Building infrastructure for AI project-based learning | WalkingLab 50K+ GitHub stars | 喜欢吃饭和大肥鱼
Mars
Joined January 2023
- Tweets768
- Following723
- Followers5.9K
- Likes1K
Pinned Tweet
花了段时间写了 RL 教程 Hands-On Modern RL，路线是从 CartPole + PPO 入门，然后到 LLM 后训练（RLHF、DPO、GRPO）、Agentic RL。代码先行，公式用来解释现象。英文版很快更新。
目前是草稿版本，RLHF、Agentic RL 部分本地审校中。
欢迎提 PR 或 Issue & 显卡支持：github.com/walkinglabs/hands…
I think glm5.5 should reach the level of opus 5; otherwise there will be no need to release new version
Z.ai chief scientist Jie Tang just revealed the training pipeline behind the upcoming GLM-5.5 (32B, 122B, and 256B) during a lecture at Tsinghua University today.
Instead of relying on public datasets, their pretraining pipeline pulls from six separate internal engines:
- Web: 1 trillion pages crawled at ~10B pages/day with PB-scale template clustering
- Documents: 2 billion scientific PDFs parsed through GLM-OCR (4x faster with speculative decoding)
- Books: 50 million books with layout reordering and garbled-text filtering
- Code: 500 million repositories turned into executable tasks with real tests and issue descriptions
- Video: 10 billion videos for long-sequence world knowledge
- Audio: 300 million hours rewritten via ASR into trillions of tokens
YC能总结出5到10条很确定的通用原则，最重要的一条是“做人们想要的东西”。
珍惜伙伴，拥抱复利！
刚看了Sam Altman在印度一档播客上的长访谈，一个多小时，讲了不少OpenAI早期做决定的细节。整理了一些观点和感受，分享给大家。
1、ChatGPT上线前，内部版本的留存大概只有5%，但他坚持要上线。
当时大部分管理层觉得太早、不够好，不想发，是他坚持要发。他觉得：
第一，第一版总会有让自己难为情的地方，早点拿出去，才能得到反馈。
第二，早期产品更要紧的是一小群人真的爱它，而不是一大群人觉得还行。5%看着很难看，但他们去找这 5%的人聊，发现里面有人用得非常多、非常喜欢。他觉得这是很好的信号。（他也说了，那份数据本身有不少问题，后来的模型和界面都更好😆）
2、他很少逆着所有人做决定。
他说有些创业者最自豪的是“所有人都说不行，我偏要干”，他不认同。身边都是聪明人的话，大多数时候应该听他们的。真要反着来，就把它当成一件代价很高、大概率不对的事，如果做，也需要有足够的把握。
怎么避免身边全是yes-men？他的办法是留住老朋友、一起干了十年以上的人，也奖励那些在自己错的时候敢用力反对的人。他说，对的次数越多、权力越大，这件事越难。
3、给创业者的建议：少听建议😄
YC能总结出5到10条很确定的通用原则，最重要的一条是“做人们想要的东西”。把这条听进去就够了。你不会因为听了800期讲创业的播客，就成为好的创业者，剩下的大部分问题只跟你自己的情况有关，得自己去试。
4、你有20年经验，但可能只是把同一年重复了20次。
他说，职业生涯里被低估的一件事是复利。但要一直尝试那些不熟悉、不舒服的新事情，才会有新的积累。很多人很早就停下来了。
5、他最想念的，是一个普通的周六下午。
拿一大杯咖啡，抱着电脑坐在咖啡馆，慢慢回邮件、刷网页。好几年没这样过了。
他说现在去也可以，只是旁边两桌会坐着两个保安。哈哈
这几条里，我最有感触的是第1条。
很多团队看早期数据，看的是平均数，留存5%，那就是不行。可更该问的是，这5%是谁，他们为什么离不开。如果能找到一小群深度用户，产品往往是有戏的，接下来要做的是把他们的体验做透，再一圈圈往外扩。如果连这一小群人都找不到，数据再漂亮也要小心。
还有第2条，创业路上遇见相知的伙伴，是很珍贵的事。
