即刻App年轻人的同好社区
下载
接连听（看）了几期老罗的新播客《罗永浩的十字路口》，质量很高，一些个人的随感：
1. 果然高质量的访谈，基本要求是容量足够大 - 每期 3-4 个小时以上，基本上把嘉宾榨干了，穷尽了其干货。对于访谈来说，越来越长的文本是一个重要的方向，除了老罗的这个节目之外，国内的《张小珺商业访谈录》，海外的Joe Rogan Experience, Lex Fridman, Acquired 等等播客现在也动辄好几个小时。如果把范围跳出播客圈，近些年来看过的质量最高的企业家访谈是李翔老师的《详谈》系列书籍，也是多次深访汇总的结果。总之 Context 越长，最终生成的内容质量才可能会越高。 相比之下，《十三邀》、《青铜时代》这些 1 小时左右容量的访谈就有些不够看了。
底层原因或许是，人和人之间的信任和共情是靠时间堆出来的。无论是嘉宾和主持人之间的信任和共情，还是观众对嘉宾的信任和共情，都急不得。能看出来嘉宾在聊了 1-2 个小时之后，状态都会明显放松下来。这或许是人类这种生物的某种生理设置吧。
有趣的是，在视频内容碎片化的今天，把内容加长似乎是反共识的，访谈时间加长带来的一个负面效果是会极大拉升观看的门槛。所以必须要做切片化传播。这也是播客视频化的好处 - 大量碎片化的、带着各种“金句”的访谈切片才是绝大多数用户消费的对象。
2. 老罗作为主持人是合格的，他本人就是科技+人文的跨界选手，口条很顺，更重要的是老罗作为企业家、教师、文化行业从业者都曾亲身入局，且取得过一定的成就，接地气，有第一手的体验，和嘉宾之间可以用相对比较平等的姿态进行交流，这才能聊得痛快淋漓，有种私董会的即视感。相比之下，之前的类似节目主持人，无论是陈鲁豫、许知远还是李翔，在嘉宾面前更多还是一个观察者的角色，是文人，访谈更像是“问答”或“采访”，而不是“对谈”，是失衡的，虽然也能问出一些好问题，但总有些隔靴搔痒的嫌疑，尤其是在遇到企业家时，难以完成真正的共情，有种秀才遇到兵的厚障壁。
当然，老罗本人的经历也是有限的，在自身的数据被反复使用之后，这种密集的高强度的双向输出能够持续多久，也是有待观察的。
3. 整个套路上，基本上都是从嘉宾年少时开始聊，这种情境化回忆向讲故事的方法往往可以让嘉宾卸下防备，快速进入非常私人化的分享模式。在以往嘉宾的其他访谈中，由于时间有限，往往都是从高光时刻切入，因此这种差异化的推进方法也会让节目更与众不同。只不过对于嘉宾不够熟悉的听众来说，门槛会显得更高。另外，在节目最后给嘉宾下拉新指标，公开喊话未来的潜在嘉宾人选也是一个很好的方法，保证了节目未来的嘉宾质量，也提升了邀请成功率。
在美国，视频播客已经跻身主流的媒体行列。老罗的野心无疑很大，奔着中国的 Joe Rogan 去的，甚至还不止于此。考虑到中国和美国的媒体环境不同，近几年企业家们人心惶惶，敢于出来公开讲话的越来越少，于是老罗的这个节目更显得功德无量。希望能够越办越好吧。
1. 果然高质量的访谈，基本要求是容量足够大 - 每期 3-4 个小时以上，基本上把嘉宾榨干了，穷尽了其干货。对于访谈来说，越来越长的文本是一个重要的方向，除了老罗的这个节目之外，国内的《张小珺商业访谈录》，海外的Joe Rogan Experience, Lex Fridman, Acquired 等等播客现在也动辄好几个小时。如果把范围跳出播客圈，近些年来看过的质量最高的企业家访谈是李翔老师的《详谈》系列书籍，也是多次深访汇总的结果。总之 Context 越长，最终生成的内容质量才可能会越高。 相比之下，《十三邀》、《青铜时代》这些 1 小时左右容量的访谈就有些不够看了。
底层原因或许是，人和人之间的信任和共情是靠时间堆出来的。无论是嘉宾和主持人之间的信任和共情，还是观众对嘉宾的信任和共情，都急不得。能看出来嘉宾在聊了 1-2 个小时之后，状态都会明显放松下来。这或许是人类这种生物的某种生理设置吧。
有趣的是，在视频内容碎片化的今天，把内容加长似乎是反共识的，访谈时间加长带来的一个负面效果是会极大拉升观看的门槛。所以必须要做切片化传播。这也是播客视频化的好处 - 大量碎片化的、带着各种“金句”的访谈切片才是绝大多数用户消费的对象。
2. 老罗作为主持人是合格的，他本人就是科技+人文的跨界选手，口条很顺，更重要的是老罗作为企业家、教师、文化行业从业者都曾亲身入局，且取得过一定的成就，接地气，有第一手的体验，和嘉宾之间可以用相对比较平等的姿态进行交流，这才能聊得痛快淋漓，有种私董会的即视感。相比之下，之前的类似节目主持人，无论是陈鲁豫、许知远还是李翔，在嘉宾面前更多还是一个观察者的角色，是文人，访谈更像是“问答”或“采访”，而不是“对谈”，是失衡的，虽然也能问出一些好问题，但总有些隔靴搔痒的嫌疑，尤其是在遇到企业家时，难以完成真正的共情，有种秀才遇到兵的厚障壁。
当然，老罗本人的经历也是有限的，在自身的数据被反复使用之后，这种密集的高强度的双向输出能够持续多久，也是有待观察的。
3. 整个套路上，基本上都是从嘉宾年少时开始聊，这种情境化回忆向讲故事的方法往往可以让嘉宾卸下防备，快速进入非常私人化的分享模式。在以往嘉宾的其他访谈中，由于时间有限，往往都是从高光时刻切入，因此这种差异化的推进方法也会让节目更与众不同。只不过对于嘉宾不够熟悉的听众来说，门槛会显得更高。另外，在节目最后给嘉宾下拉新指标，公开喊话未来的潜在嘉宾人选也是一个很好的方法，保证了节目未来的嘉宾质量，也提升了邀请成功率。
在美国，视频播客已经跻身主流的媒体行列。老罗的野心无疑很大，奔着中国的 Joe Rogan 去的，甚至还不止于此。考虑到中国和美国的媒体环境不同，近几年企业家们人心惶惶，敢于出来公开讲话的越来越少，于是老罗的这个节目更显得功德无量。希望能够越办越好吧。
76 715
很有趣的问题，可以回顾一下历史。简单查了下市值首次突破 10 亿、100 亿、1000 亿、10000 亿美元的公司：
