154: 从千问变动到「AI 英雄传」|与 DINQ 高岱恒聊传奇 AI 研究员们

摘要

• 千问人事震荡把一个百余人团队的潜在流动性，瞬间变成全球 AI 人才市场的显性标的。 DINQ 上相关搜索量翻了 3 倍，出现约 2,000—3,000 条查询，重点集中于大语言模型、强化学习和 Agent RL，搜索者以 HR、猎头为主，也包括 Meta 的 Executive Search。此前用户问“中国团队里谁被搜得最多”，答案已不是 DeepSeek，而是千问；变动之后，市场更直接地押注“可能有人想看一看其他机会”。

• 千问真正难复制的壁垒，不只是某次榜单成绩，而是尺寸、模态、开发者心智和分发平台共同构成的开源生态。 Sam 称，千问在 Hugging Face 与 ModelScope 的累计下载量超过其他多家中国开源模型之和，从 0.6B、1B 等小模型到图像、视频、推理、embedding 的完整家族，使其成为论文和具身智能项目里的“de facto standard”。ModelScope 则像“AI 时代的 GitHub”，调用、点赞和评论不仅能变现为托管、推理与存储收入，更能反向告诉阿里前沿开发者正在关心什么。

• 这次变化可能加速行业从开源声量竞争转向 post-training、RL 与 Agent tool use 的实战竞争。 Sam 判断千问相关成员会遭到 Meta、xAI、OpenAI 等机构“疯抢”，而模型公司只要相信 scaling 仍能继续压榨智能，就会把更多资源投向实际任务表现，而非仅仅刷 benchmark；开源投入则可能相对收缩。他尤其看好第三方数据与强化学习环境供应商，认为 2026 年更多前沿实验室会把原本倾向在公司内部完成的环节交给外部团队。

• 顶尖研究组织正在重演文艺复兴 workshop 与金主的关系，研究员越来越靠代表作而非雇主履历获得定价权。 Sam 的比喻是，美第奇家族曾“让米开朗基罗可以上桌”，今天 Zuckerberg 给明星研究员的待遇已能超过 NBA 或英超球星；算力项目越昂贵，能避免错误方向、提高算力产出的技术判断就越值钱。组织形态也可能从大公司内部团队，扩展到承接 Agent RL 等单环节的专业工作室，再形成 Cohere 一类面向企业的“生态毛细血管”。

• AI 人才供给在急速扩张，但学历与公司名的保质期正在缩短，公开作品成为更可靠的筛选信号。 Sam 回忆，ICLR 投稿量从 2020 年约 1,000—2,000 篇增至五六年后的 30,000 篇以上；许多关键技术由 30 岁以下的人完成，微软、千问、DeepSeek、MiniMax 等团队里也常有实习生承担关键工作。“算法时代奖励的是结果”，昨天做 GAN、VAE 的大厂经验，并不能保证在扩散模型或新一代 Agent 范式里继续有效。

• 天价薪酬打动研究员的方式，可能不是激发使命感，而是补偿高压并购买几年注意力。 DINQ Roast 最初把最高估值档设为年薪 1,000 万美元以上，随后 Meta 的挖人报价把想象力推到 1 亿美元；曼琪还提到，听说有些人的年薪可能只有 50 万美元，但期权可能是 2,000 万美元、分 4 年兑现，这可能让每月权益收入高于工资。接触到这种 offer 的人往往先“发懵”，再选择“悄悄干活，尽可能多挣几年钱，然后退休”，因为一次动用 4,000 张卡的实验本身就带来巨大的技术与心理压力。

• 模型进入应用期后，人才溢价正从“造 F1 赛车的人”扩散到能把模型开进真实场景的“车手”。 Sam 观察到，论文作者的社交媒体内容往往只有数百点赞和两三条泛泛祝贺，而“小龙虾”作者 Peter、安德烈·卡帕西、Claude Code 作者 Boris Cherny 等应用创造者，评论与点赞之比可达 1:4 或 1:5。原因很直接：用户未必理解一项基础研究，却能立刻感受到 Agent 整理邮件、执行流程或自动完成任务带来的收益。

