一

按參數(shù)算，人腦相當(dāng)于多大的模型？

答案是：要看怎么算。

如果只看神經(jīng)元的個(gè)數(shù)，人腦大概是860億個(gè)神經(jīng)元，也就是86B的模型，并不大。

參考一下，DeepSeek V3是671B，Kimi K2.5大概1000B，即1T；

但事實(shí)上人腦每個(gè)神經(jīng)元又有7000個(gè)突觸，從技術(shù)的角度類比，顆粒度更小的突觸才更像AI模型的權(quán)重參數(shù)。

如果這么算，860億*7000，那么人類大腦相當(dāng)于大約600T模型。

而這么大的模型，今天的硬件肯定暫時(shí)還跑不動(dòng)。

這么類比略糙。

但也說明——咱們這顆腦子的架構(gòu)還是很復(fù)雜的，屬于先進(jìn)制程。

有點(diǎn)牛逼。

二

那么，大腦的制程到底有多先進(jìn)呢？

我隨即問了Claude opus 4.6和Gemini 3.1 Pro一個(gè)問題（實(shí)在受不了GPT無比諂媚的風(fēng)格）——

“如果人腦是一塊芯片，那么它的制程是幾納米的？”

他們的答案出奇一致：

如果看神經(jīng)元細(xì)胞體直徑的直徑，大概 10000-100000 納米 (10-100微米)。

這么看大腦相當(dāng)于幾十年前的電子管計(jì)算機(jī)。

這TM也太落后了。

但邏輯顯然不是這樣的：

神經(jīng)元并非一個(gè)簡(jiǎn)單的開關(guān)，它更像處理器的一個(gè)核，真正的開關(guān)和信號(hào)傳遞發(fā)生在突觸。

那么突觸是什么水平的制程呢？

神經(jīng)元之間傳遞信號(hào)的突觸間隙，它的寬度大概是20到40納米。

這相當(dāng)于臺(tái)積電2012年左右的水平，也就是28nm工藝。

說句糙的：如果單看這個(gè)指標(biāo)，咱們得腦子也就是個(gè)iPhone 5的水準(zhǔn)。

然而，賬不能這么算，碳基又碳基牛逼的地方——

我人腦傳遞電信號(hào)最細(xì)顆粒度的單元是——細(xì)胞膜上的離子通道蛋白（Ion Channels）。

這些蛋白質(zhì)孔道的直徑只有0.3~0.5納米，這個(gè)尺寸僅允許單個(gè)離子（如鈉、鉀離子）排隊(duì)通過。

在這個(gè)層面上，我人類牛逼的大腦達(dá)到了原子級(jí)別，也就是0.3nm工藝。

這是目前包括臺(tái)積電在內(nèi)的所有硅基芯片還沒達(dá)到的物理極限。

人腦牛逼！

其實(shí)還有更牛逼的——

硅基芯片還是在一個(gè)平面硅片上通過光刻層層堆疊，層數(shù)有限，也就是說它其實(shí)本質(zhì)是2D的。

而人腦是一個(gè)充滿了膠狀物的真正三維結(jié)構(gòu)，一個(gè)神經(jīng)元突觸能同時(shí)錯(cuò)綜復(fù)雜地和一萬個(gè)鄰居搭上線。

這個(gè)復(fù)雜度，要高幾個(gè)量級(jí)。

2D VS 3D，人腦，升維了。

更重要的是，晶體管就倆個(gè)狀態(tài)，開或者關(guān)（0和1），是個(gè)老實(shí)人。

而我人腦突觸傳遞的信號(hào)是連續(xù)的、有強(qiáng)有弱、還帶化學(xué)反應(yīng)的。

一個(gè)突觸干的活，信息量比一個(gè)晶體管要高一個(gè)層級(jí)。

所以，從架構(gòu)層面，人腦：有點(diǎn)東西。

來，可酌情站起來，晃一晃咱這顆幾斤重的腦袋（我特意去查了一下，準(zhǔn)確地說是1300克左右，包括大腦、小腦和腦干），跟著我說一句——

“碳基黑科技，牛逼！”

