每天读过文章的摘要整理
这篇文章是作者读完《币安人生》后的感受与笔记，核心不是炫耀财富，而是提炼 CZ 的做事原则。文章先回顾 CZ 从农村、加拿大、打工、学计算机，到接触比特币并投身币圈的经历，强调他并非靠运气暴富，而是基于技术背景、金融经验和对新技术的判断做出高风险选择。随后文章重点总结 CZ 的几条原则：一是保护时间，减少无效会议、寒暄和社交，把注意力留给真正重要的事；二是不要只盯着赚钱，而要创造价值，让合作方、用户和团队都能长期受益。文章还强调‘保护用户’不是口号，而要在误转资产、分配收益、平台出问题时真正站在用户一边；这也是币安早期建立信任的关键。作者认为，长期主义和双赢虽然听起来朴素，但往往是最稳定有效的商业策略。最后作者把这些原则延伸到个人生活与创业实践：少被外界安排，多做有结果的事；少占短期便宜，多积累长期信誉。整体上，这是一篇借 CZ 的故事来谈时间管理、价值创造、用户信任和长期主义的随笔，语气比较个人化，也带有明显的币圈视角。
这篇文章介绍了一种让 Transformer 更快、更省算力的稀疏化思路，核心是把原本稠密的注意力或计算结构改造成大规模稀疏形式。作者围绕 99% 稀疏这一目标，讨论了如何在尽量不损失效果的前提下大幅减少计算量，从而提升推理和训练效率。文章会解释这种方法为什么有效，以及它和传统 Transformer 在计算瓶颈上的差异。同时，文中也关注了稀疏化带来的工程实现问题，比如哪些部分可以稀疏、如何维持稳定性、以及加速是否真的能落地到实际硬件上。整体来看，这是一篇偏技术前沿的解析/解读文章，主要面向对大模型结构优化、稀疏注意力和高效推理感兴趣的读者。
这篇文章围绕‘64%的人终其一生无法跨越的究竟是什么’这一问题展开讨论，主题更偏向个人成长、认知升级与人生突破。文章试图解释，很多人之所以长期停留在原地，并不是因为能力完全不足，而是被某些更深层的因素限制住了，比如认知惯性、行动迟疑、环境影响或心理负担。作者通过分享和分析，强调跨越这些障碍的关键不只是鸡汤式鼓励，而是要真正识别自己的卡点，并用持续行动去改变。文中整体风格偏启发式，既有对现实处境的反思，也强调主动选择和长期坚持。读完以后会比较容易把它理解为一篇关于打破自我设限、完成阶段性跃迁的励志/思考类文章。
这篇文章讨论了作者对 2026 年 AI 竞争格局的判断：大模型竞赛已经从“按季度切换”进入到“按月、按周切换”的阶段，行业正式进入 Agent 时代。作者认为，AI 第一次开始系统性地加速 AI 自己，而 Coding Agent 则是这一轮变化中最重要、增长最快的方向。
1. Coding Agent 是当前最强共识。
作者把 Coding Agent 描述为科技史上增速最快的新物种，认为它不是简单的聊天产品升级，而是一种被验证过的高速增长形态。文章提到，AI Coding 创造的 ARR 预计将在 2026 年突破 1000 亿美元，Anthropic 也会借助 Claude Code 的势能进一步扩大领先。
2. 竞争焦点从模型能力转向组织与战略。
文章反复强调，Anthropic、OpenAI、Google 之间的差异，不只在模型和算力，更在组织文化、战略聚焦和执行方式。作者认为，Anthropic 的优势在于早早 all in Coding，并把数据质量与执行做到极致；OpenAI 和 Google 则分别存在战略分散、产品优先级偏移等问题。
3. Agent 正在成为数字世界的新消费者与生产者。
文章认为，Agent 不再只是工具，而是开始以独立身份参与交易、消耗资源、创造价值。围绕这一变化，Stripe、Anthropic、Cloudflare 等公司都在重构基础设施，让 agent 能够直接开户、支付、调用工具、执行任务。
