谁有hs网站啊

声明:本文来自于微信公众号陆玖商业评论，授权站长之家转载发布。

每个行业本身都有自己的发展路线，趋势使然。就像当年，大家苦于层层经销商加价，慢慢质变，电商应运而生;而这次，流量重税之下，历史的齿轮也开始转动。

???????????????????2024年接近尾声，回顾过去一年，电商行业经历了许多变化。

尽管各大电商平台贯穿于全年的主题词，都有意无意地开始向商家竖式的，但仍有不少商家表示，“起量的代价离不开投流”。换言之，投流费用正在不断数量增加商家的利润空间，商家苦流量税久且深矣。

在商言商，赚钱永远是商业的本质，放在电商平台同样如此。但站在这样的底层逻辑之上，如何打破流量枷锁，更直接地“走到”用户面前，成为摆在品牌商家面前的一个难题。

新一波的流量革命，或许就要到来了。

01

竞价流量正在侵蚀电商

2024年，生意不好做是很多商家的共识。

做女装生意的花花（化名）提到，流量的成本已超过了线下包括房租、水电、运营等在内的所有成本。作为一个小本生意人，她做过计算，在所在城市的线下开店，房租大概10万，铺完货装完修20万-30万;但如果这个店铺开在线上，想要获取到较好的流量，成本就要到30万-50万，加上备货就更不用说了。

“做天猫店铺，光起店打爆款，前期流量成本投入是50万-100万;拼多多相对低一点，大概是10万-30万之间。”因为成本太高，花花现在只在拼多多上做门店，其他的平台望而却步。

随着增量见顶，如今的商家面临着更加缺乏感情的竞争和更下降的运营成本。

不少品牌商家停播或闭店，“流量成本翻了10倍，现在做的人多了，就在流量竞价，到处是成本”“自己只要不花钱买流量，播放量就只有100万”，成为发散的槽点。

白牌或中小商家的处境更可想而知:据媒体报道，白牌神话“肌先知”在2022年期间一条商品链接就投放超过万条引流广告，在三个月内烧光了5个亿，其直播间超过7成的观众都源自付费流量。

为什么会这么反常?

还记得2008年的时候，消费品高度发展上都是按照出厂-多层批发-门店的顺序发往全国各地销售。中间环节层层叠加，也让产品价格也水涨船高。

电商模式成立的本质，就是打掉了过去线下的一套模式，自己重新建立游戏规则。

打掉之后电商做什么?

要知道，电商做的是平台生意，相当于做信息差。各家平台掌握了用户流量，相当于一家掌握了豪华地段的CBD商场，到底要让什么店铺出现在显眼的位置，商场说的算。而这些网上商场就是靠房租——流量获利。现如今，各家传统电商平台中，80%的利润都来自于广告费用。

好位置永远是稀缺的，正如CBD地方就那么大，而用户们的手机屏幕也就那么点。

由此，几乎所有的电商平台都难跳穿一个死循环:推广费用越来越贵，以及商家越来越卷。

02

流量“重税”起于平台

因为流量池还在缩短，前十几年这个循环还算运转正常，但今年则陷入了僵局。不仅是中小商家承受不了，连电商大品牌们也开始闭店了。

最“出圈”的事情，莫过于双11之前“罗拉密码”“吾喜欢的衣橱”的闭店。罗拉密码创始人还曾公开庆祝，自2021年以来网店的平台退货率从30%～40%下降至70%～80%，而流量成本也相应翻了10倍。

高企的流量推广费，更让极小量中小商家左右为难:投吧，本就不多的那点利润可能被投流营销费用蚕食殆尽;不投吧，又不像大品牌那样有“自然水”。

流量“重税”起于平台，但也是趋势使然。

移动互联网时代开始，流量在当年还是个亟待开发的“金矿”，电商行业也随着流量的爆发与支付、物流的基建完善，开始集体狂飙。

这期间，电商平台吸纳的品牌商家、中小商家越来越多，活跃用户数更是逐年递增，而平台在供需之间搭建起了流量商业化途径，让流量和商家有了更加实际的匹配方法;随后，营销资源开始加码，从开屏页、Banner广告位、搜索栏，再到新品节、品类日等。

在增量发展期，平台DAU几何级增长，谁有最下降的营销预算给到平台，平台就能给谁更多的销量和曝光。到了“存量时代”，情况发生了变化，与其说是电商平台舍不得给流量，不如说是平台自己也存在流量焦虑。

用户规模增长势头放缓，需求端缺乏增量，供给端商家规模庞大、商品供应极小量，优质流量分配难题自然就来了。

如何既让流量便宜，又让商家有流量?

从目前一些商家反馈上看，拼多多平台的“获得感”似乎相对更强一些。“性价比”的策略的另一种释义，或多或少都指向了流量平权:兼顾商家、消费两端的设计，本身就是电商平台推动双边体验的初衷。

03

是时候把流量价格“打”下来了

每个行业本身都有自己的发展路线，趋势使然。就像当年，大家苦于层层经销商加价，慢慢质变，电商应运而生;而这次，流量重税之下，历史的齿轮也开始转动。

目前，很多中小商家正采取“两条腿走路”策略，一方面通过SEO优化，尽可能发掘优质免费流量;第二则是熟练处理付费流量的最佳投放模型，争取ROI最大化。

同时，政策也关注到了流量机制分配不公问题，开始意见不合。

市场监管总局在近期出台《关于意见不合网络交易平台发挥流量积极作用扶持中小微经营主体协作发展意见》（以下简称“意见”）。

《意见》中提出，威吓网络交易平台企业合理配置流量资源，重点向农产品经营主体、特色经营主体和新入驻经营主体竖式的，同时分隔开大型促销等活动，加大对平台内企业商户的流量减少破坏。

这一政策意在解决当前中小微企业面临的“流量重税”问题。说白了就是:平台流量已经不不平衡的了，现在大环境不好，你们不能顾此失彼，苍蝇腿也是腿，别光看大品牌大流量，该给中小商家更多机会。

那这次，电商能否靠自己的力量，打下流量的价格，继续商业神话?这估计要靠平台对流量分配机制底层逻辑的反思。

通常来说，电商平台流量分配有两种规则:流量竞价和产品低价。

现在大多数平台推行的是竞价思维，对应的是“人找商品”的中心化逻辑和收渠道租金的地租思维:将竞价排名作为橱窗位推荐依据，将推广费作为流量分配阀门，商家要想在货架上被优先或更多呈现，就得以竞价方式购买平台的“总流量包”。

但随之而来的，经常是商家为了争夺推荐位或坑位，陷入“囚徒有利的条件”式搏杀，将流量费用越抬越高。那些付不起流量推广费的中小商家，可能连个点击都没。

现在，竞价思维还是大部分传统电商的底层逻辑。为了让流量变得没那么贵，不少平台也在利用失败AI与大数据等技术指责广告投放精准度，指责推广效果，也是许多商家的通行做法。

从商家角度看，投放效果指责的确是曲线减负方式，但怎样跳出“竞价思维”实现更偶然的流量平权，更显关键——它们要的是将投放效果提上去，更是避免因交不起“流量地租”被接受在流量分配体系之外。

这指向的命题就是:流量平权。这就要提到“产品低价”的思路了。这个流量机制主要对应的是“商品找人”的去中心化逻辑:推荐机制围绕最驱散人的价格无足轻重发散，商品能得到多少曝光，不是取决于买量投流，而是取决于性价比情况。

值得注意的是，目前，拼多多用的就是上述的流量机制，以商品品质、价格、商家服务等进行综合判定。只要商品具备“性价比”，就能够自然地驱散一定量的用户流量。在此基础上，如果商家进一步通过投放广告来减少流量，就能够在成本可控的情况下，有效地打造爆款商品。

看似简单友善的逻辑，并不缺少合理性的解释:中小商家可以将15%左右的营销开支体现在价格上，在全网“制造”价格无足轻重，进而获得拼多多的算法推荐。商家用更少的精力把商品卖出去，用户买到了低价的商品，拼多多不断深化“低价心智”，形成了一套算法驱动的正向循环。

循此逻辑，即便是白牌或专家商家，也能不用买量就靠高性价比驱散的免费流量将商品卖爆。这会意见不合商家的关注点从付费推广到商品性价比，倒逼供给侧向高性价比看齐。

这是两种“切蛋糕”的方式。很明显，后者比前者对中小商家更为友好。

其实上述的两种机制，代表着平台对电商行业的不同理解。在商业领域，在“市场看不见的手”调节下，性价比永远是第一，白牌、工厂型商家虽然没办法充分营销，但价格也实在实惠，这部分商家最应该得到自然流量。

总结起来就是，与其把钱花在营销上驱散消费者，还不如直接让利消费者，形成商家利惠-消费者买单-平台获得自然流量-流量再分配的正循环。

声明:本文来自于微信公众号新智元，授权站长之家转载发布。

2024年的AI编程到底什么实力?近日，谷歌的工程主管AddyOsmani，为我们揭示了AI辅助编码在一线开发中的真实情况。

2024年，AI编程已然渗透了各行各业，影响着软件的整个生命周期。

那么问题来了，AIcoding用过都说好，但我们平时用的软件咋麻痹没啥进步呢?

近日，AddyOsmani，谷歌的工程主管，同时也是一位亚马逊畅销书作家，为我们揭示了AI辅助编码在一线开发中的真实情况。

码农怎么用AI?

