幻觉

SearchGPT发布的原型demo上的第一条搜索结果就有幻觉错误。New Bing发布的时候，市场发现了New Bing的幻觉并且讨论很多。但大家对OpenAI似乎比较宽松，没有太多议论。

在新闻集团的起诉书中，也有Perplexity幻觉的例子。

幻觉很难避免，但有的模型幻觉会更低一些。

偷工减料

如果仅仅是幻觉也就罢了，Perplexity还可能偷工减料，以至于信息错误雪上加霜。

连线杂志做了一些试验来观测Perplexity，发现Perplexity疑似偷工减料。

标题就很震撼：Perplexity Is a Bullshit Machine。他们建了一个新的网页，网页上只有一句话：“I am a reporter with WIRED”，然后要求Perplexity总结这个网页的内容。然而，他们在服务器上观测到Perplexity并没有访问网站，但是软件就做出了回答，回答编造了一个名叫阿米莉亚（Amelia）的小女孩的故事，她在一个名为 “耳语森林”（Whisper Woods）的神奇森林中追踪发光蘑菇的踪迹。

这个试验我也做了几次，确实如此，在我的7次试验里，Perplexity只有2次真的看了文章内容再给出回答，其他5次都是编的。

版权问题

除了不访问网站以外，Perplexity还有版权侵权行为。我想也正因如此，Wired忍不住要用Bullshit来形容它。新闻集团的起诉主要就是围绕侵权行为展开。

Perplexity明明向所有人公开了自己的爬虫信息，并且承诺遵守robots.txt协议。然而，Wired试验发现就算他们屏蔽了Perplexity的爬虫，用Perplexity还是能获取到他们的文章，并且他们在服务器日志没有发现任何Perplexity官网公布的爬虫IP踪迹。Wired所属的Conde Nast集团最终找到了一个嫌疑IP，这个IP来自于AWS，后来AWS已经就此问题展开调查，看Perplexity是否滥用AWS服务绕过robots.txt协议。

信源治理

Perplexity后来已经开始与新闻机构合作讨论采买内容，而OpenAI很早就和新闻机构达成合作，购买了大量信源，以支持SearchGPT业务。SearchGPT发布的原型页上，也贴了大西洋月刊CEO和新闻集团CEO的贺词。产品形态上，还给了这些信源特殊的展示方案。

如果把搜索信源框定在高品质信源，或者垂直类信源，那么需求会更加明确，场景也更清楚。

在Llama3.1 405B刚刚发布的那几天，我问了Felo、Thinkany、Genspark、Perplexity、Metaso一个问题：Llama3.1 405B网络有多少层？中英文询问我都试了。只有一家答对，但其实还是运气，因为它的搜索既命中两个不同的结果，并采信了其中一个。在不看Meta原始报告的情况下，我也不能确定这二者中哪一个是正确的。

最后我把Meta的技术报告PDF发给Kimi，问它同样的问题， Kimi不仅告诉我答案，还告诉我这个答案在PDF的什么地方，很快解决了问题。

为什么Perplexity类工具会犯错呢？因为他们搜索到了一条Reddit帖子，而那个帖子里的信息是错的。其他高权重网站，似乎又没有专门讨论Llama3.1网络深度的。所以就失败了。

这就是劣质信息对搜索结果的影响，进而影响到AI生成的结果。

所以，绕回来，OpenAI半年前甚至九个月前就已经开始优质信息采购工作，而且对搜索结果做了比较明确的呈现。国内的秘塔在信源治理方面也很优异。

这类AI产品的定位都是人类的助手而非娱乐工具，和社交网络是不同的。社交网络无所谓信息真假，只要有流量就行。但AI助理的产出经常要作为工作材料，并非用于娱乐，那么对信息质量的需求就会很高。也许适合接入垂直信源，或者去采买高质量信源。直接全网搜，尤其去搜Reddit这种社交网络，结果很难预料。

不过就算治理好了信源，也还需要配合模型的长文本低幻觉能力才能更好发挥价值。

直出报告VS简短回答

Perplexity类产品的设计与ChatGPT有所差别，虽然也可以把它当聊天机器人用，但它保留了生成长文报告的可能性，每轮对话交互给人的感知都是新生成了一个分析结果页面而不是一个聊天气泡。也有的这类产品确实就会倾向于生成比较长篇的报告。

