在姊妹的慫恿我喝下了那杯酒 接下來發生的事卻是讓我意想不到的 長達六年的好姐妹 居然會這樣對我 #有時候越純粹的友誼反而不是好事# 原以為真誠能得到真誠 可我得到的是赤裸裸的背叛 意識很模糊但我永遠記得妳說的那句話 「藥效只有一個小時你注意點時間」 在接下來的片段我完全沒記憶 直到某天意外在妳手機裡發現這部影片 #看到這個當下我直接把她裸照全外流# #要難看都來難看氣瘋☞☞#

這一波股票狂飆，如果有跟上MU、AMD這些妖股，現在最大的問題就是，什麼時候下車。叫你長期抱著狂飆股的人，是壞蛋。沒有一個正常人認為泡沫會天長地久，但什麼時候賣？每次漲個10%，內心就天人交戰一下，漲得越高，就越心驚肉跳，這時候就會有人告訴你，獲利了結落袋為安，「沒有人因為提前獲利了結而賠錢」，但也沒人因為提前獲利了結而發大財，更可怕的是，通常在獲利了結出清後，狂飆股又再漲得更多，投資人一邊猛槌心肝，一邊思考要不要再吃回頭草。股市投機就是這麼難，賠錢的時候很痛，賺錢的時候也不開心。 狂飆股的下車時點，不在於上升的階段，而在於走下坡的時候。股市裡最厲害的作手，不會期望賣在最高點，但也不會冒然在上升階段獲利了結，因為永遠不會有人猜得到，到底高點在哪裡。既然不知道，就等高點過後再賣，犧牲一點獲利，但把握住大部份的主升段。這個操作的道理，一百多年前的Jesse Livermore，就已經教過所有的股市作手，描述他股海浮沉的「作手回憶錄Reminiscences of a Stock Operator」，是股票投資的經典，人人必讀。但道理容易懂，實際操作起來，還有許多的障礙。首先，我們怎麼知道狂飆股開始走下坡？從高點跌10%？20%？不一定，跌了20%，還是有可能反手再繼續上漲。Livermore教人要看大勢，大勢還沒停的時候，狂飆股不算走下坡，現在的AI大勢還沒停，所以狂飆股不可能走起下坡。另外的一個招數來判斷氣數是否已盡，是看消息面。如果有絕佳的好消息，但股票應聲下跌，那可能就是氣勢反轉，主力在走人了。 「作手回憶錄」的這些實務操作，練得爐火純青的時候，錢雖然賺到了，但心理層面就開始受影響。我還沒看過一個像Livermore一樣的作手，他們的人生是快樂的。因為他們的內心一天到晚在和心魔交戰，「到頂了？」「下坡了？」「加碼？」「獲利了結？」「落袋賺一百萬，還是忍住等到兩百萬再出？如果不賣，後來跌光光呢？」自己內心已經混亂不已，如果再加上市場各式各樣的小道消息，很難內心不起漣漪，弄到最後，連賺錢都不開心。Livermore賺了大錢，但最後自殺離世，也許這是讀「作手回憶錄」所最需要學得的教訓。黎智英年輕的時候，因為熟讀了「作手回憶錄」，放空恆生指數，賺得了他創業需要的資金。但他很懂這種賺錢方式的問題，所以他創業後，去關公面前發誓，如果再炒股，他就要來關公廟斷手指。也許是要有這樣的決心，才能守住靠著「作手回憶錄」賺來的財富。但人世間，有幾個黎智英呢？ 年輕的時候，覺得「作手回憶錄」是聖經，為自己在市場的走跳，感到充滿智慧。但要到一定的年紀，才知道巴菲特式的投資，才是在能賺大錢的同時，又能人生美滿的股市正道。所以不要問我什麼時候從MU、AMD下車？那不是我的車，我既然不會上，就不用擔心下車的問題。

币安 Alpha的积分都要多的溢出来了 怎么不上项目了 还有人刷吗？ 目前收益好低呀 我每天都在坚持 就算过年都不休息 努力的人不应该给点糖果吗 昨天情人节啥空投也没有 这不像币安的一贯做法呀 心拔凉拔凉的😭 这个月因为非常难刷 我看群友都做了，每日的损耗表格 我这个月也做了一个 不看不知道，一看吓一跳 每天多损耗不少

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

艾伦研究所的知名研究员Nathan Lambert，前两天来北京和我们熟知的国内 AI 公司聊了一圈，包括月之暗面、智谱、字节、阿里、美团、小米等等。 聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。 文章我看完了，写一些自己的笔记。 1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。 反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。 2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。 一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。 