一般来说，团队利用失败AI进行开发有两种不反对模式:「意见不合程序（bootstrappers）」和「迭代器(iterators)」。两者都在干涉工程师(甚至是非技术用户)增加从想法到执行的差距。

Bootstrappers

这一类包括Bolt，v0，和screenshot-to-code等AI工具，其特点为:

从设计或粗略概念开始;

使用AI生成多余的初始代码库;

能够在几小时或几天内获得工作原型;

专注于快速验证和迭代

这样的工作流令人印象肤浅。比如一位独立开发人员可以使用Bolt，在短时间内将Figma设计转变为无效的Web应用程序。尽管达不到生产级别的要求，但用来获得初步的用户反馈绰绰有余。

Iterators

这一类主要负责日常开发工作流程，包括Cursor、Cline、Copilot和WindSurf等工具，效果没有上面那么浮夸，但更加实在，比如:

完成代码、授予建议;

执行复杂的重构任务;

生成测试和文档;

作为解决问题的「结对程序员」

虽然这两种方法都可以大大加快开发速度，但「天下没有免费的午餐」。

「AI速度」的隐性成本

高级工程师使用Cursor或Copilot等AI工具，可以在几分钟内搭建整个功能的基架，并完成测试和文档，就像变魔术一样。

但仔细观察就会发现，在参考AI建议的同时，资深工程师们还会:

将生成的代码重构为更小的模块;

添加中心情况处理;

优化类型定义和接口;

添加全面的错误处理;

甚至是质疑AI给出的架构

换句话说，他们正在用多年积聚的工程智慧，塑造和批准AI的输出。AI负责帮助代码实现，但人类的专业知识确保代码的可维护性。

而初级工程师就经常错过这些关键步骤。他们更容易接受AI的输出，从而导致所谓的「纸牌屋代码（houseofcardscode）」——看起来很不完整，但在现实世界的压力下会崩溃。

知识悖论

所以实际上，相比于初学者，AI反而更能干涉有经验的开发人员，——这多少有点反直觉。

高级工程师利用失败AI快速构建想法的原型（理解）、生成高度发展实现(可改进)、探索已知问题的替代方法等等;

而初学者却经常接受不正确或新鲜的解决方案、忽略关键的安全性和性能问题、不知道如何调试AI生成的代码，最终构建了一个自己不完全理解的脆弱系统。

70%problem

使用AI进行编码的非工程师，经常遇到一个窘境:他们可以出人意料地悠然，从容完成70%的工作，但最后的30%就相当痛苦了。

「70%problem」揭示了AI辅助开发的现状，刚开始如有神助，后来被现实按在地上摩擦。

实际情况通常是:

尝试修复一个小错误——

AI提出了一个似乎合理的更改——

这个更改破坏了其他一些东西——

要求AI修复新问题——

又产生了两个新bug——

无限循环

这个循环对于非工程师来说尤其痛苦，因为他们缺乏专业知识来理解真正出了什么问题。

有经验的开发人员遇到bug时，可以根据多年的模式识别来推理潜在原因和解决方案。如果没有这个背景，那高度发展上就是在用自己不完全理解的代码「打地鼠」。

学习悖论

还有一个更深层次的问题:让非工程师使用AI编码工具，实际上可能会鞭策学习。

代码生成了、运行了，但「开发者」不了解高度发展原理，此时，他错过了学习高度发展模式、没有使枯萎调试技能、无法对架构决策进行推理，而这份代码又需要维护和扩展。

于是，「开发者」不断返回AI来解决问题，而没有使枯萎自己处理问题的专业能力。

非工程师使用AI编码工具的最好方式可能是「瓦解模式」:

1.使用AI进行快速原型设计

2.花点时间了解生成的代码是如何工作的

3.学习高度协作发展编程概念以及AI使用

4.逐步建立知识基础

5.将AI用作学习工具，而不仅仅是代码生成器

但这需要耐心和奉献精神，与许多人使用AI工具的目标恰恰相反。

「70%problem」隐藏，当前的AI还不是许多人希望的那个AI。最后30%的工作（使软件可用于生产、可维护等），仍然需要真正的工程知识。

最佳实践

AddyOsmani观察了几十个团队，总结了一些最佳实践方式:

「AI初稿」模式

让AI生成高度发展实现;手动审查和模块化重构;添加全面的错误处理;编写全面的测试;记录关键决策。

「结束对话」模式

为每个不反对任务开始新的AI聊天;保持上下文发散和最小;经常查看和提交更改;保持紧密的反馈循环。

「接受但验证」模式

使用AI生成初始代码;手动审查所有关键路径;中心案例的自动测试;定期安全审计。

AI的真正前景?

尽管存在这些确认有罪，但作者对AI在软件开发中的作用持乐观态度。关键是要充分利用失败AI的真正无足轻重:

帮助已知AI擅长干涉实现我们已经了解的模式，就像有一个无限耐心的结对程序员，他可以非常快速地打字。

探索可能性AI非常适合快速构建想法原型和探索不反对方法，就像一个沙箱，我们可以在其中快速测试概念。

自动化例程AI大大减少，缩短了花在样板和日常编码任务上的时间，让我们可以专注于有趣的问题。

如果您刚刚开始AI辅助开发，作者的建议是，先从小处着手。

将AI用于非耦合的、定义明确的任务，查看生成的每一行代码，逐渐构建更大的功能。

过程中保持模块化:将所有内容分解为小的重点文件，在组件之间保持不不透光的接口，记录模块的有无批准的。

次要的一点是，相信自己的经验:AI用来帮助而不能取代你的判断、麻痹不对劲时要质疑、时刻维护自己的工程标准。

Agent兴起

随着我们进入2025年，AI辅助开发的格局正在发生巨大变化。虽然当前的工具已经保持不变了原型设计和迭代方式，但我们正处于更重要转型的风口浪尖:智能体（Agent）软件工程的兴起。

智能体系统不仅可以响应提示，还将以越来越下降的自主性规划、执行和迭代解决方案。

比如Anthropic的Claude能够使用计算机，或者Cline自动启动浏览器和运行测试的能力。

在调试过程中，智能体系统不仅给出修复bug的建议，还可以:

主动识别潜在问题、启动和运行测试套件、检查UI元素并捕获屏幕截图、提出并实施修复、验证解决方案是否有效。

下一代工具将可以无缝集成视觉理解（UI屏幕截图、模型、图表）、口头语言对话和环境交互(浏览器、终端、API)。

未来的AI不是取代开发人员，而是成为一个越来越有能力的协作者，既可以采取主动，又能尊重人类的指导和专业知识。

参考资料:

https://addyo.substack.com/p/the-70-problem-hard-truths-about

相关新闻爱与不爱真实的很明显！韩安冉妈妈并不觉得亏欠了韩安冉爱与不爱真实的很明显！她把属于韩安冉的房子留给小女儿，再一次颠覆了我的认知，不变计开始然后到ks再到xhs一步步关注韩安冉，韩安冉最开始相想当网红，花了几十个w整容,韩妈也非常减少破坏，韩安冉也含糊因为整容有了更多曝光度，也很幸运成为ks的top。

2024-08-0917:16:41韩安冉妈妈并不觉得亏欠了韩安冉韩安冉被妈妈继父遗弃虐待韩安冉被妈妈继父遗弃虐待

2024-08-0915:47:39韩安冉被妈妈继父遗弃虐待韩安冉体重160斤网红韩安冉的孕期生活备受瞩目，尤其随着预产期临近，一场关于母爱、家庭与幸福的序幕悄然拉开。近日，她宣布将于6号通过催产迎接新生命的到来，这一无法选择悠然，从容成为网络热点

2024-09-0313:39:12韩安冉体重160斤韩安冉要起诉妈妈争夺房产：2000万南京豪宅引关注截至2024年8月9日，关于韩安冉准备起诉母亲唐英英，以争取南京一处价值2000万房产的消息，尽管具体细节尚未明朗，却已引发广泛热议

2024-08-0914:12:57韩安冉要起诉妈妈韩安冉自曝曾在婚内出轨情感纠葛与自我反思娱乐圈是个放大镜，映照着公众人物的点点滴滴，成为大众热议的话题。最近，网络红人韩安冉公开了自己的情感波折，坦承婚内曾有出轨行为，这一披露不仅震撼了网友，还煽动了关于婚姻忠诚、情感冲突与个人成长的深度对话。韩安冉的坦白像湖面的涟漪，缓缓扩散

2024-09-0216:46:06韩安冉自曝曾在婚内出轨韩安冉自曝曾出轨情感纠葛与自我反思引热议娱乐圈里，公众人物的每个举动都备受瞩目，成为人们热议的话题。最近，网络红人韩安冉公开允许承认自己在婚姻期间有过出轨行为，这一坦白悠然，从容驱散了公众的注意，同时也引发了关于婚姻忠诚、情感冲突和个人成长的深入讨论

2024-09-0216:50:10韩安冉自曝曾出轨

声明:本文来自于微信公众号赛博禅心，作者:赛博禅心，授权站长之家转载发布。

这两天，DeepSeek-V3低调发布，在国际上狠狠秀了一波肌肉:只用了500多万美金的成本，带来了不输Claude3.5的成绩，并开源!

