AI 在经历的几年的疯涨之后，依然是各家厂商不停狂卷的时间。各种工具不停的出现，也产生了很多新的名词，有时候不关注这些内容。基本都是在火起来之后，才开始使用，甚至是已经在各种技术群里面热了很多轮之后，才开始尝试。
现在的我跟刚曾经的自己已经不一样了，没有 AI 的年代，任何问题都可能会成为问题。代码 Clone 失败，编译代码失败，运行不符合预期，学习的过程中总是充满了沮丧，而现在这些在我这里都不是问题了。我缺少的只是一个好问题，让 AI 更好的辅助我，如何去优化我的工作流，去规划我的生活。
近两年以来，工作的节奏太快了，好在现在换了新的环境，总体来说，还是有时间去研究这些新兴的技术。首先应该去关注一下热点，其次是再研究研究底层的原理。最后将阅读书籍的时间合理的分配一部分出来给技术，毕竟技术还是自己吃饭的本领，不能荒废了。
另外，我也意识到自己有多懒，甚至博客中的“关于”一直都没有完善，是在 Analytics 发现这一页访问的频次还是相当高的时候，我才急忙将这一页填充完整。
AI 虽然能写文章，也很高效，但是很多时候，一眼就能识别其中的机器味道。越是这个时候，个人的输出才能凸显更高的价值，我也要努力的去沉淀，去总结，用心的将自己的经验写下来。
读书笔记
工作与组织
AI 会像水库和电站一样成为普遍存在的基础设施，并在消费互联网领域和部分工业化领域实现高度普及与深度应用。
2028 年也是世界普遍认为的人形机器人全面进入消费市场的最早时间点。
不怕 AI 太强，怕的是你忘了自己能给世界带来温度。
也许 AI 是无所不能的，但需要有人输入正确的指令或者问出正确的问题，指令和提问正确与否，体现的是人和人之间的差异，并非和机器对人的直接替代或者威胁。
什么样的人是新组织、新方式真正需要的？能能够正确下达指令的人，能够问对问题的人，能够发现 AI 问题的人，最终在现实世界执行的人，以及能够真正承担责任的人。
心态上要从满足于按照程度做，转变为主动思考为什么要做、要做什么、该怎么做。拥有这种心态的人，才能与 AI 形成良好的配合，将 AI 的能力发挥到极致。
AI 缓冲期的学习不是囤积知识，而是认识事物的全景，研究其运行规律。
泛泛一问的人往往只能得到平庸的回答，而问对焦点的人则会得到迎刃而解的方案。
我对他的高山仰止一直持续到他谈论我的专业领域，然后就彻底崩塌。
当 AI 开始重塑生活与工作，人和 AI 的关系本身就是一个全部的问题，需要人去分析、判断、处理、唯有人才能理解另一个人的处境，给出公允的判断。
事实上，并没有什么 AI 缓冲期，有的只是每个人面对变化到来时的心理缓冲期。
技术进步总是优先服务于效率，而不是公平。
快速理解 AI 工作流，按照自己的理解对其进行改良。
那些把一整条链路跑通的人，就是我们常说的超级个体。
当 AI 起来越强，越来越多的具体业务问题被快速解决时，反而会对高管的感知力、人文素养和价值判断力提出更高的要求——他们要调动 AI 算力、调用外部专家团，在多种模型、多方意见之间做出复杂的价值判断。
对高层而言，核心要求是理解多元模型，整合跨领域专家库，有足够的人文底蕴，敢做，也扛得住复杂的价值判断。
一个人职业生涯中，也有三种不同的“色片”，分别是“自我”，“挑战”，“平衡”。在不同阶段，只要有意识地调整这三者的权重，就能组合出千变万化的可能性，拼出完全不同的职业图景。
因为在 AI 时代，职业生涯的意义不再是一个行业走一段看不见终点的路，而是在人生游乐场体验不同的职业项目，不断组合出最适合当下生活的那一种。
一个真实、可信的人际网络，会带你跨过一个又一个行业，帮你一次又一次的接入新的机会。
