分类： 生活

欧洲的“蓝脑计划”不是被“媒体圈”宣告失败了么，花了 10 亿经费，试图模拟人脑的 86 亿个神经元和 100 万亿个突触，但真的远比设想的难太多。

以下回答分两部分：首先澄清神经元的结构并不简单，其次解释科学家在模拟大脑上都做了些什么。

神经元是目前已知生物细胞种类中最复杂多变的。“所谓的神经元结构非常简单”一说，恐怕仅限初中生物课本那张图。

因人脑图谱研究的复杂性和已知信息的局限性，我这里以鼠脑的研究举例。领域内，科学家们常常用谷歌地图或社会关系网络图去类比脑连接图谱，因为脑图谱和它们一样，高度复杂且动态变化。

如同我们很难定义和分类一个处于社会群体中的人，处于复杂网络中的神经元也是难以被定义的。当你从不同的分子和功能维度去描述单个神经元时，都可能会给它一个不同的分类。

当我们去看特定分子在脑区不同位置的分布时，常常会得到完全不一样的结果。如下图我展示了脂质分子在同一鼠脑切片上的分布，而可检测和描述的分子在大脑中成千上万，当分辨率小至细胞甚至亚细胞层级时，这种差异会更加细微且显著。

从表型组或功能组的角度，也许我们可以粗略的将神经元进行分类，但如果深入至遗传学角度，分子特性甚至基因组上的各种修饰，都是不容且无法被忽略的。因为这些都将直接决定，我们该如何去观测神经元，描述神经元的不同功能。

神经元维度还有另一个不容忽视的重要概念，连接组。通俗来讲，它描绘的是生物体神经系统内神经连接的映射关系，也可以称为映射组。

达芬奇甚至更早的解剖学家们，曾试图从形态学和解剖学的角度理解大脑，而随着脑研究的深入，如今的科学家已可从对神经元至神经元尺度映射关系的示踪，去描绘它们之间更复杂的连接和相互作用。

神经元细微尺度描绘和定义的其他工作，我在之前的回答中也略有提及，比如单细胞基因组学、转录组学、表观遗传组学，再比如各种超分辨的光学成像手段、光遗传、电生理以及我现在所做的质谱成像。

那么为什么学界要在如何定义神经元上花如此多的时间和精力？为什么欧盟会给“蓝脑计划”批 10 亿多欧元的经费？

我想也许，如果无法准确描绘和理解神经元，在盲人摸象阶段，我们又如何对大脑进行改造，去理解和治愈神经相关的疾病呢？甚至人工神经网络算法也需要更多生物层面的借鉴才好。

蓝脑计划的工作与其说是“模拟人脑”，不如说是希望通过整合以上所提的种种技术和手段，尽可能的还原和描绘人脑。

那么关于模拟大脑，学界目前都做了什么？

脑图谱领域同样有许多数学、物理、计算机背景的科学家，他们的研究和思考角度，与传统生物背景的科学家很不一样。下文我将以举例的方式来试图回答这个问题。

既然神经系统是复杂网络，它理应可以用连接矩阵，即网络中所有节点之间成对连接的方式进行描述。而这种简化的数学表示，对大脑神经元复杂网络的重构和模拟都是非常有帮助的。

再比如将电生理得到的有关神经突触的数据抽象成一系列门控电路，来描述一组神经元向另一组神经元的信息流向机制。

从统计学和计算图形学的角度，科学家们将神经元之间的连接用树或拓扑结构去抽象，即用生成式模型去抽象神经网络结构。

这些抽象一方面帮助科学家们从更宏观的角度理解神经系统，另一方面也帮助机器学习领域的研究者去更好的理解和定义机器人的程序。

跨神经科学和机器学习领域的研究者们做的另一项工作，是通过生物神经网络的方法，优化机器人理解世界和执行任务的能力。举个简单例子，当机器人去熟悉陌生环境时，需要对全局信息进行层层扫描，进而会产生较多的数据冗余，但在人的视觉皮层处理实际任务时，这一问题却不曾出现。

神经机器人学（Neurorobotics），用以研究大脑中从知觉到动作的闭环回路，身体和环境的相互作用。特定环境下，机器人的输出会影响其未来的感知输入。 该领域的核心，是通过对生物大脑的结构和功能进行建模，将机器人由不同细节水平的模拟神经系统控制。

在典型的神经机器人实验中，机器人会通过一组传感器感知当前环境，进而将信号传输到模拟的大脑。 大脑模型会产生引导机器人运动的信号，从而改变主体对环境的感知。

以上都还只是我对这个领域尚且粗浅的了解，当科学家们已经揭开脑科学研究的冰山一角时，相信对全脑更为广泛详实的认识也会随之到来。

参考文献：

1. He, Miao, and Z. Josh Huang. “Genetic approaches to access cell types in mammalian nervous systems.” Current opinion in neurobiology 50 (2018): 109-118.
2. Wang, Yun, et al. “Complete Whole-Brain Single Neuron Reconstruction Reveals Morphological Diversity in Molecularly Defined Claustral and Cortical Neuron Types.” (2019).
3. Wang, Yun, et al. “Complete Whole-Brain Single Neuron Reconstruction Reveals Morphological Diversity in Molecularly Defined Claustral and Cortical Neuron Types.” (2019).
4. Mohammadi, Amir Saeid, et al. “Intact lipid imaging of mouse brain samples: MALDI, nanoparticle-laser desorption ionization, and 40 keV argon cluster secondary ion mass spectrometry.” Analytical and bioanalytical chemistry 408.24 (2016): 6857-6868.
5. Pevsner, Jonathan. “Leonardo da Vinci’s studies of the brain.” The Lancet 393.10179 (2019): 1465-1472.
6. Gisiger, Thomas, and Mounir Boukadoum. “Mechanisms gating the flow of information in the cortex: what they might look like and what their uses may be.” Frontiers in computational neuroscience 5 (2011): 1.
7. Zeng, Yi, Cheng-Lin Liu, and Tieniu Tan. “Retrospect and outlook of brain-inspired intelligence research.” (2016).

