有一次坐飛機，旁邊坐了個年輕黑人媽媽，帶了個小孩。因為是廉航，連飲料都要錢，起飛後沒多久，服務生就來賣東西，黑人媽媽問了可不可以刷卡？知道可以後，她要了條巧克力給小孩，付錢的時候，她說「我只有Apple Pay，不知道能不能用？」也沒有真的把手機交出去刷刷看，白人服務生說，Don't worry about it，就走了。這一黑一白唱的雙簧，有點嚇了我一跳，我知道很多黑人有entitlement的心態，覺得「世人都欠我」，但親眼看到這場演出，還是很震驚，這個白人服務生的反應，是我最震驚的地方，不吵不鬧，好像已經看過千百遍，習以為常了。但我還是要說，黑人這樣作賤自己，不是見計得逞，心裡該高興，而是被人當成次等人，應該要生氣。為什麼對作為一個自由人應有的責任，如此輕乎？ 我上一篇說俄羅斯在二戰前後，因為缺乏男丁，所以國家開始鼓勵非婚生子女，只要有小孩，不管是怎麼來的，都好，於是造成聖彼得堡、莫斯科這些大城，有近一半的小孩是非婚生子女，俄國社會文化因此發生重大改變。俄國女人變得堅強，不但要工作，還要負擔全部家庭責任，男人像寶一樣，不能要他們幹活，不能要他們負責任，有點像國民黨選民面對國民黨政客一樣，女人還要打扮好自己，隨時取悅男人，爭奪男人，不然就不用想生小孩。俄羅斯男人早死，之前死於戰爭，現在死於酗酒、吸煙、危險駕駛、暴力事件等等，這種早死現象，有點像自我實現的預言，因為擔心沒有男人，所以俄羅斯女人縱容男人不用負責，直接就造成俄羅斯男人不管死活的生活方式，然後就真的早死，也還是像國民黨的選民，不需要國民黨政客負責，果然就養出一堆不會負責的無能政客。這些俄羅斯的奇特社會現象，不是我說的，請參考Julia Ioffe這個俄羅斯專家的觀察。 如果蘇聯政府的鼓勵非婚生子女，造成奇特的俄國文化，甚至是社會問題，那美國政府的政策呢？美國黑人的非婚生比例是七成！他媽的七成！俄羅斯全國非婚子女比例還不到三分之一，但美國黑人是七成。所以美國黑人比俄羅斯男人更不被需要，黑人長大的過程，不用期待家裡有爸爸，有雙親的黑人家庭是例外，而不是正常情況。黑人男性也像俄羅斯男人一樣，不是早死就是老死在監獄，俄羅斯男人所有的危險行為，黑人都有，還加上黑幫、槍枝氾濫的問題，黑人男性的預期壽命還更低。 但以前的黑人不是這樣的，在民權運動前的黑人，非婚生子女的比例才一成多，和白人差不多。美國白人對黑奴制度的罪惡感，直接轉換成優惠黑人的超大方社會福利政策。為什麼有這麼多的非婚生子女？因為青少女打砲懷孕後，不是人生的結束，而是政府撫養的開始，政府給錢單親媽媽養小孩，給她們房子住，給小孩有免費學校唸、免費午餐吃。黑人青少年就這樣在荷爾蒙橫流的小社會裡，早早就有性經驗，男的搞大女的肚子，像有勳章一樣，驕傲得不得了，女的被搞大肚子，也很「榮幸」，不用上學了，準備像媽媽、外婆一樣，住進免費小公寓，開始給政府養，一輩子不工作了，男人也不用負責，因為這就是他們從小的認知，有球可以打，很棒，沒有運動能力，煙酒槍毒，隨便你挑，最後也是進了牢給政府養。這是正常的社會文化嗎？這是正常國家應該要有的樣子嗎？ 死白人左派，把黑人養成次等人，只能活在政府的供養之下後，自己就跑了，跑到沒有黑人的地方，沒有社會問題的地方，自己用傳統價值教育小孩，完全隔絕和黑人的互動，然後整天指責別人種族主義，充滿偏見與自大，了不起。

