Tag: 资讯
All in AI！微软之前已经在自家软件中集成了AI，现在 Excel 的公式中加入了 COPILOT！ =COPILOT(prompt,,...) 这个看似简单的语法将大型语言模型（LLM）的能力直接带入你的电子表格逻辑——为财务规划、分析和建模开启了全新纪元。 为什么这对 FP&A 和数据分析是革命性突破 FP&A 是 Financial Planning & Analysis 的缩写，即 财务计划与分析。FP&A 就像公司的“财务大脑”，负责帮老板规划钱的用法、预测未来收支、分析公司财务状况，并提供决策建议，让公司花钱更明智、赚得更多。 多年来，Excel 一直是财务专业人士的首选工具。虽然它在计算上无可匹敌，但像总结、分类和上下文分析这样的任务一直需要手动处理。现在，COPILOT弥补了这一空白。 通过自然语言提示，你可以在工作簿中直接分析、总结甚至生成数据。FP&A 团队可以减少在数据处理上的时间，将更多精力放在洞察和策略上。 COPILOT 可以做什么 以下是一些能够改变工作流程的示例： 文本总结 — …
英国查获比特币ATM主犯：所有与法币挂钩的加密业务必须持牌 案件回顾：比特币ATM运营者被判四年 在2025年2月，英国金融行为监管局（FCA）宣布成功起诉并判刑首位非法运营比特币ATM的个人——Olumide Osunkoya。该男子未经授权在伦敦多地运营加密ATM，处理交易金额达260万英镑。他曾试图注册合法业务但被拒，随后伪造身份文件绕过监管，最终被法院判处4年有期徒刑。 最新行动：7台ATM被查封，两人被捕 紧接着在2025年7月，FCA与伦敦警察再次联合行动，在西南伦敦多个地点查封7台非法加密ATM，并拘捕2人。FCA重申：在英国，没有任何加密ATM获得合法运营许可，所有涉及法币兑换的活动必须事先注册并获得批准。 英国FCA官网原文指出：“我们提醒所有经营者，若他们继续运营未注册的加密ATM，将面临刑事起诉。”（原文链接见参考资料） 为什么这些ATM是非法的？ 在英国，只要涉及“加密货币 ↔ 法币”的兑换行为，就会被纳入《反洗钱条例（MLRs）》的监管框架。运营者必须： 向FCA注册为加密资产公司 实施KYC（身份验证）和AML（反洗钱）程序 接受FCA的持续监管与合规审核 未经注册即开展此类活动，属于违法行为。 那币币交易是否违法？ 与之不同的是，纯粹的“币币交易”（如BTC换ETH）在英国目前并不违法，只要不涉及法币。这类去中心化的资产兑换活动一般不触发FCA的监管要求。 然而，这并不意味着币币交易可以完全无视法律。风险主要体现在以下几点： 如果币币交易平台为英国用户提供服务，仍可能被FCA认定为需注册的加密资产服务提供商； 若用户资金来源不明、涉及洗钱嫌疑，即便是币币交易也可能受到刑事调查； 一些DeFi平台也开始被FCA纳入观察范围，特别是在提供“收益农场”、“杠杆”等功能时。 换句话说，币币交易不违法，但不代表“自由放飞”。 eBay上的比特币ATM：买得起，用不了 令人啼笑皆非的是，即便英国监管严格，在eBay等平台上仍然可以轻松购买比特币ATM设备，价格从几百到几千英镑不等。但要注意：即便买来，也无法将其放到街头使用，除非你获得了FCA授权，否则就是非法运营。 监管之下，行业才有未来 加密行业已从“蛮荒时代”进入规则时代，尤其在英国这样法制健全的国家，**监管不是打压，而是保护创新者和用户的护栏**。 如果你是开发者、交易所、甚至只是兴趣用户，以下几点值得注意： 涉及英镑等法币的任何活动都必须获得FCA批准 即便是去中心化项目，也要评估是否触及监管边界 …
这两天收到了剑桥最“卷”的私校——Perse的第一期学费账单：9908.65英镑（官网）。 真是不便宜啊，而且还强制收了我4英镑的“慈善捐款” （Upper Charity Collection）。 孩子9月份（也就是下个月）就要开始9年级了。一年三个学期，到申请大学还有五年，也就是说接下来五年一共要交15次学费。并且学费每年都会略有上涨。这么一算，孩子接下来五年，每年学费约3万英镑，五年下来就是15到16万英镑。按现在汇率9.5来算，差不多是150万人民币——相当于剑桥市区半套两居室的房子了。 英国工党上台后，其中一项重大政策就是对私校学费征收20%的VAT（名义是“劫富济贫”）。虽然部分私校会象征性地补贴一点，比如2%，但一算下来，一年的学费也得额外多交三五千镑。 稍感欣慰的是，孩子是自己说想去Perse的。能有自我驱动力和自我认知的孩子，确实不多。 听说 Perse 每年都会有“末位淘汰”，学习成绩太差的学生会被劝退。学校通过这种方式来保证升学率的“好看”。Perse 的排名很高，主要是按每年拿到牛津、剑桥大学（即“牛剑”）offer 的数量来评定的，常年稳居英国前五。 与它排名相当的还有剑桥另一所学校——公立的 Hills Road Sixth Form College。每年都有不少 Perse 的学生，在最后两年转去这所公校“洗白”。因为据说在同等条件下，大学更倾向录取来自公立学校的学生——毕竟他们被认为更可能是靠自己努力，而不是依赖家庭资源起跑得早。 这个学校确实很卷。年级越高，学生之间的竞争越激烈；而低年级则更多是父母在卷——毕竟能从小一路送进私校的家庭，经济条件普遍都很不错。 还好，学费可以按学期平均摊成三个月分期缴纳，多少减轻点压力。 每年9月份，微软发奖金，所以分三期无息交清每学期学费会比较好，我是看到学校的邮件里说有这个选项后立马申请。这样感觉不是很多 感谢您的邮件，我可以确认您账单账户的付款方式现已设置为等额分期付款方案。更多信息请参阅附件。 Thank you for your …