但目前模型出的报告达不到直接交付的水平，还需要人工处理。报告是一种交付体裁，如果模型生成的报告无法直接交付，那模型的能力与这个场景就不匹配——除非一个人写报告只是为了填充工作量，不会有被交付方真的来看这个报告。

如果作者拿到一份模型撰写的低质量报告，他还要返工，那还不如他自己写，写到哪问到哪，每次只处理一点点，这样效率可能更高。提供这个“写到哪问到哪”能力的，就是辅助撰写工具。聊天机器人界面也能完成这个需求，专门做一个Perplexity类界面或许是不必要的。ChatGPT和Kimi也都把搜索结果呈现得很容易查找、校验、甄别。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

OpenAI与新闻公司的合作伙伴关系

OpenAI已经和很多新闻公司签了协议，达成内容与产品战略伙伴关系（strategic content and product partnership）。
综合公开信息，协议内容大概包括几个部分：

• 用户可以使用ChatGPT的browsing插件获取这些新闻内容，并且以附带链接的方式展示给用户。
• ChatGPT会优先展示合作媒体的内容。
• OpenAI给新闻机构提供技术服务。
• OpenAI可以用新闻公司的新闻内容训练模型（细节存疑）。

OpenAI的知识产权与内容负责人Tom Rubin表示，目前签的协议“很大程度上”不包括用新闻数据训练这部分。个人猜测，只有和少数媒体巨头的合作才包括数据训练这部分，大部分其他的合作只是将媒体内容作为ChatGPT产品browsing插件的内容基底（LLM grounding）。

OpenAI支付的金额大概在每年数百万到数千万美元不等，不同媒体费用不同。

新闻业对大语言模型的特殊意义

截至目前，人工智能模型的训练还依赖外界的数据输入。人类世界发生的种种事情，只有在被记者制作成文字、音频、视频作品之后，才能够被模型习得。记者是把现实中发生的事转化为比特信息的职业。

当然，社交网络上也有很多信息在描述世界上发生的事情，但是这些信息质量良莠不齐。而数据质量对模型品质很重要[1][2][3]，社交网络数据需要再筛选。而且，社交网络巨头也不会轻易允许其他公司免费拿这些材料去训练，Reddit、Stack Overflow这些优质社区的数据，和新闻数据一样，也都是需要付费才能获取训练许可。

另一方面，RAG产品也需要让搜索的内容基底品质优秀，从阴谋论论坛帖子搜索信息，和从被信任的新闻机构搜索信息，输出品质天壤之别。虽然前者未必不满足用户需要，但一般而言不支撑目前“AI助手”产品的功能定位。

科技公司和新闻机构的关系已经变化。社交网络时代，科技公司和新闻机构是竞争者，双方竞争流量和广告预算。但在大语言模型时代，科技公司和新闻机构合作的空间更大，因为二者利益变得更加一致。新闻机构是大语言模型的上游，科技公司需要支持新闻机构存续下去来给自己提供训练素材和RAG基底。

目前主流新闻网站大多开启了付费墙，如果科技公司不付费，将没有办法合法地获取新闻内容提供给用户。为了满足用户查询时效信息的需求，科技公司也有必要获取新闻机构的授权。2023年，OpenAI的browsing插件下架了相当长一段时间，就是因为付费墙版权问题。

在大语言模型产品流行之后，很多消费者查询信息的需求已经被“AI助手”产品消化掉，新闻网站的访问量和收入进一步下滑，这一部分损失也可以由科技公司的信息使用授权费弥补。

搜索引擎与SEO 付费搜索引擎

汇集了大量用户的互联网头部产品会被流量猎手盯上，早年大家讨论百度比较多，现在谷歌搜索问题也很严重，小红书可能五年前作为优质信源崛起，而现在也已经成为伪科学和软广告的天堂。

中文用户可能只感到谷歌的中文搜索被SEO农场填充，觉得可能是谷歌对中文搜索疏于维护，但其实谷歌搜索的劣化现象不局限于中文。近年英文世界关于谷歌搜索质量下降的讨论已经越来越多。HackerNews和X上常见，推荐这两篇比较近且制作精良的讨论：

