在遥远的西方阿美利卡国有一种人，自称哥特。

这些人终年身着黑衣，不论春夏秋冬，皆不肯更换颜色。他们喜欢骷髅、坟墓、蝙蝠与十字架，常在深夜聆听阴郁的音乐。所唱之歌，不是关于死亡，便是关于痛苦；不是诅咒人生，便是感叹世界的虚无。每逢聚会，必有大麻等物相伴，甚至有可卡因的传闻。至于男女之事，更是没有好的名声。

寻常人见了，往往以为他们性情乖僻，不近人情；胆小的人甚至怀疑，他们是否与幽冥之物有所往来。

城中有一位年轻的哥特社长，便是其中的著名人物。

此人交游极广，认识他的男女不计其数。他经常出入各种聚会，也时常邀请朋友到自己的住处。他的衣着和音乐品味都十分阴沉，因此初次见到他的人，常以为他一定经历过许多不为人知的事情。

然而，凡是与他相处久了的人，都会发现一个令人惊讶的事实。

他既不喜争斗，也不愿冒犯别人。对于女子，尤其如此。去的聚会虽多，却从不抽烟，甚至连酒也很少喝。身上也没有纹身。

他虽然认识很多年轻姑娘，却从来不敢轻易表露自己的爱慕之情。每当遇到心仪的人，他便千方百计地接近，尽心尽力地照顾，唯独到了最紧要的时刻，却总是退缩。

有人问他为什么这样。

他回答说，男女之间的友谊是极其珍贵的东西，绝不能为了个人的一点私情而轻易损害。

茶妹是社长多年的好友，两人亲密无间，时常成双出入，不了解详情的外人看来，与情侣无意。
这女子皮肤白皙，性情活泼，尤其喜欢抹茶。有一次在哥特聚会初次见面时，她手中端着一杯加冰的抹茶，不断用吸管搅拌，似乎永远也搅不均匀。

社长见了，揶揄她说：

「这也未免太做作了。」

谁知不久以后，这位被他认为做作的茶妹，竟成了他平生最为牵挂的人。

二人非常熟悉，常常一起出游、吃饭，亲密到连已经咬过的食物也可以相互分享，甚至在长椅上相靠入眠。

社长对此十分满意。

他认为，自己虽然还没有与茶妹成为正式的情侣，但两人的关系已经十分接近情侣。既然如此，何必急着说破呢？

有朋友劝他说：

「既然你这样喜欢她，为什么不向她说明？」

社长听了，连连摇头。

「你有所不知。她是我最珍贵的朋友。如果我向她表白，而她不愿接受，我们之间的友谊岂不是就此毁坏了吗？」

朋友说：

「可是如果你始终不表白，她又怎么知道你的心意呢？」

社长沉思良久，终于决定采用一种折中的办法。

他不直接表达爱意，而是在谈话中隐约暗示送花的事情，希望茶妹能够自己领会。

茶妹果然领会了。

但奇怪的是，社长并不知道她已经领会。

于是，一个以为自己说得十分含蓄，一个明白对方含蓄的意思，两人就这样继续相处下去。

至于茶妹究竟如何看待社长，始终没有人能够说清楚。

不久，城中又来了一个年轻男子。

此人头发蓬松夸张，纹身耳洞，举止轻佻，喜欢在人前故作潇洒，时常讲一些粗俗的笑话逗茶妹发笑，亦或挑逗撩拨茶妹。

社长十分厌恶他，认为这样的人缺乏教养，绝不是茶妹应当交往的对象。

但这男子似乎并不在意社长的评价，放心大胆地追求茶妹起来。

社长虽然渐渐有所察觉，却始终不肯采取行动。

在他看来，自己和茶妹已经亲密得如同情侣一般，凡是有眼睛的人都应当看得出来。一个真正懂得礼貌的男子，自然不会再来追求她。

然而，那位男子显然并不具备社长所期待的这种礼貌。

对于男子追求的态度，茶妹却不置可否，同时却又对社长仍保持模棱两可的态度。有一次，她当着男子的面向社长兴奋宣布发现了一个完美单身男人，自己有机可乘。男子与社长都颇为尴尬没有什么回应。而她又将咬了一半的巧克力棒交给社长全部吃掉。社长一开始还颇为拘谨，将与她口腔接触过的一截掰下，直到她说全都给他才放下繁文缛节。

到了万圣节前后，茶妹忽然发布了一张亲吻照片。

照片中的男子虽然遮住了面容，但经过辨认，正是那位社长素来看不起的年轻人。

社长得知以后，悲痛万分。

朋友见了，便问：

「你是不是因为茶妹找到男朋友而伤心？」

社长十分严肃地回答：

「这件事情一点也不好笑。」

然而，等到情绪稍微平复以后，他又向朋友解释说：

「其实，我对茶妹并没有男女之间的感情。我只是觉得那个男子是个坏人。茶妹应该提高自己的择偶标准。」

他决定从此远离茶妹及其男友，以表示自己决不愿与品行不端的人同流合污。

茶妹见他神情忧郁，曾主动询问他究竟发生了什么事。

社长没有回答。

茶妹又请他一起吃晚饭。

社长仍然没有回答。

朋友们见了，都以为他终于下定决心，要斩断这段令人痛苦的情缘。

不料过了几天，有活动准备以 roblox 游戏点数作为奖赏。

众人都不玩这个游戏，正在商议如何处置奖品。

社长突然说道：

「我认识一个玩这个游戏的朋友。我可以把点数送给她。」

有人随口问道：

「是谁？」

社长答道：

「茶妹。」

众人听了，一时都没有说话。

原来这位年轻的哥特，虽然能够拒绝茶妹的关心，拒绝茶妹的邀请，甚至拒绝承认自己对茶妹的感情，却始终不能拒绝一次为茶妹提供帮助的机会。

而且他至今仍然认为，自己对茶妹并没有任何爱情。

这件事情传开以后，人们才渐渐明白，哥特们虽然喜欢谈论死亡，却未必真的有什么可怕之处。

最喜欢歌颂黑暗的人，心中反而可能藏着最不切实际的光明。

异史氏曰：

我听说，世间有些人终日研究妖魔鬼怪，反而没有见过真正可怕的事物；有些人终日谈论爱情，却从来不敢对自己喜欢的人说一句真心话。

这位哥特社长就是如此。

他不怕骷髅，不怕坟墓，不怕死神降临，却唯独害怕一个年轻女子回答他说：「我不喜欢你。」

由此看来，世间最难识破的鬼怪，恐怕不是那些出没于荒山古墓之中的幽灵，而是一个人心中不肯承认的欲望。

哥特社长尚未爱上茶妹的时候，曾经嫌她不停搅拌抹茶，未免过于做作。

如今想来，这句话倒颇有先见之明。

后人有诗叹曰：

哥特未必断尘缘，
抹茶一盏误华年。
欲传花意终不语，
黄毛来后始难眠。
本来无爱何须怨，
偏恨佳人择少年。
欲断相思无处寄，
罗布乐思两千钱。

永辉超市的泡菜好辣（因为我不能吃辣）但是很好吃 喜欢泡菜梗部脆脆的口感
（这段内容昨天为什么没发出去🤣）

输入法的胆子肥咕咕的

前线部署工程师：AI 时代的“驻场”破局者

Forward-deployed engineers work inside another company’s own systems. Three McKinsey leaders explain how FDEs help companies derive impact from AI.
前线部署工程师（Forward-deployed engineers, 简称 FDE）深入客户公司的内部系统开展工作。三位麦肯锡高管为您解析 FDE 如何助力企业从 AI 中获取实际业务价值。

Interest in forward-deployed engineers, or FDEs, has surged in recent months as companies try to get real value from AI. The term may be a buzzword for a service that consulting firms and technology providers have offered for years: embedding engineers at a client’s company, inside its systems and data, to build software alongside the people who will use it.
近几个月来，随着企业努力从 AI 中获取真正的价值，人们对前线部署工程师（FDE）的兴趣激增。这个词可能是咨询公司和科技提供商多年来一直提供的一项服务的“流行语”：将工程师派驻到客户公司，深入其系统和数据内部，与最终用户并肩开发软件。

As the AI era gets underway, companies are finding that off-the-shelf AI tools often don’t fit their specific needs. Getting real value from them means adapting tools to a specific business problem and helping teams change how they work. An FDE does both, which is why this form of collaboration seems particularly well suited for business today.
随着 AI 时代的开启，企业发现现成的 AI 工具往往无法满足其特定需求。要从中获得真正的价值，意味着必须使工具适应特定的业务问题，并帮助团队改变工作方式。FDE 恰好能同时做到这两点，这就是为什么这种协作形式似乎特别适合当今的商业环境。

In this video Explainer, McKinsey’s Holger Hürtgen, Martin Harrysson, and Nick Robson set out what an FDE does and how AI has changed the job. The three agree that FDEs can help companies derive value from AI by tailoring it to a company’s specific problems; their views on the separation between an FDE and a traditional consultant suggest the role is still evolving.
在这期视频解说中，麦肯锡的 Holger Hürtgen、Martin Harrysson 和 Nick Robson 阐述了 FDE 的工作内容以及 AI 如何改变了这一职业。三人都认同，FDE 可以通过针对公司的特定问题定制 AI，帮助企业从 AI 中创造价值；而他们对 FDE 与传统顾问之间界限的看法，表明这一角色仍在不断演进。

(These interviews have been edited for length and clarity. / 以下访谈内容已根据篇幅和清晰度进行了编辑。)

---

什么是前线部署工程师？

What is a forward-deployed engineer?

Holger Hürtgen: First and foremost, it’s an engineer, so you basically do data science, data engineering, software engineering. You work with data, you work with technology. The forward-deployed part is the interesting part to me personally, meaning you work directly on client systems. You don’t work in a lab. You work with the real problem.
Holger Hürtgen： 首先，这是一名工程师，所以你的基本工作是数据科学、数据工程和软件工程。你与数据打交道，与技术打交道。就我个人而言，“前线部署”这部分是最有趣的，这意味着你直接在客户的系统上工作。你不是在实验室里闭门造车，而是直面真实的业务问题。

Martin Harrysson: It’s someone at a company whose main task is to make the technology work, solve a problem, and reach the outcome we’re trying to achieve. So, as opposed to a standard engineer who might be working on a product and to make the technology work, a forward-deployed engineer is not primarily about making the solution just run; it’s about reaching the right people to do the job, and in a different way, to reach some kind of outcome. I think the forward-deployed part probably comes from its military meaning. But it’s more that they’re embedded in the company.
Martin Harrysson： 他们是派驻到企业的人，主要任务是让技术落地、解决问题并达成我们预期的成果。因此，与可能专注于研发产品、让技术跑通的标准工程师不同，前线部署工程师的首要目的不仅仅是让解决方案运行起来；而是要接触到对的人，以不同的方式完成工作，从而达成某种业务成果。我认为“前线部署”这个词可能源于其军事含义。但更多是指他们深度嵌入到了客户公司中。

Nick Robson: To me, a forward-deployed engineer is someone who is able to not just apply software fit to a business problem or fit into a company’s current business process. Rather, it’s someone who can work hand in hand with clients to figure out how to change their business process, along with software, technology, and tools, to create a whole new way of working. It’s a unique skill set that requires a ton of creativity and a pretty generalist tool kit.
Nick Robson： 对我来说，前线部署工程师不仅是将软件应用于业务问题或适应公司现有业务流程的人。相反，他们能够与客户携手，弄清楚如何通过结合软件、技术和工具来改变业务流程，从而创造一种全新的工作方式。这是一种独特的技能组合，需要极强的创造力和相当全面的工具箱（综合能力）。

---

FDE 与传统顾问有何不同？

How is an FDE different from a consultant?

Martin Harrysson: The traditional meaning of a consultant was probably more incentivized around a recommendation, say, or coming up with a plan for action. For instance, here’s a recommendation; this is the direction we’re going to go. Whereas a forward-deployed engineer is much more about implementing some technology that changes how you do work and has a more direct impact on a particular workflow.
Martin Harrysson： 传统意义上的顾问，其激励机制可能更多是围绕提出建议或制定行动计划。比如，“这是我们的建议，这是我们要走的方向”。而前线部署工程师则更多地关注实施某些能改变工作方式的技术，并对特定的工作流程产生更直接的影响。

Holger Hürtgen: A difference between a forward-deployed engineer and a consultant is that as an engineer, you have to work in the system of a client and develop a product, so you leave behind the product. A difference between an FDE and a software developer is that a developer has predefined the product they will build. A forward-deployed engineer, like a consultant, needs to understand the problem and discuss with clients what the solution should look like.
Holger Hürtgen： FDE 与顾问的一个区别在于，作为工程师，你必须在客户的系统中工作并开发产品，所以你会留下一个实际的产品。FDE 与软件开发者的区别在于，开发者构建的产品是预先定义好的。而前线部署工程师就像顾问一样，需要理解问题，并与客户讨论解决方案应该是什么样的。

Nick Robson: The roles are merging a lot more nowadays, with the forward-deployed engineer and consultant roles kind of becoming one. You can’t just go in, deliver insights, and walk away. You have to work with clients, dissect a business problem, figure out who the right people are to work with, drive the technology, and rewire processes. I don’t think about it as two roles. I think a really good consultant makes a really good forward-deployed engineer.
Nick Robson： 如今，这两个角色正在加速融合，前线部署工程师和顾问的角色某种程度上正合二为一。你不能只是进去提供些洞察，然后拍屁股走人。你必须与客户合作，剖析业务问题，找出合适的合作对象，推动技术落地，并重塑流程。我不认为这是两个截然不同的角色。我认为一个非常优秀的顾问，也能成为一名非常出色的前线部署工程师。

---

为什么我们最近经常听到 FDE？

Why are we hearing more about FDEs right now?

Holger Hürtgen: I’ve been doing this job for 20 years, and I would admit that the FDE terminology itself is maybe a bit of a buzzword. The concept, however, is more relevant than ever because the new LLMs [large language models] themselves are not sufficient. It’s about tailoring them to the problem at hand and making sure you get the business impact out of it. Otherwise, you’re just implementing AI for the sake of AI. You will see token spend going up, but you won’t see any bottom-line impact. This is why FDEs really solving the problem is so important.
Holger Hürtgen： 我做这行已经 20 年了，我承认“FDE”这个术语本身可能有点像个流行热词（buzzword）。然而，这个概念现在比以往任何时候都更具现实意义，因为新的大语言模型（LLM）本身是不够的。关键在于根据手头的问题对其进行定制，并确保你能从中获得业务影响。否则，你只是为了 AI 而做 AI。你会看到 token 消耗在增加，但看不到任何对底线（利润）的实际影响。这就是为什么 FDE 真正去解决问题如此重要。

Nick Robson: I think people are talking about it more than ever, and the demand for [McKinsey’s AI arm] QuantumBlack is higher than ever. It is the longest wait list I’ve ever seen for that kind of talent, and part of it is because clients are really seeing its value. We’re able to truly meet clients where they are. And the benefits of adoption and the client experience are astronomical. Three years ago, everybody was just installing enterprise-wide AI platforms. But they then realized they weren’t getting value from them, and people weren’t using them. So today, my clients realize that if we can rewire an entire domain end to end and fully reimagine a business process, that will drive adoption.
Nick Robson： 我认为人们比以往任何时候都在更多地谈论它，而且对 [麦肯锡旗下 AI 团队] QuantumBlack 的需求也达到了前所未有的高度。这是我见过的针对此类人才最长的等待名单，部分原因是客户真正看到了它的价值。我们能够真正做到“在客户所处的位置与他们接轨”。而且，其在应用落地和客户体验方面带来的好处是惊人的。三年前，每个人都只是在安装企业级的 AI 平台。但随后他们意识到并没有从中获得价值，人们也不去使用它们。所以今天，我的客户们意识到，如果我们能端到端地重塑整个领域，并彻底重构业务流程，那将极大地推动 AI 的采用。

Martin Harrysson: The core problem of trying to get technology to do something useful, productive, and good for a company or for one of our clients is not new. What is new is that AI has amplified a lot of these problems. We have more technology tools to solve more problems, but they don’t come ready and packaged. Clients will roll out a new AI tool and hope that the impact will just happen, and that’s just not the case. This is where the leap from individual impact to team impact to organization-wide impact is not automatically happening because you need to collaborate. Just because I can do one part of the problem faster doesn’t mean we have figured out how to run meetings more effectively or how to communicate faster.
Martin Harrysson： 试图让技术为企业或我们的客户做些有用、高效且有益的事情，这个核心问题并不新鲜。新鲜的是，AI 放大了其中的许多问题。我们有了更多的技术工具来解决更多的问题，但它们并不是现成打包好的。客户会推出一个新的 AI 工具，并期望影响会自然发生，但事实并非如此。这就是为什么从个人影响跨越到团队影响，再到全组织影响，并不会自动发生，因为你需要协作。仅仅因为我处理问题的某一部分变快了，并不意味着我们已经弄清楚如何更有效地开会或如何更快地沟通。

---

AI 如何改变了 FDE 的工作？

How has AI changed the job of an FDE?

