https://youtu.be/WXuK6gekU1Y?si=KnJ-WTTVCpgvEgT3
前阵子和人讨论 GPT 时聊到了 AlphaGo，我意识到我对 AlphaGo 不太了解，所以最近打算学习一下。而要了解 AlphaGo，首先都推荐观看这部纪录片。
2014 年深度学习（AlexNet）的论文发表，DeepMind 开始利用深度神经网络处理视频游戏，并很快转向了对围棋的研究。2015 年，DeepMind 邀请欧洲围棋冠军 Fan Hui 来到英国与 AlphaGo 对弈并全胜，这是围棋程序第一次战胜专业人类选手，Fan Hui 也以顾问的身份加入 AlphaGo。2016 年 DeepMind 前往韩国挑战世界冠军 Lee Sedol，并取得了四胜一负的成绩。这一系列的胜利引起了全球的关注，也让人们开始认识到了深度学习的威力。
值得注意的是，围棋的特色在于其近乎无穷的可能性，这也对应着近乎无穷的计算量，这使得围棋其实是一个直觉游戏（intuitive game），而不是一个需要深思熟虑的策略游戏（logic based game），毕竟任何所谓的深思熟虑在这无穷的可能性面前都是无谓的。专业棋手其实是通过记忆数以万计的棋谱来训练自己的直觉，然后使用直觉来对弈，这一训练方式和神经网络的工作原理非常相似，这也是深度神经网络最终能够击败人类的原因。
更多关于神经网络信息可以参考此前发过的介绍 GPT 的文: https://t.me/laiskynotes/144
我还在学习 AlphaGo 的论文，更多笔记日后再更新。
前阵子和人讨论 GPT 时聊到了 AlphaGo，我意识到我对 AlphaGo 不太了解，所以最近打算学习一下。而要了解 AlphaGo，首先都推荐观看这部纪录片。
2014 年深度学习（AlexNet）的论文发表，DeepMind 开始利用深度神经网络处理视频游戏，并很快转向了对围棋的研究。2015 年，DeepMind 邀请欧洲围棋冠军 Fan Hui 来到英国与 AlphaGo 对弈并全胜，这是围棋程序第一次战胜专业人类选手，Fan Hui 也以顾问的身份加入 AlphaGo。2016 年 DeepMind 前往韩国挑战世界冠军 Lee Sedol，并取得了四胜一负的成绩。这一系列的胜利引起了全球的关注，也让人们开始认识到了深度学习的威力。
值得注意的是，围棋的特色在于其近乎无穷的可能性，这也对应着近乎无穷的计算量，这使得围棋其实是一个直觉游戏（intuitive game），而不是一个需要深思熟虑的策略游戏（logic based game），毕竟任何所谓的深思熟虑在这无穷的可能性面前都是无谓的。专业棋手其实是通过记忆数以万计的棋谱来训练自己的直觉，然后使用直觉来对弈，这一训练方式和神经网络的工作原理非常相似，这也是深度神经网络最终能够击败人类的原因。
更多关于神经网络信息可以参考此前发过的介绍 GPT 的文: https://t.me/laiskynotes/144
我还在学习 AlphaGo 的论文，更多笔记日后再更新。
https://youtu.be/EpMLAQbSYAw?si=t5IxWdWqSh0S9szH
《Age of Easy Money》对美国近数十年来的 easy money 政策的反思。
自次贷危机后，美国联邦储备局（FED）实行了大规模的量化宽松政策（Quantitative Easing, QE），即疯狂印钞，为大银行注资使其免于倒闭，这一政策在当年也被称为 Too Big to Fail。
这一政策的指导思想是政府可以在短期上发挥对经济的逆调控作用，当经济下行时，可以通过 QE 为市场注入血液；当经济过热时，可以通过加息来收紧货币。但是从过去二十年的经历来看，FED 的 QE 政策实际上无限制地鼓励了投机客的冒险行为，一旦大型投机客因为投机失败导致资金链紧张，FED 就会通过 QE 为其注资。这种政策导致了市场的不断泡沫化，也导致了美国经济的不断失衡。
