Susan STEM

《熵控理论》发明者 | 熵控理论创始人

继续说text-to-CAD，希望一些思想开放的老机械人一起参与探讨。其实和当下我们初步做AI编码时候一样。现在真正掌握了还是了，一日千里的科班即将出生的CS人。最起码，也是系统上过找代码学院的。好吧，了个简单干净的例子，一个小时完成。我家这个门拆掉了。原则： 1）工艺，自己看。目的就一个：让自己/模型看懂。结构当然是你根据设计的。你叫他设计，给你来个思考一下，打装不上的。去骂他，然后他说：你说得很对，装不上的。再建议一版，还是装不上。麻溜的，你自己把结构设计了，不然你来也行。 2）关键约束。只有两个：门洞直径和门板厚度。这里输入一万字，为什么？其他变量关系呢？那么多，变量之间的依赖关系，目的是省时间，快捷，还准确。3）所有变量名你自己起好。模型会帮你补全一部分。 4）游标习惯卡尺随身放着，看看他的尺寸靠谱不靠谱。有些改装你自己的尺寸，稍稍改一下。5）孔位自己打。这种GUI里面那么好做的，但是定位啊沉头啊了乱七八糟一堆字的就别去混淆模型了。约束不要太细....然后，一个提示，生成（记住附图，不然费那么大劲画图来了）：为一个固定的、不可旋转的门把手创建两个独立的实体。使用毫米。第 1 部分：制作一个直径 60 毫米、厚 2.5 毫米的圆形底座。添加一个居中、光滑的圆形旋钮，距底座高 38 毫米，最大直径 38 毫米，扁平椭圆形头部高 24 毫米，最小颈部直径 18 毫米。将颈部平滑地融入底座和头部。从平坦的背面，切出一个居中的 7.8 × 7.8 mm 方形插座，深 10.5 mm，带有一个小的入口倒角。第 2 部分：制作一个直径 60 毫米、厚 2.5 毫米的圆形底座。从其中心延伸出一个直径 23 毫米、高 35 毫米的圆柱体。添加一个居中 8 × 8 毫米方形柱，从圆柱体延伸 10 毫米。将柱尖倒角 0.6 毫米。保持所有安装面平坦。请勿添加螺钉、螺纹、孔、轴或硬件。将第 1 部分和第 2 部分作为单独的实体。我知道这个版很简单，你想说eclipse一个轴旋转一下就完了对不用呢？不想解释了。没打印出来，这几天打印机冒烟了。以后版成功了，化妆简单了。如果我做第二版呢？我同意消防符合人体工学呢？我和大儿子，这个柜子的主要操作是左手开门的。传统设计是不是捏个泥，倒个模如果不，这样搞工学？第一版，模型能做到什么程度？

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

文字转CAD建模的几个要素： 1）一定要人手画图，而且自己提出“关键”约束。图的话，我不认为一定要画标准视图。的目标是模型能更好的领我们会因为初中，我推荐结构主轴。立体辅助线，可画；遮挡光暗面，可画（阴影你透视标准么……）。参考这个大神的，安哉贤。看他的工业概念图。 메타코드 미술학원 |강남미술학원|안재현|素描|绘画（
@anjjaemi ) • Instagram 照片和视频 2）目的是什么？就像AI编码一样，彻底理解这个工具的行为模式，为我所用，将开发时间全局至1/20，效率扩大百倍千倍。又不是开发模型的研发，我们是应用端。最开始AI编码，我们也经历过这个过程，在AI和古法编程中反复横跳一段时间。现在知道了，我做什么，工具做什么。彻底去驾驭这个工具。既不是回到从前，也不是跟个白痴似的啥都听他的。3）在关键约束的框架下，极花时间的细节慢慢，把文本转到CAD走向。简单的模型我从一开始的，一个项目就耗掉一个月的令牌，现在做多少个都是1-2个提示搞定。然后沿着这种探索道路，再向文字到电路研究。一步一步，向物理世界的应用推进。天天在符号世界里转，无聊无用。这个花盆，用一个提示又把廓形优化条纹。打印出来，还需要买点室内植物，小盆的。有没有推荐？好养的，我这个是浇水盆，用棉绳自虹吸。比较适合今天干燥土壤的吗？