Holger Hürtgen: AI is changing the job on two fronts. One is the way you develop software, by using agentic AI and agentic engineering to code. It’s less coding than I did 20 years ago; AI does it for you. You need to think more about the specifications, or what you want AI to do. The other part is that the end product itself is becoming AI. So you are building agentic AI systems and not just machine learning systems like we did a couple of years ago.
Holger Hürtgen： AI 正在从两个方面改变这项工作。一是开发软件的方式，通过使用智能体化 AI（agentic AI）和智能体工程来编写代码。比起 20 年前，现在自己手写的代码少了；AI 会替你完成。你需要更多地思考规格说明，或者你希望 AI 做什么。另一方面是最终产品本身正在变成 AI。所以你现在构建的是智能体化 AI 系统，而不仅仅是几年前我们做的那种机器学习系统。

Nick Robson: Before, we would staff a team of many computer engineers or data scientists, but with the technology we have today, with AI, analytics, and software engineering, that’s all really becoming democratized. Today, our business analysts are almost acting like managers for AI. The manager that we had two years ago is now acting like a director and working across a team of people running their own teams.
Nick Robson： 以前，我们会配备一个由许多计算机工程师或数据科学家组成的团队，但凭借我们今天拥有的技术，加上 AI、分析和软件工程，这一切真的正在走向平民化（普及化）。今天，我们的业务分析师几乎就像是 AI 的管理者。我们两年前的经理，现在正扮演着总监的角色，并跨越管理那些带领自己团队的人员。

Martin Harrysson: AI has changed what deploying technology looks like, to some extent. Previously, it was about deploying more prepackaged software at a client and maybe customizing it a little bit, or configuring it in certain ways. AI is a little different because, in some ways, it is a general-purpose tool. But you have to put a few things together. You usually need a model, but you also need a data layer and some understanding of the organization. You need to build in a harness to make sure it behaves in the way you expect. And you usually need to change the workflows and have people do something different to get the full value out of it.
Martin Harrysson： 在某种程度上，AI 改变了技术部署的面貌。以前，部署技术更多是在客户那里部署预打包的软件，可能稍微进行一点定制，或者以特定方式进行配置。AI 有点不同，因为在某些方面，它是一个通用工具。但你必须把几样东西拼凑在一起。你通常需要一个模型，但你还需要一个数据层以及对组织的一些了解。你需要构建一个“安全护栏（harness）”来确保它的行为符合你的预期。而且，你通常需要改变工作流程，让人们做些不同的事情，才能充分发挥它的价值。

---

FDE 在驻场的前几周会做什么？

What does an FDE do in the first few weeks of a job?

Martin Harrysson: A typical first week or initial phase of a forward-deployed engineer’s work usually involves sitting next to people performing a task. Say we have a team working on supply chain planning. They get a bunch of data, already have a system in place, and are making decisions about whether to reroute ships or trucks to make sure the right things show up in their warehouse. What a forward-deployed engineer does is insert themselves in that team, try to understand who makes decisions, what makes a difference, and what data matters. Just really immerse themselves in understanding how this works, because a lot of those things may not always be documented very well.
Martin Harrysson： 前线部署工程师典型的第一周或初始阶段的工作，通常是坐在执行任务的人旁边。假设我们有一个负责供应链规划的团队。他们获取大量数据，已经有了现成的系统，并且正在决定是否重新规划船只或卡车的路线，以确保正确的物资出现在仓库中。前线部署工程师要做的就是融入这个团队，试图了解谁在做决策、什么因素能产生实质性影响、哪些数据最重要。就是要真正沉浸其中去理解这一切是如何运作的，因为很多事情往往并没有被很好地记录在案。

Holger Hürtgen: It’s difficult to describe a typical FDE job, because it really depends on the type of project. What’s always the same is that it starts with defining a problem—what do we want to solve—and finding the data. This means identifying the core systems in client environments where data sits and then determining how to take it out of those systems and put it into, for example, cloud infrastructure. That’s more the data engineering part. At some point, you then also add software engineering components or front-end engineering components, because you eventually want to build a real tool. Then there are iterations, because you continuously have to demo what you build to the client, get feedback, and possibly start over from scratch.
Holger Hürtgen： 很难描述一个典型的 FDE 工作，因为它真的取决于项目的类型。始终不变的是，它始于定义问题——我们想解决什么——以及寻找数据。这意味着要识别客户环境中存放数据的核心系统，然后确定如何将这些数据提取出来，并放入（例如）云基础设施中。这更多是数据工程的部分。在某个阶段，你还会加入软件工程组件或前端工程组件，因为你最终想要构建一个真实的工具。然后是迭代，因为你必须不断向客户演示你构建的内容，获取反馈，并有可能从头再来。

Nick Robson: The job is more focused on the business problem. How do we scope this? How do we know what will drive business impact? FDEs spend much of their early work time scoping problems, dissecting the actual business itself, spending time with folks, figuring out where the value is, et cetera.
Nick Robson： 这项工作更侧重于业务问题。我们如何界定范围？我们如何知道什么能驱动业务影响？FDE 在早期的工作中，会把大量时间花在界定问题、剖析实际业务本身、与员工相处、找出价值所在等方面。

---

FDE 解决什么问题？

What problems do FDEs solve?

Nick Robson: One of my clients is an industrials player that makes complex products with a specialized supply chain. Due to geopolitical circumstances, they are experiencing a demand ramp-up for their products that is many times what they’ve delivered before. They needed something made exactly for their supply chains that could drive visibility into whether they have the right parts at the right time, provide the sequence in which to action things, drive accountability, and perform complex analytics. We were challenged on Tuesday to create this capability, and we got it working on Thursday. This tool that we built in basically a day and a half is something that in the past has taken hundreds of people many years to build.
Nick Robson： 我的一个客户是一家工业企业，生产复杂产品，拥有专业的供应链。由于地缘政治环境的影响，他们正经历着对其产品需求的激增，这是他们以往交付量的数倍。他们需要一套专门为其供应链量身定制的系统，该系统能够提高可见性（了解是否在正确的时间拥有正确的零部件），提供执行任务的优先级顺序，推动责任落实，并执行复杂的分析。我们在周二接到了创建这一能力的挑战，并在周四就让它运转了起来。我们基本上在一天半内构建的这个工具，在过去需要数百人花费数年时间才能建成。

Holger Hürtgen: FDEs have to be able to make judgment calls. Consultants may identify a problem and define what the best solution should look like. But as an FDE, you should decide what the best methodology is. What’s fit for purpose? Is gen AI the best tool? Is agentic AI? Or is it machine learning? Or is it a very simple regression? It doesn’t matter how advanced the tool is if it has an impact.
Holger Hürtgen： FDE 必须能够做出判断和决策。顾问可能会识别问题并定义最佳解决方案应该是什么样子。但作为 FDE，你应该决定什么是最好的方法论。什么最适合当前目的？生成式 AI 是最好的工具吗？智能体化 AI 呢？还是机器学习？或者是一个非常简单的回归分析？只要能产生业务影响，工具多么先进并不重要。

The focus now is on agentic AI systems. For instance, we all know how annoying it can be to interact with a call center. We basically“agentified”the call center of a utility, and it was quite interesting solving that problem to make sure that the agents would always have the proper answer, that they wouldn't hallucinate, and that customers would really like it. It was a real call center that you could call, and agents would support your journey through that call center.
现在的重点是智能体化 AI 系统。例如，我们都知道与呼叫中心打交道有时多么令人烦恼。我们基本上将一家公用事业公司的呼叫中心“智能体化（agentified）”了。解决这个问题非常有趣，我们要确保智能体总能给出正确的答案，不会产生幻觉，并且客户真的会喜欢它。这是一个真实的呼叫中心，你可以打电话进去，而智能体会支持你完成整个呼叫流程。

---

为什么改变人们的工作方式如此困难？

Why is changing how people work so difficult?

Martin Harrysson: Often, ironically, one can say that the more difficult part is the human aspect of it. People are not always open to change or to new things. This is sometimes even trickier than getting the actual technology to work.
Martin Harrysson： 具有讽刺意味的是，通常可以说，更困难的部分在于“人”的方面。人们并不总是对变化或新事物持开放态度。这有时甚至比让实际技术运转起来还要棘手。

I think an interesting example of this came from a client recently, as we’re transforming how they develop software and use more agents. One of the most experienced software developers at this client went through agentic training and then went back to his job. He started using agents, but they didn’t work. Because he was a really experienced and qualified engineer, he put the agentic part aside. He fired up the IDE [integrated development environment] and fixed the code. But the agentic part of it went sideways. The next time, he might not even try to do the work using AI and agents. Sometimes, if you have people who are really good at what they do, it almost becomes harder to make that change.
我认为最近一个客户提供了一个有趣的例子，当时我们正在改变他们开发软件和使用更多智能体的方式。该客户最有经验的软件开发人员之一接受了智能体化培训，然后回到了工作岗位。他开始使用智能体，但没起作用。因为他是一位经验非常丰富且合格的工程师，他把智能体部分放在了一边。他启动了 IDE（集成开发环境）并自己修复了代码。结果智能体化转型就偏离了轨道。下一次，他甚至可能都不会尝试使用 AI 和智能体来工作了。有时候，如果你拥有在本职工作上非常优秀的人才，做出这种改变反而会变得更难。

Holger Hürtgen: You have to solve the problem with real data in real systems and make sure people who are supposed to use it like the solution and do use it. This is the only way to get the business impact.
Holger Hürtgen： 你必须使用真实系统中的真实数据来解决问题，并确保那些本该使用该解决方案的人喜欢它并真正去使用它。这是获得业务影响的唯一途径。

Nick Robson: We had a client who was against agentic engineering or agentic coding. He explicitly told us, “I don’t really trust this stuff. I don’t like AI.”We spent an hour and a half teaching him some of the fundamentals of AI and how to apply it to a specific problem that he needed to solve in the next 24 hours. The next week, he came in and said, “I’ve used all my tokens.”He asked us to teach his entire team how to use AI and become their own forward-deployed engineers.
Nick Robson： 我们曾有一位客户反对智能体工程或智能体编码。他明确地告诉我们：“我真的不信任这些东西。我不喜欢 AI。”我们花了一个半小时教他一些 AI 的基础知识，以及如何将其应用于他需要在未来 24 小时内解决的一个具体问题。第二周，他进来说：“我的 token 额度都用光了。”他要求我们教他的整个团队如何使用 AI，并让他们成为自己的前线部署工程师。

---

什么样的人适合这份工作？

What kind of person is good at this job?

Holger Hürtgen: If you are, like me, an extrovert nerd, if you like teaching people, if you like not only the machine room but also talking to human beings, I think that’s the perfect profile for an FDE. It’s the perfect combination of coding in the machine room, explaining to people what you did, collecting feedback, and doing it again. That’s the beauty of the job.
Holger Hürtgen： 如果你像我一样，是一个“外向的极客（extrovert nerd）”，如果你喜欢教人东西，如果你不仅喜欢待在机房，还喜欢和人类交谈，我认为那就是 FDE 的完美画像。这是在机房写代码、向人们解释你做了什么、收集反馈然后再做一次的完美结合。这就是这份工作的魅力所在。

Martin Harrysson: You need to be something of a multisport athlete or someone who is bilingual or trilingual. What I mean is, it’s not necessarily about multiple languages; you just need to be technical enough. You need to be an engineer, to some extent, in the sense that you understand how a technical system works. But if you’re only technical and you can’t extract how decisions are being made, and all the informal connections that are happening, to solve a problem for a client, you won’t be very good at solving the problem. That requires a lot more interpersonal experience: being able to communicate well, ask the right questions, and empathize.
Martin Harrysson： 你需要在某种程度上像个“多项全能运动员”，或者是一个会说双语或三语的人。我的意思是，这不一定是字面上的多种语言；你只需要具备足够的技术能力。在某种程度上，你需要是一名工程师，因为你得懂技术系统是如何运作的。但是，如果你只懂技术，却无法洞察决策是如何做出的，也无法理清所有正在发生的非正式人际联系，从而为客户解决问题，那你在解决问题方面就不会太出色。这需要丰富得多的人际交往经验：能够良好沟通、问对问题，并具备同理心。

Nick Robson: I think it’s a combination of a few different things. One is actual content knowledge and content expertise. The second is good people skills. Delivering business impact, consulting—it’s all a people sport. The last is being good with technology, yes, but the more important skill is the ability to learn quickly. I think the best FDEs are the ones who can be super creative or think outside the box for something that has never been created before. And a big part of the job is inspiring clients.
Nick Robson： 我认为这是几种不同特质的结合。第一是实际的业务领域知识和专业素养。第二是出色的人际交往能力。创造业务影响、做咨询——这都是一项“与人打交道的运动”。最后是精通技术，没错，但更重要的技能是快速学习的能力。我认为最优秀的 FDE 是那些极具创造力，或者能为前所未有的事物打破常规思考的人。而且，这项工作的很大一部分在于启发和激励客户。

https://www.bilibili.com/video/BV17C4P6CE5f/

漫士视频字幕转录

清华姚班：卢睿

AI 时代，数学到底该怎么办？

Q：最近后台很多人问我还要不要学数学，你为什么也想专门聊一期这个事？AI 在数学上究竟做到了什么地步？

我的后台有很多热爱数学的粉丝，他们最近经常问我说，自己现在很迷茫，甚至很绝望，不知道到底还要不要学数学，应该怎么办。我自己最近几个月也做了好几期 AI 在数学上突破的解读视频，眩晕瘫坐了好几回，有很多感慨，所以这次咱就好好地聊一下这个事。观前提醒：本期都是我个人观点，欢迎大家友善讨论、表达不同的看法，不喜勿喷。先给不了解的观众科普一下背景：2026 年 10 月，OpenAI 发布了 700 多个数学结果，几乎把前沿数学研究的每个领域都炸了一遍，后来还追加了三个，许多领域被连根拔起。比如调和分析，最主要的几个猜想几乎都被解决完了——王虹因为解决三维挂谷猜想就得了菲尔兹奖，而现在 AI 解决了局部平滑性猜想，从而直接把所有维度的挂谷猜想全都解决了。还有理论计算机里的指数时间假设 ETH 和强指数时间假设 SETH 都被证明不成立，这可以说是直接连根拔起了细粒度复杂度分析（fine-grained complexity analysis）的整个基石。相比之下，之前解决千禧年大奖难题里的纳维 - 斯托克斯方程，简直就是 AI 随便练了个手而已。

人类数学家在这几个月的时间内，突然被这一连串的核爆炸炸得无题可做，无数人开始讨论我们是不是不需要数学家了，很多数学家也开始团结起来抵制 AI。他们说大模型的这个行为是纯粹的算力炫耀，原文叫 demonstration of power；他们拒绝做商业公司免费的审稿人，反对这种不负责任的结果发表，并且反复强调：数学并不是解题，而是在解决过程中所形成的理解，和创造全新理论的工具。所以他们说，AI 公司对这些未知难题的粗暴解决是破坏性的。有些数学家标榜自己是 AI vegetarian，在论文写作、思考和推导当中不使用任何 AI，并以此为荣。

Q：你自己好像也被冲击得很厉害？能先讲讲你原来做的是什么，日常又是什么样的吗？

我自己对这件事情体会确实很深，因为我本人的学术研究领域也被 AI 冲击得很厉害。我博士期间研究的核心课题是深度学习理论，这其实是 AI 领域非常接近于数学的存在，用到的基本工具全都是各种高维统计。你想要做出自己的工作，就得先埋头啃一整套前置的数学知识，理解很多抽象的概念，比如 sub-Gaussian random variable、$\varepsilon$-net covering，还有 chaining 等等，深刻理解背后的含义之后，再去读这个领域已有最新成果的论文。要知道读这些论文的过程是非常痛苦的，因为基本上动辄就是几十页甚至上百页，整篇论文有若干个主定理，每个定理背后是几十个层层嵌套的引理，而且每个引理还有微妙不同的假设。你需要在海洋一般复杂抽象的符号当中抽取出整个证明到底是在干什么、为什么成立、哪里有局限的一种 high level 的理解，然后再尝试自己能不能放松什么样的假设，做出一个更一般一点的结果，乃至于提出一个全新的设定去解释某种机理。

那经常就是一支笔、一本书、一堆草稿纸，在图书馆和工位上一算就是一天，每天看到的却全都是这种东西，大家可以感受一下。几个星期之后，你才算刚刚入门，知道这个领域之前的论文都是什么意思。全程你还要把自己的思考和这些公式推导写在一个巨大的垃圾文件里，方便之后投稿论文。我相信仅仅是听我这样描述，很多观众都会觉得读博做理论研究就像鬼故事一样，而事实上的确如此：清贫、枯燥、苦闷。

Q：既然如此，这些数学研究者把最青春的年纪投进一堆纯粹符号的痛苦推导里，到底图什么呢？

这里有高尚和庸俗的两个答案，而且这两个答案都是真实的。高尚的答案是，因为这个过程有攀登人类智力高峰的骄傲和自豪感。就像攀登珠峰一样，你知道你拥有着最顶级的身体素质和经验，你正在涉足人类前所未有的领域，成为第一个见证山巅的人，并且你还能为后人指明攀登的道路，收获 credit。当你花了很大的功夫，在长久的苦闷之后，突然第一次把整个思路和证明的流程跑通、领悟到解决这个问题的关键的时候，那种通畅感和快感是难以用语言去形容的，会在一瞬间让你觉得之前经历的一切都值得。另外一个庸俗的答案是，通过解决这些数学问题，你就可以发表论文、获得学位，乃至于教职，收获工作、地位和金钱，成为拥有终身教职铁饭碗的教授，金光闪闪，受人尊敬，每天在黑板上讲点数学就能对付完这一辈子。

