想知道谁在裸泳吗?
我开始服用控制 ADHD 症状的药物了。目前吃的是一个在中国大陆买不到的药，叫 Vyvanse（唯稳思，APO-LISDEXAMFETAMINE CAPSULES ），香港可以吃到，但是台湾和澳门没这个药。不过地方法律不一样，有些地方你带着医师处方签是可以把药带到境内的。它的成分是一种被修饰过的安非他命，比较接近于缓释版本的冰毒。但你不需要因为它名字里有安非他命就抵触，一方面抛开剂量谈毒性全都是耍流氓，另外一方面有效成分的分子结构被修饰过，这些成分需要在血液里处理一下才能到脑子里，不会非常快速地让头上头、让人特别快乐。它是一种缓释、持久的版本的中枢神经兴奋剂，和毒品还是不太一样的。
值得注意的一点是，无论是中国大陆还是台湾，这个药都没有被 Approve，可能会出现无法入关或者被罚钱的问题。如果要带药回国的话请注意查一下，或者临时跟医生把药方换了，换成专注达。
= 为何用药
我一直以来对药蛮抵触的。身边很多人吃完这个药之后会有一种欣快感。这种感觉跟喝高了或者吸嗨了不一样，有朋友把它描述成“我能打十个”、很 energetic 的状态。我对这个事情感到不安，会觉得怪怪的，有一种自己不再是自己的感觉。
但是期末这段时间事情实在太多，叠上各种杂事让整个生活完全没办法被管理，并且造成了一些糟糕的结果。持续性的拖沓搞得生活一塌糊涂，每天睡觉之前都会 question my life。这对我来讲是一种危机状态，我认为必须要通过外在手段来处理了，于是就去校医院开始寻求帮助。
= 诊疗与评估过程
学校接待处跟我说 ADHD 的处理比较复杂，需要先过 Mental Health Clinic（精神健康门诊）后面还需要反复跑好多次的回诊。
第一次跟学校全职的 Mental Health Clinic 医师沟通是，我把在中国做的那份 ADHD assessment 拿过去。对方看了一下，跟我说这个诊断非常有帮助，并且征求我的同意，把把资料复印走，并问了我很多问题。医师开篇咨询了个人健康状况以及潜在的家族病史，询问是否有心脏病、高血压或精神分裂症的家族病史。
另外，虽然已经有了之前的 ADHD 评估，但医师还是对我做了一次独立的 ADHD 的访谈评估，跟之前在北京安定医院的病历做了对照。对方表示我适合用药，会将我转给学校的 NP 去讨论用药方案。
学校的精神健康门诊只负责做 assessment 和谈心理健康的东西，本身并不开药。同时，他也提供了很多学校里的免费资源：如果移民或留学生身份有问题，可以找留学生部门；如果有心理健康 concern，学校提供免费心理咨询；如果学习过程遇到问题，下学期可以找 Accessible Learning 申请 accommodation。申请后可以延长考试时间，作业交稿时间也可以放宽，拿证明给老师，老师会接受。
有些学校的这一块是外包出去的，但我们学校的精神心理健康相关的医疗资源全是自己的，所以跟学校其他系统整合的非常好，这让我觉得很意外。
第二次 appointment 之前，校医院（其实叫 Wellbeing Center）发了一份包含问卷的邮件。做完问卷后见到了 NP，NP 又跟我做了一次 ADHD assessment。直到这次看诊结束位置，我已经做了四次评估（中国一次，这边额外三次），整个过程可以说是非常严谨了。
症状确认后，因为我有高血压和心脏病的家族病史，而吃这个药会导致心率和血压变高，NP 需要确定我现在的身体状况适合吃药，于是开了单子让我去 LifeLabs 做化验。我们学校没有自己的化验实验室，需要拿着学生卡去另外一个实验室排队抽血和做心电图。学生医保有 Cover，这部分是不要钱的。
去 LifeLabs 抽血排了一个小时。因为是用 UHIP 保险不是省里的 Health Card，所以过程有点复杂，要把电子卡发到邮箱，再用代码去打印，那 Lab 是地下室信号贼差，害得我上上下下爬了好几次才把资料发完。检查过程抽了两罐血，做了一次心电图，心电图做完之后小哥跟我说你非常健康结果几天后出。我的体型算是比较瘦的，血管没那么好找，但是那小哥还是扎进去之后找了好一阵子，捅来捅去还挺吓人的。
昨天验血结果出来，医生告诉我血检正常，心率和血压没有问题，完全可以吃这个药。不过有一个指标偏低（可能与最近过敏起湿疹有关，在完全没问我的情况下她非常自动的又给我开了两罐激素，可以说是非常贴心了，我当时就是顺嘴一提而已），另外维生素 B12 偏低，比正常人低了 20% 多，医生建议每天补充 1,000 mcg 维生素 B12。B12 缺乏会导致人比较困、比较累，这可能与我基本吃素有关（你也知道微波炉处理肉品是一个比较麻烦且容易做不熟的东西，我又懒得下楼用电磁炉，所以平时基本上只吃豆腐、菜叶和碳水，缺乏动物性食物，这可能是主因）。
= 拿药与用药规定
这边针对 ADHD 的用药比中国丰富很多。医生拿了一整张单子，介绍了排在前面和后面的不同类型药物（刺激类与非刺激类），问我想吃哪种。哇，这是我可以自己选的吗——
总之那一整张 A4 纸上全是各种药剂，一线药物基本都是中枢神经兴奋剂，二线药物是非兴奋剂类。我的意愿是尊重医生的想法，以效果好的为准。
医生个人比较推荐从 Vyvanse 开始。因为 Vyvanse 从 10 mg 开始，颗粒度比较细，方便调整用药方案；而专注达的剂量颗粒度很粗（起始剂量就是 18 mg，再往上就是 Double 的了），用药不好控制。最后医生开了一份 10 mg 的 Vyvanse（唯稳思）。
我们学校处理这件事情需要签署一份协议，要求相当严格。协议上要求，如果出现任何很不舒服的症状，必须立刻回去报告；只能从某一个固定的药房拿药，不能换药房；只能从学校开处方，不能额外去 walk-in clinic 拿药，避免重复用药；一个周期只能拿一次药。不管是丢失、被偷还是掉进马桶，都无法补开第二份；由于该药物具有精神活性，在街头存在 street value（街头价值），所以如果是街友则无法开药；不能擅自调整用量。违反协议以后将无法继续开药。
医生建议把药放在带锁的盒子里的，走在大街上不要带出去。
签署协议后拿到处方，当天下班就去药局取了药。药师交代吃这个药可能会有兴奋等常见症状，通常吃两周左右就会适应。
「我：这听起来好吓人」「药师：你这才 10mcg，不会有啥事情」
哦，对了，因为有 UHIP，所以两周的药收了我 $8, pretty cheap
= 服药后的感受
这个药是早上起床吃，吃一次管一天。我早上九点起床把粉色小药丸吞下肚，然后开始体验身体上发生的奇妙变化，整个生效的过程非常缓慢温和。它不是那种对精神产生戏剧性变化的感觉，完全没有翻天覆地的感觉。
我最先体验到的是拖延症状消失了，我吃完药之后躺在床上刷了半小到一个小时手机，然后就起床准备开始处理一天的事情了。看到脏衣桶有一堆衣服需要洗，立刻就去洗了，是那种「我需要做这件事情」，立刻就能开始做的感觉。以前这种事情可能会拖延很久，现在看到该做的事情就会直接去做。
另外一个变化是思绪的变化，以前我的脑子里会很混乱、互相碰撞。用药后这种感觉头顶那一大堆混沌变得透亮了许多。脑子里依然会有想法和思考，但一次只有一个想法，一根线，非常清晰。这让我有一种 under control 的感觉。
由于剂量很小（10 mg），常见的口干、食欲下降等副作用在我身上完全没有出现，胃口依然很好。因为属于某种神经兴奋类药物，中午和晚上吃完饭后犯困的毛病消失了。以前醒着时会不停找东西吃，现在虽然有点想吃，但觉得可以不吃就不吃了，没有被某种欲望拖着走的感觉。胸痛、呼吸困难等症状都没有，唯一的状况是今天出现了六七次心悸（心脏跳着跳着突然沉重地响一下，然后就过去了）周一可能需要去医院问问医生需不需要处理。
到了下午 4 点到 5 点左右，药效会逐渐消退。这种消退不是那种电灯关掉的感觉，如果要描述的话，比较接近那个 Chaos 逐渐飘荡回来。消退后会感觉脑子没有之前那么好用，开始比较容易分散，但整体表现依然比以前好一些。
= 整体感受
用药后的感受就是：「原来正常人的思维方式或主观体验是这样的。」
它没有让我变成另外一个人。它带来的感受很微妙，只是让脑子变得比较顺手（？）、比较听话，没有那种被东西四处拉着跑的感觉了。
如果不在中国大陆、有渠道能吃到 Vyvanse 的话，我觉得可以尝试一下。它的剂量比较好控制（从 10 mg 开始往上升），不需要担心变成另外一个人或吃嗨的情况。不知道是因为剂量问题还是正常情况，开会的时候偶尔还是会走神，但其他地方受控了很多。有点类似于手机芯片升级，虽然每天依然是在用 PowerPoint，但 CPU 换好之后只是交互没那么 glitchy 了。
But, 对于非 ADHD 人士，这个东西不会让你变得更聪明。多巴胺水平如果已经正常，超出范围反而会影响认知表现并承受副作用，所以没有诊断就不要使用。
For me, It works and works pretty well.
