🔧 光看教程学不会编程，project-based-learning 直接甩给你一份从零手搓真项目的清单。 GitHub 上 28 万 star、3.6 万个 fork，是那种攒了快十年、到现在还在更新的老仓库。 学编程最容易卡住的地方，是语法教程看完之后不知道该干嘛。书上的例子全跑通了，自己动手写点东西还是一片空白，然后就卡在那儿，慢慢就放弃了。 project-based-learning 收的全是那种带你做出一个能跑的东西的教程，按语言分好了类，C、C++、Go、Rust、Python、JavaScript、Java、Kotlin、Swift、Haskell 这些都有。往细里翻更带劲：C/C++ 那栏能找到手写解释器、内存分配器、shell、文件系统、文本编辑器，一直到操作系统和编译器；Python 那栏是爬虫、Web 应用、机器人、机器学习、OpenCV；Dart 那栏干脆是一堆 Flutter 教程，把 Instagram、WhatsApp、TikTok、Netflix 的界面挨个复刻一遍。 这类清单最怕的是链接烂掉，点进去一半是死链。这个仓库挂了一个自动跑的链接失效检查，坏掉的链接能被扫出来。 编程这东西，看一百遍不如自己踩着坑做出来一个。 GitHub：

An influencer shared their pet parrot's progress in learning to sing "Rap Face Makeup." Note: This video is not AI-generated. Netizens: "It sings better than me !" 博主分享自家鹦鹉学唱《说唱脸谱》成果 温馨提示：此视频非AI生成 网友：它除了唱得比我好 居然还会中途互动 #鹦鹉#

有位作者，把自己在阅读《An Introduction to Statistical Learning》这本经典统计学习入门书的学习过程笔记，开源了。 项目名叫 isl-python，按章节把 ISL 和补充的 ESL 内容用 Python 实现出来。 涵盖回归、分类、重抽样、正则化、非线性模型等章节，每章都配着对应代码实现和笔记，还标了完成日期。 GitHub： 仓库里还整理了原书 PDF 链接和补充的机器学习数学推导资料，方便对照着学。 适合正在看这本书、想找个进度参照或代码实现例子的朋友，跟着一起学习。

学习英语的宝藏YouTube频道推荐：VUS - Learning English Podcast 适合想提升听力和口语的初、中级小伙伴，每天更新，每期将近一小时，内容围绕思维与学习方法，时间管理与自我提升这类话题。整体应该都是AI生成，但音色语速发音都很棒，适合睡前助眠听，还有实时纯英字幕帮助辅助学习。

读到 1991 年 March 的这篇论文《Exploration and Exploitation in Organizational Learning》，讨论组织中的 EE 问题： 任何组织都面对一个问题：应该如何分配资源？ - Exploitation: 把资源花在改进已有做法上 - Exploration：把资源花在尝试新东西上 论文中的互相学习模型非常有意思： 每人对现实有自己的信念，还有一个「组织代码」（code），可以理解为组织的共识知识库或者集体常识。 个体会向code学习，新人进来之后慢慢被组织同化，这叫社会化。同时，code也向那些知识得比自己多的个体学习，这叫多样化。社会化太快的组织，code还来不及从个体身上学到东西，个体就被同化了，快速社会化杀死了多样性。 在读这篇论文的过程中，不断联想到现在AI与人的关系。 人就像论文中的个体，AI就像是论文中的组织code。 面对一个个「问题」，我们快速滑向了「AI」先思考，我们再「点头」称赞的「快速社会化」境地。 以前身边的一些朋友，认知结构和表达风格十分鲜明，最近在针对一些问题在线讨论时，明显感觉到对方返回的消息是「AI」，对方那个鲜明的「个体」不见了，他被AI同化了。 反观自身，我也陷入了同样的境地。 这种情况，非常不对劲。论文对EE问题的解法是制造「慢」：慢速社会化让个体在被同化之前有时间贡献多样性；人员流动引入新的差异来源；容忍暂时的无知和低效，为长期的改进保留素材。 两个结构的类比，虽有不同（我们不是为了提升AI「Code」而努力），但这种被「同化」的境地，值得警醒。

想系统学习 AI 量化不知道怎么入门，可以参考以下路径 Machine Learning for Trading(Stefan Jansen)⭐19.9k 从"数据获取 → 特征 → ML 模型 → 回测"手把手教。 如果你想系统入门 AI 量化，从这个开始比任何工具都好——它教的是方法论，学完再用 Qlib/Freqtrade 就通了。 Microsoft Qlib ⭐46k 微软研究院出的 AI 量化投资平台，这是"AI 交易"这个词最正经的开源实现。 它不是让 LLM 瞎猜，而是一整套机器学习做量化的流水线:数据处理 → 特征工程 → 训练模型(预测收益) → 回测 → 组合优化。 有大厂背书、文档全、还有配套论文。 想搞懂"AI 到底怎么用在交易里",这是最好的教材。 FinRL ⭐15.7k —— 强化学习交易 专门用深度强化学习(Deep RL)做交易的框架，学术界最主流的选择。 把交易当成"AI 玩游戏"——agent 在市场环境里试错、学策略。 前沿、偏研究，数学门槛高一点，这是偏硬核的方向。