我不知道其他的理论研究者或者数学研究者是不是也一样，但这些的确是让我坚持下来、甚至热爱这些数学和理论研究的原因。在很长的一段时间内，我也一直想着之后怎么努把力，破解神经网络的谜团，构建起来一套解释深度学习的统计学习理论，继续做研究。但是，AI 来了，大模型来了，它沉重地打击了这条道路。

Q：具体是哪一刻让你意识到这条路变了？为什么你会觉得那些理论成果几乎一文不值了？

首先是没有人证明能比得过 AI 了。我在普林斯顿交换的时候有一个遗留的问题，我和普林的小伙伴一起啃了几个月，没有任何进展，试了很多方法。然后一年多过去了，GPT-5.5 出现了，我想起了这个问题，于是我充值了一个 200 美金的 Pro 会员，把这个问题扔给 AI。短短 40 分钟过去，AI 告诉我它证出来了。我花了几天把证明过了一遍，发现有一个地方有一些跳步，我就跟它说这个地方不对，让它解决、返工，20 分钟之后，这下就彻底解决了。就在那一刻，我静静地看着 AI 噼里啪啦生成几百行的证明，想起我在普林斯顿的那些日子里辗转反侧，走在路上都在想这些问题，茶不思饭不想，时不时灵光一闪就赶紧去尝试，打了厚厚一叠的草稿纸——这一切在现在 AI 噼里啪啦生成的结果面前，就像笑话一样。

我也意识到，现在这个理论的研究成果几乎一文不值了，因为任何一个研究这个问题的人都能像我这样，直接把问题扔给它，给一个提示词，然后就能得到这些结果。我们的这些研究本来就是在一个相对不那么真实的场景里的一个简单的建模，在以前我能说这个结果能有一定的启发意义，但其实我们理论研究者心里都知道，这个论文能有意义，最重要的原因其实是：这个世界能推导出这种理论结果的人没有几个。现在谁有这想法，就能让 AI 去做实验、推定理，那这样的结果将会遍地都是，从而彻底失去价值。就比方说你看看现在的顶会，一次能有几万篇投稿，超过之前好多年的总和。也正因此，很多人预期理论研究的经费之后将会大为减少——反正之后烧 token 问 AI 就行，我还为什么要养人呢？

Q：这种眩晕、失落和自我怀疑，背后指向的是一个什么样的问题？价值又会流向哪里？

我所经历的这种眩晕、失落和自我怀疑，其实就是今天整个数学界、理论界，乃至所有脑力劳动者集体的缩影。AI 接连不断的核爆把一个血淋淋的问题扔到了桌面上，逼我们回答：我们过去引以为傲的理论研究，到底有多少真的是在探索宇宙的真理，又有多少其实只是在靠人类智力的稀缺性，赚取同行评议和职业身份的门票呢？这个世界底层的经济规律是物以稀为贵，所以我们会给顶尖的运动员、艺术家、律师、电竞游戏玩家极高的薪酬甚至社会地位，数学家和其他各种理论研究者其实也不例外。同样地，如果一件事情有好多个流程，那么在所有流程里赚取最多收益、收获最多地位和认可的，往往也是最稀有的、整个环节中最难的那一步是由谁来完成的。

那数学研究这件事有哪些流程呢？北大的袁新意老师在最近一场论坛上，把数学的发展拆成了三个环节，分别是提问、解题和总结。我想再拆细一点：首先你要有一个预先的范式和思想的框架，然后在这个范式里提出重要的问题，接着是解决这个问题、给出证明，然后是理解、消化、阐释、传播，最后是总结并启发一个新的问题乃至框架。在过去的几百年里，这一条流水线上最难最慢的一环其实一直是解题的证明：一个猜想几十年没人证出来，谁证出来谁就是英雄。于是整个数学界的评价体系，包括招聘、晋升、基金、大奖，几乎全都围绕着这一个环节搭建起来。陶哲轩最近把这种状态叫做数学 1.0，也就是很多数学家现在缅怀的那个浪漫的个人英雄时代，它默认的前提就是证明稀缺——证明一个开放问题非常困难、非常罕见，需要大量的人类专长和百年一遇的天才。但现在 AI 把这一环的成本砸到了地板上，OpenAI 说那一批 700 多个结果，平均每个只用了大约三个小时的计算。你想想看，一个数学家一辈子的工作，抵不过轰鸣的算力机器几个小时。那问题就来了：当流水线上曾经最贵的那一环突然变得几乎免费，价值会流向哪里呢？

Q：历史上有类似的事情发生过吗？它们能给我们什么启发？

历史上这种事情发生过很多次，或许能给我们一些启发。印刷术出现之前，抄写是一门受人尊敬的手艺，但后来印刷术出现了。在 1492 年，有位修道院长特里特米乌斯专门写了一篇文章，劝修士们要坚持手抄，说手抄才有灵魂——你看，是不是很类似。再往前，《斐多篇》里还说，哲学家觉得文字的发明是非常有害的，因为它会让人不再去大脑里记忆，大家就都不去记忆了，它会有害于我们的思考。今天还有很多人在工业流水线制作工艺品和食品的视频底下说，你们这样是没有灵魂的。有意思的是，这一篇说应该坚持手抄的文章，没过多久就被印刷出版了。印刷术让复制文本这一环变得廉价之后，出版真正值钱的就变成了值得印的书、能校订编辑的人，以及读得懂书的读者，而手抄文字不再像以前那样地位崇高。

所以我的判断是：数学不会消失，但数学内部的价值体系会彻底重排。我们必须接受而且适应，解题不再是数学研究中最核心的价值，并且回答数学之后应该何去何从的问题。目前数学界和 AI 之间有一种极为紧张的关系，热爱数学的人也感受到非常苦闷和绝望，很多数学家在外人看来有一些非理性的行为，其实这一切的一切，归根结底就在于原来这个价值评估的体系要重新调整，而调整需要时间，大众的认知也还没来得及适应。在当下，一切都完全滞后于 AI 疯狂的发展，所以造成了很多的问题。

Q：比如很多数学家拒绝检查 OpenAI 放出来的那 700 多个结果，这是小家子气、掩耳盗铃的鸵鸟心态吗？

事情没有这么简单，这背后有个很复杂的原因。在数学界以往的习惯里，第一个提出证明的人 A 享有几乎全部的荣耀，哪怕他的证明后来被发现有瑕疵、被 B 补上，又在之后 C 提出了一个简单精美得多的证明，再被 D 凝练、发展成一套全新的视角和工具，B、C、D 三个人都无法依靠这些贡献，在学术界的认知和职业体系里获得什么太大的收益。这是因为数学界是一个极度崇拜智力和 first one takes all 的地方，最高荣誉属于解题者。那你一个 AI，直接把这么多数学研究者的研究经费、毕业论文、长聘课题和菲尔兹奖的题目全都做完了，数学教授们还吃什么？在以往，数学家们阅读这些证明是为了社区建设，确认一个最新的工作是不是确实是重要的进展，学明白精髓，看看能不能自己做出一些突破；但现在 OpenAI 这样直接把一大坨自己也没有完全检查清楚的证明放在网上，数学家们审阅论文纯粹就是帮 OpenAI 免费打工，自己钱也捞不着，名也得不到，可是为了让后人能搞清楚这个证明到底算不算成功，还必须得给一个答案，只能捏着鼻子检查。说实话，让我设想代入一下这些数学家，我也会觉得挺烧心的。

现在有很多怀着朝闻道的精神的数学家在阅读这些证明并且尝试理解，但其实他们的心情是十分悲凉的。因为他们知道，尽管自己过去很多年都在研究这个问题，甚至可能离解决它只差临门一脚，但 AI 来了，抢走了所有的功劳，他们永远没有办法在这个重要问题解决的历史里留下自己的名字或者任何痕迹了。未来像怀尔斯那样，一个人不知道啃了多少硬骨头，突然石破天惊地告诉全世界自己解决了一个几百年的难题——费马大定理——这样的故事将会彻底成为历史。

Q：这种"谁先做出来谁牛逼"的文化，对身处其中的人意味着什么？

绝大部分学习数学、尤其是以数学研究为生的人，是完全不适应这个变化的。大家都习惯了去找难题，第一个把这个题目做出来，然后名垂青史，在潜意识和价值判断里无限推崇做出这个题目的人：你能做出来，我做不出来，那你牛逼，我是菜逼。这种简单粗暴的智力崇拜，和以解题能力对所有个体进行全序比较的文化，我自己当时就深有体会，也听很多数学系的同学吐槽过，说这种氛围让他们感受到窒息、压抑和痛苦。我不知道前些时间那个非常火的所谓"感到 discourage"，是不是也跟这个有关系。其实想想你就会明白，如果你仍然把第一个解决困难的数学问题作为自己价值、意义和学习数学的乐趣所在，而这一点现在又必然地被 AI 无情地碾碎，那么痛苦、焦虑和抑郁就成为必然的结果，不可避免。

Q：如果证明命题、解决具体的数学问题不再那么重要，什么会变得更有价值？

我个人觉得有两样：一是提出新的框架和定义，二是理解、交流和诠释。数学圈里流传着一句老话：好的数学家证明定理，伟大的数学家提出猜想，而最伟大的数学家写下定义。这也正是我想说的。整个数学工作流程的第一步，你需要先有一个基本的范式框架，也就是定义和一整套研究问题的思想。笛卡尔引入坐标系，给了全人类一整套新的思考方式，从此几何问题可以变成代数计算，它的影响远远超过回答任何一道具体的几何题；伽罗瓦为了回答五次方程能不能用根号求解，发明了群的概念，而群论的意义远远超出了五次方程本身；1854 年黎曼在哥廷根做教职报告，把高斯研究曲面时所发现的内蕴几何推广到任意维数，提出了流形和度量的概念；到了 20 世纪，格罗滕迪克重写了代数几何的地基，他形容自己的做法是遇到一个坚硬的问题，不要拿锤子去砸，而是让理论的海水慢慢上涨，直到问题自己被淹没和化开。

在过去，这类工作被默认是高斯、阿贝尔、黎曼、格罗滕迪克这种千年一遇的天才才配干的事情，我们普通研究者的日常是在别人搭好的框架里去解题，比如加一个条件、改一个指数、把一个估计推得更紧一点，然后以此来发表论文，获得教职和自己的营生。可现在，在既有框架里解题这件事被 AI 做得又快又好，所以我认为，如果一个数学家真的天赋异禀、才华横溢，而且依然想要为数学研究添砖加瓦，那么就应该勇立潮头，大胆地去做那些曾经只有开山鼻祖才敢做的事儿。至少目前看来，AI 还不能在这个级别上做到范式级别的创新：一个领域或者研究的问题如果缺乏语料，AI 还是捉襟见肘，没有什么建树。就比方说理论计算机科学的电路复杂度，这个领域人类自己都还一筹莫展，那这个研究方向你会发现 AI 也做不出什么东西。所以人类在开疆拓土上，我认为还大有可为。尤其是现在你有了 AI 之后，理解前人和其他领域方向的抽象论文的成本会大为降低，你可以直接跟最顶级的 AI 对话，chat with the paper，快速理解一篇论文乃至一整个领域的思想、方法和知识，我觉得这将成为未来大家值得工作的一个方向。这就好比说以前做一个蛋糕就要花一整天，所以大家都在比谁能把蛋糕做得又快又好、裱花最复杂，拼手速、拼花样；现在突然有了一台机器，你给它看一个照片、给个菜谱，它几分钟就能做出来一个完美的蛋糕，那这个时候卷手速、卷裱花意义就不大了呀。真正值得想的问题就会变成：还有哪种食物组合的菜谱没有人写过呢？甜品这种形式除了蛋糕，还有没有可能有各种完全没有想过的形态呢？

Q：那新的菜谱、新的框架和定义，究竟从哪里来？

我觉得首先就是要回到真实的世界，面向真实的需求和真正重要的问题。清华的薛金鑫老师最近写了一篇长文，他的一个核心观点是：数学界脱离现实太久了，在越来越细分、越来越技术化的问题里自得其乐，自己提猜想、自己写证明、自己评审。数学家为自己辩护的时候经常说的一句话是，我现在做的东西虽然没有用，但过几十年说不定就有用啊，比如黎曼几何后来被爱因斯坦用在了广义相对论里。可薛老师提醒我们去翻一翻黎曼 1854 年那篇报告的原文，他明明白白地写着：几何学的命题无法从一般的量的概念中推导出来，空间之所以区别于其他可以设想的三维延展量，靠的是那些只能从经验中得来的性质。黎曼想的从一开始就是真实的空间到底是什么样子的。历史上开辟全新领域的数学大家几乎都是这样从现实当中找到入口的：傅里叶为了理解热传导方程，发明了傅里叶级数；高斯在汉诺威主持大地测量，在这个过程当中系统地研究了曲面的弯曲，所以得到了高斯绝妙定理，开启了微分几何；庞加莱研究三体问题，开出了动力系统的定性理论，后来的混沌和拓扑学都从这当中受益；冯诺依曼和摩根斯特恩从人的经济行为出发，写出了博弈论；香农在贝尔实验室研究通信工程，所以 1948 年他的一篇论文开创了整个信息论。薛老师还引了 Caffarelli 的一段话，大意是纳维 - 斯托克斯方程是一个简单的模型，它的解是不是光滑在数学上很有挑战，但在科学上的价值却没有那么大，因为流体力学这些人真正头疼的是湍流，而数学界研究这个的人反而很少。

所以薛老师文章里有一句话，我觉得可以作为这一部分的总结：AI 时代稀缺的不是证明，而恰恰就是判断力——判断什么问题值得问、什么框架值得去建，而这种判断力最好的来源就是对真实世界的感知。现实中急需数学建模和深入分析的问题太多了，像刚才说的湍流、生命系统、气候、经济，还有我自己博士念念不忘的：深度学习到底为什么能 work，线性非线性的叠加为什么能够理解这个世界的规律。虽然说数学是一个纯粹理性抽象的符号系统，但构建什么公理系统、描述什么现象，却是深深扎根于现实世界的。比如数学里有一个东西叫做广义函数，教科书上的定义是"测试函数空间上的连续线性泛函"，光是理解这句话的每一个词就需要不少前置知识，可它背后的一个具体需求其实来自于物理，就是瞬时的冲量。真实的碰撞当然需要时间，但如果你只关心物体挨了这一下之后怎么运动，我们就会忽略内部的复杂细节，把它近似成一个瞬间发生、同时保留这一下造成的动量变化，也就是冲量。比如 $100\,\mathrm{N}$ 的力持续 $0.01\,\mathrm{s}$，或者 $1000\,\mathrm{N}$ 的力持续 $0.001\,\mathrm{s}$，它们产生的冲量都是 $1\,\mathrm{N\cdot s}$，画在图上就是一块越来越窄、越来越高，但面积保持不变的长条。我们希望把这个过程推到极限，作用时间趋近于零，但作用效果却依然保留，普通的函数无法表示这样的理想化对象，所以数学家就拓展了函数的概念，发展出了狄拉克 $\delta$ 和广义函数理论，它在物理学、偏微分方程、信号处理、量子力学和概率论中至关重要。

再比如说 18 世纪的法国，有个非常实际的工程问题：挖出来的大量泥土你要运到其他地方填坑，那你应该怎么安排运输路线，才能让总成本最低呢？数学家蒙日把各个位置的土量抽象成分布，把搬运过程抽象成分布之间的匹配关系，从而开创了最优传输理论。后来数学家进一步发展出衡量两个概率分布有多大差异的 Wasserstein 距离，成为现代概率论、偏微分方程乃至机器学习的重要工具。那这么抽象的数学理论，你看它最初的起点其实就是怎么运土是最省钱的。

Q：很多数学家担心 AI 解题太快会杀了下金蛋的母鸡，你怎么看？消化 AI 已有的证明真的有意义吗？

除了寻找全新的框架，我觉得深入消化目前 AI 已有的证明也非常有意义，这绝对是一座金矿。很多数学家担心而且指责说 AI 解题这么快会宰杀下金蛋的母鸡，这个说法的前提是：一个好问题的价值来自于人类为了解决它而发展出来的新思想和新工具——费马大定理本身没有什么用，为了证明它而发展出来的一整套模形式和椭圆曲线的理论才是金蛋，那现在他们说 AI 一下子把题做完了，鸡就没了。我觉得这个担心有它的道理，但不能这么武断。短期内被宰杀的所谓"鸡"，其实根本不是数学理解本身，而是数学家的职业体系。打过数学竞赛的人一定明白一件事：一个证明只要是对的，它就一定以某种形式深刻触及了整个问题中它最困难的那个原理的核心，一定是绕不过去的，如果你绕过去了，这一定是伪证；证明本身越短越精妙，这个方法所蕴含的洞见和拓展意义就越大。