在线上持续输出有价值的内容，让别人知道“自己的哪一块值得被记住”；主动展现自己独特的“活人感”，而不是躲在千篇一律的人设模板背后；在线下持续投入时间和精力，去建立真实关系，一起讨论“我们能合作做点什么”，并且把事情推进下去。
赚不内耗和热爱的钱，很可能会成为未来多数人的主动选择。
荣格认为，人的一生大致可以分为两个阶段：前半生的重心在于繁衍和延续生命；到了中年，第一阶段告一段落，我们的心灵会踏上“第二旅程”——开始重新关注自我，勇敢面对并整合自己的阴影，更深刻地理解潜意识，追问此生真正的灵魂召唤是什么。
把目光投向自身，学会拥抱和穿越自己的阴暗面，更深刻地理解我们这个物种的真实追求和使命。
少做事，多立范式；少拼力气，多守分寸；少讲辛苦，多讲证据链与担当。
因为你的任性，AI 理性才有意义。
如果我们相信好身体来自好习惯，而好习惯必须在日常体现，你就不能等着只对一个结果负责，而是必须对整个过程负责。
偶尔一次做对或者做错什么会变得不是那么重要。你曾经做过的事会被综合起来证明你能否可靠地做正确的事。
在可预测的世界里，行为就保单，过程就是分数，记录就是业绩。
人类的特权：一是你能承担多大的责任；二是你能定义多大的任务；三是你能发起多大的主动性。
所以任何公司都有大量所谓的“默会知识”，没有文档，没有数据，上级不知道，AI 更不知道，而现场的你知道——你必须先把意图翻译成任务。
AI 或许能计算路径，却无法设定方向；AI 或许能模仿理性，却无法替代立场；AI 或许能出谋划策，却无法承担责任。那些是人人类的特权。
我认为 AI 和数字痕迹的普及将让人类重新回到熟人社会。这里的熟人不再是地理意义上“一直都了解”你的邻居，而是智能意义上“可以立即了解你”的人。
你光勤俭还不行，还要守时、有纪律、理性、会计算、追求效率，最好还有点商业冒险精神和投资意识、重视复利……
担当、品位和荣誉都是人与人之间关系的变量。它们能让我们更协调一致，但它们往往会把人区分开来。
跟 AI 代理接触多了，当一个真人把注意力交给你的时候，你总会有一种郑重感。
每一次技术范式的巨大转移，摧毁的只是传统工作的形式，而非人类存在的价值。
诺贝尔化学奖获得者、DeepMind 首席执行官哈萨比斯（Demis Hassabis）更是宣称，在 AI 的加持下，未来十年内人类可以开发出治愈所有疾病的药物，从此与阿尔茨海默病、癌症等顽疾永别。
“打个响指吧。他说。
遥远的事物将被震碎。
面前的人们此时尚不知情。”
—— 《漫长的季节》
人类的创新能力仍然具有无可替代的优势。
尽管 AI 能高效的处理海量数据并提供各种建议，但价值判断和伦理决策的最终裁定权仍需掌握在人类手中。哲学家丹尼尔·卡尼特（Danniel Denett）生前再三强调：真正的风险并不在于机器抢夺人类的地位，而在于我们高估了 AI 对价值和意义的理解能力，过于草率地将决策权让渡过它们。
在人类的所有能力中，情感劳动和共情关怀是 AI 最难替代的。
我们与其说是在与 AI 竞争，不如说是以 AI 为镜，看清人类的独特价值与角色。从“以力为才”到“以技为才”，再到现在的“以智为才”，我们将在 AI 的协助下，重新发现自身的优势和使命。
汉娜·阿伦特（Hannah Arendt）说，除了为满足生存需求的“劳动”，人类还有更高层次的“事业”和“使命”。
AI 技术的普及也将深刻影响我们思考和生活的方式。身在工业革命时期的哲学家海德格尔已经注意到这一点。他说技术不仅是一种工具，更是一种“显现方式”，在潜移默化中塑造着人类感知世界和自我的方式。