上述回答部分图片来源于 2019 年苏州冷泉港脑图谱课程科学家们提供的讲义，故没有提供准确出处。

---

我的其他相关回答和文章，见链接：

你们实验室在用质谱做什么？

赵和玉：在鸟儿的歌声 大脑和基因中 他发现了语言的踪迹

上次去扫墓，发现后面多了一座新的，上面摆了些上校和金拱门食物，大概是生前喜欢的。

一看生时年月，比我年轻两年，感慨墓主人年少命短。

鲜艳的假花缠满了整个墓碑，碑上只有一段短短的文字，和周围其他工整的墓志很是不一样。

我好奇到底写了些啥，

瞅近一看：

“求复活卷轴一张。”

我吓了一跳，想笑又不敢拍照，摸摸口袋只有一袋心相印纸巾。

拿出口袋的时候手一滑，整包心相印掉在墓前烧纸的供碗里，灰烬撒了一地。

惊魂未定的我赶紧拿扫帚去清扫下，结果无意间看见碑的右下角还刻有一行小字：

“没有就算了。”

蚊子作为人血猎人真是身怀绝技：二氧化碳追踪、“无痛针灸”、紧急起飞术，让作为猎物的人类纵有万般对策也无法完全逃脱魔爪。晚上睡觉还要一直在我们耳边吵来吵去，让人不得安心。

即使蚊子看起来这么难以对付，蚊子也有众多仇家，其中一种对蚊子穷追猛打，从小追杀到大，从水里追杀到天空，那就是——蜻蜓。

蜻蜓究竟是怎么制服蚊子的呢？

其貌不扬的水中杀手

小时候的蜻蜓长什么样？有的朋友可能会想到在河岸常常见到的一些纤细的小蜻蜓，认为那就是幼年蜻蜓，其实这种“小蜻蜓”是一个叫“豆娘”的蜻蜓类群成体。真正的蜻蜓幼体是下图这个样子：

幼年蜻蜓也有自己的名字，叫做水虿（chài），专业术语称之为蜻蜓稚虫。这个颜值可以说非常路人，就算是很多昆虫爱好者，第一次见到蜻蜓幼体时也会想说：怎么长这么丑？

从外表上看，水虿全身似乎也找不到猎手的武器。像螳螂镰刀般的捕捉足、胡蜂强有力的大颚、猎蝽一击致命的口针，这些武器在水虿身上都没有，它看上去只是一只形状中庸、长有六条腿的小灰虫。事实上它平日里生活也很低调，擅长伏击猎物的它总是寻找一个能让自己融入背景的地方——一团水草、一根枯枝，有些种类甚至把自己全身埋在淤泥里，只保留头部，然后开始耐心等待。任何大意的水生小动物经过水虿面前，就会被瞬间捕食。

它到底是怎么做到的？

君子藏器于身，待时而动。水虿捕食的利器就藏在它的头部。从正面看，水虿面部下方有一对螯肢 ，但那并不是昆虫咀嚼式口器上下颚的任何一对，而是由下唇特化形成的一个叫做“脸盖”的结构，从侧面看是个“>”的形状，折叠覆盖在头部的下方，真正的上下颚藏在里面[2] 。

当有猎物经过时，折叠的下唇会伸展并弹射出去，同时前方由下唇须特化而来的螯肢会在瞬间夹住捕食对象，再拉回头部，由颚部完成撕咬和进食。水虿完成弹射出下唇再收回的过程仅需百分之一秒，时速之快使得很少有猎物能躲过这一击。

在陆地上也有很多迅捷的猎手依靠一些器官的瞬间伸长捕捉猎物，但想要在水中运用同样的方式捕猎，需要克服巨大的阻力，完成起来困难得多，所以水虿进化出了一套助推系统。

与许多水生昆虫需要上浮到水面换气不同，水虿依靠直肠鳃在水中呼吸，通过腹部收缩，肛门交替吸入和排出水来完成氧气交换。当直肠鳃吸入水流并关闭出水口时，水虿体内会处于高压状态，这时再把压力引向头部，下唇便会像拉满弦的箭一般弹射出去。这还不是直肠鳃唯一的秘技，在危机关头，腹部可以猛烈收缩把水全部向身后挤出，强大的反冲推力能让水虿立即冲刺几十厘米，摆脱天敌，有时还可以用来缩短与猎物的距离。火箭飞行也是运用一样的原理。

有了这些本领，再加上能感知水流的触角和灵敏的复眼，水虿就像一名练就神功的武林高手，洞察一切，身存丹田之气，向下运气便是轻功，向上运气能让“嘴唇”变长，用“胡须[4] ”制敌。

蚊子的幼虫叫孑孓，生活在水中，形状如毛毛虫，经过蛹期才变成蚊子。

这。。。。似乎真的有点像辣条。

从形状上看，孑孓和辣条颇有几分相似，都是柔软的条状食物。而对于水虿来说，小鱼小虾尚不是它的对手，制服孑孓更是易如反掌。

吵吵闹闹的蚊子在蜻蜓面前，也只能想办法快快逃走啦。

参考文献:

[1]杜婷,廖怀建,石雷.蜻蜓目水生昆虫在滇池入湖口湿地水质评价中的指示作用[J].林业科学研究,2018,31(05):145-152.
[2]蒋筠雅,何钊,赵敏,王成业,孙龙,冯颖.6 种常见食用蜻蜓稚虫含油率与脂肪酸组成分析[J].中国油脂,2017,42(03):135-139.
[3]徐奇涵,林文才,庄发扬,沈潮,林新萍.池塘养殖敌害蜻蜓稚虫的防治方法[J].福建农业科技,2016(03):49-50.
[4]Göran Sahlén, Haase S, Suhling F.Morphology of dragonfly larvae along a habitat gradient: interactions with feeding behaviour and growth (Odonata: Libellulidae)[J]. International Journal of Odonatology, 2008, 11(2):225-240.
[5]Hughes G M.The Co-Ordination of Insect Movements III. Swimming in Dytiscus, Hydrophilus and a Dragonfly Nymph[J]. Journal of Experimental Biology, 1958, 35(3).
[6]Pritchard G.PREY CAPTURE BY DRAGONFLY LARVAE (ODONATA; ANISOPTERA)[J]. Canadian Journal of Zoology, 1968, 43(2):271-289.

作者：谭熠华（武汉大学生命科学学院）

出品：科学大院

如果不维护，任其锈蚀的话，很难撑得过一个世纪。

---

本来只准备宣扬一下法国国威，用个 20 年给大家开开眼到 1909 年就拆掉将地皮还给巴黎市政府用作他用的，结果没想到这一落成就屹立了一个多世纪。

埃菲尔铁塔所用的一共 18038 块铁片的厚度不是均匀的，像主要承重结构部分里的铁片，厚度就会达到 10-12 毫米，次要的或者连接部分的厚度大概在 6-12 毫米之间，如果在完全不维护的情况下每年的腐蚀在 0.1 到 0.2 毫米之间，很难撑过百年。

尤其是巴黎的气候条件，温带海洋性气候，冬天更是降水充沛，雾气较重，空气湿润，就会加速铁的氧化与腐蚀。再者巴黎所在的法兰西岛大区又是全法国工业最发达、人口最集中的区域，工业活动的污染与酸雨又会加重腐蚀，总之，腐蚀速度会进一步加快。