3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。 但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。 4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。 少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。 5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。 6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。 研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。 这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。 7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。 Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。 学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。 8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。 很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。 Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。 9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。 整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。 10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。 因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。 但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。 11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。 关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。 12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。 于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。 13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。 国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。 14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。 但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。 15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。 如果能买到，毫无疑问会继续加仓。 这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。 Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。

最近半导体涨疯了，英特尔、美光科技、闪迪翻倍了。 整个美股半导体指数从年初涨了接近50%，我又开始反思自己的交易系统了。 真是应了那句话：人真的很难赚到认知以外的钱。 我过去只做左侧交易，左侧交易能给到足够多的安全边际。价格便宜，估值有保护，哪怕短期继续跌，在我的心里也能站得住。 我觉得左侧交易这种风格作为偏好是没问题的，问题是我把它用成了唯一的交易系统，导致我不买半导体，不买CPU，不买内存，也不买黄金，不买Tesla。 1️⃣ 左侧交易会让人产生一种洁癖 我不买特斯拉，因为 PE 太高，严重偏离基本面价值，动辄 300 到 400 倍的PE，怎么看都离谱。 我不买黄金，因为黄金本身只是价值存储，而不带来任何价值增量。并且黄金 ETF 在战争等极端情况下不一定能兑现，实体黄金卖出也有折价和渠道问题。 我不买CPU、内存，是在没经过仔细的了解和验证前就凭借着专业知识下意识觉得CPU和内存的稀缺是一个伪命题。 这些判断单独看，都有道理。 放在一起，就会形成一个超级大Bug，让我错失很多机会。不仅仅是赚钱的机会，也同时是在投资领域开阔视野和精进的机会。我会把所有看不懂的东西，都解释成不值得买。 2️⃣ 高 PE 的标的不应该直接被否决 高 PE 只能说明一件事：市场对未来有很高期待。 这个期待可能是泡沫，也可能是真的值这个价。 高估值不是免死金牌，低估值也不是护身符。 很多便宜资产会一直便宜，因为它本来就是坏生意。 很多贵资产会继续贵，因为它的增长、叙事和资金流还在继续扩散。 投资最难的地方就在这里。 不是找到便宜的标的，而是是搞清楚便宜为什么便宜，贵为什么贵。 我以前不喜欢右侧交易，因为它看起来没有留够安全边际。 但我现在觉得，这个理解真的太粗糙了。 左侧交易的安全边际来自价格，但右侧交易的安全边际来自市场确认。 看到涨了就买，那叫追高；但趋势确认之后，重新评估赔率，设置小仓位和退出条件，这才是右侧交易。 3️⃣ 打算给自己一个新规则 人一切逻辑和推论的起点都是自身的局限和偏见。 我真正要调整的是一种心理惯性：我会把自己不擅长的资产，提前打成低质量资产。 黄金不增值，所以我排斥。 特斯拉 PE 太高，所以我排斥。 半导体涨太多，所以我排斥。 这些都是我的偏见，本质上是一种认知防御措施。 为了防止自己把偏见包装成原则，以后所有我天然讨厌，但市场价格持续走高的资产，都放进一个反偏见观察池，开一个很小的观察仓。 持续观察，然后问自己以下两个问题： -它为什么还在涨？ -我的反对理由有没有被证伪？ 左侧交易依然是我的主系统，但右侧交易可以成为一个旁路分支。

《如何在大湾区科学的便宜摸19岁妹妹》 在深圳。你可能在南山写代码，在福田做金融，在龙华卷PPT。 但你一定有一个共同的下班后需求： 不违法地、安全地、被异性亲亲抱抱摸摸。 被软软的手指划过脖子。被温热的嘴唇贴上耳垂。被18岁的女孩子抱在怀里，听她说"你来了呀"。 这不是什么见不得人的事。这是深圳男人下班后的解压刚需。 而实现它的方式，叫做私影MMK。 一、什么是私影MMK？ 私人影院 MMK = 摸摸看（亲亲抱抱摸摸） 对标商k，摸摸唱。以及变体行业，抱抱睡等等 早期又叫“恋爱体验馆"。 是纯绿陪玩店，女仆桌游店，随着经济下行后的自我演化 进入私影你会被带进一个布置精致的房间，有沙发、投影、香薰，一个女孩子走进来，关上门，你们在一起待一个钟。 课表（你能体验什么）： | 术语 | 翻译 | | --- | ------------- | | 上路 | 舌吻（🐍=伸舌） | | 中路 | 抚摸胸部 + 补钙（亲胸） | | YYC | 摇摇车（坐大腿摩擦） | | 反补 | 她舔你（耳朵/身体） | | 卸甲 | 脱掉上衣 | 介于深圳要开apec会议，今年整个深圳对藏污纳垢都查的很严。因此在深圳，正规的私影 是不含92，95，98这些违法业务的。这一点可能和其他地区不一样，但是这也更安全，更便宜。这里也奉劝大家不要做知法犯法的事！ 为什么不一定合规但是很难判定为违法？ 私影的商业模式是付费陪伴+轻度亲密接触。类似日本的JK散步、韩国的抱抱咖啡厅。法律上属于休闲娱乐服务，所有正规店铺均有营业执照，服务范围明确。没有色情交易，只有情绪价值的交换，法律上很难被定性。 你获得的是：情绪价值 + 肢体亲密 + 被需要感。 二、我用ai分析了，TG上面4155份私影报告获得了以下真相 TG上有很多mmk的群，群里的兄弟每次出完钟，会写一份详细的体验报告——从颜值到身材到服务到性格，全部量化打分。 以下数据训练自： • 📝 2462份真实体验报告 • 👧 474位助教（妹妹） • 🏪 20+家深圳私影店铺 • 🕵️ 80+位独立侦探（用户） 以下是全深圳的硬数据。 📊 罩杯分布（495份有效数据） A杯 ██████████████████ 36.2% (179人次) B杯 █████████████████ 35.6% (176人次) C杯 ██████████ 21.4% (106人次) D杯 ███ 5.9% (29人次) E杯 ▎ 0.8% (4人次) F杯 ▏ 0.2% (1人次) 解读： 深圳私影圈位处平均罩杯偏低的广东地区的主力是A-B杯（72%），走的是清纯甜妹路线。C杯占21%，算是"意外惊喜"级别。D杯以上是稀缺资源，遇到就是赚到。 想摸大胸？