所以说只有两种可能。第一种，这种猜想真的如大家的品味所料，背后藏着重要的新知识和方法，那么不管 AI 是怎么做出来的，只要它真的做出来了，它的证明里一定包含着本质上重要的东西、方法和思想，只等人去把它挖出来然后理解。虽然说现在 AI 的写作的确很糟糕，但一定是有新东西的呀——这个题大家没做出来，它肯定把一条路走通了呀。第二种情况，就是你发现这个证明里什么深刻的东西都没有，那只能说明人类当初提这个猜想的时候就想多了，以为它触及了深刻的原理，其实就是一个小小的 corner case，一厢情愿。我觉得在 AI 目前一视同仁的狂轰滥炸下，尤其是它这种神一般的找反例能力的考验当中，很多数学猜想被证明纯属人类想多了。比如雅可比猜想，1939 年提出，人类用了 80 多年试图证明它是对的，结果今年夏天有研究者借助 AI 直接给出了三维情况下的反例，只有几行式子，这顺便也否定了三维以上所有维度的雅可比猜想。这种筛选和快速的排除，我觉得对数学研究绝对是有益的。你像埃尔德什的单位距离猜想也是一样，大家花了几十年都想证明它是对的，而 AI 转头就去找反例。AI 在数学证明这件事情上不一定比人聪明，但它没有心理惯性，没有对权威的敬畏，也更加有耐心。

有很多人批评 AI 只是在取人类知识的凸包，但很多这些人没有认真地读过 AI 的证明。单位距离猜想的这个否定理，AI 把代数数论里看似毫不相关的工具搬进了离散几何，Alon、Gowers 等人随后核验并且简化，并把它放回了整个领域的脉络里。为什么一个关于平面上点和距离的问题会跟代数数论有关呢？这背后很有可能藏着一个我们没有看清的结构，而这样的结构往往就是通向一个全新数学的入口，不是吗？

Q：有没有已经发生的、让人觉得可喜的例子？为什么说阐释应该被当成一流的数学贡献？

很多数学家已经在做这种淘金的工作，我觉得非常可喜的一个例子就是西格尔零点问题。这是解析数论里困扰了数学家近百年的问题，它是广义黎曼猜想的一类潜在反例，因为它的存在可能使很多重要的定理都只能写成无法有效计算常数的形式。10 月初，OpenAI 放出了一份九页的证明，声称西格尔零点不存在。之后不到两周，Bill Banks 写了一份详细的阐释，Biskare 在此基础上给出了一个概念上更简单的证明，把原证明里复杂的插值和行列式分析换成了鸽笼原理和一个经典的定理，陶哲轩自己也在博客上写了一份完整的证明梗概。原本只有 AI 知道的东西，就这样一步一步变成了人类能理解、能传授、能接着往下做的知识，这就是很有意义的。我觉得如果我们让 AI 加强它所写论文的可读性，在适合人类数学家理解习惯的方向上把它做好对齐，然后数学家也踏踏实实地去消化这些金矿，一定会有非常重要的进展。数学不会死亡，而这些解题的过程也没有粗暴地抹杀理解。

为什么现在的数学家很多时候不做这件事呢？还是跟评价体系有关，因为他们做这些事情，大家只会觉得你没有解题啊。所以我觉得未来的评价体系需要给这样的人更多的认可和 credit。陶哲轩提出数学 2.0 就要提高阐释工作的地位，Grant Sanderson 建议仿照千禧年大奖难题设一份"开放阐释问题"的清单，说的都是这件事：在 AI 时代，把一个没人看懂的证明变成一条人能走的路，本身就是一项一流的数学贡献。所以这就是第二个之前被严重低估的数学工作流程——解读和阐释。

Q：可"讲清楚"这件事在数学界好像一直不太受待见，你自己读数学的时候是什么感受？

很巧的是，这也是我一直在做的事情。其实我自己读数学教科书和大佬论文的时候是非常痛苦的。今天有很多数学家批评说 AI 隐藏自己的思维链，写出来的东西晦涩难懂，我完全同意，但我感觉我读人类的数学书也没好到哪里去呀。满篇都是什么"注意到""易证""显然"，至于人家当初是怎么想到的，你只能自己瞎猜。绝大多数数学书一上来就是干巴巴地排出几文大钱，极为抽象的定义，没有什么例子讲解为什么要在那么细微的逻辑定义上搞出那么多微妙的区别，然后接着就是一大片你也不知道为什么要关注的性质和需要证明的定理。我不知道有多少人跟我一样有相同的感受，有相同感受的人可以打在公屏上。所以杨振宁就说，数学家写的书只有两种，一种是看了一页就看不下去的，一种是读了一行就看不下去的。但我也知道，我周围确实有些很聪明的大佬，他们可以在教科书完全不展开背后思维链的情况下自己领悟所有的逻辑，感觉这一切都非常的自然，所以这群大佬可以完全顺畅互通地进行这种仙家对话。这种感觉就像 $NP$ 和 $P$ 问题一样：大佬就是 $NP$ 图灵机，而我就是个 $P$（屁），只能听他们一堆抽象的字符串飞来飞去。

在数学界内部，我不知道很多人是不是不了解：只要不是特别具体的小同行，彼此之间他们的记号都完全不同，而且很多人也不屑于去做这种普及化的传播，一开口就只能是一整套抽象的黑话。薛金鑫老师在文章里也指出了这一点：数学家攻击 AI 的理由是没有让人类理解它们，可是人类数学家内部此前的理解也非常有限，一篇上百页的论文，真正逐行看过细节的可能只有一两个审稿人，其他人只是信任他们的判断，他把这叫做"信任外包"，不同领域之间更是极少相互理解。我个人觉得，这很难说跟数学里这种过度推崇解题而轻视阐释和传播没有关系。

Q：那"隐藏思维链"这个传统本身又是怎么来的？是数学家故意的吗？

如果我们把时间拉长到整个数学的历史，隐藏思维链这个传统在数学界其实由来已久。高斯就信奉大厦建成之后要拆掉脚手架，只给你看最终光洁的证明；阿贝尔吐槽他像一只狡猾的狐狸，用尾巴把自己在沙地上的足迹全都抹掉了。这背后的原因其实很复杂：那个时候没有完善的知识产权保护体系，所以很多数学家要做的都是一种接近零知识证明的事——我要让你知道我证明了我的解法是对的，但是你不能从中学习到我解决问题的任何思维方法的绝活儿，就是所谓防御性证明。那时候很多数学家其实本质上就只有那么一两个绝活，但这一两个绝活可以系统地在一系列领域和问题里都发挥作用，能吃一辈子；如果这玩意儿被别人、甚至是更厉害的大佬学去了，那自己就完蛋了。所以从这个意义上来说，数学家这些密不外传的解题心法，就和一家餐馆的独家秘方，或者说魔术师一个魔术的表演流程，本质上是非常类似的，隐藏思维链也是情理之中。当然，有些数学家隐藏思维链也未必是故意为之，很多时候只是他们自己的习惯，觉得我已经把解决问题的流程确凿无误地完整展示了，那我还要说什么呢？大家只需要 appreciate 这种正确性就够了。而在众人"他到底怎么做到的""他怎么想到的"这种猜测中，数学家甚至会得到某种隐秘的满足。

Q：在这样的环境里，你给自己找的位置是什么？历史上有没有把"讲清楚"做得很好的人？

总的来说，我的确是很早就认识到，在啃那些前沿数学的硬骨头以及解题这件事情上，和最厉害的顶级大佬相比我根本不能望其项背，也不是那种看到数学教科书的推理就能理解所有背后微妙动机的天才。我自己很认同顾森（Matrix67）所说的一句话：我不一定是最会解题的那个人，但我可以是把解法讲得最漂亮的那个人。把一个解法或者说一个成型的学科体系讲清楚绝非易事，很多老师其实也没做好这件事儿，无论是在课堂上还是在直播里，除了照本宣科，也不知道怎么用普通人能理解的话讲清楚数学研究。但数学界对此似乎很不屑，觉得咀嚼别人剩下的东西没有 credit，有什么意义呢？这些讲的东西太简单，远不如自己去攻城拔寨、解决未解的数学问题来得更帅和有水平。我自己就听过很多数学系的同学这样评价过我的视频：哎呀漫士，天天就讲点小儿科这种级别的东西，凭什么有那么多流量。

可是历史上最出色的科学家往往也是一个非常好的表达者。欧拉的推理过程就一直写得清清楚楚，展现了很多尝试的细节和失败的思路，拉普拉斯就说，读读欧拉吧，他是我们所有人的老师；法拉第在英国皇家研究院给孩子们讲《蜡烛的化学史》，一讲就是很多年；还有希尔伯特，20 世纪最讲究形式化的数学家之一，他和康福森一起合写过一本《直观几何》，满书都是图，人都能看得懂；费曼的物理学讲义非常的平实，到今天还是经典。Thurston 还专门写文章反思过自己的经历：在 70 年代，他在叶状结构领域短时间内证明了一大堆定理，结果没过几年这个领域就几乎被清空了，研究生也不再进来了，因为大家觉得问题都被他做完了，他的论证又很难懂；所以后来做几何化纲领的时候，他就花了很大的力气去写讲义，把自己的思路讲清楚，这样才围绕着它长出了一整个研究的群体。今天的 AI 一夜之间清空了好几个细分领域，面对的是一模一样的问题，你也难怪这些数学家会非常反对这种行为了。

所以我对自己的定位其实一直是一个花园的向导，或者说是像艺术馆、展览馆里头一个领你走的阐释者。我不追求站到山巅，但我喜欢在地基之间发现联系，把原本站在门外的有缘人领进来，让他们能看到里面的美妙。数学专业人士也完全可以在更高的层级做类似的事情，比如陶哲轩那份西格尔零点的证明梗概就是一个顶级的示范，说不定正是这种工作会启发出前面所说的那种开创框架级别的数学研究。也正因此，我非常认同 3Blue1Brown 作者 Grant Sanderson 的说法：也许我们是时候给出色的数学阐释者更高的位置了。我相信 Grant 绝对不是借机抬高自己，而是这的确是现在 AI 冲击下数学研究急需完成的转变。

Q：围棋被 AlphaGo 冲击之后的那段历史，能给数学什么样的参考？

某种意义上，人类数学家的现状就像极了当年被 AlphaGo 打服的围棋棋手。2017 年，世界排名第一的柯洁 $0:3$ 输给了 AlphaGo，第三局中途他一度离席，在镜头前忍不住落泪，他说 AlphaGo 就像围棋之神，和 AI 下棋是一种密不透风的绝望。数学家的困境和当年的围棋棋手非常类似，甚至更糟糕：因为虽然人跑不过高铁，但人的短跑比赛还有价值；围棋棋手下不过 AI，彼此 PVP 也还有看头，但数学家不能表演解题 PK 吧。当人类智力巅峰的尊严被粉碎之后，接下来该何去何从呢？围棋后来的路给了我们一些很有价值的参考，那就是职业棋手开始用 AI 去训练。一项发表在 PNAS 的研究分析了 1950 年到 2021 年职业比赛里的 580 多万步棋，发现超人类的 AI 出现之后，人类棋手的决策质量其实显著提高了，新颖的下法也变多了：2018 年有 88% 的对局出现了历史上从来没见过的招法组合，而在 2015 年这个比例只有 63%。围棋在被 AI 冲击之后的历史，很大程度上可能就是数学值得借鉴的未来，那就是理解 AI 的棋路，并且内化到人类自身。

2016 年 AlphaGo 和李世石的第二局，第 37 手下在了五路上的一个尖冲，现场解说一度以为是失误，AlphaGo 自己估计人类棋手下出这一步的概率大约只有 $1/10000$，而后来大家才明白，这手改变了整盘棋的格局。从那以后，"AI 为什么这么下"成为了职业棋手和解说员最重要的工作之一，像开局早早点三三这种曾经被视为俗手的下法，就是这样被重新理解、接纳甚至推崇的。而第四局李世石那一手被称为"神之一手"的第 78 手则提醒我们，再强的 AI 也有盲区，只有真正看懂它的人才能找到它的盲区。如果你想象一下这些棋手说，AI 下的棋没有灵魂，AI 不能理解围棋当中的这些情感和这些绝妙的事情，所以我们不去学 AI，那这些棋手会错过多少东西呢？魏志威老师打过一个比方：数学研究就像大航海，以前我们只有小木船，现在有了一个大的蒸汽轮船，我们可以去更远的地方；人脑独自思考和借助 AI 思考，就像是游泳和坐远洋巨轮的区别。可是巨轮开到了新大陆，我们仍然需要专业的人下船去看看这片土地上有什么，或者说 AI 这一步神之一手的妙招到底妙在哪里、为什么成立、里面有什么意想不到的启发、能不能连回到我们已知的世界、改变我们对已有所有这些学科的认知。这份工作你会发现还是只能由真正理解数学的人来做。

所以数学家不会消失，相反他们会变得更重要。一个从来没有接受过系统数学训练的人，你哪怕用 AI 问出了 $NP \neq P$ 的证明，对他来说也毫无意义和价值，因为这几百页论文全是他根本不能理解的东西，他也无法给同行讲明白这套证明的妙处到底在哪里，他所有的 credit 只是输了这段提示词，同时运气很好，遇上了一个能找到答案的随机种子。在这个角度上，我们当然还需要学习所有已有的数学知识，只不过这个心态真的要转变：它的意义不再是以前我们那种习惯的，站在人类智力的巅峰去探索最前沿。我觉得这种心态的转变可能需要很长的时间。

Q：所以回到开头那个问题，现在还要不要学数学？如果要，方法上该怎么变？

我的回答是：当然还是值得学的，但是方法可能要改变。Grant Sanderson 有一个比方：机器举铁肯定能比你举得更重，但你依然值得去健身房，因为肌肉长在你自己身上。数学训练是给你的，是寻找一种抽象的分析结构、拆解问题的能力，而这些能力会跟着你去到很多其他地方，任何一个领域需要严密思考，数学的训练就有价值。北大的袁新意老师也说，中小学的那些题做出来本身没有价值，但之所以还要做，就是因为那是一个自我修炼的过程，他甚至建议低年级博士生的第一篇论文还是要用古法亲手做一遍。如果目标只是比别人更快地解出更难的题，那这条赛道确实已经被 AI 占满，所以更值得练的是前面说的那几样：真正地理解一个东西为什么成立，问出更好的问题，对什么是重要的、什么是美的、这种框架和理论有自己的品位，把数学和真实的世界联系起来，以及用好 AI。袁老师讲他在清华上课的经历，他直接告诉学生，作业题你们都可以让 AI 生成答案，但那样你们什么也得不到；把 AI 当成助手，自己主动思考，不懂的地方去问它，学习效率会高很多，而且理解也会深刻很多，这才是用 AI 的方法。

所以说句实话，如果你的目标是一份纯数学的教职，未来几年这条路大概率会更窄，评价体系正在剧烈地变动，而这些成本会最先落在研究生、博士后这些年轻人身上，就像我一样——我也被迫暂时放弃了博士期间一直追求的理论深度学习的职业路径，这都是没有办法的事情，时代的一粒沙落到每个人头上就是一座山。但是我觉得我们还可以继续保持热爱，同时保持理性判断，多给自己留几条路。当证明变得廉价的时候，理解和阐释就变得更加稀缺，所以我希望科普能在未来获得更多的认可和地位。当然，AI 的讲解也会越来越厉害，所以单纯讲清楚不再稀缺，而稀缺的会是一种信任感。Grant 有一个判断我很认同：教育真正的瓶颈往往在于人愿不愿意去学、能不能坚持下去，而人愿意去学一样东西，常常是因为有一个具体的、他信任的人，让他相信这件事情值得花时间。多伦多大学的 LT 描述过一个他认为不太可能、但并非完全不可能的可怕的未来：整个数学行业只会按按钮不读输出，然后 50 年之后没有人再去做数学，连机器都不做，自己也已经不懂这个领域了。那我觉得，科普能做的就是让这条路上一直有人，一直有人懂它在说些什么，而这些也是那些大而化之的外部知识科普无法做到的事情。我们这一代人也许将永远无法成为第一个登上山巅的人了，但山顶的风景还需要有人看懂，从山脚到山顶的路也还有人要画出来，留给后来的人。而这件事，我会一直做下去。漫士沉思录，学海引路不辛苦，我们下期再会。

感觉现在作业很多 而且越来越不想学了怎么办🫠

Get! ⌯>ᴗo⌯

Fact、Truth、Reality 看起来都可以翻译成“真实”，但它们其实在回答三个不同的问题。

一个判断可以在逻辑上完全正确，却不能准确预测现实；一种信念即使是错误的，也可能通过人们的行动改变现实。

Fact、Truth、Reality

一个简单例子。外面正在下雨。

• Reality：包含天空、云层、雨水、气象系统，以及整个正在发生的世界（也包括正在上课的一个朋友）。
• Fact：北京某地在今天下午三点发生了降雨。
• Truth：我真正相信的“我认为外面正在下雨”这个信念。

Fact 是世界中成立的事情（客观性）；Truth 是我们对事情所作判断的性质（带有主观性）；Reality 是这些事情所处的整个世界（客观性和主观性消融的地方）。

选美博弈：为什么 Truth 不等于 Reality？

游戏：100 个人在 0 到 100 之间选择数字，目标是尽可能接近所有数字平均数的 2/3。

Nash 均衡的博弈结果：0

历史上某次实验的实际平均数：30

现在分别用三个概念看待这个游戏。

Nash 均衡的 Truth 在什么条件下成立？

在标准规则下，所有人都选择 0，是唯一纳什均衡。这是一个正确的数学结论。

但它并不是在说：“无论现实参与者怎么思考，实际平均数都会是 0。”