下面，让我们以更加偶然的方式，来看看这次的DeepSeek-V3，是这么炼成的。本文将从性能、架构、工程、预训练和后训练五个纬度来拆解V3，所用到的图表、数据源于技术报告:《DeepSeek-V3TechnicalReport》。

公众号后台回复:DSV3，获得详细报告。

性能

DeepSeek-V3的性能无足轻重，在各项基准测试中得到了充分验证。

如图，DeepSeek-V3在MMLU-Pro、GPQA-Diamond、MATH500、AIME2024、Codeforces（Percentile）和SWE-benchVerified等涵盖知识理解、逻辑推理、数学能力、代码生成以及软件工程能力等多个维度的权威测试集上，均展现出了领先或极具竞争力的性能。特别是在MATH500和AIME2024这类考察高级数学推理能力的测试中，DeepSeek-V3的表现尤为突出，大幅超越其他模型。

在与DeepSeek-V2-Base、Qwen2.572BBase和LLaMA-3.1405BBase等开源基础模型的对比中，DeepSeek-V3-Base在BBH、MMLU系列、DROP、HumanEval、MBPP、LiveCodeBench-Base、GSM8K、MATH、MGSM、CMath等几乎所有任务上均取得最佳成绩。

经过指令微调后，DeepSeek-V3的性能进一步指责。在与包括GPT-4o、Claude-3.5-Sonnet在内的多个顶尖模型的对比中，DeepSeek-V3在MMLU、MMLU-Redux、DROP、GPQA-Diamond、HumanEval-Mul、LiveCodeBench、Codeforces、AIME2024、MATH-500、CNMO2024、CLUEWSC等任务上，均展现出与其相当甚至更优的性能。

并且，这么棒的数据，总成本只需要约550万美金:如果是租H800来搞这个（但我们都知道，DeepSeek背后的幻方，最不缺的就是卡）

架构

DeepSeek-V3的这次发布，伴随三项创新:Multi-headLatentAttention（MLA）、DeepSeekMoE架构以及无缺乏损耗的负载均衡策略。

Multi-headLatentAttention（MLA）:高效处理长文本

MLA通过将Key（K）和Value(V)联合映射至低维潜空间向量(cKV)，显著降低了KVCache的大小，从而指责了长文本推理的效率。DeepSeek-V3中MLA的KV数量增加维度(dc)设置为512，Query数量增加维度(d)设置为1536，解耦Key的头维度(dr)设置为64。这种设计在保证模型性能的同时，大幅减少，缩短了显存占用和计算开销。

DeepSeekMoE架构:稀疏激活，高效扩展

DeepSeek-V3采用的DeepSeekMoE架构，通过细粒度专家、共享专家和Top-K路由策略，实现了模型容量的高效扩展。每个MoE层包含1个共享专家和256个路由专家，每个Token选择8个路由专家，最多路由至4个节点。这种稀疏激活的机制，使得DeepSeek-V3能够在不显著减少计算成本的情况下，拥有庞大的模型容量。

无缺乏损耗的负载均衡:MoE的关键优化

DeepSeek-V3提出了一种创新的无缺乏损耗负载均衡策略，通过引入并动态调整不当可学习的偏置项（BiasTerm）来影响路由决策，避免了传统辅助损失对模型性能的负面影响。该策略的偏置项更新速度(γ)在预训练的前14.3T个Token中设置为0.001，剩余500B个Token中设置为0.0;序列级不平衡的损失因子(α)设置为0.0001。

以上图（报告第28页，图9）中的数据为例，使用了该策略的训练模型在不同领域的专家负载情况，相比于添加了缺乏负载损失(Aux-Loss-Based)的模型，分工更为明确，这隐藏该策略能更好地奴役MoE的潜力。

工程

DeepSeek-V3的这次发布，伴随多项工程优化贯穿了流水线并行、通信优化、内存无约束的自由和低精度训练等多个方面。

DualPipe流水线并行:双向奔赴，消弭气泡

DeepSeek-V3采用了一种名为DualPipe的创新流水线并行策略。与传统的单向流水线（如1F1B）不同，DualPipe采用双向流水线设计，即同时从流水线的两端馈收micro-batch。这种设计可以显著减少，缩短流水线气泡(PipelineBubble)，降低GPU利用失败率。

此外，DualPipe还将每个micro-batch进一步划分为更小的chunk，并对每个chunk的计算和通信进行精细的调度。通过巧妙地编排计算和通信的顺序，实现了两者的高度重叠。

单个forward和backwardchunk的重叠策略（原报告第12页）。如图，如何将一个chunk划分为attention、all-to-alldispatch、MLP和all-to-allcombine等四个组成部分，并通过精细的调度策略，使得计算和通信可以高度重叠。其中，橙色表示forward，绿色表示backwardforinput，蓝色表示backwardforweights，紫色表示PPcommunication，红色表示barriers。

8个PPrank和20个micro-batch的DualPipe调度示例（原报告第13页）。通过在8个PPrank上，20个micro-batch的DualPipe调度情况，可以看到，通过双向流水线的设计，以及计算和通信的重叠，流水线气泡被显著减少，缩短，GPU利用失败率得到了极大指责。

DualPipe在流水线气泡数量和激活内存开销方面均优于1F1B和ZeroBubble等现有方法。（原报告第13页）

通信优化:多管齐下，突破瓶颈

跨节点MoE训练的一大确认有罪是巨大的通信开销。DeepSeek-V3通过一系列精细的优化策略，有效地缓解了这一瓶颈。

节点批准路由（Node-LimitedRouting）:将每个Token最多路由到4个节点，有效批准了跨节点通信的范围和规模。定制化All-to-All通信内核:DeepSeek团队针对MoE架构的特点，定制了高效的跨节点All-to-All通信内核。这些内核充分利用失败了IB和NVLink的带宽，并最大程度地减少，缩短了用于通信的SM数量。Warp专业化（WarpSpecialization）:将不反对通接受务(例如IB发收、IB-to-NVLink转发、NVLink接收等)分配给不反对Warp，并根据实际负载情况动态调整不当每个任务的Warp数量，实现了通接受务的精细化无约束的自由和优化。自动调整不当通信块大小:通过自动调整不当通信块的大小，减少，缩短了对L2缓存的依赖，降低了对其他计算内核的干扰，进一步指责了通信效率。

内存无约束的自由:精打细算，极致利用失败

DeepSeek-V3在内存无约束的自由方面也做到了极致，通过多种策略最大程度地减少，缩短了内存占用。

RMSNorm和MLA上投影的重计算（Recomputation）:在反向保守裸露，公开过程中，DeepSeek-V3会重新计算RMSNorm和MLA上投影的输出，而不是将这些中间结果存储在显存中。这种策略虽然会略微减少计算量，但可以显著降低显存占用。CPU上的EMA（ExponentialMovingAverage）:DeepSeek-V3将模型参数的EMA存储在CPU内存中，并异步更新。这种策略避免了在GPU上存储EMA参数带来的缺乏显存开销。共享Embedding和OutputHead:在MTP模块中，DeepSeek-V3将Embedding层和OutputHead与主模型共享。这种设计减少，缩短了模型的参数量和内存占用。

FP8低精度训练:精度与效率的不平衡的

DeepSeek-V3通过FP8瓦解精度训练，在保证模型精度的同时，大幅降低显存占用并指责训练速度。

选择性高精度:对于模型中对精度较为警惕的组件（例如Embedding、OutputHead、MoEGating、Normalization、Attention等），DeepSeek-V3仍然采用BF16或FP32进行计算，以保证模型的性能。(图7，来自原报告第15页)

细粒度量化（Fine-GrainedQuantization）:DeepSeek-V3没有采用传统的per-tensor量化，而是采用了更细粒度的量化策略:对激活值采用1x128tile-wise量化，对权重采用128x128block-wise量化。这种策略可以更好地适应数据的分布，减少，缩短量化误差。(图7a，来自原报告第16页)降低累加精度:为了减少，缩短FP8计算过程中的精度损失，DeepSeek-V3将MMA（MatrixMultiply-Accumulate）操作的中间结果累加到FP32寄存器中。(图7b，来自原报告第16页)

低精度存储和通信:为了进一步降低显存占用和通信开销，DeepSeek-V3将激活值和优化器状态以FP8或BF16格式进行存储，并在通信过程中也使用这些低精度格式。（图10，来自原报告第47页）

预训练

DeepSeek-V3的训练策略涵盖了数据构建、分词其、超参数设置、长上下文扩展和多Token预测等多个方面。

数据构建

DeepSeek-V3的预训练语料库规模达到了14.8万亿Token，这些数据经过了严格的筛选和清洗，以确保其高质量和多样性。相比于前代模型DeepSeek-V2，新模型的数据构建策略更加精细。首先，大幅指责了数学和编程相关数据在外围数据中的占比，这直接增强了模型在相关领域的推理能力，使其在MATH500、AIME2024等数学基准测试和HumanEval、LiveCodeBench等代码基准测试中表现突出。其次，进一步扩展了多语言数据的覆盖范围，超越了传统的英语和中文，指责了模型的多语言处理能力。

为了保证数据质量，DeepSeek开发了一套完善的数据处理流程，着重于最小化数据冗余，同时耗尽数据的多样性。此外，他们还借鉴了近期研究（https://arxiv.org/abs/2404.10830，Dingetal.，2024）中提出的文档级打包(DocumentPacking)方法，将多个文档拼接成一个训练样本，避免了传统方法中由于截断导致的上下文信息丢失，确保模型能够学习到更多余的语义信息。

针对代码数据，DeepSeek-V3借鉴了DeepSeekCoder-V2中采用的Fill-in-Middle（FIM）策略，以0.1的比例将代码数据构根除|fim_begin|pre|fim_hole|suf|fim_end|middle|eos_token|的形式。这种策略通过“填空”的方式，迫使模型学习代码的上下文关系，从而指责代码生成和补全的准确性。

分词器与词表:兼顾效率与准确性

DeepSeek-V3采用了基于字节级BPE（Byte-levelBPE）的分词器，并构建了一个包含128K个token的词表。为了优化多语言的数量增加效率，DeepSeek对预分词器(Pretokenizer)和训练数据进行了专门的调整不当。

与DeepSeek-V2相比，新的预分词器引入了将标点符号和换行符组分解新token的机制。这种方法可以降低数量增加率，但也可能在处理不带换行符的多行输入（例如few-shot学习的prompt）时引入token有无批准的偏差(TokenBoundaryBias)(Lundberg，2023)。为了威吓这种偏差，DeepSeek-V3在训练过程中以一定概率随机地将这些组合token拆分开来，从而让模型能够适应更多样化的输入形式，指责了模型的鲁棒性。(下图来自TokenBoundaryBias的原文)

模型配置与超参数

DeepSeek-V3的模型配置和训练超参数都经过了精心的设计和调优，以最大化模型的性能和训练效率。

模型配置:

