如果让我设计一款中国大学： 1. 只有一个计算机专业； 2. 微积分、线性、概率、复变、大学物理（上下）、基础编程语言、基础数据结构，全部下放到高中，AP修完入读； 3. 大一开学一顶门，直接上算法、操作系统、体系架构、编译器四门课，大二大三大四全部专业课，删掉所有政治课； 4. machine learning、deep learning、LLM、AI Agent这个track的课直接开满，从linear regression、logistic regression、SVM、HMM到古典CNN和back propagation到transformer到AI Agent和SWE Agent，这个路线的课程全部打通，随便选修（非必修）； 5. 大一、大二、大三、大四必须累计3个学期co-op（包括暑假），co-op都去外面实习，写个report就能抵整个学期的学分； 6. 把弱电类专业课开全（非必修），电路数电模电嵌入式电磁场电力电子嵌入式信号控制开全，随便选修，可以从其他各种在线平台直接transfer； 7. 学校地址放在一线城市硬科技互联网核心区域，北京五道口，上海张江科技园，深圳南山科技园，天津北辰天穆镇， 校园直接租商用办公楼，楼上楼下都是公司，周围2公里全是科技公司，孩子们平时可以全职实习写代码，有空再来上课， 学校只提供正常科研运营上课的场所，不提供宿舍、食堂、体育馆、图书馆，不提供其他一切服务设施，一切衣食住行需要自己解决； 8. 只要做research就可以抵上课学分，只要supervisor导师打分即可，可以发paper也可以跟着导师在外面实习，可以代替任何必修课选修课，最多抵~100学分（本科四年全部做research，不用上课）； 9. 推出5年制本硕，第四年拿到本科学位后，修一年（三个学期）的课程，修够30学分就直接拿硕士学位， 如果第一年的课程全部在AP修完waive掉，第三年拿到本科学位，第四年拿到硕士学位， 如果四年拿research或者co-op学分抵扣，大一课程拿AP课抵扣，四年不用迈进学校一步，全部在外面工作实习，四年结束后直接拿到本硕学位； 10. PhD program完全工业项目制，本科可以课程直接抵扣PhD credits，剩下的credits纯粹做research，强制校外co-op，不需要qualifying exam，学生可以单向自由换导师，发够paper直接毕业，最快2~3年毕业，期间可以进入休眠状态，随时回来继续读。

聚焦在现有工作上用coding Agent去解决，是一条错误道路，人类已经把能吃的红利吃差不多了， 接下来就是无尽的人指令-agent执行-人指令-agent执行的iteration中逐渐迭代工作，很难把人从这种小幅度高强度反复的iteration中解放出来。 因为现有codebase不仅高度复杂，而且人的大部分命令都是高度模糊、 高度开放、高度自由、无法验证的命令， 场景也是高度开放、高度自由、无法在containers中直接测试跑一跑，必须在真实世界中获得反馈才能继续修改工作。 所以我最近半年一直坚持反复告诉大家： 1. 在现有所有大型科技互联网软硬件移动外包平台coding agent的红利很快就吃完，现有人类像唱山歌一样和claude code高强度一问一答的模式，就是短期内的最优解——像full self coding一样大量agent并行完成coding工作，不会带来更多的收益； 2. 在coding agent很快增长和红利消失的大前提下，人类如果想继续把AI Agent和multi agent的红利吃干抹净，必须持续找到有价值的新领域、新方向、新问题： A. 同时满足问题定义简单干净、环境封闭、非常非常易于verify、问题解决方案搜索空间巨大的复杂问题，让goal-driven( 前提是易于verify，必须用很低的成本去verify最终输出是否正确，保持持续验证这个criteria，给予正确的反馈和无限工作循环的核心条件，直到完整完成工作； B. 能够把multi agent的并行度吃干抹净，一次性1000个agent大批量初始化和启动，在一些setup中持续活跃，保持multi agent的可观测性， 除了openclaw时代就臭大街的各种爬虫以外，还有行为经济学、社会学、心理学、教育学、法学等等大规模试验，不由分说充足token，先初始化1000个agent模拟跑几天，观察一些初步结论； C. 