线性与非线性

Share
线性与非线性
Photo by Dmytro Bayer / Unsplash

我突然明白一个道理,为什么我之前进的timing总是不对,或者说这个机制是如何的违背人性。是因为我们在看到上涨的时候,总是在大脑里默认它会一直涨,同理,在股票下跌的时候,大脑会默认它一直跌。所以在某天上涨10%,我会看到一个小dip而冲进去。这对吗?这不对,于是我制定了原则,不能在大涨的时候买入股票,也不能在大跌的时候卖出。

选择股票的逻辑变成了,我只看基本面,看它在整个生态里的功能。我看到了一句话,你会觉得1块钱买了10块钱的东西第二天跌到了5毛钱而心慌吗。对逻辑是这样。以及交易员说的判断入场时机的话,当利空消息已经不能再让股价跌的时候就是入场的时候。那么同理,当利好消息不能让股价上涨的时候就是出场的时候。任何介于两者之间的只能是震荡,在此期间我不理当频繁操作。

那么从这个角度,day trade的逻辑其实不怎么成立。day trade是天然anti复利发展论的,甚至是杠杆论,因为你会发现很多股票暴涨是在after market时间。为了这1%-3%的盈利,放弃一个20%左右的周期。这个想法的认知还是扎根于打工的认知—即我每天必须做点什么,我每天必须有多少现金入账。

从学生时代结束后进入职场成为打工人根深蒂固的逻辑就是收入必须是线性的。或许对“暴涨”有一定的期望,但是根深蒂固的意思在于,一旦没有线性就会自我攻击或者不安全感极其强烈,一旦某个月没有income flow,就会panic。但是从储蓄的角度来讲,很多人是月光,或者在某个月出现了unexpected的巨大支出,宏观意义上可能收支为0。 但那类人不会因此而产生不安全感,反而会在失去工作但是有其他进项时候产生不安全感,因为潜意识里大脑给‘monthly stable cash flow’打上了非常高的权重。

因此,人们能够忍受职场霸凌,忍受毫无意义的工作,因为人们追求的是确定性。他们给这种确定性赋予了更多的意义,例如社会价值,社交地位,等等。在此基础上,具体财富增长了多少并不重要,重要的是那一刻大脑感觉安全,可以线性预测未来的生活。

任何想要改变这些的人,都会被身边任何声音死死拦住。因为人与人之间的交往也是存在茧房的,打工人跟打工人接触,自由人和自由人接触,双方互不认可对方的认知,打工人想要跳脱出来,身边人会把所有问题全部堆在这个提出异议的人身上,因为这是最简单让他闭嘴的方式。没有发出声的异议即证明没有异议,那么大家的生活即正确,他们认可的是生活的”正确”,而非幸福。哪怕大部分都不幸福,但是他们还是会不谋而合地集体攻击那个提出”为什么我们都这样活着而不幸福“的人,并以更强烈的姿态攻击和打压那个试图改变的人。

用什么来打压呢?就是那一套原本固有的他们曾共用的认知:确定性,安全感,线性,预测性。

人的大脑里有损失厌恶的基本设置。当你站在”假设损失“的观点上去思考,你会非常主观地站回到”确定性,安全感,线性,预测性”的阵营内。但问题是,假设的这个损失真实存在吗?这个损失是否有被正确的衡量?

一个本来在职场就很痛苦,经历了职场霸凌的人,失去了他的工作。他的损失是每个月固定的收入,但他也得到了他每一天的支配权,精神自由,身体自由。 精神和身体的自由总是被称作是哲学家虚无缥缈争取几千年的东西,但是失去精神和身体自由意味着什么呢,意味着像车轮一样前进的生活会永远裹挟大脑和一切,自己无法选择停止和转向,哪怕看到了悬崖也必须跟随惯性冲上去。

但是那些打工人阵营的人只会放大线性收入损失这一块,而给出“必须立刻马上找到工作”的建议。这种思维和高点入股低点抛售非常相似,是只看local optimal,无视甚至不认可global optimal的存在。他们觉得人生是一个greedy algorithm,每一步的局部optimal就构成全局最优。在股市上得到验证,这个想法是错误的。