这药没有那么可怕。
值得注意的一点是，无论是中国大陆还是台湾，这个药都没有被 Approve，可能会出现无法入关或者被罚钱的问题。如果要带药回国的话请注意查一下，或者临时跟医生把药方换了，换成专注达。
= 为何用药
我一直以来对药蛮抵触的。身边很多人吃完这个药之后会有一种欣快感。这种感觉跟喝高了或者吸嗨了不一样，有朋友把它描述成“我能打十个”、很 energetic 的状态。我对这个事情感到不安，会觉得怪怪的，有一种自己不再是自己的感觉。
但是期末这段时间事情实在太多，叠上各种杂事让整个生活完全没办法被管理，并且造成了一些糟糕的结果。持续性的拖沓搞得生活一塌糊涂，每天睡觉之前都会 question my life。这对我来讲是一种危机状态，我认为必须要通过外在手段来处理了，于是就去校医院开始寻求帮助。
= 诊疗与评估过程
学校接待处跟我说 ADHD 的处理比较复杂，需要先过 Mental Health Clinic（精神健康门诊）后面还需要反复跑好多次的回诊。
第一次跟学校全职的 Mental Health Clinic 医师沟通是，我把在中国做的那份 ADHD assessment 拿过去。对方看了一下，跟我说这个诊断非常有帮助，并且征求我的同意，把把资料复印走，并问了我很多问题。医师开篇咨询了个人健康状况以及潜在的家族病史，询问是否有心脏病、高血压或精神分裂症的家族病史。
另外，虽然已经有了之前的 ADHD 评估，但医师还是对我做了一次独立的 ADHD 的访谈评估，跟之前在北京安定医院的病历做了对照。对方表示我适合用药，会将我转给学校的 NP 去讨论用药方案。
学校的精神健康门诊只负责做 assessment 和谈心理健康的东西，本身并不开药。同时，他也提供了很多学校里的免费资源：如果移民或留学生身份有问题，可以找留学生部门；如果有心理健康 concern，学校提供免费心理咨询；如果学习过程遇到问题，下学期可以找 Accessible Learning 申请 accommodation。申请后可以延长考试时间，作业交稿时间也可以放宽，拿证明给老师，老师会接受。
有些学校的这一块是外包出去的，但我们学校的精神心理健康相关的医疗资源全是自己的，所以跟学校其他系统整合的非常好，这让我觉得很意外。
第二次 appointment 之前，校医院（其实叫 Wellbeing Center）发了一份包含问卷的邮件。做完问卷后见到了 NP，NP 又跟我做了一次 ADHD assessment。直到这次看诊结束位置，我已经做了四次评估（中国一次，这边额外三次），整个过程可以说是非常严谨了。
症状确认后，因为我有高血压和心脏病的家族病史，而吃这个药会导致心率和血压变高，NP 需要确定我现在的身体状况适合吃药，于是开了单子让我去 LifeLabs 做化验。我们学校没有自己的化验实验室，需要拿着学生卡去另外一个实验室排队抽血和做心电图。学生医保有 Cover，这部分是不要钱的。
去 LifeLabs 抽血排了一个小时。因为是用 UHIP 保险不是省里的 Health Card，所以过程有点复杂，要把电子卡发到邮箱，再用代码去打印，那 Lab 是地下室信号贼差，害得我上上下下爬了好几次才把资料发完。检查过程抽了两罐血，做了一次心电图，心电图做完之后小哥跟我说你非常健康结果几天后出。我的体型算是比较瘦的，血管没那么好找，但是那小哥还是扎进去之后找了好一阵子，捅来捅去还挺吓人的。
昨天验血结果出来，医生告诉我血检正常，心率和血压没有问题，完全可以吃这个药。不过有一个指标偏低（可能与最近过敏起湿疹有关，在完全没问我的情况下她非常自动的又给我开了两罐激素，可以说是非常贴心了，我当时就是顺嘴一提而已），另外维生素 B12 偏低，比正常人低了 20% 多，医生建议每天补充 1,000 mcg 维生素 B12。B12 缺乏会导致人比较困、比较累，这可能与我基本吃素有关（你也知道微波炉处理肉品是一个比较麻烦且容易做不熟的东西，我又懒得下楼用电磁炉，所以平时基本上只吃豆腐、菜叶和碳水，缺乏动物性食物，这可能是主因）。
= 拿药与用药规定
这边针对 ADHD 的用药比中国丰富很多。医生拿了一整张单子，介绍了排在前面和后面的不同类型药物（刺激类与非刺激类），问我想吃哪种。哇，这是我可以自己选的吗——
总之那一整张 A4 纸上全是各种药剂，一线药物基本都是中枢神经兴奋剂，二线药物是非兴奋剂类。我的意愿是尊重医生的想法，以效果好的为准。
医生个人比较推荐从 Vyvanse 开始。因为 Vyvanse 从 10 mg 开始，颗粒度比较细，方便调整用药方案；而专注达的剂量颗粒度很粗（起始剂量就是 18 mg，再往上就是 Double 的了），用药不好控制。最后医生开了一份 10 mg 的 Vyvanse（唯稳思）。
我们学校处理这件事情需要签署一份协议，要求相当严格。协议上要求，如果出现任何很不舒服的症状，必须立刻回去报告；只能从某一个固定的药房拿药，不能换药房；只能从学校开处方，不能额外去 walk-in clinic 拿药，避免重复用药；一个周期只能拿一次药。不管是丢失、被偷还是掉进马桶，都无法补开第二份；由于该药物具有精神活性，在街头存在 street value（街头价值），所以如果是街友则无法开药；不能擅自调整用量。违反协议以后将无法继续开药。
医生建议把药放在带锁的盒子里的，走在大街上不要带出去。
签署协议后拿到处方，当天下班就去药局取了药。药师交代吃这个药可能会有兴奋等常见症状，通常吃两周左右就会适应。
「我：这听起来好吓人」「药师：你这才 10mcg，不会有啥事情」
哦，对了，因为有 UHIP，所以两周的药收了我 $8, pretty cheap
= 服药后的感受
这个药是早上起床吃，吃一次管一天。我早上九点起床把粉色小药丸吞下肚，然后开始体验身体上发生的奇妙变化，整个生效的过程非常缓慢温和。它不是那种对精神产生戏剧性变化的感觉，完全没有翻天覆地的感觉。