• 招聘关系最终可能从“人匹配公司”拆成“人匹配任务”，并由可观测的 AI-native 行为重新定价。 Sam 推演，过去需要半年至九个月、靠甲乙方反复磨合的智力项目，可能被压缩到几周；五年三跳、组织忠诚度和传统职级可能随之弱化，Claude Code token 消耗、个人任务自动化率、使用过多少 AI 产品等指标开始成为“一叶知秋”的能力代理变量。他给个人的落点不是追逐短暂第一，而是把它当作“无限游戏”：保护健康和情绪，把价值迁往判断、沟通、协调以及做出新作品的能力。

精读

1. 千问震荡先把人才流动性公开化了

• 人事变动发生后，DINQ 上关于千问成员及其论文作者的查询量翻了 3 倍，约有 2,000—3,000 条；大语言模型、强化学习和 Agent RL 最热，图像与语音明显靠后。

• 搜索者主要是 HR 和猎头，也出现了 Meta Executive Search。曼琪追问这是否意味着海外机构正趁机挖人，Sam 的解释很克制：“大家就觉得可能有些人想看一看其他的机会。”

• 千问核心团队只有一百多人，却已是海外需求自然匹配出的首要人才池。此前用户泛搜某类能力时，系统就经常返回千问和 Kimi 成员；震荡只是把这种隐性需求变成了定向搜索。

2. 千问靠完整模型矩阵赢得开源心智

• Sam 从影响力而非商业收入评价千问：在 Hugging Face 和 ModelScope 两个平台，其模型总下载量据他观察超过其他多家中国开源团队之和，并显著领先其拿来对照的 Mistral。

• 优势来自家族完整度：0.6B、1B 等小尺寸，以及图像、视频、推理、embedding 等模型，让资源有限的学校和开发者能直接找到适配版本，而不必自行承担训练成本。

• 从 2023 年下半年起，越来越多顶会论文引用千问技术报告，或把它用作 Agent 的“大脑”和研究链路中的关键模块。Sam 称这种心智为“事实的标准，de facto standard”，一旦形成，后来者的营销与迁移成本都会很高。

3. ModelScope 的真正资产是开发者意图

• Sam 在达摩院时，ModelScope 尚不流行，内部同学一度被要求贡献模型和数据集；后来访问量与下载量持续增长，在他看来也侧面说明中国及华人 AI 开发者群体正在扩张。

• 他把 ModelScope 与 Hugging Face 都视为“AI 时代的 GitHub”：模型、数据集和 Spaces 应用越丰富，使用、贡献、评论与点赞越集中，平台越能识别最前沿实践者究竟关心什么。

• 推理托管、模型部署和大型数据集存储都能产生直接收入，但 Sam 认为这对阿里的战略意义远高于一笔孤立营收；这些行为数据还能成为反向配置研发资源的环境信号。

4. 人事冲击会把竞争推向 post-training 与 RL

• Sam 判断千问相关成员和人才会遭到 Meta、xAI、OpenAI 等机构“疯抢”。他提到，马斯克在解雇大量早期成员后，对这群人“如饥似渴”；他还猜测 SpaceX 与 xAI 合并后的财富效应会增强对研究员的牵引。有关 2026 年 IPO 的说法是他的推测，并非确定判断。

• 更大的产业变化是路线收敛：只要公司相信继续 scaling 仍能产生更多智能，就会持续加注模型能力，并把重心移向 post-training、RL 和 Agent tool use，而不是只追求开源声量。

• Sam 认为 benchmark 对多数用户已没那么重要，公司真正 care 的是模型能否在实际任务里表现更强，因此有海外 post-training 和 RL 经验的人会通过全职、顾问等方式进入国内团队。

• 他预计 2026 年会出现更多第三方数据和强化学习环境供应商，为前沿实验室提供原本倾向在公司内部完成的环节。“从 2025 年下半年开始”，他观察到 AI 领域最赚钱的一批公司已经包括卖强化学习环境的公司。

5. 研究组织正在重演文艺复兴 workshop

• Sam 把前沿实验室与研究员的关系类比为 workshop、艺术家和金主：学徒进入工作室不是为了证明“我在这里待过”，而是为了完成能带着走、能在世界上立足的作品。

• 文艺复兴提高了工匠的社会地位，美第奇家族“让米开朗基罗可以上桌”；今天 Zuckerberg 给明星研究员的待遇超过体育巨星，在 Sam 看来是同一条逻辑——谁能把昂贵算力发挥到最好，谁就拥有极高溢价。

