数值上看确实是历史极值，主要是早。按照这边的过去的顺口溜，冬至之后的“三九四九”才能冰上走。

但体感上，确实比往年要冷一些。但也不是太多。
主要是西北风没有往年妖娆。

小时候上小学，坐在老妈自行车后面，除了穿自己上学的羽绒服以外，腿上是要绑自家做的棉绑腿的，寒风非常凛冽。

楼主能在 V 站发帖，爱因斯坦从来没发过。
所以楼主比爱因斯坦更牛。

其实还有更多认知之外的钱。

比如，奔驰 G63 ，美国售价 15.5 万美元，约合人民币 101 万。
国内的中规 G63 卖 250 万人民币，现在官方绝版了。

怎么样，你的认知之外只有 5%~8%。我直接给你指一个 250%利润的东西。
路子白送你了。

1 、信息安全。
2 、稳定。
3 、app 权限小，侵入性低。

你说的步骤 2 、3 ，与你说的“直接收取“千分之一”这样的手续费”没有直接的映射关系。

收取千分之一手续费，有多种操作方式，比如可以采取服务商分账模式支付来解决等等

不是。
1 、这种语言类游戏，其实没任何游戏技巧可言（因为没有客观信息）。目前这个游戏之所以还能有可玩性，靠的是各种“潜规则”。

这就导致你其实玩的时候是在背台词，比谁比谁台词背的熟练，比谁能背出别人没背过的台词。
类似：天王盖地虎——宝塔镇河妖。

2 、正常的社交，靠的是魅力展现，人际往来，利益互换。恰恰这些语言类游戏都没有。

3 、语言类游戏的核心技巧，其实是 pua ，通过强大的语言压力逼迫对方犯错（背错台词）。正常社交是不具备这么强的指向性与攻击性的。现实世界里最常用的社交技巧：绵里藏针，在这种游戏内是无效的。反而还会被队友骂。

从狭义角度上讲，对的。
一个“好”的老师，不是他的学术造诣有多高，而是他的信息传导能力强。
卖货，从某种意义上讲也是一种信息传导。只不过这个信息是偏离全局的，有意诱导的而已。

btw：销售、传销行业，大牛也叫“老师”。

所谓的“喂不饱”就是 100%放大下，成像质量不够锐利。

这在高分辨率远摄裁切的场景下，还是挺影响体验的。
本来你可以得到一个 20 寸海报比例的机身图，但因为你的镜头解析力不够，导致最终只能输出一个 6 寸照片的飞机。甚至最终的照片解析力和 A7M5 作为机身差不多，那你这贵出来的一万块还有什么意义？

4 、内容平台有意无意的也在对更两极化的创作内容推波助澜。

短视频平台的兴起，使得内容的表达必须两极化，才能在很短的时间里吸引眼球。（比如最夸张的，我看到有个车评人，每个短视频作品一开始先抽自己一巴掌……）

算法推荐更趋近于热度高的，吸引人眼球的，极端的内容。

1 、在目前的互联网架构中，发布简单粗暴，宣扬对立，极端两极化的内容，是有正向激励的。
往简单了说，会吸引关注，引起热度。（对应 BBS 时代的钓鱼、引战）
往深远了说，流量是可以变现的，可以有金钱回报。

2 、互联网的门槛一降再降。中国网民 2022 年数据是 10.5 亿。并不是环境更差了，而是综合素质更低的人也有能力在互联网发声了。从而拉低了整体的素质水平。然而结合上文，内容生产者为了利益，自然会迎合更多的大众，所以内容创作的素质也会降低。

3 、人有丛众心理，狂欢往往过激。人在集体狂欢中做出的过激行为，负罪感是很低的。

可能需要楼主进一步的需求与定位。
你列举的需求 1000 元的手机都能满足，所以对于提问推荐并没有什么帮助。

逢高出货，本质上就是做空啊。
并不是说只有先卖后买才算做空。

不知道楼主说的 0 ~ 1 具体指的是什么？

是界面设计到页面布局设计的规划？
是对于控件封装复用，页面生命周期的规划？
是创建 web 项目的技术选型与项目代码结构？

这三者其实都没有通解。
都要根据你当时的人力条件、项目需求、界面复杂度来决定。

举个例子，大厂的优质产品线，前端团队都是有一套自己的前端标准的，由前端标准衍生定制 UI 设计工具，然后设计 UI 再生成界面结构。
这是大厂的人力结构与团队规模决定的，小作坊这么玩你控件还没封装完呢，你做的产品行业都已经暴雷消失了。