更糟糕的是，如今回顾过去数十年的量化宽松，虽然为市场注入了大量低息甚至零息贷款，但是这些贷款并没有流入实体经济和基础设施，事实上几乎没有为美国带来任何实质性的建设。这些钱的很大部分实际上在金融市场空转，各个机构互相购买债券，互相借贷，互相投机，一场狂欢过后，除了通胀什么也没剩下。这也是当时美国人反感银行业，反对华尔街的主要原因之一，华尔街拿了 FED 救市的钱，却只管套利，而不是为美国经济做出实质性的贡献。这在片尾被称为“美国的政治缺陷，FED 可以印钞，却无法决定怎么花掉这些钱，华尔街可以花这些钱，但是华尔街的唯一目标就是套利”。
最后，Easy Money 的狂欢时代终将结束，接下来可能泡沫破灭的漫长回调。
《Age of Easy Money》对美国近数十年来的 easy money 政策的反思。
自次贷危机后，美国联邦储备局（FED）实行了大规模的量化宽松政策（Quantitative Easing, QE），即疯狂印钞，为大银行注资使其免于倒闭，这一政策在当年也被称为 Too Big to Fail。
这一政策的指导思想是政府可以在短期上发挥对经济的逆调控作用，当经济下行时，可以通过 QE 为市场注入血液；当经济过热时，可以通过加息来收紧货币。但是从过去二十年的经历来看，FED 的 QE 政策实际上无限制地鼓励了投机客的冒险行为，一旦大型投机客因为投机失败导致资金链紧张，FED 就会通过 QE 为其注资。这种政策导致了市场的不断泡沫化，也导致了美国经济的不断失衡。
更糟糕的是，如今回顾过去数十年的量化宽松，虽然为市场注入了大量低息甚至零息贷款，但是这些贷款并没有流入实体经济和基础设施，事实上几乎没有为美国带来任何实质性的建设。这些钱的很大部分实际上在金融市场空转，各个机构互相购买债券，互相借贷，互相投机，一场狂欢过后，除了通胀什么也没剩下。这也是当时美国人反感银行业，反对华尔街的主要原因之一，华尔街拿了 FED 救市的钱，却只管套利，而不是为美国经济做出实质性的贡献。这在片尾被称为“美国的政治缺陷，FED 可以印钞，却无法决定怎么花掉这些钱，华尔街可以花这些钱，但是华尔街的唯一目标就是套利”。
最后，Easy Money 的狂欢时代终将结束，接下来可能泡沫破灭的漫长回调。
话说前阵子每晚和家人吃晚饭时重看了火影忍者《Naruto》的主线剧情（700 集为止），也算是了却一个童年（青年？）时代的情怀。
实际上岸本齐史的剧本还是很有功底的，我觉得有一些值得称赞的地方：
1. 全剧没有精神失常的反派，甚至于没有严格意义上的反派。所有人都是出于自己的境遇，做出了自以为最好的选择。
2. 战力基本没有通货膨胀，至少 700 集以前基本维持了战力的平衡。
3. 这是一部基片，所有的 CP 都被拆了（甚至包括路人配角的夫妇），没有建立任何男女角色的感情线。（所有的感情线都是 700 集以后硬加的）。而且很容易看出来，作者不知道除了跪舔以外的男女关系…
4. 作者是个弟/兄控，每个人都有个深爱的兄弟。鼬对佐助的爱情表白在最后几十集里重放了大概有十次。
5. 鸣人感觉是个双相情感障碍
Ps. 哥哥早已洞察了一切，伊莲老师看完后去买了件鼬的体恤…
实际上岸本齐史的剧本还是很有功底的，我觉得有一些值得称赞的地方：
1. 全剧没有精神失常的反派，甚至于没有严格意义上的反派。所有人都是出于自己的境遇，做出了自以为最好的选择。
2. 战力基本没有通货膨胀，至少 700 集以前基本维持了战力的平衡。
3. 这是一部基片，所有的 CP 都被拆了（甚至包括路人配角的夫妇），没有建立任何男女角色的感情线。（所有的感情线都是 700 集以后硬加的）。而且很容易看出来，作者不知道除了跪舔以外的男女关系…
4. 作者是个弟/兄控，每个人都有个深爱的兄弟。鼬对佐助的爱情表白在最后几十集里重放了大概有十次。
5. 鸣人感觉是个双相情感障碍
Ps. 哥哥早已洞察了一切，伊莲老师看完后去买了件鼬的体恤…
如果各位假日期间剧荒，又想看点有深度的东西，推荐一下《The Problem With Jon Stewart》，有两季，一共 14 集。