• 曼琪的反问值得保留：阿里、字节、Meta、Google 这类巨头仍会倾向在内部掌握核心技术。Sam 并不否认，而是把演化分成内部团队、外部专项工作室、独立模型服务公司三个阶段。

• Agent RL 可能成为外部 workshop 的典型委托：客户给出行业场景，专业团队完成训练。曼琪以 Cohere 以及 Thinking Machines Lab 推出的 Tinker 为例；随着 Agent 调度和工具链成熟，小团队会成为产业“毛细血管”。

6. 雇主只是过渡站，作品才是长期通行证

• Sam 直言，微软、千问、DeepSeek、MiniMax 等团队里都可能由实习生 carry 关键工作；全职年限并不能自动转化为优势，这种人才规则与传统工程行业完全不同。

• 他亲历过范式淘汰：如果 2021 年还在做 GAN、VAE，到了 2022—2023 年却不拥抱扩散模型，原有大厂经验很快会失效。进入千问或 DeepSeek 只能是中间阶段，不能成为人生终点。

• 论文、训练框架、数据处理、基础设施和开源项目都可以是代表作。前沿机构可能仍看学历和经历，但“作品定价”越来越重要，过往履历的价值则贬值得非常快。

7. 天价薪酬买到的是注意力，也补偿了压力

• 面对“钱对这些人意味着什么”，Sam 给出的诚实答案是“我说实在我不知道”；人类历史上很少有纯智力劳动者获得如此巨额报酬，许多收到高额 offer 的年轻人第一反应只是“发懵”。

• 他接触到的典型心态不是立刻消费，而是“赶紧悄悄干活，尽可能多挣几年钱，然后后面退休”，再去做不受 KPI 催促的自由研究。高薪因此像在购买几年集中注意力。

• 曼琪还提到，听说有些人的年薪可能只有 50 万美元，但期权可能是 2,000 万美元、分 4 年兑现；这可能让每月权益收入高于工资。Sam 认为，高薪某种程度上也是对研究压力的补偿：一次实验可能占用 4,000 张卡，研究员既担心模型和调度，也害怕集群中途出错。

8. 代表作带来的正反馈比抽象使命更直接

• 曼琪猜测，有人想在科学史留下贡献，有人有使命感，要实现更强的智能状态。Sam 认为这些可能存在于“潜意识”，但直接意识通常更简单：“我需要一些作品去证明我是有能力的。”

• 开源项目获得 star、反馈和贡献，名字出现在千问 technical report 或 contributors 前列，都会形成“我能做成”的正反馈，再推动下一份工作、研究或创业。

• 这不是一次性通关，而是“无限游戏”：有人可以玩到一百岁，也有人三十多岁就因精力和心力耗尽而转向轻松事务。外界声望和金钱重要，但作品仍是持续进入下一局的凭证。

9. DINQ Roast 先测出了人才泡沫的温度

• Sam 在 2025 年 3 月产生想法，4—5 月做出 DINQ Roast：用户输入 Google Scholar、GitHub 或 LinkedIn，系统分析履历并给出“辣评”和身价估计，正好击中“我到底值多少钱”的市场情绪。

• 初版最高档是年薪 1,000 万美元以上，其他档位包括 100 万以下、100 万—300 万、300 万—500 万美元；几个月后 Meta 出现上亿美元报价，原先看似夸张的上限反而显得保守。

• 热点最初是 Ilya、John Schulman、欧阳龙、翁嘉仪等 OpenAI 人物，后来用户更爱测自己和同事。PK 功能比较总引用、一作引用和顶会数量，但 Sam 承认，这对引用较低却有理论影响力的研究并不公平。

• 林俊旸与周畅在当时都约有两万多引用，PK 结果“势均力敌”，本人看到后“绷不住了”。一些教授和明星研究者亲自使用，则让 Sam 确认：人才不仅需要被发现，也有强烈的自我理解需求。

10. 完整闭环的人被按工匠而非岗位定价

• Sam 对创造型人才的定义不是某个学历或职位，而是能完成闭环：发现问题、提出问题、设计实验、解决问题，最后交付一个完整结果。

• 这种人像文艺复兴艺术家，因为他不是只完成流水线上的局部，而是在“完整地做一个作品”。论文是过去十多年最典型的作品，框架、数据和底层工具同样成立。

• 市场对作品的奖励非常直接：一项模型、算法或开源项目证明了结果，雇主便可以少依赖学历、公司年限或通用面试题来间接推测能力。“算法时代奖励的是结果。”

