Alex Fan (@itsAlexFan) header
Alex Fan (@itsAlexFan) profile picture

@Cornell Law | Primary markets, AI, Web3, RWA | Programmable Compliance

NYC / Shanghai
Joined August 2025
Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)Photo by Alex Fan (@itsAlexFan)
刚发完这位81岁老先生的故事,又想起昨天和一位国内的经济学博士生聊天,他说自己每天被数据处理和监控工作困住。我问为什么不用AI?他说本地部署太贵,云端又担心隐私,所以还在手工处理。 当然,数据安全是合理的顾虑。但很多工作完全可以让AI生成自动化脚本,再在本地运行,根本不需要上传原始数据。 我突然有种工业革命时期,有人还在坚持手工纺纱的既视感。😂 这两件事放在一起,真的很有意思: 81岁的退休律师,正在努力学习AI;年轻的经济学研究者,却可能仍被旧的工作方式困住。 我们生活在同一个公历年份,却未必生活在同一个技术时代。 年龄并不决定一个人距离未来有多远。 真正的分水岭,或许是你能否意识到:自己熟悉的那套工作方式,已经可以被重新设计了。
最近一直很好奇,Stanford PAI 这期有不少80岁以上的同学,我还猜他们是不是退休教授。 结果今天在论坛刷到一位81岁的老先生:退休律师,投资AI,现在又跑来Stanford学Probability for AI。😂 他说自己记忆力不如从前,课程视频需要反复看,但坚持学习新知的快乐让一切都值得。 他写道:“It's like trying to juggle except using ideas instead of objects.” 我看到「Retired Lawyer + AI Investor」直接笑出声。救命,这怎么这么像我未来可能走的路线??🤣 原来法律人最可怕的地方,是80岁了还在给自己找新课上。😂 #ProbabilityForAI #LifelongLearning
50
最近一直很好奇,Stanford PAI 这期有不少80岁以上的同学,我还猜他们是不是退休教授。 结果今天在论坛刷到一位81岁的老先生:退休律师,投资AI,现在又跑来Stanford学Probability for AI。😂 他说自己记忆力不如从前,课程视频需要反复看,但坚持学习新知的快乐让一切都值得。 他写道:“It's like trying to juggle except using ideas instead of objects.” 我看到「Retired Lawyer + AI Investor」直接笑出声。救命,这怎么这么像我未来可能走的路线??🤣 原来法律人最可怕的地方,是80岁了还在给自己找新课上。😂 #ProbabilityForAI #LifelongLearning
1
1
89
为什么最近的 ChatGPT 越来越像一个“职场老油条”?😂 比如你说“这个方案不错”,它却回你:“但这并不意味着没有风险,也不能保证一定成功。” 动不动就疯狂叠甲,反复澄清一些用户根本没产生的误解。 刚好这周 Stanford PAI 讲到了 Alignment 和 Post-training。我突然想到一个有趣的假设:如果“说错话”的惩罚远高于“说废话”的成本,模型是不是也会像职场新人一样,为了自保逐渐学会“先免责、再回答”? 这种过度防御,究竟是 RL 奖励机制下形成的策略,还是 Agentic harness 的约束逻辑与多轮对话中的上下文自我强化? 当模型越来越擅长避免犯错,却越来越不擅长解决问题,这是否也是一种 Alignment Failure? #ProbabilityForAI #Alignment #AI
45
