Tigris | 会讲课教授是好老师 · X 阅读

@liangJiao8 我只是一种合理的推断，当然需要微软拿出更明确的证据，不过我记得好似去年，发生过断掉API的事情，拿数据去训练。

近期在于投资界人士交流中，明显感受到全球资本的边际配置悄然向中国倾斜。坦率地讲，我是最早在去年9月提出“中国股市博弈论”。中国股市的走势，本质上是一场政策与市场恶劣程度的动态博弈，最终只为这个国家的某个人服务。因此，暴涨与暴跌是它的宿命。但现在，一种更加深远的变化正在发生。 去年秋天的“刺激反弹”就是最典型的例证。政策制定者试图通过短期刺激恢复市场信心，结果呢？资本短暂回流，随后迅速外逃，最终变成了一场拙劣的资本抽水计划。市场信心未能修复，反而加剧了投资者的长期怀疑。 但现在，全球资本的边际配置，正在悄然向中国倾斜。 意味着资本在全球风险与回报的权衡中，看到了中国新的变量。 DeepSeek的出现，直接改变了全球市场对中国技术创新的认知，用低成本、高效率的方式，证明了中国不仅在追赶，更在用自己的规则改变游戏。美股科技板块市值蒸发万亿美元，Nvidia单日缩水6000亿，这不仅仅是一个AI突破，更是一种范式革命。 但这只是冰山一角。技术创新可以点燃资本热情，但能否真正留住资本，最终取决于两点： 1️⃣ 制度的稳定性——依然是中国资本市场最大的隐忧。 2️⃣ 生产效率的持续提升——技术突破如果不能形成产业和消费的闭环，依旧难以支撑长期资本信心。 这不仅是一场技术竞争，更是一场文明的较量。在这个赌局中，谁能笑到最后？

@ferntrino 后发优势很正常，科技进步的必经之路，但是上限无法突破，还需要原创的引领。当然不排除，很多dirty work。https://t.co/PMXbomKXrf

@oran_ge 真像是，史无前例的高质量数据投喂，才最终成就了DeepSeek R1在低成本下，推理能力的惊人涌现 ，开创AI新范式！ 如此规模的优质合成数据，究竟从何而来？或许这是答案？https://t.co/PMXbomKXrf

你以为DeepSeek的AI奇迹，只靠神秘算法？ 大错特错！ 真正令他们领先的秘诀，恰恰是连CEO梁文峰都亲自下场干的“脏活” —— 数据标注！ 与那些轻率的 “AI玄学” 论调截然相反，DeepSeek R1的突破，根植于海量的优质人工生成和合成数据。 事实上，DeepSeek模型在开源领域，正以惊人的数据量刷新纪录： 1️⃣60万条核心推理数据 (驱动模型深度思考) 2️⃣20万条监督微调 (SFT) 数据 (提升模型指令跟随能力) 3️⃣规模惊人的RLHF人工偏好数据集 (据估计至少300-500万条样本！远超同行，塑造更符合人类价值观的AI) 4️⃣关键的CoT链式推理合成数据 (高质量“冷启动”燃料，加速模型效率飞升) 正是这史无前例的高质量数据投喂，才最终成就了DeepSeek R1在低成本下，推理能力的惊人涌现 ，开创AI新范式！ 如此规模的优质合成数据，究竟从何而来？ 答案或许已呼之欲出。

人们总喜欢复杂的东西，仿佛除了炫耀自己的“专业”之外毫无意义。很多研究人工智能的技术专家看不到商业的本质，而做投资的人又搞不懂技术的关键。这次应该是终于讲明白了：如何理解DeepSeek的双重范式的革命 真正的颠覆在于它重塑了AI模型的两大核心范式： 简单讲就是大模型觉醒，和小模型崛起 1️⃣ 大模型：摒弃人工标注的”训练拐杖”，通过强化学习激发模型自主推理潜能。这不仅是技术方法的创新，更是AI认知模式的觉醒。 2️⃣ 小模型：借助知识蒸馏技术（类似“老师教学生”），DeepSeek将大模型的推理能力“传授”给小模型，让小模型在任务表现上大幅跃升，打破了小模型能力受限的瓶颈，让人人都用得起。 这场双重革命正重塑AI行业规则：大模型拓展认知边界，小模型释放商业势能。当技术逻辑与商业思维完成融合，智能时代的格局不再是单一的算法至上，而是商业赋能技术、技术重构商业的双向进化。