一座铁塔的寿命不是说看每个部件，从头到脚完全腐蚀掉才会倒塌。而是那些关键部位腐蚀掉，结构出现问题，哪天刮一阵狂风，可能铁塔就被拦腰截断了。

所以铁塔每七年都会重新刷漆一次，防止锈蚀以避免结构出现损害。从 1889 年 3 月 31 日竣工以来，铁塔至少被重新粉刷过 19 次，每一次粉刷都会用掉 60 吨的油漆。

这里说一个小故事：铁塔一开始是通体刷“威尼斯红”漆，后来 1889 年世博会又在底部和中部加了一层棕红色，使铁塔从头到脚呈现一种由浅入深的渐变效果，更好地融入周围的环境。1892 年又涂了一身的“赭色”，再到 1900 年世博会，铁塔底部涂上了橙色，渐变至顶部变成了明黄色，成了一座“黄塔”，之后到 1954 年前都是棕黄色为主，在之后又变成了棕红色，一直到今天。

---

铁塔的保养真的很重要，当初埃菲尔铁塔修好后很快就震惊了全球，一向和法国佬不对付的英国佬马上也开始修铁塔，要和法国一决高下。

除了布莱克浦塔很快在 1894 年竣工后，但高度仅只有巴黎铁塔一半高。新的更高的塔已经在利物浦附近的新布赖顿开工了：

新布莱顿塔 1897 年 7 月开工，1898 年到 1900 年间完工对外开放，173 米高，成为当时全英格兰最高建筑也是全球除巴黎铁塔外第二高建筑，四部高速电梯 90 秒就可以到达塔顶俯瞰整个利物浦城与海景，每小时可运送 2000 人。开放第一年就吸引了 50 万游客，虽然比不上埃菲尔铁塔，但是也算是成功了。

开业后 14 年，一战爆发，1914 年塔就被关闭了，关闭的四年里因缺乏维护，铁塔生锈，于是战争一结束就被宣告要拆除（尽管引起了争议是因为四年的锈蚀可能并没有严重到威胁塔的支撑结构还可以稍微修复一下），但最终还是于 1919 年完全拆除并将金属卖给了废品回收站（战争期间政府还打起了这个铁塔的主意希望向铁塔所有者购买这个塔的金属以支援战争，但被业主拒绝）。

写这个的意义是铁塔不维护的话，锈蚀速度和严重程度比我们想象的要快，按照当时的科技发展如果建成后不管不顾，可能现在巴黎的天际线早已没了铁塔。

---

当然真的哪天法国没钱维护了，铁塔塌了不在了，欢迎各国朋友来中国参观埃菲尔铁塔，高仿版简约版抽象版应有尽有：

比如深圳版埃菲尔铁塔：

杭州版埃菲尔铁塔：

澳门版埃菲尔铁塔：

昆明版埃菲尔铁塔：

烟台版埃菲尔铁塔：

上海版埃菲尔铁塔：

建筑学学生如何制作作品集？如何做动态作品集?请问建筑设计的必学软件有哪些呢？建筑设计如何从概念设计入手？

有一个实验似乎还没有人提过，昨天无意中看到的，顺手写下来。

伊利诺伊的玉米遗传实验，从 1896 年开始，今天仍然在持续。

1896 年，农学家、化学家 Cyril G. Hopkins 在伊利诺伊农业实验站收获了 163 颗同种的玉米，这 163 颗玉米被分为 4 组：

1，24 根蛋白质含量最高的玉米

2，12 根蛋白质含量最低的玉米

3，24 根含油量最高的玉米

4，12 根含油量最低的玉米。

这 4 组玉米被分开种植，防止相互传粉，一根玉米在一块地里种一行，最高的一组种在中间。

第一年后，四组玉米都收获了，Hopkins 将结果发表在 1899 年的《Improvement in the chemical composition of the corn kernel》中

可以看到高蛋白玉米（含量 12.54%）种植出了蛋白含量 11.1%的玉米，低蛋白玉米（含量 9.03%）种出了蛋白含量 10.55%的玉米，两者相差 0.55%。

当然，实验才刚刚开始，接下来的每一年，都将重复第一年的做法，从高蛋白 / 油的产出里面取 24 颗最高的，从低蛋白 / 油的产出里面取 12 颗最低的，继续种。

1900 年后，伊利诺伊玉米实验的负责人换成了 L. H. Smith，他们在 1908 年发表了实验的第二篇论文《Ten generations of corn breeding》，并公布了结果：

十年过去，高蛋白和低蛋白的差异已经达到了 5.62%，高蛋白组的含量上升到 14%以上，低蛋白组含量已经低于 9%。

1921 年后，负责人又换成 C. M. Woodworth，他们在 1929 年发表了论文《The mean and variability as affected by continuous selection for composition in corn》，公布了蛋白含量和含油量的差异：

蛋白和油的含量差异已经超过 8%。

如果说，伊利诺伊玉米实验一开始试验的目的只是想要看不断分开选种是否会造成子代的差异越来越大，那么这个目的已经实现了。现在的实验已经有了下一个目的——完全通过选种的方式，使得蛋白质含量和含油量上升，这个上升会有上限吗？从前 30 代来看，两者的上升似乎都是线性的，并没有上限存在。

1951 年，伊利诺伊玉米实验的负责人又换成了 E.R. Leng，他们在 1952 年发表了论文《Fifty generations of selection for oil and protein in corn》，讲述了 50 代之后的情况：

看起来，含油量和蛋白质含量的线性上升并没有停止，且蛋白质含量的下降也是几乎线性的。含油量的下降则趋缓——毕竟含油量不能低于 0。

到了这里，伊利诺伊实验想出了一个新的方案：如果我们这个时候从高蛋白 / 含油组里开始选择那些蛋白 / 含油最低的玉米，同时从低蛋白 / 含油组里开始选择那些蛋白 / 含油最高的玉米，反向选育，然后不断重复，结果会怎么样呢？

这个实验从 1947 年开始，1960 年时达到了 13 代，1962 年发表的论文《Results of long-term selection for chemical composition in maize and their significance in evaluating breeding systems》公布了该结果：

反向选育组的走向很有意思。虽然在之前已经经过了近 50 代的选育，无论是含油量还是蛋白质含量都达到了很高的程度，但从这些组别经过了仅仅 13 代的反向选育之后，之前的积累的优势就已经消失近半。比如在蛋白质组，反向高蛋白组和反向低蛋白组之间的差别和 20 代时已经差不多。

1966 年后，J. W. Dudley 接替了伊利诺伊玉米遗传实验，他们又在反向高油组里面进行了分叉，进行了一个「回旋」（Switchback），意思是在那些选了 47 代高油有选了 7 代低油的玉米里面再选 16 代高油玉米……这个玉米真的给折腾得够呛呢。

小组在 1974 年的《Seventy Generations of Selection for Oil and Protein Concentration in the Maize Kernel》发表了下列结果：