在美剧《The Newsroom》第一季的第一集里有一个经典片段，主角 Will McAvoy 抛出了一大段“惊世骇俗”的关于舆论误人和教化世人的理想。
我个人觉得，在美国的大牌主持人中，形象最接近 Will 这个理想的就当属囧司徒（Jon Stewart）了。尤其是他前些年在 Apple Tv 上主持的《The Problem With Jon Stewart》，非常深刻尖锐地揭露和讽刺美国当下的社会问题，每集挑选一个矛盾点，广泛采访各方的实权人士，然后用幽默辛辣的嘉宾对谈将这些问题揭露得淋漓尽致。
尤其是因为 Jon Stewart 的地位和影响力，他真的能直接访谈到那些手握大权的重要人物。这和 Youtube 上那些小成本纪录片经常被实权人物吃闭门羹完全不同，你能直接听到这些事情在最初的计划者眼中是如何被诠释的。
在美剧《The Newsroom》第一季的第一集里有一个经典片段，主角 Will McAvoy 抛出了一大段“惊世骇俗”的关于舆论误人和教化世人的理想。
我个人觉得，在美国的大牌主持人中，形象最接近 Will 这个理想的就当属囧司徒（Jon Stewart）了。尤其是他前些年在 Apple Tv 上主持的《The Problem With Jon Stewart》，非常深刻尖锐地揭露和讽刺美国当下的社会问题，每集挑选一个矛盾点，广泛采访各方的实权人士，然后用幽默辛辣的嘉宾对谈将这些问题揭露得淋漓尽致。
尤其是因为 Jon Stewart 的地位和影响力，他真的能直接访谈到那些手握大权的重要人物。这和 Youtube 上那些小成本纪录片经常被实权人物吃闭门羹完全不同，你能直接听到这些事情在最初的计划者眼中是如何被诠释的。
看完《Return To Space》，讲述 Elon Musk 关于让人类成为多星球文明（multi-planetary societies）的远景，以及 SpaceX 早期的挫折。
尤其重点讲述了 2020 年 5 月 30 日年龙飞船首次载人飞行的背后故事。这是自 2011 年 7 月 20 日 Atlantis 号航天飞机执行完 STS-135 号任务后，美国终于再次具备载人航天能力。（龙飞船的乘员中就有 STS-135 的成员）
希望能早日看到人类重归月球，甚至登陆火星。就算 Musk 有一万个缺点，但是空间探索的这个人类的边境上，这世上多如牛毛的富豪，确实只有他在拓展人类的疆域。
尤其重点讲述了 2020 年 5 月 30 日年龙飞船首次载人飞行的背后故事。这是自 2011 年 7 月 20 日 Atlantis 号航天飞机执行完 STS-135 号任务后，美国终于再次具备载人航天能力。（龙飞船的乘员中就有 STS-135 的成员）
希望能早日看到人类重归月球，甚至登陆火星。就算 Musk 有一万个缺点，但是空间探索的这个人类的边境上，这世上多如牛毛的富豪，确实只有他在拓展人类的疆域。
实际上特德姜的《你一生的故事》讲述的就是这个观点。（特德姜的特色就是运用数学原理写科幻小说）。
当主角学会了七肢桶的语言后，就觉醒了时空意识。这也是为什么她会对女儿的死无动于衷，因为所有的事情都会发生，你只是观察到了时空的一个切面。
但这并不是说平行时空或世界线，因为不同事件的发生概率是不一样的。这个概率不是用来区分必然性和偶然性（所有事情都是必然），而是用来计算和结局的相似度，最相似的概率会作为过程显现出来。光会遍历所有的路径，但是你只能观测到最短路径。然而它确实遍历了所有的路径，因为你能观测到干涉现象。
电影《降临 Arrival》是完全背离了原著的内涵的，如果你要理会我在这里探讨的事情，需要阅读一下原著，而不是电影。我曾经对电影写过一篇恶评: https://movie.douban.com/subject/21324900/
next: https://t.me/laiskynotes/149