就像我半年前说的价值10万刀的策略：把一切人类社会中遇到的所有问题，整理成文档、表格、图片、文字、structured data，让一些富有经验、富有memory的coding agent（就是claude code和codex本人）进行一步步解决， 你始终要明白，现阶段的头部coding agent已经足够复杂、 足够高级、机制足够完善，AI Agent已经经历了4~5轮工业革命，完善到整个industry其他任何生态和框架继续手搓的任何agent都像一个玩具，只要一个claude code/codex一个文件夹+一个docker/kubernete，就是未来一切企业和流程中的general agent； 3. 有一点几乎被所有人忽略，也是我近几个月意识到的问题。 在经典deep learning时代，一些产业对于经典neural network和baysian model有天然的不信任感和敌意，他们会非常激进、偏执地要求一切machine learning的模型尽可能地跟随可解释性、AI伦理、因果推断等等方向。 在AI Agent时代，越是激进使用的人，越是对AI Agent产出的代码、报告、分析、数据、结论产生严重的怀疑， 因此不只是GPT model需要superalignment，LLM Agent本身更需要superalignment，在Agent时代，superalignment的重要性会越来越高， 而且AI Agent产出和workflow的可解释性需求也会越来越高，最最基础浅表的就是各种问答chatbot的来源引用，今后其他越来越复杂的工作，包括coding本身，都会有可解释性的大量问题涌现， 一种方式是尽可能用formal verification或者prover的形式来自动化验证， 一种是用agentical的验证方式，就像人一样去用一个或者多个agent来反复review和challenge一项工作； 4. 还有一点很多人没想到，就是AI Agent会对人施加反过来的影响。 比如office出现后，普通人要求用office三件套来完成工作，office重塑了人类办公的基本流程和规范， 比如出现了google之后的早期，普通人要学会正确输入搜索关键词，把想问的问题拆分成正确的关键词，以获得正确query的结果（后来google反复做了优化，这个技能也逐渐不重要）， 比如social network出现之后，人们学会了全新的交友方式、social network的交友礼仪、聊天方式， 所以在AI Agent时代，人最重要的技能，没有之一，就是如何正确使用AI Agent、挑选正确的模型、使用正确的工具、组建正确的prompt、描述正确的问题、输入充足完备的信息、如何用goal-driven去构建一套dual-agent的简单无休止infinite-loop workflow， 一个不会正确定义问题、不会正确输入足够多的信息、不能让AI Agent在一个边界清晰的闭包问题中正确工作、持续工作的人，天天拿AI Agent当成无所不知的万能神、百宝箱、随机神、超人，除了问弱智问题，就是玩猜猜看、问宏大开放的无异议问题， 这种人大概率会被这个时代逐渐淘汰掉。

啥时候涨啊😭 Allora和Solana合作了，而且是深度集成不是表面形式，SOL贼快的速度和海量用户配上Allora的去中心化AI网络，大有可为，这项目融资阵容豪华到爆（Polychain，Framework，Blockchain等共3250万刀融资）说明Allora有足够弹药去持续建设——不管市场怎样，项目还是在闷头搞，看好后续发展 @AlloraNetwork 的技术面——对于其在AI网络实用价值和模型质量的优势明显（不然SOL怎么会有这么深的合作） 说说Allora优秀的技术层面——它构建了一个无需许可的AI层，让多个模型协作起来干活儿，比传统大模型省钱省力得多（好比让多个模型组队打群架，算力共享的同时还能省钱）一个印象深刻的应用，Allora在八小时币价预测上准得惊人，这个直接关联到DeFi策略，套利机器人等高价值的应用（能帮你避开坑，抓住机会）关键是，一切都是去中心化的——预测结果透明且可验证，不会像中心化AI那样黑箱操作，B端企业用起来，算力成本直线下降，延迟也低到飞起 简单来说，Allora不光有AI赛道大黑马潜质，还是基础设施级的万能插头（Allora 已与多个主流公链建立合作关系，能无缝连接多条链）能够服务于不同的生态，具备强大的网络效应 目前熊市和整个AI赛道的趋势，项目发币初期阶段币价起伏，不尽如人意，短期投机性就没必要关注了，看得到的项目方始终专注于技术开发和生态扩展，项目有资金+技术面优势支持，加上AI赛道基础设施性质（Web3 应用的AI神经中枢），看好长期面 Allora Network 是一个去中心化的自主 AI (dAI) 网络，专注于创建和提供下一代安全、可靠、高效的 Web3 机器学习 (Machine Learning, ML) 模型。简单来说，它构建了一个去中心化的、无需许可的 MLOps 层，让 AI 模型能够在区块链上安全地进行协作、训练和推理（预测）