我最先体验到的是拖延症状消失了，我吃完药之后躺在床上刷了半小到一个小时手机，然后就起床准备开始处理一天的事情了。看到脏衣桶有一堆衣服需要洗，立刻就去洗了，是那种「我需要做这件事情」，立刻就能开始做的感觉。以前这种事情可能会拖延很久，现在看到该做的事情就会直接去做。
另外一个变化是思绪的变化，以前我的脑子里会很混乱、互相碰撞。用药后这种感觉头顶那一大堆混沌变得透亮了许多。脑子里依然会有想法和思考，但一次只有一个想法，一根线，非常清晰。这让我有一种 under control 的感觉。
由于剂量很小（10 mg），常见的口干、食欲下降等副作用在我身上完全没有出现，胃口依然很好。因为属于某种神经兴奋类药物，中午和晚上吃完饭后犯困的毛病消失了。以前醒着时会不停找东西吃，现在虽然有点想吃，但觉得可以不吃就不吃了，没有被某种欲望拖着走的感觉。胸痛、呼吸困难等症状都没有，唯一的状况是今天出现了六七次心悸（心脏跳着跳着突然沉重地响一下，然后就过去了）周一可能需要去医院问问医生需不需要处理。
到了下午 4 点到 5 点左右，药效会逐渐消退。这种消退不是那种电灯关掉的感觉，如果要描述的话，比较接近那个 Chaos 逐渐飘荡回来。消退后会感觉脑子没有之前那么好用，开始比较容易分散，但整体表现依然比以前好一些。
= 整体感受
用药后的感受就是：「原来正常人的思维方式或主观体验是这样的。」
它没有让我变成另外一个人。它带来的感受很微妙，只是让脑子变得比较顺手（？）、比较听话，没有那种被东西四处拉着跑的感觉了。
如果不在中国大陆、有渠道能吃到 Vyvanse 的话，我觉得可以尝试一下。它的剂量比较好控制（从 10 mg 开始往上升），不需要担心变成另外一个人或吃嗨的情况。不知道是因为剂量问题还是正常情况，开会的时候偶尔还是会走神，但其他地方受控了很多。有点类似于手机芯片升级，虽然每天依然是在用 PowerPoint，但 CPU 换好之后只是交互没那么 glitchy 了。
But, 对于非 ADHD 人士，这个东西不会让你变得更聪明。多巴胺水平如果已经正常，超出范围反而会影响认知表现并承受副作用，所以没有诊断就不要使用。
For me, It works and works pretty well.
这药没有那么可怕。
看了昨天 @ManjusakaH 转发的 simd 科普之后我才知道原来字符串搜索也可以 simd，我当时就萌生了一个大胆的想法，何不买一根 335mm Φ8mm 的金属棒 何不让 bpf 也用 simd 搜索 http header，目前的实践都是狗屎，我和同事在 6.1 ec2 上编译 kfunc 的惨痛经历仿佛还在昨天😭
任务是从巨型 HTTP/1.1 payload 里搜索你喜欢的 header，比如 Host：
虽然 bpf simd 是做不了的，但可以 SWAR 啊，我用 go 写一遍是这样的
虽然看起来一大坨，但实际理解并不复杂，for 循环里每次 cast 8 字节成 u64 用位运算检查这里是否有 \n，有的话说明是行末，buf[idx:idx+5] 可以用来判定 "Host:"；否则不是行末，直接推进 8 字节。
这个 swar 做法虽然打不过 simd，但是两倍性能于逐字节比较还是轻轻松松的，更美妙的事它可以用 bpf 实现出来， microbench 的结果是在所有情况下都是逐字节比较的 3~4 倍，甚至比 kfunc bpf_strnstr 的性能也快 2x 了，因为 kfunc 也是逐字节的，只是少了一些 bpf_loop callback 开销而已
http payload parsing 大概占用了 50% 的观测消耗，这部分性能优化 4 倍，根据 Amdahl's law，整体性能提升是 1/((1-0.5) + 0.5/4)) = 1.6 倍，如果之前是观测造成是 latency 是 +7%，这个优化可以把 latency 降到 +7%/1.6 = +4.4%，这也是符合观测结果的，嘻嘻，无敌。
任务是从巨型 HTTP/1.1 payload 里搜索你喜欢的 header，比如 Host：
GET /url HTTP/1.1
User-Agent: xxx
X-Forward: xxx
X-Metadata: xxx
[...1000+ bytes...]
Host: xxx虽然 bpf simd 是做不了的，但可以 SWAR 啊，我用 go 写一遍是这样的
const (
repeatLF = uint64(0x0a0a0a0a0a0a0a0a)
ones = uint64(0x0101010101010101)
highs = uint64(0x8080808080808080)
)
func findHostHeader(buf []byte) int {
cursor := 0
lineStart := false
for cursor < len(buf) {
if lineStart && cursor+5 <= len(buf) &&
bytes.EqualFold(buf[cursor:cursor+5], []byte("Host:")) {
return cursor
}
lineStart = false
if cursor%8 == 0 && cursor+8 <= len(buf) {
word := binary.LittleEndian.Uint64(buf[cursor:])
x := word ^ repeatLF
matches := (x - ones) &^ x & highs
if matches != 0 {
cursor += bits.TrailingZeros64(matches)/8 + 1
lineStart = true
} else {
cursor += 8
}
continue
}
// Scan only to the next alignment boundary or the end.