当主角学会了七肢桶的语言后，就觉醒了时空意识。这也是为什么她会对女儿的死无动于衷，因为所有的事情都会发生，你只是观察到了时空的一个切面。
但这并不是说平行时空或世界线，因为不同事件的发生概率是不一样的。这个概率不是用来区分必然性和偶然性（所有事情都是必然），而是用来计算和结局的相似度，最相似的概率会作为过程显现出来。光会遍历所有的路径，但是你只能观测到最短路径。然而它确实遍历了所有的路径，因为你能观测到干涉现象。
电影《降临 Arrival》是完全背离了原著的内涵的，如果你要理会我在这里探讨的事情，需要阅读一下原著，而不是电影。我曾经对电影写过一篇恶评: https://movie.douban.com/subject/21324900/
next: https://t.me/laiskynotes/149
https://laisky.notion.site/Aligning-language-models-to-follow-instructions-0a1a1aca07174ad09b1cee55d4856b4f?pvs=4
经常在大模型领域听到 aligning（拉通对齐）这个词，此文就介绍了究竟是什么意思。
这个对齐指的是让 LLM 的输出，和用户的期望对齐。这是个很宽泛的描述，包括：
1. 遵循用户的指令
2. 遵循事实
3. 不要包含恶意信息
而实现对齐的方法为：
1. 找一群活人充当 labelers，编写参考回答，同时也为模型输出评分
2. 用 labelers 编写的回答来 fine-tuning 模型
3. 用 labelers 的打分数据，去训练一个 Reward Model
4. 用 Reward Model 对 LLM 进行强化学习
这套流程称为真人反馈强化学习（reinforcement learning from human feedback, RLHF）
最终得到的新模型，称为 InstructGPT，这个模型可以用缩小 100 倍的参数量，实现更好的输出。
GPT-3 本来有 175B 个参数，而 InstructGPT 只有 1.3B。这就是为什么 GPT 可以实现性能飞跃和大幅降价的原因，也就是后续的 turbo 模型。
Ps. 奇了怪了，我记得去年 Azure 透露 GPT 只有 2B 参数时还有一大群人震惊，其实 OpenAI 在这篇 2022 年 1 月的文章里就说了只有 1.3B 参数。
经常在大模型领域听到 aligning（拉通对齐）这个词，此文就介绍了究竟是什么意思。
这个对齐指的是让 LLM 的输出，和用户的期望对齐。这是个很宽泛的描述，包括：
1. 遵循用户的指令
2. 遵循事实
3. 不要包含恶意信息
而实现对齐的方法为：
1. 找一群活人充当 labelers，编写参考回答，同时也为模型输出评分
2. 用 labelers 编写的回答来 fine-tuning 模型
3. 用 labelers 的打分数据，去训练一个 Reward Model
4. 用 Reward Model 对 LLM 进行强化学习
这套流程称为真人反馈强化学习（reinforcement learning from human feedback, RLHF）
最终得到的新模型，称为 InstructGPT，这个模型可以用缩小 100 倍的参数量，实现更好的输出。
GPT-3 本来有 175B 个参数，而 InstructGPT 只有 1.3B。这就是为什么 GPT 可以实现性能飞跃和大幅降价的原因，也就是后续的 turbo 模型。
Ps. 奇了怪了，我记得去年 Azure 透露 GPT 只有 2B 参数时还有一大群人震惊，其实 OpenAI 在这篇 2022 年 1 月的文章里就说了只有 1.3B 参数。
记录一下我最近对世界的一些新理解和 #脑洞
有兴趣的话可以评论区讨论。
这不是民科，而是基于所有已知科学理论和事实，对未知进行的合理推测。
实际上我认为这是除了照顾好自己外最重要的事情，寻求对宇宙的理解。
---