- 10 亿美元：1901年，美国钢铁（U.S. Steel），普遍被称为“历史上第一家十亿美元公司”（彼时“资本化”口径常把股权与债券合在一起记）。但若严格按现代“股权市值”=股价×流通股本来记，常见的美股里程碑是AT&T在1924年率先站上$1B。
- 100 亿美元：1955年，通用汽车（General Motors）被广泛记录为首家突破$100 亿市值的公司。独立核算文章与数据回溯都指向这一年。
- 1000 亿美元：1995年9月14日，通用电气（GE）成为首个在收盘时确认站上 $1000 亿市值的公司。另外，IBM曾经在1987年的盘中短暂越过 $1000 亿。
- 10000 亿美元：2018年8月2日，苹果（Apple）成为美股历史首家市值到 $1万亿的公司。另外，中石油曾经在2007年11月5日的盘中市值瞬时突破 $1万亿。
综上，基本上能够看出世界从工业化到电气化，再到数字化的演变。同时可以看到，美股市值突破下一个数量级的时间是在稳步降低的，从 54 年到 40 年，再到 23 年。如果是这种加速方式，似乎下一个 $10万亿 的时间点应该在 2038 年，$100万亿 或许要等到 2050 年以后？但按照目前 AI Capex 的投资势头，仿佛不应该会等这么久才对。（当然，更有可能的方式是泡沫破掉一次之后再慢慢抬头罢。）
另外一个比较有意思的点是，首次突破千亿市值的通用电气是1892 年成立的，当时连 $10 亿美元的公司都还没有出现；首次突破万亿市值的苹果是1976 年成立的，当时连 $1000亿市值的公司都还没有出现；如果英伟达能够成为首次突破 $10 万亿市值的公司，那么在它成立的1993 年，连市值 $1万亿的公司都还没有出现。换句话说，在目前尚未有市值 $10 万亿公司出现的当下，或许正是未来 $100万亿候选公司成立的好时机也说不定～
- 10 亿美元：1901年，美国钢铁（U.S. Steel），普遍被称为“历史上第一家十亿美元公司”（彼时“资本化”口径常把股权与债券合在一起记）。但若严格按现代“股权市值”=股价×流通股本来记，常见的美股里程碑是AT&T在1924年率先站上$1B。
- 100 亿美元：1955年，通用汽车（General Motors）被广泛记录为首家突破$100 亿市值的公司。独立核算文章与数据回溯都指向这一年。
- 1000 亿美元：1995年9月14日，通用电气（GE）成为首个在收盘时确认站上 $1000 亿市值的公司。另外，IBM曾经在1987年的盘中短暂越过 $1000 亿。
- 10000 亿美元：2018年8月2日，苹果（Apple）成为美股历史首家市值到 $1万亿的公司。另外，中石油曾经在2007年11月5日的盘中市值瞬时突破 $1万亿。
综上，基本上能够看出世界从工业化到电气化，再到数字化的演变。同时可以看到，美股市值突破下一个数量级的时间是在稳步降低的，从 54 年到 40 年，再到 23 年。如果是这种加速方式，似乎下一个 $10万亿 的时间点应该在 2038 年，$100万亿 或许要等到 2050 年以后？但按照目前 AI Capex 的投资势头，仿佛不应该会等这么久才对。（当然，更有可能的方式是泡沫破掉一次之后再慢慢抬头罢。）
另外一个比较有意思的点是，首次突破千亿市值的通用电气是1892 年成立的，当时连 $10 亿美元的公司都还没有出现；首次突破万亿市值的苹果是1976 年成立的，当时连 $1000亿市值的公司都还没有出现；如果英伟达能够成为首次突破 $10 万亿市值的公司，那么在它成立的1993 年，连市值 $1万亿的公司都还没有出现。换句话说，在目前尚未有市值 $10 万亿公司出现的当下，或许正是未来 $100万亿候选公司成立的好时机也说不定～
王慧文: 你觉得哪家公司有可能到100万亿美金估值？
109 1248
推荐一期最近让我受益良多的播客。少楠在这一期讲的是和 AI 相处的正确姿势。
当前很多人对AI 的使用方式是，让AI“替我思考，替我决策”。“我看现在很多 AI 产品里面都有一个比较有意思的东西，就是我能帮你生成（内容）。我们真的要做吗？那我为什么让你写三五个字就帮给你生成篇文章？你说我要为了交差，为了应付人，为了可能就解决提高一页效率，没问题，OK。我觉得这是很合理，但是 flomo 不是做这个用的。flomo 是为了让你记录你的想法的，你记进来，你要美化一下。这相当于什么呢？就是相当于你从来不开原生摄像头， 自己每天拍照全部都是假滤镜，默认假滤镜，久而久之你就会认为那是你自己。所以我觉得这个就挺奇怪的事情。偶尔美化我都可以理解，爱美之心人间有之，但是如果我们都连我们自己都不想认识自己的话，那到底是啥呢？”
少楠提到了他使用AI 的 2 个方式。
1. 洞察自我。积累自己的高质量数据，作为 context 喂给AI，然后让它来进行分析和评价，用“他者”的视角来犀利地评价自己。
“我最近把我所有的 FLOMO 笔记全部导出，大概是一个四兆的文本文件吧，这是我最近一年记的东西，把这四兆的文件丢给了 Gemini。然后。我让他做了几件事。第一是我最近很焦虑，那我就会问他，我说你能帮我总结一下我的所有焦虑来自于哪里吗？因为我每天都会很真实的去记录我自己的情绪，到底什么时候开心，什么时候不开心，今天状态怎么样？这里你就会发现，作为人类大脑，我们我只能跳跃式的记住一些东西，我只能每天记下来，但是你让我去记录 273 天前发生了一个什么事情，我那天是开心不开心，我我做不到，但是 AI 可以做到，那这里面很好，就是我我很如实的寄给他，我就对他说你帮我分析一下，他分析出来几个事情让我让我大跌眼镜，为什么大跌眼镜呢？就是因为我没有去想到有一根暗线藏在后面... 第二点更好玩，我的笔记里面有大量的是我在学习的领域，比如说我们学了很多这种德鲁克相关的管理的东西，我学了一些财务知识，还学了很多 AI 相关的东西。然后我还记了很多项目的事情，我今天干啥了，我们俩做了什么决策，我们的产品怎么思考的，产品上线好还是坏，结果我就丢给他，我说来你帮我分析一下我有什么知行不合一的地方，就发现了特别有意思。我看了很多德鲁克的书，但是用的一塌糊涂。”