据 TechCrunch 报道，Encord 正在与 Zander Labs 测试一种新的 Physical AI 数据生产方式：在人类完成抓取、摆放等操作任务时，同时采集第一视角视频和脑电信号。 这不是“用意念控制机器人”。 重点是让训练数据更有信息量。脑电信号可能帮助标记意图、错误、惊讶或认知负荷，这些是单靠视频不一定能捕捉到的上下文。 Encord 的 Physical AI 数据体系还包括现场采集、遥操作、多传感器数据、标注和部署反馈。 机器人要学习真实世界，需要大量结构化样本：手、工具、物体、动作、时机和失败案例。

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。

《我思故我在——我不思，我还在吗？》 AI对我们大脑的负面影响有多大？！⚠️ 我的AI依赖已经到了啥地步？——和同事发消息，我都会先和chatgpt打电话，把零碎的想法给它去总结，整理好格式发给同事⛽️ 明显感觉我的前额叶好像退化了？😨以及我的语言组织能力、文字描述能力、还有专注力都下降了！！甚至如果没有大模型的话，就会产生工作的恐惧感和负面情绪。。 其实，这个现象叫做“认知负债”！ 即，长期把写作、翻译、推理等高阶认知任务交给 AI，大脑前额叶等负责思考的神经网络可能因缺乏使用而逐渐弱化......🥹我查了查资料———— 麻省理工学院（MIT）脑科学团队在2025 年的一项关于 "ChatGPT 是否会影响人类认知能力" 的研究中招募了 54 名参与者，分为三组进行了 4 个月的观察： 第一组完全独立写作，第二组允许使用搜索引擎 第三组允许使用 ChatGPT 使用 EEG脑电图持续监测他们的大脑活动 结果，使用 ChatGPT 的参与者， 写作速度提高了约 60%； 但用于理解、组织和加工知识的有效认知负荷下降了约 32%！！脑电图显示，Alpha 波和 Theta 波相关脑网络活动明显减弱；83% 的参与者无法回忆起自己刚刚写过的一段内容！！😱（这不就是我吗？。。。 所以朋友们，AI虽好用，记得保护好自己的前额叶啊！ 1. 多做有氧运动，增加前额叶血流和供氧！ 2. 控制血糖波动： 前额叶也是大脑最耗能的区域，保持血糖稳定能持续为前额叶供能，避免因血糖剧烈波动导致注意力下降、思维迟钝和决策能力减弱哦！低血糖星人哭了😭

Damn，刷到这个帖子我瞬间愣了，AI迭代速度已经疯了，有点跟不上节奏了🤯 我一开始以为这又是一个生成视频的新工具，点进去发现根本不是一回事。 Higgsfield昨天刚发的Virality Predictor，直接把脑科学塞进了内容创作流程。 上传一段15秒以内的视频， 几秒就能给你出完整的人脑反应报告。 整体病毒潜力， 前3秒钩子得分， 全程注意力保持曲线， 还有彩色的脑区激活热图， 告诉你观众的大脑哪部分被点亮了。 最狠的是它和Claude的打通， 可以一句话生成500个产品视频变体， 然后全部丢进预测器自动筛掉垃圾， 只放大高分版本直接投流， 从0到已验证高潜力广告，全程自动化。 它不是看你视频过去像不像爆款。 而是用AI模拟700多个人、500多小时fMRI数据训练出来的人脑，预测你看到这段视频时的真实神经反应。 我们以前做电商短视频， 拍，剪，烧钱测，看数据，迭代， 测试成本是真金白银的广告费。 现在做电商短视频， 生成，预测，只投高分， 测试成本只是一点token费。 最牛逼的地方在于 大脑亮不等于一定爆， 一些高认知负荷的内容会让大脑很活跃，但普通人刷到就会直接滑走。 真正的病毒性，只看前3秒钩子得分和视觉拉力。 和你有没有深度，有没有道理，一点关系都没有。 也就是说以前爆款靠灵感， 现在爆款靠系统。 所以当别人还在熬夜想创意的时候， 你已经用AI筛完了500个版本， 知道哪10个能爆。 而且工具越强，越考验人的判断， 它能帮你砍掉80%的无效创意， 但选什么方向，解读什么结果， 永远是人说了算。 我感觉2026年的电商短视频战场， 已经不是比谁创意好， 而是比谁能用AI先把非爆款干掉， 所有还在靠感觉做内容的人可真的要跟不上了。 #AI工具# #短视频创业#