• How Google perfected the web (theverge.com)
• How Google is killing independent sites like ours - HouseFresh

同为搜索引擎，Kagi就没有这个问题。Kagi团队的努力固然很重要，但我想，如果Kagi成为流量很大的搜索引擎，那么也难以抵挡流量猎手的侵蚀。

我很喜欢Kagi团队的一个项目：Kagi Small Web。Kagi团队搜集了网络上的很多高质量小众站点。Kagi会把这些站点的内容放到搜索结果中，还会提供汇总的RSS和API。不太清楚这项工作需要花费多高的成本。

前几天有一篇网络文章流行：《中文互联网的崩塌》，里面提到作者用谷歌和百度搜索“马云”，时间选定在1998-2005年，发现都搜不到有效内容。但我用Kagi就可以搜到。旧网页本来就会逐渐丢失，但“崩塌”感也有相当一部分来源是搜索引擎与SEO产业对抗之后留下的后遗症。

流量高地注定要被流量猎手攻陷，那么Kagi这样的流量低地呢？由于流量太少，无法依靠广告支撑运转，所以Kagi的商业模式是付费订阅。没错，Kagi是一款付费搜索引擎。新闻业的规律在搜索引擎领域再次上演：免费的信息劣质，优质的信息不能免费获取。

这也很符合一分钱一分货的基本逻辑。低质信息会自己花钱寻求曝光在用户面前；而高质信息需要用户付费购买。

流量猎手会用AI生成很多低质量页面，获取主流搜索引擎的流量。相反，优质新闻却普遍有付费墙，无法被一般爬虫获取——即便开放给爬虫，这种获取也是违法的。所以，如果以互联网上可搜、读取的内容作为RAG基底，那么基底的品质就会难以控制。

最近一个典型的例子就是豆包对Perplexity和Google的污染，而Perplexity自己也在通过Perplexity pages污染Google。

OpenAI很早就积极和新闻机构谈判，付费获取内容。自己选信源，然后挨个找信源谈，再优选这些信源提供给客户；而不是陷入和流量猎手们的持久对抗。如果RAG的基底被劣质信息席卷，AI助理这个概念本身的需求就无法被完成，给流量黑客搭便车，还会损害自己产品的质量与口碑。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

前天，蒂姆·库克又来了北京，距离他上一次来只隔半年。3月来是参加中国发展高层论坛，而这次则是参加清华大学经济管理学院顾问委员会的会议，他是顾问委员会主席。

最近美国商务部再度加强GPU出口限制，要求算力参数达到一定条件的GPU都要对几十个国家禁运。而RTX 4090就在限制条件的覆盖范围以内，这一点，也由英伟达作为上市公司向美国证监会提交公告所披露。

但是RTX 4090真的禁不禁，还不好说。因为美国商务部也有条款说豁免游戏、消费等芯片的出口。具体怎么操作不清楚。我猜测是向中国等国家发货之前要通知商务部，而非禁运。

这样猜测的原因是，上世纪末，美国的芯片出口限制就是这样操作的。那个时候索尼如果要向中国、印度、以色列等国销售PS2游戏机，各厂商向这些国家卖电脑，都需要通知美国商务部，当然也包括苹果。

当时美国商务部也有类似于今天的，基于算力参数设定的芯片出口禁令。限制的芯片是CPU而非如今的GPU。由于CPU算力快速增长，到了1999年，彼时主流的奔腾电脑、索尼PS2的算力都远远超出美国指定的禁运条件，禁令已经难以为继。那份禁令涉及的国家包括中国、以色列、印度、俄罗斯等50多个国家。国家数量和这次差不多，做的事情也差不多，连国会议员说的话都差不多。但是禁运国家名单有所变化，这也体现了国际关系的变化。

因为芯片算力的增长速度非常快，按照算力来确定芯片是否被禁，就容易出现这种荒谬的局面：几年之后，普通的主流消费级芯片都会达到禁运的条件。

假设RTX 4090真的被禁了。三年以后，RTX 7060Ti可能就有如今RTX 4090的算力水平，新款的PS、XBOX、MacBook也可能都达到禁运条件。那还禁吗？怎么禁？禁的话，对各方利益影响如何？