2. 对抗式思考。
“我再跟大家讲一讲我其实我自己的一个用法吧。其实我写文章现在的速度是比之前快的，但是我没有用 AI 帮我生成。首先我还是会快速的去把这篇文章的结构打出来。然后呢我会再把这些文章里面的案例写出来。当然这里面会有一些措辞不够优雅，会有一些逻辑没有修饰，但无所谓。我先把第一稿写完之后就啪丢给他。我说如果现在作为一个读者，你最大的收获是什么？然后他会给我吐出来一个东西，我会看他说这是不是我想表达的，如果是，那就说明我真的表达清楚了。如果不是，那就是说我有问题，我要去调整。这是第一次对抗，是我作为一个读者跟他的对抗。
接下来，我开始作为一个编辑跟他对抗。我说作为一个编辑，你现在来挑战我这篇文章里面有什么缺陷。缺陷一般有哪些？这里面我会跟他罗列，比如说有没有逻辑缺陷？有没有事实缺陷？然后呢，有没有一些措辞缺陷？然后他就会跟我吐出来很多东西，然后我会说有些我同意，有些我不同意。为什么我不同意？原因是 12345。然后他会说 OK，你不同意的点，那我的例子是什么？12345。
这里面很重要的点就是，我不是在让 AI 跟我给答案，而是我在跟它一起探寻答案。这个过程中我给了它大量的信息，给了大量的我的自己真实的思考。这是我们想选择的一条路吧。很多人都在选择说我要去替代人类的思考的时候，我觉得终归有一些人，或者就像你一样，终归有一些人，终归有一些产品需要去保留一些真实的东西，需要去促进一些东西，它没那么舒服。”
我个人在写工作文档、写读书笔记的时候也在尝试类似的策略。使用 AI 的更好方法不是让它“替我思考，替我决策”，而是“对抗式思考，最终到达更好的决策”。这很类似于 GAN 的策略：“道高一尺，魔高一丈”，红军和蓝军在对抗中协作进化，最终成为更好的物种。
在这场共同进化中，人所扮演的角色是判别器“Discriminator” - 你需要对每一次 AI 生成的内容进行合理的判定。这就要求人对于自己的目的、需求有清晰的认知，对于真实世界的分布有足够正确的理解，进而能够给出高质量的反馈。再换句话说，你的反馈应该是有足够大的信息量的，也消耗了足够多的算力。
（当然，这个过程也可以用更加流行的强化学习来解释 - 人需要把自己训练成一个高质量的奖励函数。但个人更喜欢 GAN 里面和AI “协作进化”的感觉。）
以上。
当前很多人对AI 的使用方式是，让AI“替我思考，替我决策”。“我看现在很多 AI 产品里面都有一个比较有意思的东西，就是我能帮你生成（内容）。我们真的要做吗？那我为什么让你写三五个字就帮给你生成篇文章？你说我要为了交差，为了应付人，为了可能就解决提高一页效率，没问题，OK。我觉得这是很合理，但是 flomo 不是做这个用的。flomo 是为了让你记录你的想法的，你记进来，你要美化一下。这相当于什么呢？就是相当于你从来不开原生摄像头， 自己每天拍照全部都是假滤镜，默认假滤镜，久而久之你就会认为那是你自己。所以我觉得这个就挺奇怪的事情。偶尔美化我都可以理解，爱美之心人间有之，但是如果我们都连我们自己都不想认识自己的话，那到底是啥呢？”
少楠提到了他使用AI 的 2 个方式。
1. 洞察自我。积累自己的高质量数据，作为 context 喂给AI，然后让它来进行分析和评价，用“他者”的视角来犀利地评价自己。
“我最近把我所有的 FLOMO 笔记全部导出，大概是一个四兆的文本文件吧，这是我最近一年记的东西，把这四兆的文件丢给了 Gemini。然后。我让他做了几件事。第一是我最近很焦虑，那我就会问他，我说你能帮我总结一下我的所有焦虑来自于哪里吗？因为我每天都会很真实的去记录我自己的情绪，到底什么时候开心，什么时候不开心，今天状态怎么样？这里你就会发现，作为人类大脑，我们我只能跳跃式的记住一些东西，我只能每天记下来，但是你让我去记录 273 天前发生了一个什么事情，我那天是开心不开心，我我做不到，但是 AI 可以做到，那这里面很好，就是我我很如实的寄给他，我就对他说你帮我分析一下，他分析出来几个事情让我让我大跌眼镜，为什么大跌眼镜呢？就是因为我没有去想到有一根暗线藏在后面... 第二点更好玩，我的笔记里面有大量的是我在学习的领域，比如说我们学了很多这种德鲁克相关的管理的东西，我学了一些财务知识，还学了很多 AI 相关的东西。然后我还记了很多项目的事情，我今天干啥了，我们俩做了什么决策，我们的产品怎么思考的，产品上线好还是坏，结果我就丢给他，我说来你帮我分析一下我有什么知行不合一的地方，就发现了特别有意思。我看了很多德鲁克的书，但是用的一塌糊涂。”
2. 对抗式思考。
“我再跟大家讲一讲我其实我自己的一个用法吧。其实我写文章现在的速度是比之前快的，但是我没有用 AI 帮我生成。首先我还是会快速的去把这篇文章的结构打出来。然后呢我会再把这些文章里面的案例写出来。当然这里面会有一些措辞不够优雅，会有一些逻辑没有修饰，但无所谓。我先把第一稿写完之后就啪丢给他。我说如果现在作为一个读者，你最大的收获是什么？然后他会给我吐出来一个东西，我会看他说这是不是我想表达的，如果是，那就说明我真的表达清楚了。如果不是，那就是说我有问题，我要去调整。这是第一次对抗，是我作为一个读者跟他的对抗。
接下来，我开始作为一个编辑跟他对抗。我说作为一个编辑，你现在来挑战我这篇文章里面有什么缺陷。缺陷一般有哪些？这里面我会跟他罗列，比如说有没有逻辑缺陷？有没有事实缺陷？然后呢，有没有一些措辞缺陷？然后他就会跟我吐出来很多东西，然后我会说有些我同意，有些我不同意。为什么我不同意？原因是 12345。然后他会说 OK，你不同意的点，那我的例子是什么？12345。
这里面很重要的点就是，我不是在让 AI 跟我给答案，而是我在跟它一起探寻答案。这个过程中我给了它大量的信息，给了大量的我的自己真实的思考。这是我们想选择的一条路吧。很多人都在选择说我要去替代人类的思考的时候，我觉得终归有一些人，或者就像你一样，终归有一些人，终归有一些产品需要去保留一些真实的东西，需要去促进一些东西，它没那么舒服。”
