AI 不太需要脑子，需要靠谱：姚顺宇的四个小时与他的非共识判断

来源：张小珺《商业访谈录》第 140 期嘉宾：姚顺宇（Google DeepMind / 前 Anthropic）时长：约 3 小时 50 分录制：2026 年 3 月

一个从理论物理「半路出家」、亲手训过 Claude 3.7 与 Gemini 3 的一线研究者，把 AI 行业拆成了三句话：瓶颈已经从「能不能做到」转移到「有没有被良好定义」；预训练远没到头，绝大多数喊撞墙的人只是有个没发现的 bug；个人英雄主义时代结束了，真正稀缺的不是脑子，是靠谱。

PART 01一个坐标：从「能不能做到」到「定义什么」

姚顺宇对「AI 下半场」这个流行说法并不买账，他给的是另一个坐标：一年前大家担心的是「OpenAI 推理这么强，我们能不能追上」；现在至少 Gemini、OpenAI、Anthropic 三家没有谁真的担心追不上——更难的是想明白要去做什么。

图 1：模型能力趋同之后，竞争重心从「能力」转向「定义」

「现在大家已经不那么担心『AI 能不能做到』，而是担心『这件事有没有被良好地定义』。」

—— 姚顺宇

他特别指出：纸面上的差距已经失真。SWE-bench 上好的比不好的高一两个百分点，而大家都在 80% 附近，「那个数字的波动主要是噪声，而不是信号」。但体感差别仍在——Claude 仍是通用工具使用与 Agent 表现最好的，纯 Coding 上 Codex 正在追近，Gemini 在纯推理和日常使用上可能最好。

更耐人寻味的是他对「差异来源」的解释：过去主要是意愿（你更愿意在哪个方向投基建和数据），现在两方面都有，而很多差异来自「你想象不到的事」——比如两三年前模型写代码好，仅仅是因为 GitHub 数据的天然质量高于普通网页。

PART 02他凭什么这么说：五类依据与置信度

这期访谈最值得学的一点，是姚顺宇会给自己的判断标置信度。同一场对话里，他既有「我没觉得到头」这种强断言，也有「我没在字节干过，这是我硬猜的」「我不知道确切的事实」「这个数字听听就好」。把依据按强度分层，才能正确使用他的观点。

依据类型	典型用例	可信度	使用建议
A. 一手参与经验	Anthropic Horizon 强化学习组（入职时约 10 人、公司约 700–800 人）；Claude 3.7 从研究到发布约 4–5 个月；Gemini 3 / 3.1 后训练	高（但受 NDA 约束）	可当事实引用；注意他在具体 know-how 上多次直接拒绝回答
B. 技术原理（可复现逻辑）	reward signal 清晰 + 数据源天然 = RL 可 scale；预训练广分布 vs 后训练高质量窄分布；ablation 系统性排错	高	这是全场最硬的部分，且可独立验证
C. 历史类比	AI ≈ 18 世纪物理（理论与数值实验不分家）；Scaling Law ≈ 热力学定律 → 未来的「统计力学」；AI 安全 ≈ 核武器 multi-party control	中	提供理解框架，不构成证明
D. 行业观察 / 二手信息	SWE-bench 分数带；Gemini 市占「可能 20% 左右」；中国「硬蒸 / 聪明蒸」；字节多模态做得好	中（部分他自认是猜）	引用时必须带上他的原话限定语
E. 个人价值判断 / 情绪	「反华言论占 40%」（他自己说：数字听听就好）；AI 安全理念「非常幼稚」；「旧时代英雄有点蠢」	主观	只代表个人立场，不宜当论据

⚠ 他自己在访谈里标注的「低置信度」发言（引用时请一并带上）

关于中国蒸馏：「我首先没有在中国的 lab 干过，所以我不知道确切的事实。但我的感觉是，应该是硬蒸过。」
关于字节为什么好：「你要让我猜，我会猜是数据。但这也是我硬猜的，毕竟我没在字节待过。」
关于 Gemini 市占率：「我的感觉是 Gemini 的市占可能在 20% 左右。当然我没有仔细去检查过现在的数据。」
关于离开 Anthropic 的原因：「我在公开场合说百分之四十，但这个数字听听就好。」
关于具体技术 know-how：「不能说」「有很多 NDA 的内容」「现在来看没啥特别有用的 tips」。