推荐这篇，Hamel Husain——世界上最懂 AI eval 的实践者之一——说了一句话："这东西很难评估"本身就是一个产品气味。 如果你不给用户提供可检查的中间产物，他们就会重做一遍你的工作来验证输出。那你的产品对他们的价值是什么？ "这东西很难评估"是一个产品气味 我在 AI eval 上做了三年。最常听到的反对是"我们的产品很难评估"。这个反对本身就是一个产品气味——对你来说难验证的东西，对用户也难。 更重要的事：设计一个易于验证的产品，应该在写 eval 之前。 例 1：AI 数据分析 agent 几乎所有公司都在建内部分析 agent。问他一个业务问题，他找数据源、跑查询、给答案。目的是降低对数据分析师的依赖。 最常见的错误：把"答案"作为唯一的输出。 界面上只有一个数字——"Product A 上季度净收入：$4.21M"。用户除了重新做一遍之外没有其他方式验证。更好的设计不是隐藏过程，而是给用户可检查的 artifact。 一个数据分析师验证指标时会做六件事：对照可信源检验中间计算过程和总量数字、确认指标精确定义、检验相关量的合理性、拆开聚合数字按维度分解、读 SQL、记录无法验证的部分。 一个好的 AI 数据分析 agent 应该做同样的事——在回答里展示来源、假设和无法验证的问题。用户可以点击打开一个 Notebook 查看完整分析：agent 做的假设、跑的查询、按地区的分解分布、显式列出"无法验证的部分"，每一项都作为可运行的 cell 保留，让用户可以继续深挖。 这对 eval 意味着什么 如果你的产品设计成便于验证，标注成本就会降低，eval 会有更好的信号可以抽取。更重要的是，你会给用户一个更好的产品。 例 2：PE 教案生成器 一个创始人做的产品：老师输入约束（年级、时长、室内/室外、器材），AI 写一份教案。 "怎么评估教案好坏？"——Hamel 把问题反过来了：老师在意什么？ 最快的方式是看到"一个和你一样的老师已经用过的教案"。一个好的设计：不是从零生成教案，而是从一个被审核过的、14 所学校在用、今年跑了 30+ 次的可信教案出发，然后只展示改了哪几处——"缩短到 45 分钟，改热身从 2 圈到 1 圈""匹配你的器材，4 站变 3 站"。老师审核的不是一个完整教案，而是一个 diff——认知负荷大幅降低。eval 也变得更可追踪：只需要验证检索出的教案是否合理，以及每个修改是否遵守约束。 例 3：工伤医学报告 一个产品从病历（MRI、理疗记录、体检报告）生成 50 页专家意见。问题是：医生要对报告负责，所以他们会重新读一遍全部病历、逐条核查——用时和从零写一份一样长。产品没价值。 Hamel 建议把产品做成研究助手而不是报告生成器。先读每份病历，提取相关事实，附上链接让医生可以核查。两份检查意见矛盾？标出来。影像资料缺失到现在状态不确定？标出来。事实审查完毕后，"生成报告"按钮才出现——报告由已经核查过的事实组装而成。 这样设计让每个单元可以独立评分：这个矛盾是真的吗？这个引用支持这个主张吗？ 这个模式可以泛化 问这四个问题：用户实际需要检查什么？他们能和什么可信的东西对比？专家用什么信号或启发式做验证？哪些更小的单元可以被接受、编辑或拒绝？ 一条贯穿所有例子的线索是来源。让输出可检查的最快方式，是展示每个部分从哪里来，带上链接查看细节。用渐进式披露让这些来源不会压垮用户。 即使一个产品看起来"容易评估"（比如你写出了能跑通的代码），最优秀的产品仍然在让工作更可检查——Cursor 和 Devin 都录制 UI 变更的短视频，让你确认工作的正确性而不需要自己复现。 这些都不是新东西 这些都是老的设计原则——观察专家的领域叫 needfinding，医疗诊断里的结构化理解叫 sensemaking。但在 AI 时代前，验证通常发生在创建产品的过程中，是附带的。在 AI 时代，验证是瓶颈。 是时候更显式地思考它了。 原文：Hamel Husain, ""It's Hard to Eval" Is a Product Smell", 2026-06-29 #AI产品# #Eval# #产品设计#