最近在X上也认识了很多新朋友，谢谢大家。感兴趣的朋友有时间的话，也可以看看完整版，欢迎大家一起讨论😄
只要操作超过三次流转，用户就烦躁
我见过最糟糕的 Onboarding，基本就这六种：
1. 一进来就让你注册登录，东西还没看到呢，先填表。
2. 一进来先弹问卷：你是谁、做什么的、团队多大，答完才能用，最后推荐的跟你填的也没啥关系。
3. 一进来就让你绑卡开试用，东西还没碰到，先掏钱包。
4. 一进来就是功能介绍，Next、Next、Next，点半天才看到核心功能。
5. 一进来啥也没有，一个空白页，让你自己摸索。我都不知道这东西能帮我干嘛。
5. 一进来一堆设置要配，直接懵了。
说到底都是一个问题：用户还没尝到甜头，你就先让他干活。
Onboarding 不是教用户怎么用。
是让他赶紧看到：哦，原来这东西能帮我搞定我的问题。
11 月我还有 2 个项目空位，专门看产品的转化和 Onboarding。
AI 已经开始直接给另一个 AI 改权重了？？
MIT CSAIL 团队这篇 Weight-Space Programming 做了个挺大胆的尝试：让 GPT-6 Astra 分析神经网络的参数，判断哪里出了问题，再直接修改对应的权重。
其中一组实验用的是 Qwen3.5-0.8B。它做数学题时经常陷入重复推理，写到 token 用完也交不出答案。Astra 根据试答结果和权重分析，把问题定位到两层网络中的一个方向，再修改相关参数，减少这种循环。
作者报告，在允许50次批量前向评测、禁止梯度训练的设置下，最终只改了约0.016%的权重，MATH-500 得分就在相同采样设置下从7.9%升到了48.1%。
这里有个很重要的对照：换成很少陷入循环的 Gemma 3 270M，同样的尝试没有带来明确的数学能力提升。
所以这次最值得关注的，是它找到了一个妨碍模型发挥的内部故障，并直接给权重打了补丁。有些模型表现不好，可能还混着“会做，但没能正常做完”的问题，这部分开始有机会被单独修复了。
作者把实验日志、修改过程和评测结果都公开了，做可解释性、模型编辑和自进化的朋友可以看看：
rikiyat.github.io/blog/weigh…
多美好的 vibe coding 向善的小故事啊！
我这几个月vibe coding做的app主要是给自己家人使用。1.99美金就能买一个小域名一年。web app制作起来也特别快，从idea到实现，两三个小时就能出一版上线。
我的父母刚过50岁，他们其实是很喜欢搞事情的俩人。我妈甚至起过2个AI-native的抖音账号。但他们都不会vibe coding，所以只能请人做，所以生活上一些小而有需求的事情他们没办法立马用AI去实现。
我刚好能帮他们补充这个部分，开发专属他们需求的app。这样很多字段一开始就能定义好，节省了不少开发麻烦。字号、排版可以完全按照他们的喜好制定。
比如我开发了记录小朋友生活的日历App。印尼的节假日实在是太多了，大人根本记不住，有时候人已经送到了学校才知道今天放假。小朋友的课外班也很多，有时候需要早起，有时候需要给他准备特殊的衣服，等等。作为一个J人，我有每天看日历的习惯，但他的日程安排不能放在我的日历里。我看过市面上日历软件根本不符合我的需求。
我花了2小时开发了一款内置了AI agent的，直接把学校通知/活动海报截图给agent，它就能快速安排进日历里，甚至会记录相关支出（统一汇总到我的记账app）。老人登录直接是大字老年版，主要高亮学校假期，不同活动的要求（比如dress code，agenda等等）。
我相信未来的App形态，会有更多这种个人定制的App。“人人都是产品经理”hhh
想学 Agentic RL，但被4卡、8卡和一大堆训练部署配置劝退过的，可以看看这个仓库。
Datawhale 成员宋志学做了一个 Agentic-RL Lab，专门拆解和复现 LLM / Agent 强化学习算法。从 GRPO、DAPO、GSPO，到 Search-R1、ReTool、AgentOPSD，都有对应的讲解和代码。
它借助 PyTRIO 的 Train API 降低训练工程的门槛，让学习者能把注意力放在几个具体问题上：数据怎么准备，reward 怎么给，loss 在优化什么，一条 Agent 轨迹怎么参与训练。
比如 GRPO 章节，会在 GSM8K 上比较三种 loss；Search-R1 训练多轮搜索，ReTool 训练模型调用代码工具，还有在 ALFWorld 里做家务、用光谱数据找星星的实验。可以顺着一个个任务，看论文里的公式最后怎么变成训练代码。
论文出处、核心变量、数据处理、训练循环和 SwanLab 记录都放在一起了。想研究某个奖励设计或者 loss 改动，可以先找一个对应的实验跑通，再在这个基础上改。
挺喜欢这种学习材料：读到一个算法，旁边就有能动手试的代码。想开始学 Agentic RL 的朋友，可以挑一个感兴趣的章节看看。
github.com/datawhalechina/ag…
应该多学习 tiktok，把人的闲暇时间和注意力全部吸走
周末和几位从Crypto转去做AI创业的朋友聊了一下午，越聊越觉得有点"为赋新词强说愁"的别扭感。
聊到personal agent的用户价值，几乎每个人讲的都是同一个故事：帮你订机票、订酒店，省下十几分钟...