AI 模型真的有价值观吗?还是说,我们看到的其实是模型背后公司的价值观? 最近在Probability for AI 课程中,老师们反复强调一个理念:AI 不应该成为精英阶层的特权。 然而,当课堂上关于 AI 普惠的讨论走向现实,另一幅图景却正在浮现。 以 Claude 为代表的一些前沿 AI,让不少用户在使用时不得不小心翼翼:担心身份验证无法通过,担心地域限制,甚至担心长期使用的账号突然被封禁。 当我们一边鼓励更多人学习、创造和参与 AI,另一边却让部分用户为能否继续使用 AI 而担忧时,一个更根本的问题也随之浮现: AI 的普惠理想,究竟由谁来定义,又由谁来决定它的边界? 这也让我重新思考 AI Alignment。 我们经常讨论如何让模型更安全、更可靠、更符合人类价值观。 但一个很少被追问的问题是:Whose values? 模型并不是在价值真空中诞生的。 从训练数据的选择、模型对齐、安全边界的设定,到产品层面的身份验证、地域准入和使用限制,背后都有不同程度的人为判断。 这些判断可能来自安全理念、法律义务、商业利益,也可能受到地缘政治环境的影响。 当然,模型的行为对齐与平台的准入治理并不是同一回事。前者决定模型如何回应,后者决定谁能够使用它。但它们共同揭示了一个事实: AI 的能力由技术创造,而 AI 的使用边界在很大程度上由制度和组织决定。 我并不反对安全治理。AI 的广泛应用必然伴随着风险控制、责任分配与必要的准入机制。 但当 AI 逐渐成为知识生产、科研和商业创新的基础设施,我们是否也应该重新审视这些机制的透明度、比例原则与可申诉性? 过去,知识不平等意味着谁有机会接受教育。 未来,智能不平等可能意味着:即使拥有同样的知识、能力和创造力,不同的人也未必能够获得同样的 AI 工具。 技术正在降低创造的门槛,但新的准入机制也可能重新筑起围墙。 这也是为什么我认为,开源模型、模型可迁移性和多供应商生态,不只是技术路线的选择,也是避免智能能力过度集中于少数平台的重要路径。 AI Safety 和 AI Accessibility 不应该是非此即彼的关系。 真正的问题或许不是 AI 应不应该有价值观,而是:谁有权将自己的价值判断转化为所有人的使用规则?这种权力又应该受到怎样的约束? 我们一直在讨论如何让智能民主化,却很少追问:当智能成为基础设施,谁有权决定谁能使用它? #AIGovernance #AIAlignment #AIForAll
129
最近参观了一些 AI 用得很成熟的团队,也研究过一些很优秀的agent和工作台。发现照搬过来完全行不通。 原因是违反了Gall定律了。 【Gall 定律:一个能正常运行的复杂系统,一定是从一个能正常运行的简单系统演化而来的。从零设计的复杂系统永远无法运行,也无法修补成可运行的状态。】 这很好地解释了为什么“抄最佳实践”经常失效。 我们看到的是别人已经长成的系统,却看不到它是怎么一步步长出来的。 那些流程、规则、Skill、Agent,很多都不是一开始规划好的,而是在业务里先跑一个简单版本,再根据一个个真实问题慢慢加出来的。 所以现在我研究优秀的 AI 团队,不关注他的大而全的工作台。而是:“他最开始解决的那个小问题是什么?下一步为什么会多出这个东西?” 成熟系统可以用来理解方向,但自己的 AI 系统,还是得从一个真正能跑的小系统开始。 复杂是长出来的,不是规划/抄出来的。
74
99
21
778
44,887
最近看到一个观点很有启发:以前觉得有厂房、有土地、有物业才叫财富,现在反而是现金流和流动性更让人安心。 因为资产最大的风险,有时候不是贬值,而是你想变现的时候,根本没有人接。 这让我想到,财富的逻辑可能正在从 Ownership(拥有资源)转向 Access & Coordination(获取和组织资源的能力)。 过去,财富更多来自对稀缺资产的占有;现在,你不一定需要拥有服务器、雇佣庞大的团队,甚至不需要掌握全部资本,也可以通过技术、网络和协作撬动大量资源。 但流动性不等于价值。真正有价值的,是持续创造现金流的能力,以及在不确定环境下保留选择权的能力。 经济学里有个概念叫 Real Options(实物期权)。有时候,能够等待、拒绝、转向,不必在错误的时间做出不可逆的决定,本身就是一种财富。 财富的高级形态,不是拥有多少东西,而是拥有多少选择权,以及把选择转化为结果的能力。 尤其在AI时代,当技术和执行的成本不断下降,真正稀缺的可能不再是生产资料本身,而是判断力、信任、资源配置权,以及承担结果的能力。 未来的财富竞争,或许不只是比谁拥有更多资产,而是比谁能更有效地组织资源、创造价值,并且始终保有选择的自由。