#女性不被定义# #父权制# #结构性压迫# #制度性歧视# #系统性不平等# #交叉性# 交叉性女性主义 性别平等 女性权力 女性自由 女性赋权 女性主义 女性主义浪潮 女性意识 女性觉醒 去性别刻板印象 性别角色社会化 性别规训 女性困境 生存困境 系统性压迫 隐性歧视 微观侵犯 男性说教 煤气灯效应 身体自主 身体主权 我的身体我的选择 生殖正义 生育自主 生育自由 堕胎权 不生育权 自愿无子女 性自主 性同意 性教育 性暴力 性侵 性骚扰 反性骚扰 MeToo 打破沉默 受害者无罪 反性别暴力 反家暴 亲密伴侣暴力 网络暴力 人身安全 女性安全 月经 月经贫困 月经羞耻 经期歧视 月经正义 月经平等 卫生巾自由 更年期 更年期去污名化 女性健康 妇科健康 生殖健康 性健康 心理健康 女性心理健康 产后抑郁 身体形象 饮食障碍 经济独立 财务自主 女性职场 同工同酬 薪酬公平 反薪酬歧视 职场歧视 孕产歧视 母职惩罚 职业中断 重返职场 灵活工作 女性领导力 职场女性 粉红税 无偿照料 照料劳动 看不见的劳动 情感劳动 情绪劳动 认知劳动 精神负荷 家务劳动 家务平等 第二班 母职 密集母职 母职神话 母职焦虑 工作母职冲突 父职 婚育自主 婚姻自主 不婚主义 单身自由 反催婚 反催生 离婚自主 单身女性 独居女性 女性友谊 女性互助 女性团结 Girlshelpgirls 女性成长 独立女性 主体性 边界感 拒绝讨好 自律 女性力量 女性韧性 女性叙事 女性表达 女性写作 女性创作者 女性艺术 女性文学 女性电影 女导演 女性凝视 女性视角 女无 大女主 女强 38就是强 大雨向下女性向上 全女空间 女性故事 她历史 女性历史 女性史 隐藏的历史 被遗忘的女性 女性榜样 女性参政 女性政治参与 女性投票权 女性决策 拒绝容貌焦虑 身体接纳 身体积极性 拒绝bodyshame 反身材歧视 反肥胖歧视 服美役 nobra 寸头 自然女 拒服美役 素颜自由 穿衣自由 女性审美 外貌焦虑 年龄焦虑 教育平等 女童教育 STEM女性 女性主义阅读 女字旁 性别平等教育 反性别刻板教育 女童赋能 月经教育 青春期教育 无酬劳动价值 #宝宝辅食#

睡眠质量由 6 个秩决定： 生物钟对不对齐（G1 昼夜节律）、 脑子安不安静（G2 认知激活）、 血里干不干净（G3 化学干扰）、 气道通不通（G4 物理前提，乘法归零）、 硬件（G5出厂设置/年龄）、 身体累不累（G6 睡眠压力/腺苷负荷）

你以为血管钙化只是因为变老、补钙过多，或者缺维生素 K2？ 真相可能颠覆你的认知：“乳酸中毒”引发的动脉缺氧，才是导致血管钙化和心血管病变隐秘的幕后推手！ 不仅如此，从猝死、血栓、严重心率失常，到焦虑发作、不宁腿综合征，甚至糖尿病和癌症，都与血液中堆积的乳酸有着千丝万缕的联系。 1. 什么是乳酸中毒？它是如何伤害血管的？ 乳酸是葡萄糖代谢（糖酵解）的副产品。当体液中的乳酸大量堆积、超出代谢能力时，就会引发乳酸中毒。 缺氧与钙化链条： 乳酸堆积导致血液 pH 值下降（变酸）➡️ 影响血氧运输，造成血管组织缺氧（Hypoxia）➡️缺氧持续刺激，最终诱发血管壁钙化。 2. 诱发乳酸中毒的“四大隐蔽源头” 高糖高碳水饮食： 精制碳水和糖分摄入过多，极大地加速了糖酵解，源源不断地产生乳酸（就像给牛喂过量谷物会导致消化道乳酸中毒一样，人类的身体同样无法承受长期的高糖轰炸）。 慢性压力与交感神经过载： 长期处于“战或逃”（Fight or Flight）应激状态下，皮质醇（糖皮质激素）和肾上腺素大量分泌，促使血糖飙升并加速糖代谢，效果等同于持续大剂量吃糖。 某些药物副作用： 二甲双胍： 黑框警告中明确标注有引发乳酸中毒的风险。 华法林与他汀类药物：可能通过干扰正常代谢或阻断特定通路，间接增加乳酸负荷及血管钙化风险。 过度训练： 无氧运动强度过大且恢复不足时，体内也会短时间内堆积极高浓度的乳酸。 3. 破局的关键：为什么“天然维生素 B1”是核心救星？ 当乳酸中毒发生时，你会感到呼吸气短（难以为细胞供氧）、情绪烦躁不安、肌肉酸痛。而天然维生素 B1（硫胺素） 是阻断这一恶性循环的关键辅酶： 从源头抑制乳酸生成： B1 是丙酮酸脱氢酶的核心辅酶，能引导糖代谢走向有氧呼吸，彻底减少乳酸的产生。 缓解缺氧与平衡 pH 值： 帮助恢复细胞有氧代谢，改善血管缺氧，维持血液酸碱平衡。 抗应激与保护心血管： B1 被称为“抗压力维生素”，能有效平复交感神经过度兴奋，舒缓焦虑不安，同时抑制异常凝血（血栓形成）和动脉钙化。 治标更要治本！与其等问题发生后依赖小苏打或抗酸剂来暂时缓解，不如现在就从根本上调整生活方式： 砍掉精制碳水与添加糖： 尝试低碳水或生酮饮食，从源头上切断过量乳酸的来源。 学会学会给压力“降温”： 管理慢性压力，避免交感神经长期处于过度亢奋状态。 精准补充天然维生素 B1： 重点选择天然来源的 B1（而非单纯的合成硫胺素），为你和家人打通能量代谢通道，守护血管弹性！ 如果你觉得这个健康知识对你有帮助，欢迎点赞、收藏，并转发给身边需要的朋友！关注我，我们一起解锁更多源头营养学知识，开启由内而外的活力人生！

