如果康德是用 Lisp 写《纯理性批判》，也许读起来会让人好受得多。 今天的哲学家，很多并不在哲学系里，而是隐藏在程序员、物理学家和 AI 研究者之中。 经历过真正的工程和研究训练的人都很容易学习哲学，因为这些工作和环境反馈其实是在不断训练自己，用更精准的语言来描述世界。 最近看过很多创新的案例都让我不断相信，把技术仅仅当作工具的人，潜意识里其实也是把自己当工具。 很难相信这样的态度能做出突破性的创新，而非落入一种盲目的跟风。

Crypto基建可能是人类历史上前几名的资本浪费。跟之前那几次不同的是，这次连残值都没留下。 从2016年算起，整个crypto产业消耗的真实资本远超多数人的直觉。VC端累计超过1000亿美金。2017-2018年的ICO大潮吞掉了数百亿（各口径差异巨大，保守$200亿到$500亿之间，其中80%以上是骗局，存活率约10%）。比特币PoW挖矿十几年累计电费$300到$500亿之间，全部用于解一道没有任何生产性产出的数学题。DeFi hacks累计损失超过$140亿，各链基金会生态补贴又烧掉了数百亿。 合在一起，$2000亿美金级别。 钱的最大去向，年年都是"基础设施"。2024年仅infra品类就吸走55亿美金，同比增57%，创品类历史新高。L1、L2、L3、rollups、ZK层、DA层、shared sequencer、modular blockchain……以太坊白皮书发布十多年了，这些基建上面跑着的主流应用数来数去还是那几个。但新积木还在不断冒出来。 行业数据：90%到99%的Web3项目在达到长期运营之前失败。2021年以来上线的token里超过一半已经是死币。2026年上半年又有60多家crypto公司关门。 把这$2000亿放进历史坐标里： 1840年代英国铁路狂热，累计投入2.5亿英镑，接近当时GDP的一半，铁路投资占GDP的7%。股价从峰值跌了57%，三分之一经议会批准的线路从未建成。但留下了8000英里铁轨，永久性地降低了工业运输成本。 1990年代末电信光纤泡沫，五年内砸了超过5000亿美金铺设光纤网络。泡沫破裂后95%是暗光纤，仅有不到5%的已铺设容量被点亮，全球电信股蒸发超过2万亿美金市值。但那些光纤留在地下，十年后成了宽带、云计算、视频流媒体和AI数据中心的物理底座。 2000年互联网泡沫，VC投入从1995年的80亿美金飙升到2000年的超过1000亿美金，83%砸向互联网公司。NASDAQ从峰值跌了78%，5万亿美金市值蒸发。但留下了服务器集群、数据中心、光纤骨干网，最终长出了Amazon、Google和现代互联网经济。 铁路狂热留下了铁轨。光纤泡沫留下了光纤。互联网泡沫留下了数据中心。每一次大规模的资本错配，都在投资者血亏之后，为下一轮技术浪潮留下了可被复用的物理基础设施。 Crypto的两千亿美金留下了什么？几十条L1链、上百条L2/L3、无数的bridge和oracle。它们有一个致命的不同：没有物理性，没有可被后来者复用的残值。铁轨是铁轨，光纤是光纤，不管谁来用、用来做什么，物理层都在那里。但一条没有用户的区块链就是一条没有用户的区块链。AI时代不需要在ZK-rollup上面跑inference，不需要用shared sequencer来调度GPU集群。 那些被社区称为scientist的人，在一个没有真实用户需求驱动的系统里互相peer review、互相citation，形成了一套高度自洽但极度封闭的学术仿生体系。 历史上每一次基建泡沫，至少完成了一个任务：错误地、过早地、用投资者的血去铺设了未来真正需要的基础设施。Crypto连这个都没做到。它铺了一条没有目的地的高速公路，而AI时代的车跑在完全不同的路上。 两千亿美金。换算成GPU集群，够训多少个frontier model了。

Properly mastering anything means you have as good as a command over it as a professional musician has over their instrument. And you're never going to get to that level unless you engage in a massive amount of efficient practice.

