最近，完成了述职，感觉稍微空一点，又开始折腾笔记软件了。
过去半年，我执着于寻找「完美方案」。Obsidian 的稳定性与开放性确实满足了我的基础需求。但当我将「管理混乱」归咎于工具时，却忽略了更本质的真相：「工具的价值，在于它是否能延伸你的行动力。」（彼得·德鲁克语）
重读《原则》《终身成长》时，我试图将 PMK（个人管理知识体系）、PDCA（计划 - 执行 - 检查 - 行动循环）等方法论融入日常，却发现它们如同精致的瓷器——「过于完美的系统，往往经不起现实的磕碰。」 当系统与个人节奏、认知成本产生冲突时，工具反而成了束缚行动的绳索。
因此我设计了 「PDAA 循环」问题驱动行动系统 （Problem-Define-Act-Adapt，简称 PDAA）
Ray Dalio 认为，美国未来五年将面临国内极化、AI 竞赛加速与全球秩序瓦解的挑战。贫富差距、教育鸿沟和党派对立可能导致社会进一步撕裂，而 AI 技术的发展虽提升经济效率，却也带来更大不平等和治理难题。全球 AI 竞争缺乏统一协调机制，中美在该领域各有优势，但仍存技术扩散与地缘冲突的风险。Dalio 强调，人类需通过社区建设、教育改革和价值观引导，让科技服务于共同福祉，以避免社会陷入失序。
桥水达利欧：美国分裂、AI竞赛、全球失序，未来五年将如何演变?
DeepSeek、千问和 O3 背后的推理语言模型（RLM）融合大型语言模型的广度、强化学习的探索深度以及高性能计算的强大算力，实现从简单预测到系统化推理的跃迁。RLM 由推理、训练、数据生成三大流程构成，并结合树状结构和蒙特卡洛搜索优化决策路径。其模块化蓝图降低了研发门槛，推动学术与应用创新，同时提供实验框架「x1」，支持快速原型设计，帮助开发者构建适用于不同场景的智能推理系统。
推理模型创新大爆发，DeepSeek、千问、O3 背后的基础技术科普
AI 的普及正在降低技术门槛，使更多人能接触到前沿科技，实现表面上的机会均等。然而，这种平权并不意味着公平，反而可能加剧资源集中效应，使强者更强，形成新的「马太效应」。AI 在教育、创意、医疗等领域带来革命性变革，同时也让传统学科和职业的价值受到挑战。面对这一变革，人类需要培养批判性思维、同理心等 AI 难以取代的能力，避免盲目依赖技术，从而在智能时代保持核心竞争力。
Grok-3 凭借数学领域 87.2% 的准确率（较 GPT-5 提升 23%）、代码生成 Benchmark 92.4 分的成绩，刷新了 AGI 领域的性能天花板。其独创的神经架构搜索技术，使模型参数量突破 2 万亿仍保持高效推理能力。值得注意的是，Chatbot Arena 竞技场中用户自发测试的 1.3 万组对话数据显示，其多轮对话连贯性得分达 4.81/5.0（行业均值 3.92）。
闭源策略虽加速技术迭代，但可能加剧行业马太效应，中小开发者更需关注开源生态建设。
DeepSeek 对数据标注极为重视，甚至传闻创始人梁文锋也亲自参与。AI 领域除了算法和技术，数据的精准度至关重要。特斯拉在标注方面的投入是中国自动驾驶行业的 20 倍，他们的策略是寻找驾驶经验丰富的人进行标注，从而优化自动驾驶能力。而在机器人训练中，特斯拉挑选小脑健康的人来标注动作，确保机器人的动作更加丝滑。DeepSeek 在数据标注上的精细化投入，正是其模型效率出色的关键。
86 条 DeepSeek 的关键思考 ｜Best Ideas 开源
在模型的预训练阶段，Scaling Laws 的效果确实有所放缓，但在后训练和多模态模型的场景下，数据的 Scaling 仍然有显著的提升空间。有研究员从 Scaling 的原理出发，认为模型在第一阶段的性能提升依赖于从小模型到大模型的「非线性到线性」转变。然而，当模型已经足够大时，这种转变的效果难以预测，预训练的效果可能会趋于瓶颈。尽管如此，研究员们并不认为预训练的 Scaling Laws 已经完全结束，尤其是在多模态模型中，数据的 Scaling Laws 仍有许多未被探索的领域。目前，许多公司选择大力投入后训练，主要是出于性价比的考虑。
干货分享：一场OpenAI、NVIDIA、Anthropic、Google研究员的新年硬核聊天
2024 年，我停下了许多事情。停更了 newsletter，本以为可以更自由地安排时间，可是没有了催更的压力，反而觉得自己越来越没有动力输出。那个一度满怀热情想要分享一些想法的自己，似乎已经消失了。取而代之的，是一个安静得像是消失在世界角落的人。
这年，周末几乎都花在了陪伴孩子上。和他一起玩耍、兜风、探园，看着他一点一点长大，心中满是感动。看着他成长，就像在看一部电影，剧情的每一个转折都深深牵动着我。
家庭的责任感也越来越强烈。外婆摔倒了，需要做手术，父母也渐渐进入了 60 岁的年龄，依然在为我分担一些生活的重担。随着他们年龄的增长，我开始越来越意识到，自己不只是孩子的父亲，也在慢慢变成父母的依靠。这个变化让我有些无奈，也有些感慨。时间，似乎在不经意间悄悄带走了他们的青春，而我，正在经历着父母曾经经历过的转变。