这或许是昨天最有价值也最被忽略的一条推特，谁是赢家🥇 如何看苹果后发制人策略再一次成功？咸鱼翻身吗？或许是DeepSeek带来的AI模型商品化进万家的最终受益人。 苹果这次没有追逐烧钱的大模型，而是聚焦设备端的小型语言模型（LLM）。这种策略让它的资本支出仅为同行的1/20，却足以满足用户实际需求，极大降低了风险。 更重要的是，AI的真正战场不在模型本身，而在分发权上。苹果拥有全球最强的分发平台，这让它在AI模型同质化的时代掌握了决定胜负的关键。 少花钱，抓用户，控分发——苹果用务实和精准或许未来重写了AI赛道的规则。

🧵1/5 小镇“做题家”6天前横空出世，到今天震撼全球资本市场，登顶中美App榜第一的“逆袭英雄”，DeepSeek R1满足了所有🇨🇳幻想。 作为六天前，全推特第一个从中美芯片之战角度剖析这个模型冲击力的博主，我今天要讲一个最真实的故事——一个从技术、资本到信息传播如何共同推动这场“神话”的故事。

@AxeMap 美光应该是今年表现最好的股票之一，长期波动性并不意味着不能投资，投资未来的空间在哪里，这或许可以解读。

现在这个市场各种漫天的小作文，各种不靠谱的宏观预测，目的都是为了迷惑你的心智，在你贪婪和恐惧的放大中制造波动。 现在的市场，你有两个选择： 1.坐在沙发上嘲笑市场的荒谬，怀念所谓“应有的秩序”。 2.接受这个时代的规则，理解故事的力量，并尝试用理性驾驭非理性，从中发掘机会。 市场不会因为你的怀疑而停下脚步，它更不会为你的批判而改变。它只会惩罚那些拒绝参与的人。 今年的投资超级逻辑已经非常明确：效率革命与成本压缩。在去年底已经明确预测。👇

