有网友回测了我的策略,当然并不非常严谨。。其实这个策略还有一些细节的地方,有很多可以调节的微操,当然最后这个微操能提高多少不好说,会把简单的东西复杂化,我会在股东大会上详细讲。有些网友说我这个策略肯定是要大亏的,房价都跌了,策略执行100年,肯定会亏一年的。问题是我这个就执行明年一年,也是根据现在SPY,QQQ收益收紧的前提下,执行的相对保守的策略,为什么一定要执行100年呢?这么保守都亏的话,其他还不更容易亏?还有就是说我今年没跑赢大盘收益率,有什么好吹的,我今年确实都是轻仓跑下来的,虽然没跑赢大盘,但是还算比较稳健,这个策略也需要在实践中打磨,没跑赢大盘不是很正常嘛?跑赢理财就可以了啊。。
“不交社保公司也不会把这些钱发给你!”“社保是国家强制公司给我们发的福利!!”
@战甲装研菌
这个问题我以前说过,全国很多三线城市去过,就发现社保率低的吓人。而且你给员工上社保他们也不愿意,主要是收入本来就低,勉强维持,如果社保再扣钱,就真的只能吃饭了。还有一个办法就是像我一样,社保公司全部承担。但是说实话,负担很重,不知道别的地方,我这里一个员工公司最低要承担2600。现在全国内卷,市场通缩,很多中小企业真的在勉强维持。如果真的要求社保规范化,很多小老板直接不干了是可以预见的。肯定有人说不干了就不干了呗,但这些千万小企业虽然纳不了多少税,但却是提供就业的主力军,让大众有一个基本收入,经济循环起来,市场经济必不可少一环。怎么办?我认为应该是立刻停止内卷化,遏制经济通缩。先从打击头部带货直播,个仅退款造成的风气开始,到了下重药的时候了。
让蚊子能认出中国人还多少有那么点可能。但要让蚊子能飞过太平洋可能需要改写一些物理学定律。//@西雅图黄都督:生物多样性//@程序员邹欣://@疾风雅子:其实相信这些信息的人,底层逻辑是“选择相信自己需要的东西(含精神层面)”,即便这些看起来有点降智,就像老年人买保健品,底层逻辑是希望长命百岁一样
@邵逸凡Yifan
2022年的时候,一个身边的朋友给我转发了一篇豆瓣,大概说的是病毒是美国人发明的,还培育了一批蚊子,飞跃太平洋专咬中国人。我问她:蚊子怎么判断是不是中国人?蚊子会看护照吗?她觉得我有点杠精,不太高兴。我又问:你为什么觉得这个说法有道理呢?她说:中国不好获益最大的难道不是美国吗?持续了几十年的信息差具像化了。
AI 的下半场,拼的不是谁的模型更‘博学’,而是谁能更早地进入真实世界去‘干活’。劳动力替代,才是 AI 真正的第一性原理。 现在单项数据的专业化程度要求越来越高的,我们已经深刻感受到了。//@罗成cluo9:转发
@唐杰THU
最近的一些感悟,分享一下,希望对大家有用。-预训练使得大模型已经掌握世界常识知识,并且具备简单推理能力。更多数据、更大参数和更饱和的计算仍然是scaling基座模型最高效的办法。-激活对齐和增强推理能力,尤其是激活更全面的长尾能力是保证模型效果的另一关键,通用benchmark的出现一方面评测了模型通用效果,但也可能使得很多模型过拟合。真实场景下是如何让模型更快、更好的对齐长尾的真实场景,增强实际体感。mid和post training使得更多场景的快速对齐和强推理能力成为可能。-agent是模型能力扩展的一个里程碑,也是体现ai模型进入人类真实(虚拟/物理)世界的关键。没有agent能力,大模型将停留在(理论学习)阶段,就类似一个人不断学习,哪怕学习到博士,也只是知识积累,还没有转化为生产力。原来的agent是通过模型应用来实现,现在模型已经可以直接将agent数据集成到训练过程,增强了模型的通用性,其实难题还是不同agent环境的泛化和迁移并不是那么容易,因此最简单办法也只有不断增加不同agent环境的数据和针对不同环境的强化学习。-实现模型记忆成为一个必须做的事情,这也是一个模型应用到真实环境必须有的能力。人类记忆分为短期(前额叶)、中期(海马体)、长期(分布式大脑皮层)、人类历史(wiki或史书)四个阶段。大模型如何实现不同阶段的记忆是个关键,context、rag、模型参数可能分别对应了人类的不同记忆阶段,但如何实现是个关键,一种办法是压缩记忆,简单存在context,如果大模型可以支持足够长的context,那基本有可能实现短中长期的记忆。但如何迭代模型知识,更改模型参数这还是个难题。-在线学习与自我评估。