PART 03核心判断 · 逐条拆依据

标签说明：一手经验技术原理历史类比行业观察主观判断

预训练远没有到头，绝大多数「撞墙」只是有个 bug

「我自己的体验是没有，而且我的感觉是在未来的四个月，也没有看到到头的迹象。」

—技术原理他给出「觉得规律到头」的三种可能：① 规律本身适用范围到头（这只是猜测）；② 某个条件不满足（比如数据撞墙）；③ 工作里有个 bug 自己没发现。「从我的观感上来说，我觉得绝大多数撞到墙的人是因为第三种。」

—一手经验他的方法论是系统性地设计 ablation 实验——当某个尺度的行为和预期不一样时，能逐个测试你想象中的因素是不是真因素。「这个做问题的系统性才是关键。」

—技术原理驱动力排序：算力和数据是主力，且两者强关联；算法的作用是「相变式」的——从完全不能做到能做（Transformer），之后转为平滑的效率提升。

—技术原理「很多时候修好一个 bug 带来的进展，是远大于一些很神奇的技巧的。」

Coding 为什么最先爆发：反馈清晰 + 数据天然 + 审美共识

Coding 是 RL 后训练最理想的实验场，因为它同时满足「反馈信号清晰」和「数据源充分」——很难在别的场景同时找到这两个特质。

—技术原理Reward signal 好定义：写一个 feature，某些输入得到某些输出，能测就是能测，「你输入和输出能够对，那就说明你的实现是成功的」。

—技术原理数据有天然基础：GitHub 汇聚了过去几个 decade 优质程序员写下的代码，从这些代码出发可以构建出非常多的环境。

—行业观察产品侧还有一个被忽略的原因：优秀程序员的审美是收敛的——简洁、结构清楚、有合理抽象。不像社交或游戏那样需要推荐算法去满足千人千面的品味。

—一手经验为什么是 Anthropic 先抓到：Claude 3 发布后 Twitter 上有人讨论它写代码比 GPT-4 强，「他们很快地对市场做了反馈……一旦给它一个信号，就会全力扑上去」。他判断最初可能是自下而上偶然试出来的，后来才变成自上而下的 bet。

—一手经验Claude 3.7 是后训练的分水岭：此前后训练是「小规模、修修补补」；此后后训练本身成为能力提升的核心引擎。从开始研究到发布，林林总总约四五个月，其中大量时间花在基础设施上。

「把简单的事做得比谁都干净是最关键的。」

预训练本质上也是强化学习，区别只在数据分布

「它们本质上都是强化学习。区别主要在于数据分布。」

—技术原理预训练要广分布：让模型见过互联网上几乎所有东西，越多越好、分布越广越好，单条数据的质量要求相对低。

—技术原理后训练要高质量窄分布：不需要什么都见过，需要在特定任务上做到极致。

—技术原理驱动两者的底层框架相同：都是奖励信号在指导模型行为。

—历史类比Scaling Law 是经验规律，非常像热力学定律——知道这样做会得到那个结果，但不知道底层每个神经元在干什么。「我相信未来我们一定会找到它，就像我们从热力学走到了统计力学一样，我们会找到 AI 的『统计力学』。」

—主观判断「智能涌现」是主观感觉而非客观现象——很可能是你之前没用正确的指标衡量，能力其实是连续增长的，只是过了某个阈值才被评测捕捉到。

AI 本质是简单的——因为它可以做实验

「它本质上简单的点在于它能做实验。」这不是结论，是一个可对可错的陈述。

—历史类比与物理的根本差别：物理在某个能标下没有实验数据，你就理解不了那个能标下的理论；AI 不被这个绑架，「我现在事实就是能够做任何我能想到的实验」。

—一手经验瓶颈不是「没想法」，而是「有太多想法，得一个个试，花时间」。

—行业观察他的时间预测：未来 6–12 个月，AI 可能走完完整研究闭环——写代码 → 跑实验 → 看结果 → 分析哪里不对 → 提新假设 → 设计新代码 → 再跑。「这条链条目前还没有完整。」

—一手经验他自己的 coding 已被 AI 接管：保守估计 90% 的代码由模型产出，不保守是 99%–100%；做实验 / 实现 idea 的效率比一年半前快 20–50 倍；但工作时间反而变长、密度变高。

「壳」只有两条活路：要么逃得够快，要么小到没人看得上

Manus 卖给 Meta、OpenClaw 卖给 OpenAI、Google 买 Windsurf 的人——他不理解这些收购，但给出了壳的生存框架。

—行业观察第一条路：逃得足够快——增长快到模型公司反应过来时已占领用户心智，然后自己再研发模型。Cursor 在走这条路，但「现在也很有危机感」，因为 Anthropic 有了 Claude Code，双方已进入微妙的竞争关系。