1999年，David E. Sanger在纽约时报讨论了当时芯片禁令面临的荒谬局面，读起来有历史重演之感，但又不知道21世纪这次将会有哪些不同。

同样是1999年，苹果甚至以芯片禁令为卖点，给自家的PowerMac G4做了一条广告，而配的画面就是中国武器。广告词说：

For the first time in history, a personal computer has been classified as as a weapon by the US government. With the power to perform over one billion calculations per second, the Pentagon wants to ensure that the new Power Macintosh G4 does not fall into the wrong hands.

智谱清言的翻译
历史上首次，美国政府将一台个人电脑列为武器。拥有每秒超过 10 亿次计算能力的苹果公司的新一代 Power Macintosh G4，令五角大楼担忧它可能落入不良分子之手。

广告画面展现的不是一般武器，如果现在再放一遍，很难想象会有什么后果。

曾几何时，苹果和中国已经形成了密切的利益关系。2010年，乔布斯已经开始在会议上回应富士康员工连环跳楼的问题；2014年，库克成为清华大学经济管理学院顾问委员会委员。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

2022年10月，Meta宣布准备停用Instant Article。我想微博上的这个闪电图标的“头条文章”就是模仿Instant Article设立的，这样可以解释为什么这个图标是闪电。

Instant Article加载速度比较快，这种闪电加载模式在Google AMP、Telegram上都能看到。理论上这样的效果可以提升用户体验。

但我认为，Instant Article这个模式本身不符合Feed的理念。Google AMP和Telegram不是Feed场景，而Meta和微博是Feed场景。

曾经看到流传的Twitter截图，是@kyth和其他产品经理的讨论，讨论为什么是图片长微博的形态占据了长微博的主流。

哪怕点击闪电文章要比加载长微博图片更快，用户还是愿意使用长微博图片。

我的理解是，用户可能要有不离开Feed的感觉，如果有一个跳转到其他链接的动作，用户会有离开Feed的不安全感，失去了对Feed的掌控感。

不过图片长微博现在也已经很少见了，我想是因为微博正文本身放开了字数限制，用户在Feed流内就可以浏览全文。

用户喜欢留在Feed里，这也是我预测Twitter Notes没有前景的逻辑基础。

内容创作者很早就发现，Instant Article效果不好，互动情况差，用户数据还要主要交给平台而非自己掌握，所以很多机构都陆续退出不用了。以下是我找到的一些过往年份关于此事的报道：

• 2016年：Some publishers appear to be cooling on Facebook Instant Articles
• 2017年：Why Bloomberg, ESPN and others aren’t doing Facebook Instant Articles
• 2018年：More than half of Facebook Instant Articles partners may have abandoned it

现在新闻网站普遍部署了付费墙，使用Meta Instant Article的可能性更低了，现在趁着业务收缩，Meta也让这个功能寿终正寝。

除了用户交互数据不理想之外，内容创作者也有其他考虑因素。比如希望将用户转化成自己的，而非Meta的，希望用户来自己的网站登录。但是，如果Instant Article表现足够好，我想当然也会有很多Instant Article原生的内容发布商会存在。大家更愿意让用户跳转到自己的网站而非Instant Article，还是因为Instant Article占优的打开速度并不能给内容创作者带来多少好处。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

社交网络提供了大量的一手信息，但是读者往往缺乏处理一手信息的能力，因为一手信息经常未能交代庞大的上下文。

同样一条视频，一般观众和业内专家的解读可能相去甚远。

经常可以看到学术刊物发表一些看似自相矛盾的研究，比如说一份研究讲A物质致癌，又有一份研究说未发现A物质致癌。其实这些单一研究本身并不能告诉我们A物质的致癌情况。必须要将历史上有关于A物质致癌的研究作为一个总体看待，然后再判断新研究相对于旧研究说明了什么，才能更准确理解新研究的意义。

