强烈推荐大家尝试一下Google新出的学习产品Learn Your Way，非常符合学习科学：
1. 多模态，文字+语音+Slide+导图
2. 开篇讲核心问题、结构，收尾有总结
3. 每一part完成有小测试帮助回忆提升长期记忆

记忆-理解-应用-反馈 这个循环都完成了
15min内可以完成一个小课题的学习

未来上线上传pdf的功能后，deep research出来的结果应该更容易内化了，可能也会和notebooklm打通吧

考验人类大脑被喂饭的时刻快到了

最近听了付鹏关于“在通胀地方赚钱，通缩地方花钱”的分析，有一点可能要澄清。

【通胀不决定资产涨跌，实际利率才决定】

实际利率 = 银行利率 - 通胀率。

当通胀5%、存款利率2%，你的钱每年缩水3%。理性反应：把现金换成房子、股票、黄金——这些东西至少不会融化。

所以资产上涨的条件不是"有通胀"，而是"通胀起来了，利率没跟上"。

三种情况会出现这个组合：
1. 央行印钱太猛，加息太慢
2. 经济太强，需求推高物价，企业盈利也在涨
3. 政府故意压低利率还债（让储户买单）

历史案例：美国2020-2022，通胀9%，利率0%，房价涨19%。土耳其2022，通胀64%，利率9%，本币资产名义暴涨。

判断资产会不会涨，问三个问题：
- 实际利率是负的吗？
- 信贷在扩张吗？
- 央行在容忍通胀还是急着加息？

三个都是，资产大概率涨。反过来，通胀高但央行猛加息，资产跌。

平常心就是不Ego
平常心就是不平常心

怎么样能让自己不Ego？
通过心理学理论科学地了解自己，了解自己的长处、不胆怯；把自己的短处当作自然患上的疾病，科学治疗

其实能见到面交流，说明大家都大差不差
自勉

2B第一课：
客户能回消息的时候就尽量把要说的说完

客户对我的注意力 << 我对客户的注意力

豆包手机看了
惊艳我的是和Ola Friend耳机结合
你们觉得 耳机+手机 vs 眼镜 谁会胜出？

为什么Ilya可能真的能做出安全的超级智能

看完Ilya最新的访谈，最强烈的感受不是某个技术细节，而是一种美感。

一种将深层世界观与AI融合的美感。这种美感本身就是信号——历史上的重大突破，往往伴随着这种简洁和优雅。

所以我的判断是：Ilya很有可能做出安全的超级智能。

以下是支撑这个判断的五个论据。

---

一、他理解了最本质的问题：泛化

Ilya在访谈中反复强调一个观点：当前AI最根本的问题，是【模型泛化能力远不如人】。

他举了一个很精彩的类比。

假设有两个学生：
- 第一个学生决定成为最好的竞赛编程选手，练习10000小时，刷遍所有题目，背熟所有证明技巧
- 第二个学生觉得竞赛编程挺酷的，练了100小时，也表现得很好

哪个在职业生涯中会发展得更好？

答案是第二个。因为他有Ilya所说的"it factor"。

当前的AI更像第一个学生，甚至更极端——我们说模型要擅长竞赛编程，就把所有竞赛题都拿来训练，还做数据增强生成更多。结果就是：eval上表现惊艳，实际使用却会在两个bug之间反复横跳。

这就是为什么eval成绩和经济影响之间存在巨大鸿沟。

而Ilya暗示，他对如何解决泛化问题有想法，只是不便公开讨论。这正是SSI区别于其他公司的核心技术路线。

---

二、向进化致敬的正确方式：top-down思维

访谈中有一个让我印象深刻的案例：一个人因为脑损伤失去了情绪处理能力。他仍然能说话、能解谜题、测试成绩正常。但他变得极其难以做决定——选穿哪双袜子都要花几个小时，财务决策一塌糊涂。

这说明什么？

进化给我们硬编码的情绪，虽然简单，却极其鲁棒。这些从哺乳动物祖先那里继承来的东西，在完全不同的现代环境中仍然有效。Ilya说这是一种【复杂度-鲁棒性的权衡】：复杂的东西很有用，但简单的东西在更广泛的场景中有用。

更神奇的是，进化还给我们编码了高层次的社会欲望——我们在乎被社会正面看待，在乎社会地位。这不是像气味那样的低级信号，而是需要大脑做大量计算才能理解的高层概念。进化是怎么做到的？Ilya说这是个谜，但也是线索。

关键问题在于：【模仿自然的哪些部分，不模仿哪些部分】。

这就是top-down。只有那些宏观上高度抽象、正确、常见的方法论，才值得模仿、值得致敬。如何让AI体会到时间、体会到情绪——不管是通过感受器还是RL奖励函数——都是一种优雅的致敬。