4. Agent 的本质是 Model + Harness。
作者提出，Agent=Model+Harness，模型之外的工程封装、上下文管理、工具调用和循环执行机制，正在决定 agent 能否真正完成长任务。相较过去依赖大量规则的链式方案，新的趋势是更信任模型，把 harness 设计得尽可能简洁。
作者认为，未来一段时间里，头部模型公司仍会围绕 Coding、Agent 和 runtime 继续竞争，但胜负手不只是单点模型性能，而是组织、文化、数据体系和产品形态的综合能力。文章还延展到 robotics，认为 2026 年会是机器人数据 scaling 的关键年份，硬件能力和供应链也会变得越来越重要。
这是一篇典型的 AGI 投资洞察，核心结论是：AI 行业已经从“模型竞赛”进入“Agent 时代”，而 Coding Agent、Harness 和组织能力，将成为下一阶段最重要的竞争变量。
文章围绕“谷底、回撤、减速、断链”四个关键词，讨论了如何理解人生低谷、投资回撤、增长减速与复利中断之间的关系，并将它们统一放进“复利链条”这个框架里理解。
一、谷底：低谷并不只是失败，也可能是重建的起点。
文章先引用了罗琳、巴顿、艾琳·布伦南、特雷弗·卡斯等人的话，强调“触底”并不等于终局。谷底是一个人的韧性、心态和重建能力被迫显现的时刻。作者进一步用丘吉尔、荣格、乔布斯、伊丽莎白·吉尔伯特、日本谚语“七转八起”、以及“否极泰来”“置之死地而后生”等表达来说明：真正的低谷可能不是终点，而是人生结构被打碎、随后重新搭建的开始。
二、回撤：控制大亏比追求小赢更重要。
文章转向投资，借用斯皮茨纳格尔、塔勒布等人的思路说明：在面对不确定未来时，回撤率比胜率更重要。因为一次 50% 的下跌，回本需要 100% 的上涨，损失和修复并不对称。这意味着，如果忽视回撤控制，表面上看起来“常常赚钱”的策略，最终可能在一次大跌中彻底失效。
作者以环宇资本购买看跌期权的策略为例，说明他们宁愿长期承受小额损失，也要换取在黑天鹅事件中爆发式收益。这种思路与多数华尔街追求稳定小收益、却在极端事件中暴露巨大风险的做法正相反。文中还指出，市场之所以会出现这样的不对称机会，往往因为多数人低估黑天鹅风险，导致期权被错价；而在危机后，又会因为恐慌过度悲观，出现优质资产被低价甩卖的窗口。
三、减速：不是谁跑得最快，而是谁掉速最少。
这一部分讨论“减速”的含义。作者借超级耐力运动员和南极探险队的例子说明，在长期竞争中，关键不一定是谁冲得最快，而是谁在疲劳、压力和环境变化中保持得更久、减速更少。这里的核心仍然是复利：真正重要的不是某一段爆发，而是能否避免长期节奏被打断。
文章还提到塞勒的框架效应，以及纽约出租车司机的研究，暗示人们不该机械地平均分配努力，而应根据环境和回报动态调整节奏：收成好的时候多做一点，收成差的时候早点收手。这个部分的重点，是让读者思考：如何在规则、激励和心理框架中找到更适合长期生存的节奏。
四、断链：真正的敌人是复利被中断。
文章最后回到查理·芒格那句：“复利的首要规则：永远不要不必要地中断它。”作者把前面的“谷底、回撤、减速”统一解释为可能导致复利链条断裂的三种机制：
针对“谷底”，文章列举了丘吉尔、荣格、乔布斯、吉尔伯特、日本谚语和中国古语，强调在深渊中最重要的策略往往不是停下来分析，而是继续向前，保住前进的势能。针对“回撤”，文章详细说明了黑天鹅、错价期权、恐慌性抛售等机制，指出理解风险定价和极端事件，是避免断链的关键。
总体上，这篇文章想表达的是：
文章最后留下了一个很关键的问题：为什么聪明人云集的华尔街，仍然会反复留下“廉价看跌期权”和“廉价优质资产”这样的套利机会？这实际上是在引导读者思考：金融市场中的错误，不只是技术问题，更深层地来自人性和制度结构。