从这里我们又能看到，在含油量这一块，「回旋组」重新上升的速度还是挺快的；而在蛋白质含量上，反向高蛋白组的下降速度令人印象深刻，仅仅 20 代后，之前 47 代的优势就全部消失了。

用两句话来重复这两个现象，对含油量来说，是「浪子回头金不换」，对蛋白质来说，是「从善如登，从恶如崩」。

2004 年，Stephen P. Moose 已经成为伊利诺伊玉米实验新的负责人，他们发表了论文《Maize selection passes the century mark: a unique resource for 21st century genomics》，总结了一个世纪以来的这一场玉米试验。

从这两张图看，蛋白质的「从善如登，从恶如崩」还是在持续，从左图看，50 代后反向高蛋白组和经过了 100 年选育的低蛋白组已经几乎没有差别，把之前 50 代的优势完全抵消了；而 50 代后的反向低蛋白组到高蛋白组之间还是有很大的差距。

含油量的「浪子回头金不换」也颇为有趣，「回旋」组已经基本赶上了高油组，弥补了 7 代的差异。而反向高油组和反向低油组也才刚刚碰面。看起来，对含油量来说，用选种带来上升和下降的速度是差不多的。

当然，我们不能不注意到两张图和百年前差不多的一个趋势——无论是蛋白质含量还是含油量，他们的上升仍然是几乎线性的，还没有看到显著的停止，在含油量的上升上尤其如此。这可能意味着玉米的含油量和蛋白质含量，尤其是前者，还远未被接近。

在最近几十年，随着分子生物学的兴起，玉米遗传实验已经没有那么受欢迎了。同时我们也有更多更合适的物种来做实验，比如其他的答案里有提到的大肠杆菌实验，进行了三十多年，已经有 6 万代了，出现了很多奇妙的特性。伊利诺伊玉米实验也开始更多地关注基因上的差异，比如实验的最近一篇论文发表在 2019 年 7 月——没错，就是上个月——他们研究了高蛋白组和低蛋白组由于 RNA 的不同而在「持绿性」上产生的差异并进而由于光合作用带来的产量差异。

总之，伊利诺伊玉米遗传实验仍然在继续。100 年前，Cyril G. Hopkins 大概完全不会想到他的实验还能有那么多玩法，期待在未来的 100 年，他们还能从中发现更多有趣的东西。

虽然是很简单的选种实验，但想来却十分神奇。差不多的一批玉米，分开来种，按标准选育，一个世纪以来更换了数位实验室负责人，观察了短短的一百年。

就是这一百年，已经让一批相似玉米的子女们出现了天壤之别。含油量高的，超过 20%，含油量低的，已经无法检出。

如上图所示，高蛋白组颗颗呈现圆形，而低蛋白组的颗粒则呈现长条形，在外观上也已经出现了差异。一百代，似乎已经造成了极大的差异。

但是，在历史的长河中，一百代又何足挂齿？

根据 2014 年发表在 Nature Genetics 上的论文《Inferring human population size and separation history from multiple genome sequences》，用分子钟计算基因变化速率，中国人和日本人的共祖出现在 8000 年前，按照 20 年一代的算法，已经过了 400 代，相当于伊利诺伊玉米实验的代数重复了 4 次；中国人和墨西哥人的共祖出现在 2 万年前，相当于 1000 代，也就是伊利诺伊玉米实验的代数重复了 10 次。

再把目光放远一点，人类和黑猩猩的共祖出现在 600 万年前，就算 20 年一代，也有了 30 万代。

想象一下，600 万年前的一只猿类，她育有两个子女，其中一个是当前所有人类的祖先，而另一个是当前所有黑猩猩和倭黑猩猩的祖先，而这相当于伊利诺伊玉米实验的代数重复了 3000 次。

从这个角度看，人类的进化不也正是大自然的一场大型实验吗？会不会有「反向」、「回旋」等控制因素被人类自己施加在身上呢？光是想一想，就觉得是一件非常带（kě）感（pà）的事情呢。

妹妹两岁的时候我爸抱着她在门口看雨

我爸说，这是什么鬼天气

小家伙儿突然转过头看着爸爸的眼睛，认真地说

爸爸，我希望你喜欢这个世界

我们都愣了

 

作为一名纺织品化学工程师，我就从纺织材料这个角度来和大家好好聊聊这个问题。

全篇干货没废话，先说下我个人的 3 个结论

1）衣服看起来出汗明显≠速干效果差，反而可能更好

2）日标的速干衣标准更适合剧烈运动出汗场景

3）樊振东是真的爱出汗体质

一：速干衣为什么比常规的衣服更加容易干燥？

很多消费者都会吐槽涤纶、尼龙这类化学纤维做的衣服穿起来闷热不透气，但实际上恰恰相反，涤纶、尼龙是运动速干衣的主流材料

在问题开始前，有个核心知识点一定要给大家讲清楚，那就是大众所说的“面料透气”是个非常复杂指标，不是面料孔隙多穿上去透气（直接测试透气性其实是防风指标）。

穿着透气不闷汗的本质，其实是让面料尽可能的吸收皮肤上的汗水，只要皮肤表面干爽你就会觉得穿着透气我们日常觉得棉 T 吸汗透气，是因为棉花的公定回潮率有 8.5%（100g 棉花能吸收空气中 8.5g 的水蒸气），你可以简单的理解成“饼干受潮变软”的这个过程。

在日常休闲穿搭过程中，人体皮肤分泌的汗气并不是很多，棉花自身的吸水效果足够把皮肤上的汗水吸走，那自然就觉得很干爽了。

但是在剧烈运动大量出汗的情况下，擅长吸潮的棉就麻烦了，会阻碍汗水的继续挥发，就像在梅雨天的南方，即便是在晴天也很难避免饼干受潮变软。

所以速干衣选用的材料都是本身不擅长吸水的，例如涤纶的公定回潮率只有 0.4%，基本上完全不吸水。看到这很多朋友可能就疑问满满“材料本身不吸水那我还怎么吸汗？”。

其实在你的日常生活中就有个你随时都能见到的物件，它的材料本身就一点都不吸水，但是做出的东西吸水性还特别好，那就是“发泡海绵”。放入水中立马吸的饱满，但稍微一拧就又干的很彻底。

因为这个吸水过程不是来自于材料本身，而是材料的自身结构，比表面积大毛细作用强

 

水都是吸附在材料的最表面，并没有深入材料内部，所以这种吸水也叫做“自由水”；与之相反的就是棉毛巾了，放入水中也能吸的饱满，但是无论使用多么大的劲去拧干，总还是会湿湿的，因为有一部分水钻入了材料内部，所以叫做“结合水”

所以，速干衣的开发本质，就是尽可能的降低结合水“选用不擅长吸水的材料”，增强自由水“提高材料表面的吸水效果”