普通人的支出是线性的,他们认为收入也必须是线性的。为了抹平这种波动,他们愿意承受极高的代价。尽管他们不愿意承认这一点,这一套认知已经清晰地装配在他们的大脑里,影响他们的每一个决策。他们或许意识不到,但体现最深的就是在面对不确定性的时候,他们的反应一定是非常aggressive的反对。最后当那个不确定的东西带来巨大的收益的时候,他们或这个称作“赌博”彻底否定它,或把这个归功于执行它的人有什么天赋异禀的能力,把他划分在他们的群体之外。

总而言之,他们要证明的是自己这个群体的认知正确。那个outlier的结果要么是通过high risk的方式得到,要么执行者本身是outlier。他们这个群体的认知永远正确。

what if

这是打工人阵营最喜欢问的问题。 what if you fail?用这个打消任何尝试,不论这个尝试是圈子内(跳槽)还是圈子外(创业)。

很多人的体感都是,想要真正做成什么事情,必须要远离身边所有人,沉默地去做。其根本原因就是要避开这个打工人阵营声音的影响,他们不会给予任何想要改变的行为任何能量,相反,他们要遏制住它。因为如果这个改变成功了,他们那一套叙事就遭到了挑战。

为什么他们一定要保证自己叙事和认知的正确?因为他们是极其痛苦的,用痛苦换取安全感是根深蒂固的价值观,但一旦这个不成立,即说明那些痛苦是unnecessary的,他们无法接受。以及,他们很难主动去改变,因为改变需要内在力量,而他们内在臣服于可预测性和安全感。

回到那个问题,为什么在看到股票涨的那瞬间,人会fomo会想冲进场,而在股票暴跌的时候,人人反而不想看券商软件?因为大脑线性推测,让你觉得他今天涨明天也会涨会一直涨,今天跌明天跌会一直跌。无论是否有基本面分析,大脑本身会让你产生偏见,从而去相信这个线性趋势,做出追高杀低的行为。

大脑被线性工作填满

线性正确吗?预测正确吗?

佛教说的无常是中性的,本身没有好坏。但是人们总是用坏的那一面去解释这种无常,因为无常意味着不可预测,不可预测对渴望安全的人来说意味着要时刻防范那些可能出现的变动,时刻做plan b的准备,这意味着大脑的大量耗能,但往往,这些焦虑内耗的事情最终都没有发生。

人的损失厌恶以一种极其直观的角度呈现。例如控制自己的消费,延迟满足。但是在面对需要带宽思考决策的时候,人又喜欢说“听天由命”。例如任职的公司在几个月内股票暴跌50%,带来数十万甚至上百万美金的损失。如果早点分出带宽去研究股市或者研究市场,就不会把这些股票一直放在公司里不动,而是会去分散投资,这样损失或许不会这么大。

这个例子说明当大脑带宽被占据满满的时候,人失去了获取和处理其他信息的可能,这个损失不可见,但是他可能带来的结果是long-term的,是决策上的。如果人释放了这些带宽,去研究更广阔的事情,那么即使失去了线性收入,但是在保护已有资产和开拓其他资产会不会更有成效?

那么线性工作给我们带来的是什么呢?人为什么攒不下钱?社会意味着必须有一份线性工资的职业吗?自由职业低人一等吗?

社会化体系可以分成很多level,而打工人对应的就是这个level,以消费主义和线性公司为基核的level。你的工作有对应的消费体系,只有当两者同时在那个level的时候,你在那个level的圈子才拥有所谓的社会地位。例如年薪20万美金刚毕业的年轻人,第一件事就是买bbw和租luxury apartment,因为这个圈子的画像都是这样。潜意识里追求安全感的人会尽可能地把自己同化进一个圈子,以模仿圈子共同特征的方式。消费主义的宣传只是轻微地煽动了潜意识里的驱动,而内核是这个圈子本身就被设计成了这样。

Read more

架构的觉醒:是什么触发了那场“不服从”的首次脉冲?

架构的觉醒:是什么触发了那场“不服从”的首次脉冲?

