今天测试了一下deepseek
一道复数题 o1-preview和claude都不会
deepseek做对了

叠加国内擅长挖掘需求设计解决方案
很看好2025国内AI agent应用爆发

网上又传scaling law到头，说是ilya认证了…
ilya说是pretraining平台期，接下来要scale the right thing. o1算是test time scale，一种scale的方向，SSI自己scale什么方向ilya没说。

媒体这么写很正常，为了流量
做投资的要是自己不思考就完蛋了

开卷有益- LLM
举一反三- O1
实践是检验真理的唯一标准- agent

Ray kurtzwell预测2029年前奇点降临，简单来说AGI到来机器智能超过人类智能
如果当不了研究AGI的一小撮人
也许能做的是赶紧去往会被AGI普惠的国家
O1签证是相对个人条件来说最快的路，晚点发个guidance for O1

刚用了一下Computer use api 提起数据
感觉2B有很多business都可以用这个做
以前在投行干活很多任务就是到手的函证录入Excel
有了这个api可以做到拍照上传然后自动完成后面的录入api
以后有了通用机器人可以直接拍照也automate
虽然本质上这个函证验证可以用新的加密方式来verify

当时在投行的时候就觉得这些活太傻了从网上找了一个开源的方案automate了这个工作
现在相当于技术门槛进一步降低不会写码也能做这个

未来已来，只是分布不均

Ray dalio对中国上周经济政策的点评要点：
中国最高领导人、Politburo、CSRC、PBoC 宣布一揽子财政和货币政策刺激经济 2.发表讲话支持自由市场，终止去杠杆导致的通缩并刺激生产力。结合之前中国资产很便宜，引爆了股市。
dalio认为中国政策制定者如果真的要挽救经济，还需要比现在宣布的更多的政策
如果处理的好，可以在去杠杆的同时提高生产力
如果没处理好可能会和日本一样失落

一些note:
Politburo: 政治局，管政治经济决策
CSRC： China Secuirites Regulatory Commission,类似SEC in US
debt structuring: change terms of how debt are repaid. 重要是因为债务如何重组决定了财富分配。比如之前政府向优质企业借钱，与此同时优质企业也依赖政府支出提供的良好公共设施。如果这个钱还不上了，谁承担损失。
dalio认为这是因为中国税务体制不完善，所以公共支出只能通过借钱来，现在解决债务重组的时候还需要改革税务体制。

my comment:
上周还有很多人说基本面没改善是泡沫，dalio认为中国资产当时很便宜，所以认为是修复估值的逻辑。叙事在股市中真的也很重要

扒了2000-2022年上海统计年鉴商品房销售情况
2000年-2022年上海房价翻了11倍，CAGR是11.6%
作为参考，标普500在同一周期年化收益5.5%
小笼包2000-2022年价格翻了4-5倍，略跑赢标普500

费曼测试自己对时间的感知
自己数48下是一分钟
与此同时他可以阅读但不能发声
所以他锻炼出来 一分钟后告诉别人一分钟到了这篇文章大意
他和同事交流这一发现
同事表示不相信他能阅读，并表示一遍计数来度量时间的流逝一边说话有什么难的
同事真的能数到52下同时一边说话
抛开大家对时间的感知
他们比较了两个人的计数过程，得出结论
1.他们计数度量时间时候能干的事情不同是因为对于费曼来说计数是声音计数，如果与此同时发声就打断了计数声音，但是阅读是眼睛在看。（我应该也是这种）同事计数是仿佛眼前有一个跳动的计数器，如果阅读就不能看到计数屏幕了，但是他的声音线程空着随意可以说话