前几周（2025年6月25日），英国电信公司Three（没错，就是那个广告喊得震天响的“三”）出大事了：全国大范围网络瘫痪。听说爱立信赔惨了。这种outage是需要按分钟赔偿。 当天早上我和我媳妇手机都打打不出去也接不进来，最后面只能用微信语言沟通。 在线填了个complaint, 给了5英镑：“As a gesture of goodwill, we have applied a £5 credit to your number ending 8997 which will be used towards any current or future balance …
上个月，我在 Telegram 上收到一个自称是 NordVPN 员工（Salbatore Isom）的人联系。他说是 NordVPN 网红合作计划（Influencer Program）的成员，想和我合作。 一开始我没怎么理他，后来随口问了一句。他说只需要在 X（推特）上每周置顶一次帖子、每周转发一次，就可以获得每月 1000 美元的报酬，通过虚拟货币支付，其中 70% 会先付，剩下的 30% 月底结清。 对方说支持 USDT 支付，可以选用 TRON、ETH 或 SOL。我当时没有多想，就把我的 TRON 波场钱包地址发给了他。他表示会由同事准备合同，第二天我就收到了一封邮件，打开后是一个看起来正常的域名链接（jurogo），我还专门查了一下这个域名，发现是刚注册不到一周的新域名，网上几乎没有任何信息。 接下来对方让我下载一个软件，说是用于签署合同。我一下就警觉起来——正常签合同一般网页上就能搞定，根本不需要下载什么软件。而他给的是一个 ZIP 文件，300 多 …
莫拉维克悖论是什么？ 莫拉维克悖论（Moravec’s Paradox）是人工智能与机器人学中的一个重要观察结果。 一句话总结 “对于人类来说简单的事情，对机器却很难；而人类觉得复杂的事情，机器却往往很容易。” 悖论的由来 由 Hans Moravec、Rodney Brooks、Marvin Minsky 等人在 1980 年代提出 他们注意到：计算机能轻松完成逻辑推理，却难以感知与运动：让计算机进行高等数学、下棋、逻辑推理等任务相对容易；但让计算机像人类一样“感知世界”和“移动身体”——比如走路、抓取物体、识别人脸——却非常困难。 为什么会出现这种现象？ 进化时间差 人类的感知与运动系统经过数亿年进化，极度复杂；抽象思维是最近几千年才发展出的新能力。感知与运动能力（比如视觉处理、走路、抓握）是人类在数亿年的进化中逐步发展出来的，极其高效而复杂。抽象逻辑和符号推理（比如数学、象棋）则是人类近几千年才发展出的“新技能”，反而对人类来说相对“费力”。 神经资源分配不同 大脑的大部分区域用于处理感知与运动，只有小部分用于逻辑与推理：大脑皮层中，有大量区域用于视觉、听觉、运动控制等感知与行动；相比之下，用于抽象思维的区域相对较小。 我们低估了“本能”的复杂性 比如走路、看东西、抓杯子——这些能力虽然自动完成，但对机器来说极其复杂：因为感知与行动是无意识自动完成的（比如：走路时你不需要思考每一步如何移动），人类通常低估了这些任务的复杂性。 经典对比案例 任务 人类 机器 玩象棋 难 容易（如 …
近日，苹果机器学习研究团队发布了一项引人关注的研究，指出当前所谓的大型推理模型（LRM，如 OpenAI、Anthropic、Google 等推出的模型）在面对难度不断提升的逻辑类问题时，会出现准确率骤降至 0、推理努力减少的现象，表明这些模型并没有真正具备稳定的“思考”能力。 研究背景与核心发现 实验设计：复杂性可控的逻辑谜题 研究团队采用了像 河流过渡 和 汉诺塔（Tower of Hanoi） 等经典谜题，通过可控手段系统增加问题复杂度，同时观察模型的“思考过程”和最终结果，避免传统数学或编程基准可能的数据泄露问题。 苹果机器学习团队最新发布研究，指出当前大型推理模型（LRM）在面对高复杂度逻辑题时，准确率骤降至零，且推理过程中的计算量急剧下降，表现出“放弃思考”的现象。 研究用经典谜题如河流过渡和汉诺塔，通过逐步增加难度控制变量，观察模型的表现和推理行为，规避了训练数据泄露的影响。 结果显示，低复杂度时普通大语言模型LLM表现更好，中等难度下推理模型依赖“链式思考”提升表现，但高复杂度下所有模型准确率急剧崩溃。 模型推理能力的“崩溃”与“偷懒” 在复杂度临界点，模型的有效 token 使用量明显下降，表明模型在完成部分步骤后“停止推理”。在问题复杂度接近崩溃阈值时，这些模型伴随着有效 tokens 使用量骤降（即前几步还在思考，後面却“偷懒”了），表现出类似“放弃继续解题”的行为 。 即使研究者直接给出解题算法，模型仍无法有效利用，说明其并非真正理解算法逻辑。为了验证模型是否真无法理解算法，研究者在汉诺塔问题中提供了解题算法，但这些模型依然无法提升准确率，表明它们并不能用“听懂并执行算法”的思维方式，而是纯粹靠训练数据中的“模式匹配” 。 研究实验示意表 复杂度等级 模型类型 表现趋势 …