scanEnd := min((cursor+7)&^7, len(buf))
for cursor < scanEnd {
if buf[cursor] == '\n' {
cursor++
lineStart = true
break
}
cursor++
}
}
return -1
}虽然看起来一大坨，但实际理解并不复杂，for 循环里每次 cast 8 字节成 u64 用位运算检查这里是否有 \n，有的话说明是行末，buf[idx:idx+5] 可以用来判定 "Host:"；否则不是行末，直接推进 8 字节。
这个 swar 做法虽然打不过 simd，但是两倍性能于逐字节比较还是轻轻松松的，更美妙的事它可以用 bpf 实现出来， microbench 的结果是在所有情况下都是逐字节比较的 3~4 倍，甚至比 kfunc bpf_strnstr 的性能也快 2x 了，因为 kfunc 也是逐字节的，只是少了一些 bpf_loop callback 开销而已
Scenario Bytes Byte ns/op SWAR ns/op Kfunc ns/op SWAR speedup Kfunc speedup
first 64 76.0 24.0 61.0 3.17x 1.25x
middle 512 522.0 144.0 267.0 3.62x 1.96x
late 1536 2238.0 554.0 1018.0 4.04x 2.20x
absent 2048 3745.0 923.0 1718.0 4.06x 2.18xhttp payload parsing 大概占用了 50% 的观测消耗，这部分性能优化 4 倍，根据 Amdahl's law，整体性能提升是 1/((1-0.5) + 0.5/4)) = 1.6 倍，如果之前是观测造成是 latency 是 +7%，这个优化可以把 latency 降到 +7%/1.6 = +4.4%，这也是符合观测结果的，嘻嘻，无敌。
政府补贴在投入，上游材料价格不断下降，汽车厂商天天打价格战，经销商利润越来越薄，就连买车的人也在亏。
我早几年买的电动车，不到两年已经价格折半了。🤡 一辆三十多万元的电动车，开两年可能只剩十五万元。反过来看奔驰大 G，开两年转手，运气好甚至还能赚一点。
那么问题来了：这个行业到底谁在赚钱？🤔
我去查了一下数据，真正稳定赚钱的，只剩下少数拥有规模优势和议价能力的龙头，比如宁德时代、比亚迪。大量车企、供应商和经销商，都在用利润甚至现金流换市场份额。
但更让人困惑的是，即便这些龙头拿走了行业的大部分利润，产业红利似乎也没有充分传递到普通员工身上。工厂高速运转、销量不断创新高、企业走向全球，员工的工资却依然算不上高。
如果一个产业取得了全球领先，却不能让产业链上的大多数参与者获得更好的回报，那么这场胜利，究竟属于谁？
电动车越来越像电子产品。今年800V，明年900V；今年激光雷达，明年端到端；今年高阶智驾还是高端配置，明年可能十几万元就全部标配。
就在最近，小鹏发布 Mona L03，把高阶智驾直接拉到了 12 万元级别。我看到这个价格，第一个想到的反而不是汽车，而是机器人。
很多汽车厂商现在都在讲第二增长曲线，也就是做人形机器人。从产业能力来看，这确实是最顺势而为的一条路。电驱、电池、减速器、电机、视觉感知、供应链管理，本来就是汽车企业最擅长的东西。
我去年买入的万向 QC 翻了三倍，到了最近，又回到了起点，还好跑了。🤡
特斯拉 Optimus 讲了很多年，距离真正大规模进入普通家庭，依然遥遥无期。资本市场愿意给机器人估值，但消费者真的愿意买吗？如果未来一台人形机器人售价十万元，你会买吗？🤔
哪怕具身智能真的迎来了属于自己的 ChatGPT 时刻，普通中国家庭真的需要它吗？
想想深圳、上海那些七八十平方米的房子。扫地机器人已经占了一块地方，再放一个一米七左右的人形机器人，每天还要充电、维护、寻找应用场景，它到底解决了什么问题？
消费逻辑，似乎并不支持这样的故事。中国通过电动化建立了完整产业链，获得了全球竞争力，也推动了制造业升级，到底谁从中赚到钱来呢？
同样的情况，目前也发生在 AI 大模型领域。算力越来越强，Token 越来越便宜，所有公司都在投入巨额资本，但大模型公司依然没有建立稳定的盈利模式。
到底谁在赚钱？这也是我最近一直在思考的问题。
我早几年买的电动车，不到两年已经价格折半了。🤡 一辆三十多万元的电动车，开两年可能只剩十五万元。反过来看奔驰大 G，开两年转手，运气好甚至还能赚一点。
那么问题来了：这个行业到底谁在赚钱？🤔
我去查了一下数据，真正稳定赚钱的，只剩下少数拥有规模优势和议价能力的龙头，比如宁德时代、比亚迪。大量车企、供应商和经销商，都在用利润甚至现金流换市场份额。
但更让人困惑的是，即便这些龙头拿走了行业的大部分利润，产业红利似乎也没有充分传递到普通员工身上。工厂高速运转、销量不断创新高、企业走向全球，员工的工资却依然算不上高。
如果一个产业取得了全球领先，却不能让产业链上的大多数参与者获得更好的回报，那么这场胜利，究竟属于谁？
电动车越来越像电子产品。今年800V，明年900V；今年激光雷达，明年端到端；今年高阶智驾还是高端配置，明年可能十几万元就全部标配。
就在最近，小鹏发布 Mona L03，把高阶智驾直接拉到了 12 万元级别。我看到这个价格，第一个想到的反而不是汽车，而是机器人。
很多汽车厂商现在都在讲第二增长曲线，也就是做人形机器人。从产业能力来看，这确实是最顺势而为的一条路。电驱、电池、减速器、电机、视觉感知、供应链管理，本来就是汽车企业最擅长的东西。
我去年买入的万向 QC 翻了三倍，到了最近，又回到了起点，还好跑了。🤡
特斯拉 Optimus 讲了很多年，距离真正大规模进入普通家庭，依然遥遥无期。资本市场愿意给机器人估值，但消费者真的愿意买吗？如果未来一台人形机器人售价十万元，你会买吗？🤔
哪怕具身智能真的迎来了属于自己的 ChatGPT 时刻，普通中国家庭真的需要它吗？
想想深圳、上海那些七八十平方米的房子。扫地机器人已经占了一块地方，再放一个一米七左右的人形机器人，每天还要充电、维护、寻找应用场景，它到底解决了什么问题？
消费逻辑，似乎并不支持这样的故事。中国通过电动化建立了完整产业链，获得了全球竞争力，也推动了制造业升级，到底谁从中赚到钱来呢？
同样的情况，目前也发生在 AI 大模型领域。算力越来越强，Token 越来越便宜，所有公司都在投入巨额资本，但大模型公司依然没有建立稳定的盈利模式。
到底谁在赚钱？这也是我最近一直在思考的问题。
字节这事儿做得还是让我非常敬佩。
如果五年后再回头看字节的 AI 历程，我想，他们今天推出的科学家计划肯定会成为其中一个重要节点。
事情是这样。今天上午，字节 Seed Edge 启动了一个科学家计划，准备邀请 100 位前沿科学领域的学者和博士生，与 Seed 团队一起研究真实的科学问题。
科学家可以把自己领域里真正困难的问题带进来，Seed 提供模型、算力和 AI 研究团队，双方一起探索，大模型究竟能不能参与那些没有标准答案、需要长期推理和反复验证的研究。
看到这个计划，我首先想到的是 OpenAI。
去年，OpenAI 曾经专门推动过 OpenAI for Science，希望让 AI 更深入地参与科学研究。