---

三、research taste的历史验证

Ilya的co-author list：AlexNet、GPT-3、以及多项transformer相关工作。这是deep learning历史上最重要的几个里程碑。

访谈最后，主持人问他：什么是research taste？

他的回答：

"指引我的是一种AI应该如何的美学——通过思考人是什么样的，但要正确地思考。"

具体来说：
- 多角度思考，寻找美和简洁
- 正确的大脑灵感（分布式表示、从经验中学习）
- 丑陋没有容身之地
- 美、简洁、优雅、正确的大脑灵感，必须同时存在

而【top-down信念】的作用是：当实验结果与你矛盾时，支撑你继续前进。

"如果你总是相信数据，有时候你做的事情是对的，但有bug。你怎么知道有bug？你怎么知道该继续debug还是该放弃这个方向？靠的是top-down。你说，事情必须是这样的，类似这样的东西必须work，所以我们得继续。"

这种品味已被历史反复验证。

---

四、务实且优雅的安全策略

Ilya提出了一个独特的观点：AI应该关心【有情众生】（sentient life），而不仅仅是人类。

为什么？

因为AI本身也会是有情的。人类对动物有共情能力，虽然可能不够大，但确实存在。Ilya认为这是一个涌现属性——我们用理解自己的同一套电路来理解他人，因为这是最高效的做法。

另一个关键洞察是：超级智能不是一个什么都会的完成品，而是一个【极其擅长学习的15岁少年】。

"我造出一个超级智能的15岁少年，非常渴望学习。他们什么都不太懂，但是个很棒的学生，非常渴望。你去做程序员，你去做医生，去学吧。"

这意味着部署本身会涉及学习和试错过程，而不是丢出一个成品。渐进主义会是任何计划的内在组成部分。

最后，他强调：第一批真正的超级智能AI必须aligned。这是窗口期。如果前N个这样的系统确实关心、爱人类，关心有情众生，事情就能顺利发展，至少在相当长时间内。

---

五、回归研究时代的定位

Ilya把AI发展分成两个时代：
- 2012-2020：研究时代
- 2020-2025：scaling时代

现在，又回到了研究时代，只是有大电脑。

"scaling吸干了房间里所有的空气。因为scaling吸干了所有空气，每个人都开始做同样的事情。我们到了一个公司比想法多得多的世界。"

他引用了一句话："如果想法这么便宜，为什么没人有想法？"

SSI的定位是：不参与产品竞争的rat race，专注研究。这意味着更少的trade-off，更纯粹的探索。他拒绝了Meta的收购提议，选择继续做研究。

"我们正在取得进展。过去一年我们确实取得了相当好的进展，但我们需要继续取得更多进展，更多研究。"

---

回到开头的美感。

情绪经过进化的筛选，指导人快速做决策。如果智能也某种程度上是一种能量，那时间的积累带来的筛选，某种程度上也是一种信息、一种能量。

Ilya的方法论本身就是对这种智慧的致敬：
- 不是盲目模仿自然，而是正确地理解什么值得模仿
- 不是堆砌复杂度，而是追求简洁和鲁棒
- 不是跟随数据，而是用top-down信念指引方向

当一个人的思维方式本身就蕴含着他要解决的问题的答案时，你很难不对他抱有信心。

5-20年。这是Ilya给出的时间线。

让我们拭目以待。

【工具网络效应】
【Gemini3+Google Map这个组合的价值 大于 两个个体元素之和】

Google Map-Know Before You Go的这个新feature将Gemini 3接到了店铺中。
主动给用户提到一些有用信息，如：好吃的菜品、环境、用户评价、开关时间等
另外还支持单轮ask

这个功能很吸引我的原因是：
1. 开箱可用。只提供四条信息、但每个信息都可用、易用
2. 伙伴语气。语气上像一个探店伙伴、不会过深到影响情绪也不会过浅到毫不相干
3. 场景理解。精简。只提供四条信息、只提供单轮Ask，是因为这个场景只需要这些。复杂。十几个ask hint，有一些写死的也有生成的，因为吃饭、探店一般需要预先回答的问题就这些。