有了记忆机理,在线学习成为一个重点,目前的大模型定时重新训练,这有几个问题:模型无法真正的自我迭代,但模型的自学习自迭代一定会是下一个阶段必然具有的能力;重新训练还比较浪费,同时也会丢掉很多交互数据。因此如何实现在线学习是个关键,自我评估是在线学习的一个关键点,要想模型自我学习,模型首先要知道自己对还是不对,如果知道了(哪怕概率知道)模型就知道了优化目标,能够自我改进。因此构建模型自我评价机制是个难题。这也可能是下一个scaling范式。continual learning/real time learning/online learning?-最后,大模型的发展越来越端到端,不可避免的要把模型研发和模型应用结合起来。ai模型应用的第一性不应该是创造新的app,他的本质是agi替代人类工作,因此研发替代不同工种的ai是应用的关键。chat部分替代了搜索,部分其实融合了情感交互。明年将是ai替代不同工种的爆发年。-写在最后的是多模态和具身。多模态肯定是个未来也很有前景,当下的问题是多模态不大能帮助到agi的智能上界,而通用agi的智能上界到底在哪儿还不知道。可能最有效的方式还是分开发展,文本、多模态、多模态生成。当然适度的探索这三者的结合肯定能发现一些很不一样的能力,这需要勇气和雄厚的资本支持。同理,如果看懂了agent就知道具身的痛在哪里了,太难通用了(也不一定),但至少少样本去激活通用具身能力基本不可能。那怎么办呢,采数据,或者合成数据,都不是那么容易,也贵。但反之一旦数据规模上去了,通用能力出来了自然会形成门槛。当然这只是智能方面的难题,对于具身,机器人本身也是个问题,不稳定,故障频繁都限制了具身智能的发展。2026年这些都将取得长足进步。-也讨论一下领域大模型和大模型应用。我一直认为领域大模型就是个伪命题,都agi了哪有什么domain-specific agi……但,agi还没实现,领域模型会长时间存在(多长,不好说,ai发展实在太快了)。领域模型的存在本质上是应用企业不愿意在ai企业面前认输,希望构建领域know how的护城河,不希望ai入侵,希望把ai驯化为工具。而ai的本质是海啸,走到哪里都将一切卷了进去,一定有一些领域公司走出护城河,自然就卷进了agi的世界。简而言之,领域的数据、流程、agent数据慢慢的都会进入主模型。而大模型的应用也要回到第一性原理,ai不需要创建新的应用。ai的本质是模拟人或者代替人或者帮助人实现人类的某些必须要做到事(某些工种)。可能就是两种,一种就是ai化以前的软件,原来需要人参与的改成ai,另一种就是创造对齐人类某个工种的ai软件,替代人类工作。所以大模型应用需要帮助到人、创造新的价值。如果做一个ai软件没人用,不能产生价值,那这个ai软件肯定没有生命力。
我来预测一下明年10大明星AI企业吧。我们2027年再回头看。。1)英伟达 理由:Blackwell 统治力 + Rubin 预期(从“卖芯片”转向“卖系统(GB200/300 柜机)),并且 TPU短板补齐2)博通 理由:TPU芯片,OpenAI,Meta等大厂的持续使用,增加谷歌云的采购,博通在 SerDes 和高带宽交换芯片上的近乎垄断地位不可替代3)谷歌 理由:更强大的AI模型,和更好的广告展示策略,谷歌云高速增长,预计 AI 代理 (AI Agents) 将在 2026 年成为谷歌云营收的第二曲线。4)GEV 理由:电力服务的加快履约5)美光 理由:更廉价的AI内存SOCAMM,Rubin 架构平台的首家 SOCAMM 供应商。6)高通 理由:AI在移动设备上的大规模应用。边缘 AI (Edge AI) 爆发。当大模型小型化完成,手机和 PC 端的 NPU 性能将决定换机潮。Snapdragon 8 Gen 5 将是首个大规模跑通端侧推理的芯片。7)苹果 理由:折叠屏手机带来的大规模换代。虽然 AI 模型不是最强的,但它是全球最强的“AI 变现漏斗”。8)微软 理由:稳健的财务数据。Azure 在 2025 年承受了巨大的基建开支压力,2026 年随着 AI 应用渗透率提高,财报将从“投入期”进入“利润释放期”。9)baba 理由:阿里云超过37%的增速。BABA 的估值目前仍远低于美股同行,具有极高的安全边际。X)特斯拉 理由:RobotTaxi的爆发。特斯拉是 AI 领域最大的“期权”,一旦监管落地,估值将完全脱离制造业。