但TikTok、小红书、X、fomo，没有一个是靠省时间火的。它们赢在让人心甘情愿地花时间。
人愿意停留、愿意付费，从来不只是因为效率，而是因为情绪：好奇、认同、刺激、FOMO、被看见。用户要的是一个他们觉得值得把时间花进去的场景。
而订票这件事，大部分普通人一年订几次，出错代价高，大多数人其实并不想交出去，顶多用agent来帮助筛选...
还在用2B逻辑想2C也许是这轮2C AI还没有出现aha moment的原因之一了。
Karpathy 嫌 YouTube 的推荐不好，周末直接给自己做了个 HackerTube
他让 Claude 从 Hacker News 过去20年的4300万条评论里，筛出6454个被反复推荐的视频，整理成一个可以直接逛的网站。推荐来源就是这个社区多年积累的讨论。
有个细节挺喜欢：封面直接从视频中段选有代表性的画面，把上传者那些反复做 A/B 测试、专门吸引点击的缩略图换掉了。网站不用登录，使用状态留在浏览器当前会话里。
按他的说法，用 Claude Code + Opus 5.5，整个项目大约做了2小时。他手动处理的主要是申请 YouTube API Key、开服务器、买域名，代码、部署和服务器配置都交给 Claude。
分析后的数据也打包提供下载了。拿给自己的 Claude，就可以继续做一个符合自己兴趣的版本。
试试看找一个你信得过的社区，把散落多年的推荐整理成一个真正能用的东西：
hackertube.org
Weekend hack: HackerTube. I was annoyed with YouTube's recommendations so I had Claude filter down 43M comments over 20 years of HN to 6,454 videos that keep being recommended. *Significantly* better viewing experience, ~2 hours with Opus 5.5:
hackertube.org/
- Excellent recs without any logins (state is kept in local browser session)
- Thumbnail is a representative frame from middle of the video instead of the super duper A/B test hyper-optimized user uploads
- Underlying data from the comment analysis as one zip file, point your Claude at it and ask for your own version
- HackerTube Longs ✊
A bit more on the process:
I use Claude Code (desktop app for Mac), Opus 5.5 on Medium effort as my default. I only talk to Claude and have it do everything, the only "manual work" I helped with in tandem was in the browser (reminiscent of MenuGen): 1) I had to create some kind of API key from Google Cloud UI to query YouTube for video metadata, 2) I booted up a VPS box for serving and 3) I bought the domain name. Once the box was up I gave Claude the IP and told it update, secure, harden, deploy and optimize the code, and it did the whole thing.
Many awesome projects that would have normally taken weeks/months even can now be few-shotted for breakfast. What else are we not thinking of.