我个人在写工作文档、写读书笔记的时候也在尝试类似的策略。使用 AI 的更好方法不是让它“替我思考，替我决策”，而是“对抗式思考，最终到达更好的决策”。这很类似于 GAN 的策略：“道高一尺，魔高一丈”，红军和蓝军在对抗中协作进化，最终成为更好的物种。
在这场共同进化中，人所扮演的角色是判别器“Discriminator” - 你需要对每一次 AI 生成的内容进行合理的判定。这就要求人对于自己的目的、需求有清晰的认知，对于真实世界的分布有足够正确的理解，进而能够给出高质量的反馈。再换句话说，你的反馈应该是有足够大的信息量的，也消耗了足够多的算力。
（当然，这个过程也可以用更加流行的强化学习来解释 - 人需要把自己训练成一个高质量的奖励函数。但个人更喜欢 GAN 里面和AI “协作进化”的感觉。）
以上。
在 flomo 5 周年时，聊聊那些真实的思考痕迹
奇想驿 by 产品沉思录
40 38
对大多数人来说，与其在供给端追求“最前沿”、“最先进”，不如踏踏实实专注需求端，专注那些“不变的东西”，将 AI 作为改造世界、造福人类、更好满足需求的工具，这样活起来安全感更强一点，幸福感更高一些。
与其整天琢磨各种提示词的技巧，不如琢磨一下自己有哪些还没有得到满意答案的问题。对我来说，一个比较有用的练习，是每天想一个“值得用 ChatGPT Pro/O3 来解决” 的问题 - 其实这并不容易。可能未来的挑战很快就会变成，模型不断精进的能力与人类贫乏的想象力之间的矛盾。能否问出“配得上模型能力”的问题？能否对模型的边界提出更大的挑战？这可能是未来对“创新”的真正定义所在。
与其整天琢磨各种提示词的技巧，不如琢磨一下自己有哪些还没有得到满意答案的问题。对我来说，一个比较有用的练习，是每天想一个“值得用 ChatGPT Pro/O3 来解决” 的问题 - 其实这并不容易。可能未来的挑战很快就会变成，模型不断精进的能力与人类贫乏的想象力之间的矛盾。能否问出“配得上模型能力”的问题？能否对模型的边界提出更大的挑战？这可能是未来对“创新”的真正定义所在。
OrangeAI: 昨天 GPT 4o 的生图功能发布，给很多人造成了一次巨大的冲击。 这张图在群里被转发了很多次，因为人们都多少有些类似的情绪。 帖子下面还有很多有趣的讨论： - 要做那些会因为AI能力增强会让你开心的事情，不要去做AI能力变强会让你捏一把汗的事情，因为可预见的未来它会越来越强 - 同为创业者分享：离厂商远一点儿，离付钱的用户近一点 - 我觉得可能需要转换思维，技术导向转换成产品导向。我们的目标是生产出好用的产品，不用纠结于具体技术。技术为我所用，新技术如果更厉害应该会更高兴而不是更沮丧。因为使用前沿技术的永远是少数。拿这张图来说，频繁使用AI的人其实很少，至少现阶段是。这其实就是我们的机会。 - 深有感触，当初OAI发布实时语音交互的时候我就是这个感觉，把调研了几个月，刚做出个demo的产品删了，花了那么多心思在工程上尽量优化stt, tts的延迟，结果就被降维打击了。 尽管我们预期 AGI 会给人类带来冲击，但没想到图像模型的更新就带来了冲击。 刚好，昨天看了一期讨论艺术和生命的《奇葩说》 辩题是这样的：博物馆着火了，有一副名画和一只猫，都在等着你救，你救谁？ 前面两轮，双方嘉宾在对一些大的概念进行辩论 主张救猫的一方，在谈论人本能的恻隐之心，生命的价值 主张救画的一方，在谈论人对艺术的追求，对不朽的迷恋 在奇葩说的观众里，有艺术追求会引起更多的共鸣，主张救画的一方，获得压倒性的胜利 第三轮的时候，李诞靠几个精彩的段子让战局全面翻盘 他的最主要的观点是： 艺术最大的价值，是故事，永远地活在人们的心中。 生命最大的价值，是活着。 诞总气场太强了，罗振宇随后说了一些大道理，但完全没有人听。 第四轮的时候，蔡康永把时间推演到了人类灭绝 外星人来到地球，会看到博物馆，看到人类艺术的结晶，人类文明以这样的方式获得了不朽。 最终，还是救画的一组赢得了辩论。 人们还是喜欢为自己短暂的一生赋予一点生命的意义。 同时在昨天，OpenAI 的自回归的文生图模型发布。 文生图第一次进入了智能时代。 言出法随 任何人都可以通过一张参考图，一个关键词，随意克隆一位艺术家的风格。 甚至可以通过语言的描述，创造自己的艺术风格。 但如果艺术变成了一句话，变得不再有故事，艺术还有什么价值？ 我们正在进入 AGI 的时代。 AI 最终将在 100% 的领域超越 100% 的人类。 智能平权 知识平权 艺术平权 在这个新的时代里，生命最大的价值，依然是活着。 而如何过好这一生？依然是每个人最终的命题。 人类总是喜欢为自己短暂的一生赋予一点生命的意义。 在朝着那个意义前行的时候就会获得喜悦和满足。 农业时代，丰收，就是最大的喜悦。 工业时代，赚钱，就是就是最大的追求。 智能时代，人们所追求的东西，应该是什么？
30 13
都在热议 manus。舆论风向先捧后踩，还有团队近乎零成本复刻了一个出来。个人理解复刻一个壳子是比较容易的，大家看上去都大差不差，无外乎是 planning、memory、tools 这些模块，交互也很类似，但具体每个任务如何做 planning，选哪些 tools 才是关键所在。看上去都是人，都有鼻子有眼，但究竟是李逵还是李鬼，月薪是 2000 还是 20000，才是 agent 竞争的关键。
同样让一个金融 agent 去做一支股票研究，第一个只能在互联网公开信息搜索，用的是通用 planning 逻辑，第二个可以调用 yahoo finance api，用的是雪球大神的 planning 研究逻辑，第三个有 bloomberg 的权限，有自己内部的访谈数据，用的是知名机构的内部 SOP 做 planning，出来的研究质量是天差地远的。