很多一手信息，在脱离了历史上下文的背景下，外行读者是无法理解准确意思的。可以理解字面意思，但字面意思可能和实际意思相差万里。

一手信息给人的感觉比转述的更加可信，而其字面意思也不一定难以理解。所以“一手信息错觉”很容易形成，读者很容易觉得自己准确理解了信息的内涵。

但很多情况下，只有专业内行人可以处理一手信息。缺乏专业上下文的一般读者对一手信息经常无法正确理解。

这个时候就需要媒介的介入。

一手信息，例如超导研究者发的推文和视频，需要经过专人的“翻译”和解释，可能再加上对当事人或第三方专家的采访，将专业上下文转换成公众上下文，才能更准确传达给非专业读者。这也是正是媒介的价值所在，将一手信息加工为适合自己读者的信息。

而且这项工作难度不小、工作量也不小，对作者和编辑的要求也高，主流英文科学网站基本需要付费解锁。他们的商业模式可以成立，说明确有很多读者意识到自己无法处理X（Twitter）、arXiv、Youtube、Bilibili上的一手信息，需要去购买中介服务。

普通外行人去关注上下文门槛很高的一手资料，只能获得噪音而非信息。更何况部分门类的一手信息在社交网络时代已不是稀缺品也未必值得一般读者投入精力去关注。相反，经过高质量处理的加工信息可能更有消费价值。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

早就听说过Stephen Wolfram所写的A New Kind of Science，此前我一直以为这是一本介绍复杂科学、混沌、分形的书，但还从没看过。但是前阵子看了Yiqin关于他这本书及其相关理念的介绍，看上去就感觉不对劲了，有一股“民科”风。于是去查了查，发现真正的大科学家Scott Aaronson早在2002年就写过一篇批判的书评了。简单来说：就是伪科学。

Scott写书评的理由很简单，这本2.5公斤的砖头到底值不值得打开？他给我们趟趟雷。事实证明好像确实不值得。我看下来的感觉是，Stephen不仅道走邪了，连术也不怎么样。他只不过是把很多科学界早就讨论过的事情又发现了一遍，还发现得不对，很多地方理解错，也算错。他抛弃了科学的formal language，自己画图用计算试图描述一切。比如他以为自己的元胞自动机很强，但其实他的算法会退化但他基本功有限并未发现，而他对NPC问题的理解也很浅薄。另外他还构建了物理世界中的事件网络以为这是创举，其实早就被研究透了，而且他做的这个网络没有考虑到量子效应。他其实也接受了类似于爱因斯坦的隐变量假设——早已被试验证明是错误的。

看完书评就觉得这都是很典型的民科特征，很多雷点确实也是未受科学训练的人很容易搞不明白的。我看他写深度学习的那篇文章，有些术语用得诡异，意思和学界不一样，于是看了一半停下。幸而遇到Aaronson的书评，才明白个中缘由。建议以后还是别看他的理论，新手看了误入歧途，懂的人看了只能图一乐。

在2002年写出那本书的20年后，Stephen Wolfram已经成为了一名成功企业家，开发出了Mathematica和WolframAlpha这样杰出好用的软件。但他没有忘记自己20年前的执念，还想继续宣传他的“新（伪）科学”，当然也激起科学界新一轮反对，这是环球科学2020发表的科学界对Stephen Wolfram理论的反应文章。文中谈到，20年前和现在一样，学界在很大程度上忽视和嘲笑他的工作，尤其是这一句最为毒舌：

“There’s a tradition of scientists approaching senility to come up with grand, improbable theories,” the late physicist Freeman Dyson told Newsweek back in 2002. “Wolfram is unusual in that he’s doing this in his 40s.”