10个人的公司，一个月花310万美元买 Token？？😂
Spawn 创始人 @jsnnsa 写了篇长文。按他的说法，公司的 Token 账单已经是工资的30倍，过去30天完成了7.7万次“实质性改动”。
他们有一队常驻 Agent，各自负责引擎、运维、财务、故障排查，有记忆，也有实际操作权限。需要干更多活时，再叫一批临时 Agent 来帮忙。
线上报错、用户反馈直接进入这套系统，Agent 自己接问题、修改、验证，按小时发布。全量测试每15分钟跑一轮，支持30秒定点回滚，付款这类不可逆操作另设固定检查关卡。
然后老板也成了瓶颈：有天早上醒来，700个决定等着他拍板。
他们干脆把过去两年的会议和决策记录整理成原则，让 AI judge 处理。以前明确回答过的，按已有决定办；真正没遇到过、需要新判断的，再交给人。
人的工作也跟着变了：多用产品，指出哪里不对，否掉那些“能用但不想要”的东西，以及推动模型自己不会主动提出的大改造。
连“老板平时会怎么拍板”，都开始被整理成 Agent 能执行的规则了。
一句话总结：跟对人、找对事都很重要，跟对人基本已经找对一半的事。
我突然想起来，无数的人问过我为什么选择目前的职业，在选择 startup 和大厂中间的考量。我心里其实有两个 universal 的建议：
1. 去任何一家 startup，你是否愿意承受期权直接归零甚至是转为债务的情况。在极端情况下，startup 的期权甚至价值 < 0，你是否敢面对这种极限情况？巨大的纸钱让人顿时产生了魔幻般的富足感。但我认为，选择 offer 的时候，把你的期权视为 0 似乎才能让人更加理性的去看待 startup 的 offer。视为 0 甚至还有很多道理，因为即便是一部分明星 startup，其人员流动性也很高。当你离职后，你的期权大多时候只有公司 IPO 了才能回购。最近硅谷很多公司有了 tender offer，但是这仍旧是少部分幸运儿，且注意到这些 tender offer 的实际受益者仍旧只有极少数早期且坚持下来的玩家。对于这样的人，他们在 startup 早期经历过的心力摧残和坚持，值得得到如此高的回报。但是，大多数人明星 startup 的人，要么是坚持不下来走了，要么是加入的比较晚；因为当一个 startup 有了 tender 的时候，其实公司已经开始大幅扩张了，大多数的人都是新加入的，且不符合 tender 条件。基于此，startup 的期权视为 0 能极大的让人在选择 offer 的时候心态好很多。只要你没有对超额收益的期望乃至贪婪，你的选择可能会更理性。
2. 我论述选择 offer 的时候，把 startup 的期权视为 0 是我个人的极端思想实验 😂 但我见过的太多太多 startup 可能连这都不如。即便我都做出如此极端的思想实验了，我仍旧喜欢且忠心于 RadixArk 的事业乃至使命。一方面，我不认为 RadixArk 的期权是 0，因为我和团队的大家建立的信任和共同责任感，让我相信我们共同价值。认为期权为 0 是我对其他朋友选择 startup，或者说让我回到过去的时间点选择 offer 时的自我告诫。另一方面，我认为选择 offer 时候，更关键的考量在于一个值得长期追随的 leadership。我可以举出很多例子，在硅谷，厉害的人有很多，冠冕堂皇之辈也很多，但是值得追随的 leadership 是非常有限的。我们能够见到某些大佬，他的核心班底会随着他去任何地方，大厂 -> 创业 -> 大厂 -> 创业，任何地方，这些大佬和他们的核心班底做出的决策都完全一致。在我看来，这就是值得追随的 leadership。职业发展说到底也是需要贵人相助托举的，如果能够遇到自己的贵人，“誓死效忠”这个词便不再是玩笑话了。
一些个人的浅见，感谢您的阅读。
改变可以改变的事情，放下改变不了的事情！
王兴和李想私下里经常推荐的一本书。
《高效能人士的七个习惯》这本书的价值，仍然是被低估的。
我印象中，美团的王兴、理想汽车的李想，还有水滴的沈鹏，都曾在不同场合推荐过这本书。
李想曾经说过，这是他在过去创业和生活的二十多年里，遇到的一本最好的系统和教程。
今天飞深圳，在路上打开微信读书，偶然翻到了之前收藏的一篇文章，是李想早年在理想汽车内部讲《高效能人士的七个习惯》的培训稿。
