经济增长的驱动因素 - 改革开放后中国经济长期保持接近8%的年均增长率，其中4%—5%可由高投资解释，剩余3%—4%归结于“全要素生产率”的黑箱 [1] - 高投资本身很可能也是全要素生产率黑箱带来的结果 [1] - 经济增长的真正引擎是企业家基于直觉、判断与想象力的“非科学”决策，而非资本、算法或政府规划 [1] 企业家精神的内涵与特征 - 企业家决策依赖个人化、难以言传的“软知识”和直觉，而非基于大数据和统计模型的“科学”计算 [3] - 企业家精神是人类应对不确定性的真本事，能在混沌中发现机会和创造价值 [3] - 企业家不是“做题家”，而是“出题人”，他们通过改写技术、市场、制度等约束条件，把不可能变为可能 [4] - 企业家不只图利润，更看重钱以外的价值，其内在驱动力是心中的“梦”或一团淋漓的“元气” [5] - 激发企业家精神能带来“万类霜天竞自由”的勃勃生机，抑制它则是巨大的浪费，可能导致经济陷入漫长低迷 [5] 对新古典经济学的批判 - 新古典增长理论模型过于“稳态”和确定，缺乏演化视角，常将技术进步作为外生变量，无法理解创新内在的“不确定性” [6] - 在该理论框架中，企业家没有位置，因为如果未来确定，价格机制就能自动配置资源 [6] - 张维迎将新古典经济学比作“地心说”，并指出罗默的“内生增长理论”也仅将创新视为研发投入的必然结果，而非真正的“探索未知” [7] - 政府产业补贴刺激创新的假设是专家能准确预判技术方向，但历史表明专家预测常错，例如20世纪初多数顶尖科学家押注飞艇而非飞机 [7] 创新与产业发展的不确定性 - 人工智能发展史中，长期被视为“村里希望”的符号主义路线，最终被边缘的联结主义路线凭借深度学习和大语言模型实现“弯道超车” [8] - 2009年深度学习先驱建议研究员购买英伟达GPU加速研究，但英伟达当时并未认识到其潜力，婉拒了赠送显卡的请求 [8] - 在开放环境中，技术路线竞争的社会试错成本相对有限，而政府“选冠军”可能增加资源错配风险 [9] - 冷战时期，苏联集中力量攻坚“电子管小型化”，点错科技树，最终在半导体产业竞争中落败 [9] 经济增长的理论框架：斯密-熊彼特理论 - 亚当·斯密指出分工与专业化推动技术进步，是经济增长的奥秘，并以制针为例说明分工使人均日产量从不到1根提高到几千枚 [10] - 分工深度受市场规模限制，形成“市场扩大—分工深化—技术进步—经济增长”的“斯密型增长”链条 [10] - 熊彼特的企业家理论补充了斯密理论，指出市场是企业家用新产品、新创意闯出来和造出来的，需求常在企业家的发现与创造之后才出现 [11] - 历次产业革命的主线是企业家开疆拓土，例如约翰·威尔金森执着于“铁能浮水”的狂想，开创了铁船与现代造船业 [11] 对各国经济现实的启示 - 自20世纪90年代中，美国在人均GDP上把欧洲、日本等发达经济体越甩越远 [12] - 美国从IT革命到AI浪潮，“元气”未散，新企业家和新巨头不断涌现，而欧洲和日本则被政府监管或僵化组织耗散了活力 [12] - 全球新兴产业中，目前只有中国能在人均收入仅为美国1/6左右时与美国掰手腕 [14] - 中国以“杭州六小龙”为代表的科创力量展现了“浙商”精神的薪火相传，但需警惕新增“独角兽”企业减少和年轻人热衷“考公”的现象 [14] 企业家精神与解决“内卷” - 破解“内卷”需依靠企业家精神创造新需求和新市场 [14] - 18世纪末英国钢铁过剩的解决，不靠政府干预，而是靠威尔金森等企业家的“疯劲”，他们用铁造桥、造船、盖房子、做家具，创造了新市场从而消化了过剩产能 [14]

用 AI 检查同一份合同，两次给出的风险提示可能不同； Thinking Machines Lab：未出产品已获资本关注 2025 年 2 月，Mira Murati 离开 OpenAI 四个月后，正式成立 Thinking Machines Lab。 该公司成立七个月，未发布任何产品，已完成 20 亿美元种子轮融资，估值达 120 亿美元。 领投方为硅谷风投 a16z，英伟达、AMD、思科等科技企业参与投资。 向智能客服咨询同样问题，得到的答案可能不一致。 这种随机性是 AI 行业长期存在的技术痛点。 OpenAI 前 CTO Mira Murati 创办的 Thinking Machines Lab（简称 TML），正针对这一问题开展研究，其最新进展或为 AI 可靠性提升提供解决方案。 TML 团队共 30 人，三分之二来自 OpenAI，包括 OpenAI 联合创始人 John Schulman、前研究副总裁 Barret Zoph，二人均为 ChatGPT 核心技术开发者。 AI 安全专家 Andrew Tulloch 拒绝扎克伯格 15 亿美元回聘邀请，选择加入 TML。 Murati 创办 TML ...