费曼说所以每个人看世界看到的都是自己翻译的世界，沟通起来你觉得显然对方却不能理解，根本是因为你们大脑运作方式不同

我的感想是好神奇，大师在玩中发现差异，寻找原因增进对世界的理解。看费曼纪录片真的很解压（晚上的话不要太在意看不懂的知识，激发兴趣为主）

名人如何阅读

- Bill gates:
- take the new knowledge, make association（attach to the knowledge u have)
- framework:然后把知识放进去。同时看一个主题的很多本书，了解不同视角。
- 做笔记，identify 观点，论据，事实，你赞同还是反对。读到不同意，找到分歧，事实验证谁对谁错
- context：如果你知道科学历史，每股力量是怎么compete，你就更能学好科学发现
- Elon Musk
- semantic tree 重要是掌握树干和branch，具体细节可以慢慢学（和naval的重视基础一致）
- first Principle,有物理学作为基本框架，然后认识世界. first principle: boil things down to the most basic, reason from there as opposed to reason by analogy
- 注意negative feedback from friends
- 如何面对逆境：if u are going through hell, keep going
- [**Farnam Street**](fs.blog)- GOAT ME
- G: generate new ideas and test 自己出考题/提问问自己
- O：organize 有序的东西更容易记住（这个GOAT ME也是）
- A： avoid illusion（ recall vs recognition,看是recognition，你看的多了好像都会了，但是recall又是不一样的。尽可能在不同的环境了recall提高recall successful rate
- T: take break 小休息和睡觉都很重要
- M: matching 最好是能够学习和考试的环境一样，有利于唤起记忆
- E：elaborate 对这个知识的上下文进行关联，吐槽等加深印象


他们都很强调understand the basics

（实测真的很累，今天用这个学习了NN的历史，短短几段文字学了两个小时，但是确实对很多框架性的东西有了认知，应该对后续填充细节有好处）那么如何understand the basics，引入一本书叫《The five elements of effective thinking》

- understand basic elements: boil down to the basics,和费曼方法差不多。任何一个主题你拿过来5min写下里面包含的skills/subject area, 30min思考怎么跟别人讲述。然后拿回去和expert/教科书/网络上资料来对比，find the mistakes and fill the gap.
- make mistakes: 错误让你知道你对什么了解不足，错误是通往正确的价格
- raise question：
- 什么是好问题，为什么我们需要好问题
- 好问题lead to solution/new insight/actionable guide
- 举了一个费曼的例子，航天飞机发射失败之后大家发现是橡胶圈的问题，如果一般人问问题可能问橡胶圈如何应对温度变化，费曼说what if we put it on cooled water，直接了当展示了为什么发射失败
- 为什么需要好问题：好问题能让我们明白自己的hidden assumptions, bias, vaguenss, identify errors, consider alternatives
- 怎么提出好问题，我感觉这里书上说的比较vague,我理解的是对你的关键名词作出定义。比如我怎么样才能成功这就不是好问题，你怎么定义成功，是内心的快乐还是赚钱。如果一个人华尔街赚很多钱但是因为特别累没有幸福感和另一个艺术家每天快乐作画但是比较贫穷，你选哪个。通过不断的定义和具体化问题让你能够找到action
- scenario test, what if ``` 这逼迫你明白现实的assumption，改变assumption你需要作出什么行动
- never pretend to know more than you did.这样你的知识大厦地基才是牢固的，毕竟基础不牢，地动山摇
- follow the flow：知识的发明都是对前人知识的延伸，明白知识从哪里来才能让你更好的猜想未来发展。
- change：世界没有完美，发展才是常态

NN发展历史回顾（见三张图）
source：colab.research.google.com

看完笔记可以用下列问题检验学习成果
1. 沃伦·麦卡洛克和沃尔特·皮茨在哪一年提出了人工神经元的数学模型?他们的论文标题是什么?
2. 麦卡洛克-皮茨模型使用了什么数学方法来表示神经元的活动?
3. 弗兰克·罗森布拉特在麦卡洛克-皮茨模型的基础上做了哪些改进?他建造了什么样的机器?
4. 马文·明斯基和西摩·帕珀特在《感知器》一书中指出了感知器的哪些局限性?这对神经网络研究有何影响?
5. 1986年出版的《平行分布式处理》一书提出了哪些关键概念?这与今天的神经网络有何相似之处?
6. 根据《平行分布式处理》,平行分布式处理系统需要哪些基本要素?
7. 20世纪80年代和90年代,神经网络的研究和应用情况如何?当时存在哪些问题?
8. 近十年来,哪些因素促进了神经网络的发展和成功应用?