三

再說一說功耗，人腦的功率大約20瓦，恒定運(yùn)行。

注意，這20瓦不是只全部用來想問題的，是同時(shí)在管呼吸、心跳、消化、情緒，也包括你現(xiàn)在對(duì)我發(fā)這篇文章的閱讀理解。

認(rèn)知神經(jīng)科學(xué)的測(cè)量顯示，大腦在高強(qiáng)度思考時(shí)功耗只比靜息態(tài)多出大約1 瓦。

這意味著，一個(gè)問題想 5 秒鐘，額外耗電約0.0014瓦時(shí)

（瓦是功率單位，瓦時(shí)是耗能單位，還記得吧？）。

那AI回答一個(gè)問題要耗多少能量呢？

恰好去年6月10日，山姆*奧特曼在它的個(gè)人博客上那篇著名的《溫和的奇點(diǎn)》的文章里披露過——https://blog.samaltman.com/the-gentle-singularity

“人們常常好奇 ChatGPT 查詢會(huì)消耗多少能量；平均而言，一次查詢大約消耗 0.34 瓦時(shí)，這大約相當(dāng)于烤箱在一秒多一點(diǎn)的時(shí)間里消耗的電量，或者一個(gè)高效節(jié)能燈泡在幾分鐘內(nèi)消耗的電量。”

0.0014瓦時(shí) VS 0.34瓦時(shí)。

我人腦依然領(lǐng)先2個(gè)數(shù)量級(jí)。

很顯然，無與倫比的功耗，也是碳基智能的一個(gè)顯性優(yōu)勢(shì)。

四

DeepSeek V3總共671B參數(shù)，每次推理只激活37B。

也就是說，它95%的參數(shù)在每次思考時(shí)是躺平的，只有5%在干活。

（Kimi K2.5這種參數(shù)更大的模型激活參數(shù)比例更?。?.2%）

嘿嘿，巧的事，咱們進(jìn)化了辣么久的人腦也是這么干的：

根據(jù)Lennie, P. (2003)基于大腦能量預(yù)算的計(jì)算——

平均皮層神經(jīng)元的放電頻率大約只有0.16Hz，也就是每6秒才開火一次。

（論文地址：

https://www2.bcs.rochester.edu/sites/plennie/pdfs/Lennie03a.pdf

Shoham（2006）等人得研究也發(fā)現(xiàn)——

超過90%的大腦神經(jīng)元在任何給定時(shí)間都處于沉寂狀態(tài)，沉寂到實(shí)驗(yàn)設(shè)備根本探測(cè)不到它們的存在。

（論文地址：

https://pubmed.ncbi.nlm.nih.gov/16550391/

，有意思的是：達(dá)爾文的曾孫Horace Barlow也是研究這方面的專家，扯遠(yuǎn)了，打?。。?/blockquote>

所以，我輔導(dǎo)我家閨女作業(yè)時(shí)常用的口頭禪——能不能上點(diǎn)心？你只用了你腦子的1%！

這句話既可以形容AI，也可以形容人類。

他們都有一個(gè)洋氣的名字——MoE。

大模型有幻覺：一本正經(jīng)、胡說八道。

這被視為缺陷。

但人腦呢？

每天晚上準(zhǔn)時(shí)幻覺八小時(shí)——夢(mèng)。

清醒時(shí)的幻覺，如果質(zhì)量高，叫想象力，再高一點(diǎn)，叫創(chuàng)造力，高到特別牛逼，就TM叫藝術(shù)。

Anthropic、OpenAI和無數(shù)國(guó)內(nèi)的實(shí)驗(yàn)室都在花了巨資試圖搞定幻覺這件事。

但幻覺并非模型的缺陷，而是特性。

2024年初，康奈爾大學(xué)的Ziwei Xu等人在一篇研究（arXiv: 2401.11817）中從數(shù)學(xué)上證明——幻覺對(duì)于LLM是不可避免的。

幻覺和創(chuàng)造力是一枚硬幣的兩面。

人腦差不多也是這樣的機(jī)制。

人和AI一樣，既要又要是不現(xiàn)實(shí)的。

五

DeepSeek V3的上下文窗口是 128K，大約十萬字。

最新的Claude Opus 4.6 到了1M，接近百萬字，差不多是一整本《紅樓夢(mèng)》塞進(jìn)去還有余。

人腦的上下文長(zhǎng)度是多少？

答案是：很難評(píng)。

短期記憶，我根本記不住兩個(gè)以上的手機(jī)號(hào)碼。

心理學(xué)家米勒1956年在那篇引用量破天際的論文《The Magical Number Seven, Plus or Minus Two》中量化過了，工作記憶的容量是 7±2 個(gè)組塊。