这篇访谈围绕 Google DeepMind CEO Demis Hassabis 对 AI 未来用途的看法展开，核心观点是：AI 最有价值的方向不是简单的聊天或生成内容，而是帮助人类理解现实世界，并优先改善健康、科学和医学。
文章首先回顾了 Hassabis 对 AlphaFold 的思考路径。早在本科时期，他就对蛋白质折叠问题着迷，因为蛋白质的三维结构决定功能，而传统实验方法既慢又贵。AlphaFold 的突破在于，它把原本需要几十万美元、耗费多年才能得到的结构预测，压缩到几秒钟完成，并且可以把大量已知蛋白结构免费开放给全球科学家使用。作者强调，这使得 AlphaFold 不只是一个模型，而是一次彻底改变科研流程的基础设施升级。
接着，访谈讨论了 AlphaFold 在科研中的具体价值。它帮助研究者更快理解蛋白结构、探索药物靶点，也让研究冷门物种、植物、疟疾、查加斯病等“低商业回报”疾病的团队拥有了更好的工具。Hassabis 认为，AI 应该先解决这些能显著改善人类健康和基础科学的问题，而不是等到所谓的 AGI 完全成熟后才开始发挥作用。
文章随后转向药物发现。Hassabis 认为，知道蛋白结构只是第一步，真正的目标是把 AI 用在药物设计、分子筛选和副作用预测上。DeepMind 及其孵化公司 Isomorphic Labs 正在构建一整套相邻系统，尝试在计算机中完成尽可能多的药物发现流程：设计候选化合物、预测它们与目标蛋白的结合强度、快速检查是否会误伤其他蛋白，再把最有希望的结果送入湿实验室验证。这样的流程有望把现在动辄十年的药物研发周期大幅缩短。
文章还介绍了 AlphaGenome 的意义。它试图解码基因组中大量不编码蛋白质的区域，尤其是帮助识别哪些突变会导致疾病。Hassabis 认为，未来 AI 可能能更准确地指出疾病的关键突变，再和 CRISPR 这类基因编辑技术结合，直接修复问题位点，从而为遗传病治疗打开新路径。
最后，文章讨论了 AI 发展节奏的变化。Hassabis 承认，如果按他的个人意愿，他希望把 AI 更长时间留在实验室里，优先做科学和医学方向的工作；但现实中，ChatGPT 之后的产业竞争显著加速了 AI 的公众化和产品化。他认为自己始终最关心的仍然是“用 AI 理解世界”，而他希望这份技术力量最终能被用于科学发现、疾病治疗和人类认知边界的拓展。
这篇文章介绍了 SubQ 提出的 SSA（Subquadratic Sparse Attention）架构，以及它为什么能让长上下文在实际生产中更可用。文章的核心观点是：企业 AI 真正困难的问题，往往不是“没有答案”，而是答案分散在超长上下文里，需要模型把多个片段同时纳入视野才能做出可靠判断。
作者先指出，代码库、合同、研究语料、数据库和长期运行的智能体会话，本质上都是长上下文问题。传统的 dense attention 让每个 token 与所有其他 token 两两计算，虽然能力强，但时间和计算开销会随着序列长度呈平方增长，因此在几十万到百万 token 规模上很快变得昂贵。文章强调，长上下文不仅仅是“更大的窗口”，而是“更可靠的推理窗口”。
随后文章对比了现有系统级补丁的局限。RAG 能按语义召回相关内容，但往往会丢失位置、层级、邻近上下文和引用结构；agent 流程可以把大任务拆开，但会带来多次压缩、误差累积和手工编排。FlashAttention 虽然优化了实现方式，减少了显存和内存搬运成本，但并没有改变 attention 仍然是平方级计算这一根本事实。
文章接着解释 SSA 的思路：它通过内容相关的选择机制，把注意力路由到真正重要的位置，而不是强迫每个 token 与所有 token 交互。这样做的目标不是牺牲检索能力去换速度，而是在保留长上下文检索能力的同时，把计算复杂度降下来。作者把它描述为一种更接近“功能性长上下文”的方案，而不是单纯扩大上下文窗口。