11. 年龄与出处正在击穿旧式筛选

• Sam 举出 Sora 2 的 Eric Luman、Troy Luman 兄弟：他们从约 2020 年开始持续做扩散模型研究，把成果放在 arXiv 而非同行评审会议，最终被 OpenAI 发现。

• 中国公司同样会在 GitHub、顶会论文和开源项目里找“蛛丝马迹”。英雄不问出处并不等于没有筛选，而是筛选对象从学校名转向公开成果和持续行动。

• 2020 年前后，Jonathan Ho 的 DDPM、宋飏的相关扩散研究以及 Transformer 后续技术已逐步就位；同一时期 ICLR 每年约 1,000—2,000 篇投稿，五六年后据 Sam 回忆已超过 30,000 篇。

• Alec Radford 的 CLIP、苏剑林的旋转位置编码、Albert Q. Jiang 参与的 MoE 工作、Robin Rombach 团队的 Stable Diffusion，都强化了 Sam 的年龄观察：许多关键成果出现时，作者尚未满 30 岁。

12. 应用创造者开始成为更有号召力的“车手”

• Sam 把研究员比作制造 F1 赛车或高达的人，把能用模型做出新产品的人比作车手和驾驶员；随着基础模型成熟，后者的影响力与人才价格都在上升。

• 他观察研究论文宣传常只有数百点赞、两三条“恭喜”式评论，而“小龙虾”作者 Peter、安德烈·卡帕西、Claude Code 作者 Boris Cherny 的内容，评论与点赞可达到约 1:4 或 1:5。

• 原因不是研究不重要，而是应用反馈更直接：普通人可能不理解一项模型改进，却能感受到 Agent 帮自己整理邮件、执行流程或完成生活任务。曼琪将其概括为 AI 从追赶模型能力走向应用扩散的阶段变化。

13. Sam 靠一次“误信”和几个 typo 进入开源

• 2017 年，土木背景的 Sam 担心原方向未来难找工作，转学 AI。吴恩达课程里一句“学完会超过硅谷 95% 还是 99% 的工程师”，很多人未必相信，他却说：“我那时候真信了。”

• 2018 年，他判断动态图 PyTorch 比静态图 TensorFlow 更适合调试，却完全看不懂底层代码，自嘲“十窍通了九窍——一窍不通”，于是逐文件寻找拼写错误和语法 typo。

• 几个几乎没有技术含量的修改被主仓库合并，给了他极强正反馈；随后他开始做真正的图像、视频开源项目，并与 Soumith Chintala、Edward Yang 等早期核心贡献者建立联系。

14. DeepFaceLab 证明作品可以绕过学历门槛

• 2019 年，Sam 参与 DeepFaceLab 的算法部分，目标是让不懂代码的人通过点击鼠标生成影视级换脸效果；在当时尚未大规模出圈的 AIGC 市场，Deepfake 是少数具备公众影响力的应用。

• Facebook 在首尔 ICCV 举办深度伪造挑战时主动找到项目贡献者，之后也有人建议他进入字节等公司。最让他着迷的是：“当你有了作品，没有人会面试你写代码这种东西了，因为它不重要了。”

• 作品的“正外部性”在于无需反复自证：技术负责人看到结果便知道他能做什么，学校、专业和科班训练不再是对话的中心。

15. 追作者让技术史从论文名变成了人

• Sam 将 StyleGAN 从 TensorFlow 迁移到 PyTorch，获得数百到约 1,000 个 GitHub star；真正触发兴趣的却是代码质量——“写得这么好，到底是什么样的人做出来的？”

• 答案打破了他的预设：主要作者 Tero Karras 来自 NVIDIA 赫尔辛基研究院，没有典型大学文凭；对 StyleGAN 贡献最多的人之一 Adam Paszke 当时还在华沙大学读大三。“我靠，这些哥们都挺神。”

• 相比一路竞赛金牌、名校和学术明星的标准路径，反差与戏剧性更容易让人记住，也让 Sam 从 2019—2020 年开始长期收集研究员的成长细节。

16. 一封风车贺信换来 Agent 路线建议

• 为接触 Diederik Kingma，Sam 在对方获得 Test of Time Award 时画了一张配荷兰风车的头像，发邮件祝贺并表达结识愿望。Kingma 觉得“太好玩了”，两人由此建立邮件联系。