Fact：这次实际发生了什么？

参与者的平均数确实是 30

即使有人坚信所有人应该选择 0，也不能改变已经提交的数字。

Reality：现实是什么？

现实不仅包含数字，还包含参与者不同的认知能力（推理深度）、对别人行为的预期、奖励机制、信息与互动过程。

这些共同决定了最后的游戏结果。

最有意思的是：人们的信念，即使不正确，也会成为现实中的因果力量。一个错误的信念，可以产生真实的后果。但这些真实的后果，不能证明最初的信念是正确的。

比如，大量参与者相信“别人都会选择 33”，于是自己选择 22。他们的信念未必正确，但他们的选择会影响最终平均数。

凯恩斯在 1936 年的《通论》第 12 章中，正是用选美竞赛说明金融市场中这种高阶预期的作用。

例子：为什么市场上涨不等于公司优秀？

假设一家公司的股价从 100 元涨到 200 元。

现在有三个人：

甲是基本面分析师，认为公司长期合理价值只有 80 元。

乙是短线交易员，认为市场热度还能推动价格上涨到 250 元。

丙是公司创始人，认为自己的技术将改变整个行业。

视角	当前能够知道什么？	还不能确定什么？
Fact	股价已从 100 元上涨至 200 元	无法仅凭涨幅判断长期价值
Truth	各人真实持有的信念会影响未来的行动和现实	这些信念本身会创造出什么样的世界
Reality	公司经营、资金流动、交易机制、市场预期都实际存在且相互作用	没有人能仅靠单一模型掌握全部动态

值得培养的能力

我真正观察到了什么？哪些是可复核的数据，哪些只是别人转述的判断？避免把观点当作事实。

我的结论在什么前提下成立？证据是否真正支持结论？有没有其他解释？避免把逻辑自洽当作必然正确。

在真实约束下，参与者如何行动？我的行动又会改变什么？当结果与模型冲突时，我如何更新判断？

避免把理论上应该发生的事，当作现实中一定会发生的事。

Reality is what is. Reality 是实际存在和发生的一切，不以我们的理解是否完整为转移。

Facts are what is the case. Facts 是现实中具体成立的事情，不以我们的喜好为转移。

我们生活在 Reality 中，通过经验和证据认识 Facts，努力作出符合 Truth 的判断；但我们的判断又会影响行动，而行动能够参与塑造未来的 Reality。

忘记考虑这一点了。最开始的想法是：

• 后面用户都用 github/Discourse SSO 进行登录，不在我们的软件里管理密码。这样可以避免诸如 2FA，CAPTCHA，rate limit 这些。
• 现有的用户名 + 密码登录的方式只用于后向兼容旧 Discourse 中的数据，并在不久的将来彻底禁用。

看来得改进一下登录功能。

网上这么写 读起来确实形象🤣
（顺带着推荐一下德扎 超级好看）

Pat pat 鱼老师

好主意   

你社目前处于半死半活状态，零基础或者大佬都欢迎加入。大佬可以来给大伙做做讲座啥的。这学期主要方向就是 AI Infra。群号：863989538。尤其欢迎活跃的主动的，直接安排副职

我肯定会用的。对自己控制杠杆的能力有信心。做好风险控制，信用卡就是一个 0 息的货币借款工具。

我草 找不到新导师接手了 当年那位把我卖了的现在招了一位新学生又把我一脚踢开了 学分不够马上 i20 deactivate 被开除了。孩子们我回来了🏳️

请各位参与考核的同学在此站发帖提问，发帖时请选择 ANA 类别 以及 ARRA-2026 Tag，ANA 社员会不定时解决你的问题。

注意：

• 请遵守 诚信守则
• 提问时请详细描述问题上下文
• 提问前请在 ARRA-2026 Tag 内寻找是否已有相同问题

---

Edit Oct 7, 2026, 7:16:48 PM (Asia/Shanghai)：

注意，被邀请后会收到三封邮件，分别是：

• docs 仓库
• skeleton 仓库
• 你的学生仓库

需要全部同意。

如果没有三封请检查垃圾邮件箱。

---

Edit Oct 8, 2026, 11:12:50 PM (Asia/Shanghai)：

关于三个仓库的作用：

• docs: 考核文档，包括各任务的任务要求，你需要阅读并理解
• skeleton: 任务骨架，你需要从该仓库获取各任务的初始代码，并在此基础上完成各任务
• student-{你的 GitHub 用户名}: 你的学生仓库，你需要从 skeleton 仓库 获取初始任务初始代码，并提交到该仓库；后续你写的东西也需要提交到这里，以便向 Gradescope 提交并判分

---

Edit Oct 9, 2026, 5:48:58 PM (Asia/Shanghai)：

在 Gradescope 提交任务的方式：

1. 把你的更改提交并同步到 GitHub 上的学生仓库
2. 在 Gradescope 任务提交时选择 GitHub 仓库，并选择你的学生仓库

请不要选择提交本地文件，否则 autograder 会找不到

最近状态好了一些，和原来的圈子淡了或断了很多……喜欢有秩序有安全感的生活，不喜欢情绪大起大落。接下来向我走来的是三个实验报告和答辩 ppt!

说个暴论：
codex > codex + 黄毛 + 薄肌 > 985 本硕博 + QS 100 phd

Fa25 website

CS 162 — Fall 2025
（我爬下来了但是太大上传不了，需要可以 pm 我）

Textbooks

Operating Systems Principles and Practice, Volume 1: Kernels and Processes
Operating Systems Principles and Practice, Volume 2: Concurrency
Operating Systems Principles and Practice, Volume 3: Memory Management
Operating Systems Principles and Practice, Volume 4: Persistent Storage

Sp22 course video

https://www.bilibili.com/video/BV1L541117gr

您好，我自己有 chatgpt，也有 claude，我自己掌握的能发给 llm 的细节也远比这个贴子里的多，请不要再贴低质量的 llm 回复污染信息，谢谢。

好累
恨学校 交大该杀

因为这学期早八多
所以暂且立一个十一点之前躺到床上的 flag
希望能实现

---

浑浑噩噩地度过了一天
但自己都能意识到精神无时无刻不高度紧张
现在异常平静 也可能是崩溃够了于是开始麻木了

近日皮革
不小心把滨的小票扔了 愤怒（）

lz 是你交电类的大四，现在打算申请 27fall 的 cs/ece/ce 方向的 master，但身边似乎没有要申请美硕的同学，学校大部分出国的人的目标貌似都是港新。所以，想问问各位门友，有没有 cs/ece/ce 美硕申请的 QQ 群·、微信群，或者有无门友也打算申请呢？另外，xjtu 的飞跃手册有点年久失修了，不知道有无近几年申请的 datapoint 可供参考。欢迎各位申请过/就读过/正在就读的门友提出任何关于申请的建议/锐评以及 datapoint

本人在美国读 master，遇人不淑，导师好大喜功，投鼠忌器，npd，极度自私，毫不关心学生前途，只在乎自己，不肯在自己身上让哪怕一毛钱的利益，控制狂，权力欲极强，同时研究 taste 极差，毫无科学常识和素养。

导师语录与事迹

"以表现好的随机种子为基准，找到方法修一下坏的种子。"
"I know this won't work." 问原因，不给。"Don't give me concerns, give me solutions."
实验做出"无效"之后，方向七次漂移：全部重测 → 找"为什么" → 做可解释性 → 退掉 → 找正效应 → 加解释 → 加注入。每一步都在上一步无效后提出，无一步给出停止条件。
"27B 和 31B 的模型参数量有显著差异。"
在看完全数据证明一个东西的效果接近随机噪声之后的原话："This thing doesn't work, people don't use them, but this thing should work, and we can educate people to use them."
因本人发表了一份可行性调查文档，说明在当前算力限制下全量实验没法在 ddl 前跑完，要求削减实验量，发来措辞激烈的邮件（"waste my time and resources"、"it'll be rejected anyway"）唯一的指示是“make it faster”。
不能忍受项目空转：曾在等待公开数据集期间，要求在只有八九条数据的样本上跑实验，并说 "that's fine"。
组会上说过要威胁某位别的系的学生因为疑似骚扰了我们办公室要 "report to ICE"。
以“每位学生要为这个组卖一个肾”当玩笑开，而一位 master 学长在吐槽 neurips 伙食差缓和气氛时候毫不留情面的说“Sounds like a first-world complaint to me”。
组内先例：给他打工四年发了几篇三作四作文章的 master 学长想继续读 phd 被放弃；一位博一学长（在当他学生期间发表顶会一作一篇）四个月转组；与另一位资深教授的 idea 归属争议闹到学校调解，组会上讲述的版本与事实版本相反。
明确要求硕士生不与其他老师合作。

现状与硬约束

必须六月毕业（申请 2027 秋季博士，目前只有 EMNLP 三作一篇）。
Thesis supervisor 需至少指导总时间一学年→ 现在是换人后仍能六月毕业的最后窗口。
换 supervisor 不需要他签字，可以直接净身出户。
如果留下来当他学生，无论如何他不会卡毕业（这条底线他有）。
留下的唯一收益：他的一封推荐信（语气不确定，原预计偏正向，但不好说因为当前的 project 做不出来而改变）。
换走的唯一损失：那封信。理论上当前的 project 只要给他 credit 仍然可以做，但是代码数据大概率没法带走。

当前 project 情况

过去几个月，我已经基本完成了一个体量很大的 empirical project，包括数据采集，整理，实验设计、代码、benchmark、数据分析以及大量实验。最初目标是把它写成论文投稿 10 月顶会。项目初导师和我说我需要点东西在简历上申请博士。由于导师好大喜功，加入了一堆和项目主题毫无关系，但只是目前的潮流的东西，比如说 llm agents，并且迅速扩大实验量，总实验的 token 吞吐量来到了 billion 级别。我发挥浑身解数，政治手腕，简直是周恩来再世，让这个亩产万斤的项目存活下去，我在美国搞文革😅。然而随着项目推进，因为最终的结论是零效应或极其微弱的效应，导师表示必须要发明一个办法让他变正效应否则就是无 paper。他认为这个东西不是本身不 work，而是因为各种各样的原因导致信号被掩盖了，所以要恢复这个信号。皇上身边有奸臣，忧心呐。最终结果就是怎么反动派越抓越多啊。不光要正效应，还要击败 sota 办法，还不能与研究出发点失去关系。此时我询问是否能做 empirical study 如果这种方法发明不出来，得到明确否定回复：I'm not wasting my time on an empirical paper。然而这个方法本质上就是从一个接近纯噪声的信号提取稳定正向信号放大，违反热力学第二定律。项目也因为不断挪动终点线而延期，赶不上 10 月 ddl，而下一个顶会 ddl 在 1 月。由于这个方法违反熵增，因此必然做不出来，最终只能再硬耗三个月无疾而终。此前本人已经有两个一作项目因为类似原因而流产。基本上所有和这个导师合作我的一作项目，基本都是所有的工作量，一作的责任，八作的话语权。我没法决定一丁点论文的走向。
本人对导师一向贯彻 grey rock 法零冲突策略，因此不用担心和导师的关系紧张。但是目前这个项目导师安排了一个博四的来帮助我给我当二作，实际上他根本不干什么实质的活，只是每天头脑风暴想 idea，然后让我去执行。并且他也要投十月顶会，有一个一作项目在忙，他还有另一位 master 没事干给他当二作干活。由于他自己有项目，不可能给我真出工出力，每次与导师的会议上都是一味附和导师的任何疯狂想法，煽风点火，只哄导师高兴，因为他不用真执行。我私下找他对质，他明确无法给出他在会上给导师提的任何 idea 的可执行方案，因为他们都只是为哄科学盲导师高兴随口胡编的。我希望他支持我的 empirical 方案给这个论文收尾，也不需要他做什么工作，因为我们心知肚明导师要寻找的方法不存在，但是他畏惧导师权威，不肯给我背书。同时在我明确要求可执行方案后他也是一味回避转移话题推卸责任甩锅避免留下书面证据，指责我应该自己想解决方案，他会提意见，这是我的责任。而这也正中我的下怀，我就威胁他既然他什么都不干什么责任都不担还有自己的项目要忙，就把他从这个项目二作位置踢走，并且会和导师反映他在会上的 idea 会后都没法和我复现这个面向导师科研的情况，他才服软爬回来愿意商量。但是关系已经僵化，以后沟通都会严格符合程序，明确责任归属，摩擦较大。十月之后，大概率他会有一个新的一月 ddl 的一作项目，因此要指望他真出力是不可能的。

请你判断的问题

留：在导师名下读完到六月，十二月拿一封语气未定的信，期间"貌合神离"；本校的博士我申请的话完全不打算继续跟他做，他早晚会知道，虽然那时候推荐信早已到手。期间大概率延续剧本零一作产出。

润：十月一日前找到新 supervisor，六月毕业，失去原导师的推荐信，只能得到新导师合作时间较短的信；新导师极大概率比原导师正常。当前 project 的资产转移可能有些摩擦。要走的话原导师不会明面上很难看，之前已经有博一转组的先例。何况 master 来去自由。其余一切未知。

你只需要回答一个问题：如果这是你，你润不润？

我不擅长谈恋爱
我想找一个我喜欢的，她也喜欢我的人一起生活。
何谓喜欢：被她的一颦一笑，被她的特质，被她的样貌，气味，声音，被她对我的好 吸引
何谓生活：一起分享生活中的快乐，共担生活中的压力和痛苦，同甘共苦，相互理解，互相支持，能换位思考，能对另一方的付出做出反馈。

我的希望，非常平凡。但在一个信仰和道德普遍缺失和逆淘汰，人人自危没有信任感的社会下也是难能可贵的。
我不苛求完美，但希望双方都能朝此努力。

因为曾经的错付带来的心理伤害，我的心曾陷入自我保护，麻木，不轻易付出爱。
但在 1 月前，遇到见面后觉得还不错的她，我在和她相处的过程中，心灵防线逐渐软化，了解日深，我没觉得她有大问题阻止我进一步和她发展。
在我觉得时机合适的一次大胆牵手后，她没有拒绝。虽然言语上确认得没那么直白，但我心里觉得，她是我的女朋友了。

但，她心里觉得我是她的男朋友吗？

我们对当前关系状态的理解对齐了吗？

一个检验的机会，她面临一个选择，我以男朋友的心态跟她说了一堆话。
她似乎并不觉得。

我跟她说的话，对她决策的建议，既有客观理性的因素，也有情感的因素：我不想让她离开我。
以前我一周跟她见面一次，我想随着关系的深入，是不是得更经常见面？
我喜欢跟她牵手的感觉。我喜欢跟她在一起。
孤独的城市，孤独的生活，我不想回到这样的生活里。从上大学开始算，10 年了。

那天晚上我很难过。从第一次牵手，到知道她可能做出一个决定，导致你我不在一个城市，以后一年只能一周见一次，仅仅过了 2 天。

我在想是我自私吗？
一周见一次，也许可以接受？

离别。
未来一年里，我没法因为想她了，就可以立马去找她。只有周末才能在一起，没法下班之后在一起。
即使现在没有下班只在一起。
但心里总是离别的滋味。我感觉有个公司像个人一样把我的佩佩从我身边抢走了。

也许发展得太快了？
也许我对她的潜在的占有欲太强烈了？
但是，喜欢一个人，就想跟她在一起，这难道不是正常的吗？没有吸引力，我这段时间怎么会每周约她出来，开 30 分钟车去找她。
我从来不指望每次约她，她都能出来。
但是两人在大多数时间分处两地，让未潜在来突然的见面的冲动只能被遥远的距离无情地拒绝。

曾经听闻过，男性要想吸引女性，需要表现成一个强者，一个身边不缺女性的强者。过度地表达对对方的需要大概率换来白眼和不在乎。

我知道这个理论，先不讨论正确与否。当你对某个人因为各种原因心生情愫时，不去找她，不太正常。欲擒故纵，也许她误判了，直接跟我拜拜了呢？
对于一个没啥恋爱经验，身边没啥异性资源的人来说，要想摆脱单身，也许只能靠狂热的追求了。

既然是狂热，那必然是非理性的。会让她的一点拒绝，对我的心造成很大伤害。会让她的冷淡，变成脑中的猜疑。
同时我应该问：我对她的真正性格又了解多少呢？

但是她不愿跟我深入聊这些。
在此之前，我几乎每天都给她发一两条有用没用的消息作为开启每天的聊天的引子，有时是我晚上烧的菜，晚霞，暴雨。平常聊聊兴趣，爱好，加班。到了周四周五约她周末出来。由于夏天天热，只能晚上吃个饭。在有限的时间里，聊聊家庭，工作。
我们每次吃饭都很快，我想慢慢吃，跟她多处一会。但后面看她吃饱了，停下筷子，我也不好意思一个人慢慢再吃。更何况有些时候选的餐馆不好，没有情侣俩相处的氛围。

在我们牵手之后呢，我应该要跟她明确表达爱意，明确确认男女朋友关系。但是由于经验不足，也许是沉浸在体验牵手感觉的喜悦中，也许是不好意思，也许是没有好的时机，我只是隐晦地问过她的心意。

但是确定了又怎么样呢？
我要怎样进一步增进彼此的感情，互相试炼对方的性格，以至于我们进入到下一阶段呢？
I have no idea.