在效果上，文章声称 SubQ 在 MRCR v2 等长上下文任务上能跟前沿 dense-attention 模型保持竞争力，并在 100 万 token 下实现 52.2 倍的 prefill 加速。作者据此认为，SSA 让百万 token 上下文更便宜、更快，也更适合企业场景中的代码理解、文档检索和长任务推理。
文章最后的结论是：长上下文真正需要的是能稳定在大规模输入下保持检索与推理质量的架构，而 SSA 的意义就在于尽量减少围绕 dense attention 叠加的大量工程补丁，让模型本身更适合长上下文生产部署。
这篇文章围绕“英伟达为什么想改造光模块产业链”展开，核心是在解释 AI 数据中心互连需求、光模块的作用，以及英伟达推动 CPO（光电共封装）背后的产业影响。
文章先从中际旭创、新易盛、天孚通信等光模块龙头的高景气写起，说明在 AI 数据中心建设和资本开支持续扩张的背景下，光模块行业一度成为市场焦点。随后作者解释了数据中心内部通信为何重要：GPU 需要通过服务器、机柜、交换机等多个层级互联，才能把算力组织起来，而光模块正是把电信号转换为光信号、支撑长距离高速传输的关键器件。
接着，文章比较了铜缆与光缆的特点：铜缆便宜、低延迟，但距离受限；光纤能传得更远、功耗更低，但需要额外的光模块完成“翻译”。随着 GPU 集群规模变大、传输速率提升到 800G、1.6T，光模块的功耗和系统复杂度也越来越高，行业逐渐暴露出“中间环节太多”的问题。
英伟达的思路是把光模块拆解重组，推动 CPO 技术落地：把光引擎等器件直接放到交换机芯片甚至 GPU 附近，缩短电/光转换路径，降低功耗，并提升对整个系统的控制力。文章指出，英伟达与台积电在先进封装上的合作，以及后续在交换机、机架级系统中的布局，都说明它并不满足于只卖芯片，而是想进一步掌控“计算系统”的整体形态。
文章也重点分析了这一变化对中国光模块厂商的冲击。当前中国企业在光模块“系统集成”环节占据很强地位，但 CPO 如果普及，最先被削弱的恰恰是这类集成型价值；而高端激光器、探测器、DSP/AFE 等核心器件主要仍掌握在美日厂商手中。换句话说，CPO 可能会把产业链利润进一步向上游核心器件和大客户集中，挤压中国厂商擅长的中间层。
最后，文章认为短期内 CPO 仍受成本、工艺和量产节奏限制，光模块行业不会立刻被颠覆，但中长期看，英伟达、台积电、博通等玩家正在重新定义数据中心互连的技术路线，光模块行业的竞争格局也因此面临重塑。
这篇文章讲的是硅谷资本如何借助政治行动委员会、营销机构和社交媒体网红，把“中国 AI 威胁”包装成一套面向美国普通家庭的传播叙事。作者认为，这不是单纯的反华宣传，而是一场夹杂着政策游说、资本利益和监管博弈的政治传播工程。
文章的重点是：网红视频背后的脚本、资金链和政策文件彼此对应，OpenAI、a16z、Palantir 等硅谷势力既在制造话术，也在推动反监管与政府订单。所谓“打中国”，在作者看来更多是手段；真正想争取的是未来几年美国 AI 政策的真空，以及对本土闭源模型商业模式的保护。
文章最后把这件事放到更大的背景里：很多国家喜欢把内部治理问题转移成外部敌人叙事，而“中国”只是这个全球脚本里最方便的靶子之一。
文章的核心结论是：在 AI 时代，产品经理的价值没有下降，而是从“协调推进”转向了“判断方向、定义成功标准、快速做取舍”。
Anthropic 这类 AI 公司真正的竞争力，不只是模型能力，更是发布速度和组织机制。功能先快速推给用户、再通过反馈迭代，是这篇文章反复强调的重点。