又从头到尾认真读了一遍，虽然已经工作了十年多，但收获仍然还是非常大。
这本书讲的道理看起来都很简单，但真正理解，并且在工作和生活中用起来，其实挺难的。
整理了一些笔记，分享给大家。
1、我们每天都会关注很多问题，比如今天天气如何，上班路上是否堵车，老板会不会给我涨薪，某个工作该怎么做，房价会不会跌，董宇辉的直播怎么看的人少了。
这些问题中，有些自己可以掌控，有些则无能为力。
如果一个人总把焦点放在那些无能为力的事情上，那久而久之，他会变得消极，凡事喜欢上纲上线，争论一些自己根本没有办法改变的事情。
2、积极主动的人心里清楚，应该把精力放在那些自己能够改变或者影响的事情上。总盯着无能为力的事，比如别人的缺点，或者大环境的问题，那只能让自己越来越消极。
永远把 80% 的精力着眼于自己能够控制和影响的事情上。这样，随着能量的增强，你的影响圈也会越来越大，能够改变的事情也会越来越多。
3、如果我们长期关注那些我们影响不了的事情，那自身的气场、能量会不断缩小；反之，改变自己，积极主动，那做事的能量便会不断增强。
这个思维方式对我的影响是决定性的。我觉得强者和弱者的区别也在这里。
4、《高效能人士的七个习惯》其实是一套完整的个人成长系统。前三个习惯，主动积极、以终为始、要事第一，帮助一个人从依赖走向独立。
接下来三个习惯，双赢思维、知彼解己、统合综效，帮助一个独立的人学会与他人合作。
最后一个习惯，不断更新，让自己能够持续成长。这七个习惯是有先后关系的，一个人只有先做好自己，才有能力与别人建立真正良好的合作关系。
5、一个人是否成年，和年龄没有太大关系。真正的成年人，能够主动做选择，愿意为自己的选择承担责任，而且能够不断地问自己，眼下最重要的事情是什么。
很多人虽然已经工作多年，但依然习惯于等别人安排任务，遇到问题就找外部原因，也不愿意为结果负责。这样的人即使年龄再大，也很难真正独立。
6、主动积极，首先意味着我们有选择如何回应一件事情的权利。
比如看到马云很成功，有人会觉得，他家里一定有背景，所以才能成功。也有人会主动研究他的产品、经营方式，以及他为什么能够把企业做得这么成功。
同样一件事情，前一种反应只会让自己更加消极，后一种反应却可能带来新的知识和经验。
7、人与人之间的差距，很多时候就是这样慢慢拉开的。
在汽车之家，曾经有不少刚毕业的大学生，起点差不多，但工作三年之后，主动积极的人和消极被动的人，在个人能力和产能上可能相差十倍。
因为遇到困难时，积极的人会想办法解决，每解决一个问题，就积累一次经验。
而消极的人习惯于回避问题，认为这件事跟自己没关系。三年下来，两个人积累的经验和能力自然完全不同。
8、主动积极还有一个重要的表现，就是能够控制自己对外界的反应。
2019 年，有媒体批评理想汽车工厂没有建好，杂草丛生，无法按时投产。
面对这样的报道，理想汽车没有选择反击，而是解释工厂的实际情况，承诺及时清理杂草，并向对方提供建设进展，最后还邀请这位媒体朋友参加试驾。
很多时候，别人的行为我们无法控制，但可以选择如何回应。不同的回应方式，往往会让事情走向完全不同的结果。
9、以终为始，就是一个人需要有自己的长期使命和愿景。使命是你为什么而活，愿景是你希望这一辈子成为怎样的人。
它们就像一部人生的宪法，能够帮助你做出重要决定。否则，一个人很容易被外界的评价、要求和各种短期利益牵着走，忙忙碌碌很多年，最后却发现自己根本不知道想要什么。
10、怎么找到自己的使命？有一个很实用的方法，就是先把自己在人生中扮演的不同角色列出来。
比如在公司是管理者，在家里是父亲、丈夫、儿子。然后分别思考，未来五到十年，希望自己成为怎样的管理者，怎么样的父亲和丈夫。
只有把这些问题想清楚，才能知道今天应该把时间花在哪里。
11、很多人觉得工作太忙，没办法照顾家庭。但高质量的陪伴，本身就是需要主动安排的事情。
比如每周只有一天能够陪伴家人，那就应该提前想好带孩子去哪里玩，和妻子去哪里吃饭，每年什么时候安排一次家庭旅行。
如果每次都等家人问起来，才用一句随便应付过去，那家庭生活的质量自然很难提高。真正重要的事情，应该提前进入自己的日程。
12、要事第一，核心是找到真正重要的事情，然后把时间和精力集中在上面。
比如一个 CEO，每天可能有十五件事情需要处理，但真正安排的只有三件，而且这三件事必须和周计划、月计划、年计划有关。