教育的核心任务是激发孩子的好奇心和探索欲，然后给足空间，让他们在 AI 的协助下自由创造，实现叶芝所畅想的“教育不是灌满一桶水，而是点燃一把火”的理念。
善于利用 AI 进行问题诊断、创新构思和方案推演的人则能在协作中持续拓展认知边界。当我们持续提出更有洞见的问题时，AI 的回应也会随之进化，帮助我们反思自己的思维方式，形成更高层次的理解与创造。
AI 原生公民不是只将任务交给 AI，而是在一次次的人机互动中明确思想、审视盲点、迭代认知，最终借助 AI 实现自我意图。
人类与 AI 的关系不应是竞争，而是协作与共生。
凡是可以系统化的工作，都绝不该再用人来做。
从核心资产到内容生产，从用户增长到决策支持，让工作流的每一个环节都被重新设计与定义。
如果一个人连自己要做什么都说不清楚，他就不可能让 AI 听懂他要做什么。
流程化是实现成本透明化的唯一路径，看不见过程，就看不见成本，就也无法优化回报。
AI 无法接管混乱，它需要一个结构化、可描述、有明确标准的商业环境，我们做的，就是先花钱和时间平整土地，而不是直接在沼泽地上盖高楼。
请最懂业务的同事定义标准和调校智能体，让 AI 规模化执行。
AI 的价值正在这里显现——让机器理解业务，让知识重新被激活。
请最懂方向的医学专家做决策，让 AI 推动落地。
当你的生产边际成本趋近于零时，业务才真正具备指数级增长的潜力。
AI 优化从来不是成本问题，而是思维问题。
主动完成“AI 原生”进化的公司，将获得前所未有的敏捷性和创造力。
从历史经验来看，在任何一个主要的竞争领域，无论是早期那种上下游通吃的公司，还是后来的平台公司，最终存活下来并占据主导地位的通常不会超过三家。
如果没有泡沫，就不会有大量的资金和人才蜂拥进入一个全新的领域，新技术也就无法在短时间内从理论转化为应用。从这个意义上讲，泡沫是推动创新的燃料。
MIT 与多家研究机构指出：在目前阶段，AI 并不能在所有任务上降低成本，甚至会因为验证、校对和对齐等额外工作，让总体成本不降反升。
事实上，技术越发达，人类反而越会创造出大量原本“可有可无”的新工作。
技术越进步，需要参与的人反而越多，而不是越少，因为技术每向前一步，都会带来新的功能、新的流程、新的合规要、新的内部协作、新的版本管理、新的测试体系……这些都是过去根本不存在的任务，也会带来过去根本不存在的岗位。
衣、食、住等属于物质需求，这类需求在数量上达到一定水平后会逐步饱和；而精神需求则会随着人们有更多的时间和可支配收入而增长。
总体来看，人类依然掌握着创新的起点和方向——提出什么问题，认为什么是“值得解决的需求”——本质上还是要由我们自己来决定；在不同的解决方案之间如何取舍，往往牵扯我们的价值观、风险偏好和伦理判断；另外，从安全的角度考虑，我们也不会把创新完全交由 AI 完成。
创新不再只是人数天才的特权，而会作为一项能够带来成就感，满足好奇心、让人在探索中获得乐趣的“高级精神需求”，吸引更多人投入其中。
企业不再一批批招新人被位，而是培养现有的这批员工尽快成长为“能与 AI 协同工作”的资深角色。
AI 时代，技术和知识更新的速度非常快，要为自己设计一条清晰的学习路线，用看得见的成果提升自己的专业素养和技能水平。只有这样，才能在未来充满变数的职场环境中立于不败之地。
教育与成长
家长需要扮演“学习设计师”的角色，帮孩子设计出更适合自己的学习方式。
过去是“老师教什么，我学什么”，现在孩子可以根据自己的兴趣和节奏，用 AI 探索更广阔的知识世界。
AI 辅助 + 人类引导的双轨模式效果最好，能充分发挥人和 AI 各自的优势。