二：速干衣的生产原理

想找到不擅长吸水的材料很容易，涤纶（聚酯纤维）、尼龙（聚酰胺纤维），这些非常常见。于是面料工程师开发的思路都是从如何“提高材料表面的吸水效果”这个思路入手

1）把纤维材料的结构从圆形变为很多沟槽的形状（提高比表面积）

常见的化纤涤纶大多都是圆形，因为最好纺丝加工，但要做速干衣，就得用点形状特殊的涤纶。例如十字形、毛毛虫等形状

这样能让材料的表面有更大的比表面积，才容易吸更多的汗以及更大的蒸发面积。

2）使用聚酯聚醚类的吸湿排汗剂

不过刚才说的还是最理想的情况下，真用到了这种异形截面纱线做成的面料后就发现，它的吸湿扩散效果也并不是很理想。

于是还要用“聚酯聚醚类的吸湿排汗剂”，这个化学物质一端有聚酯可以融进涤纶内部，聚醚的那一段又有很好的吸水效果，所以能让涤纶的表面很容易吸附汗水，从而让汗水扩散出更大的蒸发面积。

3）单向导湿技术

皮肤上分泌的汗水，被面料内层吸收走，然后汗水再传递到面料最表面蒸发。

正是因为有“汗水扩散梯度”的原因存在，所以好的速干衣还要想办法尽可能的把汗水逼到面料最外层。于是更加少见的单向导湿技术就出现了，通常有两种方式，一种是在速干衣贴身层织入丙纶，因为丙纶有很强的疏水效果；

其次就是在贴身层印花“疏水剂”让内层拒水。万变不离其宗，本质都是为了让速干衣靠近空气一侧的面料更容易吸汗，皮肤贴身层不容易吸，这样穿着起来汗干的更快，因为汗水都在第一时间从皮肤上转移到和空气接触的外侧，而且贴身层还相对干爽不易粘身子。

所以这样的技术能把汗水尽快的逼出到面料表面，自然汗水看起来也更加明显了，但这并不代表实际穿着就有汗水粘身的问题。

三：日本 JIS 速干衣的测试标准通过难度更大

莫穿的是优衣库，如果执行的速干标准为日标 JIS 的话，那速干率效果确实很高

这是因为国标和日标的速干衣的检测方法不同

国标速干衣测试中的干燥速率，是在面料上滴上一滴水，然后称量 1 个小时后这滴水干燥了多少。

日标速干衣的测试就严苛很多了，是把衣服面料完全浸泡满水，然后让衣服先滴水到没有额外水滴下落，然后再测试 1 个小时后干燥了多少。

所以从测试方法上来看，国内的速干衣测试本身就更倾向于休闲速干，出汗量并不是很大。日标的检测测试则是极限速干，体现的是在剧烈运动大量出汗时的速干效果。

四：樊振东的出汗量本身就很大

说到底不同人身体素质差异真的很大，樊振东在各个比赛时都有大量的出汗情况，速干衣只是辅助装备。

给小伙伴汇报一下 LLM 创业第一年的进展、纠结和反思

在 Amazon 呆到第五年的时候就想着创业了，但被疫情耽搁了。到第 7 年半的时候，觉得太痒了，就提了离职。现在想来，如果有什么事这一辈子总要试下的，就蹭早。因为真开始后会发现有太多新东西要学，总感叹为啥没能早点开始。

名字：BosonAI 的来源

创业前做了一系列用 Gluon 命名的项目。在量子物理里，Gluon 是把夸克绑在一起的一种玻色子，象征这个项目一开始是 Amazon 和 Microsoft 的联合项目。当时项目经理拍拍脑袋名字就出来了，但取名对程序员来说很困难，我们每天都在纠结各种文件名和变量名。最后新公司干脆就用玻色子（Boson）来命名了。希望大家能 get 到“Boson 和费米子组成了世界”这个梗时会会心一笑。但没料到很多人会看成 Boston。

“我来波士顿了，找个时间碰碰？” “哈？可我在湾区呀 ”

融资：签字前一天领投方跑路

22 年年底的时候想到两个用大语言模型（LLM）做生产力工具的想法。碰巧遇到张一鸣，就向他请教。讨论之后他反问：为什么不做 LLM 本身呢？我的下意识退缩：我们之前在 Amazon 的团队做了好几年这个，得上万张卡，和 blabla 这么一大堆困难。一鸣呵呵表示：这些都是短期困难，眼光得看长远点。

我的优点是听劝，真就去做 LLM 了。凑齐了数据、预训练、后训练、和架构各方向负责人的创始团队，就去融资了。运气不错，很快拿到了种子投资。但钱还不够买卡，得去拿第二轮。这一轮领头是一家非常大的机构，做了几个月文档、商讨条款。但在签字前一天，领头说不投了，直接导致了跟投的几家退出。很感激剩下的投资方，还是做完了这一轮，拿到了做 LLM 的入场券。

今天反思的话，当时蹭着资本市场热情还在，其实可以继续融资，说不定也跟其他友商一样，现在十亿现金在手。当时担心融资太多，会不好退出，或者被架到天上去了。现在想来，创业就是想逆天改命，想什么退路呢？

机器：第一批吃螃蟹的人

有了钱后就去买 GPU。问各个供应商，统一回复是 H100 交货得一年以后了。灵机一动，直接给老黄写邮件。老黄秒回说他来看下。一个小时后超微的 CEO 就打电话过来了。多付了些钱，插了个队，20 天后拿到了机器。很荣幸早早的吃到了螃蟹。

螃蟹吃到怀疑人生，遇到了各种匪夷所思的 bug。例如 GPU 供电不足导致不稳定，后来靠超微工程师修改 bios 代码打上补丁；例如光纤的切开角度不对，导致通讯不稳定；例如 Nvidia 的推荐网络布局不是最优，我们重新做一个方案，后来 Nvidia 自己也采用了这个方案。至今我都不理解，我们就买了不到一千张卡，算小买家吧。但我们遇到的这些问题，难道大买家没遇到吗，为啥需要我们的 debug？

同时我们还租了同样多的 H100，一样是各种 bug，GPU 每天都出问题，甚至怀疑是不是这个云上就我们一个吃螃蟹的。后来看到 Llama 3 的技术报告说他们改用 H100 后，训练一次模型被打断几百次，对字里行间的痛苦，很是共情。

如果对比自建和租卡的话，租三年成本和自建成本差不多。租卡的好处是省心。自建的好处有两个。一是三年后如果 Nvidia 技术还遥遥领先，那么它能控制价格使得 GPU 仍然保值 。另一个是自建的数据存储成本低。存储需要跟 GPU 比较近，不管是大云还是小 GPU 云，存储价格都高。但一次模型训练可以用几 TB 空间存 checkpoint，训练数据存储是 10PB 起跳。如果用 AWS S3 的话，10PB 一年两百万。这钱用来自建的话，可以上 100PB。