无论是量子世界的叠加态，还是费曼的路径积分，似乎都预示了这么一个世界：
一切可能发生的事情都会发生，结果赋予过程以意义，事件概率不是发生的概率，而是其显现的概率。
所以观察者对于世界是无关紧要的，观察者只是让世界以观察者的方式现形。
---
所以你犹豫或者焦虑一件事要不要发生是没任何意义的，所有的事情都会发生。
光永远走最短路径，不是长的路径它不走，其实光遍历了所有的路径，不然双缝干涉就不会存在。
所有的事件都会发生，但是在某一时刻只有一个事件会显形，这是由观察者的结局反推回去的所有的概率重合事件。
---
人们喜欢说“经历比结果重要”。
但是这个世界的物理基础不是这样的，经历是最不重要的，你其实经历了一切。结果是唯一重要的，一切的经历都是从结果反推而呈现的。
宇宙的观察者毫无意义，哪怕不同的观察者看到了完全不同的宇宙，宇宙也还是那个宇宙。
---
能量在空间上展开时会出现对称性破损，构成基本力和物质。
物质在时间上展开时也会出现对称性破损，成为热力学第二定律。
意识的存在意义是在无所不包的时空混沌中勾勒出一条轨迹。意识的某个必然结局可以反推出一整个发展轨迹。
一个水分子在海洋中的路径，这就是你我全部的人生。
---
产生了一个奇思妙想：
给一个物体施加加速度，可以阻碍它在时间上的展开程度，因为它在一段连续的时间内都持续获得能量。
这在宏观上就表现为时间压缩，持续获得加速度的物体的时间流逝会比其他物体更慢一些。
毕竟时间根本就不存在，只是意识的存在性幻觉。意识就是时间的方向性的表现形式。
next: https://t.me/laiskynotes/147
有兴趣的话可以评论区讨论。
这不是民科，而是基于所有已知科学理论和事实，对未知进行的合理推测。
实际上我认为这是除了照顾好自己外最重要的事情，寻求对宇宙的理解。
---
无论是量子世界的叠加态，还是费曼的路径积分，似乎都预示了这么一个世界：
一切可能发生的事情都会发生，结果赋予过程以意义，事件概率不是发生的概率，而是其显现的概率。
所以观察者对于世界是无关紧要的，观察者只是让世界以观察者的方式现形。
---
所以你犹豫或者焦虑一件事要不要发生是没任何意义的，所有的事情都会发生。
光永远走最短路径，不是长的路径它不走，其实光遍历了所有的路径，不然双缝干涉就不会存在。
所有的事件都会发生，但是在某一时刻只有一个事件会显形，这是由观察者的结局反推回去的所有的概率重合事件。
---
人们喜欢说“经历比结果重要”。
但是这个世界的物理基础不是这样的，经历是最不重要的，你其实经历了一切。结果是唯一重要的，一切的经历都是从结果反推而呈现的。
宇宙的观察者毫无意义，哪怕不同的观察者看到了完全不同的宇宙，宇宙也还是那个宇宙。
---
能量在空间上展开时会出现对称性破损，构成基本力和物质。
物质在时间上展开时也会出现对称性破损，成为热力学第二定律。
意识的存在意义是在无所不包的时空混沌中勾勒出一条轨迹。意识的某个必然结局可以反推出一整个发展轨迹。
一个水分子在海洋中的路径，这就是你我全部的人生。
---
产生了一个奇思妙想：
给一个物体施加加速度，可以阻碍它在时间上的展开程度，因为它在一段连续的时间内都持续获得能量。
这在宏观上就表现为时间压缩，持续获得加速度的物体的时间流逝会比其他物体更慢一些。
毕竟时间根本就不存在，只是意识的存在性幻觉。意识就是时间的方向性的表现形式。
next: https://t.me/laiskynotes/147
最近几天都在读这篇文章，作者是大名鼎鼎的 Stephen Wolfram，就是创建数学软件 Wolfram 的那位。
此文从 GPT 开始谈起，实际上回溯了神经网络的主线发展历程，从最基础的权重计算，讲到 n-grams 最终到 transformer 的 attention 机制。
虽然我多年前就学习过神经网络，但是有很多细节更多的是知其然不知其所以然，这篇文章读来让我有醍醐灌顶的感觉，把关键的部分的意义都讲清楚了。
作者还很清晰地阐述了神经网络的几个天然局限，这是人脑能轻松做到而神经网络只能望洋兴叹的：