64
最近看历史,除了权谋与人心,最让我感慨的反而是文学的力量。 历朝历代,王侯将相更迭,多少人机关算尽、争权夺利,试图主宰一个时代。可千百年后,那些显赫一时的权力早已烟消云散,失意诗人留下的寥寥数语,却依然能让后人为之动容。 “大江东去,浪淘尽,千古风流人物。” “无边落木萧萧下,不尽长江滚滚来。” 即使到了 AI 时代,机器可以模仿诗歌的格律与辞藻,却很难复现那些文字背后真实的生命、命运与时代。 而最浪漫的事情莫过于,千年后的我们读到一句诗,竟发现一个早已消逝的人,精准地表达了自己此刻的心境。 那一瞬间,千年的时间仿佛不存在了。 权力试图占有当下,艺术却可能拥有未来。 帝王征服土地,诗人征服时间。
1
111
奇绩创坛被 OFAC 制裁,我更关注的不是“被投企业会不会连坐”,而是这件事暴露了 AI 投资尽调中一个长期被低估的问题:技术能力与技术权利是两回事。 美国法院记录显示,丁林伟创办的公司曾获得奇绩关联投资方 500 万元投资,对应 7% 股权。但投资涉案企业,不等于投资机构必然知情或参与窃密,这两件事必须区分。 真正值得行业反思的是:一家 AI 公司能够展示技术成果,不代表它能证明核心技术的合法来源。 过去,技术尽调更多关注产品能否实现、性能是否领先。未来还必须进一步验证:代码、模型、数据及相关知识产权的来源和授权链条是否清晰? 我认为,技术来源证明不应该只是尽调报告里的几行字,而应该成为融资交割前可以验证的合规条件。 AI 创业不仅需要证明 what you can build,还需要证明 what you have the right to build。
🚨中国最著名的投资机构之一的奇绩创坛被美国政府制裁了。 根据美国财政部OFAC于10月19日发布的官方公告,奇绩的投资管理公司、人民币一期基金、人民币二期基金,以及致远企业管理主体,共4家实体被列入制裁名单。 同批被列入的还有上海至算科技。 这次依据的是美国《2022年保护美国知识产权法》(PAIPA),措施涉及美国管辖范围内的资产冻结、外汇和银行交易限制,以及美国人对这些受制裁主体的股权、债务投资限制。 这次制裁,牵涉到前谷歌工程师丁林葳窃取谷歌AI商业机密的案件。 根据美国司法部披露,丁林葳在谷歌任职期间,将超过2000页内部机密资料上传到个人云账户,内容涉及TPU、GPU系统、芯片通信,以及管理大规模计算集群的软件等技术。今年1月29日,美国联邦陪审团裁定他7项经济间谍罪和7项窃取商业秘密罪成立。 他在国内创办的上海至算科技,曾获得奇绩的种子投资,并通过奇绩的路演向投资人展示公司。按照美国国务院今天公布的说法,丁林葳在申请孵化项目和路演时,强调自己掌握谷歌的内部技术,宣称能够复制谷歌的AI基础设施。 美国国务院给出的制裁依据,是其认定奇绩为相关商业秘密窃取活动提供了重大支持。奇绩旗下的另外三个主体,则因与奇绩的控制或代理关系,一并被列入制裁名单。 对奇绩的被投企业来说,接下来的融资和退出安排,确实需要重新评估了。 具体影响要看股权结构。按照OFAC的50%规则,一个或多个受冻结主体,直接或间接合计持股达到50%,被投企业也会进入自动冻结范围。 假设一家受制裁基金持股7%,所有受冻结股东加起来也低于50%,这家公司就不会因为这条规则自动被冻结。 比如,新一轮融资要不要奇绩参与签约,老股转让、回购和分红怎么处理,退出款项怎么支付,以及交易里有没有美国投资人、美国银行或美元清算环节。这些都得结合受制裁主体的实际权益,逐项核查。 我比较担心的是融资节奏。合规尽调一旦增加,部分交易的交割时间可能就会往后拖。对正在等下一轮钱到账的早期团队来说,这会直接影响招聘、研发和现金流安排。 准备接美资、做美元融资或者筹划海外退出的团队,现在可以先把股东名册和正在谈的融资协议拿出来,跟投资人、银行和律师重新过一遍。 早期拿谁的钱,后面还能接谁的钱,以及最终怎么退出,这几件事得放在一起考虑了。