商业：感恩客户，第一年收支平衡

非常幸运的，我们第一年收入和支出是打平的。我们支出主要在人力和算力上，感谢 Openai 的财力和 Nvidia 的遥遥领先，这两项支出都挺大的 。我们的收入来源是给大客户做定制的模型。很早就上 LLM 的公司大都是因为 CEO 非常有决策力，他们没被高昂的算力和人力成本吓到，果断的去推动内部团队配合尝试新技术。非常感恩客户给了我们喘气的时间，不然这个几个月我又是奔波在各个投资人那里。

接下来应该会有更多公司去尝试使用 LLM，不论是自己产品的升级，还是降本增效。原因是一方面技术成本在降低，另一方面行业领先者（例如我们客户）会陆续放出基于 LLM 的产品出来，把行业卷了起来。

我们也在关注 LLM 在 toC 上的落地。上一波顶流例如 c.ai 和 perplexity 还在找商业模式，但也有小十来家 LLM 原生应用收入还不错。我们给一家做角色扮演的创业公司提供了模型，他们主打深度的玩家，打平了收入和支出，也是厉害的。模型能力还在进化，更多模态（语音、音乐、图片、视频）在融合，相信接下来还会有更有想象力的应用出现。

整体来说行业和资本还是急躁的。今年好几家成立一年多但融资上十亿的公司选择退出。从技术到产品是一个很长的过程，花 2、3 年实属正常。算上用户的需求的涌现，可能得花更长时间。我们专注当下在迷雾中探路，对未来保持乐观。

技术：LLM 认知的四个阶段

对 LLM 的认知经历了四个阶段。第一阶段是 Bert 到 GPT3，感受是新架构，大数据，这个可以搞。我们在 Amazon 的时候也是第一时间去做了大规模的训练和在产品上的落地。

第二阶段是刚创业的时候 GPT4 了放出来，大受震撼。大半原因来自技术不公开了。根据小道消息估算一次模型训练一个亿，标数据成本几千万。很多投资人问我复现 GPT4 成本得多少，我说 3-4 亿要把。后来他们中一家真一把投了大几亿出去。

第三阶段是创业的第一个半年。我们做不动 GPT4，那就想着从具体的问题出发吧。于是开始找客户，有游戏的、教育的、销售的、金融的、保险的。针对具体的需求去训练模型。一开始市面上没有好的开源模型，我们就从头训练。后来很多很好的模型出来了，降低了我们成本。然后针对业务场景设计评估方法，标数据，去看模型哪些地方不行，针对性提升。

23 年年底时，惊喜发现我们的 Photon（Boson 的一种）系列模型在客户应用上的效果都打赢 GPT4 了。定制模型的好处是推理成本是调用 API 的 1/10。虽然今天 API 已经便宜很多，但我们自己技术也同样在进步，仍然是 1/10 成本。另外，延时等都可以更好的控制。这个阶段的认知是对于具体应用，我们是可以打赢市面最好模型的。

第四阶段是创业的第二个半年。虽然客户拿到了合同里要的模型，但还不是他们理想中的东西，因为 GPT4 还远不够。年初时发现针对单一应用训练，模型很难再次飞跃。回过头想，如果 AGI 是达到普通人类水平，客户要的是专业人士的水平。游戏要专业策划和专业演员、教育要金牌老师、销售要金牌销售、金融保险要高级分析师。这都是 AGI 加上行业专业能力。虽然当时我们内心对 AGI 充满敬畏，但感觉是避不开的。

年初我们设计了 Higgs（上帝粒子，Boson 的一种）系列模型。主打通用能力紧跟最好的模型，但在某个能力上突出。我们挑选的能力是角色扮演：扮演虚拟角色、扮演老师、扮演销售、扮演分析师等等。24 年年中的时候迭代到第二代，在测试通用能力的 Arena-Hard 和 AlpacaEval 2.0 上，V2 跟最好的模型打得有来有回，在测试知识的 MMLU-Pro 上也没差很远。

Higgs-V2 是基于 Llama3 base，然后做了完整的 post-training。我们没资源像 Meta 那样花大钱标注数据，所以 V2 比 Llama3 Instruct 好，原因应该还是主要来自算法的创新。

然后我们做了个评估角色扮演的评测集，包含按照人设扮演，和按照场景扮演。怪不好意思是自己的模型在自己的榜单上拿了第一。但模型训练中是没有碰评测用的数据。因为这个评测集是想自用，希望能真实反映模型能力，所以要避免模型 overfit 数据集。但做评测集的同学想写技术报告，所以干脆放出来了。有意思的是，按角色扮演的测试样本来自 c.ai，但他们家的模型能力是垫底的。

第四阶段的认知是，好的垂直模型通用能力也不能弱，例如 reasoning，instruction following 这些能力垂直上也是需要的。长远来看，通用和垂直模型都得朝着 AGI 去。只是垂直模型可以稍微偏科一点，专业课高分，通用课还行，所以研发成本稍微低一点，研发方式也会不太一样。

那第五阶段认识呢？现在仍在进行中，希望能很快分享。

愿景：人类陪伴

说来惭愧，我们蒙头做技术，给客户做定制，然后再慢慢想我们自己追求什么愿景。我们去看客户想要什么、我们自己想要什么、未来可能需要什么。我自己的话，多年前我憧憬有个机器人保姆能帮我带娃、陪他们，因为干这个我觉得很难，而且也不太理解娃当前的认知和想法。我希望工作上有个非常厉害的虚拟助手能跟我一起发明新的东西。等我老了也想有很有意思的机器人陪着。我对于未来的预测是，生产工具越来越发达，一个人完成之前一个团队才能完成的事情，导致人类更加个体独立，大家都忙着追求自己的事情，从而更加孤独。

这些综合在一起，我们把愿景定成了“人类陪伴的智能体”。一个情商很高的，智商在线的智能体。算换成现实中的人的话，应该会是一个专业团队。例如你想让它陪你玩，那它是专业策划 + 演员。陪你运动，那么鼓励师 + 专业运动教练。陪你学习，那么能把你不懂的讲懂。模型的好处是，它能做长期的陪伴，真的了解你。而且可以“真心为你”。

不过目前技术离愿景还挺遥远。当下技术就能陪着聊聊。很多场景下聊得也不是那么好，内容匮乏，智商情商有时都不在线。都是当下要解决的问题。如果有小伙伴做这一块的海外应用，欢迎联系我们。

团队：有挑战的事情得靠团队

创业之后才真正觉得团队的重要性。在大厂的时候，觉得自己是个螺丝钉，团队成员是螺丝，甚至团队也是个螺丝钉。但创业团队就是一辆车。车小点，但能跑，能载重，转弯灵活，各个角落都能去。公司成立不久的时候，米哈游老蔡来看了眼，看见所有人在一间房子里，他感慨说小团队真好。