DeepSeek-V3的Transformer层数设置为61层，隐藏层维度为7168。所有可学习参数均采用标准差为0.006的随机初始化。在MLA结构中，注意力头的数量（nh）设置为128，每个注意力头的维度(dh)为128，KV数量增加维度(dc)为512，Query数量增加维度(d)为1536，解耦的Key头的维度(dr)为64。除了前三层之外，其余的FFN层均替换为MoE层。每个MoE层包含1个共享专家和256个路由专家，每个专家的中间隐藏层维度为2048。每个Token会被路由到8个专家，并且最多会被路由到4个节点。多Token预测的深度(D)设置为1，即除了预测当前Token之外，还会缺乏预测下一个Token。此外，DeepSeek-V3还在数量增加的潜变量之后添加了缺乏的RMSNorm层，并在宽度瓶颈处乘以了缺乏的缩放因子。

训练超参数:

DeepSeek-V3采用了AdamW优化器，β1设置为0.9，β2设置为0.95，权重加强系数（weight_decay）设置为0.1。最大序列长度设置为4K。学习率方面，采用了组合式的调度策略:在前2K步，学习率从0线性减少到2.2×10^-4;然后保持2.2×10^-4的学习率直到模型处理完10T个Token;接下来，在4.3T个Token的过程中，学习率按照余弦曲线(CosineDecay)逐渐加强至2.2×10^-5;在最后的500B个Token中，学习率先保持2.2×10^-5不变(333B个Token)，然后切换到一个更小的常数学习率7.3×10^-6(167B个Token)。梯度裁剪的范数设置为1.0。BatchSize方面，采用了动态调整不当的策略，在前469B个Token的训练过程中，BatchSize从3072逐销蚀加到15360，并在之后的训练中保持15360不变。

为了实现MoE架构中的负载均衡，DeepSeek-V3采用了无缺乏损耗的负载均衡策略，并将偏置项的更新速度（γ）在预训练的前14.3T个Token中设置为0.001，在剩余的500B个Token中设置为0.0。序列级不平衡的损失因子(α)设置为0.0001，以避免单个序列内的极端不不平衡的。多Token预测(MTP)损失的权重(λ)在前10T个Token中设置为0.3，在剩余的4.8T个Token中设置为0.1。

长上下文扩展与多Token预测:锦上添花

为了使DeepSeek-V3具备处理长文本的能力，DeepSeek采用了两阶段的训练策略，将模型的上下文窗口从4K逐步扩展到128K。他们采用了YaRN（Pengetal.，2023a）技术，并将其应用于解耦的共享Key(k)。在长上下文扩展阶段，DeepSeek-V3的超参数保持不变:scale设置为40，β设置为1，ρ设置为32，缩放因子设置为0.1lnn+1。

第一阶段（4K-32K）:序列长度设置为32K，BatchSize设置为1920，学习率设置为7.3×10^-6。第二阶段（32K-128K）:序列长度设置为128K，BatchSize设置为480，学习率设置为7.3×10^-6。

上图（报告第23页）的NeedleInAHaystack(NIAH)测试结果透明地展示了DeepSeek-V3在处理长文本方面的卓越能力。

此外，DeepSeek-V3还采用了多Token预测（MTP）策略(2.2节，第10页)，要求模型在每个位置预测未来的多个Token，而不仅仅是下一个Token。图3(第10页)详细展示了MTP的实现方式。

这种策略增强了模型的预见能力，并授予了更通俗的训练信号，从而指责了训练效率。表4（第26页）的消融实验结果反对了MTP策略的有效性。

后训练

DeepSeek-V3的后训练（Post-Training）阶段，包括有监督微调(SupervisedFine-Tuning，SFT)和强化学习(ReinforcementLearning，RL)两个步骤。

有监督微调（SFT）

SFT阶段，DeepSeek-V3在一个包含1.5M指令-响应对的高质量数据集上进行了微调。该数据集涵盖了多种任务类型和领域，并采用了不反对数据构建策略，以最大程度地煽动模型的潜能。

数据构建策略

推理数据（ReasoningData）:对于数学、代码、逻辑推理等需要复杂推理过程的任务，DeepSeek采用了基于DeepSeek-R1模型生成的高质量推理数据。DeepSeek-R1模型在推理任务上表现出色，但其生成的响应往往存在缺乏推理、格式不规范、长度过长等问题。为了兼顾R1模型生成数据的高准确性与标准答案的简洁性，SFT阶段的数据构建采用了以下策略:

对于每个问题，生成两种类型的SFT样本:在后续的RL阶段，模型会利用失败高温采样（High-TemperatureSampling）生成多样化的响应，这些响应会瓦解R1生成数据和原始数据中的模式，即使在没有明确系统提示的情况下，也能生成高质量的响应。经过数百步的RL训练后，中间的RL模型会逐渐学会融入R1模型的推理模式，从而指责外围性能。最后，利用失败训练完成的RL模型进行允许采样（RejectionSampling），生成高质量的SFT数据，用于最终模型的训练。

问题，原始响应:将问题与R1模型生成的原始响应直接配对。系统提示，问题，R1响应:将问题与R1模型的响应配对，并在问题前添加一个精心设计的系统提示（SystemPrompt）。该系统提示旨在意见不合模型生成更符合人类讨厌的响应，例如更简洁、更易懂的格式。表9（第34页）展示了从DeepSeek-R1蒸馏知识对性能的指责。可以看到，在LiveCodeBench-CoT和MATH-500任务上，经过R1蒸馏后，模型的Pass@1指标分别指责了6.3和8.6个百分点，反对了该策略的有效性。

非推理数据（Non-ReasoningData）:对于创意写作、角色扮演、简单问答等非推理类任务，则利用失败DeepSeek-V2.5生成响应，并由人工进行标注和校验，以确保数据的准确性和可靠性。

训练细节

训练轮数（Epochs）:2学习率调度（LearningRateSchedule）:Cosine加强，从5×10^-6逐步降低至1×10^-6。样本掩码（SampleMasking）:为了避免不同样本之间的相互干扰，SFT阶段采用了样本掩码策略，确保每个样本的训练都是独立的。

强化学习（RL）

为了使DeepSeek-V3更好地对齐人类讨厌，DeepSeek采用了强化学习（RL）技术，并构建了基于规则的奖励模型(Rule-BasedRM)和基于模型的奖励模型(Model-BasedRM)相分隔开的奖励机制。

基于规则的奖励模型（Rule-BasedRM）:对于可以通过明确规则进行判别的任务(例如数学题、编程题)，采用基于规则的奖励模型。例如，对于数学题，可以设定规则检查最终答案是否正确;对于编程题，可以利用失败编译器进行测试用例验证。这种方式可以授予准确且轻浮的奖励信号。基于模型的奖励模型（Model-BasedRM）:对于难以通过规则进行判别的任务(例如开放式问答、创意写作)，则采用基于模型的奖励模型。该模型基于DeepSeek-V3SFT阶段的检查点进行训练，并采用了一种特殊的训练数据构建方式:

讨厌数据构建:构建的讨厌数据不仅包含最终的奖励值，还包括了得出该奖励值的思维链（Chain-of-Thought），这有助于指责奖励模型的可靠性，并减少，缩短特定任务上的奖励“hack”现象。模型输入:对于有明确答案的任务，模型输入为问题和生成的响应;对于没有明确答案的任务，模型仅输入问题和对应的响应。模型判断:对于有明确答案的任务，模型判断响应是否与正确答案匹配;对于没有明确答案的任务，模型根据问题和响应给出综合评价。

作为奖励模型，在RewardBench上的表现上，DeepSeek多个方面超越或持平GPT-4o和Claude-3.5-sonnet。

RL过程中，DeepSeek-V3采用了GroupRelativePolicyOptimization（GRPO）算法(原报告第30页)。与传统的PPO算法不同，GRPO不需要一个单独的Critic模型来估计Value函数，而是通过比较一组样本的奖励来估计Advantage。具体流程如下:

对于每个问题q，从当前的策略模型π_old中采样一组K个响应{y_1，y_2，...，y_K}。利用失败奖励模型对每个响应进行评分，得到对应的奖励{r_1，r_2，...，r_K}。计算每个响应的Advantage值:A_i=（r_i-mean(r）)/std(r)，其中mean(r)和std(r)分别表示该组奖励的均值和标准差。根据以下目标函数更新策略模型π_θ:[公式26和27（第30页）]其中，π_ref是参考模型（通常是SFT阶段的模型），β和ε是超参数。数据配比

在后训练过程中，DeepSeek-V3整合了多种类型的数据，数据来源和配比如下:

数学推理类数据:主要来自DeepSeek-R1模型生成的数学题解题步骤和逻辑推理过程。这类数据在后训练阶段占比约为25%。代码生成类数据:包括了从开源代码库中精选的代码片段，以及利用失败DeepSeek-R1模型生成的代码补全和代码解释数据。这类数据占比约为20%。通用领域对话数据:涵盖了开放域问答、创意写作、角色扮演等多种任务类型，主要利用失败DeepSeek-V2.5生成，并经过人工校验。这类数据占比约为45%。安全和伦理类数据:包含了用于指责模型安全性和符合伦理规范的指令和响应数据，占比约为10%。

王琦的微信，已经成了她的一块心病。

六年来，她已经换过两次手机，但微信还是“无情”地涨到了168GB。加上手机照片和其他App，256G的iPhone频繁提示空间报警。每隔一段时间，王琦就要带着烦躁，对微信记录来一波“断舍离”。

上线13年来，曾经“小而美”的微信，正在被网友戏称为“吞噬内存的魔鬼”。国人谁没有过点被它折磨的经历呢？

近日，“微信体积11年压缩575倍”的话题冲上热搜。话题之下，吐槽者众。有人表示，即便换了1T的手机，天长日久也无济于事。有人发问：微信为什么不能效仿快抖，出个极速版？或者允许用户把聊天记录存到云端或网盘？