霍华德·马克斯（Howard Marks）无疑是一位非常伟大的投资者，但是这次他错了，犯JP摩根一样的错误。他的投资哲学和他所写的memo（备忘录）在投资界堪称经典，每次阅读都让我受益匪浅。他的一些观点深刻且充满智慧，比如那句让我印象最深的话：‘You cannot predict, you can prepare.’（你不能预测，但你可以准备）。这句话不仅道出了投资的核心本质，也提醒我们在不确定性中寻找理性与秩序的重要性。 然而，即使是霍华德这样伟大的专家，也不是永远正确的。作为投资者，我们需要保持独立思考，不能盲目信任任何专家，哪怕他们的名声显赫。正如他在最近的一篇memo中引用了一个广为流传的图表——S&P 500的PE值（市盈率）与未来10年年化回报之间的负相关关系。这张图试图证明当前高企的PE值预示着未来10年的回报可能偏低。看似合理，甚至被大量引用，但如果仔细分析，这其实是一个极具误导性的结论。 从统计学的角度，这种分析存在以下几个显而易见的问题： 1️⃣ 重叠观察（Overlapping Observations） 这类分析中的“未来10年回报”往往使用滚动数据计算（例如从2000年到2010年、2001年到2011年），这就导致了数据点之间的高度相关性。简单来说，许多时间段的起点和终点重叠，增加了样本量的表面可靠性，但却大大降低了数据的独立性。这种方法违反了统计分析中最基本的“独立性假设”，人为地增加了相关性，使得看似权威的数据结果变得不可靠。 2️⃣ 高PE值样本量稀少 历史上，高PE值的时期相对较少，这导致这部分数据样本量不足，难以得出具有统计意义的结论。例如，在少数极端年份（如2000年互联网泡沫或2008年金融危机）中，PE值出现异常波动，而这些极端事件往往对整体回归分析造成严重扭曲。这种小样本的高PE值不能被简单地用来预测长期市场规律。 3️⃣ 极端年份的扭曲效应 极端年份（如2008年）的特殊事件会显著影响整体数据的回归结果。例如，在这些年份，市场的非理性行为或外部宏观冲击大幅拉低回报率，使得PE值与回报率的关系看起来更“负相关”。但实际上，这些年份是特殊情况，不能代表长期的市场规律。 这些问题共同导致了一个重要结论：PE值与未来长期回报的负相关关系并不是市场规律，而是统计方法上的偏差与误导。简单来说，重叠性降低了数据的独立性，高PE值样本量稀少导致结果随机性增强，而极端年份的扭曲进一步加大了偏差风险。这种分析可能误导投资者，尤其是将PE值作为判断未来回报的主要依据时。 作为投资者，我们需要学会冷静、客观地思考，永远保持独立判断的能力。哪怕是像霍华德·马克斯这样的投资大师，也有可能因为引用类似的图表而犯下疏忽。伟大的专家可以提供洞察，但真正的智慧来自于我们对数据的科学分析，以及在复杂信息中的理性决策。 所以，投资是一场个人智慧与理性思考的旅程。不要盲信任何人，保持开放心态，理性分析每一个所谓的“规律”。正如马克斯所说：‘You cannot predict, you can prepare.’ 而我们唯一能做的，就是用更高的标准去准备好迎接市场的不确定性。

@AxeMap 芯片股票周期性强，在产业底部周期股价表现不佳，即便是利润和估值都不差。但是我谈的是一个美本本土高科技产业链回归的长周期，美光科技作为美国本土高存储芯片的价值是无可比拟的，特别是在未来AI对于高存储内存的需求。当然，目前竞争对手韩国SK也在美国建厂就在普渡大学校区的高存储内存，专供AI。

🧵🔥 皮衣 闪亮登场✨再次震撼 AI 世界！#CES2025 NVIDIA CEO 黄仁勋刚刚宣布了一系列令人瞠目结舌的突破！全面解读，深度投资分析： 这里是你绝不能错过的 15 大亮点（第15个真的太震撼了！）👇 #AI #NVIDIA #CES2025 #技术革命 🌐

The art of doing science and engineering 就是这本，过年不收礼，硅谷科技圈和创投圈人手一本的“圣经” 。 传奇工程师兼作家Richard Hamming揭示了科学与工程领域中那些鲜为人知的智慧和技巧。无论你是初出茅庐，还是经验丰富科技从业者，这是如何思考、如何突破、如何在困难中找到乐趣的哲学之作。

📚 灵感分享 🚀 用免费AI + 动态脑图=读透经典 我用最强—谷歌“Gemini exp 1206”，仅2分钟就解读完一本书！一句简单"Create a mind map"提示词，就能生成超详细的思维导图。再用在线脑图工具markmap 转成互动版，轻松吃透任何名著！ 刚读完《科学与工程的艺术》，这本近期超火思维力作，强烈推荐！

🎓斯坦福推出了一款令人惊叹的AI驱动的研究工具！ 它叫 STORM，你只需输入一个主题，它就会从数百个网站中搜索信息，为你撰写一篇全面的研究文章。从格式/主题/内容/引用/绝对专家水准。 关键是：完全免费对公众开放！ 这简直是Google Research的有力挑战者，赶紧试试吧！ #AI工具 #AI研究