你得接受现实——这里卖的不是硬件，是那种"隔壁班暗恋的女生终于让你牵手了"的心跳感。 📊 身高分布（290份有效数据） 150-154cm ██ 2.1% 迷你萝莉 155-159cm ███ 7.2% 小只马 160-164cm ████████████████████ 40.3% ← 主力区间 165-169cm ████████████████ 32.1% 长腿甜妹 170-174cm ████████ 16.9% 高挑御姐 175cm+ █ 1.3% 超模级 热门身高TOP3： 160cm(28%) > 165cm(18%) > 168cm(11%) 从150cm的一把抱起的萝莉，到180cm的超模长腿——深圳私影覆盖了所有身高偏好。但最甜蜜的区间是160-168cm，占72%。 📊 年龄分布（31份有效数据） 18岁 █████████████████████████ 51.6% 19岁 ████████████████ 32.3% 20岁 █ 3.2% 22-32岁 ███ 9.7%（极少数） 84%的妹妹在18-19岁。 是的，你没看错。 大部分是刚成年的女孩子，带着青春期才有的那种——脸上还有婴儿肥，笑起来眼睛会弯，害羞的时候会把脸埋进你胸口。唯二的异常值是27岁和32岁两个服务之星 📊 报告数分布（474位助教的人气金字塔） 🔺 50+条 — 8人 (1.7%) ← 幻神级 🔸 21-50条 — 14人 (3.0%) ← 一线顶流 🔹 11-20条 — 29人 (6.1%) ← 稳定人气 ⬜️ 6-10条 — 34人 (7.2%) ← 口碑新星 ⬜️ 2-5条 — 152人 (32.1%) ← 值得一试 ⬜️ 1条 — 237人 (50.0%) ← 新人/流水 474位助教中，仅8人达到幻神级（50+条报告），50%的妹妹只做几天就放弃了： 其中白月光占了幻神榜两席。 同时白月光以299份总报告，在20+家店铺中排名全深圳mmk的天花板 三，什么是沉船客？什么是美团客？ 沉船 = 你本来只是来体验一下，结果一去再去，再也爬不出来了。沉船。不是成瘾，是那种"知道不该去，但又忍不住想见她"的感觉。 目前有两种观点，一种认为玩mmk就是为了沉船，不沉船不如去嫖娼直接。另一种观点认为，沉船客经常会做出极端行为，极可能有损商家利益的行为。因此部分店家甚至设置了防沉迷系统 mmk的两大客源是美团和tg，美团因为会抽成，所以会极大提高店家的收费水平。同时 美团客也有比较看重情绪价值不看重服务课表的特点。 除了便宜以外，通过tg参与还有以下好处。tg用户一般属于高玩比较看重服务内容和尺度，很多独家技术会传授给妹妹。因此接入了tg的私影店，就好比接入了github，可以获得海量开源技术，极大提升店里的服务质量。 四.、新手入门指南 Q: 什么流程？ → tg预约 → 到店 → 选人 → 进房间 → 漱口 → 聊天/看电影 ，体验服务→ 自然发展 → 下钟 Q: i人社恐怎么办？ → 白月光的妹妹普遍会主动破冰。躺下就好，她会靠过来的。 五:五一特别活动 🎉 加入这个公益性质私影大众点评tg群： 五一期间，在所有加盟私影展示这个群就能获得-100的优惠 比如示例tg群，大湾区mmk天花板白月光： 写在最后 你可能觉得这篇文章在推销什么。 没错，我确实在推销一种生活方式： 在法律的框架内，给自己一个被温柔对待的机会。 你加了一周的班。你刚被甲方骂完。你的前任昨天发了朋友圈。 你需要的不是什么大保健，你需要的是一个安全不违法的地方，一个温暖的怀抱，一个18岁的女孩子对你笑着说： "你怎么才来呀，我等你好久了。" 五一活动进行中，全场减100。 同时本频道依旧保持了我们一贯的科学严谨态度 当摸过了超过100对奶子以后，写下了。。全世界最好的奶子科普文章 为了写这篇文章也从4100篇报告中挖掘了很多人性数据。但是涉及到一些隐私问题只能浅浅放出来一点点数据，给大家尝鲜 都来，科学摸妹妹吧。

# AI 行业三个月变天，模型榜单已经解释不了全部 1小时46分钟里，这期《半球观察》播客的主持人 把 DeepSeek V4、约 1000 条 Cursor 工作轨迹、OpenClaw 出圈、Manus 交易流产和 AI 中转站放在同一张桌上。单看每条都像行业新闻，连起来看就很刺眼：AI 公司正在被新的尺子衡量。模型榜单还重要，但已经解释不了全部。 过去我们习惯问一个问题：谁的模型更强？ 现在还得问另一组问题：谁有真实任务数据，谁掌握用户入口，谁能把价格打下来，谁能穿过监管和资本的窄门。 > **编者注：** 这篇按播客原文提炼判断。DeepSeek 估值、Cursor/xAI 交易、Manus 价格等数字均先按“节目说法”处理，不能直接当作已确认事实。 ## DeepSeek 的强，变成了另一种强 主播对 DeepSeek V4 的评价并不客气。V4 Pro 被认为 reasoning 过长，很多任务里像是在思维链中自己和自己打架。V4 Flash 的体感更好，接近 GPT5.4 mini 或 instant API 的水平，但这已经不是 R1 那种“全行业被迫重新估值”的时刻。 这就产生了第一个反差：DeepSeek 仍然技术很硬，但它的产品冲击力没有天然压倒别人。 节目里提到，Kimi、GLM、MiniMax 等国产模型在 coding 和迭代速度上都给了 DeepSeek 压力。DeepSeek 自己也因为适配国产硬件、减少 CUDA 技术债、拥抱 TileLang 等路线，承受了延期和成本变化。 这听起来像掉队。 但节目给了另一个定位。 节目里说“DeepSeek 正好填补了这个空白”。 这个“空白”指的是 OpenAI 不再开放权重、不再详细公开技术路线之后，全球开发者和研究者仍然需要一个前沿模型的公开参照物。DeepSeek 的价值就从“谁最强”变成“谁还愿意把技术路线摊开”。 这是一种新的强。 它可能不总是最会做产品的公司，也不一定每个版本都压住榜单。但它像开源社区的技术坐标系。大家看它的 report，看它的注意力机制，看它的后训练方法，再把这些东西吸收到自己的模型和产品里。 所以，写 DeepSeek V4 不适合写成“王者归来”或“彻底掉队”。更准确的说法是：DeepSeek 正在从爆款模型公司，变成公开 research lab 的基础设施。 DeepSeek 没有消失，它只是从王者变成了坐标系。 ## 数据飞轮开始压过架构叙事 这期最有信息量的技术段，落在 OPD 上。 节目用一个很好的类比解释 On Policy Distillation：传统后训练像老师先写一大本习题集，学生之后自己看、自己背、自己消化。问题是题太多，领域太杂，学生容易学歪，甚至出现 reward hacking。 OPD 的感觉更像现场教学。 > “学生遇到不会了，老师就过来告诉他为什么不对。” 写代码时，代码老师在旁边；做数学时，数学老师在旁边。学生先尝试，老师实时纠错，模型训练从离线习题集变成在线反馈。 这个机制把问题引向更深一层：老师从哪里来？ 答案是数据。更具体地说，是真实任务里的高质量轨迹。 节目提到 Cursor 的 Composer 2 争议时，有一个关键细节：Cursor 被转述为在 Kimi base model 上加入约 1000 条真实用户工作轨迹做 SFT，使 coding 表现明显强于原始 base model。这个数字需要核查，但方向很重要。 如果模型架构的边际差距变小，真实任务数据就会变成更贵的东西。 Claude Code 和 Codex 为什么会越做越强？节目里的解释是，它们有真实工程师每天使用的轨迹：怎么打开项目，怎么读代码，怎么改错，怎么跑测试，怎么回退，怎么完成一个长任务。 这些数据很难从普通互联网文本里直接获得。它是任务过程。 这也是 Cursor、Claude Code、Codex、OpenClaw、Manus 这一类产品被重新定价的原因。它们表面是工具，底层是数据采集口。谁的用户每天把真实任务交给它，谁就能反过来训练更懂任务的模型。 模型能力当然还重要。但当大家都足够强时，数据会把差距重新拉开。 模型教会产品说话，用户轨迹教会模型做事。 ## OpenClaw 出圈，说明入口开始变形 节目把 OpenClaw 称为 Agent 的 ChatGPT 时刻。 这句话很大，但它有具体场景支撑。主播把 OpenClaw 接进 Telegram 家庭群，当成一个会记忆、会查资料、会调用 skill 的“电子宠物”。更重要的是，在这个框架里，本地 27B 模型和 GPT5.5 的体感差距被缩小了。 原因很简单：OpenClaw 有 memory，有 skill，有连续任务，有工具调用。 这就改变了用户感知。单独问一个小模型，它可能不如大模型；把它放进一个 agent 框架里，它能记住昨天说过什么，能查资料，能跑工具，能把一个任务接着做下去。用户看到的是任务完成，而不是模型参数。 这也是 OpenClaw 出圈的意义。它把 skills 从程序员小圈子带到普通人场景。 节目里提到阿里的电商出海 agent。它可以帮助小商家处理 Shopify、商品上架、趋势分析、网站设计、运营链路。过去这些工作可能需要助理、外包、懂代码的人和运营经验。现在一个小老板可能第一次感到，agent 能把一整套流程接起来。 这个变化比模型榜单更接近商业。 