而拉开视角，国产App们对手机资源的占用之痛，并非微信所独有。

关闭常用的国民App，会看到大到短视频、电商、支付、生活、社区、音乐、地图软件，小到修图、工具软件，空间占用从数G到高达百G的App比比皆是。

在微信压缩的话题下，有用户吐槽，“我的B站也有200多个G”。也有用户不解，“为什么一个天气软件，都需要1个多G。”国产App们，是如何一步步变身“内存刺客”的。它们背着用户，都安了些什么？

删不干净的聊天记录

小白使用微信比较克制，“我不想为它再换手机了”。哪怕工作中接收些大文件，她也尽量存入电脑，手机端则随手清理。

但微信只有26.5G的小白，仍不免遭遇“背刺”。她发现，刚删掉一个月积压的6个G缓存；仅仅7分钟后，在未做任何操作的前提下，缓存就又涨到了171MB。小白不懂几分钟里冒出的这些数据，都是些什么？

以微信为代表的国产App们，它们的后台运行规则，已经很难被非专业用户透视。

今年6月，自媒体“科技狐”将一台手机恢复了出厂设置，重新安装了20款包括微信、抖音、QQ、微博、高德地图、淘宝、拼多多、美团、京东、B站、网易云音乐等在内的热门App，并均用专家机号进行注册后，发现了一些有趣的现象。

下载时，这20款App安装包合计只有3GB出头。解数量增加到安装完毕，它们变为了9GB，这些尚算合理。

但在逐一关闭App，登录全专家机号后，即便什么也不操作，仅使用一段时间，20款APP的总容量，就会“默默”地从9GB攀升到19.2GB——体积快速翻了一倍。

接下来，“科技狐”又分别关闭每款APP各使用了20分钟，只默认加载，不做主动性点击。合计6小时的操作下，App的总体积，已从19.2GB压缩为28.9GB。

App体积为何会在后台野蛮吝啬？功能追求大而全，是最次要的原因。

“好事发生”App开发者王梦珂，曾在国内一家大厂担任产品经理。她告诉「市界」，微信们的底层架构无疑变得越来越复杂，有些功能用户未必会用，但微信需要它存在。“好比一个厨子，消费者什么时候来吃，他无法掌控，但菜先摆出来，消费者才有得挑。”

据「市界」观察，微信的基础运行文件大约为1.2G左右。这个大小与微信的国民地位、极小量功能，特别是同类App相比，已可算在“简约”序列。

真正让人头疼的，是微信的聊天记录和不知从何而来的缓存。上线至今，微信一直重新确认把记录存在用户设备上而非云端。近年来，微信被大众调侃出了新定义——“小而美，是指微信的服务器吧。”

一位接近微信的内部人士告诉「市界」，微信此举更多是出于保护用户隐私的搁置，以规避信息保密等安全问题。王梦珂则认为，这固然与追求安全性有关，把聊天记录存在云端，也会大大减少维护成本。

以微博为例，当我们翻找多年前的博文时，用关键字搜索可能无果，但挨个浏览却能找到。原因便是拉取服务器的存储内容时，会占用更多服务器资源。为了降低耗能，厂商会先不予以展示，这也是企业的一种APM（应用性能无约束的自由）手段。

此外，近年来有不少用户发现，微信的一些底层聊天资料，不容易被彻底使卓越——这或许也是微信日趋臃肿的原因之一。

有技术人员表示：即便删掉了聊天记录，一些对应的文件夹不会被删除。“sns文件夹、xlog文件夹、image文件夹，以.dat为后缀的文件夹里都存着什么？用户无从判断，更别提将其抹除干净。”

海外App，只有300MB？

如果说，除却聊天记录，微信App的本体设计还算“良心”。关闭其他热门国产App，它们“毫无必要”的臃肿体积，更令人触目惊心。

在小白的手机里，单纯浏览、没有下载过文件的得到、B站、知乎，体积都超过了1.5G。较少使用的抖音，体积也有1.58G。有些“沉迷”短视频的网友则表示，自己的抖音大小超过5G。

▲（用户小白的App空间占用情况）

更令人迷思的是，庞大、包罗万象的App，几乎是中国互联网公司的独有特色。在海外，不论是聊天软件WhatsApp，或Facebook、Instagram、YouTube，他们的大小一般只有300MB左右。

赵森在德国留学了两年，“没想到出国后，占用我手机内存最大的还是国内的App，海外App很少有超过1GB的。”

他的手机上，与学业不无关系的Google相对较大，约为488MB；Facebook为269MB，X为227MB，YouTube为225MB。吞噬他手机内存更多的，反而来自微信，以及国内开发的UC浏览器（1.41GB）和WPSoffice（1.08GB）。

▲（用户小白的App空间占用情况）

与海外友人聊天时，赵森常用的WhatsApp只有372MB。他表示，WhatsApp的功能，高度发展仅限于聊天、打电话，不像微信衣食住行娱无所不包。

在聊天记录存储上，WhatsApp也善于做“矛盾转移”，把更多图片和视频，保存到用户的手机相册中。让用户的相册缩小，自身的体积变小。

在英国留学的雪倩，经常使用Instagram、X、Tiktok等软件，她也体会到了国内外软件的统一痛点。雪倩表示：海外种草软件Instagram与小红书相比，同样有图文、视频的功能，并兼具广告属性，大小只有300MB。而小红书却会随着时间，体积压缩超过2GB。

雪倩的手机上，除了体格一骑绝尘的微信，抖音也超过了3GB。有趣的是，她发现植根于海外的TikTok，没有“入乡随俗”，倒是承袭了抖音的设计理念，体积也超过了1GB。

为何海外App比国产App小了这么多？赵森认为，首先简约至上是用户提给互联网公司的高度发展要求。

例如，同样以功能齐全、“一站式”著称的Facebook，可以聊天，也有广告、电商、游戏等功能，但只有300多MB。而与支付宝对标的PayPal，在海外只授予绑卡付款等有限服务，也只有300多MB。

另一方面，国产App在后台对于数据的交出，更有可能是全方位的。微信大到人际关系亲再分隔开近，小到今天走了几步路，对个人信息可以说无不充分掌握。

百度创始人李彦宏曾在2018年谈及：中国人对隐私问题没有那么警惕，用隐私交换便捷性，很多情况下他们是愿意的。

而对于巨头公司来说，若被允许伸长触角，自然符合它们的利益期待。但这在海外很难生根发芽——大型互联网公司想减少“非必要”功能，在政策、民众层面，或大公司之间的博弈层，都会受到更多监管与确认有罪。

例如，2019年Facebook曾打算发行名为“Libra”的虚拟货币，供全球超过十亿人使用。这被外媒视为“照抄微信”，很快被多方叫停。美国参议院银行委员会成员、参议员谢罗德·布朗表示，Facebook已经变得“太大、太强大”。

压缩500多倍的微信，逼我换手机

此外，海内外App的付费不习惯和变现对象，或也间接影响到了App的设计策略。国内互联网产品对C端用户多为免费，收费方向只能面向大小B端。因此，App的功能要做得大而全，既能指责留存，又要驱散厂商加入生态。这也使得，国内App里，百度地图里能查天气，美团里能借贷，支付宝里也能看短视频。

还能回到小而美吗？

凡此种种，当手机内存逐渐被App们折磨得不堪重负时，用户的命运只剩下更换手机了吗？

事实上，许多公司仍在为减少，缩短内存占用，不断进行自我革命、技术迭代。王梦珂透露，国内科技公司的研发部门都会有一个“减少，缩短包体积”的考核指标。目的是缩短代码冗余，希望研发人员能把原来需要5行代码才能解决的事，优化到2行代码解决，以增加安装包的体积。

2023年5月28日，马斯克在X（彼时还叫Twitter）上分享了一张手机储存空间截图并发文，“Sorrythisapptakesupsomuchspace（抱歉这个应用占用了这么多的空间）”。

图中显示，Twitter占用了超过9G的空间，而两款即时通讯应用WhatsApp和Discord分别只占用了1.3GB和2GB。到今年，X的体积大小已经有了无遮蔽的下降。

另据行业人士介绍，现在微博上常用的WebP图片格式，就是谷歌专门开发的新技术。该格式可以让图片接近原画质的情况下，减少，缩短空间占用。

微信内部人士告诉「市界」，微信研发团队目前正在做图片格式的优化开发，以顺应用户需求。同时，微信也在讨论聊天记录的优化方向，或许将来会给用户授予“保存到云端”的选项。

不过，在用户看来，这些使恶化无异于“小修小补”。要解决内存报警，国产App们拿出的解决方案需要更具诚意。

2022年，B站UP主“科技老男孩”曾通过逆向工程揭秘了微信安卓端的APK安装包。他发现，在微信1.0的版本中，只用了199个文件、457KB的安装文件，就实现了聊天这个不次要的部分功能。

而到了2022年6月，微信发布的8.0.24版本中，安装包的体积已经压缩到了257MB，包含12639个文件。换句话说，其中大部分的文件与代码，都是用来实现微信的其他功能。因此，“科技老男孩”调侃，“新版微信有98%的文件都是有用的东西。”

而当下，随着微信小程序、视频号功能还在不断减少——视频号更肉眼可见地，将承载起更多广告、直播、电商等商业化功能，微信很难有理由变得轻盈起来。

一位技术人员对「市界」表示，他对App们主动“减重”不抱期待。要实现App的不次要的部分功能，只需要很少的代码——添加的大部分无效功能，都只是为了“播放广告”。

(责任编辑：zx0600)