2
130
见贤思齐焉,见不贤而内自省也 靠谱,持续迭代,情绪稳定,第一性原理,是这个时代最宝贵的品质,少被媒体带偏 在靠谱的圈子里获得靠谱的评价,是最好的通行证 需要选好环境,遵从自己的内心,前行的路上,一定会遇到越来越多同行者
2
8
98
3,357
之前有些朋友问我,AI 到底该怎么学? 聊多了我发现,很多人其实并不是对 AI 本身有多感兴趣,而是出于 FOMO:害怕错过,害怕落后。于是急着入场,尝试一两次,发现没有立竿见影的回报,又很快放弃了。 也经常有人问我,为什么业余时间还要去上斯坦福的概率论网课?为什么总去参加各种活动、黑客松?这些到底有什么用? 因为好玩啊。其实起点就是这么简单😂 我其实是一个很有规划的人,但这并不意味着,我需要把人生的每一步都安排得严丝合缝,更不意味着每次探索都必须有明确的 ROI。 恰恰相反,我发现很多意想不到的机会、灵感和连接,都是在这些看似漫无目的的探索中自然发生的。有时候随手开启一条支线,反而会意外掉落服务于人生主线的重要线索。 FOMO 可以驱动一个人开始,但真正的兴趣,才能让人一直玩下去。 我喜欢有方向地生活,也喜欢不知道下一步会遇见什么的惊喜。 这两件事,从来不矛盾。
92
🏆 昨天在@awscloud AI-DLC 先锋创造营,我们「本地明明好的」学院成功 Deploy,拿下第一名,创意项更是斩获 93 分😆 作为组长,我主要负责构思核心创意与玩法机制,特别感谢团队里一群靠谱的资深工程师队友,大家借助 @kirodotdev 和 AI-DLC 工作流高频调试、验证,在不到三个小时里,硬是把一个有点抽象的脑洞变成了好玩的实机 Demo。 这次实战最直观的体感是:AI-DLC 不只是加快了写代码的速度,更是真正打通了从需求拆解、开发到测试反馈的极速迭代闭环。 当 AI 不断拉平技术实现的门槛,人的创造力、判断力,以及捕捉时代情绪的能力,反而变得越来越有价值。 创意负责打开想象力,工程负责让它照进现实,完美 Deploy!🚀
95
今天听亚马逊云科技(AWS)的 AI-DLC 2.0 分享,一个很有意思的趋势:Agent 系统正在主动限制 LLM 的决策权。 14 个 Agent、11 种 Workflow Profiles 看起来很炫,但真正值得关注的是背后的设计:Conductor + 确定性状态机决定 what next,LLM 只负责 how。审查、审批和验证被嵌入执行流程,而不是依赖模型自觉遵守。 但这也引出了一个新问题:当 Workflow 可以动态组合、裁剪,哪些约束必须始终不可跳过? 下一阶段的 Agent Engineering,可能不再是让模型拥有更多自主权,而是精确设计自主权的边界。 AWS 的 AI-DLC 2.0 也许正在展示一种新的方向:让 Agent 更强大,但让系统对它的行为拥有更清晰、更可靠的控制。 More agents ≠ Better governance. #亚马逊云科技 #AIDLC
1
105
原著里说“真正重要的东西,用眼睛是看不见的”,但当 AI 把文字里的 B612 星球变成眼前可探索的立体世界时,那种跨越时代的温柔依然直击人心。这就是科技赋予经典文学最浪漫的重生🌹
花费16天,我用 Opus 5.5 将小王子的故事制作成了3D剧情游戏 结合Tripo+Blender,Opus 5.5 将小王子故事中的每一个星球变成了可探索的3D场景 希望大家能支持一手,后续会开源整个游戏,以及详细制作流程 Welcome to The Little Prince: Across the Stars✨:littleprince.dev/
1
107
