来参加了 NeuralPs，见到了 Hinton，也看到了各种看着很复杂的研究...能清晰感觉到，是挺强的，但这些强感觉都是被建立在了无止尽算力和无止尽数据上的强。感觉，大部分研究人员对 ai 的叙事，还是有点过头了。见到了 google deepmind 的人，能感觉到计算机出身的人，还是一样的，对其他行业都充满了不屑一顾，觉得只要有数据，就能解决一切。意识到了，对他们来说，所谓轻量级模型，原来是两张 a100 的显卡😲。也见到了发布了 alpha earth 的人，说什么就不承认自己的训练数据有问题（明明我已经把相关数据都爬下来一层一层人眼对过去了，觉得是我的场景错了，不是他们的问题）

看了大部分 spotlight 文章，能感觉到里面充斥了越来越复杂的网络结构，但真的深入对于机制的了解以及到底内部在发生什么，深刻挖掘的人越来越少。对于研究内容背后的数学、物理直觉，比想象中的弱很多。明明再跨一步，他们就能做出所谓的 elegant work，但大多数人不走这一步（当然，或许这一步不赚钱，所以也没必要走）。但可能这也是，非常明显地能看到，今年的最佳论文，都是给简单但有效的方法，或者是深刻剖析出某一现象原理的内容。

只是感觉，再这么干下去...算力/能耗/以及藏在繁杂数据后的物理规律，都会慢慢成为瓶颈的。远不是各种自媒体天天吹捧的那样。

一直都觉得，能共同描述时间、空间的思路特别有兴趣...

最近开始翻深刻摄影相关内容的时候，被Neil deGrasse Tyson的一个观点深深吸引。他说，当你抬头看向星空时，你看得越远，看到的光线就来自越久远的过去。

吸引我的，其实是这句话里隐藏的东西——它把空间和时间压缩到了一起。在那一刻，远和近不再只是空间的距离，而变成了时间的跨度。

一个抬头，同时跨越了数百光年的距离和数百年的光阴

听到俞孔坚先生在巴西去世的消息，心情挺复杂的。

说难过吧，我们其实从来没见过面。我学建筑的，他是景观设计的大师，本来就没什么直接关系。他的作品我也没怎么深入研究过，但从我入行开始，到处都能听到他的名字——杂志上、同行聊天时，只要谈到中国现代景观设计，总会提到他。我知道他一直在推海绵城市的理念，做生态修复这些事儿，也知道在那些崇尚传统园林的老前辈面前，他坚持要走出一条现代的路子。

但说不难过吧，但心里，是沉重的...可能是因为有些人虽然我们不熟，但他们已经成了我们这个圈子的一部分，成了这个时代的标志人物。

更让人感慨的是，他这样一个一辈子都在为生态修复的人，最后却停在了巴西的热带雨林里——那个被叫做”地球之肺”的地方。这种巧合让人觉得既诗意又悲壮。他花了一生的时间让城市学会呼吸，让破坏的土地重新恢复生机，而他人生的终点，正好是地球上最需要保护的那片绿色。

我想这就是我心里难受的真正原因——不只是失去了一个同行，而是一个真心热爱这片土地的人，在他最爱的大自然里走完了人生路。

今天手里没酒，要是有酒的话，得敬他一杯，把这一杯敬得...掷地有声

把自己这几年做研究的思路，总结成了一套提示词： 事件的发生，是因为背后有特定的势能倾向，而势能倾向是由于背后的系统结构所导致（能量景观和最小自由能视角）。提示词如下

我需要你按照如下提示词的思路，来帮我分析事情：

# 事件-局势-系统 因果链分析框架

## 核心理念

从表层事件追溯到中层局势，再深入到底层系统，识别系统性不平衡如何通过局势演化最终触发具体事件。理解这个因果链条，帮助预见和应对未来。

## 分析任务

对 [待分析的事件/现象] 进行深度剖析，识别其背后的系统性根源，理解从系统不平衡到事件爆发的完整传导机制。

## 三层递进分析

### 第一层：事件解构

**关键问题：发生了什么？**

- **事件全貌**：时间、地点、参与者、具体经过、直接后果
- **事件特征**：是偶发还是必然？是孤立还是连锁？强度如何？
- **事件聚类**：近期类似事件的频率和分布，是否形成事件簇
- **触发点**：什么是压垮骆驼的最后一根稻草？

### 第二层：局势诊断

**关键问题：为什么会在此时此地爆发？**

- **局势特征**：当前处于什么阶段（酝酿期/爆发期/消退期）？
- **势能积累**：哪些矛盾或压力在累积？达到了什么程度？
- **传导路径**：系统压力如何转化为具体的局势紧张？
- **临界状态**：有哪些指标显示局势接近临界点？
- **催化因素**：什么加速或延缓了局势的演变？

### 第三层：系统探源

**关键问题：根本的不平衡在哪里？**

- **系统诊断**
- 识别关键的不平衡：供需、分配、信息、权力、预期等
- 不平衡的量级：是量变积累还是已接近质变？
- 系统韧性：系统的自我调节机制是否失效？
- **系统动力学**
- 正反馈循环：什么在放大不平衡？
- 负反馈缺失：原本的平衡机制为何失灵？
- 时滞效应：系统反应的延迟如何影响演化？
- **系统边界**
- 内生问题：系统内部的结构性矛盾
- 外部冲击：环境变化对系统平衡的影响
- 跨系统传染：其他系统的不平衡如何传导过来？

