昨天，來自Solana生態系統（一個項目，而不是基金會/實驗室）的人聯繫了我，並對ZK Book表示非常感激，以至於他們主動提出捐款……在我分享了我的SOL地址後，那個人做了一筆相當可觀的捐款。 我在ETH圈子裡從未經歷過這樣的事情。 儘管ETH文化在公共產品方面有很多美德信號，但似乎“好撒瑪利亞人”實際上是一個Solana的建設者。 明確來說，我並不生氣ETH的人從未這樣做——我只是覺得這個事件與這兩種文化所宣稱的價值觀之間的諷刺性很強。 我還想說，ETH圈子裡的人們曾經為我做過非常大的好事，我並不否認這一點。 我只是說，這個特定的行為來自於一個Solana成員，這讓我非常驚訝。

眾所周知，大多數嘗試學習程式設計的人都會失敗，但除了過早放棄之外，這背後的原因是什麼？ 在與新手程式設計者坐下來並試圖教他們的過程中，我進行了分析： 程式設計難以學習，因為傳統教育並沒有教授理解程式設計思維過程所需的先決條件。 想想這個： 如果你不理解爐子的工作原理，你能按照食譜做菜嗎？如果你不知道「量取2升水」或「將烤箱預熱到200度」是什麼意思呢？ 你能烤餅乾嗎？ 當然不能！ 如果你不知道如何操作廚房，那麼你就無法按照食譜進行。 如果你非常堅定和有動力，你可以通過意志力學習如何跟隨食譜——同時學習如何正確測量配料和設置烤箱溫度，同時不把廚房燒著。 然而，同時學習兩件或更多事情——而不知道自己在同時學習兩件事情——會使整個學習過程變得極其困難。 我確定了四個關鍵領域，這些領域在程式設計中相當於「學習如何操作爐子」，然後再「學習如何跟隨食譜」。 1. 預代數 2. 邏輯 3. 程式邏輯 4. 超嚴格語法 🧵

人們成功的情況並不罕見，即使他們是： - 傲慢 - 不穩定 - 情商低 - 不特別聰明 - 無條理 - 不健康的生活方式 - 健康問題（無法改變的問題） 但擁有以下特徵的人成功的情況極為罕見： - 懶惰 - 沒有抱負 - 專注於自我娛樂 - 只考慮今天或也許明天 - 堅持自我限制的信念 如果你正在嘗試“修正自己”，第二個列表中的項目優先級更高。 （感謝 Paul Graham 引入這種對比）

我正在尋找一位具備以下條件的開發者： - 必須能夠根據品牌指導方針和現有文案進行 UI / UX 設計 - 必須熟悉 PHP - 必須位於亞洲 - 必須使用過 Selenium / Playwright 進行網站測試（或用於搶購音樂會門票/運動鞋，我不在乎，但你必須使用過這個技術棧）。 - 六天工作週 - 已經在工作流程中使用 AI。如果頁面設計非常明確，你應該能夠在同一天內完成。 具體的“工作經驗年限”並不重要，但上述要求是必須的，而不是在工作中學習的內容。如果你符合這些條件，請私訊我。我無法對上述任何一點做出例外——我真的很抱歉。

至少應該有一個你非常深入理解的主題。 那些未能達到這一點的人，無法學會什麼是「深入理解」。他們認為「理解」一個主題意味著消耗了該主題上最受歡迎的內容。 一旦你深入理解一個主題，你可以將這種經驗重新應用於深入學習另一個主題。 如果你對一個主題有深入的了解，學習其他主題到淺中等水平就很容易——但如果你對多個主題的了解都很淺，那麼你就不知道如何深入學習一個主題。 此外，人類相對於人工智慧的主要優勢在於能夠對一個主題發展出深入的理解——人工智慧對所有事物的理解都很淺，但在細節上卻會遇到困難。

這總是能讓我面帶微笑。

I’m having the legendary @Jeyffre on THE NETWORK PODCAST this Friday. What should I ask him? Respond with a comment below this post!