最近参与一些项目设计时，我越来越频繁地听到一种抱怨：不少人开始排斥，甚至主动避免让传统 CS / 软件工程背景的人主导针对复杂问题的方案设计。 被吐槽最多的，并不是代码能力，而是缺乏对真实问题进行建模的能力。 和一些不同领域的朋友交流之后，我发现这并不是个别现象。 我倒不认为 CS 背景的人天然有什么问题。真正的问题可能恰恰在于，过去的软件行业让太多技术理解长期停留在框架、API 和各种大词上的人，存活得太久了。 放在一些更依赖基本功和建模能力的领域，这类人可能很早就会因为无法继续深入而被筛掉；但软件行业过去巨大的 implementation 需求，长期为他们提供了足够宽的生存空间。 在古法编程时代，implementation 本身足够昂贵。 熟悉几个框架，记住大量 API，掌握一些标准架构，知道如何把别人已经验证过的方案迁移到另一个业务场景，本身就具有相当高的市场价值。 于是久而久之，我们把： “能够熟练操作别人已经设计好的抽象” 误认为了： “具备理解问题、建立模型和创造抽象的能力”。 但这两件事从来不是一回事。 AI 的出现，只是突然把这个长期存在的错觉打破了。 当写代码、查 API、拼框架、迁移 boilerplate，甚至完成相当复杂的 implementation，都开始变得越来越廉价以后，过去被代码产出能力掩盖的差异终于暴露了出来。 某种意义上，我们面对的并不只是一次生产力革命。 而是一场迟到了很多年的能力重估。

Buku Epistemology: A Contemporary Introduction to the Theory of Knowledge, merupakan karya Robert Audi. Karya Robert Audi tersebut merupakan sebuah kajian mendalam mengenai teori pengetahuan dan pembenaran. Dalam karyanya Audi menguraikan berbagai sumber dasar pengetahuan seperti persepsi, memori, introspeksi, nalar, dan kesaksian, ia juga menjelaskan bagaimana keyakinan terbentuk melalui proses tersebut. Audi membedakan antara pembenaran situasional, yang berkaitan dengan ketersediaan bukti, dan pembenaran doksastik, yang merujuk pada keyakinan yang benar-benar dimiliki seseorang. Fokus utama Audi di awal karyanya adalah persepsi, di mana Audi menganalisis perbedaan antara sekadar melihat objek dengan memahami kebenaran proposisional tentang objek tersebut. Selain itu juga dalam karnya, Audi mengeksplorasi tantangan filosofis seperti ilusi dan halusinasi untuk membedakan antara realitas eksternal dengan pengalaman sensorik internal. Karya Audi ini membangun fondasi untuk memahami bagaimana manusia mencapai pengetahuan yang dapat dipertanggungjawabkan dalam menghadapi risiko kekeliruan atau skeptisisme. Robert Audi menjelaskan hubungan antara persepsi (perception), keyakinan (belief), dan pengetahuan (knowledge) sebagai suatu hubungan hierarkis, kausal, dan epistemis yang erat. Secara umum, persepsi berfungsi sebagai sumber dasar (basic source) yang menghasilkan keyakinan, dan keyakinan tersebut—jika dibenarkan (justified) dan bernilai benar (true)—dapat berkembang menjadi pengetahuan. Audi membagi persepsi ke dalam tiga tingkatan (hirarki) atau modus yang saling bergantung satu sama lain, yaitu: Persepsi Sederhana (Simple Perception/Perceiving of), Persepsi Objek (Objectual Perception / Perceiving to be), dan Persepsi Proposisional (Propositional Perception/Perceiving that). Secara hierarkis, persepsi proposisional bergantung pada persepsi objek, yang pada gilirannya bergantung pada persepsi sederhana sebagai fondasi paling dasar. Persepsi Menghasilkan Keyakinan (Belief), suatu keyakinan disebut sebagai keyakinan perseptual (perceptual belief) jika keyakinan tersebut berakar dan tumbuh secara kausal dari pengalaman persepsi kita, bukan sekadar karena isi atau konten keyakinannya. Hubungan ini melibatkan konsep pembenaran (justification). Meskipun keyakinan yang justified dan pengetahuan sangat berkaitan erat, keduanya memiliki perbedaan mendasar yang kurusial. Suatu keyakinan yang dibenarkan (justified belief) bisa saja salah jika kita berada di bawah kondisi yang menipu (misalnya, kita meyakini melihat seseorang secara langsung, padahal itu hanyalah foto seukuran manusia yang sangat realistis). Sebaliknya, pengetahuan menuntut kebenaran mutlak; kita tidak bisa dikatakan "mengetahui" sesuatu jika hal tersebut salah.