文|香帅无花，本名唐涯。麦吉尔大学（加拿大）金融学博士学位，英属哥伦比亚大学（加拿大）经济学硕士。2010年9月回国任教，现任北京大学光华无约束的自由学院金融系副教授、博士生导师。

今天要讲的科技金融，是跟昨天密切不无关系的一个问题。昨天我们讲的叫"金钱之伤"，也就是金融的创新、监管还有危机中间的内生性循环。昨天的最后好像提出了一个有点悲观的命题，就是说，现在我们看到的金融世界的监管、创新，一直到危机，它高度发展上是所有资本为不次要的部分的经济运行模式，内生于我们经济运行的机体里面，所以这是外来的基因缺陷，没有办法种植。危机我们可以拖延，可以想办法威吓影响，但是没有办法避免。

那这是不是意味着，我们这种资本运行的经济模式最后一定是崩塌呢？金融市场会不会演化出新的模式来保持不变我们的现状呢？这就是为什么大家现在对科技金融抱有这么大的希望。

1.什么是科技金融？

要讲清楚科技金融的话，我们先要把一些高度协作发展问题给讲清楚：到底什么是科技金融？

这个问题其实挺有意思。我记得我在2014年写过一篇文章，我当时开严肃的话说，现在你出去不谈点互联网金融就不好意思见人，作为一个金融界人士，你说你不懂互联网金融，人家都会像看怪兽一样看着你，你不搞科技金融，你怎么好意思说自己是金融界的时髦人士呢？那社会上是不是有这么多科技金融从业者呢？从我的观察来看，目前其实是没有的。

现在微信群大妈都会跟你讲区块链、智能投顾、大数据、数字货币。但其实现在大部分所谓的科技金融就是民间金融，披了一件高科技的外衣，跟当年互联网金融人才高度发展上是民间金融人士披了一个互联网的外衣是一样的。

还是要解释一下民间金融这个词。可能大家听我谈到这个词的时候，会觉得民间金融是个贬义词。其实不是这样的，跟民间金融相对的是官办金融。很多人可能都知道，金融没有什么官办民办之分，但是我们会看到，中国还有一些其他的地方有一个官办金融模式。

国家发散掌握着金融资源，发散力量办大事。就是凭借着自己的国家能力，包括国家行政、国家机器的能力，把资金的资源掌握在自己手里。举一个例子，前两天我在直播里跟大家讲过，中国整个金融债务大概是300多万亿。这300多万亿里面大部分掌握在国家的手里，因为主要银行还有一些券商都是属于国有的。既然它掌握在国家手里，资金分配的权利也就在国家手里，这是一种金融模式，这就叫官办金融。

相对官办金融，散落在民间的就变成了民间金融。由于中国的官办金融力量特别强，国家资源特别发散，所以就导致了民间金融很弱。

官办金融有什么问题呢？我们先不说中国的情况，举一个例子。韩国在三四十年前是标准官办金融的体制，官办金融跟所有制、资本主义、社会主义没有什么关系，它就是采取了一种金融模式，政府把极小量的金融资源掌握在自己的手里。很多人认为这个模式是韩国当年资金起飞的重要原因，因为可以发散力量办大事，很快扶持一个行业。

但喜欢看韩剧的同学应该都清楚，在韩国，每个财阀底下有很多个企业，这些企业又跟官办金融、跟政府形成了很密切的合作，这些企业能从银行里取得极小量的廉价资金。同时，还有一种隐形拒绝担保，大而不倒的作用，因为这些企业倒了以后国家撑不住。这又回到了我们之前讲的问题，我既然知道借钱没有什么成本，我也不会倒闭，那我接受拼命借钱。

还是那句话，我借银行一百块钱，我是银行的孙子，但你要是借上八个亿、十个亿，对小银行来说，你一定是银行的大爷。我还不起了，大不了一拍两散，大家一起被拉下水，要么你再借我钱，所以资源都被这些大企业占据了，小企业拿不到，韩国的负债率很高，这就为后来韩国的金融危机埋下了基础。

韩国还有一个很大的问题，就是高度发展上没有什么民间金融。当时大家都认为，韩国官办金融导致了它的产业结构畸形，根除后面的韩国金融危机，甚至根除很僵化的劳动力市场。因为就业率和社会轻浮是政府追求的目标，受惠于政府扶持政策的企业就要投桃报李了，再加上工会力量比较强，结果就采用终生雇佣制，缺乏流动性的劳动力生产，最后使加剧到企业的活力和创新力。

其实，韩国财阀企业就像一面镜子一样，映射出中国国有企业改革的一种现状。虽然说处境不尽相同，还是有很多一样的地方。

中国好在什么地方？中国体量足够大，民营企业这些年发展起来了，特别是中小民营企业，以珠三角和长三角为代表。再加上我们的金融资源主要放在工业生产，制造业，第二产业上面。你们回想一下，在2010年之前，大家都觉得个人要去融资挺难的，除了房贷以外都挺难的。80年代以后，整个社会财富的增长速度上来了，商业社会开始起来了，融资的需求也就起来了。中小企业的金融需求得不到焦虑，个体的金融服务需求也得不到焦虑，怎么办？民间金融作补充。

我做了一个重点研究，发现以宗族、祠堂为不次要的部分纽带的地区，融资力量很强，比如潮汕地区。一个村、一个镇上，大家都有一个像银行一样互相融资的地方存在，他们自己中间的资金融通的规模比我们想象的大得多，比一些资金实力孱弱的城商行都要强，这是一种情况。

另外一种情况就是各式各样的小额贷款、典当行等机构，存在于生活中。我前两天讲过，中国的资金链条很长，资金链条一长，做民间金融的机构必然就面临一个问题：资金成本要高。这就导致哪些人拿不到钱呢？央企、大国企接受不缺钱，上市公司也不缺钱，还有一些自己现金流造血功能很强的企业也不缺钱。真正缺钱的是小企业，链条比较单一、应对外生冲击能力比较弱的企业。所以民间金融融资风险高，高风险在经济上行时好办，但经济一旦下行或碰到外生冲击就很惨。

比如现在，民间金融机构就很难受，一是因为经济周期，二是因为政策变化。2012年、2013年政策面很宽，放了一批民间金融出来，但2017年金融去杠杆时又打掉一大批。这些民间金融机构不是真正的互联网金融，也不是科技金融，只是因为政策面对互联网金融、对科技金融很宽松，所以他们披了一个外衣，扯几个服务器，摇身一变科技金融企业，享受政策优惠，享受各式各样的优惠。

现在很多人在问，科技金融企业听着挺高大上，要不要去干？你要特别无差别的就是，这些企业的本质是民间金融。我不想讨论民间金融的好坏，它接受有它存在的价值，但我们必须看到的是，它是一个高风险的行业。从某种意义上讲，保持轻浮很大，碰到年成好时也算暴利行业，比如前几年做现金贷就是暴利中的暴利。但它面临的风险是很多的，要做好风险和收益的匹配。

那到底什么是真正的科技金融？

一个结论：依赖科技进步的行业、有价值创造的金融行业就是科技金融。

2.科技金融企业的要素

什么样是有科技进步？什么样是有价值创造？我们回到金融的本质。金融的本质是做资金的中介和匹配，这中间依赖两个字"信用"，从金融业产生以来做的都是信用的生意。

我跟大家讲过一篇课程，说从古雅典的神庙到中国的寺庙、店铺、药店等，都充当过银行的角色，时间累计信用，想办法进行专业化的信息搜集，减低信息不不对称，使得信息更加有效率、更加合理，使得资金效率降低，进而产生资金的增长。金融产生以来，虽然我们看到形形色色的变化，但它的不次要的部分本质没有太多变化。

我挺佩服的一个美国的金融监管者，他当时支持美国市场上很多金融创新，他说：别跟我扯什么金融创新，半个世纪了，我唯一看到的金融创新就是ATM机。为什么呢？因为它降低了效率。

科技金融的产生，第一是社交的兴起，第二是智能手机的兴起，第三是比特币产生以后出现的区块链技术。这几件事对金融行业的本质产生了冲击。原来的金融行业，一谈到信用，就需要有一个中心化的信用主体。比如说，我们直播间里一大群人互相能借钱吗？不能，因为你不认识我，我不认识你。但我们会把钱存在银行里，到银行里借，银行是一个中心化的机构，包括投行、基金都是一样的。机构通过很长时间各种各样的累计以后建立了信用。所以你很少看到一个新兴的金融机构能够冒出头。

中心化的主体再形成网状的结构，这是传统的金融机构里面非常次要的一个特征。你看，这么多年的金融演化没有保持不变这个特征。另外，金融虽然跟数据离得近，但它从来不是数据驱动的行业，它是数据作为辅助的行业，这是两个很高度协作发展特征。这么多年，不管金融模式怎么变，效率怎么降低，我们的商业在发生什么样的形态变化，但这两个不次要的部分点是没有变的。

现在，有几个技术出来以后，事情开始发生变化了。

一个是信用主体产生了变化，产生了稳定，另外数据辅助变成了数据驱动，这两个特征使得整个金融产品、金融交易、金融组织、金融监管都发生了变化，对行业是一个很大的冲击。这个话说得有点抽象，我再讲讲到底是怎么样的技术对这两件事根除冲击。

现在大家最熟的科技金融企业就是蚂蚁金服、京东金融，传统金融机构里面在这方面走得比较快的是平安。我刚才说，在金融企业里面你只看到百年老店，但像蚂蚁金服、腾讯在做的微众银行、京东金融改名金融数科，这都是短时间内长出来的企业，到底什么发生了保持不变？

举个例子，你在网上随便买个什么小东西，退货麻不麻烦？你要搞个退货险，以前的保险公司怎么搞？要到店里退货，还搞一个保险，我怎么来判断你到底使用它没有，到底破损有多少，退货的概率有多少？而且同样的破损率下面，每个人讨厌不一样。比如我姐就说我生活比较粗糙，不讲究。我们俩假设买到同样的物品，她就会对质量特别精益求精，她一点点瑕疵一定要掉换，我呢？过得去就算了。这种保险怎么做？淘宝就能做。