所以现在各种关于 Manus 邀请码、被复刻、团队创始人的哔哔都没什么相关性。真正应该出的是一些垂直领域任务的 benchmark，然后真的比一下完成率和完成质量，用结果说话。（看了一下 Manus 刷的那个 GAIA / General AI Assistants Benchmark）测试，核心理念是聚焦“对人类简单但对AI困难”的问题，通过多维度评测揭示AI助手的真实水平。看下来整体还是一些偏日常通用的任务。）
同样让一个金融 agent 去做一支股票研究，第一个只能在互联网公开信息搜索，用的是通用 planning 逻辑，第二个可以调用 yahoo finance api，用的是雪球大神的 planning 研究逻辑，第三个有 bloomberg 的权限，有自己内部的访谈数据，用的是知名机构的内部 SOP 做 planning，出来的研究质量是天差地远的。
所以现在各种关于 Manus 邀请码、被复刻、团队创始人的哔哔都没什么相关性。真正应该出的是一些垂直领域任务的 benchmark，然后真的比一下完成率和完成质量，用结果说话。（看了一下 Manus 刷的那个 GAIA / General AI Assistants Benchmark）测试，核心理念是聚焦“对人类简单但对AI困难”的问题，通过多维度评测揭示AI助手的真实水平。看下来整体还是一些偏日常通用的任务。）
50 1116
这篇文章中看到了一个很有趣的趋势：随着 AI Coding 大幅降低开发成本，小红书变成了新需求的集散地和新应用的发行所。人人都是开发者的时代或许就要来了。继短视频后，下一个被民主化的媒介形式可能是 app / agent。
这在 C 端可能表现为大量长尾 App 的出现，每个 App 只需要 1000 个甚至更少的付费用户就能养活开发者，大量之前 ROI 很差“不值得做”的需求由于开发成本的下降变得 ROI 可以接受了，需要的不再是变成技能而是产品创意。下一个抖音或许正在路上。
B 端更是如此，企业之间的个性化需求太多太碎，之前 SaaS 最大的瓶颈就在于定制化开发，由于开发成本太高，只能用有限的开发资源伺候 KA 大客户。而随着 Coding 门槛的下降，能够有更大的发展空间，各种功能丰俭由人。之前积累的适配很多大客户的流程和数据成为了未来可以让 Agent 学习的模板。B 端的形态可能更接近于一个集合了成千上万种 agents 的劳务市场？
互联网时代的规模效益和网络效应都需要重新配置参数了。想象空间很大。
这在 C 端可能表现为大量长尾 App 的出现，每个 App 只需要 1000 个甚至更少的付费用户就能养活开发者，大量之前 ROI 很差“不值得做”的需求由于开发成本的下降变得 ROI 可以接受了，需要的不再是变成技能而是产品创意。下一个抖音或许正在路上。
B 端更是如此，企业之间的个性化需求太多太碎，之前 SaaS 最大的瓶颈就在于定制化开发，由于开发成本太高，只能用有限的开发资源伺候 KA 大客户。而随着 Coding 门槛的下降，能够有更大的发展空间，各种功能丰俭由人。之前积累的适配很多大客户的流程和数据成为了未来可以让 Agent 学习的模板。B 端的形态可能更接近于一个集合了成千上万种 agents 的劳务市场？
互联网时代的规模效益和网络效应都需要重新配置参数了。想象空间很大。
小红书快成为新一代的App Store了？
31 1012
2015 年，Tim Urban 写过一篇长文，叫做 The AI Revolution: The Road to Superintelligence。谢熊猫君在知乎上做了很好的翻译，叫做《为什么有很多名人让人们警惕人工智能？》。在那篇文章里提到一个有趣的概念，叫做“吓尿时间”（原文是Die Progress Unit，DPU）。一个人跃迁到多久的未来，会因为科技的进步把自己吓尿？
一个生活在 20 万年前的智人，可能要一路跃迁 15 万年到达旧石器时代，才会被熟练使用语言和火的同类“吓尿”；一个生活在 1 万年前狩猎时代的人类，可能要一路跃迁 5000 年，才会被农业革命的技术成果“吓尿”；一个生活在春秋战国的人，可能要一路跃迁 2500 年到达 18 世纪，才会被工业革命的技术成果“吓尿”。
然而，“吓尿时间”在以几何速度衰减。一个生活在19 世纪初的人，只需要一路跃迁 50 年，就会被 1950s 出现的电视机“吓尿”；而一个生活在1950s 的人，只需要一路跃迁 30 年，就会被大规模普及的个人电脑“吓尿”；之后是互联网、移动互联网，吓尿时间被一路缩短到了 10 年。
AI 时代，“吓尿时间加速衰减定律”依然成立。AlphaGo 战胜李世石是 2015 年的事情，到 2022 年 GPT4 出现，只不过是 7 年的时间。而 2022 年的我们如果穿越到现在，虽然不能说一定会被“吓尿”，但程度也已经接近。
“吓尿时间”的另一种说法是未来学家 Ray Kurzweil 的“加速回报定律”（Law of Accelerating Returns）。Kurzweil认为人类在21世纪的进步将是20世纪的1000倍。但本质上，无论是“吓尿时间加速衰减定律”，还是“加速回报定律”，本质上都不过是摩尔定律的某种表达罢了。摩尔定律不是科学定律，而是观察和经验定律，这背后或许是智能演进的某个参数设定。
这些都不重要。重要的问题是：如果2022 年开始的下一个“吓尿时间”是 5 年，那么在 2027 年底之前，我们会被什么样的技术“吓尿”？
一个生活在 20 万年前的智人，可能要一路跃迁 15 万年到达旧石器时代，才会被熟练使用语言和火的同类“吓尿”；一个生活在 1 万年前狩猎时代的人类，可能要一路跃迁 5000 年，才会被农业革命的技术成果“吓尿”；一个生活在春秋战国的人，可能要一路跃迁 2500 年到达 18 世纪，才会被工业革命的技术成果“吓尿”。
