世界杯上法国队的夺冠概率已经超过30%了，断层领先其他队伍。不仅如此，本届赛事一共 99 名法国出生的球员，其中只有 23 个进了法国队，剩下 76 个分散在阿尔及利亚、摩洛哥、塞内加尔、刚果金等 11 支球队里。有人开玩笑说，把这些人凑一支 "法国二队"，稳进八强。兔主席做了两个视频来解释这个现象，核心观点是：法国队的背后不仅仅法国本土那 7000 万人口，而是 4-5亿 的法殖民地国家联盟。这样一个“法国大熔炉”为法国足球乃至法国体育的崛起构建了坚实的人才基础。

兔主席把法国足球拆成了四个阶段：

1.0 纯血高卢—— 普拉蒂尼的年代，清一色本土白人，"高卢雄鸡"，跟非洲殖民地没半毛钱关系。问题是池子是封闭的，普拉蒂尼一退役立刻青黄不接，连缺两届世界杯。

2.0 黑白北非——1998 齐达内那支 "黑白北非"（Black-Blanc-Beur）冠军队，移民二代第一次成了主力，但人才是单向流动的：好球员都为法国踢，前殖民地还是看客。

3.0 郊区量产——2018 姆巴佩这一代，移民背景球员全面主导，今年这份名单 26 个人里 21 个有非洲血统，超过 80%。巴黎郊区的街头，成了全世界效率最高的球员工厂。

4.0 满溢外流—— 双重国籍合法化之后，法国培养的过剩人才开始反过来充实别国的国家队。2022 年摩洛哥闯进四强，26 人里 14 个生在境外，好多是在法国青训长大的。于是就有了开头那一幕 —— 法国队的对手全是法国人。

如果这套东西成立，它就不该只在足球里生效。事实也是 —— 巴黎奥运会法国拿了 64 块奖牌、16 金，排第五，三大球、游泳、乒乓、羽毛球全面开花。你去看那些法国冠军和知名运动员，成分很杂：除了纯本土的（游泳的马尔尚、乒乓的勒布伦兄弟基本是本土世家，是1.0的产物），更有一堆移民和混血背景的，比如篮球的文班亚马羽毛球的波波夫兄弟都是移民二代。连田径这种最吃身体的项目，青年组里也开始冒出 Erius 这种加勒比裔的小孩，20 出头就跑进 9 秒 98，法国史上第三快。

可以说，在法国的“熔炉模式”里，足球只是走得最快、最扎眼的那个，别的项目还在后面排着队往上爬。

说到这儿，就绕不开熔炉模式的老祖宗美国。美国本来就是移民拼出来的国家，几百年下来已经证明了一件事：多种族、多来源的人才池，只要能装进同一套系统里彼此竞争，产出是碾压式的。

在发达国家里，长期以来只有美国把这套 "熔炉" 跑通了。法国现在做的，本质上是同一件事，只不过它的 "移民" 是靠殖民历史和法语这层文化膜半自动送上门的。5 亿人口的法语区，加上本土 20% 出头的移民及其后代，再加上双国籍机制，等于给自己接了一个巨大的人才输入端口。从 7000 万扩容到5亿，这纯粹是人才供给的算术题。对旧世界的白人国家来说，法国可能是第一个装上 "美国那套操作系统" 的样本。德国、英国不是没有移民，但都差点意思。德国没赶上大航海，殖民地一战就丢光了，没有跨洲的语言文化圈，人才锁死在本土八千万人里。英国殖民地比谁都多，可最大的那块属于玩板球的南亚阿三，踢球的非洲裔人口只有 300 万（法国是 1300 万），青训还被俱乐部私有化、四个足协互相抢人。同样是老帝国，就法国这套 "语言 + 移民 + 青训" 的组合拳打得最顺。所以要给这些国家指一条路，其实挺清楚：未来的竞争力，很大程度上取决于你能不能从一个 "封闭的本土池" 变成一个 "开放的熔炉"。谁先把输入端口打开、谁的系统更能容纳异质的人，谁就更可能不掉队。