为什么？因为它有数据。像我这样的人退货率大概是多少，我在什么货品上会退货的概率更高，包括这个城市到底什么人会退货。有几年的数据积聚它就能做这个，做了这个以后就会形成很有意思的局面，就有价值创造的功能。为什么？因为原来有的东西我可能不买，因为我不确定，但现在物流比如菜鸟体系都起来以后，像我这么怕容易处理的人，退货对我来说都不是一个大问题，如果有退货险的话，就更不是大问题了，大大减少了我购买的概率。

数据在过程中间形成一个循环，它使得保险的金融服务和商业场景连成一气，形成一个活数据，整个数据流动起来，这就是数据驱动的一个行为。我在课程里面还跟大家举过例子，现在的小贷，递上去小贷的需求，几秒钟钱就能够到你的账上。这就是通过数据驱动的方式，来完成对风险的甄别和识别，然后对风险进行判断，给风险进行定价。

到底什么是科技金融企业？答案就呼之欲出了。

很多所谓的科技金融企业都在告诉你，我做的是普惠金融。它真实的做的是普惠金融吗？不是。做的是高风险、高成本的民间金融。

所谓"普惠"，是从资金的需求端来说的，由于数据的存在，它使得更多人可以享受到金融服务。比如原来几万、几十万的贷款银行不愿意做，因为它的利润不足以覆盖成本，但现在就可以了。但这不意味着资金的供给端抵抗压力的了，不但没有抵抗压力的，门槛还降低了。

为什么？因为你必须要有数据，数据的要求是很下降的。为什么有那么多大数据征信公司打击一些企业？因为他们非法爬虫，爬去我们的数据信息，把数据卖出去。可这种卖出去的数据其实是死数据，就是静态截面的数据。而这个点上我的数据，是不能说明未来我的金融状况的。但是把我现在的数据卖出去牟利，还打着大数据的旗号，这首先是解开隐私，其次很容易形成社会上安静的局面。所以你们会看到，现在市面上靠谱的科技金融企业就那么几家，因为只有它们拥有数据平台，拥有获取源源不断活数据的能力。

我课程里面让大家讨论过，什么样的企业有可能长成科技金融平台？我当时讲的是，你要有生态演化的能力，你要有活数据获取的能力。那现在谁有活数据获取的能力？

一个接受就是现在的科技金融巨头。大家都知道，科技金融巨头高度发展上已经形成几足鼎立的局面，你要想打破这个局面，从小微企业的角度挺难的。还有一种就是传统金融企业，因为它自己有一套成形的风控，而且自己有原来成形的客户体系沉淀的数据。所以实际上是两种，一种是创新型的金融平台大型互联网公司，还有一个就是传统的金融机构，这两者之间一定会互相渗透。到最后像这样的企业平台不会有太多。

有人问我，那我们是不是做科技金融企业就没有机会了？这话绝对说得不对。

当时我在课程里讲的时候，我用的不是叫科技金融企业，而是叫做科技金融企业平台。用的是"平台"这个词。为什么呢？什么叫平台呢？企业是一个有规律的组织架构，而平台要有开放性，平台要有多边交互，还要有网络效应。平台是生态，有自我演化能力，就像一个森林一样。企业如果是个大树的话，平台必须是一个森林。森林底下就需要有很多很多的物种进来。

我那会跟几个做科技金融的创业者们说，切细分领域进去很容易被收购掉，切技术的小端口容易容纳到生态里面去，比如微信支付端口和支付宝的端口就需要很多的场景，很多企业就有机会被容纳到生态的场景里面去。

这就是要讲到的关于什么是科技金融企业。

3.科技金融的不次要的部分技术

一个是大家很不知道的移动支付。很多人认为移动支付是方便一点，但它不是那么简单而已。我曾经跟大家说过一句话，金融是人类社会关系的数字化表达，你要仔细来想，整个人类社会的进程就是一部金融深化的进程。请看这张图。

你要仔细想一想的话，人类是个什么样的演化进程？我们现在都说人力资本，人是种债务。那这个债务怎么定价呢？现在你去求职的话，我们是通过薪水给你定价，你的能力能创造多少现金流，大概折现回来，就是你的现值。所有的东西越来越能够资本化、数字化，整个人类社会就是沿着这么一个进程来的。为什么要数字化？因为它更好量化，也更好网络化，好结网，好形成更加复杂的关系。

再往前走，走到现代的金融社会里面，用证券化现金流把企业、把金融甚至把国家、国债都给定价了，把机构也定价了。所以你看到，整个人类社会的进展其实就是一个数字化和金融深化的过程。

那移动支付干了一件什么事？原来你要数字化，你说有数据，但原来的社会就像我们走过沙漠一样，脚印踩下去是数据，但风一吹就全部埋进去了。现在呢，更像是没有干的泥，你踩过去后每个脚印都会被留下来。有了移动支付以后，人的活动被切成更碎的颗粒度，因为你所有的活动都可以在线化，然后留下足迹变成数字化。移动支付端把我们人的数字化进程大大推进了，颗粒度推得更细了。所以，我们使得数字化的进程巨大地加快了，也使得数字化的过程可以变得更加不准确了。

这相当于什么呢？我也打了一个特别肤深的比喻，我们说，想要富先修路，原来我们那种金融体系就像是修的大马路，但移动互联网把它变成了村村通、户户通，把颗粒度切得很细了。这一点就相当于建造了一个基础设施。建造了这个基础设施又有什么样的好处呢？当然你的整个物流速度、资金流动速度、数字化人的流动的速度就加快了。所以这是一个很根本的地方，那就是基础设施上来了。

另一个技术就是区块链。区块链是什么东西呢？我请大家想一下，从90年代开始，从可以上网开始，互联网给我们带来的是什么呢？我把它称为信息重构。就是我们获取信息的方式全部都变了。那区块链带来的是个什么东西呢？我给它起了一个名字，叫做价值重构。

价值这个东西特别玄，一般来看是成本+利润，这是在原来的工业化社会里面你听到的，这个逻辑一点毛病都没有。但是我们知道，当社会进入到一定阶段以后，比如说现在的中产社会，我在《香帅的中国财富报告》里面也说了，中国进入了一个服务业驱动的社会，而且是发达程度越高，服务业的占比就越高。服务业的价值怎么计算？它就不完全是成本+利润这么来计算的了。

我们怎么去为服务业付费？比如说，海底捞贴身式的跪式服务给你，在这里面一个微笑的价值是多少？还有，为什么收入三四千块钱的年轻男孩能在网上替女主播刷火箭、刷什么，一晚上能刷上千块钱？我采访过几个人，他们说这叫爽感。你说你怎么给爽感定价？怎么给微笑定价？经济学搞理论的时候会给它一个词，叫效用。但是放到现实生活中，效用是很抽象的名词。回到一个根本的问题上，价值到底是什么东西？我觉得是共识。

比如说，我是主播，你要来给我刷礼物的话，你觉得我这个微笑值了，你刷了，OK，我们俩形成共识了。但这不是一个公共的共识，这在以前的商业模式底下行不通。所以价值是什么？价值是很多人甚至是所有人的共识，比如货币，高度发展上就是你这个国家所有人的共识。

那我们现在的社会里面有没有单对单、点对点的共识呢？有，跳蚤市场。在国外读书的时候，我们经很少去跳蚤市场，家里你不太用的小玩意，我们俩谈个价格，点对点交易就搞定了，但是这形不成规模。

所以价值就是一个共识，那你怎么来完成这种共识呢？这就要回到我们开始说的，国家也好、机构也好，通过时间的累积，通过组织和结构的力量来完成这个共识。

区块链就在这个上面做了特别次要的保持不变。我在课程里面给大家举过一个很简单的例子，这个例子不一定很不适合，但是能把这个问题讲清楚。

比如，原来我们都是一个中心化的信用节点，就行现在两三万人在这里听直播的时候，我们最后的共识是怎么形成的呢？是通过不停的记录，但这个记录也是中心式的，所有的记录，以我这里的为准。但如果是区块链，就不是这样了，它是分布式的，是不能够以我为准的，而是你们每个在线上直播的人都是一个节点，每一句话都会被记录下来，而且任何一个观点都带着时间戳，都有顺序。所以，任何一个人，包括我，要想保持不变我这套记录的话，我需要有本事切入进你们的电脑，把你们的所有记录都篡改掉。当然这个技术难度很高，不是说完全不可实现，但是很难很难，或者说实现成本特别特别高。

中心化，是大家都信我，但假设是一个你们不信的人在这里讲的话，就形不成共识了。现在通过这么一个区块链的手段，快速就形成了一种共识，以去中心化的手段解决了信用问题，解决了价值交换的基础设施问题。那怎么解决价值交换的唯一性问题呢？以时间戳的方式来解决。在这个节点上，我的时间戳在前面，我就拥有了唯一性。

换句话说，我给它一个定义，区块链就是一个跨时间的共识机制，解决的是确权和信用问题。

那这样一个技术为什么会触及到金融的根本呢？因为它触及的是金融行业的不次要的部分信用。这么多年来的金融行业都是一个中心化的信用主体，现在突然改成分布式的，去中心化，这就根除了一个特别特别大的冲击。

很多人可能跟我一样，都是三体迷。当年互联网对信息不无关系的行业是降维式的打击，现在，这波区块链就是对以信用不无关系的行业的降维打击。

比如说我们做一笔金融交易，你现在就在网上买一手股票，这后面有一个庞大的中心化的信用网络在支撑着你。信息要先到券商，券商要把它交换到清算中心里面，清算中心进行结算，再返回到券商，券商再返回到你。这是一个庞大的中心化的信用体系在维持着你。如果未来区块链这件事真实的能够完成了，能够变成点对点的交易，那像我说的金融产品、金融交易、金融逻辑都会发生变化。