—行业观察第二条路：市场小到模型公司懒得管——Midjourney 是例子，「看不上」也是一种活法。

—行业观察「目前来说，我没有看到哪一个场景真正形成了数据飞轮。」甚至 AI 原生场景里，除了 agentic coding，没有哪个非常成功——Chatbot 本质是搜索的延伸，只是多了交互性和信息压缩。

—一手经验为什么 OpenClaw 不是大公司做出来的：大公司要负责法律、品牌、用户系统安全、固定资源投入；个人无所谓——「我代码垃圾又如何？你帮我来一起写吧」。

—主观判断「Meta 买 Manus 最大的用处是获得了一批很好的在亚洲的产品团队」；Manus 成为 Meta 在新加坡吸引东亚人才的锚点。

「你是要抱着万分之一的生存几率去赌一票大的，还是抱着百分之一的生存几率先去吃定一个小的事情？」

Anthropic vs Google DeepMind：两套完全不同的组织打法

top-down 之所以在 Anthropic 成立，是因为「做技术决策的人，必须也得是公司本身的决策人」——这个条件极难复制。

—一手经验Anthropic：执行力极强、比较 top-down，决定了就全力做。技术一号位（Jared Kaplan、Sam）是 co-founder，「人家自己的公司，有权力做 top-down 的事」。

—一手经验co-founding team 是关键变量：他们是一起在 Scaling Law、GPT-3 论文上署名的「一块趴过战壕的人」，至今没有一个人离开公司。「很多公司干着干着，连这个小集体都团结不住。」

—行业观察反例：OpenAI「Ilya 在的时候有可能可以，但后来他好像失去了做决策的能力，就走了」。

—一手经验Gemini 是另一套：大公司减少赌的成分、方方面面留储备 → 更 bottom-up；而预训练这种确定性范式，已被 Google 做成了工程项目：谁负责什么、每个节点负责人都很清楚。「你能知道下一代不会差。」后训练仍保留 bottom-up 的试错空间。

—行业观察Gemini 崛起是两个节点连着发生：Nano Banana 带来用户量，Gemini 3 把人留住。市占不到 10% 时模型好一点坏一点传播太慢；后来才变成举足轻重的玩家。

—行业观察他的毒舌总结：「作为一个局外人，我觉得 OpenAI 是救了 Google 一命——它先把聊天机器人做了让 Google 意识到重要性，又没把搜索干掉，给了 Google 反击的窗口。」

「Google 特别擅长的一件事是，找到一个极为简单的产品形态，大家都长一个样，它就疯狂给你卷技术，你就卷不过它。」

个人英雄主义已终结，最重要的是「靠谱」

「这个行业最重要的特质就是靠谱。做事细，然后对自己做的事负责任。你说那些东西有多需要脑子，我觉得都是一些本科生就能干的活。」

—一手经验他的 24 小时面试题：让候选人在 24 小时内从 0 到 1 完成一个强化学习项目，之后进行一小时讨论。两个考点：① 能不能有效利用 AI（而不是考察代码写得好不好）；② 有没有真的理解 AI 做了什么——全盘外包的人会在讨论里露馅。

—一手经验「阴暗的巧思」：设计成 24 小时，是为了看这个人有多看重这个机会。

—技术原理系统性为什么反人性：每个评价框架都能被 hack，「你总可以做一些事，让你的指标看起来很好看」。举例：只算 training FLOP 你比别人好，但 training + sampling 一起算就比别人差——「你总可以选择只收 training，但这就很糟糕」。

—主观判断「我觉得对人的炒作有点过分了……真的就是再说一次，这是个集体主义的事。」他对自己参与 Claude 3.7 / Gemini 3 的定位始终是：「我很幸运，有机会在那个时候加入了一个重要的项目，做了一些事。」

中美差距在缩小，算力劣势逼出了「聪明的蒸」

「硬蒸」不道德且愚蠢；但用多家模型做辅助生成与评价，在技术上其实是 multi-agent 训练的先驱。

—技术原理硬蒸 = 从 Claude 取出一堆 token 强行训练。他评：商业上不道德，治理上愚蠢，因为它「本质上体现出来它其实都不知道自己想干嘛」。

—技术原理聪明的蒸 = 在生成自己数据的链条中用到别的模型辅助，或让别的模型当评价者。因为各家模型分布差异很大，「这比起我用了好几个 Gemini 一块儿做，是一个技术上更有趣的事」。