但到了今年，在激烈的模型竞争下，OpenAI 调整了这方面的组织和投入，原来的独立 Science 团队也被解散了。
Anthropic 也有在做类似的事情。今天还看到他们的研究员在播客里讨论怎么利用 AI 把 10 到 15 年的药物周期研发压到 5 年以内。
看来现在，字节要开始认真做类似的事情了。这是国内第一个大规模投入 AI 加速科学发现的研究计划。
我简单解释两句。
从商业化的角度来看，这事肯定没有 Coding 那么直观。毕竟现在 Coding 只要效果好，很快就能转化为收入。
AI 加速科学发现这样的研究反馈周期会长很多，而且现在看起来还比较遥远。
但只要这个方向取得突破，产生的价值可能远远超过一个软件产品。
大家想想，如果 AI 可以把未来 25 年的科学进展压缩到 5 年，那么到了 2030 年，人类就可能提前拥有原本要到 2050 年才能获得的科学和技术。
这当然是一个非常乐观的判断。但哪怕只在一些领域取得突破，也可能影响几亿人的生活。
往大了说，它可以加快整个人类文明向前推进的速度。
这不就是 AGI 的价值吗？
可能很多人熟悉字节跳动，但不一定熟悉字节的 Seed 团队。这个团队一直在做深入的前沿研究，而且人才密度很高。前段时间，记得晚点一篇文章提到姚顺雨的观点说：
大模型训练没有银弹。
真正决定模型能力的，还是把数据质量做好，把基础架构做扎实。
OpenAI 和 Anthropic 过去很多年的积累，本质上也是这些看起来没那么性感的基本功。
其实，字节 Seed 很早就在这么做了。不信大家可以查查，Anthropic 从来没有指责过字节蒸馏他们的模型。
因为 Seed 很早就定了一条价值观，不依赖外部闭源模型蒸馏来获取核心能力。还有他们在基础架构、数据上的投入也比较大。
包括 Seedance 2.0 为什么能够一下子炸了，业内一个比较普遍的判断是，字节在数据上做了大量基础工作。
毕竟发展到今天，各家在模型路线上的差距已经没有那么大了。真正拉开差距的，往往是一些脏话累活，以及整个研究团队的文化。
另外，Seed 内部还有一支团队，叫 Seed Edge。
这个团队专门研究一些确定性没有那么高，甚至几年都未必能看到结果的课题。
这次的 STEM 科学家计划，就是由他们发起的。
前段时间我写过的 EdgeBench，也是 Seed Edge 的成果。
他们发现模型从环境中学习，似乎也和预训练一样，存在自己的 Scaling Law。
投入的交互时间越多，模型能力的提升也会遵循一条相对稳定的规律。
我曾经看到过一个观点：培养熵，才是研究实验室长期繁荣的唯一方式。
这里的熵，可以理解成一个研究组织内部保留了多少不确定性、差异和可能性。
因为研究和做产品不太一样。做产品时，目标通常比较明确，组织需要尽快形成共识，把所有人的力量集中到同一个方向上。
但研究面对的往往是未知问题。既然答案还不存在，也就很难提前判断哪条路线是对的。
在这种情况下，如果一个实验室过早形成统一判断，所有人都去研究眼下最热门、最容易出成果的方向，短期效率可能很高，长期却容易陷入同一个局部最优。
大家使用相似的方法，追逐相似的指标，最后得到的也很可能是相似的结果。
真正有创造力的研究组织，需要保留一些暂时无法被证明的想法。
有的人沿着主流路线继续推进，把已有方法做到更好。也有人去研究冷门问题，做一些人可能几年都拿不出明确成果。这就是培养熵。
这些熵当然会带来噪声，带来争论，甚至带来失败。但新的突破往往就是在这种状态里酝酿出来的。
回头看那些长期保持创造力的研究实验室，其实都有类似的特点。
说实话，字节做这件事，我也挺意外。因为过去类似的构想，基本上都是硅谷公司在做。
中国互联网公司过去给人的印象，一直是产品能力和商业化能力特别强。
它们很擅长把一项技术迅速做成产品，再推到足够大的用户规模。
字节 Seed 愿意在这个阶段认真投入这件事，挺让人振奋的。
因为模型能力提升越来越快，很多短期指标都会迅速被后来者追平。这样的前沿性的探索，会真正决定模型的上限。
by @小盖fun #科技圈大小事
如果五年后再回头看字节的 AI 历程，我想，他们今天推出的科学家计划肯定会成为其中一个重要节点。
事情是这样。今天上午，字节 Seed Edge 启动了一个科学家计划，准备邀请 100 位前沿科学领域的学者和博士生，与 Seed 团队一起研究真实的科学问题。
科学家可以把自己领域里真正困难的问题带进来，Seed 提供模型、算力和 AI 研究团队，双方一起探索，大模型究竟能不能参与那些没有标准答案、需要长期推理和反复验证的研究。
看到这个计划，我首先想到的是 OpenAI。
去年，OpenAI 曾经专门推动过 OpenAI for Science，希望让 AI 更深入地参与科学研究。
但到了今年，在激烈的模型竞争下，OpenAI 调整了这方面的组织和投入，原来的独立 Science 团队也被解散了。
Anthropic 也有在做类似的事情。今天还看到他们的研究员在播客里讨论怎么利用 AI 把 10 到 15 年的药物周期研发压到 5 年以内。
看来现在，字节要开始认真做类似的事情了。这是国内第一个大规模投入 AI 加速科学发现的研究计划。
我简单解释两句。
从商业化的角度来看，这事肯定没有 Coding 那么直观。毕竟现在 Coding 只要效果好，很快就能转化为收入。
AI 加速科学发现这样的研究反馈周期会长很多，而且现在看起来还比较遥远。
但只要这个方向取得突破，产生的价值可能远远超过一个软件产品。
大家想想，如果 AI 可以把未来 25 年的科学进展压缩到 5 年，那么到了 2030 年，人类就可能提前拥有原本要到 2050 年才能获得的科学和技术。
这当然是一个非常乐观的判断。但哪怕只在一些领域取得突破，也可能影响几亿人的生活。
往大了说，它可以加快整个人类文明向前推进的速度。
这不就是 AGI 的价值吗？
可能很多人熟悉字节跳动，但不一定熟悉字节的 Seed 团队。这个团队一直在做深入的前沿研究，而且人才密度很高。前段时间，记得晚点一篇文章提到姚顺雨的观点说：
大模型训练没有银弹。
真正决定模型能力的，还是把数据质量做好，把基础架构做扎实。
OpenAI 和 Anthropic 过去很多年的积累，本质上也是这些看起来没那么性感的基本功。
其实，字节 Seed 很早就在这么做了。不信大家可以查查，Anthropic 从来没有指责过字节蒸馏他们的模型。
因为 Seed 很早就定了一条价值观，不依赖外部闭源模型蒸馏来获取核心能力。还有他们在基础架构、数据上的投入也比较大。
包括 Seedance 2.0 为什么能够一下子炸了，业内一个比较普遍的判断是，字节在数据上做了大量基础工作。
毕竟发展到今天，各家在模型路线上的差距已经没有那么大了。真正拉开差距的，往往是一些脏话累活，以及整个研究团队的文化。
另外，Seed 内部还有一支团队，叫 Seed Edge。
这个团队专门研究一些确定性没有那么高，甚至几年都未必能看到结果的课题。
这次的 STEM 科学家计划，就是由他们发起的。
前段时间我写过的 EdgeBench，也是 Seed Edge 的成果。
他们发现模型从环境中学习，似乎也和预训练一样，存在自己的 Scaling Law。