给家长的行动建议：
小学
- 通过苏格拉底提问法学习数学；
- 用 SQ3R（Survey：概览 Question：提问 Read：阅读 Recite：复述 Review：复习） 阅读法来训练阅读理解
- 用情境记忆法背诵古诗。
初中
- 给数理化学科整理错题本 2.0
- 用费曼学习法复习功课
- 将富兰克林写作法用于作文训练
高中
- 用间隔学习法记英语单词
- 通过深度研究法训练批判性思维
- 元认知训练，也就是训练学习能力的元能力。
AI 时代，家长不必事事都比孩子懂得多，但很重要的一点是愿意和孩子共同把问题想深一点，摸索出适合他的人机协作方式。
引导孩子用好 AI
- 和孩子一起制定“AI 使用规则”
- 有意识地培养孩子的认知，也就是“知道自己是怎么思考的”的能力
- 调整陪伴方式，从监督变成共同探索者。
没有制度和规则的自由，最后会变成所有人的不自由。
在答案变得随手可得的 AI 时代，允许可控范围内的失败，比教授标准答案式的正确，更贴近孩子成长的真实规律。
著名学者肯·罗宾逊（Ken Robinson）曾在 TED 演讲上说过，“在这个（教育）系统中取得成功的人，往往不是因为这种文化而成功，而是因为克服了这种文化才成功”。
AI 一方面在快速压低“会不会，知不知道”的价值，另一方面又在迅速抬高“敢不敢承担，能不能负责”的重要性。
所谓“生产性失败”，是指在直接传授知识之前，先让学习者尝试解决一个复杂问题。
学习的本质，是当学习者面对挑战、反复试错时，大脑因受到强烈刺激而发生的改变。有挑战、看起来很“费劲”的学习过程，往往更能强化大脑的神经突触连接，促进神经回路的重塑与巩固。
学校教育的重心更应该转向 AI 暂时难以介入的领域：那个混乱、充满情感、必须亲身经历挣扎才能构建能力的学习过程。而那些看似是失败“副产品”的东西——坚毅的品格、共情能力、批判性思维和系统性思维——正在成为 AI 时代教育应该将会的“主产品”。
老师真正要做的，是提出清楚的任务，统筹这些 AI 的输出，对最后的方向、标准和边界负责——既用好工具，又守住“人”的那一部分。
在两难的情境里，做出需要自己负责到底的选择。
当我们的大脑发现有些原本需要自己费力处理的任务，现在完全可以交给外部工具代劳时，它就会倾向于把这部分功能从自己的系统里“卸载”掉。
在耗费同样脑力的情况下，因为有了 AI 的加持，结果看起来会好很多，甚至好得“惊人”。这又可能让人产生过于强烈但又虚假的成就感。
未成熟大脑的可塑性极强。只要家长和孩子同时认识这到这场战争的重要性、这场危机的紧迫性、坚持三个月，就能看到明显的提升；坚持半年，就足以把这份训练（或者说这场“战斗”）的成果固化下来。
出自造物主之手的一切都是好的，而一到了人的手中，就全变坏了。
若说旧时代的社会是习俗与不平等的枷锁，那么 AI 时代还增加了算法与效率的铁笼。它以便利为名，悄然剥夺了我们思考的主动性；它以个性化为名，将我们囚禁于信息茧房，使我们失去了对普遍真理的探索。
教育的核心是，理解“自我的可塑性”和“工具的局限性”。
在信息过载的时代，提问的艺术、验证的耐心和质疑的勇气，与知识的储备同样重要。
不要让 AI 成为新爱弥儿惰性的源泉，故意布置一些需要多重步骤、跨越多个信息源才能解决的问题。
教育的核心是，认识到“算法只追求效率，而人必须追求正义”。
只有深刻理解人性，他才能超越 AI 的冷酷逻辑。
真正的自由，在于面对异见时独立创新。
知识可以被 AI 复制，但正直的德行是无法被模仿的“人类专属价值”。
教育的核心是，超越知识，拥抱未知，实现创造。
