10月9日（周四），印尼矿业部长表示，印尼已出台一项规定，旨在帮助中小型企业以及合作社获得采 矿许可，而无需经历招标程序。 这项新规定是基于2月份通过的一项法律而制定的，该法律为规模较小的公司（包括宗教团体的业务部 门）提供了进入某些矿区的优先权。 在此之前，印尼在资源分配方面一直只优先考虑国有企业。 矿业部长Bahlil Lahadalia在一场经济会议上表示，只有那些符合特定标准的中小企业和合作社才能获得 优先准入资格。 Bahlil在发言中称："如果继续采用招标程序，那么何时才能实现公正呢？" 印尼是全球最大的镍生产国和动力煤出口国，并且拥有丰富的锡、铜和铝土矿等金属矿藏。 该国还一直在努力从镍和锡的加工过程中所产生的副产品中提取稀土元素。 ...

前言 昨天在知乎看到一个问题：如果老板在国庆放假前一天，突然给你加一大堆「优先级高」的工作，你会如何应对？ 不得不说，这种担心并非空穴来风，节前临时给咱打工人加活，让咱过不好节日的破事，很多打工人都经历过。 回复一句好的，然后整个假期肝在项目上，对我们个人来说不合适，对公司来说也未必是好选择。 当然，最好的选择是跟随一个靠谱的上司。先预祝大家都能过一个不用碰电脑的国庆假期。 不可能三角 分享一个我眼中的工作不可能三角： 关于优先级的话题，我之前写过的「重要紧急」四象限的讨论。但如果在此基础上，叠加一个三维空间的资源轴。 我能力有限，画不出来，大家可以想象一下。 重要+紧急→大量投入资源 平胸而论，再人性化的公司，也会有各种各样临时冒出来需要救火的事情。 尤其是好公司的打工人要有一个意识，得让好公司活下去，如果企业文化好员工福利好的公司没人救火最后死了，咱可能就不得不去一些日常压榨打工人 的公司。但这不意味着我们单个打工人要扛住所有压力，毁掉自己的假期。 举个常见的例子，给重要客户的解决方案在国庆前一天发现出了问题。客户气急败坏要解决方案，这时候无论咋样，都要给客户有个交代。 这个时候，就需要投入大量资源。 老 ...

文章核心观点 - AI交互中礼貌用语的使用导致额外能源消耗，引发资源分配和环保问题的全球性博弈 [6][8][18] 资源分配的全球性博弈 - 用户对AI使用"请"和"谢谢"等礼貌用语每年产生数千万美元额外电费 [6] - 单个token（约4个汉字）处理消耗0.0003度电，含礼貌词的请求使服务器冷却风扇多运行15秒 [9] - ChatGPT日均处理2亿次请求，相当于每秒应对23000个礼貌用语 [9] - 2024年全球数据中心耗电4150亿度，相当于为日本供电18天 [9] - 数据中心40%电力用于冷却系统，GPT-3训练消耗300个奥运泳池容量的清水 [9] 环保悖论 - 谷歌称Gemini单次查询碳排放仅0.03克，相当于半杯咖啡的温室气体排放 [11] - 微软称每度电产生1.8升冷却水，试图证明AI环保性 [11] - 弗吉尼亚州数据中心耗电量超过居民用电总和，导致周边河流水温上升3℃及鱼类死亡 [13] - 用户要求"更温暖的语气回复"时，AI需调用情感分析模块，能耗激增27% [13] - 若AI能耗持续增长，2030年需建造200座三峡大坝规模设施满足需求 [14] 破局之道 - OpenAI"星门计划"投资5000亿美元建设新一代数据中心，采用液冷技术和可再生能源 [15] - Meta将Llama模型推理能耗压缩至训练阶段的1/3 [15] - 全球用户停止使用礼貌用语可使AI系统整体能耗降低18% [17] - 日本公司开发"去礼貌化"插件，过滤冗余词汇后响应速度提升40% [17] - 剑桥团队训练识别隐性需求的AI，通过分析用户历史记录预判意图减少交互轮次 [17]

AI产品开发策略 - AI产品面临的挑战分为"过渡性问题"和"永恒性难题"，前者会随技术迭代自动解决，后者持续存在[5] - Granola案例显示，团队选择忽略模型token限制（4000 tokens→30分钟录制），专注提升笔记质量，GPT-4发布后上下文窗口扩展至32K tokens使原问题自然消失[5] - 资源应投向持久价值点而非将被技术抹平的问题，该策略使Granola建立用户口碑[5][6] 行业决策框架 - 有效资源分配需三种大局观：空间维度（系统定位）、时间维度（演变轨迹）、概率维度（消失可能性）[11] - 早期电动车续航焦虑属于技术可解问题，能源密度物理极限则是结构性难题[11] - AI时代"问题自动消失"频率急剧上升，识别可弃问题成为关键元技能[12] 商业实践启示 - 教育焦虑中"萝卜雕花"式投入（如3岁报精细动作班）实则为时间可解问题[7] - 职场优化PPT美感或部门政治可能因战略重组失效，属"版本迭代"型过渡问题[9] - "60分哲学"适用于通识课低空飞过、创业快速迭代等场景，聚焦核心价值领域[9] 方法论工具 - "三步筛选法"：将问题按消失概率分类（技术解决/时间解决/需主动解决），80%资源投入C类问题[14][15] - 定期复盘已消失问题可训练决策直觉，每季度回顾验证判断[15] - 思想实验建议量化问题"消失概率"与"消失时间"，实证约30%问题6个月内自愈[13][14]

AI产品开发策略 - AI产品面临的挑战分为"过渡性问题"和"永恒性难题"，前者会随技术迭代自动解决，后者持续存在[3] - 应用层创业者常见错误是对"过渡性问题"过度投入，如优化可能被下一代模型淘汰的功能[4] - Granola案例显示，应聚焦核心价值点（笔记质量）而非短期技术限制（上下文窗口），最终GPT-4升级使问题自然解决[5][7][9][10] 资源分配方法论 - 资源分配需具备三种大局观：空间位置、时间演变轨迹、问题消失概率[29] - 高手通过判断问题生命周期分配资源，如电动车续航焦虑属过渡性问题，能源密度属结构性难题[34][36] - AI时代"问题自动消失"频率上升，识别可放弃的问题成为关键元技能[37][38] 商业决策框架 - "三步筛选法"建议将问题分为技术可解决/时间可解决/必须主动解决三类，80%资源投入最后一类[42][43] - 定期复盘已消失的问题可训练识别"过渡性问题"的直觉[44] - 指数级变化时代需区分"过渡性焦虑"与"结构性挑战"，前者可采取低空飞行的最小可行方案[45][46]