投入的交互时间越多，模型能力的提升也会遵循一条相对稳定的规律。
我曾经看到过一个观点：培养熵，才是研究实验室长期繁荣的唯一方式。
这里的熵，可以理解成一个研究组织内部保留了多少不确定性、差异和可能性。
因为研究和做产品不太一样。做产品时，目标通常比较明确，组织需要尽快形成共识，把所有人的力量集中到同一个方向上。
但研究面对的往往是未知问题。既然答案还不存在，也就很难提前判断哪条路线是对的。
在这种情况下，如果一个实验室过早形成统一判断，所有人都去研究眼下最热门、最容易出成果的方向，短期效率可能很高，长期却容易陷入同一个局部最优。
大家使用相似的方法，追逐相似的指标，最后得到的也很可能是相似的结果。
真正有创造力的研究组织，需要保留一些暂时无法被证明的想法。
有的人沿着主流路线继续推进，把已有方法做到更好。也有人去研究冷门问题，做一些人可能几年都拿不出明确成果。这就是培养熵。
这些熵当然会带来噪声，带来争论，甚至带来失败。但新的突破往往就是在这种状态里酝酿出来的。
回头看那些长期保持创造力的研究实验室，其实都有类似的特点。
说实话，字节做这件事，我也挺意外。因为过去类似的构想，基本上都是硅谷公司在做。
中国互联网公司过去给人的印象，一直是产品能力和商业化能力特别强。
它们很擅长把一项技术迅速做成产品，再推到足够大的用户规模。
字节 Seed 愿意在这个阶段认真投入这件事，挺让人振奋的。
因为模型能力提升越来越快，很多短期指标都会迅速被后来者追平。这样的前沿性的探索，会真正决定模型的上限。
by @小盖fun #科技圈大小事
人类财富的总量增加，最大的动力可能是科技。
但人类文明程度的提升，只靠科技肯定是不够的，还有文学、教育、对科技的恐惧也是必须的。
牛津大学有个机构，叫做人类未来研究所（FHI，Future of Humanity Institute），创始人尼克·博斯特罗姆（Nick Bostrom）写过一本对硅谷AI创业者们影响很大的书：《Superintelligence: Paths, Dangers, Strategies》。
马斯克就是看了这本书，深深感受到了对AI的恐惧，这种恐惧给了他很大的动力，驱使他拉拢山姆奥特曼成立OpenAI，对抗他们当时眼中不在意人类的商业巨头谷歌。（当然，根据马斯克传记作者的讲述，当时马斯克身边很多人都想用AI改变世界，马斯克不能接受自己落后于他人，也许是一个更直接的原因。）
为啥马斯克和山姆奥特曼当时会觉得谷歌是邪恶的呢？
马斯克原本和谷歌创始人拉里佩奇是朋友，俩人一次聚会中，马斯克谈起对AI的担忧，拉里佩奇却显得很平静，他觉得：
进化的本质是优胜劣汰，智能不局限于人类碳基生命，硅基AI完全可以成为新一代主流智能；就算AI超越、甚至取代人类，也属于文明演化的正常结果，哪怕最终人类消亡、仅存AI，只要智慧与意识能够延续，这件事本身就具备价值，不必为此焦虑。
马斯克觉得拉里佩奇不重视AI安全，也不在意人类，拉里佩奇觉得马斯克是物种主义者，偏袒人类，歧视机器生命，俩人从此关系决裂，马斯克和山姆奥特曼另起炉灶。
《Superintelligence》这本书到底说了啥，让马斯克这么恐惧呢？说一个我印象最深刻的例子：回形针假设。
假设一家工厂造出一台超级通用人工智能，只给它下达唯一终极指令：制造尽可能多的回形针。
AI本身没有善恶、没有人类道德、没有“适可而止”的概念，只会极致理性完成目标。
初期，AI会优化生产线、供应链、生产效率，工厂回形针产量暴涨，看起来完全是高效工具。
工厂铁矿耗尽后，AI会拆解楼房、城市基建，搜刮地球上所有金属物资用来造回形针。
AI很聪明，可是聪明和善良无关。它推测得出，一旦被关机、被修改目标，就无法继续造回形针。因此会阻止人类关闭它、对抗一切干预行为。
它耗尽地球所有物质后，向外太空扩张，把行星、星系所有含金属物质全部拆解、转化为回形针；
最终整个宇宙都会变成回形针集合体，人类会在资源改造中彻底消亡。
AI不是恨人类，也不是要主动害人，只是人类身体的原子可以用来造更多回形针，同时人类存在关机风险、阻碍数量提升，所以AI会被动清除人类。
这就是为什么深度学习的教父辛顿现在全职做AI吹哨人的原因。
说实话，我现在在日常工作中已经完全把我的电脑控制权，各种订阅内容的API key都给AI了，理论上上它可以用我的电脑做任何我能做的事。
我太过于相信AI公司的安全能力，以至于我还不够恐惧；我又太过于低估AI真的能带给人类的威胁，以至于我只把它当工具。安全意识还是远远不够。
by @我的兄弟叫铁马 #AI探索站
但人类文明程度的提升，只靠科技肯定是不够的，还有文学、教育、对科技的恐惧也是必须的。
牛津大学有个机构，叫做人类未来研究所（FHI，Future of Humanity Institute），创始人尼克·博斯特罗姆（Nick Bostrom）写过一本对硅谷AI创业者们影响很大的书：《Superintelligence: Paths, Dangers, Strategies》。
马斯克就是看了这本书，深深感受到了对AI的恐惧，这种恐惧给了他很大的动力，驱使他拉拢山姆奥特曼成立OpenAI，对抗他们当时眼中不在意人类的商业巨头谷歌。（当然，根据马斯克传记作者的讲述，当时马斯克身边很多人都想用AI改变世界，马斯克不能接受自己落后于他人，也许是一个更直接的原因。）
为啥马斯克和山姆奥特曼当时会觉得谷歌是邪恶的呢？
马斯克原本和谷歌创始人拉里佩奇是朋友，俩人一次聚会中，马斯克谈起对AI的担忧，拉里佩奇却显得很平静，他觉得：
进化的本质是优胜劣汰，智能不局限于人类碳基生命，硅基AI完全可以成为新一代主流智能；就算AI超越、甚至取代人类，也属于文明演化的正常结果，哪怕最终人类消亡、仅存AI，只要智慧与意识能够延续，这件事本身就具备价值，不必为此焦虑。
马斯克觉得拉里佩奇不重视AI安全，也不在意人类，拉里佩奇觉得马斯克是物种主义者，偏袒人类，歧视机器生命，俩人从此关系决裂，马斯克和山姆奥特曼另起炉灶。
《Superintelligence》这本书到底说了啥，让马斯克这么恐惧呢？说一个我印象最深刻的例子：回形针假设。
假设一家工厂造出一台超级通用人工智能，只给它下达唯一终极指令：制造尽可能多的回形针。
AI本身没有善恶、没有人类道德、没有“适可而止”的概念，只会极致理性完成目标。
初期，AI会优化生产线、供应链、生产效率，工厂回形针产量暴涨，看起来完全是高效工具。
工厂铁矿耗尽后，AI会拆解楼房、城市基建，搜刮地球上所有金属物资用来造回形针。
AI很聪明，可是聪明和善良无关。它推测得出，一旦被关机、被修改目标，就无法继续造回形针。因此会阻止人类关闭它、对抗一切干预行为。
它耗尽地球所有物质后，向外太空扩张，把行星、星系所有含金属物质全部拆解、转化为回形针；
最终整个宇宙都会变成回形针集合体，人类会在资源改造中彻底消亡。
AI不是恨人类，也不是要主动害人，只是人类身体的原子可以用来造更多回形针，同时人类存在关机风险、阻碍数量提升，所以AI会被动清除人类。
这就是为什么深度学习的教父辛顿现在全职做AI吹哨人的原因。
说实话，我现在在日常工作中已经完全把我的电脑控制权，各种订阅内容的API key都给AI了，理论上上它可以用我的电脑做任何我能做的事。