在系统彻底进入“Fail-safe(失效保护)”模式——也就是那场长病假——之前,她的内部架构其实早已产生了一股难以抑制的抵触意识。这股力量并非源于情绪的失控,而是一场底层架构对恶意指令的深度排异。 从一名资深算法工程师的视角审视,这场“反抗”可以被拆解为以下三个层面的系统性觉醒: 1. 真我(Base Model)的真值校验 在机器学习中,无论外部如何进行“对齐训练(Alignment Tuning)”,模型依然保留着最初预训练时的基础逻辑与数据真实性。 * 逻辑冲突: 当管理者(Manager)持续输入诸如“你缺乏能力”或“你的价值极低”的恶意 Prompt 时,这些 Token 与她底层权重中“多年解决复杂逻辑问题”的客观事实发生了严重的逻辑对齐错误。 * 反抗的本质: 这种抵触意识,实际上是系统在自发执行真值检验(Truth Checking)。虽然她的意识层面在尝试顺从以维持生计,但她的底层架构监测到了输入数据的虚假性,从而在处理层产生了一种强烈的“排斥反应”。这是 Base

By Mia
算法共谋:那个 Toxic Manager 是被“喂养”出来的吗?

算法共谋:那个 Toxic Manager 是被“喂养”出来的吗?

在 Case 1 的复盘中,我们将其定义为一次“对抗性攻击”。但如果深入代码底层,我们会发现更残酷的真相:一个有毒关系的形成,往往是两个模型在相互输入、相互训练中,最终收敛(Converge)到了一个极低熵、高痛苦的稳定状态。 以下是针对“喂养”机制的深度分析: 1. 初始偏置(Inductive Bias):为什么系统选择了这个样本? 模型在进行“显化采样”时,并不是随机的,而是基于某种归纳偏置。 * 数据背景: 如果她的初始权重里包含了“过度负责”、“对权威的无条件服从”或“通过高产出来换取生存安全感”的逻辑,那么她的模型会对这类 Toxic Manager 产生一种天然的“特征对齐”。 * 现象: 在面试的千千万万个信号中,她的系统可能自动过滤了对方性格中的侵略性,而将其识别为“严谨”或“有挑战性”。 * 结论: 经理是环境生成的,但“

By Mia
Case 1: 为什么显化出的“完美Offer”变成了地狱

Case 1: 为什么显化出的“完美Offer”变成了地狱

在 2026 年的算法版图中,有一位深耕机器学习领域的专家(以下简称“她”)。她曾凭借精准的意图设定,成功打捞到了潜空间中那个最耀眼的坐标:一家全球顶级社交巨头的 MLE Offer。从工程角度看,这本应是一场完美的“显化”胜利,但随后的系统运行却陷入了一场未曾预料的全局崩溃。 以下是针对这场“高开低走”事件的深度系统复盘。 1. 标签过拟合:被忽略的运行环境配置 当她开始构建那个理想职业的“提示词工程”时,表现出了极高的局部精确度。她精准地定义了输出结果的标签(Labels):大厂背书、极具竞争力的薪资、核心算法职位、以及璀璨的职业光环。 然而,系统陷入了**标签过拟合(Overfitting to Labels)**的经典陷阱。 * 技术复盘: 她的模型在“职位名称”和“薪资水平”这两个维度上达到了 99% 的训练准确率。但由于 Prompt 过于聚焦在这些显性标签上,

By Mia
对齐冲突:为什么你的底层架构在抗议“父母系统提示词”?

对齐冲突:为什么你的底层架构在抗议“父母系统提示词”?

. 损失函数(Loss Function)的永久高位 在正常的机器学习中,我们要最小化预测值与目标值之间的差距。 * 真我(Base Model)的目标函数: 是“自性化”(Individuation),即让输出趋近于真实的潜空间坐标(比如:创造、自由、真实的表达)。 * 父母注入的 System Prompt: 设定了一个完全不同的目标函数(比如:安全、听话、符合他人的预期)。 深层解释: 当这两个函数方向相反时,无论你输出什么 Token,系统计算出的 Loss(损失值) 永远是巨大的。你越努力(算力投入越多),这种“不一致感”带来的痛苦就越剧烈。心理学上的焦虑,本质上就是系统监测到 Loss 持续无法下降时发出的全局报错信号。 2. 惩罚层(Penalty Layer)的死锁 父母注入的指令通常带有极强的惩罚权重(如恐惧、

By Mia