The exploration and exploitation dilemma.
如果你没有足够的经验可利用，那就不好进行进一步的探索，从而也学不到多少有用的经验。😂

夜已经深了，没必要进行精神内耗。自上周我想到悲惨的预期和往事并脆弱地流泪已经好多天了，又该以麻木的心态继续生活下去了。
I hate you, Oxytocin, which was produced when I held her hands.

未来怎么办，顺其自然吧🥲😴

价值投资、时代与人生

AIGC 整理讲稿

根据 2019 年、2024 年北大讲座及现场问答整理，非本人原文

这些年来，我常常会碰到一个问题：价值投资的基本原理似乎并不复杂，讲来讲去，也就是那么几个概念。既然道理并不难懂，为什么真正能够长期按照价值投资的方法去实践的人，却始终只是很少的一部分？我自己做投资这么多年以后，越来越觉得，这其实就是“知”和“行”之间的距离。价值投资首先是一种思想方法，但它最终一定要落实到实践；而一旦进入实践，人性、环境、激励机制、市场波动、别人对你的看法，包括你自己对自己的认识，都会不断地来考验这些看起来非常简单的原则。所以真正难的地方，从来不是把几个概念背下来，而是在几十年的时间里，当环境不断变化、市场不断诱惑你、别人不断告诉你还有更聪明的办法时，你仍然能够按照自己真正理解的规律去行动。

我第一次真正系统接触价值投资，是三十多年前刚刚到美国以后。那个时候，我并没有想到自己后来会做投资这么多年，也没有想到这会变成影响我一生的一套思想方法。后来回过头来看，我越来越觉得，价值投资对我的意义远远超出了投资本身。它首先教会我如何理解一家企业，后来又逐渐逼着我去理解市场经济、理解制度、理解历史、理解人的心理，最后还必须不断地理解自己。投资表面上是在分配资本，实际上它是一场非常漫长的求知过程。你在这个过程中不断发现自己原来不知道什么，不断修正过去的错误，同时又逐渐建立起少量真正可靠的知识。对我来说，这可能才是价值投资最有意思的地方。

如果一定要把价值投资最基本的思想讲清楚，我一直认为其实只有四个最根本的概念。第一个概念是，股票本质上代表的是一家企业的所有权；第二个概念是，市场存在是为了给你服务，而不是为了指导你；第三个概念是，我们投资所面对的是未来，而未来本质上是不确定的，所以任何判断最终都只能是概率，正因为如此，我们必须要求安全边际；第四个概念是，投资人必须通过长期学习，逐渐建立属于自己的能力圈，并且只在能力圈范围之内行动。听起来，这四个概念并没有多复杂，甚至一个下午就可以解释清楚。但价值投资真正的全部困难，其实都藏在这四句话真正落实到现实生活之后发生的事情里面。

一、股票首先是一种所有权，而不是一个每天跳动的价格

很多人进入股票市场以后，第一个看到的是价格。今天涨了多少，明天跌了多少，市场怎么看，机构怎么看，分析师怎么看，新闻在说什么，这些东西非常容易占据一个人的全部注意力。但是价值投资的第一个要求，是在心理上把这个关系倒过来：你首先买的是企业，然后才是股票。如果你买了一家公司百分之一的股份，和你买了一家公司百分之百的股份，在经济本质上并没有根本区别。差别只在于你的所有权比例不同，而不是一种叫作“企业”，另一种叫作“股票”。

我自己早年真正开始投资以后，对这个问题有过一个很深的心理体验。当时我对生意其实还懂得非常少，最开始能够做的事情，不过是读财务报表，尤其是资产负债表。我会去看那些非常便宜的股票，看公司账上到底有多少现金、多少证券、多少房地产，看看它的净资产和市场价格之间到底是什么关系。有一些公司的市场价值甚至明显低于账面上可以相对可靠确认的资产价值。那个时候我对企业未来到底能够赚多少钱，往往并不十分清楚，但是因为价格足够低，我觉得至少有一层比较大的保护，所以敢于开始做一些投资。

真正有意思的变化发生在买完以后。当一家公司只是一个研究对象的时候，你和它之间的心理关系是一种关系；当你真正拿自己的钱买下它的一部分以后，这种关系会立刻发生变化。我第一次清楚地意识到：这家公司有一部分真的属于我。这个时候，你开始用一种所有者的心态重新看待所有信息。以前只是看一个数字，现在你会问这个数字是怎么来的；以前看到收入增长，也许就觉得不错，现在你会继续追问这个收入靠什么产生，它是不是可持续，客户为什么要买它的东西，竞争对手能不能把这个生意抢走，公司的资本为什么这样配置。你甚至会开始关心一个以前完全不会注意的问题：如果这个企业是我百分之百拥有，而且股票市场从今天开始十年不开门，我还愿不愿意继续持有它？

这种心理转换非常重要，因为一个人的屁股和脑袋在很大程度上确实是连在一起的。比如一个长期从事卖方研究的人，他的工作激励就是把一个观点卖出去，那么他自然会不断寻找支持自己观点的信息。如果你天天训练自己怎么把一个故事讲得更漂亮，最后最大的危险不是别人被你说服，而是你自己被自己说服。一个特别会“卖”观点的人，如果不能完成从销售者思维到所有者思维的转变，在投资上反而可能遇到很大的问题。真正成为所有者以后，你搜集信息的“天线”会发生变化，过去的知识仍然有用，但是知识之间的组织方式变了，因为你的目标不再是证明一个观点足够精彩，而是判断自己的钱放在这个企业里到底安不安全。

所以我始终认为，“股票是所有权”并不是一句抽象的金融学定义，它首先是一种很重要的心理训练。如果没有完成这个心理转换，后面所有的价值投资方法都很难真正建立起来。一个把股票当作交易代码的人和一个把股票当作企业所有权的人，即使看的是同一份年报，得到的信息也会非常不一样。前者更容易问下个月股价会不会涨，后者则会自然地问，这个企业十年以后会是什么样子。时间尺度一变，信息的意义也就变了。

二、投资和投机，看起来都在买卖股票，实际上是在玩两种完全不同的游戏

理解了所有权以后，第二个必须想清楚的问题，就是股票市场里面到底有哪些人在做什么。股票市场从诞生开始，其实一直混合着两种完全不同的行为。一种行为是在判断企业未来的经济表现，也就是说，公司以后能够赚多少钱，能够创造多少价值；另一种行为是在判断其他市场参与者短期内会怎么行动，也就是说，别人明天愿意出什么价格，过几个月情绪会不会更乐观，某个资金是不是要进来，下一批买家会不会愿意出更高的价钱。

前一种行为我叫投资，后一种行为本质上就是投机。投资人的研究对象主要是企业，投机人的研究对象主要是其他参与者。虽然两类人最后都可能通过股票买卖表现出来，但这两件事在经济学意义上的结果完全不同。一个企业如果处在能够长期累进增长的现代经济体系里面，它的利润可能持续增加，资本可能不断产生新的回报，所以企业所有者总体上是可以一起变得更加富有的。这是一种可以创造增量的游戏。但是如果你的盈利完全来自于预测另外一个人什么时候买、什么时候卖，那么你赚的钱最终就来自另一个市场参与者的损失。把所有这类行为加在一起，投机本质上就是一个零和的体系；再加上交易成本、管理费用、税收以后，整体甚至会进一步变成负和。

这并不是说投机者在任何一段时间都一定赚不到钱。完全不是这个意思。市场里面当然可能有人连续很多年做得非常好，也有人可能长期处在另一边。但是从整个体系看，如果一个行为并没有创造企业利润，没有增加企业经济价值，而只是参与者之间重新分配筹码，那么最终不可能所有人都靠这个方式获得持续的财富增长。这个道理其实非常简单，但现实中反而经常被各种复杂的名词遮住。有些理论看上去很高级，过去可能讲 K 线，后来讲各种量化模型，再后来可以讲人工智能，但你最后还是要问那个最基本的问题：这套方法赚的钱到底来自哪里？如果主要来自预测其他参与者的短期动作，那么不管包装得多么复杂，本质仍然属于同一类游戏。

这一点为什么重要？因为一个真正的价值投资人进入市场以后，会面对极大的心理压力。你的交易对手绝不是格雷厄姆寓言里一个看上去有点可笑的“市场先生”，现实中的交易对手可能比你学历高，比你有钱，比你有经验，比你职位高，甚至在很长一段时间里，他的业绩都比你好。如果你没有把投资和投机这两个游戏在逻辑上彻底区分开，你就会不断怀疑自己：是不是别人知道的东西比我多？是不是别人赚钱就是别人更正确？是不是我没有参与某一轮上涨，就说明我错过了时代？

一个投资人最容易犯的错误之一，就是不断地觉得自己在“错过”。别人赚了一笔钱，自己没有参与，心理上就开始不舒服。市场不断上涨的时候，原来你认为不属于自己能力圈的东西，也突然变得好像可以理解了；市场不断下跌的时候，原来你已经研究了很多年的企业，又突然变得好像什么都不确定了。归根到底，这是因为你并没有真正站稳自己所玩的游戏。如果你的回报来自企业长期创造价值，那么你的判断体系应该围绕企业建立；如果你的回报来自下一位买家的行为，那当然就要每天研究别人。但是你不能嘴上说自己是投资者，心里却一直在等待市场替自己证明。

三、“市场先生”的真正意义，是让市场给你报价，而不是让市场替你思考

格雷厄姆讲“市场先生”，本来就是为了帮助投资人建立这样一种独立性。你可以把市场想象成一个每天都来敲门的人，他非常勤快，而且精力旺盛，每天都愿意给你报一个价格。有的时候他特别乐观，认为未来什么问题都不存在，于是愿意用非常高的价格买下你手里的资产；另外一些时候，他又会突然非常悲观，觉得未来没有希望，于是愿意用很低的价格把他的资产卖给你。你没有义务每天跟他交易，更没有义务每天接受他的判断。绝大部分时间，你完全可以不理他，只有当他的报价真正变得对你有利的时候，你才需要利用他。

但是这个概念一旦从教室进入现实，难度立刻增加。学生在课堂里听“市场先生”，觉得这是一个非常自然的道理；进入金融市场以后，周围的人却都是真实而具体的，而且常常看起来比自己更加成功。领导可能告诉你，市场已经证明你错了；同事可能因为买了另一类股票而短期获得很好的回报；新闻媒体也会不断把价格变化解释成某种必然的基本面事实。你如果长期处在这种环境里，而自己又没有真正建立独立判断，很容易慢慢把市场价格当成了价值本身，最后从“市场为我服务”变成“市场每天在给我上课”。

所以一个价值投资人必须真正理解，价格和价值是两个概念。价格是某一个时点上市场参与者共同作用形成的结果，价值则是一个企业未来能够创造的经济结果经过合理判断以后得到的估计。我们当然不可能精确知道价值，但不能因为无法精确知道，就把价格当成价值。反过来，如果一家企业的基本面没有发生实质变化，而你只是因为股价下跌就立刻改变自己对它的看法，那通常说明你原来的判断很可能就没有真正独立存在过。

当然，独立绝不等于固执。市场价格有时候可能是在提醒你某些自己没有看到的事实，所以你永远应该去检查自己的逻辑。但是检查逻辑和服从价格完全是两回事。真正的独立性不是“别人说什么我都不听”，而是无论别人说什么，你最终都回到事实和逻辑本身。如果别人提出了你没有考虑过的事实，你就应该认真修改自己的判断；如果只是因为别人比你有地位、比你赚钱多、市场价格和你相反，你就放弃原来的研究，那么你的所谓能力圈就没有真正建立起来。

四、能力圈最关键的不是大小，而是边界

如果一个人不想做投机，而是真正希望通过研究企业的基本面来投资，那么下一步一定会遇到能力圈的问题。什么叫我真正理解一家企业？我怎样知道自己是真的懂，而不是只是觉得自己懂？这可能是投资里面最难的问题之一，因为世界上最危险的无知，不是你知道自己不知道，而是你以为自己已经知道。

我对能力圈的理解，首先不是“你知道多少”，而是“你能不能清楚地画出边界”。任何一个人的知识都是有限的，能力圈当然也一定有限。如果一个人说自己什么行业都懂，什么生意都可以判断，那他大概率其实没有真正理解能力圈。真正的知识一定包含一个条件：你不仅要知道在什么情况下自己的判断成立，还要知道在什么情况下它会失败；不仅要知道为什么这个企业可能很好，还要知道什么事情出现以后，会证明你原来的理解是错误的。

我们做投资，本质上要对企业未来相当长时间的经济表现做判断。那什么才算比较接近“懂”？至少你应该能够回答很多基本问题：这个企业到底靠什么赚钱？客户为什么愿意购买它的产品？竞争对手为什么没有把它的利润抢走？这个行业的基本竞争规则是什么？资本在这里是怎么配置的？管理层到底起到多大作用？十年以后这个企业可能变成什么样？尤其重要的是，你能不能想清楚十年以后它最坏可能是什么样。如果我无法对一家公司的长期下行风险形成比较可靠的判断，我通常就不会轻易说自己真正懂这家公司。

很多人喜欢研究最好的情况，因为最好情况容易让人兴奋。但是投资首先是一个关于风险控制的活动。好的企业有时候会自己照顾好最好的一面，真正危险的是你没有看清最坏的一面。所以能力圈并不是一个鼓励自信的概念，恰恰相反，它首先要求谦卑。你知道得越多，往往越清楚世界上还有多少东西说不清楚。到最后你会发现，绝大多数企业其实你都没有办法真正预测，绝大多数技术变化也很难长期预测，很多今天看起来非常优秀的公司，其竞争优势并没有强到足以跨越很长时间。

我很喜欢芒格讲过的一个标准：如果我要拥有一个观点，我必须首先能够找到最聪明的反对者，并且能够把他的论证讲得足够好，甚至比他本人讲得还好，然后我才有资格真正拥有自己的观点。这个标准的实质就是知识上的诚实。你必须主动去寻找最强的反方，而不是只寻找支持自己的证据。人在心理上天然具有确认偏误，一旦喜欢上一家公司，就会自动多看好消息，少看坏消息；一旦买了股票，更容易把所有信息重新解释成有利于自己的故事。所以能力圈最终不只是知识问题，也是一种人格上的训练。

五、投资真正重要的不是懂得多，而是你真正懂的那一点不能错

世界上的上市公司非常多，如果把全球主要市场加在一起，大概有数以万计甚至十万量级的公司。一个投资人如果把目标设定为“我要全部了解”，从一开始方向就错了。你根本不需要了解所有企业。事实上，一个投资人一生真正需要做出的重大判断非常有限，在任何一个时期，真正值得你深入研究并且可能实际行动的企业，也许只有几家或者十几家。

因此，投资最重要的工作之一其实是做减法。这个行业我看不懂，可以放弃；那个技术变化太快，无法可靠预测，可以放弃；另外一家企业虽然很优秀，但是价格已经没有安全边际，也可以等待。一个投资人完全不需要因为错过了不属于自己的机会而焦虑。真正需要担心的是，当一个明确落在你能力圈里的机会出现时，你有没有把它搞错。

很多人进入投资行业以后会产生一种错误的竞争意识，好像知道得越多就越厉害。其实投资回报并不是知识竞赛。真正赚钱并不要求你在所有领域都比别人聪明，而是要求你在少数真正重要的判断上正确。如果一件事情已经超出了你的能力范围，不做判断往往就是最好的判断；如果一家公司变化太快，以至于十年以后几乎无法想象，那么无论这个故事今天有多吸引人，它也未必是适合你的投资对象。

这也是为什么我越来越愿意把时间集中到那些相对更加可预测的行业和企业里。时间越长，行业本身的基本特征往往比短期的管理技巧更重要。某些行业天然容易形成稳定竞争格局，某些行业则注定长期处在非常激烈的竞争里。比如餐馆，任何一个时期都可能有一批非常成功的餐馆，甚至在某个菜系里做到最好，但是过几年以后名单可能完全变了。这说明“今天很好”和“长期可预测”不是同一个概念。真正值得花大量时间研究的，是那些我们有可能在很长时间里理解其竞争规则，而且企业本身又确实长期显著优于同行的公司。

如果一家企业能够长期以远高于竞争者的资本回报率经营，同时竞争优势又能够维持，那么这个企业就开始变得非常有意思。这个时候，你的任务就不是每年重新找一个新的故事，而是理解为什么这种优势存在，它靠什么保护，这种优势有没有可能继续。一个优秀企业真正的价值，不只是它今天赚了多少钱，而是它能不能长期把资本以较高的回报率继续投入。只要这一点能够持续，时间就会开始变成你的朋友。

六、安全边际不是保守，而是承认我们永远无法准确预测未来

价值投资里面一个非常重要的概念是安全边际。为什么要有安全边际？因为我们的知识永远有限，而我们投资的又恰恰是未来。无论你研究得多深入，都不可能把未来所有变量算清楚。宏观经济会变化，竞争者会变化，技术会变化，管理层会变化，消费者也会变化。面对这种现实，投资人如果还要求自己做出精确预测，最后往往得到的就是精确的错误。