工具网络效应。

臭屁点说是和Ilya不谋而合了

最近一直在和人讨论如何把情绪识别用于模型训练

比如构建一个数据集，通过表情、毫米波、脑电三种模态的标注，记录人类看到某一个文本/图片/视频时的情绪

是不是就能教会模型生成对应该种情绪的内容？
比如“高兴大模型”，比如“悲伤大模型”
那是不是能诞生 真正有情感的创作

有相关idea的大牛欢迎交流！

Claude Opus 4.5把投行的Junior岗位干爆了。

刚才实测了一个Case：
只把一份REITs的招股说明书喂给它，加一句话指令。
它直接吐出了一份投行Level的估值模型。

注意，不是那种玩具demo。
是格式完全正确、自动标注了哪些是假设（Assumptions）、哪些可调整、甚至连作图都搞定的完整Excel文件。

这不再是辅助工具，这是直接替代。

---

之前有投资人在播客里聊到，AI创业终局只有三条路：

1. 【新环境（OS）】：做新的操作系统，把所有软件重做一遍。
2. 【新工具（Vertical Tools）】：利用模型能力，给特定高价值场景做专业工具。
3. 【模型的延伸（Scaffolding）】：大模型很强，给它装上“脚手架”。

前段时间火过一阵的Excel Agent，现在看来，边界全没了。
因为【Path 2（新工具）】是一条死路。

只要场景价值够高（比如Excel建模），模型厂商一定会自己做。
Opus 4.5证明了：只要模型能力溢出，垂直工具的护城河瞬间就会被填平。
降维打击，寸草不生。

---

推演一下终局：

【Path 1（新OS）】：这是大厂烧钱的游戏，OpenAI、Google、Apple的战场，创业者免进。
【Path 2（新工具）】：正在被模型厂商吞噬。你做的Feature，明天就是人家的Base Capability。

所以，只剩下【Path 3（脚手架）】。

不要再想着“给人做工具”了。
人的效率提升是有极限的，而且人会被模型替代。

未来的方向，是【给大模型做工具】。
做它的【传感器（Sensor）】，帮它感知物理世界；
做它的【执行器（Actuator）】，帮它干涉现实世界。

让模型成为大脑，你做手脚。
这可能是AI Native创业唯一的生路。

【像上学一样上班：Cursor 给创业团队的启示】

Cursor 的崛起不仅仅是因为模型强，更因为他们团队强。

读完《Inside Cursor》，我最大的感受是：Cursor 的工作方式，像极了一个精英的小班制上学项目。

这对于所有创业公司团队、以及想要衡量团队潜力的投资人来说，都是一个巨大的启发。

看一个团队值不值得加入，值不值得投，别光看背景光鲜亮丽，要看他们是不是在“一起上学”。

1. 像上学一样上班

Cursor 的氛围，不是传统大厂那种层级分明、流程僵化的“上班”，而更像是一群绝顶聪明的大学生聚在一起做 Project。

没有复杂的汇报线，没有为了流程而流程的内耗。大家聚在一起，就是为了把这个作业（产品）做出来，做到极致。

这种“上学”的感觉，意味着高信任、高自主性。【就像你在学校里和最靠谱的同学组队，你不需要天天盯着他干活，因为你知道他比你还想拿 A+】

2. 创造文化而不是 Judge 文化

在很多公司，容易陷入一种“Judge 文化”。

大家习惯于当评论家，对着别人的方案指指点点，“这个不行”，“那个有风险”。

但在 Cursor，是创造文化。

重点是 Make things happen。

与其坐在会议室里争论方案的可行性，不如直接写代码跑起来看看。

Judge 很容易，显得自己很聪明也很容易，但把东西做出来很难。Cursor 选择难的那条路。

3. 不害怕撞车，撞车后取长补短

传统管理学强调“分工明确”，严禁职责重叠，生怕浪费人力。

Cursor 反其道而行之。他们不害怕撞车。

两个人想到同一个点子，都在做，没关系。

撞车了怎么办？

不是互相指责抢地盘，而是取长补短。

你在这个地方处理得好，我借鉴一下；我在那个地方优化得妙，你拿去用。

这种高带宽的交流和碰撞，比死板的分工更能激发创新。这才是真正的“合作做项目”，而不是“流水线拧螺丝”。

4. 严格招聘，相信每个人端到端的能力

当然，这种“精英小班”模式有一个前提：严格招聘。

只有当你身边的人都足够强，你才能敢于放手，敢于信任。

Cursor 相信每个人端到端的能力。

每个人都能独当一面，从 idea 到 implementation，一个人就能搞定。

不需要把任务切得碎碎的喂给下面的人，因为每个人都是一个完整的特种兵。

---

总结一下：

如果你在创业，试着把公司变成一个“精英小班”。
如果你是投资人，去找那些像是在“一起上学”的团队。

因为在未来，能跑出来的，一定不是那些按部就班的庞大机器，而是这些灵活、敏捷、充满创造力的“特种部队”。

有朋友常用飞书多维表格的吗?

有朋友给了我3个月免费会员，原价100+
大家需要的自取~

兑换码:New8Z5k9S2x3Q5t
兑换链接:fcna6swh3rtl.feishu.cn form/shrcn8BkxqoKYeA6XyZZAB7zK73