然而，“吓尿时间”在以几何速度衰减。一个生活在19 世纪初的人，只需要一路跃迁 50 年，就会被 1950s 出现的电视机“吓尿”；而一个生活在1950s 的人，只需要一路跃迁 30 年，就会被大规模普及的个人电脑“吓尿”；之后是互联网、移动互联网，吓尿时间被一路缩短到了 10 年。
AI 时代，“吓尿时间加速衰减定律”依然成立。AlphaGo 战胜李世石是 2015 年的事情，到 2022 年 GPT4 出现，只不过是 7 年的时间。而 2022 年的我们如果穿越到现在，虽然不能说一定会被“吓尿”，但程度也已经接近。
“吓尿时间”的另一种说法是未来学家 Ray Kurzweil 的“加速回报定律”（Law of Accelerating Returns）。Kurzweil认为人类在21世纪的进步将是20世纪的1000倍。但本质上，无论是“吓尿时间加速衰减定律”，还是“加速回报定律”，本质上都不过是摩尔定律的某种表达罢了。摩尔定律不是科学定律，而是观察和经验定律，这背后或许是智能演进的某个参数设定。
这些都不重要。重要的问题是：如果2022 年开始的下一个“吓尿时间”是 5 年，那么在 2027 年底之前，我们会被什么样的技术“吓尿”？
https://zhuanlan.zhihu.com/p/19950456
12 33
最近的一些胡思乱想：
1. 这次 Manus 的发布，更加确认了未来 tokens 的消耗会是几何数量级的增加。未来 99% 的 token 都会消耗在模型自己的思维链以及 agent 之间的通信上，只有 1% 才会是和人类之间的交流。硅基们会花更多的算力来思考和同类交流上，而不是和人类角色扮演尬聊。所以 Manus 团队在小会上提出，AI Agent 产品的指标不应该是 DAU，而是 AHPU - Agentic Hours Per User，类似“人均用电量”。公众号“信息平权”的类比挺好的：之前的 chatbot 场景顶多算是白炽灯，而 agent 时代会有小家电和大家电，会有电动车，耗电量不可同日而语。所以云厂商们的好日子还在后面。
2. 硅基思维链的带宽比碳基高太多了。看着 deepseek 一串串地吐出 tokens，愈发感叹人脑的限制。之前和雷老板聊，他提到之所以人类会觉得各种至简的物理数学公式很美，本质原因可能并非大道至简，而是因为人脑无法同时理解过多的参数。迄今为止人类所总结的各种公式，参数量都极其有限（很少见到 100 个变量以上的数学或物理公式），这或许是因为碳基生物的带宽天花板导致的。换句话说，假如宇宙的本质是复杂的，需要用 10 亿个参数才能表达，这就超越了人类能理解的上限。人类只能用一些“简洁”的近似解来自欺欺人。相比之下硅基生物的带宽要高的多，动辄万亿参数，更容易大力出奇迹，更有机会接近宇宙的真相。
看 DeepSeek R1 论文的时候就深有体会，R1 Zero 的原始输出的文本对人类是不友好的，中英混杂而且可读性差 - 因为这原本就不是为了给人类看的，最后为了“屈尊迎合”人类的理解能力又不得不训了个 R1 出来。这就好比博士生给小学生讲题一样，孩子听不懂艰深的术语，只能压缩出来一套“五岁小孩也能听懂”的话术出来。（事实上让大模型“用五岁小孩也能听懂的语言来解释 xx 概念”真的是一个很热门的 prompt。） 可见，相比算力，反而人脑带宽正在成为瓶颈。果真如特德姜的小说《领悟》所说，人类飞升的第一步就是发明全新的语言，提升带宽。
3. 目前看来，AI 和人类越来越像是两个物种，各玩各的，这个趋势愈发明显。这一波 AI 可能是有史以来第一次跳出人类反馈飞轮的技术，也就是说，人类的反馈对于 AI 的后续发展没有太大帮助。前一段闫俊杰的访谈里也提到，互联网时代的数据飞轮失效了。人类对 AI 或许只有某种冷启动价值，将自己辛辛苦苦攒了几千年的数据一次性贡献出来，将 AI 推上自我进化的正轨，然后就完成了人类的历史使命。这就像是人类棋谱对 AlphaGo 还有点用，但对 AlphaZero 就没有啥卵用了。
长期来看，AI 更多可能是靠自身需求驱动而不是靠人类需求驱动的，想必它对于解决人类这些吃喝拉撒的破事儿估计也会愈发缺乏兴趣吧。至于“AI 的自身需求”是什么，well，低级生物试图去理解高级生物的终极生存意义，这不是僭越么...如果一定要猜的话，终究不过是某种减熵的追求吧。
4. 随着强化学习的范式开启，制约预训练的数据桎梏已经不复存在，未来模型对于人类数据的依赖恐怕会越来越小，而对于算力和能源的需求越来越大，最终就必然涉及两个物种之间算力分配的问题。如果 AI 在 GDP 中的占比如果足够大，那么它在能源算力分配上的话语权就会足够大吧。前两天 Nadella 用 GDP 增速来定义 AI奇点：“扣除通胀后，经济增速也能达到5%-7%，这才是真正的“AI 奇点”。个人认为，真正的奇点是 AI 在 GDP 增速贡献超过 50% 的时刻，从此人类正式失去了能源分配的话语权与正当性。
5. 说回眼前，强化学习可能是最后一个被打开的潘多拉魔盒，从此AGI 一片坦途，只是时间问题。核心在于，不仅仅数学、编程有 verifiable answer，本质上人类的一切思考都可以被理解为假设检验的过程，而强化学习就是“以终为始”的学习范式，不管过程，只要结果。因此，理论上来说，所有的科学研究和经济活动都可以通过 RL 范式来搞定，天花板很高。一切才刚开始。
6. “如何改造自己来适应 AI，如何更好地与 AI 协作”正在成为这个时代最重要的能力。周围的人当中，看热闹的人很多，实际行动起来的人意外地少。果然人类最稀缺可贵的能力不是学习能力，而是好奇心。好奇心足够强，才能克服惯性与懒惰。