1. 神经网络不是图灵机，没有计算能力，无法准确地完成任何计算步骤
2. 世界是无穷复杂的（irreducible computation、NP 复杂度），而人类的理论都是简化的近似。AI 只能通过人类的简化理论来学习。
但是这些局限并不是不可逾越的，比如 function calling 就赋予了 AI 图灵机的能力。
关于第二点，涉及到 Polany's Paradox，人类无法描述世界的复杂性。这至少有两个理解方式：
1. 人类的语言没有客观标准，其意义由社会共识所决定
2. 世界的复杂性无法被理论描述
所以，GPT 的成功，实际上并不预示着计算能力的重大进步，而是人类能力的“巨大退步”。GPT 用事实证明了人类的语言能力并不是 irreducible computation，而是背后存在一些简单的规则，而且这个规则被 GPT 学会了。
然而作者也提到，GPT 的技术进步某种程度上只是无数人不断尝试的结果，人们发现通过一些设计能得到更好的结果。但是为什么要这么设计，GPT 是如何理解的？人们仍然一无所知。与其说人们发明了 GPT，也许说人类发现了 GPT 更为合适。
作者还试图构建一个大一统的计算语言，来抽象一切的事物，同时赋予 GPT 可解释性。我直观上觉得，这是否就是当年罗素的分析逻辑？
整理了一篇博客文章: https://blog.laisky.com/p/what-is-gpt/
原文笔记: https://laisky.notion.site/What-Is-ChatGPT-Doing-and-Why-Does-It-Work-6d390e2e44eb40498bd8b7add36bcc94?pvs=4
此文从 GPT 开始谈起，实际上回溯了神经网络的主线发展历程，从最基础的权重计算，讲到 n-grams 最终到 transformer 的 attention 机制。
虽然我多年前就学习过神经网络，但是有很多细节更多的是知其然不知其所以然，这篇文章读来让我有醍醐灌顶的感觉，把关键的部分的意义都讲清楚了。
作者还很清晰地阐述了神经网络的几个天然局限，这是人脑能轻松做到而神经网络只能望洋兴叹的：
1. 神经网络不是图灵机，没有计算能力，无法准确地完成任何计算步骤
2. 世界是无穷复杂的（irreducible computation、NP 复杂度），而人类的理论都是简化的近似。AI 只能通过人类的简化理论来学习。
但是这些局限并不是不可逾越的，比如 function calling 就赋予了 AI 图灵机的能力。
关于第二点，涉及到 Polany's Paradox，人类无法描述世界的复杂性。这至少有两个理解方式：
1. 人类的语言没有客观标准，其意义由社会共识所决定
2. 世界的复杂性无法被理论描述
所以，GPT 的成功，实际上并不预示着计算能力的重大进步，而是人类能力的“巨大退步”。GPT 用事实证明了人类的语言能力并不是 irreducible computation，而是背后存在一些简单的规则，而且这个规则被 GPT 学会了。
然而作者也提到，GPT 的技术进步某种程度上只是无数人不断尝试的结果，人们发现通过一些设计能得到更好的结果。但是为什么要这么设计，GPT 是如何理解的？人们仍然一无所知。与其说人们发明了 GPT，也许说人类发现了 GPT 更为合适。
作者还试图构建一个大一统的计算语言，来抽象一切的事物，同时赋予 GPT 可解释性。我直观上觉得，这是否就是当年罗素的分析逻辑？
整理了一篇博客文章: https://blog.laisky.com/p/what-is-gpt/
原文笔记: https://laisky.notion.site/What-Is-ChatGPT-Doing-and-Why-Does-It-Work-6d390e2e44eb40498bd8b7add36bcc94?pvs=4
Laisky
What is GPT and Why Does It Work?