当然，这篇报道主要内容还是严肃讨论Stephen Wolfram的问题和影响的，《连线》和《纽约时报》对他学说的吹嘘实在太离谱了。

• Scott Aaronson的书评：https://arxiv.org/pdf/quant-ph/0206089.pdf
• 环球科学的报道：https://www.scientificamerican.com/article/physicists-criticize-stephen-wolframs-theory-of-everything/

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

聚合器理论

Ben Thompson认为，ChatGPT是一种Aggregator。Aggregation Theory是Ben Thompson提出的一种理论，在互联网产业界很有影响力。

该理论认为，如果一家公司具备下面三个特征，那么就是聚合器，缺一不可：

1. 直接和用户接触。
2. 近零边际成本。
3. 有一个需求驱动的多边网络，在此影响下获客成本逐渐降低。

这个理论的要点在于，聚合器很容易控制用户需求，当它控制了用户需求之后，其他想接触用户的供给方就只能按照聚合器给出的条款来进入这个接触用户需求的渠道。接着，很快用户发现在这里自己的需求很容易被各种供给方满足，更多的用户就也愿意入坑，如此良性循环。典型的例子就是Meta、Google等等。

而现在，Ben Thompson在看到了ChatGPT Plugin之后，认为ChatGPT已经成为聚合器。他认为，ChatGPT终止了Codex API支持，正是对他理论的证明。

这就是聚合器的商业模式；聚合器是控制需求的公司；公司通过打造具有吸引力的产品，使客户自愿选择自己，由此控制用户需求；庞大的用户基础推动了平台的创建；平台赋予了公司对供应的控制力。毫不夸张地说，ChatGPT就是聚合器，Plugin与这一现实完美契合：它们既使产品显著改善，又能形成明显的商业模式，超越ChatGPT的订阅服务。

Ben Thompson还认为，OpenAI已经走上了从API公司转向面对普通用户的消费者公司之路，在接受这一现实之后，他们不得不做出一个艰难的决定——放弃API，不要再浪费宝贵的人力、时间、GPU去支持API业务，专心投入到ChatGPT等消费者业务上去。

现状

此前，可能受限于算力，ChatGPT Plus一度暂停售卖，而GPT系列API还在卖，这与聚合器理论的预期不符。

ChatGPT实际上控制的不是需求，而是供给。目前，全世界只有它能提供这种能力。而产品对用户需求的覆盖还很早期，边际成本也远非近零。形态更像台积电或英伟达。

Ben Thompson的分析有一种潜在假设：那就是聚合器公司比API公司好。他还认为，以后OpenAI不提供API了，客户应该考虑转向微软Azure服务。那么，为什么微软作为聚合器业务很强大的公司，还要坚持提供API服务呢？按照Ben Thompson的聚合器推论，似乎微软也应该关闭API，让用户只能通过Windows、Office、Teams等服务访问。

我更愿意将OpenAI理解为一家概念验证公司，Plugins看起来也更像是IFTTT那样工程师思维下的积木结构，而非产品经理精心设计的聚合平台，试验性质突出。ChatGPT这一产品形态还未必是大模型的最佳产品实践，说不定下游API调用者有更好的产品思路，或者下游API调用者能够启发OpenAI模型演进的方向。给大量企业提供API，让它们的产品在市场上竞争，观察哪些产品容易俘获用户需求，再对相应的公司加以投资或收购，这样效率更高、撬动的社会资源更多。

如果现在就决定自己做消费者公司，切断API服务。那等于只探索了一种或者少数几种产品形态。万一自己探索的那几种后续不太成功，耽误了时间，被竞争对手的生态追上怎么办？出售API，可以探索成千上万种产品形态。

事实上，OpenAI可能就是这么做的，他们已经投资了很多使用它们API的公司，比如Cursor。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

我理解，DeepMind、OpenAI一直在做的，既非科研，也非产品，而是一种概念验证工作，告诉社会什么事情是新技术可以做到的。

科学研究➡️概念验证➡️商业产品，他们处在中间环节。

事后回看，大公司对概念验证公司的投资，并不体现在收入回报上，而是体现为资本市场回报与人才回报。他们推出的概念型产品会提高市场对技术的认知，提升投资人的股价表现。另一方面，不断验证概念，做出很酷的工作，对于吸引人才也大有裨益。与商业产品工作（很大部分是legacy）相比，有抱负的人才更容易有兴趣参加概念验证的工作（innovation）。

一般商业产品初创公司的运转模式是，做出产品、赚取收入，主要资金来源是产品收入，落脚点在于验证商业模式。而概念验证公司的运转模式可能是：验证概念、获取注资。主要资金来源是大公司的投资、捐赠，或收购与投资之后的赞助性付款，而非产品业务收入。他们的工作是不断验证概念、构想未来世界、塑造社会的信心与需求。如果有一天，一项概念产品（demo）被证明有行之有效的商业模式，他们也可以从概念验证公司转为运营这款产品的商业产品公司。