讓我提醒你第56次，做一個「見猴子做，跟著猴子做」的程序員是無法取得成功的。 你應該真正學習計算機科學的基礎。 計算機科學中的真正創新在幾十年前就停止了。 我們今天看到的「創新」只是重新排列已經存在的事物，加上更好的硬體和更快的網路。 （這並不是對今天創新者的侮辱，真正的創新在這個十年裡需要技能，就像幾十年前一樣）。 你保持「跟上」最新變化的方法是學習基礎知識。 - Rust 基本上是 C++ 和函數式編程的混合體。 - AI 只是計算機圖形學、線性代數和一點微積分。 - 區塊鏈只是具有拜占庭容錯要求的分佈式計算。 - SVM、EVM、CairoVM 等只是馮·諾依曼架構的變體，稍作修改。 - ZK 編程（Circom、Halo2 等）僅僅是邏輯編程的一個表親。 - ZK 本身使用的數學和密碼學算法已經存在很長時間了。 如果你在努力跟上，那並不是因為你學習得不夠快，而是因為你不理解我們今天所稱的「計算機科學」所構成的基礎。 比喻來說，如果你只能把冷凍披薩放進微波爐，你最終會被取代。如果你知道面粉、酵母、奶酪等是如何相互作用的，那麼即使原料的可用性發生變化，你也可以成為一名真正的廚師並進行調整。

我一直在積極思考的事情是 「你怎麼教一個人寫作？」 我正在考慮使用 AI 來學習編程，但如果 AI 是你的寫作導師，它只能在你的寫作真的很糟糕的時候幫助你。 一些沒有特定順序的想法： 1) 直接的指導如果能持續多年是非常有效的。那些為我工作這麼久的作家讓我驚訝於他們的寫作能力，而我們唯一的互動就是我給予有關如何改進文章的反饋。這比我想像的要有效得多。最終，他們會培養出一種識別劣質寫作（即使是微妙的）的第二天性，這真是令人驚奇。 然而，這不是一個可擴展的模式。 2) 寫作良好在早期需要大量的練習。寫作就像跑步。如果你是初學者，沒有「努力工作」與「聰明工作」之分。如果你超重並開始跑步，你會看到結果。當你接近你的基因極限時（大多數人並不會），「聰明工作」才有意義。 如果你是企業主，你可以通過用書面會議取代站立會議，自動提高員工的寫作技能，然後在更新不清楚時給予寫作反饋。好的一點是，人們對他們所做的工作是專家，因此他們只需練習表達它。 對於早期作家來說，量是唯一真正重要的事情。 3) 大多數人有一個未經訓練的詞彙量。考慮這個類比： 即使你從不「使用」數學，你仍然應該學習它。即使你從不「使用」遞歸或數據結構與算法，你仍然應該學習它們。它們訓練你如何將一個大問題分解成更小的問題，這基本上就是你作為工程師的工作。 對於作家來說，你的工作也是將一個更大的想法分解成更小的想法。由於單詞是思想的不可分割單位，你需要對它們有良好的感知。如果你能清楚地表達以下區別： - 「暗示」和「含義」 - 「概括」和「抽象」 - 「預見」和「預測」 - 「插值」和「歸納」 那麼你就自動在訓練自己精確表達思想——這就是寫作的全部目的。

我覺得教育體系是多麼的破敗，即使是在大學裡。 1) 你坐在講堂裡，老師重複講同樣的內容已經是第十次了。他或她可能沒有特效或動畫的優勢來更清楚地傳達概念（也就是說，視覺模式被削弱了）。老師可能根本就不擅長教學。 2) 課程的進度是一刀切的。 3) 幾個小時後，甚至幾天後，你才做作業。這是在你忘記了課堂上學到的所有東西之後——假設你在課堂上學到了什麼。 4) 你可能會在作業上作弊，根本沒有學到任何東西。 如果我設計一所學校，每個學生都會坐在桌面電腦前（網路接入被切斷或極其有限），並運行一個提供小型課程和幾個練習的軟體。 一名監考員會在周圍巡視，以確保學生專注。 沒有人會把作業帶回家。當你完成時，就結束了。 我實在無法理解為什麼我們還在使用400年前的教學策略，彷彿科技自那時以來沒有改變過。 我明白這種策略並不適用於每一個科目（尤其是寫作），但許多科目，即使是人文科學的，也可以用這種方式來教。 此外，這些電腦將運行Arch Linux。 因為我這麼說。