文章也提到，PM、工程师、设计师的边界正在模糊，真正稀缺的是产品品味、第一性原理思考和主动补位能力。与此同时，AI 产品的关键不在于“能不能做”，而在于“是否足够可靠”，因此评估体系和反馈闭环非常重要。
最后，文章把 Claude Code 和 CoWork 的分工讲得很清楚：前者偏代码和测试，后者偏文档、PPT、邮件等非代码任务。整篇文章想表达的是：AI 提高了杠杆，但真正拉动杠杆的，仍然是有判断力和行动力的人。
文章的核心观点是：大多数量化策略本身不会显著放大市场波动，但动量策略不同。如果资金过度集中在动量策略上，它会在上涨时不断追涨、在下跌时快速杀跌，从而放大市场的涨跌幅。
作者用一个很直观的类比说明这一点：人类投资者的情绪传播本来就有滞后性，趋势反转时市场会慢慢变化；但动量策略没有情绪，一旦趋势变了就会立刻反向操作，因而更容易把波动放大。
文章最后的建议也比较直接：面对这类策略带来的波动，投资者要更重视资金和杠杆管理，并避免在价格已经远高于价值时过度追逐趋势。
这篇文章是作者对“远离社交网络、回到真实生活”的一次个人分享。作者说自己之所以减少更新，是因为越来越厌倦手机和社交平台把人重新变成“被工具牵着走”的状态。
文章里有很多温和但真切的生活片段：老同事写来的问候邮件、曾经帮助过的年轻同事、土耳其街区卖肉的大叔和他的女儿、以及叙利亚小男孩帮忙给独轮车打气。作者想表达的是，脱离社交网络之后，人与人的善意、羞涩、体贴和互相帮助，会变得更清晰，也更有力量。
整篇文章的结尾很直接：如果社交网络让人焦虑，不妨放下手机，踏实地拥抱真实生活。
这篇文章的核心是在比较中美各自最擅长的“武器”：美国更擅长技术研发、直接融资和标准输出，中国更擅长技术扩散、产业投资和基础设施延展。作者认为，中美竞争正在从过去相对模糊的合作阶段，转向各自拿出最趁手打法的真实博弈。
文章把这种差异拆成两个大方向：科技和资源。科技上，美国更像“发明者”和规则制定者，中国更像“应用者”和产业链整合者；资源上，美国依赖市场、联盟和供应链排他性，中国依赖基建能力和成本控制。作者还特别提到，AI 不只是提升尖端研发，也会加速技术扩散，改变原本需要大量工程师才能完成的产业升级过程。
整篇文章的落点是：中美已经进入一场长期的文明型竞争，双方都会越来越清楚自己的优势和边界。作者并不预测谁一定赢，而是认为这类差异化竞争本身，会持续制造未来很长时间里的投资机会。
这篇文章的核心观点是：中国经济正在从高速增长阶段走向成熟阶段，过去依赖低起点、规模扩张和某些“功能性安排”的增长逻辑，正在逐步弱化。
作者把这个过程拆成三个层面：金融市场、实体经济和社会文明。金融上，A 股会从高投机、靠情绪和赔率驱动，逐步变得更成熟；实体上，过去一些通过内部循环、隐性补贴和资源集中实现的增长方式，未来会越来越少；社会层面，GDP 不再是唯一目标，幸福感、文化、环境和生活质量会越来越重要。
整篇文章想传达的是：所谓“成熟”，不是停滞，而是从单一增长逻辑转向更平衡、更长期、更注重真实福祉的发展方式。
这篇文章讨论的是 Agent 时代的软件形态变化：未来很多工作会从“打开一个个独立应用”变成“让 Agent 直接去做”。作者认为，Agent 不只是一个聊天界面，而会逐渐成为连接身份认证、支付、营销、任务执行等一整套新技术栈的入口。
文章里反复强调一个趋势：公司会越来越小，但能力会越来越强。与其维护庞大的产品团队，不如保留更精简的核心人类，再配一批 Agent 助手协同工作。很多过去靠 SaaS 完成的事务型任务，也可能被内部 Agent 工具替代。
整篇文章的判断是，软件不会消失，但软件的使用方式会变：人类更多负责目标、判断和监督，Agent 更多负责执行、探索和自动化。未来的软件竞争，既是产品体验的竞争，也是 Agent 入口和工作流入口的竞争。