前些年，国内资本投资回报率持续下行。为防止资本大规模外流、人民币汇率失守，决策层祭出了“涨价去杠杆”的操作。 资金见状没有撤离，纷纷入套主动下场，一起瓜分无数家庭的六个钱包，以及未来三十年的现金流。 但是代价也看到了，那就是人口出生率暴跌，因为那些没有出生的生命，已经提前成为了账本上的数字。 今天的懂王为美国资本市场疯狂带货，一会儿是Ai和芯片股，一会儿是比特币与稳定币，最后还要自己发币。 这背后的逻辑和当初大陆的涨价去库存是一回事，只是美国真有铸币权，很多压力可以转移给小弟。 前些日子的美日联合汇率干预，也是日本尝试以摆烂的方式让美国一起承担成本，好在美国表示可以一起承担，但转头就卖了欧元，也就是让欧洲货币系统承担。 这个世界已经疯了，各个货币系统都在着火。

Don’t sell anything you wouldn’t want your children to buy.

just keep reading until you eventually get mad at them and think they're both idiots that is the path of the true philosopher

nitter.net/blapta/status/20463232… 很高兴看到V也认识到了这一点。 当技术被商业标签化，大多数人讨论的都是如何包装自己项目，以及如何用时髦的标签来装扮自己。 我们确实需要一种全新语言进行来表达严肃的东西，同时有不能让普通人失去理解的能力。否则大多数人只能转而相信Title等虚无缥缈的东西，最终这就会像是过去几年所看到那样，遍地骗局。 不过我不认为这样的语言会是传统的编程语言，更可能是某种带有严格逻辑约束的LLM推理。

Embrace it. You'll feel better, I promise.

全面使用Ai Agent干活儿差不多快半年了，做的都是带有技术研究探索型的项目，踩坑和收获可能和一般业务团队不太相同。今天准备分享一下。 1. Ai Agent是具备研究能力的，如果你要使用Agent进行研究，基础门槛在于你能不能具备相关研究方向的知识结构。否则浪费了一大堆token之后，你也不会有任何收获。 2. Agent在执行的过程中永远向着最平庸的方向执行，这里也许有偷懒的因素，但更多是对问题定义不够清晰。但是问题的清晰定义是需要在实际工程和写作中逐渐完善，因此你必须认真和AI一起思考每一步。 3. /goal和/loop对于原创的想法是灾难，最糟糕的情况甚至会让你丢失原始的设计直觉。这个可以看作是对2的可操作补充。 4. 问题的定义和拆分将会是人类的第一工作，因此人类使用Ai之后，只要是严肃的人，就会发现学习压力其实是变大了。因为这类工作更需要快速学习和长久积累的经验，Agent能做的只是帮你验证思考。 5. 对于真正需要研发的工作，对高端人才的依赖变深了。这里的高端人才并非是最聪明或者光鲜亮丽的，而是对技术有真心热爱，从而愿意为推进方向认真负责，持续沉淀的人。 最后这段算是自己的心得和收获 ： 越是使用Ai Agent干活儿，就越会认识到现在有的人类组织结构存在大量冗余，而这些冗余的存在都是为领导者的无知和无能买单。 过去很多组织冗余，本质上是为“决策者可以甩锅”设计的。验证周期长、信息不对称大的时候，错误决策的成本会被时间和层级稀释，找替罪羊就成了常态。 真正的领导者会承认“我一开始就制定错了目标”，但这样的人非常少，尤其是老登。因此许多职场人最重要的技能不是把事儿做好，而是甩锅。 当执行主体变成Ai Agent后，问题设定本身变得极度透明和可追溯。很难再假装“执行出了问题”，因为执行过程可以被完整复盘，时间也被压缩，这会倒逼所有人把精力前移到“问题定义”上。 当甩锅的空间会被显著压缩，也就不需要那么多职场演员了。

今天第一次玩了下Kimi K3，讨论了几个最近在研究和工程方向的问题。先说个人不负责任的体感评价: 在研究偏向原创的东西上，应该是在差一点到Opus4.6的水平。 和K3讨论技术，有一种很强的技术博客感，也就是二手知识浓度高。在让其分析思考问题的时候，带入了太多二手知识最大的特点，也就是武断结论，而不是真正的思考。 此外就是K3很喜欢一些加入不知道哪里来的黑话，这一点和Claude相似，但是ChatGPT已经没有这个味儿了。 但还没有试过写代码，因为最近各家子弹给太足了，暂时没有啥小活儿可以拿来试试。