不方便的地方当然也是有的，时刻要看有没有油，不好走的路得小心别把车震散架了。每个成员都很重要，没有冗余，一个人不给力，就可能是一个轮胎没气。人也宝贵，走一个人就可能少一个轮胎。

以前我选项目会选自己能主导开发的。但这也意味着问题不会超出我能力太多。创业选了个很大的问题去做，只能全靠团队了。别看本文里用了大量的“我”，其实工作都是团队做的。没了团队，我可能得转行去卖课了（此处不需要掌声）。

个人追求：名还是利？

到目前为止我都靠跟着内心的声音做决定，工作后再去读博、去做视频、去创业。创业需要强烈动机的支撑，才能克服层出不穷的困难。这需要对自己的动机做更深入的分析。

动机要么来自欲望，要么来自恐惧。十年前我可能更热衷名利，但到了现在的年纪，觉得金钱的边际效用已经不高，名声带来的情绪价值也已经很小。我深层的动机来自对生命可能没有意义的恐惧。先不说宇宙的浩瀚，就是在人类的历史长河，一个人也只是一粒沙。意外的到来，迅速的消失。地球上生活过一千亿人，绝大部分人不会在历史上留下痕迹。我家家谱上那上千个人名，我几乎都不认识。

那么一个人的存在的意义是什么呢？小时候曾因为想不清这个问题而抑郁。所以我想去创造价值，获得存在的意义。我选择“上进”，去提升自己的创造价值的能力；选择录长视频和写教材，创造教育价值；选择去写读博、工作、创业的总结，描述里面的纠结和困难，创造真实案例的价值；选择去创业，团结很多人的力量去创造更大价值。

后记

去年跟宿华在斯坦福散步，他拍着我肩膀说：“跟我说句实话，你为什么想创业呀？”当时候不以为然：“就是想换个事情做做”。然后宿华笑了笑。

现在我懂了，因为他经历了创业酸甜苦辣。如果今天再来回答这个问题，我会说：“我就是脑子抽了”。但也庆幸当时没想到会那么不容易，所以一头扎进来了。否则，大家看到的可能是「工作十年反思」。我觉得我今天写的故事更有意思些。

致敬所有创业人。

（最后广告下我司的

招聘信息（湾区和温哥华）

有做出海应用的小伙伴也请联系我们）

聊一个最切身感受的吧，那就是我国的轨道交通技术。

这里的轨道交通泛指铁路和城市轨道交通。铁路，咱说说高速铁路；城市轨道交通，就讲讲地铁。

（一）高铁

2014 年 8 月份，广东省肇庆市怀集县境内，由于工作的原因，我来到了这座非常靠南的小城。一路从广州、佛山赶过来，脚上网鞋的那七个网格破损扭成的洞告诉了我，它已经没有办法陪伴我走接下来的路了。于是刚下了大巴车，酒店迅速放好了行李，第一时间直奔一家附近的运动专卖店。然后一位非常好看的店员小姑娘接待了我。

小姑娘：您好，里边请（粤语）。
我：我买鞋，** 码的，能穿耐造的就行，我长期出差的。
小姑娘：耐造？？？（普通话切换）
我：质量好的就行。
小姑娘：哦哦，您看这双行不行？

随后，不出一分钟，我付款完毕。小姑娘很健谈，便问我来这里出差是做什么的，我说是做铁路相关的，于是小姑娘特别兴奋的问我，是不是他们这里正在修建的那个车站就和我做的工作有关系！

得到确认的答复后，便又和我聊了很多高铁相关内容：比如猜测新线路的列车到底会有多快，后边她想去广州发展，大概需要坐多久呢……

太具体的记不清了，后边只记得她约我在她下班后，去对面的奶茶店喝芒果味的果汁，想让我多跟她聊聊高铁这个新物事儿。我说又不是没喝过，有什么特殊的吗？她说南方的果汁和北方的不一样，她们这里的果汁都是用果肉鲜榨的，很多第一次来喝的北方人都会觉得味道特别纯，叫我一定不能错过！

再然后，领导的一记电话让我想办法连夜去桂林。于是，我永远的错过了那杯“纯纯”的芒果汁……

现如今再回头看，那条铁路横跨三个省，共计 23 个车站。但，设计时速不过 300Km/h，实际列车最高运行速度不过 250Km/h，正常估计也就跑个 200 左右，跟京沪线上的复兴号相比着实差了不少，不过这也侧面反映了我国的高铁发展速度是多么的快！

彼时的信号系统还是CTCS-2，现如今京张高铁已经CTCS-3+ATO为冬奥会待命，不过就是四五年的时间啊！

从阿拉伯数字 /K/T/Z，到出现D/G，再到出现大量的 D/G，这一路，“基建狂魔”从未停下脚步，一如我那双破洞的鞋子在见证这一切……

那一年年底，当我在新闻联播上看到这条铁路即将开通的消息时，不瞒大家，当时我还在出差，正蹲在酒店房间里一个逼仄的小床桌边上，吃着一份多宝鱼盖饭。那一瞬间顿时哽咽，喉咙仿佛都能清清楚楚地感受到鱼籽的颗粒数目，一条本来鲜香的鱼变得有点酸，有点咸……

一晃多年过去，如果有机会，我很想再问问那个小姑娘：建好的高铁，广州至怀集只需要大概一个小时左右，和你当初心中的速度想的一样吗？

---

（二）地铁

以上信息是来自于深圳地铁的一则新闻，重点讲的是 5G 技术在地铁上的应用（新闻链接：http://www.szmc.net/ver2/news/detail?id=205706&catgory=5YWs5Y_b45paw6Ze7 ）。

具体一点的表达：每天地铁上的视频监控都会采集大量的数据，这些数据理论上是应该及时的上传到需要这些数据的人的电脑里，以供监测。但以往由于通信技术的限制，诸如视频信息这类数据都必须等待列车下线后由工作人员去拷贝，时效性非常差，5G 的出现恰好解决了这一问题。

上述内容属于 5G 技术为地铁中CCTV（视频监控）子系统带来的业务提升，实际上更偏重于去方便地铁内部的运营监督管理，而和我们乘客更相关一点的，5G 同样也会带来PIS（乘客信息）子系统的有效改善。简而言之，传统的车载 PIS 显示器由于通信速率的限制，一般是播放预先存好的视频信息，车站快速缓存的话效果不佳，多半会导致卡顿、画面不清等情况，最多保障“下一站”和“到达时间”这类信号信息的准确（因为这类数据相较视频数据小的多，一般是 KB 级的字节）。