因为在实际工作中，头部 10%的重要事情，往往决定了大部分结果。
一个人每天做了多少事情，并不能说明他有多高效，更重要的是，他有没有把最重要的事情做好。
13、什么事情最重要，取决于你当前的角色和所处的阶段。
比如一家公司即将完成产品研发，准备进入下一个发展阶段，此时 CEO 最重要的职责可能就是组织建设。
如果每天忙着做销售、参加各种会议，看起来非常勤奋，但公司的组织能力始终没有建立起来，那就是没有抓住要事。
所以，做好时间管理，还有一个非常重要的能力，就是知道哪些事情可以不做。
14、双赢思维的基础，是尊重别人和自己不一样，也尊重自己和别人不一样。
不断在所有人际关系中寻求互惠互利的一种思维和情感模式。
没有格局和胸怀是根本不可能达成合作的，你要敢于接受别人的不一样。
人与人之间的差异，本身就可能创造价值。
如果一个人永远要求别人和自己保持一致，就很难找到真正能够互补的合作伙伴。
15、我觉得吧，《高效能人士的七个习惯》很大程度上说的就是一个人的思维方式。什么是思维方式，其实就是我们遇到事情时的应激反应机制。
而思维方式，是可以刻意练习和调整的。
所以制造业流行一个叫做 CIO 和信息化建设的概念，信息化都没建设的公司根本无法开展 FDE
我来告诉你为什么不要做制造业的 FDE。
在一个连主数据都没有的地方，要接上 CRM SRM ERP MES WMS 等等系统，然后再搭一个简单得不能再简单的 Agent。
这一套下来，最贵的全部是前面的地基部分，接一个系统成本大概就要 5-8 万，这还是保守估计。
然后客户和你说你就帮我搭个 AI，给你 2 万。你不接那些玩意儿，AI 没有上下文客户不满意，你接，就算他给你一个系统 10 万，接起来也是累得要死，一个月能接俩系统不错了。关键是他们那些个系统还不知道是哪家野鸡公司野鸡外包做的系统，说不定做那个系统的公司都已经倒闭了，那个系统就接不上了，你要不就逆向要么就不接那个系统。
就这，我只提到了冰山一角，还没提有了系统仓库那些人不干人事不按时录数据一个月月末突击录一次数据到 ERP 里，仓库找不到物料编码就随便建一个新代码这种蛋疼的要死的玩意。
我之前做一个无人仓储的项目，妈的摄像头点位闸机 NFC 全套全做完了，方案都递上去等签字了，最后客户说一句硬件太贵了，派了俩保安去守门，然后装了俩摄像头。我 GTMD，浪费老子时间。
总之，制造业企业，请一个外面的 FDE 来做 AI 赋能，本身就证明了这个企业大概率在信息化水平上是草台班子中的草台班子。
但是！话又说回来，制造业企业的 FDE 还是大有可为的，毕竟，什么都做好了还要你干什么。不过，这种事情，还是让专业的 IT 咨询公司去吧，人家搞人海战术能做这种苦累活，我们这种游击队就不要接了。
啊？你说我怎么知道这些东西？因为我就是 IT 咨询公司出来的，我做了 10 年，油了肝，秃了头，突了腰，坏了肾，还是别做这个了，让那些公司自生自灭去吧，思配苦。
比 leetcode 重要的是热情和动机，但 motivation 的前提是身体好，行动起来！ 大水、大练每一天每一刻
社达、优绩主义、功利主义、大结果杀死了一切飞扬的想法，和拥有真挚热情的人，要让世界充满更多爱
虽然现在在做 AI 创投相关的事，但其实很长一段时间里，我都觉得自己是个局外人。倒不是对在做的事不感兴趣（事实上我正是因为感兴趣才来的），而是有几种特质我非常不喜欢：
bully、搞小圈子、功利、judgemental、社达。可在创投领域，我总能看到集齐这几点的人，甚至可能正是集齐了这些特质的人，才更容易拿到所谓的大结果。
这种环境总让我不适，可能是触发了我的某种生存代码吧哈哈，让我时刻担心自己会被这样的 decision maker 加速毁灭。
昨天在东京看了白南准逝世二十周年的展，其中一件作品的注解，放在今天看尤其有意义：
The real issue implied in art and technology is not to make another scientific toy, but how to humanize the technology and the electronic medium.
我们不该造一个又一个科技玩具，而应该让科技和电子媒介人性化。
可在这个时代，还有多少人真正在意 humanization 呢？