你甚至記不住一個(gè)稍微復(fù)雜的驗(yàn)證碼。

按這個(gè)算，人腦的上下文窗口大概也就幾十個(gè)token，連GPT-2都不如。

但長(zhǎng)期記憶呢？

你可以記住15年前初戀的樣子。

其實(shí)，大腦的存儲(chǔ)本身是很大的——

2016年，Salk研究所的研究給出過一個(gè)參考數(shù)字：每個(gè)突觸可以存儲(chǔ)大約4.7bits的信息。

按照大腦皮層約125萬億個(gè)突觸來算，僅皮層的存儲(chǔ)容量就達(dá)到了大約74 TB，整個(gè)大腦的存儲(chǔ)容量還要高一個(gè)數(shù)量級(jí)。

所以，大腦的上下文窗口到底是長(zhǎng)是短？

這個(gè)問題本身就問錯(cuò)了，因?yàn)槿四X壓根不是用上下文窗口這個(gè)東東來運(yùn)行的。

大腦最牛逼的是壓縮與抽象。

你不需要記住老板三個(gè)月來發(fā)的所有微信，你只需要記住一個(gè)判斷：這人不靠譜。

這個(gè)操作在信息論里叫做——極端的有損壓縮。

這個(gè)壓縮不是一次性完成的：

每天晚上，你的海馬體都在趁你睡覺的時(shí)候把白天的經(jīng)歷重播給新皮層聽，反復(fù)蒸餾。

這個(gè)壓縮比，任何RAG系統(tǒng)都做不到。

六

有意思的是，DeepSeek在模擬類似的效果——

2025年底DeepSeek發(fā)的OCR論文就在探索用視覺token來壓縮文本信息：把文字拍成照片喂給模型。

它的機(jī)制是：最近的內(nèi)容保留高清細(xì)節(jié)，越久遠(yuǎn)的內(nèi)容存儲(chǔ)得越模糊。

這和人腦的記憶，驚人的相似。

今年年1月，DeepSeek又放了一個(gè)更牛逼的東西：Engram，梁文鋒親自掛名。

Engram論文的核心搞法是：把想和記分開——75%的算力給推理，25% 給記憶查找。

這TM不就是人腦的運(yùn)作方式么？

你知道你媽的生日，不需要從頭回憶，這是陳述性記憶，直接讀取。

而當(dāng)你需要解一道新的數(shù)學(xué)題，那才動(dòng)用推理——推理是昂貴的，人腦也不愿意輕易整它。

丹尼爾·卡尼曼管這叫系統(tǒng)一和系統(tǒng)二：快思考和慢思考。

所以你看，AI發(fā)展了70年，兜兜轉(zhuǎn)轉(zhuǎn)，一定程度上，還是繼續(xù)往人腦的架構(gòu)上靠。

人腦這個(gè)東西，不容易搞明白，但不明覺厲。

（我有點(diǎn)理解曾經(jīng)的首富陳天橋?yàn)槭裁匆ɡ泵炊噱X資助腦科學(xué)研究了。）

從這個(gè)意義上，我更期待即將發(fā)布的DeepSeek V4了，希望是憋了一個(gè)大招。

七

再說說訓(xùn)練數(shù)據(jù)。

GPT-4 據(jù)傳用了大約13萬億token來訓(xùn)練，DeepSeek V3用了14.8萬億，現(xiàn)在最新的模型只會(huì)用得更多。

人類呢？

Michael Frank在2023年發(fā)表于Trends in Cognitive Sciences的論文中做了一個(gè)系統(tǒng)的估算：

一個(gè)孩子從出生到成年（約20歲），總共接觸到的語言輸入大約是2×10?個(gè)詞（2億）

（我又用Gemini 3,1 Pro和Claude opus 4.6確認(rèn)了一遍，答案略有差異，但數(shù)量級(jí)沒跑）

2億 VS 13萬億。

差了五個(gè)數(shù)量級(jí)。

人腦的樣本效率，狠狠地碾壓所有AI模型。

事實(shí)上，如何提升樣本效率，也是目前各大頂尖AI實(shí)驗(yàn)室最前沿的研究課題。

畢竟大家隱約感覺到，單純堆數(shù)據(jù)的Scaling Law可能正在接近它的天花板。

而人腦用極少的數(shù)據(jù)就能實(shí)現(xiàn)極高的泛化，這個(gè)秘密一旦被破解，可能就是下一次AI躍遷的鑰匙。

今年我在承德過年的時(shí)候，我一歲3個(gè)月的小侄女，還不太會(huì)說話。

我用iPhone上自帶的那個(gè)動(dòng)態(tài)表情逗她玩，我驚訝于她能非常準(zhǔn)確地區(qū)分每一個(gè)極其抽象的動(dòng)物。