Scaling Law正在被重新Scaling ---openai核心研究员最新论文《Learning Beyond Gradients》解读 过去几年，AI行业几乎默认更大的参数、更多的数据、更长的训练、更强的GPU，就是更强的模型，就是scaling law。 过去几个月，行业开始认为，更多的推理，更多的agent，就能完成更长时、更高价值的任务，就是更强的智能。 这构成了行业对scaling law的理解，而只要Scaling Law继续成立，模型就会不断逼近AGI。 最近的openai核心研究员翁家翌的一篇论文《Learning Beyond Gradients》，提出了一个全新的scaling维度：AI不一定只能通过梯度下降学习，也可以通过heuristic、policy、workflow、strategy、code generation不断修改自己的行为系统。 这是继agentic和harness之后，AI行业可能正在从“Scaling Model”，进入“Scaling System”的阶段一个最新的重要进展。 过去AI的能力飞轮，本质上是：更多数据→更大模型→更强能力→更多用户→更多数据。 但现在，论文要告诉我们的是，新的能力飞轮：更强模型→更强heuristic generation→更强runtime system→更强Agent能力→更多真实世界反馈→更强runtime evolution→反过来增强模型表现。 行业正在加速的从：智能 = weights。过度到：智能 = weights + runtime system。 LLM本质上是输入→Transformer→输出。 模型训练结束之后，能力基本冻结。学习主要发生在梯度下降、反向传播和weight update里。也就是说，learning = 修改参数。 LLM就像人类的大脑，参数就像脑细胞。但现实世界的大量复杂能力，其实并不完全来自参数。 就像人类文明真正强大的地方，也不仅仅是大脑本身。真正让文明爆炸的，是语言、文字、工具、数学、workflow、软件系统、组织结构、科学方法。这些本质上都是“外部heuristic system”。 《Learning Beyond Gradients》，的创新，在于它开始尝试把“学习”从参数空间里解放出来。过去是：reward → gradient → weights。现在开始变成：feedback → heuristic modification → runtime evolution。学习开始发生在program space，而不是parameter space。 heuristic，还有点像专家系统，但极大的增强了其能力：过去的专家系统，规则由人类写；现在，规则开始由LLM自动生成。这是在效率上的从量变到质化。 传统专家系统失败，并不完全因为“规则”方向错了，而是因为人类无法维护超大规模动态规则系统。过去写规则太慢、修改规则太贵、规则之间容易冲突、长尾case会爆炸、系统复杂度会失控，所以专家系统最终被深度学习取代。 但LLM的出现改变了这个约束。现在规则生成成本接近于0。模型不仅能生成规则、修改规则、删除规则、调试规则，还开始能自动生成workflow、tool graph、planner、memory strategy，甚至修复agent行为。 这意味着，AI开始能够修改自己的运行时系统。于是，越来越多能力开始从“模型本身”外溢到memory、planner、search、tool use、verifier、runtime orchestration这些系统结构里。 更大的模型 = 更强的AI，变成：更强的模型 × 更强的runtime system = 更强的AI。这会形成一个新的能力飞轮。 过去AI只有“模型scaling”。未来AI会开始出现：Model Scaling × System Scaling × Runtime Self-Improvement。 我们很可能正在从去年底的scaling law，迈入到现在的heuristic驱动的，结合agent和harness的scaling law的平方。 更重要的是，runtime system的增长现在其实才刚开始。今天很多Agent系统仍然非常早期。memory很弱、planner很弱、workflow persistence很弱、long-horizon task能力很弱，本质上还处于“DOS时代”。 但接下来，同一个基础模型，在不同Harness之下，实际能力可能相差几十倍。因为很多复杂任务的瓶颈，已经不是“模型会不会”，而是“系统能不能持续组织行为”。 这也是为什么，未来最重要的竞争，可能不再只是“谁的参数最多”，而是“谁最先形成：模型 + memory + tool ecosystem + heuristic runtime + self-improving harness”的闭环。 某种意义上，Transformer越来越像“认知内核”。真正的AGI，可能是围绕Transformer构建出来的runtime civilization、heuristic ecosystem、agent society、memory graph、self-improvement loop的组合体。 《Learning Beyond Gradients》最让我兴奋的地方，其实并不是“超越梯度”。而是它开始尝试：把Scaling Law本身，也变成一个可以被继续Scaling的系统。

真正聪明的地方，是它把学习状态写进文件系统： MISSION.md：为什么学 RESOURCES.md：可信资料 learning-records/*.md：学过什么、哪里卡住 lessons/*.html：每一节课程 不是什么黑科技，但它让学习终于可以积累。