AI圈、币圈、数据党

我爱免费

作者：微信文章


书山有路，先干为敬；学海无涯，回头是岸

最近IT圈有两个大话题。哦对了，现在没人叫IT了，大家应该叫AI圈和币圈。AI圈，今秋以来的AI泡沫见顶、Scaling Law失效的讨论，被Gemini 3的全面升级几乎淹没了，全面，不仅是技术全面，还是应用全面。币圈呢，被去杠杆、获利回吐、微策略退指等等合并引发了比特币价格跳水。昨天又回升了一些。



翻了翻我过去说的话，开春的时候，我说过AI圈一地鸡毛，进步更靠数据质量而不是算力，也就是Scaling Law快失效了；我也说过，赶紧入手，期待高点就抛，不要超过年底。这两个圈都不圈我，从他们的角度看，我只是个野人，我这个野人只是对他们圈里的数据敏感。

既然野人说话了，咱们就先从AI市场这个“Scaling Law”的开始说说。所谓的Scaling Law（缩放定律），在很长一段时间里被奉为硅谷的圭(gui)臬(nie)。它的核心假设简单粗暴：只要基于海量数据的堆积，再配合上无限叠加的算力，AI就能自然涌现出超强智能。但这套逻辑忽略了一个最致命的变量——数据的质量。它默认所有的数据都是知识，却忘了垃圾进、垃圾出的古老真理。



实际上，数据的好坏，直接决定了智能实现的“加速度”，以及最终能否达成真正的“创造性”。举个例子，如果我们把互联网上所有的口水帖、SEO垃圾文和重复的废话都喂给模型，哪怕你用了核电站级别的算力，训练出来的依然是一个满嘴跑火车的庸才。真正优质的数据——那些经过严密逻辑推导的数学证明、高质量的代码、深度的哲学思辨——其实并不需要天文数字般的算力来“大力出奇迹”。恰恰相反，如果让大算力去强行拟合那些垃圾数据，后果更可怕：它不仅浪费了能源，更会让模型在错误的逻辑上越跑越远，直接把模型“带歪”。这时候我们才发现，相比于盲目堆砌显卡，如何清洗掉噪音、提炼出高纯度的信息，才是打破Scaling Law瓶颈的关键。三月份我说“进步更靠数据而不是算力”，指的就是这个道理。

说完了AI的“虚火”，再来看看币圈的“实锤”。比起AI圈还在争论模型参数，币圈的数据更加赤裸——全是钱。最近这波价格跳水，看似惊心动魄，实则都在数据的射程之内。仔细分析资金流向、杠杆率高低以及量化交易的痕迹，你会发现，这是一场预谋已久的“撤退”。当杠杆率被推高到极致，量化交易机器人在毫秒级别内捕捉到风吹草动，引发连锁平仓，价格崩塌是必然的物理反应。再加上主流国家监管趋势的收紧，去杠杆、获利回吐成了资本的共同选择。



但如果我们把视角拉长，跳出K线图，去看看比特币最底层的“数据协议”，一切又变得清晰起来。比特币的历史，本质上就是一道关于时间的数学题。它的总供给量被死死锁定在2100万枚，每四年减半的机制决定了每年挖矿出币的速度。我们只要算一算已经被挖出的币量，对比剩余的库存，就能算出大概到什么时间所有的币会被“挖空”。这个枯燥的数学过程，却映射出了人性的变迁。早年间，那些守在破旧电脑前挖矿的人，多是长期的技术理想派（Cypherpunks）。他们手里持有的币，代表的是对去中心化世界的信仰，是“不论价格如何我都拿着”的硬骨头。后来，随着难度增加，挖出的币流向了币圈投机客，他们看重的是波动率。而到了现在，剩下的、越来越难挖的币，几乎全都被拥有庞大算力的投机资本包圆了。现在的比特币，早已不是当年那个极客玩具。早期挖出的币还在沉睡或被信仰者收藏，而新产生的币，一出生就被打上了资本的烙印，随时准备在交易所里为了0.5%的利差厮杀。

从AI圈的Scaling Law失效，到币圈的资本博弈，这两个行业的演变趋势其实殊途同归：它们都在用血淋淋的事实告诉我们，数据与智能的关系，绝不是线性的“大力出奇迹”，而是一种非线性的质变逻辑。简单说，不是数据的量，而是数据的质，决定了思维的高度。