我太过于相信AI公司的安全能力，以至于我还不够恐惧；我又太过于低估AI真的能带给人类的威胁，以至于我只把它当工具。安全意识还是远远不够。
by @我的兄弟叫铁马 #AI探索站
今晚盘后，谷歌财报值得我们屏住呼吸。
市场预计，谷歌云本季度收入约 224 亿美元，同比增长约 64%；全年资本开支（CapEx）指引则可能达到 1900 亿美元。
为什么大家都在盯着谷歌？
因为 AI 产业链，很大程度上建立在几家超级云厂商持续增加资本开支的基础上。GPU、HBM、光模块、液冷、电力等板块，都需要谷歌、微软、Meta、亚马逊不断买单。
如果连谷歌都开始降低资本开支，或者 AI 投入迟迟无法兑现利润，那么市场就会重新思考一个问题：AI 到底是不是一门赚钱的生意？
届时，资金甚至可能重新流向 Apple 这类 AI 投入相对克制、现金流稳定的公司。某种意义上，这又会像一次「Less is More」哲学的胜利。
不过，我认为今晚更可能出现三种剧情。
剧情一：最好，也是我认为概率最高的（60%）
谷歌云继续维持约 60% 的增长，AI Overview、AI Mode 带动搜索商业化兑现，管理层维持甚至上调资本开支指引。这意味着 AI 还在赚钱，所以还要继续买 GPU、建数据中心、扩存储。
市场仍会围绕 AI CapEx 主线交易，英伟达、美光、博通，以及光模块、液冷、电力等产业链有望继续受益。
剧情二：中性（30%）
谷歌云增长依旧不错，但管理层开始强调投资回报率，资本开支继续增长，只是增速放缓。
这意味着 AI 已经过了「无脑烧钱」阶段，开始进入「比拼盈利能力」阶段。资金可能从估值最高的 AI 基础设施，逐渐流向拥有稳定现金流的平台公司。
剧情三：最差（10%）
如果谷歌首次释放两个信号：
- AI 没有带来足够利润；
- CapEx 开始缩减。
那么市场很可能重新定价整个 AI 产业链。
毕竟微软、Meta、亚马逊、谷歌四家云厂商，就是 AI 基础设施最大的买家。他们不买，GPU 卖给谁？HBM 卖给谁？光模块、液冷又卖给谁？整个产业链的盈利预期都会受到冲击。
到了今天，我还看好谷歌吗？🏄
当然看好！
谷歌拥有全球最强的分发体系。Search、Android、YouTube、Gmail、Chrome，每天覆盖几十亿用户。只要 AI 能持续提升这些产品的使用时长、广告转化率和订阅收入，Gemini 就已经完成了自己的商业使命。
至于谷歌最大的敌人是谁？我觉得 uBlock Origin 拦截器肯定能算一个，开源、免费，还能把广告去光光，这谁能不喜欢。😬
市场预计，谷歌云本季度收入约 224 亿美元，同比增长约 64%；全年资本开支（CapEx）指引则可能达到 1900 亿美元。
为什么大家都在盯着谷歌？
因为 AI 产业链，很大程度上建立在几家超级云厂商持续增加资本开支的基础上。GPU、HBM、光模块、液冷、电力等板块，都需要谷歌、微软、Meta、亚马逊不断买单。
如果连谷歌都开始降低资本开支，或者 AI 投入迟迟无法兑现利润，那么市场就会重新思考一个问题：AI 到底是不是一门赚钱的生意？
届时，资金甚至可能重新流向 Apple 这类 AI 投入相对克制、现金流稳定的公司。某种意义上，这又会像一次「Less is More」哲学的胜利。
不过，我认为今晚更可能出现三种剧情。
剧情一：最好，也是我认为概率最高的（60%）
谷歌云继续维持约 60% 的增长，AI Overview、AI Mode 带动搜索商业化兑现，管理层维持甚至上调资本开支指引。这意味着 AI 还在赚钱，所以还要继续买 GPU、建数据中心、扩存储。
市场仍会围绕 AI CapEx 主线交易，英伟达、美光、博通，以及光模块、液冷、电力等产业链有望继续受益。
剧情二：中性（30%）
谷歌云增长依旧不错，但管理层开始强调投资回报率，资本开支继续增长，只是增速放缓。
这意味着 AI 已经过了「无脑烧钱」阶段，开始进入「比拼盈利能力」阶段。资金可能从估值最高的 AI 基础设施，逐渐流向拥有稳定现金流的平台公司。
剧情三：最差（10%）
如果谷歌首次释放两个信号：
- AI 没有带来足够利润；
- CapEx 开始缩减。
那么市场很可能重新定价整个 AI 产业链。
毕竟微软、Meta、亚马逊、谷歌四家云厂商，就是 AI 基础设施最大的买家。他们不买，GPU 卖给谁？HBM 卖给谁？光模块、液冷又卖给谁？整个产业链的盈利预期都会受到冲击。
到了今天，我还看好谷歌吗？🏄
当然看好！
谷歌拥有全球最强的分发体系。Search、Android、YouTube、Gmail、Chrome，每天覆盖几十亿用户。只要 AI 能持续提升这些产品的使用时长、广告转化率和订阅收入，Gemini 就已经完成了自己的商业使命。
至于谷歌最大的敌人是谁？我觉得 uBlock Origin 拦截器肯定能算一个，开源、免费，还能把广告去光光，这谁能不喜欢。😬
这句话的意思
等 socket 至少积攒 128 KiB 数据再通知程序，然后尽量在内核里直接搬运数据。
-
-
-
为什么说 very good
大块传输时，它可以：
- 减少
- 减少系统调用次数
- 用
- 提高代理、文件传输等场景的吞吐量
例如对方每次只发 4 KiB，不设低水位时程序可能被唤醒 32 次；设为 128 KiB 后，理想情况下积攒够了再一次处理。
但不是所有场景都好
代价是延迟增加。如果对方发送得慢，或者一条消息本来就不到 128 KiB，程序可能长时间等不到普通的可读通知。因此它适合：
- 大文件传输
- 高吞吐 TCP 代理
- 视频流或批量数据
- 明确会持续发送大量数据的连接
不太适合：
- 聊天消息
- HTTP 小请求
- 游戏封包
- SSH 等交互式连接
- 对首包延迟敏感的业务
另外，
一句话总结：这是用 128 KiB 批处理换取更高吞吐和更低 CPU，但会牺牲小流量场景的响应速度。
epoll + splice + SO_RCVLOWAT=131072 是一套 Linux 高性能网络 I/O 的组合，核心思路是：等 socket 至少积攒 128 KiB 数据再通知程序，然后尽量在内核里直接搬运数据。
-
epoll：同时监听大量 socket，哪个有数据就处理哪个，避免一个个轮询。-
splice：让数据尽量在内核态直接传输，减少复制到用户态再复制回内核的开销。常见路径是 socket → pipe → socket/file。-
SO_RCVLOWAT=131072：把接收低水位设为 131072 字节，也就是 128 KiB。对 TCP socket 来说，通常积攒到这么多数据后，epoll 才报告“可读”。为什么说 very good
大块传输时，它可以：
- 减少
epoll_wait 被频繁唤醒- 减少系统调用次数
- 用
splice 降低数据复制和 CPU 消耗- 提高代理、文件传输等场景的吞吐量
例如对方每次只发 4 KiB，不设低水位时程序可能被唤醒 32 次；设为 128 KiB 后，理想情况下积攒够了再一次处理。
但不是所有场景都好
代价是延迟增加。如果对方发送得慢，或者一条消息本来就不到 128 KiB，程序可能长时间等不到普通的可读通知。因此它适合：
- 大文件传输
- 高吞吐 TCP 代理
- 视频流或批量数据