身边认识我的朋友其实都知道其实我19年开始挖矿，去年把国内最后一个矿场卖掉了。 有幸几个成都大哥带我，我也从0到1的盖了几个矿场。 矿场的核心，就是稳定的廉价电力。 当时也带一些朋友去我的场地看过 @CryptoSociety42 挖矿其实最终是能源产业。因此我在这段时间基本跑遍了全国的各式各样的发电站。 正好有朋友 @lilk1kopops 咨询我挖矿相关的内容。正好和大家普及一下。 全包挖矿电费，我的认知里是不能超过0.5人民币/度的。如果超过这个价格，场地哪怕稳定性再好，风险指数都较高。 火力发电（主要是新疆和海外一些天然气发电站）稳定性最好。因为能源获取途径稳定。 水力发电分 沣水，平水，枯水期。电费价格差距较大。但性价比最高（我的所有场地都是水电站旁边的） 风力发电稳定性极差，基本搞不了。 太阳能发电成本过高（很难达到1块以下），除非套补贴的。 盖过矿场的都知道，国内场地单位一般用的是负荷，海外一般用兆瓦。 519之前，基本场地稍微成规模都是以1万负荷为单位。519之后，一般都以集装箱为单位了。每个集装箱大概放个100-300台机器。根据集装箱不同做改变。 （2021年5月19日，国内挖矿成为淘汰产业。清退矿场） 水电站主要发电是靠水的落差产生的重力势能。其中我接触的，就是从半山腰接个大管子，然后把山体凿个几公里，直接到发电站。这种水电站稳定性好，发电效率高。也只有云贵川地区才有得天独厚的优势。大水电站也不敢给我们搞这个。 雅鲁藏布江这个水电站规模有点太大了。怎么说呢，比世界第一大水电站：三峡水电站，大三倍。如果搞定了，等于中国总发电量多了25%。这事儿基本也后无来者了。因为自然资源也没有了。 不说战略啊之类的。一个雅鲁藏布江水电站，理论上西南地区没电是基本不可能了。 中国直接用电成本到3毛5了。 本着死道友不死贫道，其实这水电站对国内来说肯定是利大于弊的。而且这个东西属于在山体里。只要建成了，想有问题都费劲。 对于地震来说，目前是有抗8级地震的方案的。不过这么大的工程，方案应该要更严谨才对。 还有这东西一盖，印度应该和中国要坚定友好几十年了。 呜呜呜，要是这玩意能挖矿该多好。全球矿机都用不了十分之一。 最后顺手说一下全球目前挖矿情况： 国内托管电费：0.4-0.5cny/度 非洲/俄罗斯：0.3cny/度 美国托管电费：0.5-0.7CNY/度 超过这个电费的，建议洗洗睡吧。不管你什么矿机，回本都挺难的。