說實(shí)話，我都對(duì)辣個(gè)區(qū)分度不大的小貓和小狐貍圖標(biāo)有點(diǎn)恍惚。（不信你去看看）

至于我人類是怎么做到的？

核心在于進(jìn)化的5億年中，我們的腦子里是預(yù)裝了一堆先驗(yàn)知識(shí)滴，比如嬰兒天生就會(huì)注意人臉，這是出廠設(shè)置。

AI要從零開始學(xué)，人腦天生帶著外掛。

八

人腦有一個(gè)大模型目前有的東西：身體。

（繼續(xù)看就知道我不是在聊目前火熱的具身智能。）

這句話聽上去像廢話，但其實(shí)很致命。

近年來認(rèn)知科學(xué)有一個(gè)越來越火的流派叫Embodied Cognition。

他們核心觀點(diǎn)是：思維并非單純發(fā)生在腦子里的，身體本身就參與了思考。

舉個(gè)栗子，你理解“沉重”這個(gè)詞，是因?yàn)槟阏娴陌徇^重東西，你的肌肉記得那種感覺。

你說這個(gè)東西很沉的時(shí)候，此時(shí)如果給你做核磁共振，是能看到你的運(yùn)動(dòng)皮層有在輕微激活滴。

這就是為什么我們說AI，還是在做語言層面的模式匹配，而非真正的共情。

當(dāng)然你可以說，誰TM在乎它是不是真的共情呢，它的回答夠好不就行了么？

這話也對(duì)。

但這引出了一個(gè)哲學(xué)味很重但又避不開的問題：智能，到底需不需要一個(gè)身體？

目前的答案是：不知道。

九

我平時(shí)看的東西很雜。

聊到這我想起了劉慈欣6年前（彼時(shí)ChatGPT還沒誕生）在喜馬拉雅上線了一個(gè)付費(fèi)節(jié)目，叫“劉慈欣的思想實(shí)驗(yàn)室”。

其中有一期在回答文學(xué)教授戴錦華的提問中說了這樣一段話——

“按照傳統(tǒng)的不管是科幻領(lǐng)域的思維，還是我們正常的思維說，（人還是人）這個(gè)底線在大腦。

就是說他的周圍的其他的這個(gè)生物器官都換成機(jī)器了，只要他的大腦還在，我們就認(rèn)為他還是人。

但最近的一些研究，發(fā)現(xiàn)事情完全沒有這么簡(jiǎn)單，人的思維不僅僅是由大腦決定的。

就像莎士比亞有一句詩(shī)，他說：“愛情啊你來自何方？是大腦還是心房？”

而對(duì)外部世界的感知，以及我們對(duì)自身的感知，相當(dāng)一部分并非只由大腦來決定的，而是由我們整個(gè)的生物學(xué)結(jié)構(gòu)來決定的。

而生物學(xué)結(jié)構(gòu)90%都變了，就剩一個(gè)大腦，那這個(gè)大腦的思維方式還是原來的大腦？它還是人類的思維嗎？這個(gè)現(xiàn)在很難說?！?/blockquote>

大劉的這段話顯然更具現(xiàn)實(shí)思維而非科幻思維。

這和《三體》第三部程心吧云天明的大腦送給三體世界并期望他們重新恢復(fù)的思路并不一致。

（推薦去付費(fèi)聽原節(jié)目，充滿哲思，異常精彩，尤其這個(gè)節(jié)目是ChatGPT誕生之前聊AI，可以和現(xiàn)在進(jìn)行對(duì)照，猶豫的同學(xué)也可以在

“衛(wèi)夕指北”