这一年，我也试着做一些新的尝试。留了个小辫子，像是与年轻时的自己打个招呼；买了些寄居蟹，给它们搭了一个小小的生态圈，花心思照顾它们；年末开始健身，希望通过改变身体，能让生活变得更有层次感。虽然大多数时间的日子依旧平淡，但这些小小的波澜，却给了我一些意外的乐趣。
英伟达（NVIDIA）的股价屡创新高，其市值在短短几年内相继突破了 1 万亿、2 万亿，直至目前的 3.2 万亿美元大关。这家以 GPU 起家的公司在人工智能领域正发挥着越来越重要的基础设施作用。
回顾英伟达的发展历程，可以发现它几乎与 GPU 技术的发展同步。作为图形处理器的领头羊，英伟达通过不断创新和升级，推动了 GPU 从专业图形显示向计算领域的拓展。尤其是在 AI 技术突飞猛进的背景下，GPU 的高性能并行计算能力为深度学习提供了坚实的支撑，使得英伟达成为这一领域不可或缺的角色。
GPU，即图形处理器（Graphics Processing Unit），最早诞生于 20 世纪 90 年代初。随着计算机技术的飞速发展，游戏行业开始从 2D 向 3D 转变。相比 2D 游戏，3D 游戏能够提供更加逼真的体验，但也对计算能力提出了更高的要求。为此，GPU 被发明出来，用于专门处理图形计算任务，以减轻 CPU 的负担。
在当今的科技时代，人工智能（AI）的迅猛发展重新定义了我们学习、工作和生活的方式。AI 不仅帮助我们提高效率，还成为我们思维的伙伴，指导我们激发潜能，尤其是像 ChatGPT 这样的工具，能够帮助我们充分发挥人类的潜力。
**大脑不应该简单地被当作一个信息储存库。**人类大脑的独特之处在于它能够进行复杂的推理、情感理解和创造性思维，这远超出信息存储的功能。仅将大脑视作存储工具，忽略了它在生成新思维、发现创新解决方案以及应对变化中的挑战方面的卓越能力。事实上，过于强调记忆信息，可能会限制我们的创新潜能，因为我们的认知资源可能被用于记住信息而不是处理和应用知识。大脑的真正价值在于将信息转化为洞见，创造出全新的想法和解决方案。
AI，特别是如 ChatGPT 一样的生成模型，能够在这个过程中扮演关键角色。AI 不仅能帮助我们获取信息，还能通过工具化的信息整理和多角度观点的提供，帮助我们理清思路，从而激发新的创意。这种协助让我们能够将精力放在创新和复杂问题的解决上，而不是简单的记忆和信息的回避。
在实践中，实现这种 AI 与人类思维的协同作用，可以采用费曼学习法。费曼学习法由著名物理学家理查德·费曼提出，其核心思想是通过讲述来巩固理解。简单而言，如果你不能用简明的语言解释你所学的内容，那么你并不真正理解它。当我们结合 AI 工具如 ChatGPT 时，相当于与一个始终客观且可以互动的「伙伴」进行交流。通过这样的讲述与即时反馈系统，我们可以不断校正和加深自己的理解，同时使得学习过程更具互动性和趣味性。
在日常生活中，我习惯订阅大量的 RSS、Newsletter 等信息源，每天上班前的第一件事便是浏览这些订阅内容。随着订阅的数量增加，我逐渐发现信息量的增长与实际获取的有效信息并不成正比。
很多内容当下似乎有用，但收藏后却往往再也不会打开。这让我陷入思考：我们的阅读方式究竟应该「广泛获取信息」还是「按需深入查找」？
为了更好地理解这个问题，我参考了几位知名学者的策略，他们在广泛信息与按需查找方面各有独到的见解：
查理·芒格（Charlie Munger）——广泛阅读 + 适时深入
芒格提倡「好奇心驱动的广泛阅读」，他涉猎广泛，从心理学到历史、经济学、法律等多个领域。这种广泛积累让他在不同学科中找到普遍规律。但他也强调在关键问题上要深入挖掘。因此，这种方法适合对跨学科有兴趣、需要多维度思考的工作者。
理查德·费曼（Richard Feynman）——问题导向的学习
费曼的学习方法以「好奇和问题驱动」为核心。他通常不会无目的地泛读，而是带着明确的问题去学习，这种策略让他能够深入理解复杂内容，并通过「费曼技巧」内化知识。这种方法适合在有具体问题时深入探究的学习者。
彼得·德鲁克（Peter Drucker）——高价值信息过滤
德鲁克认为信息过载已成常态，真正有用的内容却凤毛麟角。因此他主张严格筛选信息源，只关注对自己价值较高的内容。这种方法适合需要在特定领域内深耕的学习者，避免信息过多干扰核心工作。
蒂姆·费里斯（Tim Ferriss）——及时学习法（Just in Time Learning）
Tim Ferriss 倡导「及时学习」，即在特定需求时才专注学习相关内容，避免为不必要的阅读消耗精力。这种策略帮助他在学习过程中保持目标明确、提高效率，避免认知负担过重。
卡尔·波普尔（Karl Popper）——围绕核心问题筛选信息
波普尔在构建理论时，以问题为核心筛选信息。他认为科学家应围绕关键问题展开深度分析，而不是追逐所有信息。应用在阅读上，可以通过设定核心问题或主题，从而将精力集中在最相关的内容上。
加缪（Albert Camus）与纳博科夫（Vladimir Nabokov）——内在需求驱动的深度阅读
加缪和纳博科夫的阅读方式不同于一般的广泛信息获取，而是基于兴趣和内在需求，深入研究特定主题。他们倾向于重读对自己有深刻启发的作品，这种方式不仅帮助增强记忆，还能形成更加深入的见解。