领导力是情感、道德与理性三者的融合，这是 AI 无法习得的人本智慧。
最重要的是“学习如何学习”的能力，是接受自己的知识随时可能过时，并能以极快的速度、极大的谦逊重新开始的能力。
孩子的时间应该投资才长周期、沉浸感、有长远回报的活动：阅读经典、深度写作、体力劳作、户外摸索。
集中注意力的能力，是 AI 时代最稀缺的贵族品质。
AI 只能给出基于已知数据的最优解，但人可以提出一个全新的、超越现有框架的问题。
AI 是一个超强的知识压缩和调用引擎，它极大地降低了调用知识和使用工具的门槛。
既然学习的最终目的是解决问题，那一定是直接在解决问题中学习的孩子更厉害。
好的文学作品会带我们进入他者的生活，体验那些我们未曾经历，却可能与我们息息相关的情感与处境。
幽默恐怕是人类最难以被定义、被复制的能力之一。
人文学科必须更早地介入人工智能的塑造过程——在它的概念尚未成形、底层逻辑尚未固化时，就参与到定义问题、理解目标、设计路径的工作中去。
理解一个人不只是观察他的行为，更要思考他是在什么前提下做出选择的，以及他为何会为自己设定那样的行动准则。
当他们在成长中遇到困难时去支持他们，并陪伴正在学习如何为人父母和家长。
当父母不再急于给孩子的行为下判断、贴标签时，理解和联结才会真正开始发生。
“好父母”的标准，将不再是给孩子提供最好的物质条件，而是能与孩子建立高质量的情感联结。
当家庭不再把注意力集中在“哪里出了问题”，而是更关注“成长”和“关系”，很多原本尖锐的矛盾都会慢慢化解。
AI 的终点是让父母去拥抱孩子，这是温度的底线。
医疗与健康
只需要 AI 解读一条 10 秒的心电图（ECG），就能提前 3~5 年预测一个人未来是否会发生心力衰竭。
证明医学正在从“单一数据+单一场景”的孤立评估向“数十种数据+全场景并行计算”的综合分析跃迁。
心理健康会成为 AI 主动干预场景中价值密度最高的领域之一。
医疗本该是一套守护在你身后的保障系统。它的理性形态是：你不必时刻意识到它的存在，但它始终在稳定地发挥作用。
生命数据的边界将被重新定义。睡眠、情绪、压力、语音、运动、社交关系、环境参数等都会被纳入健康模型。健康将成为一个跨场景的运行系统。
技术向前一步，是为了让医生更靠近患者一步，也是为了把被疼痛偷走的好日子，一天一天地还给患者。
AlphaFold 的突破向全世界证明：蛋白质的三维结构并不是只能依赖实验测得，AI 可以直接从序列推断其折叠形态。
我们之所以能在分子层面得到确定性，是因为物理规律强于噪声；而在细胞层面迟迟得不到确定性，是因为噪声强于规律，因此，要让 AI 进入生命系统这一层，就必须重新定义数据的生产方式。
从 AI 的视角看，临床试验失败不再是损失，而是模型学习的“新样本”；药物效果的个体差异也不再是噪声，而是理解疾病机制的线索。
生物体从来不是静止的，而是在持续的微小扰动中不断自我调节的动力系统。生命体也不可能在某一刻突然从“正常”滑向“异常”，而只能在系统偏移与系统恢复能力之间长期维持一种动态平衡。
衰老不再被理解为磨损，而是系统熵漂移的速度。医学者未来真正的核心价值，也不再是简单地延长生命长度，而是控制这条漂移曲线的斜率——尽可能延缓生命系统走向熵耗散与功能丧失的速度。
老年阶段，不仅是身体机能逐渐衰退的过程，也可能是一段重新安排生活、重建日常秩序的日期。
一个好的养老社区，本质上不是“照顾”老年人，而是为他们提供一个能重建社会关系的生活平台。
选择什么样的养老方式，本质上是一个家庭决策。这个决策不仅关乎老人的生活质量，也关乎整个家庭的幸福与稳定。
创作与表达