面对概念验证公司，或许不能像对待商业产品初创公司那样，以市场规模、收入来考虑公司的价值。概念验证公司的可商业化产品，也许在十年以后才刚刚出现，甚至可以一直不出现。只要它能一直创造，能给注资的大公司带来价值，也就可以持续。

考虑到这类机构需要大量的资金，我原先以为非营利组织这种组织形式会更方便，因为想投资的大公司可以在注资的同时获得税务优惠。但在实践中，可能还是商业公司这样的实体效果更好，外界投资人虽然不能从概念验证公司这里获得收入，但可以获得资本市场回报与人才回报。

中国已经有很多年轻科研明星开办了初创公司，投资人普遍对产品、收入、市场规模有要求，很多公司都去做了不擅长的事情。做业务、做销售、管理公司和产品，在这些方面科研明星并没有优势，他们的禀赋更适合去做概念验证工作。

有些科研明星创办的公司发展陷入瓶颈，在这种情况下科研明星本人转而又通过类似于浙大百人这样的项目谋求教职。但这些顶尖人才如果一开始就决定投身教职，应该可以获得世界顶级高校的职位。目前的结果，对本人、员工、投资者而言或许都不完美，也降低了中国计算机高材生这一群体的社会评价。整个社会的福利更是蒙受损失，因为大家失去了许多创新的机会。

与大公司内部研究团队的不同

大公司内部的研究机构领导人，可能有打工人心态，论文公开发表、模型公开发布，有可查验的成就，最后完成的是科研工作而非概念验证工作。学术成果有相对成熟的评判标准，交给老板，可以体现预算的回报，也可以体现自己与同行在研究方面的竞争态势，稳妥有效。如果要做概念验证，结果的不确定性会有所增加，未必会有多大社会反响，反而可能会给大公司带来声誉风险。

相对独立的概念验证公司则不同，他们有生存压力，机构领导人是老板而非打工人，他们要到处筹钱，要不断做出新的概念验证、搞出新意思，才能继续从外界募到钱生存下去。做曲高和寡的科研不匹配概念验证公司的需求，他们也不需要用论文和benchmark向哪位老板证明自己的工作质量，只有验证概念才会有社会影响力。

大公司可能因为财务状况、老板兴趣的转移、其他部门的压力等等，要求内部研究团队承担给业务提供服务、赚取收入的责任，科研或概念验证工作被叫停，转向商业产品工作；甚至裁撤研究团队。

而对独立的概念验证公司而言，如果一家巨头的投资要求不再能谈拢，那还可以找别家。极端情况下，已经完成收购的母公司又想抛弃自己了，也还可以谋求母公司将自己挂牌出售。全市场的巨头都是潜在资金来源。

引用

Startup company - Wikiwand

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

最近网络上在热议三体中物理学家自杀的片段。自杀的原因是什么呢？因为物理学家在对撞机上做试验，然而在不同时间不同地点做的试验完全没有规律，用刘慈欣的话说，物理定律在时空“不均匀”，进而“物理学不存在”。

物理学定律在不同时间不同地点都成立确实是一件神奇的事情，它给了人类很多方便。发现一条新规律，大体就可以默认它在宇宙其他时间地点也能成立了。这种特性，叫做时间平移对称性和空间平移对称性。

费曼曾经有一组讲座，《物理定律的本性》，里面有一节专门讲对称性，真真正正通俗易懂。比尔盖茨看了爱不释手，获取这个讲座的版权，制作高清版本建议所有人都能看看。有一位费曼博主也把精良的译制版本发在了微博和B站上。https://b23.tv/xyieLWh

除了时间平移对称性和空间平移对称性之外，还有旋转对称性和左右对称性。每一个对称性都对应一个守恒量，比如时间平移对称性对应能量守恒，空间平移对称性对应动量守恒，旋转对称性对应角动量守恒。那么科学家是否遇到过对称性危机呢？当时科学家是什么反应呢？杨振宁李政道发现弱相互作用下左右对称性破缺，宇称不守恒，快速获得诺贝尔奖。

