？” 人事笑了： “他刚来的时候，一个人做的表格，能把整个部门一个月的活全干完。” “后来呢？” “后来他发现，活不是这么干的。”

一段上涨开始回调，怎么判断它只是暂时走弱，还是原来的趋势也开始变了？ 有个好用的工具，Ichimoku Cloud，一目均衡表。 可以把短期变化和较长时间的走势放在一张图里，帮你逐步观察。 看懂它，可以先从两条线开始。 这个指标在TradingView 中的默认参数是 9，26，52，指的是 K 线根数，在日线上对应交易日，在小时线上对应小时。 转换线取最近 9 根 K 线的最高价和最低价，算出中点；基准线用同样的方法，统计最近 26 根。 比如最近 26 根 K 线的最高价是 110，最低价是 90，基准线就在 100。期间价格怎么来回波动，只要统计范围内的最高价和最低价没变，这条线就可以保持水平。 它表示的是这段价格区间的中间位置，和把每天收盘价加起来求平均的均线，计算方式不同。 转换线看的时间较短，通常变化更快。 它向上穿过基准线，说明短期价格区间的中点已经高于较长区间的中点，可以理解为近期走势在转强。 但这究竟是上涨在延续，还是下跌中的一次反弹，还要结合云层来看。 云层由两条边组成。 一条取转换线和基准线的平均值，另一条取最近 52 根 K 线的最高价和最低价中点，再把它们向右移动 26 根 K 线，中间填上颜色，就形成了云。 所以，图表右侧提前出现的云，依然是用已经发生的价格算出来的。它把这些参考位置画到前面，等后面的价格走过来，再观察两者的关系。 云越厚，说明两条边相隔越远，不能直接理解为那里有更多买盘或卖盘。 实际使用时，先看价格在云的什么位置，注意对照的是价格所在时点的云。价格在云上，走势偏多，在云下，走势偏空；反复穿进穿出，方向就还不清楚。 有了这一层判断，再看两条线的交叉就更容易理解。 同样是转换线上穿基准线，发生在云上，可以作为上涨走势中短期转强的信号；发生在云下，则可能只是下跌过程中的反弹。 它另一个实用的地方，是把回调的过程分开来看。 比如价格原本在云上，回落时先跌破转换线，但还在基准线之上，说明短期开始走弱。 如果接着跌破基准线，再进入云层，就需要重新检查原来的上涨趋势是否还在延续。这样看的是价格一步步退到了哪里，不必看到一根阴线，就急着判断趋势反转。 图里还有一条迟行线，它把当前收盘价向左移动 26 根 K 线，让你直接比较现在的价格和之前那段行情的位置。 它在过去的 K 线上方，说明现在的价格已经高于那时对应的位置；还缠在过去的 K 线中，就说明价格尚未明显拉开距离。 但是，读历史图时要注意，这条线是后来画回去的，不能把它当成当时就已经出现的信号。 它比较容易遇到的问题是横盘。 价格反复穿云，两条线也来回交叉，一段窄幅波动就可能给出多次方向变化。如果每次交叉都跟着操作，就容易在同一个区间里反复进出。