技术降低了创造的门槛,而我们的专业积累,决定了能提出什么样的问题。 @StanfordCodeIP Probability for AI 第一周打卡完成!📚 第一周从概率公理、独立性、条件概率,一路推到全概率公式和贝叶斯定理。@chrispiech 把节奏放得比较基础:先建立共同的数学语言,再逐步深入 AI 的训练、推理与评估。 但这门课最打动我的,不只是数学本身,而是它正在探索的一种 AI 教育新范式。 分享三个这周最大的体会: 1. 当 Coding Agent 降低技术门槛,Domain Knowledge 的价值开始凸显 Chris 发起这门课的初衷,是希望理解 AI 不再是少数拥有高等数学和 CS 背景的人的特权。同学中不仅有程序员,还有歌剧演员、曾在乞力马扎罗山参与救援的医生,以及开发野火检测 App 的 13 岁少年。 这让我想到,AI 教育的意义,或许不只是培养更多懂技术的人,而是让深耕不同领域的人,拥有把专业经验和直觉转化为产品的能力。歌剧演员对声音的敏感、医生在复杂环境下积累的判断力,或者在我自己的领域里,将法律与监管的不确定性转化为 AI 和金融系统中的可执行约束。这些来自不同领域的知识、经验和问题意识,都可能成为 AI 应用创新的起点。 当「做出来」变得越来越容易,「知道什么值得做」反而更加珍贵。 2. 双向学习:用概率理解 LM,再借助 AI 建立概率直觉 这周我通过 Coding Agent 完成了三个小项目:Word Detective、Inference Time Calculator 和 Medical Test Detective。 比如学习全概率公式和贝叶斯定理时,课堂设计了一个 Gemini 与人类文本检测器:先计算不同来源的文本被标记的总体概率,再根据检测结果,反向推断被标记的文本来自 Gemini 的条件概率。随后,我又在 Medical Test Detective 中应用同样的贝叶斯逻辑,尝试调整疾病的基础患病率、检测灵敏度和假阳性率,观察这些参数如何改变阳性结果所代表的含义。原本抽象的先验概率、条件概率和贝叶斯更新,借助 Coding Agent 变成了可以交互、验证和反复实验的小应用。 我很喜欢这种双向学习方式:一边用概率理解语言模型的工作原理,一边借助 AI 的实际应用,反过来建立对数学概念的直觉,这样不再只是记住一个公式,而是真正理解为什么基础概率会改变我们对证据的判断。 3. “We're all teachers and learners.” 这门课还有 500 多名志愿 Section Leaders,来自世界各地,带领不同背景的同学进行小组讨论。Chris 提出了一个我很喜欢的理念:我们既是学习者,也是老师。 学生不再只是被动接收知识,也可以帮助其他同学理解问题,分享来自不同专业的经验;老师同样可以从学生的跨领域视角中获得新的启发。 我觉得 AI 时代的教育变化,不只是引入更多智能工具,也可能是传统师生关系的重新组织。真人教学负责启发、讨论与协作,Coding Agent 则让每个人都能按照自己的节奏动手创造、验证想法。AI 在这里并没有取代教育中人与人的连接,反而让一个跨越年龄、专业和地域的学习社区,有机会创造更多东西。 未来参与 AI 创造,或许不必先花几年成为全职程序员。我们可以带着已有的行业积累、经验与好奇心进入 AI,在学习中创造,也在创造中学习。 Week 1 done. Five more weeks to go! 🚀 #Stanford #ProbabilityForAI #CodingAgents #AI
1
1
5
411
很喜欢这期 Indigo Talk,尤其是从 Vibe Coding 的 Burnout 聊到 AI 时代的文艺复兴。 有一个很有意思的反差:一个人用 Agent 做出了三十多个产品,生产力获得了前所未有的释放,最后却陷入了倦怠。 我们总以为技术进步会给人带来更多闲暇,但历史似乎没那么简单。效率提升所释放的时间,也可能迅速被新的竞争和更高的预期重新占据。 工具已经开始进入文艺复兴,人的工作方式却仍然深受工业时代的绩效逻辑支配。 所以我反而更好奇:如果 AI 真的让创造变得如此便宜,我们最终会选择创造更多,还是终于有自由选择少做一些?