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

过去，像中国财经大学、上海财经大学等院校都可以依托清华大学和北京大学等高校。五路光华商学院之类的学校，只不过是为上流社会精英预留的后备人才库。在可预见的未来几十年里，中国的经济模式将围绕以江南和广深地区为中心的制造业和外贸展开。这些外贸领域最需要的并非文科或人文专业的毕业生，因为国际规则早已成熟。它们真正需要的是大量能够精准把握客户需求、实现完美匹配的调试工程师。这需要一支庞大的具备跨学科协调能力的工程师队伍，而这一切的准入门槛就是理工科背景。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

哇！这条评论真是让我眼前一亮！其实，这个问题困扰我很久了——计算机技术难道不就是层层抽象的历史吗？一层又一层，从底层语言开始向上抽象。最底层首先抽象的是物理电压：低电压抽象为 0，高电压抽象为 1。任何足够稳定的抽象都可以成为更高层次抽象的对象。一旦某个东西成为对象，它本身就可以成为数据。比特抽象成数字。数字抽象成字符。字符抽象成字符串。字符串抽象成文档……一层又一层的抽象，无穷无尽。真是让我头晕目眩。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

我们过去认为非常艰难的领域，比如编程、翻译、文书工作等等——那些烧脑的领域——人工智能一出现就迅速将其淘汰。尤其是前端开发；无数程序员在职业生涯的某个阶段都曾被前端工作压得喘不过气来。英语、语言翻译，对吧？几乎所有上过学的人都曾被它折磨过。那么，为什么它会被淘汰呢？因为过去我们错误地认为“对人类来说非常痛苦的事情”意味着“这个问题在计算上非常困难”。很多真正让人类束手无策的，实际上是“熟练度成本”——但问题本身，比如前端格式化或语言翻译，早已完全数字化。翻译以文本为输入，输出文本。你会发现，翻译甚至根本不涉及“物理世界”。即使在翻译还被认为是一份相当体面的工作的年代也是如此。而且，这些领域的训练数据不仅丰富——简直是多得离谱。（哈哈）这些领域的解决方案空间非常庞大；他们并不要求只有一个正确答案。翻译通常也不止一个正确解。所以无论你怎么看，一切似乎都很完美，对吧？但一旦进入物理领域，哪怕只是一个很小的90度悬垂——无论他怎么检查都算不出来。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

观察得真好！现在我们可以理清思路了。像 CSS 和 Three.js 这样的领域，现有的大型模型最容易“完全超越人类编写的代码”。原因不仅仅是“网上有大量的代码”，而是它们已经拥有完整的计算结构，特别适合人工智能：自然语言意图 → 结构化中间表示 → 确定性运行时 → 即时可视化验证。这里的人工智能是在一个成熟、封闭、可执行的环境中进行合成的。遵循这个逻辑，我们可以推断哪些应用可以完全闭环，哪些应用还很遥远。这就是人工智能实现的“近远图”。这对我们程序员寻找团队和项目非常有意义。不同领域人工智能实现速度差异巨大的原因在于，一个关键因素在于它们中间表示的成熟度。Web 领域已经形成了 DOM 和 CSSOM，分别用于描述页面结构和样式规则；编程领域拥有抽象语法树（AST）、静态结构化分析（SSA）和字节码，它们可以逐层将源代码转换为可分析、可优化和可执行的结构；3D场景通常通过场景图来组织对象、材质、灯光、摄像机和空间关系；CAD依靠特征树、B-rep和约束图分别表示建模历史、几何边界和参数约束；芯片设计拥有RTL和网表，它们可以将功能描述进一步编译成逻辑连接结构；数据分析已经建立在SQL和关系代数之上，能够将自然语言的查询意图转换为确定性的关系操作。相比之下，企业业务领域通常只有数据库表、字段和分散的API。这些结构可以存储和修改数据，但不足以充分表达业务意图、策略约束、跨系统依赖关系和状态变更规则，因此它们还不能被视为真正成熟的业务信息表示（IR）。法律推理中的中间表示基本缺失，事实、法律要素、开放谓词、案件边界、抗辩理由和法律后果等仍然主要以自然语言存在。医学领域虽然已经拥有FHIR、HL7、DICOM、ICD和SNOMED CT等数据交换和术语标准，但主要关注的是信息表示和与这些标准的互操作性问题，尚未形成完整的临床推理信息表示体系，无法系统地表达患者状态、鉴别诊断、证据关系、治疗决策和结果验证。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