1. 这次 Manus 的发布，更加确认了未来 tokens 的消耗会是几何数量级的增加。未来 99% 的 token 都会消耗在模型自己的思维链以及 agent 之间的通信上，只有 1% 才会是和人类之间的交流。硅基们会花更多的算力来思考和同类交流上，而不是和人类角色扮演尬聊。所以 Manus 团队在小会上提出，AI Agent 产品的指标不应该是 DAU，而是 AHPU - Agentic Hours Per User，类似“人均用电量”。公众号“信息平权”的类比挺好的：之前的 chatbot 场景顶多算是白炽灯，而 agent 时代会有小家电和大家电，会有电动车，耗电量不可同日而语。所以云厂商们的好日子还在后面。
2. 硅基思维链的带宽比碳基高太多了。看着 deepseek 一串串地吐出 tokens，愈发感叹人脑的限制。之前和雷老板聊，他提到之所以人类会觉得各种至简的物理数学公式很美，本质原因可能并非大道至简，而是因为人脑无法同时理解过多的参数。迄今为止人类所总结的各种公式，参数量都极其有限（很少见到 100 个变量以上的数学或物理公式），这或许是因为碳基生物的带宽天花板导致的。换句话说，假如宇宙的本质是复杂的，需要用 10 亿个参数才能表达，这就超越了人类能理解的上限。人类只能用一些“简洁”的近似解来自欺欺人。相比之下硅基生物的带宽要高的多，动辄万亿参数，更容易大力出奇迹，更有机会接近宇宙的真相。
看 DeepSeek R1 论文的时候就深有体会，R1 Zero 的原始输出的文本对人类是不友好的，中英混杂而且可读性差 - 因为这原本就不是为了给人类看的，最后为了“屈尊迎合”人类的理解能力又不得不训了个 R1 出来。这就好比博士生给小学生讲题一样，孩子听不懂艰深的术语，只能压缩出来一套“五岁小孩也能听懂”的话术出来。（事实上让大模型“用五岁小孩也能听懂的语言来解释 xx 概念”真的是一个很热门的 prompt。） 可见，相比算力，反而人脑带宽正在成为瓶颈。果真如特德姜的小说《领悟》所说，人类飞升的第一步就是发明全新的语言，提升带宽。
3. 目前看来，AI 和人类越来越像是两个物种，各玩各的，这个趋势愈发明显。这一波 AI 可能是有史以来第一次跳出人类反馈飞轮的技术，也就是说，人类的反馈对于 AI 的后续发展没有太大帮助。前一段闫俊杰的访谈里也提到，互联网时代的数据飞轮失效了。人类对 AI 或许只有某种冷启动价值，将自己辛辛苦苦攒了几千年的数据一次性贡献出来，将 AI 推上自我进化的正轨，然后就完成了人类的历史使命。这就像是人类棋谱对 AlphaGo 还有点用，但对 AlphaZero 就没有啥卵用了。
长期来看，AI 更多可能是靠自身需求驱动而不是靠人类需求驱动的，想必它对于解决人类这些吃喝拉撒的破事儿估计也会愈发缺乏兴趣吧。至于“AI 的自身需求”是什么，well，低级生物试图去理解高级生物的终极生存意义，这不是僭越么...如果一定要猜的话，终究不过是某种减熵的追求吧。
4. 随着强化学习的范式开启，制约预训练的数据桎梏已经不复存在，未来模型对于人类数据的依赖恐怕会越来越小，而对于算力和能源的需求越来越大，最终就必然涉及两个物种之间算力分配的问题。如果 AI 在 GDP 中的占比如果足够大，那么它在能源算力分配上的话语权就会足够大吧。前两天 Nadella 用 GDP 增速来定义 AI奇点：“扣除通胀后，经济增速也能达到5%-7%，这才是真正的“AI 奇点”。个人认为，真正的奇点是 AI 在 GDP 增速贡献超过 50% 的时刻，从此人类正式失去了能源分配的话语权与正当性。
5. 说回眼前，强化学习可能是最后一个被打开的潘多拉魔盒，从此AGI 一片坦途，只是时间问题。核心在于，不仅仅数学、编程有 verifiable answer，本质上人类的一切思考都可以被理解为假设检验的过程，而强化学习就是“以终为始”的学习范式，不管过程，只要结果。因此，理论上来说，所有的科学研究和经济活动都可以通过 RL 范式来搞定，天花板很高。一切才刚开始。
6. “如何改造自己来适应 AI，如何更好地与 AI 协作”正在成为这个时代最重要的能力。周围的人当中，看热闹的人很多，实际行动起来的人意外地少。果然人类最稀缺可贵的能力不是学习能力，而是好奇心。好奇心足够强，才能克服惯性与懒惰。
209 2280
这个访谈很有趣。一个左倾科技记者对马斯克的吐槽，内容读起来很过瘾，也值得思考。
公平地说，我认为其中大部分对 Elon Musk 的指控都是价值观方面的，是纯粹的观点分歧，比如 “他如何从一个关注气候变化、想去火星的奥巴马时代传统自由主义者，变成一个右翼阴谋论传播者，一个积极为德国极右助选，并瓦解美国联邦政府的人？” 类似“右翼阴谋论传播者”这种标签有点过于主观了。
我非常期待从文中能够找到一些具体的事例，可以证明马斯克真的做错了，或者说马斯克正在失控，但似乎更多是记者本人对马斯克心理的揣测，比如“他是垃圾场狗，总是冲在最前面，进行破坏”，“我认为他想要游戏里的荣耀，他把自己看作征途上的英雄”，“他现的想法是：我对每个话题都有想法，因此我说什么，就是什么”，“我认为他真的相信大取代理论”，“他们喜欢君王做派”，“他们试图以他们眼中的阳刚方式证明自己。那就是对男人的定义。他们中的很多人，读高中时都不被认为有男人味。这是书呆子的复仇。” 尤其是，记者认为“特斯拉不比过去做得好，他们的汽车没有创新” 的说法，个人是强烈不认同的。
如果我们用相对中立的语言来概括记者表达的内容，似乎看起来就没有那么极端了：
1. Elon Musk 有强烈的救世主和英雄之旅情结，以及强烈的风险偏好属性。
2. Elon Musk 做事情追求第一性原理，喜欢“快速行动，打破常规”。他试图用类似治理企业的方式来治理国家。
3. Elon Musk 相信宇宙是模拟出来的，人类生活在现实世界（而不是模拟世界）的可能性非常低。
4. Elon Musk 相信人类最终需要成为星际物种，这是优先级最高的事宜。
5. Elon Musk 的政治立场从左倾变成右倾，尤其是新冠疫情之后。这可能和以下因素有关：企业遇到的逆风和政策影响（比如工会和政府的能源补贴政策），跨性别子女与自己绝交，服用氯胺酮药物，熬夜的作息时间，等等；