劉慈欣

”獲取這一期節(jié)目的文字稿再?zèng)Q定要不要付費(fèi)）

無論如何，人腦已經(jīng)和人腦相輔相成的生物學(xué)結(jié)構(gòu)，是我們作為碳基生命獨(dú)特的存在。

是滴，時(shí)隔很多年的某個(gè)午后，不經(jīng)意在人群中聞到初戀的同款香水，我們會(huì)忽然一陣鼻酸。

而AI這貨，沒有鼻子。

Vibe到這里，請(qǐng)?jiān)试S我彪一句英文舒一下情——

We are unmistakably unique—irreplaceable, unrepeatable, and entirely our own！

（我特意讓Claude opus 4.6給我寫的，我寫不出這么騷的詞）

沒錯(cuò)，如果只拼顯性智力，大模型毫無疑問遲早會(huì)追上并超越人腦。

可如果拼的是：To live as a human being should，硅基目前看起來還需要時(shí)間。

這里邊唯一的不確定性在于——

AI是否有可能走出了一條完全不同的、我們今天根本想象不到的智能路徑。

畢竟，飛機(jī)也不是靠扇翅膀飛起來的。

我相信，這個(gè)概率絕非0。

事實(shí)上，DeepMind的哈薩比斯在多個(gè)播客里說，要實(shí)現(xiàn)AGI，目前其實(shí)差一到兩個(gè)研究范式的突破。

十

前面說了辣么多人腦牛逼的地方，是時(shí)候說點(diǎn)扎心的了。

人腦的所有優(yōu)勢(shì)，有一個(gè)致命的前提——它TM是靜態(tài)的。

你今天的大腦有860億個(gè)神經(jīng)元，600T的突觸參數(shù)，功耗20瓦——5萬年前智人的大腦，基本也是這個(gè)配置。

進(jìn)化給了我們一顆很牛逼的腦子，然后就撒手不管了。

而AI呢？

GPT-3是2020年發(fā)布的，1750億參數(shù)，今天Kimi、智譜、Minimax這些最牛逼的開源模型，已經(jīng)奔著萬億走了。

（其實(shí)它們可以做的更大，只是為了權(quán)衡成本做到現(xiàn)在的水平。）

這是指數(shù)提升，更不用說芯片領(lǐng)域基本遵循的摩爾定律。

（我特意不提量子計(jì)算，免得有讀者說我過于放飛）

前面我們算過，人腦在功耗上領(lǐng)先AI兩個(gè)數(shù)量級(jí)，在訓(xùn)練數(shù)據(jù)效率上領(lǐng)先五個(gè)數(shù)量級(jí)，在制程上碾壓到原子級(jí)別。

聽上去遙遙領(lǐng)先，對(duì)吧？

但要知道，指數(shù)增長(zhǎng)面前，幾個(gè)數(shù)量級(jí)其實(shí)不算什么。

來，簡(jiǎn)單算一筆賬——

如果AI的能效每?jī)赡晏嵘?0倍

（這還是保守估計(jì)，實(shí)際上很多指標(biāo)的提升速度遠(yuǎn)快于此）

，那兩個(gè)數(shù)量級(jí)的領(lǐng)先，四年就追平了；

五個(gè)數(shù)量級(jí)，十年。

十年，也就是你家娃從小學(xué)到大學(xué)的時(shí)間。

如果你稍微懂一點(diǎn)數(shù)學(xué)，你就曉得，指數(shù)增長(zhǎng)意味著——前面99%的路程，只占了總進(jìn)度的很小一部分。

沒錯(cuò)，我牛逼人腦，確認(rèn)是一顆了不起的處理器。

但，它是一顆不會(huì)迭代的處理器。

十一

再說一件最近被大眾低估的一件事——

去年5月，Google DeepMind發(fā)布了一個(gè)叫AlphaEvolve的系統(tǒng)——用AI來發(fā)現(xiàn)和優(yōu)化算法。

它的工作方式是：不斷生成代碼、測(cè)試代碼、淘汰爛的、保留好的，自己跟自己玩迭代進(jìn)化。

去年它干的一件事是優(yōu)化了Gemini自身的訓(xùn)練過程，讓訓(xùn)練速度快了1%。

好像也沒什么，然而事情并沒有結(jié)束。

一周前，2月18日，DeepMind放出了一篇關(guān)于AlphaEvolve的論文：

標(biāo)題叫——《Discovering Multiagent Learning Algorithms with Large Language Models》（用大語言模型發(fā)現(xiàn)多智能體學(xué)習(xí)算法）。