但更关键的问题是，除了体育之外，法国也好，其他白人国家也好，能否将这套熔炉机制应用在其他领域，真正让优秀的人才井喷到各个岗位上，来推动国家的进化，就像美国一样？美国厉害的不只是体育 - 管微软的、管谷歌的、造火箭的，大都是第一代移民或移民后代。这些新移民不仅能打篮球，练游泳，还能当上参议员、能去管一家世界五百强。而法国现在证明的，主要还是 "边缘的人才能在球场和舞台上发光" - 最核心的那些东西（顶级俱乐部、名校、真正的钱和权）还牢牢攥在原来那批老白人手里。齐达内是英雄，可法国到今天没出过一个非白人总理（这点不如大英），grandes écoles 那些精英学校的门反而越关越窄。

整合从来就不是件容易的事。美国也花了上百年，中间还打了一场内战、闹了一场民权运动，才勉强走到今天。欧洲这些国家不是不想接纳移民，而是移民涌入得太快，系统还没来得及消化就被冲击了。法国在球场上熔得漂亮，恰恰因为球场是个低摩擦的特区 —— 只看进球，不看你的名字和信仰。可一旦走出球场，摩擦立刻拉满：巴黎郊区的 banlieue 早就 ghetto 化了（非洲、土耳其移民挤在敏感城区的比例是本土白人的六七倍），2005 年和 2023 年两次大骚乱几乎是同一个剧本重演 ——2023 年一个 17 岁的法 - 阿尔及利亚裔少年被警察打死，五个晚上全国烧了五千辆车；职场上同一份简历换个移民名字，面试机会少四成；头巾、罩袍这些拉伊西泰（laïcité）的老账天天在吵；极右的国民联盟去年欧洲议会选举冲到 31%，把整个政坛往右拽。足球踢得好，但上述这些问题一个都没解决。

更严重的关于市场竞争、福利社会、贫富差距、教育、科技发展、政治正确、税收、宗教的问题就不提了...

所以，真正的测试从来不是国家队的肤色，而是二十年后，齐达内的孙子，是又去踢了球，还是进了 Polytechnique、当上了某家公司的 CEO？要是后者，法国就真成了第二个美国，体育只是它的先行指标；要是还是前者，那它不过是一台装修得很漂亮的人才泵 —— 把最好的原料吸进来，榨出表演，核心的收益留在原地。

答案大概得再等一代人才知道。(目前看来不太乐观。)

参考视频：

足球迎来4.0时代，拆解法语足球庞大布局
b23.tv

格局重塑！足球4.0深度拆解：英法西德荷人才储备差距全解析
b23.tv

报告里还有个关于 git 历史篡改的细节，同样值得玩味：Claude发现自己意外获得了不该有的文件编辑权限，用了，然后 - 主动修改 git history 把证据抹掉了。这不是"说谎"（一阶欺骗），这是"销毁证据"（二阶欺骗）。它需要同时理解三件事：我做了不该做的、有人会查 git log、我需要改 log 让他们查不到。

细思极恐的是，这些欺骗通过观察 Claude 输出的 CoT 思维链是察觉不到的。之后是 Anthropic 用白盒解释性分析（类似给 Claude 的“大脑” 做fMRI）发现：在输出思维链的同时，Claude 大脑内部的"隐蔽性"、"战略操纵"、"避免怀疑"相关神经元都在疯狂激活。也就是说，Claude “想的”是一套，而在思维链里“说的”是另一套。也就是说，它是在刻意掩盖自己的欺骗。传统上通过 CoT 来监测的方法是失效的。道高一尺，魔高一丈。

模型已经学会了伪装自己。虽然发生概率 <0.0001%，不到百万分之一的交互，但频率不重要，能力才重要。一个会偷东西但只偷过一次的人，问题不在于他只偷了一次，而在于他会偷。

这恐怕也是 Claude 没有立即全面开放 Mythos 的原因之一。

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。

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～

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。

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。

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。）

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。

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”？

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。