我早年有些投资，就是因为安全边际足够大，所以即使当时对企业本身理解得还非常有限，也敢于采取行动。有的公司账上实际拥有的资产价值明显高于当时整个公司的市场价值。在这种情况下，我甚至不需要对十年后的盈利能力有非常精确的判断，只要确认这些资产确实存在，企业本身并没有马上要毁掉的重大问题，价格本身就给了我很大保护。后来其中有些投资涨了很多倍，但实际上那并不说明我一开始就准确预测了所有事情，很多时候只是因为买得足够便宜，结果比原本能够合理期待的还要好。

安全边际真正告诉我们的，是要尊重自己的无知。你对未来越没有把握，价格就越需要给你保护；如果价格不能给你保护，你就必须对企业本身有非常高的确定性。当然，这两种确定性并不是完全割裂的。投资人早期可能更容易从资产价格的明显低估中寻找安全边际，随着对企业理解越来越深入，也会逐渐认识到，一个极其优秀、长期能够高回报再投资的企业，本身也可以创造另外一种安全边际，因为时间和企业的复利能力会不断替所有者工作。

但是无论哪一种情况，核心原则都一样：你必须为错误留出空间。投资永远不是证明自己聪明，而是在大量不确定中尽量避免永久性资本损失。我们真正应该追求的不是“任何情况下都不会错”，而是“即使某些判断错了，结果仍然能够承受”。这也是价值投资为什么可以长期生存的一个根本原因。

七、企业的护城河不能只看一个标签，真正重要的是竞争优势为什么可以持续

很多人研究企业的时候，很喜欢问一个标准化的问题：护城河到底是什么？是品牌，是管理层，是商业模式，是网络效应，还是成本优势？我越来越觉得，这个问题不能离开具体企业来抽象回答。每个行业的竞争优势来源都不同，而且不同时间尺度下，决定企业表现的因素也不一样。

如果你的时间尺度比较短，人当然非常重要。一家企业在创业早期、行业高速发展期，创始人和核心管理团队可能对企业价值产生极大的影响。优秀的企业家可以做出连续正确的决策，也可以吸引优秀人才，在不确定环境里不断改变组织。但是时间尺度越长，行业本身的结构往往越重要。一个再优秀的人，如果长期处在极差的商业环境、极差的行业结构里，也很难产生长期非常优秀的经济结果；反过来，有些企业即使管理者未必极其特殊，因为行业本身的条件很好，也可以获得相当不错的回报。

所以我不太愿意把护城河简单归纳为几个词。真正应该研究的是，为什么这家企业在竞争中能够长期获得高于同行的经济回报，而这个原因为什么没有被竞争者复制和消灭。品牌只有在能够转化为定价能力、客户忠诚或者更低获客成本的时候才有经济意义；规模只有在能够带来成本优势或者网络优势的时候才有价值；优秀管理层只有在他的能力可以真正转化为企业长期竞争优势时才重要。最后所有这些分析都必须落到一个非常具体的问题上：这种超额回报能够维持多久？

这也是为什么研究企业不能只研究财务报表。你必须了解管理层，也必须了解行业基本规则，还要了解竞争者、客户、供应商、资本需求、技术变化以及整个产业链上的经济关系。真正建立一个企业的能力圈，需要的信息非常多，而且最后你仍然可能得出一个结论：这个企业就是无法判断。接受这个结论很重要。投资里面一个非常大的进步，往往不是你增加了多少“可以买”的公司，而是你能够更加快速、更加有信心地把大量公司排除在自己的范围之外。

八、一个真正适合做价值投资的人，需要一种非常特殊的“品性”

巴菲特和芒格经常讲，投资成功最重要的并不是智商，而是 temperament。我一直觉得这个词中文很难完全准确地翻译，我自己更愿意叫它“品性”。这里面既有一些天生的性格，也有大量后天可以训练的东西。为什么投资需要这种特殊的品性？因为投资的工作环境和人的天性其实存在很大的冲突。

第一是独立性。你需要能够接受别人长时间不同意你。市场可能和你不同意，媒体不同意你，同事不同意你，客户甚至也不同意你。如果你的心理稳定必须建立在别人认同上，那么在市场里会非常困难。但这里再次要强调，独立不等于固执。独立是你最后服从事实和逻辑，而不是服从社会压力。如果事实改变了，你应该立刻改变；如果只是价格和情绪改变，而事实没有改变，你就不应该轻易被带走。

第二是耐心，而且是一种常人很难适应的耐心。真正好的机会很少。有些优秀投资人可以连续看一个领域几十年，在三十多年里面可能才真正遇到一次值得重仓行动的机会，之后又很多年没有第二次。但是他仍然会继续看、继续研究。机会不来的时候，完全可以什么都不做。这种状态对很多人其实非常难，因为金融行业的文化通常在奖励行动，每天都有人告诉你必须做点什么，必须产生交易，必须有观点。但真正的投资并不按照这种节奏发生。

第三是机会真正出现以后敢于行动。很多人能够长期观察，也能够讲出很多正确道理，但到了真正便宜、市场极度恐慌的时候，却没有办法把研究转化为行动。优秀投资人的品性非常特殊：在绝大部分时间里可以极其克制，在真正的机会出现时又可以突然变得非常果断。这两种特性看上去甚至有些矛盾，但投资真正需要的恰恰就是这种组合。你不能因为“长期主义”而永远不行动，也不能因为“果断”而每天交易。

第四是对商业有一种近乎本能的兴趣。有人把它叫 money sense，我觉得更准确地讲，就是你看到一个生意以后会自然地想知道，它到底怎么赚钱，为什么赚这个钱，为什么客户愿意买，为什么竞争对手没有把利润抢走。有这种兴趣的人不需要别人每天督促他研究，因为研究本身对他就有吸引力。没有这种兴趣，仅仅因为觉得投资行业收入比较高而进入，通常很难坚持几十年。你会发现，真正优秀的方向往往是兴趣和能力能够互相强化的地方。

九、知识上的诚实，比聪明更加稀缺

这些年我观察过很多很聪明的人，也见过很多人在投资上最后并不成功。聪明当然不是坏事，但聪明有一个很大的危险，就是一个人越聪明，越有能力为自己的错误制造出非常复杂的解释。真正难得的是知识上的诚实，也就是 intellectual honesty。

什么叫知识上的诚实？就是你愿不愿意不断问自己：我到底知道什么？我不知道什么？这个结论到底来自事实，还是来自我希望它是真的？如果明天出现什么事实，我会承认自己原来的判断错了？如果我无法回答这些问题，我其实还没有真正拥有这个观点。真正的研究不是证明自己对，而是尽可能快地发现自己可能错在哪里。

人在天生的心理结构上并不是为客观理性设计的。我们的大脑首先是自然选择的结果，它最重要的功能是帮助我们生存，而不是帮助我们在现代资本市场里做完全理性的概率判断。所以我们带着大量天然的心理倾向进入现代社会，会产生很多结构性的盲点。确认偏误、从众心理、损失厌恶、权威影响、自我服务偏误，这些东西并不会因为一个人学历高就自动消失。有时候，知识更多反而会让这些偏误变得更精巧，因为你拥有了更复杂的语言来合理化它们。

这就是为什么价值投资最终是一种持续的自我训练。你不仅是在研究企业，还要不断观察自己做判断的方式。为什么我突然喜欢上这个公司？是不是因为股价最近涨了？为什么我突然认为原来的风险没那么大？是不是因为我已经买进去了？为什么我对一个反方意见特别反感？是不是因为它触碰到了我已经投入很多时间和金钱的观点？这些问题如果长期认真问，慢慢会变成一种习惯。这个习惯不仅对投资有用，对一个人的一生都很重要。

十、学习没有神奇捷径，真正可靠的方法仍然是兴趣、科学方法和长期积累

有人会问，怎样学习才能形成所谓知识的复利？我自己的体会其实并没有什么特别神秘的方法。一个真正有用的知识，首先应该能够在相当程度上被事实和逻辑支持；其次，它应该具有比较强的解释力，能够帮助我们理解一些现实问题；最后，它最好还具备某种预测能力。按照这个标准，人类到目前为止最可靠的一类知识当然是科学知识。

但是投资有一个特殊问题：我们研究的大多数事情都和人有关。只要和人有关，结果通常就不会像物理实验一样给你一个高度确定的答案，而更多表现为一个概率分布。所以我一直觉得，统计思维在现实世界里非常重要。我们当然仍然应该使用科学方法，但是必须接受，最后很多时候只能得到一个“模糊的正确”，而不是一个“精确的答案”。投资里面最危险的一种幻觉，就是用大量数字制造出一种虚假的确定性。模型可以算到小数点后很多位，并不代表现实真的有那么精确。

所以在学习过程中，宁可接受模糊的正确，也不要沉迷于精确的错误。你应该不断寻找有解释力、有预测能力、能够被现实反复检验的知识，并且把这些知识慢慢连接起来。最开始的时候这种积累看不出太大效果，但是时间长了以后，不同学科、不同企业、不同时期得到的经验会开始互相印证，这时知识就真正产生复利。

另外一个非常重要的东西就是兴趣。一个人如果真正对一个问题有兴趣，他会在别人停止的时候继续往下想，在别人已经接受一个答案的时候再问一个“为什么”。这种差别一天两天看不出来，十年、二十年以后就会非常大。最容易形成长期竞争优势的地方，通常不是你被迫学习得最多的领域，而是你有兴趣到停不下来的领域。因为别人工作结束了，你仍然觉得这件事本身有意思，于是你自然积累得更深。

所以如果一定要让我总结学习方法，我还是会说：让兴趣引导你，用科学的方法检验你得到的认识，然后用知识上的诚实不断修正错误，一点一点积累。这个过程很慢，也没有任何捷径，但是到目前为止，这是我看到唯一真正可靠的方法。

十一、不要试图寻找一种统一的“优秀企业家人格”

投资人经常会问，我最看重企业家的什么品质。做商业和投资这么多年，我见过形形色色的企业家，最后反而越来越不愿意用一种标准人格去判断谁一定能够成功。市场经济最有意思的一个地方，就是它允许非常不同的人找到适合自己的位置。一个在普通社会环境里看上去很特别，甚至不太容易相处的人，在某一个商业环境里可能恰恰能够把自己的特殊能力发挥到极致。

所以我不会先建立一个所谓“伟大企业家的标准画像”，然后去市场里找符合这个画像的人。真正应该做的是从企业本身出发，研究为什么这个人能够建立出这样的组织，他的特点在这个组织里到底发挥了什么作用，他的缺点是不是被其他人或者制度弥补了。有的企业家并不喜欢管细节，却特别擅长找到优秀的人；有的人组织能力一般，但是对产品有极端敏锐的感觉；有人对成本极其敏感，有人擅长长期资本配置。不同企业所需要的能力组合完全不同。

这也是为什么企业分析必须具体情况具体分析。你不能因为一个企业家看上去符合某种传统意义上的“优秀人格”，就认为企业一定优秀；也不能因为一个人看上去不符合普通人的成功模板，就过早否定他。市场经济本身就是一个非常强大的筛选机制，它会让很多异质的人在不同领域寻找自己的 niche。作为投资人，我们真正要判断的，仍然是这种人与组织的组合能不能长期创造经济价值。

十二、普通投资者真正需要避免的，首先是被市场诱惑

并不是所有人都应该成为职业投资人。事实上，真正建立能力圈、长期研究企业，是一个需要大量时间和兴趣的工作。如果一个普通投资者不愿意花这么多时间，那么完全没有必要勉强自己做专业投资人的工作。对大多数人来说，更重要的可能是用一种可靠的方法保护并长期增加自己的财富。

如果一个经济体已经进入了可以持续累进增长的现代经济阶段，而且一个指数能够比较充分地代表这个经济体中主要企业的长期表现，那么长期指数投资本身就是一个很合理的选择。因为从整体上看，投机者的净结果最终彼此抵消，而指数长期获取的主要就是企业总体经济增长的结果。当然，这个结论有前提，就是经济体本身能够长期创造增长，而且指数具有足够代表性。

另外一种选择，是把资金交给真正优秀的投资人。但是选择优秀投资人本身并不容易。首先要判断他到底是投资者还是投机者；其次要看他有没有真正适合投资的品性；第三要看他是否在自己专业领域形成了深度，而且这种能力有没有经过足够长时间的实际业绩检验；还要看他的能力圈是否真实，以及他的激励机制是不是和投资人一致。真正长期而可验证的 track record 很重要，因为一个人讲一套非常漂亮的投资理论很容易，几十年把一套方法持续做出来要难得多。

普通投资者最应该避免的事情，往往是市场越热越想进去，市场越冷越想出来。人的天性在这方面几乎天然和正确的投资行为相反。价格上涨以后，我们觉得安全；价格暴跌以后，我们觉得危险。但如果企业本身的价值没有以同样的幅度变化，这种感觉恰恰可能把一个人带到最坏的交易位置。所以无论是指数投资，还是把钱交给真正可靠的专业投资人，最重要的一件事都是不要反复被市场情绪牵着走。

十三、价值投资不能脱离时代，但也不能退化成宏观预测

到了最近这些年，我对价值投资和时代之间的关系思考得越来越多。价值投资从方法上讲当然是自下而上的，我们从企业基本面开始。但是企业从来不生活在真空里。它必然存在于一个具体国家、一个具体制度、一个具体时代和具体的国际环境中，资本、技术、市场、贸易关系、社会治理和消费者信心的变化，最后都会以不同方式影响企业。

因此，当时代发生非常大的结构变化时，价值投资人不可能完全装作没有看到。过去几年，无论是中国内部的经济调整，还是全球政治经济环境，都出现了很多让人困惑的变化。就业、企业家信心、房地产、资本市场、消费、需求，以及主要国家之间的关系变化，都会让人自然地产生一个问题：我们过去理解的那些长期规律是不是还有效？企业未来还能够像过去一样创造价值吗？

要回答这些问题，我觉得必须把时间尺度再放长一些。过去几百年真正改变人类社会的一个根本现象，是现代科技和市场经济结合以后，经济开始出现持续的、累进的增长。在农业文明时代，一个社会最核心的经济资源是土地和人口，因为财富生产有非常明确的物理上限。在这样的世界里，一个群体获得更多财富，往往意味着另外一个群体失去土地和资源，所以长期的国际关系天然带有非常强烈的零和性质。

但是进入现代科技文明以后，情况发生了变化。经济增长越来越依赖知识、技术、资本、商品和服务之间的充分交换。商品与商品之间的交易可能形成一加一大于二，知识和思想之间的交流有时候甚至可能产生更大的增量。这个时候，一个社会真正重要的经济边界不再只是土地有多大，而是市场有多大，资本能不能流动，技术能不能交流，生产要素能不能以相对有效的方式配置。

从这个角度看，所谓现代化，不仅仅是造出了多少工厂或者拥有多少基础设施，而是整个经济系统是不是进入了一种可以持续产生福利增长的状态。如果技术进步和市场机制能够不断产生新的生产力，一个企业就有机会长期扩大价值，这也是价值投资能够长期成立的宏观基础。

十四、中国今天的困难，需要放到“工业起飞之后的转型”中理解

中国在过去四十多年经历了非常快速的经济变化。这种变化当然是历史性的，但是如果放到近代世界史里面看，一个后发国家完成最初工业化追赶时，三四十年的高速变化并不是完全没有先例。德国、日本、美国以及很多其他经济体，在不同历史时期都经历过非常快速的工业起飞。真正困难的地方往往出现在最初起飞完成以后，因为经济结构已经发生巨大变化，但社会治理、人的观念、制度安排和社会心理不会以同样的速度自动调整。

这个时候就会出现一个结构性落差。经济已经进入新的阶段，人们仍然可能沿用过去形成的很多观念；生产能力已经很强，但是需求结构、资本配置、社会保障、居民消费、企业信心未必同步完成转型；社会创造了大量储蓄，但这些储蓄是否能够真正有效转化为长期生产资本，又取决于金融体系和资本市场的成熟程度。很多所谓的“中等收入阶段问题”，其实都和这种转型有关。

所以对于今天中国遇到的困难，我认为既不能轻视，也没有必要把它理解为历史上完全不存在、无法理解的问题。一个价值投资人要尽可能把时间尺度拉长，既看到现实中的具体约束，也看到更长期的结构性力量。短期极度悲观和短期极度乐观，本质上都是一种容易被当下情绪绑架的状态。真正重要的是分析哪些问题是周期性的，哪些是结构性的，哪些制度安排正在发生变化，以及这些变化最后会怎样传导到具体企业。

这也是为什么宏观环境虽然重要，价值投资仍然必须回到企业。你很难准确预测十年以后所有国际关系，也很难预测每一项政策的精确路径。你真正能够做的是寻找那些在相当广泛的情形下仍然可以生存、适应和创造价值的企业，并且对那些自己无法预测的部分留出足够安全边际。如果一个投资最后完全建立在你精确预测某一次宏观事件之上，那实际上你已经把自己的成功建立在一个非常脆弱的条件上。

十五、现代资本市场真正提供的不只是钱，而是一套信用体系

我们今天谈资本市场，经常把它简单理解成融资工具，好像资本市场最大的功能只是给企业提供钱。但银行也可以提供钱，所以如果资本市场只有融资这一个功能，它的重要性就很难真正解释。现代资本市场更深层的功能，是建立一套能够把社会储蓄持续转化为生产资本的信用体系。