AI核心概念与学习方法 - 人工智能通过机器学习从数据中自行学习规律而非依赖预设规则 核心方法包括有监督学习(使用标记数据训练模型) 无监督学习(从未标记数据中发现模式)和强化学习(通过试错和奖励机制优化行为策略) [9][12] - 2012年Google通过无监督学习使神经网络在观看海量YouTube视频后自发识别"猫"的概念 成为深度学习里程碑事件 [11] - AlphaGo击败人类棋手和ChatGPT的崛起标志着AI技术进入爆发期 深度学习依赖算力(GPU) 数据(互联网)和算法三要素共同推动 [6][69] AI技术基础能力 - 数学是AI底层逻辑的核心 线性代数处理向量与矩阵 概率统计管理不确定性 微积分通过梯度下降优化模型参数 [13] - Python是AI开发首选语言 拥有简洁语法和强大生态圈 关键工具库包括NumPy/Pandas(数据处理) Scikit-learn(机器学习) TensorFlow/PyTorch(深度学习) [19][21] - 其他编程语言各有侧重 R语言擅长统计分析 C++适用于高性能计算 Java用于企业级系统开发 [23] 实践与学习路径 - 学习过程需结合理论深度(数学) 工具掌握(编程)和实践高度(项目) 建议通过Kaggle竞赛 GitHub开源项目和复现论文等方式积累经验 [28][47][53] - 建议建立持续学习机制 关注顶级学术会议(NeurIPS/CVPR/ICML) 筛选高质量信息源 避免被技术营销内容干扰 [24][25] - 初学者可从微项目入门 如用Pandas分析天气数据 用Scikit-learn预测泰坦尼克号幸存者 逐步构建可交互的Demo展示能力 [50][51][53] AI应用领域与职业方向 - 核心职业路径包括机器学习工程师(算法落地) 数据科学家(数据洞察) 算法研究员(前沿探索) 具体职位衍生出算法工程师 AIGC工程师等细分方向 [38][40] - AI与垂直领域结合创造新价值 包括艺术设计(生成式AI创作) 金融商业(量化交易/风控) 医疗健康(新药研发/影像分析) 材料科学(分子模拟)等领域 [42][43] - AI技能将成为通识能力 未来差距体现在顶尖人才(创造AI)与普通劳动者(使用AI)之间 需注重培养解决问题能力和人机协同思维 [37][45][55] AI发展历程 - 1956年达特茅斯会议正式提出人工智能概念 早期发展形成符号主义(逻辑推理) 联结主义(模式识别) 行为主义(环境交互)三大流派 [58][64] - 经历两次AI寒冬后 统计机器学习崛起 2012年AlexNet在ImageNet竞赛中以压倒性优势夺冠 标志着深度学习时代的开启 [66][67] - 现代AI正融合三大流派优势 追求兼具学习能力 逻辑推理和行动能力的综合智能体系 [65]