🧵1/ 无意挑起地域歧视。亲身感受早年流传的，“除了香港都是内地，除了上海都是乡下。” 香港早年间，常用“北姑”来称呼从内地来到香港的女性，而上海人则将其他城市来的人称为“外地人”。 这种优越感并非全然排斥，而是包含了一种复杂的宽容。对于来自内地或外地的普通劳工，无论是在香港还是在上海，当地社会对这些“讨生活”的人往往是接纳的。他们可能是街头卖菜的小贩、建筑工地上的工人，或是为城市运转提供基础服务的底层劳动者。对这部分人，当地社会表现出的更多是一种怜悯，甚至是给予机会的宽容，因为这些人并不构成威胁。 然而，当视角转向那些背景精英、教育水平高的“外来者”时，态度就截然不同了。在上世纪的上海，人们最恐惧的并不是街头谋生的外地劳工，而是那些从北大、清华这样的顶尖学府毕业的内地精英。对香港来说，这种心理同样适用。他们害怕的不是底层劳工，而是那些可能对本地既得利益形成直接威胁的高端人才。这些人带来的竞争，是“抢工作”“夺资源”的隐患，也因此被视为潜在的威胁。 这种心理逻辑背后，是对自身地位被取代的深深焦虑。普通劳工的到来可以被视作城市发展所需的“基础”，而精英的到来却可能挑战现有的社会阶层秩序。或许，这也是地域歧视的深层逻辑之一——不单单是优越感的体现，更是对不确定未来的恐惧。

美国为什么缺乏合格的工程师？Elon Musk 的问题背后是一个更复杂的系统性困境。 朋友的小孩最近申请大学，问我要不要在申请文书里写DEI（多样性、公平与包容）内容。他觉得是不是特朗普上来了，这类东西可以不写了。但事实是，这依然需要。大学，尤其是加州大学系统和藤校，依然被“觉醒文化”主导。无论外部如何变化，录取政策仍然高度关注“政治正确”。 但对于一个华裔小孩，尤其是男生来说，申请工程专业简直像“红海”一般艰难。录取率直接翻了四倍。对于某些群体，录取率可以达到20%-30%；而对于华裔男生，可能只有4%-5%。哪怕SAT接近满分、GPA满分，也很难改变这样的困境。你优秀吗？是的。但在现行体系里，优秀并不够。 这种问题的根源，其实可以追溯到美国的K-12教育。基础教育阶段，数学和STEM课程的投入不足，导致美国学生的数学能力和STEM分数在国际排名中长期落后。在这样一个教育环境下，美国怎么可能培养出足够的本土工程师？又怎么可能在全球竞争中持续领先？ 面对中国在教育和科技人才培养上的系统性优势，美国需要认真反思其教育资源分配和人才选拔机制。否则，工程师的匮乏不仅仅是现状，而将成为美国科技领导力的长期隐患。

12年前，底特律一家25人的冲压车间因为竞争不过中国而关门。如今，它每天24小时运转，7台3000美元的机器人和一对26岁的中国二代移民年轻夫妇接管了一切。这不是工厂的复活，这是机器人时代的小型革命——一个正在被低估的历史拐点。 最讽刺的是，这场机器人革命的引领者，是一对华裔二代移民夫妻。他们用技术写下美国制造业的回归，却无意间打击了中国曾赖以为生的经济模式。工业时代给中国带来了财富，人工智能会留下什么？未来属于技术的主人，而非劳动的囚徒。

1/n AI学术写作工具推荐（按功能分类） 🎓 I. 文献搜索与引用 1️⃣ Scite Assistant 🎯 智能引文分析，理解研究上下文 🔗 https://t.co/yOayKvF4pM 2️⃣ Consensus 🎯 快速提取研究共识 🔗 https://t.co/JBEwHAeLtO 3️⃣ Semantic Scholar 🎯 AI语义搜索，高效发现相关论文 🔗 https://t.co/oTP4YUxfKx 更多工具👇