• 2024 年 Sam 询问未来方向，Kingma 的建议很明确：“你要做 AI Agent。”底层模型需要一千张卡级别的基础设施，不是个人算法能力能解决；Agent 更依赖创造力，强个人仍可能独立做出好东西。

17. Alec Radford 说明冷板凳可以比共识更值钱

• OpenAI 早期主流是强化学习：机器人拧魔方、Dota 等任务反馈清晰，实验室里只有 Alec Radford 持续研究 next-token prediction，成果磕磕绊绊，也承受着同事不断出成绩的压力。

• 按 Sam 的回忆，GPT-1 投稿 ICLR 被拒，GPT-2 转而以 OpenAI 博客发布，像是在回避再次被拒的伤痛；直到 GPT-3 才正式在 NeurIPS 上发表。

• Radford 当时只是二十多岁、毕业于 Olin College 的本科生。这个故事支撑 Sam 最看重的能力：在缺少短期正反馈时，仍能判断方向并坐得住冷板凳。

18. 蹲 OpenAI 门口本身也是一场鲁莽实验

• 2025 年 2 月，Sam 因住在旧金山市区，跑到 OpenAI 门口蹲人；他特别想问 Jason Wei，思维链灵感为何会在冥想时出现，也希望偶遇 GPT-4o 项目的一位研究员。

• 他没有遇到目标人物，却说服两层安保让自己把传单放到公告板：先把自己比作文艺复兴时代记录艺术家的 Vasari，强调记录技术人物的历史价值，再讲远道而来的成本。

• 曼琪将这套“社会工程学”概括为“营造历史感”加“讲述自己的不容易”。Sam 承认方法鲁莽，但在他看来，哪怕只是留下传单，也是一次额外奖励。

19. 创新有时从边缘路径和放松状态长出来

• RAG 作者 Patrick Lewis 的履历吸引 Sam，不是因为它能被顺畅规划：博士毕业后在越南和欧洲旅居，又进入并不显赫的小公司，后来因公司被 Meta 收购进入大平台，约在 2020 年做出 RAG。

• Sam 的解释始终保留不确定性：随性旅行和小公司经历“有可能”使人更容易发现新问题，并不等于这些经历必然产生创新。

• 曼琪补充，创新往往需要先长期进入问题上下文，再在散步、冥想或相对放松的状态里完成连接；但她也提醒，牛顿苹果故事可能是后来主动增添的传奇色彩，叙事不能代替证据。

20. 好故事能把技术名单变成“命运联动”

• Llama 作者 Hugo Touvron 在 29 岁做出重要作品，Sam 把它与雨果同样在 29 岁写出《巴黎圣母院》并置：“命运的联动，啪就开始触电了。”他承认，联想的力量取决于讲述方式。

• Alec Radford 与 Luke Metz 是 Olin College 同学，毕业后在波士顿创业，并与 Soumith Chintala 合作 DCGAN。2016 年 4 月的 GTC 大会上，黄仁勋将这项技术归功于 Meta，忽略了 Alec 和 Luke 的贡献。

• Sam 推测，两人可能因此认为波士顿的贡献难以获得认可，必须前往湾区；Alec 去了 OpenAI，Luke Metz 去了 Google。对 Sam 而言，这类细节不是学术结论，而是记忆技术：人物的矛盾、迁徙与偶然关系，能解释为什么同一批人后来又在 OpenAI、Google、Thinking Machines 等组织重逢。

21. 顶尖研究员更吃具体问题，而非宏大恭维

• Sam 首先看到的是抗挫折能力：真正开新方向时成果慢、失败多，同龄人可能已在其他赛道获得快速反馈；若无法承受“坐冷板凳”，最终只会留下跟随性工作。

• 建联时，泛泛说“你影响了一代人”通常效果有限；研究员更愿意讨论某个具体技术、过往路线和未来判断。对招聘者和 CEO 来说，真正有效的开场是围绕具体问题交流，而不是宽泛恭维。