6. Elon Musk 对 twitting 上瘾。2012年到2014年，他的推文数量激增。到了2018年，他开始完全发力。他发推的内容所覆盖的主题越来越宽泛，尤其喜欢风格偏硬核和阴暗的memes。
公平的说，我认为文章中提到的两个点是值得关注的。
第一，马斯克几乎无止境的风险偏好属性，用在政府治理和政策制定的场景下，是否合适？换句话说，政府在本质上是保守和风险厌恶的，不像企业那样禁得起剧烈的折腾。因此，川普和马斯克的蜜月期能有多长？一旦在执行过程中出现波动和反复，川普是否能够始终如一地坚持改革？
第二，Elon 的真实反馈回路是否正在失效？
在 2023 年的一个访谈中，Elon Musk 曾被问到 “人生中最大的挑战是什么”，他足足沉吟了 30 秒，之后回答"making sure you have a correct feedback loop"（确保我的反馈回路是正确有效的）。曾经看到有人评论说，之所以 Elon Musk 这种日理万机的时间管理大师会选择花这么多的时间在发推 (tweet) 上，是因为 tweeing 是 Elon Musk 用来获取真实反馈的机制，因为 X 上有大量和他没有直接利害关系的中间人用户，可以为他提供真相，这是通过 X 运行的一个直接反馈回路，有助于打破困扰大多数企业的回音壁。
有趣的是，这几年，随着 Elon 权力的变大，噪音也变得空前巨大。X 似乎正在从曾经的左翼回音壁被改造为一座新的右翼回音壁，奉 Elon 为新的“老大哥”。我们无从得知他的真实想法，但仅从发推的数量和性质来看，他发推的数量在变多，覆盖的主题愈发广泛，有种“指点江山”的观感。同时，周围的人开始变得（更加）媚上，让“聚光灯效应”（Halo Effect）更为显著。当然，一直以来批评 Elon 的声音都并不少。因此，与其说是他的挑战是“缺少真实反馈回路”，不如说是 “选择性忽略真实反馈回路”。作为人类首富，作为地球上权力最大的人（的左膀右臂），他能否抵抗自己的自负，始终保持冷静和自省，坚持对第一性原理的追求，是值得关注的。
公平地说，我认为其中大部分对 Elon Musk 的指控都是价值观方面的，是纯粹的观点分歧，比如 “他如何从一个关注气候变化、想去火星的奥巴马时代传统自由主义者，变成一个右翼阴谋论传播者，一个积极为德国极右助选，并瓦解美国联邦政府的人？” 类似“右翼阴谋论传播者”这种标签有点过于主观了。
我非常期待从文中能够找到一些具体的事例，可以证明马斯克真的做错了，或者说马斯克正在失控，但似乎更多是记者本人对马斯克心理的揣测，比如“他是垃圾场狗，总是冲在最前面，进行破坏”，“我认为他想要游戏里的荣耀，他把自己看作征途上的英雄”，“他现的想法是：我对每个话题都有想法，因此我说什么，就是什么”，“我认为他真的相信大取代理论”，“他们喜欢君王做派”，“他们试图以他们眼中的阳刚方式证明自己。那就是对男人的定义。他们中的很多人，读高中时都不被认为有男人味。这是书呆子的复仇。” 尤其是，记者认为“特斯拉不比过去做得好，他们的汽车没有创新” 的说法，个人是强烈不认同的。
如果我们用相对中立的语言来概括记者表达的内容，似乎看起来就没有那么极端了：
1. Elon Musk 有强烈的救世主和英雄之旅情结，以及强烈的风险偏好属性。
2. Elon Musk 做事情追求第一性原理，喜欢“快速行动，打破常规”。他试图用类似治理企业的方式来治理国家。
3. Elon Musk 相信宇宙是模拟出来的，人类生活在现实世界（而不是模拟世界）的可能性非常低。
4. Elon Musk 相信人类最终需要成为星际物种，这是优先级最高的事宜。
5. Elon Musk 的政治立场从左倾变成右倾，尤其是新冠疫情之后。这可能和以下因素有关：企业遇到的逆风和政策影响（比如工会和政府的能源补贴政策），跨性别子女与自己绝交，服用氯胺酮药物，熬夜的作息时间，等等；
6. Elon Musk 对 twitting 上瘾。2012年到2014年，他的推文数量激增。到了2018年，他开始完全发力。他发推的内容所覆盖的主题越来越宽泛，尤其喜欢风格偏硬核和阴暗的memes。
公平的说，我认为文章中提到的两个点是值得关注的。
第一，马斯克几乎无止境的风险偏好属性，用在政府治理和政策制定的场景下，是否合适？换句话说，政府在本质上是保守和风险厌恶的，不像企业那样禁得起剧烈的折腾。因此，川普和马斯克的蜜月期能有多长？一旦在执行过程中出现波动和反复，川普是否能够始终如一地坚持改革？
第二，Elon 的真实反馈回路是否正在失效？
在 2023 年的一个访谈中，Elon Musk 曾被问到 “人生中最大的挑战是什么”，他足足沉吟了 30 秒，之后回答"making sure you have a correct feedback loop"（确保我的反馈回路是正确有效的）。曾经看到有人评论说，之所以 Elon Musk 这种日理万机的时间管理大师会选择花这么多的时间在发推 (tweet) 上，是因为 tweeing 是 Elon Musk 用来获取真实反馈的机制，因为 X 上有大量和他没有直接利害关系的中间人用户，可以为他提供真相，这是通过 X 运行的一个直接反馈回路，有助于打破困扰大多数企业的回音壁。
有趣的是，这几年，随着 Elon 权力的变大，噪音也变得空前巨大。X 似乎正在从曾经的左翼回音壁被改造为一座新的右翼回音壁，奉 Elon 为新的“老大哥”。我们无从得知他的真实想法，但仅从发推的数量和性质来看，他发推的数量在变多，覆盖的主题愈发广泛，有种“指点江山”的观感。同时，周围的人开始变得（更加）媚上，让“聚光灯效应”（Halo Effect）更为显著。当然，一直以来批评 Elon 的声音都并不少。因此，与其说是他的挑战是“缺少真实反馈回路”，不如说是 “选择性忽略真实反馈回路”。作为人类首富，作为地球上权力最大的人（的左膀右臂），他能否抵抗自己的自负，始终保持冷静和自省，坚持对第一性原理的追求，是值得关注的。
马斯克到底想要什么
45 716