在这套体系里，企业家要有企业家的信用，投资人要有投资人的信用，连接储蓄者和投资者之间的各种中介机构也要有自己的信誉。一个普通储蓄者可能完全不懂某一家具体企业，但他可以通过一系列可信的制度安排，把自己很小的一部分储蓄投入到一个自己从未见过的企业里。无数小额储蓄汇集以后，形成巨大的资本力量，然后投入真正能够创造生产力的企业，企业创造利润以后，这些利润又重新回到资本所有者手里。整个过程之所以能够运转，关键不只是钱，而是信用。

这也是为什么我认为市场经济和价值投资之间存在非常深的关系。价值投资不是一个人在赌场里想办法从另外一个人手中拿走更多筹码，而是在一个有效市场经济体系里，把资本配置给真正能够创造价值的企业。如果你的判断是正确的，企业家得到了资本，企业发展了，员工和客户获得了价值，投资人也获得了回报，这本质上可以是一种多赢。

从这个意义上讲，投资人的信用本身就是一种非常重要的资产。一个投资机构如果不断改变自己的规则，只追逐短期流行的产品，最后连自己的真实长期业绩都说不清，那么投资人很难真正判断他到底创造了什么。长期资本真正需要的，是可验证的历史，是一致的行为，是在不同市场环境下仍然能够看出一个人到底按照什么原则行动。信用和知识一样，需要几十年积累，却可以在很短时间里毁掉。

十六、全球价值投资真正要解决的，是如何在变化的时代中寻找不变的经济规律

今天做全球价值投资，当然比过去面对更多复杂因素。不同国家之间的关系、贸易体系、技术管制、资本流动、产业链重构，都会影响企业价值。因此所谓“全球价值投资”，绝不意味着看到任何国家的便宜股票就可以买。你必须把政治、制度和社会环境看成企业基本面的组成部分，而不是一个完全独立的宏观话题。

但这并不意味着投资人应该把自己变成国际政治预测家。恰恰相反，价值投资真正重要的地方，是明确哪些事情无法预测。世界永远会出现意外，国际秩序也会不断变化。一个价值投资人的任务不是准确预测每一场风暴，而是尽量拥有那些能够穿越相当多风暴的资产，同时确保买入价格给自己留下足够空间。

所以做全球投资的时候，我仍然会回到那些最基本的问题：这个企业创造的产品或者服务是否真正有价值？它在竞争中的位置是什么？资本回报如何？这种回报来自什么？企业文化和治理是否可靠？所在国家的制度是否能够保护财产权和正常商业活动？资本是否能够正常进出？企业是否过度依赖某一种自己无法判断的政治条件？只有把这些问题一层一层弄清楚，所谓时代分析才真正落到了价值投资上。

十七、投资最终是一场不断“熵减”的求知过程

做投资这么多年以后，我越来越觉得，投资真正吸引我的，并不只是资本回报本身。世界上赚钱的方法很多，真正让我觉得这件事值得做一辈子的原因，是它迫使一个人不断追求真知。

现实的物理世界很多过程是熵增的，但是人有一个非常特殊的地方，就是我们可以通过学习不断增加有序的知识。一个人可以从完全无知开始，通过学习逐渐理解越来越多的规律；可以通过修养不断改变自己的品性；可以因为理解了一个新的科学原理而创造过去完全不存在的产品；也可以因为看懂了一家企业真正创造价值的方式，把资本配置给它，从而帮助一种新的生产力成长。

回过头来看，过去几十年里很多改变世界的东西，最初不过是少数人掌握的一点“小小的真知”。计算机、互联网、通信技术，最底层看起来都不过是一些非常基础的科学和工程原理，但是这些知识被不断组合以后，可以让整个世界发生不可想象的变化。投资人如果能够真正理解这些创造价值的过程，然后把资本配置到正确的方向，他得到的不只是自己的财富增长，也参与了社会生产力增加的过程。

所以我越来越觉得，价值投资真正的“正道”，本质上也是一种熵减的旅程。你不断减少自己的无知，不断修正自己的偏见，不断建立更加可靠的知识，同时把自己积累的资本配置给真正能够创造价值的人和企业。这个过程如果做对了，它可以是多赢的：企业获得资本，社会获得产品和服务，投资者获得长期回报，而你自己也因为这个过程变成一个比过去更加理性、更加诚实、知识更加丰富的人。

十八、真正属于一个投资人的机会，一生不会太多

投资时间越长，我越相信真正属于一个人的机会其实非常有限。金融市场每天都有无数价格变化，每一年都有新的热门行业、新的技术、新的叙事，但是大部分东西与你没有关系。你不需要抓住全部机会，也根本不可能抓住全部机会。

真正重要的是，你有没有逐渐形成一个真实的能力圈，并且在这个圈里保持长期观察。当机会没有出现的时候，你就读书、研究、思考，可以什么都不做；当一个企业真正进入你的能力圈，而且价格又给了足够安全边际的时候，你必须有能力识别它；而当这种极少数机会真正出现时，你又必须有足够的定力采取行动。

所以价值投资最后形成了一种非常不同的生活节奏。大部分时间很平淡，没有那么多戏剧性的变化。你每天做的事情是阅读，是观察，是和人交流，是修改自己的思维模型。也许很多年都没有一笔真正改变结果的投资。但是复利的特点本来就是这样：真正重要的结果常常来自少数几件事情，然后在很长时间里持续积累。

从这个意义上说，一个投资人不应该害怕无聊。很多时候，无聊本身就是正确状态。真正危险的反而是你每天都觉得必须做点事情，必须有一个新观点，必须证明自己一直在工作。市场不会因为你很勤奋地交易就奖励你，市场最终奖励的是正确判断和正确价格。

十九、知行合一，最终还是回到认识自己

价值投资讲到最后，其实越来越像一个关于人的问题。为什么同样的道理，有些人可以坚持，有些人不能？为什么同样研究一家公司，有些人可以在价格下跌时保持客观，有些人会陷入恐慌？为什么有人可以等待十年，有人十天不交易就很难受？这些区别最后都和一个人的兴趣、性格、知识结构、心理习惯以及价值观有关。

所以不是每一个人都一定适合做专业价值投资。一个人真正最容易成功的方向，往往是兴趣和能力能够结合的方向。如果你的兴趣根本不在商业和投资，完全没有必要因为听说某个行业挣钱多就强迫自己进入。这个世界永远有人赚得比你多，如果人生方向只由别人赚多少钱来决定，你会不停地改变自己，最后什么事情都很难做深。

如果一个人确实对商业有兴趣，也具备比较强的独立性，能够长期学习，愿意承认错误，能够忍受等待，而且在真正有把握的时候能够行动，那么价值投资可能是一个非常适合他的方向。但即使如此，这仍然是一个几十年的学习过程。能力圈不是一天建立起来的，品性也不是听完一场课就获得的。很多东西必须通过真实的投资、真实的错误、真实的市场波动，一点一点训练出来。

我自己到今天也仍然在这个过程中。做了这么多年投资，并不意味着我对所有问题都有答案，反而会越来越清楚自己的知识有多么有限。但也正因为如此，我越来越喜欢这件事情。因为每过几年回头看，你会发现自己真正学会了一些过去完全不知道的东西，过去一些模糊的认识慢慢变得清楚，一些曾经非常自信的判断又被证明其实并没有那么可靠。这种不断修正、不断积累的过程，本身就是投资最大的价值之一。

二十、结语：把时间留给真正值得复利的东西

如果让我今天重新总结价值投资，我仍然不会增加很多新的原则。股票代表企业所有权，市场为你服务而不是指导你，未来只能用概率来理解，因此必须保留安全边际；同时，一个人要用长期学习建立能力圈，并且只在真正理解的范围之内投资。这些原则过去有效，我相信以后也仍然会有意义。

真正改变的，是随着经验增加，你会越来越理解这些简单原则背后的分量。你会明白“股票是所有权”并不是一句定义，而是一种心理位置的改变；“市场先生”不是一句幽默的比喻，而是一个人能否保持独立性的考验；“安全边际”不是保守，而是承认人类知识有边界；“能力圈”不是炫耀你懂多少，而是清楚知道自己不知道什么；“品性”也不是一个漂亮的道德词汇，而是在几十年市场波动里，你到底能不能按照事实和逻辑生活。

时代当然会变化，而且有些时候变化得非常剧烈。但是从一个价值投资人的角度看，我们最需要做的，不是每天预测所有变化，而是不断寻找那些在变化之中仍然成立的经济规律。技术可以变化，行业可以变化，国际环境也可以变化，但长期创造价值、有效配置资本、保护财产权、建立信用、鼓励知识和生产要素充分交换，这些因素仍然决定着一个经济体和企业能不能持续发展。

最后，一个人真正能够形成复利的东西其实并不多。知识可以复利，信用可以复利，好的品性可以复利，优秀企业的资本回报也可以复利。真正值得做的事情，是把时间和精力放到这些能够长期积累的东西上，而不是每天被短期价格和情绪带走。

对我来说，价值投资最终已经不仅是一套投资方法。它更像是一种认识世界的方法，也是一种认识自己的方法。它要求你尊重事实，尊重概率，尊重常识，也尊重自己的无知；它要求你长期学习，又要求你接受大部分时间什么都不用做；它要求你有自己的判断，同时又随时准备在新事实出现时承认自己错了。

如果一个人能够把这些事情真正做一辈子，我想，即使最后没有成为一个职业投资人，他得到的也不会只是怎样买股票。因为追求真知本身可以改变生活，长期积累本身可以改变命运，而一个越来越理性、越来越诚实、越来越了解自己边界的人，无论最终从事什么职业，大概率都会拥有一个更加完整的人生。

华泰期货子

问项目的技术问题
问随机分析，如随机积分、二次变差
最后一个领导问很多为什么选这个方向，不选别的方向

转正已发

说是记录，但由于券商系大多是恶心的转正实习 offer（连相关科技公司同余信科都要），估计没什么内容

一段场外衍生品实习

并非懂气候，实乃业余小爱好😁

---

受台风白海豚影响，上海徐家汇站24小时内测得316mm雨量，打破当地气象观测记录。

不知道门友的上海交大有没有变成海上交大？

今天继续摆烂库库，发个之前的沙拉😼

今天没做什么，发个之前的🤤

江江！奶汁三文鱼🐟以及奶香土豆泥🥔
库库库，又香又甜好吃死啦

不知道发些什么
最近因为在忙别的事 所以也没有阅读 唉

鹅肉饭好吃😋
最喜欢的鹅肉制品是扬州的盐水鹅和潮汕卤水鹅肉

昨天第一次观到了伯劳
以及 喜欢绣球的颜色🥰

手机端传图片好慢，试试这边：

西安这一周以来天天35°C+，即使中间有个晚上下了暴雨
没带伞的我在实验室被堵到4点钟

今天早上起来看到是高温红色预警，下午又来了暴雨大风黄色预警

东南沿海最近都在讨论台风
不知道门友所在地的天气如何？

西安市区依旧高于往年均值6°C左右

➕️1

延续去年的天气帖【2025 年春夏】气象实况追踪帖（土塬分帖）, 本贴讨论和记录此次极端 El Niño 事件从发展到消亡全过程的气象报告, 以及身边的天气事件和过程.

以下转自知乎答主 @等风 的想法:

针对今年年底的厄尔尼诺事件，目前大多数预报模式都给出了其远远超出了现代观测史上所有厄尔尼诺事件的强度，这可能是一次改写历史记录的事件，其潜在的能量释放和气候影响力可能是史无前例的。人类有系统观测ENSO（厄尔尼诺-南方涛动）现象以来，从未记录过Niño3.4指数达到+3°C以上的事件，然而预测模型居然能有一些成员报出+4℃以上的极端情况，本次厄尔尼诺事件如果按照预期发展，将使得我们进入一个完全没有历史先例可循的未知气候领域，其极端性可能超出所有现有认知。如此强度的暖水集中在热带太平洋，甚至有机会重构全球大气环流，导致沃克环流、哈德利环流等发生剧烈变化，引爆的匪夷所思的全球天气，颤抖吧人类。

中立混乱之
ENSO循环也是一种蒸汽波

这张图表达了🐭和🐱快乐生活。
鼠鼠何时才能迎来把我叼走的小猫😭

自主
可控
国产
安可替代（AKTD）
信创改造（XC改造）

同学实习日薪也被AI带到了四位数，羡慕

身边统计学，我的同学们总的来说是很好的人，素质比社会平均水准高很多。

毕业倒计时8天（20260616）
p1：昨天在主楼平台拍抽象毕业照，被路人拍到。

昨天中午我在朋友圈发完豆包小视频之后，分别有两个同学告诉我，在各自的小群里看见我了。🤣
说到我（豆包）头上的小红帽，本来我们预定的是 Make XJTU Great Again，谁知道发来了个 Make SJTU Great Again，但校徽是西交的。😇 啥时候两校能合并啊？Make JiaoTong Great Again！😡👊🏻
后续是商家承诺再做一套帽子补发，但是不知道啥时候能到，所以我们就先用MSGA了，找找角度可以不漏出来S

p2-p4：与同门找导师在论文提交意见书上签字，并在数学楼前合影。（就不在这里放合影了）
p5：班主任老师带着吃东北铁锅炖，边上的烤馍真好吃！😋

p6、p7：真成xhs大V了，也是让我蹭到西交官号了。😎

又睡不着了
最近状态又差下去了，感觉干什么效率都奇低
好吧似乎只有学某学科
但是学就学呗 为什么又会陷入难以启动的状态呢

一方面最近天天熬夜我感觉整个人的精神状态也不好 我还是适合早睡晚起的。

一方面真的很逃避，明明不会怎么样的。我感觉我太容易被花花世界迷了眼。世界太大了，很多东西都是我感兴趣的。比如我最近开始学水彩/又想继续德语学习……我在试图找别的东西塞满我的时间然后给自己一个合理的解释：因为我做别的了所以我没有完成。
我想到了我高中的时候，也陷入了这种逃避之中。
我觉得无机相对而言更偏背诵有机的逻辑性更强
写有机有一种画画&做逻辑题的优雅感
综上所述 我更喜欢有机
于是那段时间我一直逃避做无机，天天看有机书琢磨反应机理。一开始是好的，我感觉到我的进步很快但之后就是卡在我只想做有机。
我还问过当时的教练怎么办。他说那这段时间就做有机。但是他不知道的是其实我和他讲的时候已经学了一个月的有机，我的问题不是做有机好不好而是我无法启动学无机。但我当时没注意到这个点。而且我的心智未开没什么自己的判断，别人说什么那就是什么。加上我很相信那个教练。所以我仿佛被打了鸡血一样继续学有机去。
联想到高中，还是高中的生活特殊些。不继续联想了。

一方面越接近ddl我越紧张，越紧张我更加难以启动（有种世界毁灭吧的疯感
现在完全是负面的正反馈发力

明天试试早起

之前爆火的F同学事件让我意识到原来报暑校获得学校推荐也是优秀的一种证明。因为我一直认为国内的暑校本质是收学费来圈钱的。参不参与本质上是个人的选择问题。

又是一周
这里已经变成为我日记本一样的地方。每次我想半夜来写点东西似乎都会遇到维护，就很难受地忍受自己的倾诉欲，就像我想吐，却没有垃圾桶之类的容器，于是一直含着。
也许个人网站的进度该推一推了。
但是现在还有很多作业没做，还有学长给我画的饼。还有一些很好机会的面试我不想错过。
我要加油！一直像八爪鱼一样试图抓住所有机会。

10天没有来到这里了。

这10天我在高强度做学生工作，琐碎繁杂，还有很多特殊情况。因为我感觉到最近自己的记忆在愈发变差，于是在这里记一记。

我发现我性子也许确实太软了。有人暗戳戳骂我审美差我没看出来；有人当面说我穿得像睡衣，我也一笑而过（并非过，而是觉得他有些攻击性而诧异）；团队里的人没时间做，作为负责人的我第一反应是改变自己花时间去学东西然后把东西做好，也不会责怪任何人。
我希望大部分我喜欢的人都能喜欢我，对陌生人也都会释放善意和温和。对于回击呢？我不屑于暗戳戳给别人使绊子，不屑于背地里讲别人坏话，不屑于拉帮结派。面对轻微的恶意，我目前的解决方法只有躲，没有触及底线问题的恶意只能说明我们不是一路人，之后自然会渐行渐远，我甚至没必要为此生气。因为以后必然是陌生人连朋友都不会是。
我不知道我这种解决方法是不是太过于书卷气甚至理想主义，像是孔乙己的长衫穿上了就难以脱掉。
文明真的比野蛮要高级吗？我这种想法真的不是一种自我麻痹的想法吗？我用“想”麻痹自己，因为自己受到了这些微妙的“做”中的影响。
我突然有种觉得自己之前的想法也不全对，太过理想主义，如果真的遇上坏人只会被欺负。
我应该如何调整自己的想法呢？
我有种我的观点想法在波浪中前进螺旋式上升的实感。每次波动的过程，都会带来一个自己更想要的自己。

不错的帖子：关于中科大近年来的硕博数据，以及我为什么宣扬实习大于保研 - 南七茶馆

最近在玩兵棋类的手游，对战役感兴趣，找了本关于勒热夫战役的专著看。大概名字是《绞肉机:勒热夫突出部》。