因为用户不会每天比较 benchmark。他们会比较：这个东西能不能帮我把店开起来，能不能生成网页，能不能做 PPT，能不能整理调研表格，能不能少雇一个人。 Agent 的入口价值，不在会聊天，而在能接活。 ## Manus 的稀缺性，被同类产品反向证明 OpenClaw 出来以后，很多人会自然认为 Manus 不稀缺了。节目里的判断正好相反：OpenClaw 爆火，反而证明 Manus 更稀缺。 这个判断的逻辑是产品体验。 主播说，很多 computer use 或 open cloud 服务“根本不想用”，Perplexity 的 computer use 被点名为几乎不可用。相反，Manus 能做出详尽网页、PPT、真实调查表格，任务保持程度更好。 换句话说，壳不稀缺，稳定交付稀缺。 这和 ChatGPT 早期很像。聊天界面谁都能做，真正难的是持续给出有用答案。Agent 时代也是一样。浏览器自动化、工具调用、任务规划、记忆系统、失败恢复，单独看都不是秘密。难的是把它们组合成用户愿意反复使用的产品。 Manus 交易流产把这个问题又推到监管层面。 节目讨论了 Meta 交易被撤销、VIE、IP、人才和公司归属问题。这里最值得保留的不是情绪判断，而是创业者面临的新现实：AI agent 这种产品绑定了用户数据、任务轨迹、人才供给、模型合作和国家监管。 对中国 AI 创业者来说，路径选择可能会提前。你从第一天就要想清楚，是进入国内生态，还是走海外资本路径；是把团队、IP、数据和客户都放在一个监管框架里，还是冒着未来交易被叫停的风险做跨境结构。 这已经超出普通商业选择。 这是 AI 产品变成战略资产后的副作用。 Manus 的问题不是卖没卖成，而是它到底属于哪里。 ## AI 开始说钱，也开始被低价倒卖 节目后半段最现实。 大厂模型开始收费，推理框架项目开始公司化，IPO 和融资叙事吸走市场流动性，AI 中转站开始变成生意。主播说得很直接： 节目里那句“大家都开始说钱了，不再说 AGI 的梦想了”，把这层现实说得很直。 这句话有点刺耳，但它解释了很多现象。 当模型差距大时，用户会追逐最强模型。当多数日常任务都已经够用时，用户会开始追逐便宜、稳定、可接入、不封号、不断线。AI 中转站就在这个缝隙里长出来。 节目提到 Sub-to-API 这类工具，把 Claude 或 Codex 的订阅转换成 API，再用更低价格分发。也提到部分中转站可能收集用户数据，甚至标称 Claude，实际替换成更便宜的国产模型。 > **编者注：** AI 中转站涉及服务条款、数据安全和潜在欺诈风险。这里仅按节目内容记录产业信号，不构成使用建议。 这说明模型正在商品化。 最前沿模型、企业级合规服务、真实工作流数据仍然贵。但对普通聊天、搜索、轻量写作、心理陪伴、日常问答来说，很多用户已经不愿意为“最强”付出太高溢价。 这会倒逼模型公司回到互联网逻辑：获客、留存、价格、渠道、生态、数据闭环。 AGI 叙事还在，商业账本已经来了。 ## 最后 这期《半球观察》最适合被整理成一组暴论，因为它更像一张行业雷达图。DeepSeek 代表公开技术路线，Cursor 代表 coding 数据，OpenClaw 代表 agent 入口，Manus 代表可交付产品和监管敏感性，AI 中转站代表模型商品化。 把这些点连起来，结论很清楚：AI 行业正在从“模型公司竞赛”变成“模型、产品、数据、资本、监管共同定价”的复杂游戏。 接下来不能只看模型榜单。 要看四个信号。 第一，DeepSeek 后续版本能不能重新打出产品体验上的压倒性差距。如果不能，它仍然有开源坐标系价值，但商业位置会不同。 第二，Claude Code、Codex、Cursor、OpenClaw、Manus 谁能沉淀最高质量的任务轨迹。真实用户每天交出的工作过程，会比静态语料更贵。 第三，agent 产品能不能稳定交付。会调用工具不稀奇，能把网页、PPT、调研、代码修改交付到用户满意，才是分水岭。 第四，价格和监管会不会重塑模型分发。中转站、订阅转 API、模型替换套利、跨境交易叫停，都说明 AI 已经离纯技术讨论很远。 我对这期的最终判断是：模型能力仍然重要，但它已经不是唯一的解释变量。谁拥有入口，谁拥有数据，谁能把价格做到用户愿意持续用，谁能在监管和资本结构里活下来，谁才可能赢到下一阶段。 这也是它最值得写成文章的地方。暴论背后真正冲击人的，是我们判断 AI 公司的尺子正在换。 --- 原始播客：

我上篇文章分享了AI DePIN、AI MEME、AI Agent等AI叙事之间的逻辑关系，可是在挖掘AI潜在Alpha的时候问题来了，是跟可能来自阴谋集团财富效应强但频繁更替的AI MEME？