如果要举例的话，现在的大语言模型，就像是一个震动翅膀飞行的机械鸟。（因为既有的数据都是震动翅膀飞行的）
能飞，也确实带领我们领略了不同的风景。

但震动翅膀的飞行是飞行的唯一方式么？是像鸟重要，还是飞行重要？我们人类需要的到底是飞行还是像鸟？

先声明，本人无任何计算机科学从业背景，以下言论均为出于直觉的妄加揣测。

从我个人的学习经历来理解，目前的大语言模型，其实和真正的“智能”（至少是人类理解的智能）应该是有本质的区别（注意，是“区别”，不是“高下”）。我也不认为基于统计学的机器学习模型，能够做到“人类意义上的智能”。

1 、机器学习模型是挖掘的既有内容的统计学规律，是历史数据的过拟合。人类理解的智能是由既有规律组合推结果。是历史规律的过拟合。这是本质因果上的不同。（历史规律和历史数据是有差别的，规律可以创造，可以猜测，可以人为调整，但历史数据不可以。）
2 、人类的智能是可传递的，可监视的，可预期的，可修整的。机器学习模型不可（至少是现阶段）。
3 、因为人类的“学习”是输入“模型”或“规律”，而不是自我做统计学总结。这就导致人脑的功耗很低（一说人脑功率 40 瓦）。而统计学模型的能耗与数据目前看很快就要到达一个瓶颈。


btw：其实我一直人为，AI 并不需要“强”或者“通用”，现阶段的统计学 AI 已经有其独到的优势了（在很多领域破除了人类一直以为的“最优解”。也在很多领域找到了之前人类并没有发现的统计学关系。比如教育、棋牌、写代码等等）。

人类最不擅长的就是高效率的挖掘统计学规律。我们应该把现阶段的 AI 理解为一种从统计学角度理解事物的工具，而不是一种拟人的手段。
他拥有人类认可的“智能”，或者说“思考学习方式”，在我看来并不是一个有吸引力的 feature 。

1 、互联网诊疗。部分医院支持互联网诊疗，医院药房取药的业务。（这个政策会依照用药趋势摇摆，比如去年新冠高峰，某些医院就取消了药房取药业务。只给开药方）

2 、部分城市的医保系统支持覆盖到药店。

先说前提：你要明确确定你的需求。
在我理解看来，很多抉择其实都是自己需求不准确（你以为你需要，或者你以为你不需要），或者对产品了解不透彻（你以为能解决，或者你以为手头既有的不能解决），导致很大程度上的浪费与错位。

然后是正文：
对于产品选用这方面，我一贯秉行如此方法论：

1 、如果有成熟的，价格能接受的，且完美契合我需求的产品，那么选成熟的。否则先启用成熟的，如果缺失的需求不能忍，则在并行基础上进行折腾，尝试不成熟的、免费的、有风险的、有沉没成本的产品。
2 、在没有完全成熟的商业产品的领域，秉持探照灯原则，先沿着既有成功经验做最小简易模型，再逐步扩充。
3 、没有成熟产品，且没有既有成功经验的领域。就要做好基础调研，充分了解这个领域空白的原因和壁垒。并做好所有成本均为沉没成本的心理建设。

如此，一来能最大化的降低自己的心智、时间负担。二来，最大化的提升成功几率。让自己的挫败感最低。三来能解决绝大多数问题（剩下的需求要么是价格无法支持，要么是时间、精力无法支持），放弃的也心安理得。

@xption "我只是想靠投资赚 1000 万，并不是涉及收益率有多高。"
那你不如砸 10 个亿进去，一个波动就 1000 万了。

“如果你说的这个方法能让“所有人都不亏”，那赌场、股市里应该没有亏的人了，但事实上不是如此”
所以赌场有最高下注上限，就是不让你无限加注。