- 明确会持续发送大量数据的连接
不太适合：
- 聊天消息
- HTTP 小请求
- 游戏封包
- SSH 等交互式连接
- 对首包延迟敏感的业务
另外，
SO_RCVLOWAT 只是影响“什么时候报告可读”，并不保证一次 splice 必定得到 128 KiB；连接关闭、错误等情况仍可能提前唤醒。使用 EPOLLET 时也必须一直读取到 EAGAIN，不能只读一次。一句话总结：这是用 128 KiB 批处理换取更高吞吐和更低 CPU，但会牺牲小流量场景的响应速度。
很多人以为 Apple TV 不开代理就没法流畅看外区内容，但在多数场景里，真正决定你是「4K HDR 秒开」还是「一卡一卡」，其实是 DNS 把你丢到了哪个 CDN 节点上。
以国内宽带环境为例，运营商默认给你的 DNS（比如常见的 114DNS），会把苹果相关的流量解析到 fastly、akamai 这些在本地表现不佳的节点上，结果就是：理论上可以直连的 Apple TV 内容，被慢速 CDN 拖成了「必须挂梯子」的体验。 如果你改成更合适的公共 DNS，让解析有更大概率命中苹果自家的 CDN，那么同一条宽带、同一台 Apple TV，直连就能轻松跑到几十兆码率，看 4K HDR 也不会再频繁降码率或者转圈。
最直接的做法是在 Apple TV 的网络设置里，把 DNS 改成 1.1.1.1 和 1.0.0.1，让解析走 Cloudflare，这样苹果内容通常会落到更友好的节点，实测码率可以达到 30–50Mbps。
把视角再拉宽一点，这其实是一套通用的网络调优心法：凡是理论上应该能直连、实际体验却很差的服务，比如 NS、PS、Steam 下载、手机系统更新，都可以先从 DNS 下手，观察自己到底被分配到了哪一层 CDN，然后通过调整 DNS 和规则，逐步把流量从「烂节点」挪到「好节点」。
以国内宽带环境为例，运营商默认给你的 DNS（比如常见的 114DNS），会把苹果相关的流量解析到 fastly、akamai 这些在本地表现不佳的节点上，结果就是：理论上可以直连的 Apple TV 内容，被慢速 CDN 拖成了「必须挂梯子」的体验。 如果你改成更合适的公共 DNS，让解析有更大概率命中苹果自家的 CDN，那么同一条宽带、同一台 Apple TV，直连就能轻松跑到几十兆码率，看 4K HDR 也不会再频繁降码率或者转圈。
最直接的做法是在 Apple TV 的网络设置里，把 DNS 改成 1.1.1.1 和 1.0.0.1，让解析走 Cloudflare，这样苹果内容通常会落到更友好的节点，实测码率可以达到 30–50Mbps。
把视角再拉宽一点，这其实是一套通用的网络调优心法：凡是理论上应该能直连、实际体验却很差的服务，比如 NS、PS、Steam 下载、手机系统更新，都可以先从 DNS 下手，观察自己到底被分配到了哪一层 CDN，然后通过调整 DNS 和规则，逐步把流量从「烂节点」挪到「好节点」。
Kimi 还在开源，我是真有点没想明白
中美两边现在都在用万亿级别的真金白银投入大模型。
按照最朴素的商业逻辑，东大搞一套 AI 生态，西大搞一套 AI 生态，各自覆盖自己的盟友和市场，然后一起收 Token 税，不好吗？🤔
结果东大这边反手就把模型开源了。
印度、日本、中东拿回去，自己买点显卡，做点微调和本地化，也能凑合着用。性能差一点没有关系，反正绝大多数任务都能完成。关键是研发成本几乎为零，等于白拿。
这件事可能说明了一个残酷的现状：大模型这门生意，模型本身真的没有护城河。
人才在流动，训练方法在趋同，蒸馏在加速，高质量数据也被反复使用。只要 DeepSeek、Qwen、Kimi、GLM 里面有一家开源，其他公司就很难长期守住闭源溢价。
你不开源，别人开源；你收费，别人免费；你投入几百亿美元训练出来的能力，别人拿回去蒸馏、微调、部署，几个月后差距又被追上。
所以，Kimi 开源未必是大方，更像是主动承认了一个现实：
模型这一层的利润守不住。
与其最后被迫降价，不如提前开源，把开发者、生态和行业标准抢下来。模型以后可能就跟 Linux、Android 一样，免费送。
当然，还有最后一个让我有点后背发凉的问题。
高能力模型一旦开源，再被人顺手把各种限制去掉……
这就有点像给猴子发了一把冲锋枪。枪本身没有善恶。但猴子，可不一定会按说明书来。🤡
应该只是我想多了，毕竟 AGI 理应属于全人类。将来可 HomeLab 部署的 AGI 水平的小模型，应该在路上了吧。🏄
我要在家手搓原子弹！🚀
中美两边现在都在用万亿级别的真金白银投入大模型。
按照最朴素的商业逻辑，东大搞一套 AI 生态，西大搞一套 AI 生态，各自覆盖自己的盟友和市场，然后一起收 Token 税，不好吗？🤔
结果东大这边反手就把模型开源了。
印度、日本、中东拿回去，自己买点显卡，做点微调和本地化，也能凑合着用。性能差一点没有关系，反正绝大多数任务都能完成。关键是研发成本几乎为零，等于白拿。
这件事可能说明了一个残酷的现状：大模型这门生意，模型本身真的没有护城河。
人才在流动，训练方法在趋同，蒸馏在加速，高质量数据也被反复使用。只要 DeepSeek、Qwen、Kimi、GLM 里面有一家开源，其他公司就很难长期守住闭源溢价。
你不开源，别人开源；你收费，别人免费；你投入几百亿美元训练出来的能力，别人拿回去蒸馏、微调、部署，几个月后差距又被追上。
所以，Kimi 开源未必是大方，更像是主动承认了一个现实：
模型这一层的利润守不住。
与其最后被迫降价，不如提前开源，把开发者、生态和行业标准抢下来。模型以后可能就跟 Linux、Android 一样，免费送。
当然，还有最后一个让我有点后背发凉的问题。
高能力模型一旦开源，再被人顺手把各种限制去掉……
这就有点像给猴子发了一把冲锋枪。枪本身没有善恶。但猴子，可不一定会按说明书来。🤡
应该只是我想多了，毕竟 AGI 理应属于全人类。将来可 HomeLab 部署的 AGI 水平的小模型，应该在路上了吧。🏄
我要在家手搓原子弹！🚀
1986 年，明尼苏达大学的流行病学家大卫·斯诺登开展了对阿尔茨海默病的“修女研究”。修女们的生活环境、生活方式统一，而且没有不良嗜好，所以是理想的研究对象。
研究发现：一些修女虽然大脑中存在严重的阿尔茨海默病的病理特征，但并未表现出痴呆症状。也就是说，脑损伤会引起阿尔茨海默病，但并不是绝对的。
对这些修女们的分析发现：在年轻时能用简洁语言表达高密度信息的人，晚年的认知功能也更强。而文字信息密度低，写东西像流水账的人，患阿尔兹海默病的风险也高得多。
这可能意味着：如果一个人年轻时储备了足够多的认知能力，衰老造成的伤害也难以将高认知能力的大脑降低到痴呆的程度。
via tombkeeper的微博
研究发现：一些修女虽然大脑中存在严重的阿尔茨海默病的病理特征，但并未表现出痴呆症状。也就是说，脑损伤会引起阿尔茨海默病，但并不是绝对的。
对这些修女们的分析发现：在年轻时能用简洁语言表达高密度信息的人，晚年的认知功能也更强。而文字信息密度低，写东西像流水账的人，患阿尔兹海默病的风险也高得多。
这可能意味着：如果一个人年轻时储备了足够多的认知能力，衰老造成的伤害也难以将高认知能力的大脑降低到痴呆的程度。
via tombkeeper的微博