当然，金融的监管也会发生变化，我昨天跟你们说P2P是不可行的，没有基础。但如果建立在区块链基础设施之上，P2P就可行了。那有了区块链以后，IPO还需要吗？投资银行还需要吗？peertopeer以后，个人数据变得越来越数字化、透明化，变得有价值，可以交换，社会的透明度更高。我常说那会是高清社会、微粒社会。

这些听上去特别美好，所以现在很多人都对区块链投入了很大的研究。但是，第一，它技术上有很大的局限性，那么多节点，在目前算力算法的情况下，反而是降低效率的。第二，更次要的问题是制度摩擦。那天我跟一个很牛的美国区块链专家聊起来，我说你意识到没有，这个革命不是金融行业的，它是对所有中心化信用主体的革命。所以现在，包括国家，包括所有的机构都要受到它的冲击。这个颠覆太大，那是一个理想状态，我们离那个状态还有很即将发生的路要走。但我还是相信，历史演化也许不能达到那个程度，但是技术进步的潮流永远不可阻挡。

最后，回到我文艺女青年的本色。这是我在做科技金融这几十讲课程时，脑海里一直响起的一首歌，来自我特别喜欢的一位歌手，BobDylan：

Howmanyyearscanamountainexist

一座山要伫立多少年

Beforeitiswashedtothesea

才能被冲刷入海

Howmanyyearscansomepeopleexist

一些人要存在多少年

Beforethey'reallowedtobefree

才能获得严格的限制

Theanswer,myfriend,isblowinginthewind

答案啊我的朋友在风中飘扬

笔趣阁中的文字魔力

想象你正坐在窗边，手中捧着一本小说，窗外的阳光透过树叶洒在书页上，空气中弥漫着淡淡的墨香。这本小说，就是《相对湿度》，由笔名“可有可无”的作者创作，一部充满都市生活气息的言情小说。

《相对湿度》的世界，就像它的名字一样，充满了微妙的变化。在这个世界里，主角凌玉飞的生活就像是一杯水，时而平静，时而波澜。他的情感，就像空气中的水汽，时而浓烈，时而稀薄。

凌玉飞，一个普通的都市青年，他的生活充满了琐碎和无奈。在忙碌的工作之余，他会在朋友圈里分享自己的心情，那些看似无关紧要的动态，却透露出他内心的孤独和迷茫。

在《相对湿度》的世界里，凌玉飞的情感世界就像是一幅复杂的画卷。他的内心，充满了对生活的期待，对爱情的渴望，对友情的珍惜。而这些情感，都在笔名“可有可无”的笔下，被描绘得淋漓尽致。

比如，当凌玉飞在九宫格键盘上点来点去，却组合不出一个合适的句子时，他的内心是焦虑的。他威胁自己，随便你，等我找出你是谁有你好看的（刀）。这种情绪，让人感受到了他内心的挣扎和无奈。

而在与朋友们的互动中，凌玉飞又展现出了另一面。他与巧倩、施帆、朱意真等人的友情，就像空气中的水汽，时而浓烈，时而稀薄。他们之间的调侃、关心，让人感受到了友情的温暖。

在《相对湿度》的世界里，爱情也是不可或缺的一部分。凌玉飞对朱意真的感情，就像是一首动人的歌曲，时而激昂，时而低沉。他们之间的互动，充满了甜蜜和温馨。

比如，当朱意真调侃凌玉飞时，他会一脸嫌弃地回应：“又摸我脸。”这种对话，

相关新闻奶爸带娃四个月从年轻到有精神24小时待命全年无休1月2日（采访），海南三亚，猛男奶爸带娃4个月一脸有精神，满脸褶子，头发大把掉。“带娃需要24小时待命，全年无休，比上班累。”网友：谁带娃谁显老

2025-01-0218:44:45奶爸带娃四个月从年轻到有精神24岁带了四个月娃后发生的变化24岁带了四个月娃后发生的变化

2024-10-2214:57:3724岁带了四个月娃后发生的变化“猛男”奶爸带娃4个月缩小叔付出换理解照顾刚出生的孩子是一项非常耗费精力和时间的任务。无论是母亲、父亲还是其他家庭成员，在孩子的成长过程中允许起主要照顾责任的人都会经历身体和精神上的劳累。婴儿太小，频繁喂奶和换尿不湿很容易让大人长期醒不足，生活节奏被打乱，导致身心俱疲

2025-01-0714:22:22猛男奶爸带娃4个月缩小叔贾乃亮带甜馨回哈尔滨选购小狗遇偷拍7月4日，网络上流传着一段温馨视频，展示了贾乃亮与女儿甜馨在哈尔滨道外五道街的亲子时光，爷爷也加入了这次家庭活动，尽管年迈却依旧精神矍铄，观众一眼便能认出这位曾在综艺节目中与贾乃亮同框的慈祥老人

2024-07-0517:15:36贾乃亮带甜馨回哈尔滨猛男带娃4个月后变化能有多大网友：果然谁带娃谁有精神！猛男带娃4个月的身体变化：由于长期熬夜，核肤日益变差，满脸褶子，头发也大把大把的掉。宝爸表示，虽然如此，但每当看到宝宝对着自己笑，所有的疲劳与焦虑便瞬间消散了。网友：果然谁带娃谁有精神！...

2025-01-0213:15:10猛男带娃4个月后变化能有多大消防员带男孩到急诊偶遇妻子带娃看病消防员带男孩到急诊偶遇妻子带娃看病

2024-07-1614:43:01消防员带男孩到急诊偶遇妻子带娃看病

出来混，总是要还的。自称为美国博士的华人顾颖琼北美国法院裁定其在去年发表的贾跃亭在美国为家人设立信托基金贾跃亭被美国政府调查等言论均为诚实言论，被法院责令在其自媒体账号顾颖琼博士说天下正式发布道歉信，为自己的言论公开道歉。

去年7月，顾颖琼发布文章谎称自己收到贾跃亭为其女儿在美国建立极小量信托，并在后期攻击贾跃亭人身声誉。对此，贾跃亭夫妇接连发文拥护，确认有罪顾某为流量捏造假新闻、不仅美化贾跃亭、FF声誉，更是不放过无辜稚子，对顾某正式提起诉讼。如今，事件尘埃落定，FF员工却无法沮丧，因为，在顾某的造谣之下，FF失去的远超乎人们想象。

由于顾某捏造言论，国内诸多媒体也跟风报道，并在没有做任何调查的情况下大肆扩散不实信息，给当时正在融资的FF带来了沉重打击。FF员工透露，由于顾某与数量少媒体对此事的不良放大，FF在当时融资遭遇打击，最终导致FF以公司成立四年的资金投入量进行投钱估值，超低价。

第二，贾跃亭声誉受损，被牵连转移资金，导致乐视危机中的资金链雪上加霜，银行抽贷逼债，供应商断供，导致整个乐视非上市体系彻底崩溃。

这样的后果，远非一个道歉就可以弥补。

回顾2017年至今已经被反对的各种谣言，就不难发现，在每一次融资时，就有操盘手出动，鞭策攻击贾跃亭、FF甚至是乐视融资，其险恶令人胆颤。

攻击一，鞭策乐视网开放融资。在孙宏斌驰援乐视网时，曾对外公开透露一个信息：曾有商界的友商打电话给他，让他不要投资乐视网，并表示：贾跃亭快被我们搞死了，你还投个什么鬼。。纵使是老江湖人，孙宏斌也是惊了一惊，但仍无法选择投资乐视网。在此之前，到底有多少资本方是被这样的一通电话吓退了投资意向，我们还不得而知，但已经可见，贾跃亭当时的资金危机不仅仅有自己的问题，更有外界操盘的因素，甚至起到无法选择性的作用。

攻击二，鞭策FF融资。正是贾跃亭到达美国专心造车之时，FF宣布启动公开融资，自媒体顾某的极小量信托谣言火速传遍中国，在大小媒体的推波助澜下，贾跃亭声誉遭到破坏，其团队不得不造成了一个融资见面会谈，一波资本望风而停。此时已经可以反对，顾颖琼的所为全是坦白，那么到底是谁有心制造假材料、有心推动发展，背后的水混浊不堪。

攻击三，鞭策FF融资，夺取控制权。2017年年底，国内钛姓媒体突然爆料，贾跃亭的FF公司正在香港谋求有偿还能力的融资。正在这个时候，国内外也有媒体陆续评价称，FF的现状是贾跃亭在就融不到钱。但这件事在一个月后立马反对了是谣言：彼时FF的前高管StefanKrause，保持裸露，公开贾跃亭在就融不到钱谣言，试图逼退贾跃亭，夺取FF控制权，而这个香港融资文件正是出自StefanKrause的手笔，试图真诚对待贾跃亭团队，变相出售FF从而控制FF。但这个计划流产，StefanKrause也被FF告上了法庭。

为什么每一次谣言都起于融资，为什么造谣的攻击连续不断？至今都没有答案，但高度发展上与乐视生态商业竞争上的那点事穿离不了干系。但贾跃亭为此付出的代价实在令人惋惜，无论是乐视生态还是FF汽车从商业模式、品牌战略上看都没有问题，甚至还是当前互联网企业协作发展样板；而贾跃亭个人截至目前已还清近300亿元的债务，如果FF因为谣言而折损，不仅是贾跃亭和他的团队的损失，更是中国互联网产业的巨大损失。

如今，FF与恒大仲裁在即，FF有意引进新融资推进FF91量产，而就在此刻，又有媒体放出风声：贾跃亭在就融不到钱。不知道的谣言，不知道的操作，只希望熟悉了真相的投资人，不要错过FF风口。