推荐去听 Shane Parrish 和 Adam Robinson 的这期对话！ 表面聊的是投资、AI、学习和直觉，但听完最大的感受是： 这根本不是在教你怎么变聪明，而是在教你怎么少犯那些本来可以避免的错。 Adam Robinson 是 Princeton Review 的联合创始人，也长期研究投资、学习和决策。 他反复强调一个观点：真正厉害的人，不是永远做出完美判断，而是很少让自己在坏位置里做决定。 我最有感触的是四件事： 1️⃣很多错误，不是你不聪明，而是你的位置太差 太累、太急、太害怕失去、太想证明自己时，你以为自己在做决定，其实是在被环境推着走。 ✅ 重要决定之前先问自己：我现在是累了、急了，还是怕了？ 如果是，先别决定。 2️⃣身体有时比大脑更早知道答案 Adam 分享经历：他在中央公园慢跑，突然整个人跳开，回过神才发现面前是摆出攻击姿势的“山狮”雕塑。 他根本没来得及分析，身体已经先做出了反应。 ✅ 当事情感觉有一点不对，那它可能就是非常不对。 3️⃣真正的愚蠢，是对眼前的警告视而不见 聪明人和普通人的区别，不是聪明人不会犯错，而是他们能把别人的错误真正代入自己，然后提前调整。 ✅ 看到别人踩坑时，不要只想“他怎么这么粗心”，而要问：什么情况下，我也会犯同样的错？ 4️⃣把「我怎么做」换成「谁知道怎么做」 遇到问题，我们总习惯自己想办法。但真正高效的人，会先寻找已经解决过这个问题的人。 ✅ 你不需要一个人想出所有答案，只需要找到那个知道答案的人。 如果你想要，我还可以再压缩成极简备忘录版本。 这个视频可以在 YouTube 上搜到 搜索关键词可以试试： "Shane Parrish Adam Robinson Knowledge Project Podcast 168"

本科学校只是起点，但在我看来，学术成就取决于信息压缩能力、问题选择、持久的内在驱动力以及硬核的训练。 藤校的隐形代价是残酷的。 Harvard、Yale、Princeton精英气息浓厚，Peer Pressure极高，很多优秀本科生极易陷入标准化精致。大家都在卷类似的优质 internship、精美的履历、高分 GPA。此外，顶尖藤校的资源往往优先向其庞大的 Postdoc和 Ph.D.倾斜，本科生有时只能在大牛实验室里做高级打工人。 而学术长跑看的是比热容和持久动能。 一些本科或许并不出众的学生进入 Ph.D. 阶段后，其对复杂问题的High Frustration Tolerance和研究冲劲，往往会远超那些早期被过度开发、对学术产生倦怠感的精英学生。 在我观察到的大州立大学杀出来的学术传奇，往往具备极度纯粹的理科硬核基因。 他们可能在高中时并不善于包装综合履历，但对物理、数学、计算理论或心智模型有着近乎本能的痴迷。 到了大学后，他们会将全部精力集中在高信息密度、高难度的底层学科。 科研的本质是在未知的混沌中寻找秩序。 当然，在最顶级的博士项目，比如Top 3 CS、Physics、Neuro、Math Ph.D里，藤校本科生和顶级州立本科生都会存在，但成名者的共同特质绝不是他们的本科校名，而是他们的学术审美。 高杠杆率和高压缩比的问题，始终稀缺。

哈工大院士班，解决的一个核心问题，就是对于高考能到670分的人，如何最正确注入教育资源，让他们能完成本科教育、PhD-level research、拿到博士学位这三件事。 实际这种东西在其他国家非常常见，典型的就是陶哲轩，小学到中学全是爸爸在家辅导数学，没有去公立教育体系， 14岁参加了个数学夏令营， 直接被澳洲某个公立大学录取，16岁同时拿到数学本科和硕士学位，核心本科和graduate-level数学课程两年就能学完， 17岁拿到奖学金，进入Princeton读PhD，四年后21岁直接PhD毕业，哪怕在Princeton这种高强度的学术训练和产出下，4年也可以顺利毕业。 这个模式在全世界已经非常完备成熟了，而且是自由灵活排列组合都能享受的机会。 哈工大这个模式还不够极致，我相信中国以后一定会沿着我的思路， 1. 把本科数学物理计算机大量的基础课下放到高中，高中数学物理计算机课下放到初中，一层层下放， 2. 把本科时长进一步压缩，本科一入学waive掉10门专业课AP，2年本科毕业，2年PhD博士毕业，4年本博连读。 这一定是目前的大势所趋。

每年QS排名发布的时候，我都必须说一句，争论QS排名的都是大傻逼。 几乎15年前，学术界就已经形成了一个初步的共识，大学排名的方法应该和Google的PageRank算法是一样的： A和B是两所大学，如果A毕业的博士PhD能进入B大学当教授（tenure track AP），那么A->B加一分， 反过来，B大学毕业的博士毕业 ，能进入A大学当教授，那么B->A加一分， 最后统计全世界5000~10000所大学，获得一个10000*10000的矩阵，计算每个大学的XRank值，就可以获得大学的排名。 举个简单的例子，假设过去10年，麻省理工MIT总共有30个博士生毕业进入清华当教授，而清华博士毕业后有0人进去MIT当教授，那么毫无疑问MIT的排名碾压清华， 假如过去10年MIT毕业博士10人进入Stanford，而Stanford毕业有11人进去MIT，那么可以认为MIT和Stanford几乎接近相同，当然最后算出来的Rank值肯定是不同的。 当然这个算法可以扩展到本科、硕士、博士后等等几个权重，比如清华本科生毕业进入南开大学当教职的有50人，南开大学本科生毕业进入清华大学的只有20人，那么很明显，清华大学的水平是要高于南开大学一大截的。 当然PageRank来算大学排名的意义是，MIT毕业生可能根本不去三本大学当教职，MIT毕业博士非常少，但是如果他们一多半都去了美国top5~50的学校当教职，那么足够证明MIT的学术水平非常高，远远比一个公立大学每年批量产生300多个水博士要高。 当然这个算法实际落地会有一大堆问题，但基本逻辑是正确的，你可以看看新加坡国立、清华毕业的博士生有多少入职Princeton、排名50名以后的CMU当教授，就知道QS排名到底是不是傻逼了。

过去 75 小时，群里反复绕回同一个问题： 模拟盘赚钱，不等于实盘能活。 Polymarket 现在最容易骗新人的地方， 不是“策略不会写”。 是 dry-run 和 live 根本不是一个市场。 几个反复出现的数字： 正常想象：300-500ms 实际体感：1-5s 抖动 FAK：2-3s cancel：3s 信号到成交：有人测到 4s 这意味着很多回测里看起来赚钱的策略，实盘进去其实是在给更快的人提供流动性。 很多 dry-run 只模拟： 看到价格 → 判断买不买。 但 live 多了几层： 盘口深度 排队顺序 滑点 发送延迟 cancel race ghost fill 赚钱盘口成交不了 亏钱盘口反而成交 所以我现在越来越觉得，PM 策略复盘不能先问： “这个模型胜率多少？” 要先问： 你的真实延迟是多少？ 你的 price source 对不对？ cancel 失败怎么算？ ghost fill 怎么处理？ dry-run 里有没有模拟排队、滑点、盘口深度？ 这些没对齐之前，PnL、Sharpe、胜率都只是幻觉。 完整爬楼版我放到频道了，里面有 msg_id、具体延迟样本，还有一条 ETH 5m priceToBeat 错价事故。 📡 💬 🎯