可惜，也许我们都是存在的奴隶

when the dream becomes the job i used to think the dream was to make my hobby my work. to spend my life close to the things i loved: computers, tools, interfaces, systems, tiny details, the feeling of making something from nothing. the things i used to do at night, after school, after work, in the margins of life, somehow became the center of my life. and it is a dream. i don’t want to pretend otherwise. there is a very specific happiness in getting paid to care. in meeting other people who care. in building a language around your obsession. in seeing something that lived only in your head become real enough for other people to touch. but there is also a quiet pain in it. because the thing that once belonged only to you no longer belongs only to you. it becomes attached to deadlines, teams, customers, strategy, money, reputation, momentum... curiosity becomes roadmap. taste becomes decision-making. play becomes output. the thing you once used to escape the world becomes the thing through which the world reaches you. and now there is another strange layer: the machines are getting good at the work too. not just the boring parts. the parts that used to feel close to the heart. writing, coding, designing, reasoning, making taste-like decisions, turning vague ideas into something real. the things we once used as proof that we had something special inside us are becoming things a model can approximate, remix, and sometimes do faster. that can feel scary in a very specific way. not only because of jobs or competition, but because it touches the myth you built around yourself. if the thing i became good at can be done by a machine, then what part of it was really me? i think that question is painful because it arrives at the same place. the original love. before the title, before the company, before the taste became a role, before the work became useful to other people, there was a small fire inside. curiosity. obsession. the feeling that the world became more alive when you understood a little more of it, or made a tiny piece of it bend to your will. AI can make the output faster. it can even raise the floor of the craft. but it cannot want on your behalf. it cannot decide what is worth loving. it cannot protect the strange private thread that made you care in the first place. maybe that is what becomes more important now. not whether you can still produce the artifact by hand. not whether you can outperform the machine at every task. that game is already changing. the real question is whether you still have a relationship with the source. the part with no audience. no roadmap. no deadline. the part that can wander, collect strange references, make useless things. follow beauty, be wrong, be slow, be you, be true. because that part is not separate from the work. it is the source of the work. if you lose it, you can still operate. you can still manage the machine. you can still prompt, review, decide, ship, and keep things moving. but the work becomes thinner. safer. more explainable. less alive. so maybe the real discipline is not to work harder, rest more, or care less. maybe it is to keep returning to the place where the love began – before it became useful, before it became legible, before anyone needed anything from it, before even the machine could mirror it back to you. not to escape the work. to make sure the fire inside is still alive.

ChatGPT Live 对话的效果让人惊艳，几乎可以做到和真人对话的效果了，这几天我每天都会花半个小时用它来练习英文。 还记得一年多前和老白 @Wuhuoqiu 闲聊的时候，他推荐了几个AI初创公司类似的产品给我。以今天的标准来看，那些公司当时已经具备今天ChatGPT Live的八成的效果了。 虽然不知道这些AI初创公司今天活得怎么样，但是似乎又是一个大模型厂商碾平垂直领域的故事。 按照业务来划分垂直赛道，似乎在这个大模型时代暂时失效了。看过几家Ai垂类公司，似乎都是在做另类中转站的生意，背后的逻辑都在于token补贴和工具支持。 从市场的结构来看，当大部分做互联网产品的公司都不再有私有信息，那么商业壁垒从何而来呢。 也许我们需要找到一种新的方式来区分和生产私有信息，重新塑造市场。

订阅了Codex pro，你就会收获无尽的精神内耗：每天都活在reset的恐惧之中。 每天都在要不要开 Sol ultra fast猛干和是否自行reset中纠结。 特别是对于我们这种Asian bro，你永远不知道，白天自己 reset 之后，半夜官方会不会突然也 reset 一波。 只怕是官方夜里悄无声息给 reset 了，结果咱在梦里还在省着用。

Truth often requires retrofitting the self around new information. That negotiation can be destabilizing, depending on what is being revealed. In many cases, denial is not merely ignorance. It is an unconscious ego-protection mechanism. Deny, deflect, accuse: these are common responses when someone cannot metabolize what is being shown to them.

Game theory explains why the hardest worker in the room is frequently the one who is being exploited the most. High output at a relatively low cost is not a virtue that any system rewards or favors. Instead, the system learns your price. When other players learn they can extract maximum value from you without granting you anything notable in return, they will do just that. Every single time. That's because you trained them to. Luckily, the solution is not complex at all: make yourself more scarce; raise your prices. Realize that hard work necessitates proportional cost. If you're truly a hard-working individual, you can't afford to be ashamed to raise those numbers.