在我开始在 Twitter 上推广之前，我采用的方法是“对象化”，即将目标对象完全转换为目标模块的“IR”（集成表示），但以 JSON 格式表示。这确实可行……我做过日历 IR、库存 IR、会计 IR……都是个人使用。但今天回过头来，当我回顾 SQL 的开发和试错历史时，我感觉 SQL 的历史并没有提供答案，而只是提供了一种开发方法。我们应该首先在多个特定任务中建立可运行的 IR，然后观察哪些结构反复出现。库存 IR、合同 IR、调度 IR、采购 IR、CAD IR、审批 IR、医疗文档 IR、法律要求 IR，每个 IR 都针对特定的耦合问题。在此期间，我一直在研究 Zoo（文本到 CAD）是如何解决其 IR 问题的——他们开发了一种名为 KCL 的语言。一旦这项技术在文本到 CAD 平台上上线，就必须将其与流程整合起来。也就是说，我的提示必须告诉系统这是一个3D打印过程，以便尽可能减少支撑结构，对吧？只有当我们拥有十个、二十个甚至一百个这样的特定领域信息表示（IR）之后，才有可能发现它们之间存在哪些共同结构。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

智能家居如今被视为一种间谍活动……这在创客群体中是一种潜意识里的想法。倒不是说它真的算得上是间谍活动——摄像头当然可以算是间谍活动的头目——但它的真正用途是什么呢？没人需要投入大量的计算能力来进行逐帧分析。更不用说像扫地机器人绘制的平面图，或者门锁和传感器收集的关于你外出次数的数据了。但这种潜意识里的感觉正在蔓延，至少在我接触过的群体中，这种需求非常强烈。每个人都想实现本地化。不管这种想法是否有道理，我想做，我有能力做，所以我就去做。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

“赛博甲板”（Cyberdeck）一词最早出自1984年的电影《神经漫游者》（Neuromancer）。经过40年的发展，如今它已成为赛博朋克身份认同的一种潮流。令人惊讶的是，引领这股潮流的竟然是TikTok上的女性极客们。我为什么关注它呢？我认为，随着人工智能的兴起，一部分以前从未接触过硬件的软件工程师开始对硬件产生了兴趣。当然，人工智能也正在增强我们跨硬件的协作能力。它实用、可行、经济，并且拥有巨大的发展空间。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

高智商人士送外卖——这对我们这一代同龄人来说无疑是一记警钟。我们这一代人中，很多人都缺乏“爱好”。从小到大，我们只有一条路可走：科举。一旦这个平台消失，我们甚至连钓鱼、玩电子游戏都不会。我中学时有个同学成绩很差，勉强考上了深圳大学。但在电脑组装论坛鼎盛时期，他却是个硬件狂热爱好者。后来，他虽然读了文科，却凭借着自学的组装电脑的热情，最终建立起了庞大的电脑组装事业。相比之下，我们这些当年考上985的人，现在可能真的要面临送外卖的窘境了。

