• 过去几十年, 大企业已经发展出一套相当成熟的组织方式: 按专业划分部门, 按职责确定边界, 通过接口协调合作, 再用各自的指标衡量产出. 计算团队负责计算, 网络团队负责网络, 存储团队负责存储. 上层的算法团队提出需求, 数据团队提供数据, Infra 团队交付基础设施. 当技术路径相对稳定, 问题可以提前拆解时, 这种结构能够支持极大的业务规模.
• 但前沿 AI 研发有一个麻烦之处: 大量关键问题在解决之前, 根本无法被准确地拆分.

• 知识边界往往比部门边界更加顽固. 也是我最近几年一直要 全栈 “人工” 智能 的原因, 很多的优化其实都在知识的边界处…
• 部门边界至少是可见的, 可以通过调整汇报关系, 设立联合项目来改变. 知识边界则经常隐藏在日常沟通里. 算法研究者提出 “需要更大的 batch”, Infra 工程师接到的是扩容需求, 却未必知道背后是在验证什么训练假设. 工程师反馈 “这个方案通信开销太高”, 研究者收到的是一个限制, 却未必知道换一种数据布局或专家放置方式, 就可能让方案重新可行
• 如果一个想法必须同时协调数据管线, 训练框架和网络实现, 才能完成最初的验证, 而另一个想法只需要修改本部门的一小段代码, 在相同的绩效周期里, 后者自然更有吸引力. 久而久之, 人们会主动选择容易获得资源, 容易交付, 容易归属成果的研究方向. 那些潜在价值很高, 却需要跨越多个边界的想法, 可能连第一次实验都没有获得

吉姆・罗恩的一个观点：失败很少是轰轰烈烈地到来的，它不会敲门，而是悄悄溜进来。

你有没有过这样的经历：今天有点累，就不晨读了吧；健身房下周再去，反正卡还有一年有效期。

每一个决定单独拿出来看，都合情合理。

但这些小决定叠加起来，日复一日，就把你和你想成为的那个人隔开了。

这就是罗恩说的沉默的小偷，它们不是大奸大恶，而是披着无害外衣的日常习惯

• 开始训练前，姚顺雨用自己的旧东家 OpenAI 举例给团队鼓劲：直到今天，OpenAI 的基础模型也没有依赖过什么神秘的技术，甚至底层架构与 2023 年比没有什么根本性的变化。这也是他如此看中数据的原因。他认为，做大模型没有魔法，也不要相信别人有魔法。真正难的是把最基础、确定能做对的事情都做对 —— 做到这些，足以让混元挤进中国的第一梯队。

1970 年，波音就已经引入了 CAD 电脑画图。但交付给下个部门的时候，却是把结果打印出来，让下一个部门的人用眼睛读、用脑子理解、再靠脑子去执行。

星巴克的咖啡师做咖啡的速度提高 100 倍，星巴克未必能多赚很多钱。星巴克的瓶颈不在做咖啡的速度，在于客流、选址、供应链管理。

同理，你们公司的瓶颈，大概率也不在于每个员工手头的任务完成速度。而在于部门和部门之间的信息流动，在于协调层。

那个在公司里被称为 “很能干” 的人，你仔细观察一下，他到底在干什么？大概率是这样的：他最熟悉各个项目的上下文，能在不同部门之间穿针引线，能把复杂的事情讲清楚让所有人都理解。

他的核心价值，是在一个信息流通不畅的组织里，做信息中介。他们也恰恰是 AI 最应该替代的角色。

• 当我发现圣诞老人并不存在时，我没有感到难过，反而释然了，原来有一个更简单的说法可以解释为什么全世界那么多孩子会在同一天夜里收到礼物。之前的故事太复杂了，我快想不透了

• 这是我从我父亲那里学来的：不尊重任何权威；不要管话是谁说的，但要关注他说的条件是什么，结论又是什么，然后问自己：“这合理吗”

• 基于我划线最密集、最认同的这 3 本书的核心主张，帮我找出与其观点完全对立、批判最狠的 5 本硬核书籍，给我做一次认知压力测试。
• 假设我以当前的阅读结构和速率继续读 5 年，推演那时的我会变成什么样的人，会形成哪些固化偏见，产生哪些知识盲区，错过哪些真正重要的问题，并指出现在必须立刻插入哪 5 本反向修正书来避免那个未来。
• 在我读过的所有书里，按现在的我重读它获得的认知增量最大排序，给出 Top 10 重读清单。
• 把我过去 1 年的阅读按动机分类，给出比例和具体书目，并诚实指出我可能在用哪类书逃避哪件事。