想想“更新换代”后的 PIS 带来的改变吧！或许以后大家坐地铁，尤其是动辄一条线从头做到尾的乘客，就可以舒舒服服的看一部30 分钟的美食纪录片了，而不是一则被播放了 10 遍的 3 分钟广告！

而我依稀记得，基于4G-LTE技术开通的武汉地铁 6 号线，也不过是 2016 年 12 月 28 日才开通啊……

从列车旅行速度上来讲，行车间隔一而再，再而三的缩短，5min，4min，3min，2min30s，2min，部分线路高峰期上一列车刚走，下一列车几十秒就进站也不是什么遥不可及的梦想了。实现这一目标的技术叫CBTC，彼时用的大多数还是部分国产化的CBTC（即核心设备还是需要进口，技术也掌握在老外手里），而今年北京地铁 5 号线我们就已经开始用全自主化的 CBTC 去改老外的系统了，天通苑——宋家庄这一路沿线的朋友们有福啦！

恍然间，我似乎还没把 CBTC 这个名词儿的英文记全，有消息说重庆开始搞互联互通了，据说列车还要跨线运行？貌似没过多久，燕房线直接弄上了 FAO？再后来《城市轨道交通全自动运行线路试运行基本条件》就出来了，干嘛？指导大家如何规范的搞无人驾驶啊！

而这一切，仿佛就在昨天。因为事件发生的密集，便好像，要么没发生，要么，就一下子都发生了……

轨道交通产业只是我国科技发展的一个缩影，虽然我曾经也只是做过其中很小很小的一部分工作，但我为曾经参与过这些项目的实际建设感到骄傲与自豪！因为做交通基建的人，每每烦扰困顿的时候，或许内心底都有一个声音在安慰自己：起码我们的工作改善了人们的出行方式吧，还是很有价值的！

国家的进步，不就是从各行各业这一点一滴的改善之中不断形成的么？

说到底，都是积累；一定要有耐心，一定要沉得住气！

我们有理由相信，当这些点滴稳定地形成了丰厚积淀的那一天：

大国崛起，便势不可挡！

什么叫硬核影评，看完电影以后我注册了一个众包骑手，跑了一上午。

这部电影最大的问题是，宣传中告诉你要介绍「红烧大肠」的做法，实际上是当着你的面把屎挤出来就结束了。

比如影片中比较大的一个冲突点，就是徐峥因为低血糖晕倒以后，弹出了微笑计划的验证，他强颜欢笑但是一直无法通过，最终被封号三天。

可能很多人看到这里都莫名其妙，为什么会有微笑计划？

这个计划是在某团 APP 真是存在的，除了明面上写的理由意外，可能还包括防范使用新人账号接单获取新人补贴套利，这个当然不能写在说明里面了，但总之这个检测的目的就是确认骑手是否为本人。

张嘴、摇头或者眨眼都是为了做活体检测，因为照片是不能做这些事情的。那么检测项有微笑么？没有。这个微笑行动不需要你在检测的时候微笑，算法也不会检测你是否微笑。所以徐峥无法通过的原因可能是光线或者角度，以及没有合规佩戴头盔，但肯定不是因为没有笑。

45 岁的老算法工程师这点道理都不明白，只能说是被导演强行降智了。

而且规则中明确提到了，因为交通事故等原因无法上报，可以用现场照片或者视频申诉。影片强行安排的三天封号毫无道理。

还有就是影片中涉及车祸的场景，都没有出现过报案和理赔。但是实际我在使用 APP 的过程中，这部分是被反复强调的，「骑手保险生效中」的提示，始终在软件界面上显示着，影片对这些事情避而不谈，就像是故意抹黑平台一样。

虽然我也不喜欢某团，但我不支持这样黑他。

有人可能说，你这就是不理解劳动人民，他们这都是生活所迫，徐峥如果当时报案的话，他就拿不到单王了。

喂，拼着车祸拿到上海静安区石门二路街道配送站 2024 年 8 月单王是个什么了不起的事情吗？跟拼着拉裤子获得北京市海淀区万泉小学三年二班 2024 年期末考试第一名差不多吧？

不管大家是卷是躺，送单第一名永远都会存在。所以为了这个指标内卷毫无意义，你无非是证明了自己可以不要命一次，但这种昙花一现式的成就对职业的长期发展没意义。就好像你作为一个保险营销员，在某个月拉着所有亲戚朋友买保险，拿到了团队销冠，有意义吗？

更遑论徐峥最后还是卖了房，认了自己不会一直拿单王的命，喂，那人家老黑一直拿单王是靠撞宇宙飞船吗？

然后有一说一，美团的这个重疾险非常良心。市面上的这个价位的重疾未必包含轻中症，而且这个产品也不需要健告，也不会随着年龄涨价。

更厉害的是赠送的绿通服务是不受保额限制的，就是说，我那 7 单获取到 700 块保额，也是享有绿色通道服务的（虽然我的其他商业险有更好的）。如果发生重疾住院，可以优先办理住院。

按照影片里大黑的跑法，他的胃病万一发展成胃癌了，可以拿到 50W 一次性补偿。当然前提是主动参与这个单单保计划。

---

其他的剧情方面，我们也要对影片作出一些肯定，比如里面提到的很多场景和事件的确是外卖小哥日常常常遇到了，我能这么说，是因为仅仅一上午送了七单，就遇到了一大堆奇葩事情。

比如到订单标注「绒 5 不是 5 号楼」，我在这个楼下就蒙圈了，这个「绒 5」看着也不像有 302 的样子，转了一圈也找不到哪里有门。就在我一筹莫展之际，迎面走来了两个链家中介…

中介小哥热情的给我指了路，我不禁感慨，还是劳动人民理解劳动人民。

这个是店家在在东升科技园，电动车不能进，我拎着 5 盒皮蛋粥和一堆大油条跑了大几百米。

送餐的时候，因为前一天下大雨，电梯进水故障。我拎着这东西跑上到了 10 楼送餐，然后因为超时被扣了钱。

还有外卖平台上看起来非常上档次的茶餐厅，其实是在地下室的小厨房做的半成品。当然，半成品可能反而比现做的还要放心一些。

我不敢说跑了一上午就看到了什么人情冷暖，但如果让我设计剧情，我可能会安排单王大黑出意外，让大家意识到盲目的内卷是不行的。或者让站长默默帮大抠修好车，体现他外冷内热的一面同时，也表达安全上路的重要性。发生车祸了，来不来得及，拨一下报案电话。平台的规定，讲讲为什么初衷是保护骑手。

在我送餐的过程中，最触动我的其实是几块砖头。

一定是谁淋过雨，才想着给别人撑伞

---

p.s. 看到了昨天的账单以后，某团，我还是继续做你的一生黑吧…

这个是刚看完以后写的

电影《逆行人生》预售票房仅 167 万，如何评价这一票房成绩？