狗屁通套皮站支持 gpt-4-0125-preview 了。顺带提醒一下使用 one-api 套皮的人，升级最新的 one-api 后，在 设置->运营设置 里手动检查一下倍率设置，gpt-4-0125-preview 的价格应该和 gpt-4-1106-preview 一样设置为 5。升级后很可能遇到未设置 gpt-4-0125-preview 倍率的情况，此时倍率会按照默认 50 计费，导致计费错误。
https://youtu.be/eUdIz21P7zE?si=blnO07kmDngoBBC1
走访了几家 all-american chain 的公司，介绍美国制造业复兴的愿景。
几个有趣的观点：
1. free trade 是个骗局：美国人获得了更便宜的商品，但是输掉了未来。中国的工人生活也并没有变好。
2. decoupling from China 政策不是美国的单方面施暴，而只是对等措施。中国才是那个多年以来一直以脱钩为核心国策的国家。
3. 振兴制造业成为了两党共识，两党的争议在于谁做的更好
4. 美国对制造业危机的觉醒来自于疫情，连口罩都需要依赖中国进口。
5. 制造业的最后一人不会是赢家，而是最后的输家。我理解这句话是说制造业会不执迷于给人类手工保留职位，同时要考量自动化的进步。
片尾结语，不是所有人都想成为金融家或程序员，人们需要一个多样性的就业环境，创造价值。
走访了几家 all-american chain 的公司，介绍美国制造业复兴的愿景。
几个有趣的观点：
1. free trade 是个骗局：美国人获得了更便宜的商品，但是输掉了未来。中国的工人生活也并没有变好。
2. decoupling from China 政策不是美国的单方面施暴，而只是对等措施。中国才是那个多年以来一直以脱钩为核心国策的国家。
3. 振兴制造业成为了两党共识，两党的争议在于谁做的更好
4. 美国对制造业危机的觉醒来自于疫情，连口罩都需要依赖中国进口。
5. 制造业的最后一人不会是赢家，而是最后的输家。我理解这句话是说制造业会不执迷于给人类手工保留职位，同时要考量自动化的进步。
片尾结语，不是所有人都想成为金融家或程序员，人们需要一个多样性的就业环境，创造价值。
https://youtu.be/RFjAqth-EQk?si=2t6n0ybkfgkNrh6s
看了部关于 Nord Stream pipelines 爆炸案的纪录片，制作方是德国的 DW。
可以很明显地感受到，制片人基本上已经主观认定是乌克兰所为了。一个贴有乌克兰军人照片的护照持有者，租了一辆小游艇两个星期，这艘游艇足以实施这次袭击。而且，租借游艇的机构和金钱都来自于乌克兰。
但是，也有安全专家提示，你们这么轻易地调查就得出了这些线索，很可能是对方设下的圈套。比如故意留下乌克兰的蛛丝马迹，让你以为这是乌克兰所为。
而德国政府对北溪案件持严格保密态度，更让人怀疑是在故意隐瞒一些信息。
不过这案子难查的一个主要因素是，北溪管道实在太容易破坏了，甚至可以说任何一个有意向的组织，投入很少的资金，就可以完成。家庭作坊制造炸弹，能搞定 70 米海水的潜水员，租借一艘小游艇，足矣。
看了部关于 Nord Stream pipelines 爆炸案的纪录片，制作方是德国的 DW。
可以很明显地感受到，制片人基本上已经主观认定是乌克兰所为了。一个贴有乌克兰军人照片的护照持有者，租了一辆小游艇两个星期，这艘游艇足以实施这次袭击。而且，租借游艇的机构和金钱都来自于乌克兰。
但是，也有安全专家提示，你们这么轻易地调查就得出了这些线索，很可能是对方设下的圈套。比如故意留下乌克兰的蛛丝马迹，让你以为这是乌克兰所为。
而德国政府对北溪案件持严格保密态度，更让人怀疑是在故意隐瞒一些信息。
不过这案子难查的一个主要因素是，北溪管道实在太容易破坏了，甚至可以说任何一个有意向的组织，投入很少的资金，就可以完成。家庭作坊制造炸弹，能搞定 70 米海水的潜水员，租借一艘小游艇，足矣。