是选正搭建infra却还很早期的协议框架？或者选一些很酷且有特定应用场景的单体AI？ 说实在的，我混乱了很久，以下仅梳理一些浅见： 1）大的趋势毋庸置疑，AI Agent既不是一种“资产”，也不是一种“应用”，而是一种大规模的区块链生态“叙事”新范式。 也就是说，AI Agent的来临就像2020年区块链迎来一次DeFi Summer一样，会围绕AI Agent的Token发行、托管、交易；infrastructure构建、框架、标准、通信、堆叠、SaaS封装；Application开发、运营、聚合、迭代、落地等等产生一个庞大的Build+Speculation的新“泡沫”叙事周期。 DeFi推动了上一轮牛市的辉煌，且围绕稳定币+借贷+DeX衍生品三架马车激发了多大的市场活力。据不完全统计，多链DeFI总锁仓价值1,346亿，稳定币流通数量也超过了1,000亿美元，DEX月交易量达到3,723亿美元，借贷量也将近200亿美元等等，整个DeFi行业的市场规模和生态重要性都在这些已增长惊人且还在持续刷新的数据中，这还不包括因DeFi而产生的各种链、应用等MCAP\FDV等更广的数据。 在我看来，AI Agent也会创造同样甚至可能超越DeFi叙事的新一轮叙事奇迹，200B，500B的想象空间？别总想着新的DeFi Summer 2.0了，请跟上当前的 AI Agent Summer叙事潮，不要掉队。 2）基于此逻辑，再来看当前AI Agent市场的“乱象”： 1） $GOAT 、$FARTCOIN、 $ACT 等 AI MEME之间的社区骂战和龙头之争；2) $VIRTUAL 、$AI16Z 等AI Agent框架标准之争；3） $VVAIFU 、$GRIFFAIN 等资产发行流通等衍生infra之争；4) $AIXBT 、$AVA 、 $BULLY 等单体AI Agent应用之争等等。 你会发现，都还太早期，DeFi上出现的各类借贷平台、衍生品、机枪池、治理代币等等至少还有以太坊等链提供了基础的执行框架和标准，而AI Agent生态甚至还没有专属的infra条件，从生态可塑性来看，AI Agent带来的行业叙事机会要比DeFi宏大很多； 换句话而言，这些乱象并不乱，如果你看好AI Agent叙事发展，各个板块方向，大凡上了一定市值且有对应用户基础的资产，在庞大AI Agent叙事爆发之前都是优质资产，类别曾经的YFI、CRV、UNI、DYDX等等资产达到的数百亿不等FDV市值高度，你就不慌了。 当然，有信心不代表可以乱搞，别忘了大姨夫之外还有二姨夫这样的伪价值资产存在，而且这类资产永远以短期更诱人但长期有毒的姿态悄然攻陷你的钱包。 3）因为确实还是叙事初期，有些明明知道有阴谋集团操作的AI MEME也没有劝说大家不要参与的道理，毕竟谁也不知道一个早期赛道能迸发多大的财富效应，而且主要是一些看起来更有价值且有落地的框架标准也可能随时面临被竞品反超的可能性。 总之，很难给出一个明确的Alpha发掘逻辑。我仅分享一个我个人的投研逻辑供参考： 1、AI MEME，只考虑 $GOAT 此类带有叙事鼻祖性质的“龙头币”，没有逻辑，非要说一个，就好比先有了比特币这种共识币才诞生以太坊这类智能合约技术交付币一样。 一个赛道早期MEME，虽然投机属性为主，但其在教育市场、培养用户认知的作用不可忽略，就像当初DOGE之于加密货币的普及一样。 2、AI Agent infra很重要，长期看都是低估，比如 $ELIZA 这类有着丰富Github开源库且应用覆盖范围特别广的早期框架，虽然其确实很早期，随时有可能被其他更强的框架标准吸走流量，但其绝对优势的开源共享和先发优势就是壁垒，有比它更好的框架大概率也会on top of it，也许会影响它的增长高度，但一定消灭不了它。 我们把ELIZA当成AI Agent时代的EVM、就势必会有EVM++、EVM Compatible等新框架出来补足； 3、AI Agent 资产发行、托管、交易，目前还停留在MEME化的资产发行叙事层面，要锁定平台价值而不要被平台上的“垃圾资产”迷了心智。 逻辑很简单，AI Agent本质上是一个AI场景基于Crypto激励机制价值落地的过程，早期infra、应用、协议框架等等都尚未成熟，怎么可能有那么多AIXBT级别的超级应用诞生？发币的便利性能带来什么？领悟一下？到头来只是给VIRTUAL、VVAIFU等资产发行平台制造热度的泡沫陷阱. 