• 早期一批研究员更像社交媒体上的观察者，自己很少发观点，却会点赞、评论和参与讨论；随着竞争激烈，新一代变得更主动，公开表达也成了让机会发现自己的手段。

• 被问到这些人的弱点，Sam 没有硬凑答案：“说实在我不知道，没有想过。”他能确认的只有平衡——既要真喜欢、愿意坚持，也不能执着于每次实验的短期结果。

22. 人才搜索的瓶颈不是信息少，而是身份碎片化

• 一个 AI 研究者可能同时活跃于 Hugging Face、GitHub、Google Scholar、OpenReview、知乎、B 站、YouTube、X、Substack 和 Medium。DINQ 要解决的“不是内容丰富度问题，是分发问题”。

• 海外招聘者往往拿一篇具体论文来找作者及相似人才；国内需求更常是宽泛筛选，例如某方向、某顶会、华人、1995 年后出生、社交媒体活跃。前者已锁定问题，后者需要 Agent 多轮修正画像。

• 泛搜能力时，千问和 Kimi 成员更容易被系统返回；DeepSeek 较少出现，曼琪与 Sam 推测原因之一是成员公开信息和社交媒体活动较少，这也可能与团队 leader 的风格有关。

• 直接搜索机构或模型时，Meta 被搜得较多；用户还会搜 Veo 3 背后的团队、Runway 或 Black Forest Labs，并关心某个模型的贡献者。人才端获得低成本曝光，招聘端则从信息聚合、相似搜索和联系信息中获得价值，构成 DINQ 的双边价值。

23. 学历仍是概率锚，却不再提供安全底

• 国内招聘者常要求“斯坦福毕业、三篇顶会、00 后、社交媒体活跃”，初创公司 BP 也爱写团队来自 Stanford、CMU。Sam 认为这既是传统思想，也是对投资人和资源持有者偏好的预判。

• 对极强能动性的人，路线可以是 building in public：持续做公开作品，“只要真的在做一些好的东西，一定会有人找你”。但这种路径上限高、下限也低，多数人仍会通过升学换取导师、同伴和安全感。

• Sam 并未断言学历无效；从概率上说，好学校仍提供更好的研究资源。MIT、斯坦福已有 AI 专业，Sam 说从 2025 年起加州一些公立学校也开始开设 AI 专业，本科生人数越来越多。

• 曼琪的反驳是，技术变化可能快过个人成长：当 AI 写代码已超过许多人，传统程序员路线与大公司职位都无法保证安全。技术乐观主义者描述的创造性工作未来也不轻松，因为“人为了逃避思考，可以做任何事情”。

24. 招聘会从雇一个人拆成购买一个结果

• Sam 推演，过去需要招微调或 RL full training 人员、磨合半年至九个月的需求，可能由一个专家在一周或几周内完成；模型也会大幅降低甲乙方对齐需求的成本。

• 结果是智力劳动越来越快、零散，人与组织间可能“没有什么所谓的责任或者忠诚度”。过去会被质疑的“五年三跳”，在顶尖研究员中已经很常见，未来也可能不再是核心评价指标。

• 新筛选信号会更 AI-native：Claude Code token 消耗量、用了多少产品、个人任务自动化率、具体做过什么，都比抽象职级更接近能力。Cursor 曾从重度用户中招人，就是“一叶知秋”的例子。

• DINQ 的匹配引擎既能从需求找人，也能从人找机会；Sam 当时预计 2026 年 4—5 月加入短期项目匹配。若这一推演成立，平台连接的将不再只是“人和公司”，而是“人和一个事儿”。

25. 无限游戏要求把人的价值迁往判断与状态

• Sam 认为多数研究员并未系统思考社会影响，少数如 Ilya 是例外；更多人只在追求“更高、更快、更强”——更长、更实时、更一致的视频，或更低推理成本、接近 Anthropic Claude 4.5 的模型能力。

• 当顶级机构的职级梯子弱化、许多人统一称为 MTS，个人发展的核心不再是公司内升迁。AI 已能胜过很多人的编码能力，人更难替代的部分会更多转向沟通、组织协调和判断；在具体 AI-native 工作中，人也可能负责架构与安全测试。

• 这些能力并不会因每天工作十六七小时而线性增长。Sam 最后的建议是保护健康、情绪与好奇心，“享受每天跟 AI 的碰撞”；既然短暂第一名随时会被改写，真正可持续的策略只能是把它当作“无限游戏”。