这就引入了一个关键概念——数据的质量究竟从何而来？我认为有两个来源：一是原始质量，二是筛选质量。原始质量，那是老天赏饭吃，比如你拥有独家的科研数据、绝密的金融档案，这是资源禀赋。但更关键的，是筛选质量，这完全取决于自主的学习能力。在这个维度上，我们不妨大胆对比一下Gemini和ChatGPT这两大流派。为什么Gemini 3能这次能全面爆发？甚至在很多人看来，它的学习能力比同行更高？很大程度上是因为它骨子里流淌着DeepMind的血液。早在AlphaGo时期，它（或者是它的前身）就已经玩转了围棋的数据。围棋的复杂在于，你不可能穷举所有棋谱（量），你必须知道哪一步是废棋、哪一步是神之一手（质）。这种“知道怎么筛选、分类数据”的能力，被完美继承到了Gemini身上。相比之下，如果只是单纯地爬取全网数据进行训练，就像是一个死记硬背的学生，书读得再多，遇到新问题也容易“幻觉”。而Gemini更像是一个懂得挑书读、懂得去伪存真的学者。它知道垃圾数据不仅无用，甚至有害，所以它在学习之初就自带“过滤器”。这种对数据筛选质量的极致追求，才是通往更高阶智能的唯一路径。

说到底，无论是训练一个顶级的AI模型，还是培养一个优秀的学生，底层的逻辑竟然是惊人的一致。既然我们已经承认，给AI喂垃圾数据会把它带歪，甚至毁掉算力的潜能，那为什么在教育上，我们还在迷信“题海战术”和“死记硬背”呢？



从以上对数据质量的讨论中，我们能得出一个关于教育的残酷真相：学习内容的质量，直接决定了一个人学习质量的高低。所谓的“培养学习能力”，不应该是指让学生像硬盘一样去存储海量的知识点，也不应该是指让他们像早期的矿机一样进行低效的重复计算。真正的学习能力培养，核心在于培养对数据的“审美”和筛选能力。如果一个学生每天接触的都是碎片化的教学内容，或者结构固定的知识，这些根本就是教育领域的预制菜文化，那么他的思维模型注定是低维度的、线性的成长而已。经典内容、重复教法，配上以升学结果为教育产品的营销模式，正迎合着家长们的线性理解能力的王牌组合。孩子们的大脑，置于这种教育环境中，即使10年寒窗以勤补拙，其实只是在习惯线性逻辑。他们失去的，则是在人生中搭建非线性思维的最佳时段。

非线性思维究竟是什么？就是我们熟悉的创造性、批判性思维。说创造性思维，让人不明白怎样创造。说批判性思维，又让人误解为就是否定和批判。说非线性思维，则让人稍稍看到思维的跳跃性内核，即剥离数据间的线性、习惯性规律，剩下的都是非线性的关联。这其中，那些少数的创新性规律，就会显得突出了。对，创新总是被习惯而淹没的。

回到文章题目《我说什么来着？》，我不只是在预言AI或比特币的走势，我是在强调一种基于数据质量的判断力。在这个信息爆炸、甚至信息泛滥的时代，谁能拥有像Gemini那样“剔除噪音、只取精华”的筛选本领，谁能在垃圾数据淹没世界之前找到那条高质量的数据通道，谁就是AI时代的赢家。

很可惜，从事教育行业久了，只能让我越来越鄙视这个行业的种种。课堂能呈现给孩子的引领性数据越来越少，更不会教给他们可以筛选数据质量的思考模型。考试根本没在考核学生的思维能力，甚至连备考的过程，也都是如“大力出奇迹”一样的刷刷刷刷刷题。

无论是做AI，炒币，还是读书育人，道理只有一个：AI时代，我们真正稀缺的，只是高质量的输入数据。

【编后话】

11月SAT的Curve出炉。做个数据更新。着放在今年整体考虑，它印证了我10月份讲座里预判，11月是较好的一次阅读拼分机会，但不是总分出分的机会不算好。







一学就会的TOEFL、SAT、ACT、Essay课程，你感兴趣学吗？那就加一下Ava老师微信，咨询各期办班的时间。有10-30课时的SAT全理论课，也有10课时的ACT课，5课时的托福110+课。还有，新设计的每节2课时的单项主题SAT追分课，专为分分钟就赶考同学定制的生难词汇、科学推理、文学古文叙事、科学图表、题干选项逻辑、语法常失分项、和数学看解等七节课。另外，为文书季同学准备的3课时速成精要美本申请文书课，连你们的顾问们都想跟班上课，你只要三个小时，就能学会如何写出优秀的申请文书。


最后的，最重要的

请关注我公号

我常常不说人话

因为人话都没什么用

有用的话

我才跟你们说


-END-


提高英语阅读能力缩短标化出分时间更多培训公告
排版|我偷的

文案|我撺的

图片|我抠的