今天，一封手写信比打印的信更珍贵，不是因为它更高效，而恰恰是因为它低效，因为它承载了时间的重量。
当机器接受了可量化的劳动，人类必将被迫去发现不可量化的价值。
当技术可以廉价地复制内容时，价值也将转移到不可复制的东西上：认证、策展、背景、关系、创作者本身。
生态学家警告我们，缺乏多样性的单一文化会使系统脆弱。这一原则同样适用于文化生态系统。
历史不断提醒我们，每当技术自动化一项技能，价值就会转移到技术无法自动化的东西上。
正如索绪尔（Ferdinand de Saussure）在其语言学著作中所说：一个符号的意义不在符号本身，而在它与其他符号的关系中。艺术品的意义也来自它在关系网络中的位置。AI 改变了这个网络，但并没的抹除它。
在一个内容能够无限生成的世界里，真正的价值不在于制造更多内容，而在于以更新颖、更深刻的方式，让我们与更为宏大、精微的意义连接起来。
“做不成一个人的电影公司”，症结不在于 AI 的能力不够成熟，而在于电影这件事本身离不开人的原发创意和多工程的协作。
生图师是 AI 制作流程中的新工程。他负责把原来“写给人看，由人脑补画面”的剧本，改编为“写给 AI 看，让 AI 能生成分镜画面”的精准提示词。
对”情绪真实“的需求，会慢慢盖过对画面、人物、动作本身”是不是绝对真实“的需求。
人只能截取极少的过往来象征所有的过往，一个事件如同一块山石，被用观念堆砌到一起；用一段表述历史的语言建立自己的理解，如同开辟一条不知通往何处的小径。
和人的直接见面变得日益艰难，缺少必要，当没有 AI 在场时，你和对方都显得笨拙、恐惧，不知道怎么说第一句话，不知道眼睛该看向哪里，你们决定都不再摘下 AR 眼镜。
未来的核心文字能力是与模型的互动能力和审核能力。
深刻的不公平往往始于微小的选择，人对待语言的不同态度，会造成未来世界不公平的起点。
最值得忧虑的不是 AI 会有多像人，而是人会因此变得多不像人。
生活与服务
随着算法、感知与传感技术的进步，机器人将起来越少依赖人类实时发出的指令。
机器人之所以要能跑、能跳、能保持平衡，是为了未来的医院、酒店、工厂等场景中，更好地完成一项项具体的任务。
仿真世界的构建速度、正逐渐追上物理世界的制造速度。
而当每一个真实物体都有对应的仿真版本时，机器人学习的仿真世界几乎与现实世界无异，它们的试错成本会被降到最低，而进化速度则会被提升到最高。
理解技术的不完美，接纳它们的成长过程，并愿意看它们跌倒、爬起、再试一次。
智能体的出现意味着，我们不再只是多了一件更称手的工具，而是第一次拥有了一个可以托付任何，甚至可以”把后背交给它“的数字分身，它正在重新定义我们对”工作“”信任“和”组织方式“的理解。
Less structure, more intelligence（更少结构，更多智能）。
在传统的软件工程中，我们必须尽可能预判所有可能的错误，把流程图画得密不透风；但在智能体的架构里，路线是相反的——预留更多空间，让模型自己学习如何拆解任务、组合工具，并在不同能力之间找到新的连接方式。
从产品终局来看，用户最核心的资产其实是上下文。
这些随着时间积累下来的使用习惯，偏好模式和思考方式不应该被拦腰截断，而应该沉淀在同一个系统里，让它在后续复杂任务中持续被调用。
用户的信任就是在这种长期稳定、持续安全的使用体验中慢慢建立起来。
技术趋势是一股不可逆的洪流，你不可能阻拦，也不能寄望于它绕开你。更可靠的方式是站到潮头，让这股力量推着你，而不是靠工程技巧逆势硬抗。未来真正的赢家，大概率会是那些把大模型长板持续转化为独特体验和高效工作的团队，而不是那些把主要精力花在弥补模型短板上的人。