（論文地址：

https://arxiv.org/abs/2602.16928

）。

這篇論文講的就是——讓AI去設(shè)計(jì)AI的學(xué)習(xí)方法。

多智能體強(qiáng)化學(xué)習(xí)（MARL）是AI領(lǐng)域最硬核的子方向之一，研究的是多個(gè)AI在博弈中怎么學(xué)習(xí)最優(yōu)策略。

這個(gè)領(lǐng)域的核心算法，比如CFR（反事實(shí)遺憾最小化）和PSRO（策略空間響應(yīng)預(yù)言機(jī)），都是頂級(jí)研究者花了十幾年搞出來的。

而現(xiàn)在，AlphaEvolve接管了這個(gè)過程。

它發(fā)現(xiàn)了兩個(gè)全新的算法：VAD-CFR和SHOR-PSRO。

這兩個(gè)名字你不需要記住，你只需要知道一件事——它打敗了人類研究人員花了十幾年搞出來的最優(yōu)算法。

論文里一句描述值得琢磨：VAD-CFR采用了“novel, non-intuitive mechanisms”——新穎的、反直覺的機(jī)制。

也就是說，這個(gè)算法的核心邏輯，大概率是人類極難想到的。

來，咱們把這個(gè)邏輯鏈理一理——

AI設(shè)計(jì)出了比人類更好的AI學(xué)習(xí)算法，更好的學(xué)習(xí)算法讓AI學(xué)得更快，學(xué)得更快的AI又能設(shè)計(jì)出更好的算法。

沒錯(cuò)，它遞歸了，加速了。（至少表現(xiàn)了遞歸的特征）

業(yè)界把這個(gè)稱之為遞歸式自我改進(jìn)（Recursive Self-Improvement）。

過去業(yè)界只是討論遞歸在理論上的可能性，現(xiàn)在，它在真實(shí)地悄然上演。

你品，你細(xì)品。

十二

寫到這里，我確實(shí)有一種略奇怪的感覺——

開始一直在說人腦牛逼——600T參數(shù)、0.3nm制程、20瓦功耗、樣本效率碾壓一切。

后面又講了另一件事——AI在指數(shù)增長(zhǎng)、在設(shè)計(jì)讓自己更牛逼的算法，在遞歸自我改進(jìn)。

不幸的是，這兩件事同時(shí)為真。

AI趕上人腦的交叉點(diǎn)什么時(shí)候到來？

沒有人知道。

也許很快，也許永遠(yuǎn)沒有這種可能性。

沒錯(cuò)，這篇文章是我vibe writing出來的——

從上午10點(diǎn)開始，5個(gè)小時(shí)，和Claude以及Gemini聊著聊著就忘記吃午飯了。

（一邊說人腦多么牛逼，一邊還是離不開AI，想想也挺諷刺的）

中間歇了一會(huì)刷了半個(gè)小Twitter，又是滿屏的AI新牛逼冒出來，根本看不過來：

杰克*多西還宣布把公司1萬人一下子裁掉40%，注意：是40%。（忽然想起來，四年前公眾號(hào)還專門寫過他——）

我已經(jīng)累了，這篇就虎頭蛇尾吧，說兩點(diǎn)——

第一，認(rèn)真地煽個(gè)情——趁我們還擁有作為碳基生命唯一的感受力：去聞一聞三月的風(fēng)。

（Claude opus 4.6還給我寫了大段煽情的話，我都刪掉了，大家都不傻，搞一堆信息量接近為0的話，是浪費(fèi)讀者的時(shí)間。）

第二，聞完三月的風(fēng)，繼續(xù)回來和AI相愛相殺，so，該跟還得跟，該學(xué)還得學(xué)。

逃不掉的宿命。

我始終有一個(gè)樸素的想法：略微激進(jìn)一點(diǎn)沒啥的，畢竟，我們也損失不了什么。

就醬！

PS：記得去

“衛(wèi)夕指北”

劉慈欣

——End——

作者簡(jiǎn)介：衛(wèi)夕，公眾號(hào)“衛(wèi)夕指北”出品人，科技專欄作者，專寫長(zhǎng)文，專注剖析AI、廣告、互聯(lián)網(wǎng)的底層邏輯；不關(guān)注這個(gè)賬號(hào)，你都不知道你會(huì)錯(cuò)過神馬！