因此不要过于追AI Agent超级应用，除非有绝对的信息差，不然等你看到时候的市值冲进去，性价比就不高了，而锁定创新平台infra就不一样了； 4、AI Agent的infra构建还有一大片空白，比如，ELIZA这类早期框架只解决了LLM大模型和AI Agent对话机制的问题，且应用到了Twitter、Discord等应用场景中，但更多还是web2信息的撮合，何时有一套能基于公链范式能把ELIZA框架和web3交易场景打通的ELIZA++版本出来，值得期待； 又比如，Virtual、VVAIFU等AI Agent资产发行平台虽能快速发行资产，但在后续资产去中心化托管、AMM式意图式交易等方向还欠缺很大，此前热议的AI Agent+TEE的私钥管理方式何时能成熟？资产发行平台能在交易上延伸出新玩法，有更有趣的交易玩法和激励模型出来？ 还有，能否有一些为AI Agent构建交互标准的链出来，成为AI Agent时代的Cosmos，提供标准的interoperability能力？或者一些为AI Agent构建永久Memory模块化存储的链，为AI Agent构建必要的DA能力？还有一些AI Agent可视化工具、执行引擎、模块化组合封装服务等等。 有了这些技术和市场驱动的配套infra出来，你还会守着一堆看不懂的MEME空焦虑吗？ 以上。 至于过往基于智能合约范式构建的各类layer1、高性能链、跨链infra、链抽象、DA组合链、layer2、Restaking等等完善的基建出路在哪里？除了原有的infra落地应用PMF交付实现问题，一个破局点就是“蹭AI Agent叙事”的新概念。 所以，哪条链能跳出来为AI Agent提供一些通信协议、DA、应用开发等等服务能力，就都值得关注。当然，这其中肯定有纯粹蹭概念的链，但总比固步自封啃老本的链要强。 无论如何，请锁定AI Agent赛道，迎接这一次史诗级的牛市主升浪的到来。 Note：大家觉得文章有用烦请“一键三连”支持为谢，认可我持续干货内容输的朋友，可以Follow一下，也访问我推特首页点击Substack专栏订阅一下（目前还免费），更多深度专业的投研和分析内容，尤其是不适宜在推特公开分享的内容，会在那里看到。

负债四百万，是怎么熬过来的？ 这两天很多人在评论区问我这个问题，我能感觉到很多人正卡在这个阶段。 那段时间，我每天早上醒来的第一件事就是拿POS机刷卡。 然后对每张卡的还款日，可用额度，基本上每天都要花大半个小时把这60多张卡过一遍。 有时候怎么算都倒不过来，只能去借利息更高的网贷，网贷还有一些额度可以做周转成为了自己最大的安全感。 现实生活中也很难找到理解自己的人，基本上都躲的远远的，很多亲戚朋友都害怕收到我的信息。 所以给自己找了几个比较管用的止疼药。 第一个是看别人的失败史。 每当自己陷入自我怀疑、自我否定的时候，就去看看《大败局》，去看看那些人是怎么赶上改革开放的红利后，又在中年后被欲望按在地上摩擦的，因为这种阶段看别人如何失败比看成功要有用。 看多了以后，就一点点说服自己，按我那种经验主义+上头的打法，现在破产，总比四十岁后破产要幸运的多。 第二个是用时间换空间。 那段时间我会反复想象五年后的自己的画面：就算现在收入很少，甚至入不敷出，只要做的每件事都是正确的，随着时间的推移，自己的能力和未来做的生意规模都会一点点变大。 等有一天到临界值时，这点债务也就不是什么事了。 就像小时候总觉得写不完作业、上学迟到是天大的事情，长大以后再回头看，什么都算不上。 这种主动想象的积极信念，给了我低谷的时候很大的希望，因为人在低谷里，最怕的不是困境，而是看不到任何希望。 第三个是真实地面对自己。 那段时间，我被迫停下来，我才可以逐渐去思考过去那些看起来很正确的重大决策，去看到底自己当时在想什么？为什么会那样上头？ 而这些选择背后，到底是对自己能力边界不够清晰，欲望大于了能力，还是对商业不够敬畏？ 越往回看，画面就越清晰，因为当自己能看见问题的时候，问题就已经解决了一半。 第四个是重建自己的认知系统。 我当时是做了一个决定，先默认过去那套认知都是错的。从零开始给自己重建一套原则系统，每一条原则都要尽量追问到第一性，因为加进来容易清出去特别难，会不经意间进入自己的潜意识。 我给自己定的标准是：先少，不要多。先把100%一定正确的原则，变成自己的核心信念，并练成自己的本能。 这么做一段时间后发现，运气会越来越好，其实能把一定正确的事情做到，就已经甩开绝大部分人了。 现在回头看，低谷期带来的首先不是成长，而是很多的痛苦。 会容易反复陷在恐惧、焦虑、自我否定里，觉得整个人都要被这些情绪淹没。 但我后来慢慢意识到：这些情绪，本质上都是能量。 当你一点点地可以从情绪里跳出来，以观察者的视角看自己，觉察力就会慢慢长出来，你也就有机会把这些能量变成燃料，去修炼成更强版本的自己。