## 因果链路图

```
系统不平衡 → 压力积累 → 局势形成 → 触发条件 → 事件爆发
↑ ↓
└──────── 反馈（强化或缓解）←─────────────────┘
```

## 深度洞察提炼

### 1. 传导机制分析

- **能量转换**：系统势能如何转化为事件动能？
- **放大效应**：小的不平衡如何演化成大事件？
- **阈值识别**：系统在什么条件下会发生相变？

### 2. 预测性思考

- **先行指标**：哪些信号预示着类似事件将发生？
- **演化路径**：基于当前系统状态，可能的发展方向？
- **干预点位**：在因果链的哪个环节干预最有效？

### 3. 认知升级

- **模式识别**：这个案例揭示了什么普遍规律？
- **反直觉发现**：哪些深层逻辑违背表面常识？
- **思维盲区**：这个分析暴露了我们之前的什么认知缺陷？

## 实践应用

### 对个人的启示

- **位置感知**：我在这个系统中的位置和处境
- **趋势判断**：如何及早识别系统性风险和机会
- **行动策略**：理解系统逻辑后的最优应对

### 验证与迭代

- **预测检验**：记录预测，对照后续发展
- **模型修正**：根据新事件不断优化对系统的理解
- **例外分析**：特别关注不符合模型的案例

## 输出要求

1. 用具体数据和案例支撑每层分析
1. 明确区分事实、推理和推测
1. 绘制清晰的因果关系图
1. 提供可验证的预测
1. 给出一段200字内的核心洞察总结

## 思考原则

- 避免单因思维，寻找多重因果
- 区分表面相关和深层因果
- 承认系统的复杂性和不确定性
- 保持动态视角，系统本身也在演化
- 警惕幸存者偏差和后见之明

同样是图灵院出来的，大佬能去 IBM，而我，就只能在福斯特😔

当很多人都在大推特推 agent 的时候，不知道是不是有想过这么一个逻辑： 现实中的牛马这么多，但很明显，财富是对认知的补偿，而不是对勤奋的奖赏。

从这个逻辑上思考，只能处理简单任务的 agent 或者稍微复杂，但很难实现升维的任务 agent，又会对自己的工作有多少帮助呢？确实是能省时间，但无法带来财富增长（当然，要有个前提，大部分人在热衷于 agent 时，其中之一的目的包含了提高收入）

按照这个逻辑走，那不应该是，通过去更多思考，更多阅读，更多做事去提高认知，增长全流程的惊艳，才是更为合理的吗？而不是，不断在尝试各种新 agent，但是尝试的任务目标，却没有太多质的进步（可能陷入了一种效率幻象和认知停滞的状态）

这是个反思，我也是个喜欢尝试新技术的人，但尝试越多之后，就会发现，被困在了里面。玩的认知没有提升，不过只是从这个工具，替换成另外一个工具，从原来的 2 个小时变成了 30 分钟。但剩下的 90 分钟，要怎么被利用呢？如果还是以同样的思维去执行下一个任务，那这个时间可能就是所谓的“被认知禁锢”的无效时间。

真正的破局点或许在于：将Agent视为认知探针而非执行终端。当多数人沉迷工具层面的"效率竞赛"时，可能有一部人需要去尝试利用技术带来的时空盈余，在哲学思辨、系统思维等机器暂时无法企及的领域，构筑新的认知边界。

路过 AA 建筑联盟， 鬼使神差地进去看了一眼...真是自己的来时路，到现在来看，走进堆满建筑材料的地方里，才是让自己最放松的地方。

不过，也好...写代码的同时，在另外一个半球里，有三套自主设计的小房子，正在搭建着

eason 说得非常好啊...是这样的。

可以仔细看看有一个方向叫做 rai，responsible ai，让 ai 更有责任一些...这里面出了传统的那些道德伦理之外，其实也在探索是否存在新的交互模式。国际上顶级实验室一直在主攻模型，但是另外一批不错的实验室，例如贝尔实验室（social dynamics 组），其实一直在探索交互问题，探索 ai 对劳动力的影响问题。

另外，如果从信息的视角上去思考 ai 带来的变化，能明显感觉到的是上几轮信息上的革命，本质上是在做信息平权（造纸术/印刷术/乃至互联网），但 ai 的出现，带来了信息生成/知识理解逻辑的改变。信息的产生时间被极致缩短了，转化为知识的时间也被大幅度缩短。这一点，会带来大改变的，只是大家现在还没有抓到更为合适的模式。

如果只用 2025 年这一个时间节点（毕竟世界不是到今年就毁灭），就下判断的话，可能会导致视角有一定的局限性。

不过这只是我的视角哈，分享一下😁 //@pimgeek: 用 AI 压低成本，实现减员增效的效果，这肯定是一项重大应用，感觉 AI 技术面向消费者的应用，近期似乎没有重大创新？现在看到最多的是算号或算命应用，其次是媒体内容翻译、润色、增加配图和特效等 😄

最近看了篇有意思的大模型研究。给了一些道德困境问题。核心逻辑，就是分别问人和问各种大模型看看，到底有多大程度上会拒绝回答。他们本质上是想去干这么一件事：在心理学上的研究，大模型到底要多大程度上去替代人类实验。

研究者设计了一系列实验，用 22 个现实道德困境问题，对比了 GPT - 4 - turbo、GPT - 4o、Llama 3.1 - Instruct、Claude 3.5 Sonnet 等模型和美国代表性样本（285 人）的回答。

在那种集体行动的问题里，模型们一个个都像天使一样，比人还无私！但到了道德困境的时候，就像变了个人（变了个 “模型”），老是不想行动，不作为偏差大得很。而且，这些模型还有个怪毛病，特别容易被问题的说法带偏，“是 - 否” 偏差严重得很。不管怎么换着花样问，这些毛病就是改不了。

这就告诉我们，用这些大语言模型做道德决策的时候，还是得多留个心眼。

搞来搞去，总算是用 cursor 把塔罗牌解析的部分搞通啦😄...等等看，看看还有啥 bug