当智能体能帮你完成 90% 的执行工作——那些重复的、烦琐的、消耗精力的任务——你作为”人“的价值会高度集中在剩下的 10% 上，那就是去定义真正的问题，去判断最终的价值，去决定我们究竟要去往何方。
在理解层面，我们希望让 AI 不只是知道你是谁，你在做什么，还要理解你为什么这么做。
凯文·凯利（Kevin Kelly）曾打过一个形象的比方；瑞士军刀看似万能，但你经常会用的、真正称手的往往只有其中几个功能。AI 也是如此，与其追求无所不能，不如使其在一个明确的场景里做到极致的理解与共情。
拟社会互动理论认为，AI 的即时反馈会让人产生”被理解、被看见“的感受；依恋理论指出，一个始终在场、不批判、值得依赖的存在，能成为人类情感上的”安全基地“；而情感代偿机制的研究显示，当现实关系暂时无法满足时，稳定、耐心的互动可以在一定程度上弥补这种情感缺口。
AI 的销售学习能力，远比人们想象的要细致。它带来的增长并非立竿见影的，而是细水长流的。每天多赚一点，累积下来的利润就很可观。
只要你能清楚描述自己的困惑和场景需求，AI 就能为你生成对应的解决方案，而且，这些方案会越来越便宜、越来越宜用。
唯有改变建筑行业的生产方式，让工人不再仅仅依赖体力，让岗位更具技术含量，只有这样，年轻人才可能重新看到这个行业的未来。
产业与趋势
当合肥进入人工智能、低空经济等新赛道时，它的思路不是从头再来、从零开始，而是直接把优势产业的”里程碑“搬过来当”起跑线“。
科技兴衰与国运相辅相成。
楼市什么时候触底呢？经济学领域有个常用的参照系：看租售比有没有明显超过国债收益率。
如果通过保障性住房体系让更多年轻的工薪家庭以可承受的成本”有房可住“，不仅有助于缓解代际焦虑，也有利于释放一部分原本被房贷占用的支出空间，使其回流到日常消费之中，为增加经济内循环提供更持久的动力。
复旦大学特聘教授黄奇帆说，出口大国不一定是经济强国，但进口大国一定是经济强国；更大的进口规模，有利于我国在国际贸易中争取更高的定价权，也有助于以人民币作为支付工具，推动人民币国际化，削弱美元的单一货币霸权。
创新不再只是实验室里的单点行为，而是被纳入完整的”产业—科研—资本“循环之中。
智能化让硬件产品具备了软件化、网络化的能力，形成”数据驱动的硬件“，并在当下进一步演化成 AI 智能体系。
规模之下有技术的深度，速度之中有体系的秩序，创新背后有理性的力量。
从传统的绝对理性的眼光看来，未来难以被精准预测。正如美国资深投资家马尔基尔（Burton Malkierl）所说，对投资市场的任何预测，都你是一场随机漫步的数字游戏。
带着理性思维，重建自己对财富的认知。
预计到 2027 年，AI 芯片市场规模将从目前的大约 500 亿美元增长到 4000 亿美元。
只要愿意在投资认知上投入时间和资源，无论是机构还是个人，都可以把 AI 当作训练搭档——借助它更及时、理性地分析机会，更有章法把握进出场时机，再通过针对性的部署，征战投资市场。
很多人把 2025 年称为大语言模型推理元年，其背后就是强化学习在具有一定知识的基础模型上带来性能暴涨。
大语言模型只能很好地处理训练过的内容，而卡帕斯要做的这个项目在很多细节上都突破了常规，这些”非常规路径“在训练数据中是缺失的。
在 AI 逐步平稳嵌入经济增长的进程中，个人能力的价值将更多体现在对问题的整体把握上，而非具体难点的解决上。
思考最坏的可能性并不是思想者的工作，因为你不思考时，就自然会迎来最坏的可能性。问题在于，你怎么设想最好的可能性。
想要做出正确的决定，必须首先成为正确的人。