Susan STEM

《熵控理论》发明者 | 熵控理论创始人

感谢网易给我的这个奖励。我真的很喜欢，也确实有点受宠若惊。同时也要感谢 Substack 的读者。说实话，我没想到中英文、长篇文章、再加上一些代码内容，居然还能被这么多人认真阅读。在这个信息高度快消的年代，依然有人愿意花时间阅读、写作、思考、探索，这本身就很珍贵。
是时候进入下一个阶段了。大语言模型在最初商业化时，对很多人造成了真正的震动。因为语言本身就是我们理解世界、组织认知的接口。无论是程序员、极客，还是普通计算机用户，几乎在一夜之间被拉到了同一条起跑线上。过去两年，大家都在探索、试错、兴奋，也逐渐开始沉淀对这一模式、这一生态的理解。我现在觉得它并不是万能的。最早我们以为它会逐步解决所有问题、回答所有疑惑，甚至以指数级方式进化。但至少在“作为长期开发与思考辅助”这件事上，有些问题并不能在一个对话窗口里解决，这与它“预测下一个 token”的底层机制本身有关。所以我现在是自己维护一套核心知识库：把信息做索引、切成 chunk，通过 query 打分，再逐步交给模型分析。核心信息由我自己维护，模型只在有证据、有边界的情况下参与推理，用这种方式尽量减少模型随时间产生的漂移、约束它的行为。这套方法我已经在 Substack 里写过比较详细的说明。当然，chunking 并不是我一个人的发明，也有不少人在做类似的尝试。从 OpenAI 的角度来看，这家公司现在花钱极多、盈利模式仍在探索中。盈亏平衡点大概会落在 2028–2030 年左右，现金总有耗尽的一天，关键还是能否建立可持续的商业结构。这段时间我反而感觉到：站在 Web 2.0 的平台上，是看不到 Web 3.0 图景的。虚拟经济、注意力经济还能怎么继续扩张？如果这些路径真那么清晰，Meta 的小札也不至于持续焦虑。元宇宙，他自己投的，不知道他自己还记得不？甚至他早年投资的一些人，Palmer Luckey，人家已经成为国防企业创始人。对我来说，2026 年更像是一个“回收所有属于私人的时间、专注极客式技术钻研”的节点。这几周我会开始研究 clawbot，相关内容也会逐步在 Substack 上发布。我确信真正能带来改变的，是能够进入实体经济循环的技术，更进一步，是那些可靠地介入“物理世界”的技术。不是涨粉，不是观看量，而是能否落地、能否产生真实反馈。当大多数人，尤其是同龄人，在不看某些领域的时候，某些领域反而特别有价值了。实际的人，实际的资金，实际的社交，本土化的项目，才有价值。现在X上面因为马斯克发钱大量涌入，油管因为AI技术带来的配音，双语技术等等技术门槛降低涌入的大量内容创造者，都是一个道理。是一种边际化增长模式了。前段时间对我来说最重要的一场意识转变是Lutnik在达沃斯论坛的那场演讲。以自由贸易、极端效率、全球最低成本和金融驱动为核心的旧全球化秩序已经失效。对我而言，这是一个重要的提醒。不是因为某一个人的发言就能改变世界，而是因为我自己的教育背景和认知体系，有相当大的一部分正是建立在“全球化”这个前提之上。我们熟悉的全球化形态，很多人会从中国加入 WTO 开始算起，我认为更早的话，二战后其实已经奠定了基础。中国的崛起并不是唯一的例子，亚洲也曾有“亚洲四小龙”的阶段。对普通人而言，我们并没有能力推动宏观趋势，唯一能做的，是观察变化，在趋势中趋利避害，为自己和家庭选择相对更优的路径。关于“去全球化”，每个人都有不同的定义，我也不是经济学专家。但科技行业里有一条线索是相对清晰的：创投VC资本的流向。在 Web 2.0 崛起的年代，一些名字并不陌生。比如贝塔斯曼2018 年之前，回国创业或加入创业团队，对很多优秀的人来说都是极具吸引力的选项。如果沿着资本的路径去看全球化，而不是只看表层叙事，其实会更早感受到变化。我最近在网上看到一位分析跨国资本的视频，讲得相当清楚。等到普通人真正体感到变化时，很多结构性的转向，往往已经发生了十几年。我主要是看他对于各方势力在全球化/去全球化过程中的博弈，挺有含量的一个视频。大语言模型很可能只是一个起点。真正重要的，并不是模型本身，而是以它为认知原点、以语言为接口，逐渐生长出来的一整套技术体系。这些东西不会同时出现，而是会在时间中一点点显形。历史上，很多技术在完成商业化之后，真正的变化才刚刚开始。当它们进入一个资本相对自由、思想相对自由、交流相对开放的环境时，往往会以一种远超原始设计的方式演化。这种演化路径，既不是最初提出理论的科学家能够完整预见的，也往往超出了最早推动商业化的技术巨头的想象。特斯拉、贝尔实验室都是典型例子。真正改变世界的不是单点发明，而是围绕它逐步形成的技术生态、应用网络，以及它与社会结构、生产方式之间发生的耦合。所以，潜心研究硬技术才是正道啊。