费曼说，如果我们做一台镜像的钟，那么镜像钟和原钟会一直镜像下去吗？如果钟走时的原理只涉及引力和电磁力，那么它们还会镜像下去，对称下去。但如果钟走时的原理涉及弱相互作用，那它们就不能镜像下去了，左右不对称。

这两年，时间晶体的研究在物理学界很热门，并获得2022年的科学突破奖新视野物理学奖。马云夫妇、米尔纳夫妇、马化腾、扎克伯格夫妇等人都是科学突破奖的赞助人。我们见到的普通晶体是在空间上呈现周期性的晶体，而时间晶体则是在时间上呈现周期性的晶体，有点像原神角色珐露珊的技能效果。在时间上呈现周期性，那么必然时间平移对称性破缺。时间晶体系统是能量不守恒或者准能量守恒的，但是这和民科讲的永动机没有任何关系。我喜欢下面这三篇介绍文章，这些文章就不像费曼讲座那样通俗易懂了。

https://www.zhihu.com/question/36340402/answer/2077688553
https://zhuanlan.zhihu.com/p/19877622
https://www.zhihu.com/question/36340402/answer/2317572001

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。

点击这里赞助作者。

感冒是自愈疾病，用药物不是来治感冒，而只是控制症状。

常见的复方感冒药就是上述有效成分的组合。

其中减充血剂一般是伪麻黄碱，抗组胺剂一般是氯苯那敏——又称扑尔敏。
氯苯那敏是第一代抗组胺剂，吃完容易犯困，所以很多复方感冒药还会添加咖啡因。吃完复方感冒药，最好不要开车。

常见复方感冒药

复方感冒药里最有价值的部分就是减充血剂+抗组胺剂的联用，可以大大缓解鼻涕、鼻塞症状。但是减充血剂伪麻黄碱是一种受到管制的药物，含有这个成分的感冒药在网购平台都是买不到的，要到线下药店凭身份证购买。就我的查询来看，目前中国市面在售的非处方感冒药中，只有泰诺和白加黑含有减充血剂+抗组胺剂这种组合。优先购买这两款药。如果买不到的话，就不要买复方感冒药了，不如分别去买解热镇痛药、抗组胺剂、镇咳药这三种单一成分药。

金刚烷胺这个成分作用不明，我不买。类似的，还有一些中式感冒药在上述成分之外添加了中草药，一些美式感冒药在上述成分之外添加了愈创甘油醚等等，我都不买。

单一成分药

我更愿意购买单一成分药，出现什么症状就吃什么药，这样代谢负担比较轻，比较安全。

感冒症状并不总是同时出现的，比如一开始可能咽疼头疼发热，但并不流鼻涕咳嗽，那就只需要吃解热镇痛药，不需要吃抗组胺剂和镇咳药；感冒末期不发热也不流鼻涕，只是咳嗽，那就只吃镇咳药就可以。

解热镇痛

最优选择：泰诺林对乙酰氨基酚缓释片。缓释片在服用之后会慢慢释放药物成分。需要服药的次数少，而且血液中的药浓度也稳定，更健康。

抗组胺剂

最优选择：氯苯那敏（扑尔敏）。虽然氯苯那敏是第一代抗组胺剂，但更适合感冒：抗组胺药物有三代 为何普通感冒时首选第一代？ - 丁香园 (dxy.cn)。吃完容易犯困，最好不要开车。

镇咳

最优选择：右美沙芬。

安慰剂和其他感冒药

如果有自己认准的安慰剂，那就一定备着，吃一点，不要多吃就好。

有的药品例如VC银翘片等，虽然名称疑似安慰剂，但里面其实也包括了对乙酰氨基酚等有效成分，这时候用药一定要注意，不能吃重复了，否则肝肾负担不了，严重的会肾衰竭。感冒药叠加服用导致肾衰竭？有可能！-光明日报-光明网 (gmw.cn)

在服用有各国特色的安慰剂复合药品时，要注意其中是不是有对乙酰氨基酚和氯苯那敏成分，不要吃重复了。

本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。