1
112
云端 Agent 确实是趋势,但不太认同「Claude Code/Codex 都会消失」以及「未来大模型都是究极版 Manus」的判断。 模型原生具备 Agent Loop 能力,不代表运行时基础设施会消失。任务调度、状态管理、权限控制、失败恢复、执行审计,这些问题不会因为模型更强就自动解决。 同样,云端托管会成为主流交付方式,但不意味着本地和混合部署会消失。 Manus 提前验证了一种产品形态,但不一定定义了 Agent 的终局。 Agent 可能不会消失,而是逐渐从独立应用下沉为基础设施。
创业公司经典困境,Manus 思路对也只能走其中一段周期 先是 GrokBot 吸收了Cursor 然后是 Meta 只退款吸收了 Manus 搞了Muse 一直走这个路子的现在才出来
5
3
194
被 Stanford 的 Probability for AI 录取了 😆 很喜欢这个课的设计:6 周,每周一个 probability concept + 一个 AI project,还有小组 section 一起讨论,最后会做一个自己的 final project。 更有意思的是,这居然是第一届 PAI。学生们来自 150+ 个国家,年龄从 13 岁到 80+,甚至还有 19 位 80 岁以上的学生。这本身就是一个很有意思的AI教育实验。 AI 越往下学,越觉得 probability 不只是“前置知识”,而是一种理解 uncertainty、model behavior 和 decision-making 的语言。 New side quest unlocked. 希望六周之后,能带走一些新的 insight。
2
3
135
接着Jeremy老师的思考,我进一步想到这里的“信任”可能还得再拆开。 Agent 是谁、它被授权做什么,和它过去是否可靠,其实不是一回事;而一个过去一直可靠的 Agent,也不代表它这一次发起的行为就一定应该被放行,尤其是在可能受到恶意指令干扰的情况下。 所以真正要判断的,也许不是“这个 Agent 值不值得信任”,而是在当前场景下,这个 Agent 是否有足够的权限和依据执行这次操作。
我觉得是基于agent的信任网络需要重新思考。 第一层不用说,是权限等基础设施,这个是与风险进行物理隔离的第一要素。 第二层是对 agent 的信任过程,需要被量化和计算。比如人与人之间的商业交易,除了产品服务外,更重要的是信任,这个在复杂交易中更有体现。但人与人的信任靠直觉,但agent本身的在线属性,是可以被量化的。信任也决定了人给予agent的自由空间。 第三层是 agent之间的信任网络,agent之间在调用过程中,可以积累信任属性,决定下一次任务时,我更信赖谁。 由此推断,未来会出现一个基于agent 信任网络的第三方平台,A2A的过程将先通过平台做首层过滤。 所有的调用过程在被允许的情况下,可以部分披露过程和结果。这也许是一个趋势。
1
1
276