—行业观察（低置信度）他判断大部分中国 lab 曾经硬蒸、后来在向软蒸转化；蒸馏比较少的是字节，「模型还是比较有特点的」。

—行业观察多模态生成目前还是「比较科学的问题」，范式未定；字节和 Google 是做得最好的两家。

—行业观察机器人：中国硬件产业链优势明显（人形机器人价格「便宜得出乎意料」），但软件仍处于特征工程时代——单场景可优化，没有强泛化性，「一定没到 GPT-1 时刻」。

「有没有泛化性，其实是很多 AI 方向的一个分水岭……语言模型在 GPT 之后跨过了那个阶段，但机器人我觉得没到那个阶段。」

一个悲观预测：千分之一的程序员，拿百倍的工资

「AI 是一个很 centralized 的技术，它会让少部分人变得更强，但会让大部分人失去他们的独特价值。」

—技术原理为什么 AI 先攻陷最「难」的工作：数学、写代码、做 AI 研究这些事理性、客观、容易定义评价标准，「你一旦想清楚这个事怎么去评价，你就知道怎么去训练它」。

—技术原理反过来，产品经理为什么难被替代：「什么叫做一个好的产品？我其实想不太明白，没有一个很客观的标准……那个回馈信号很不明确。」

—行业观察过程不会是一夜之间，而是渐变——「现在已经有一些公司开始裁员了」。

—主观判断千分之一是虚数，他自称「著名的悲观主义者」。未来好程序员的三个条件：技术强（必要条件）、能理解工作在组织中如何适配、规划能力强（能把复杂事拆解给多个 AI 做）。他也提醒：「不代表六个月之后不能，可能六个月后你过来问我，我的回答就会变得更悲观。」

「别迷信老登」：要做有客观评价标准的事

这是他从 9 年物理里买到的最大教训——也解释了他为什么会离开学术界。

—一手经验本科抓住范式级机会：在开放量子体系里发现手算（周期边界）与数值（开放边界）对不上，进而发现布洛赫波在非厄米系统中 break down、本征态聚集到一边（非厄米趋肤效应）。「这是一个范式上的更新。」

—一手经验博士的教训：高能理论足够难，但实验完全追不上理论讨论的能量尺度，于是「谁做得好谁做得不好，就依赖于领域内一些老登的主观判断」。他自评对世界贡献「几乎为零」。

—一手经验「达到外界的标准……像训练模型一样，一旦你知道了他们的评价标准，做得好是很容易的。但我后来发现我蒙蔽不了自己。」

—历史类比为什么选 AI 不选量子计算：量子计算的瓶颈在实验硬件搭建（他不擅长也不喜欢），而 AI 像十八世纪的物理学——理论与数值实验不分家。

—一手经验人生信条：「你不争取是永远得不到，争取了也有可能得不到，但不争取就绝对得不到。」（高中时为争取清华自主招生资格，直接给招生办老师发短信。）

—主观判断「人年纪大了不一定会变成老登……另一种人就是老登，自己也不懂，还爱指手画脚。」

「人这一辈子也没多长，为什么要把自己的时间浪费在伺候老登身上？」

PART 04两家前东家对照表

维度	Anthropic	Google DeepMind / Gemini
决策方式	top-down：技术一号位即 co-founder，有权力也有公信力	bottom-up + 工程化管理：公司给框架，个人决定做什么
核心打法	创业公司要 make bet：赌一件事，快速决策、强力推进	大公司减少赌性：方方面面留储备，任何方向成了都能跟上
为什么成立	co-founding team 互信（一起趴过战壕），至今无人离开	技术储备一直够，组织变清晰后逐步兑现
预训练	专注语言模型与 agentic / coding	已被做成工程项目：owner 明确、节点清晰、可预测「下一代不会差」
后训练	Claude 3.7 是分水岭：从小修小补 → 大规模 RL 成为核心引擎	仍有不确定性，更 bottom-up，保留广泛试错空间
不适合学什么	没人做多模态生成；底层工程架构投入不多	想把自己的想法快速送进产品模型，「Google 可能是一个很差的地方」
他的评价	执行力极强，但后期出现「在 Slack 上讲大道理不做事」的人	「想有研究的自由、探索的自由，可能找不到第二个比 Gemini 更强的地方」

PART 05事实核查与订正

⚠ 校对与时效性提醒

ASR 人名 / 产品名已订正：转写稿中的「尧舜禹」应为姚顺宇 / 姚顺雨（本期嘉宾是前者）；「 Joshua Kaplan」应为 Jared Kaplan（Anthropic 联创、Scaling Law 论文一作）；「OpenCloud」应为 OpenClaw；「 Minus / Minds」应为 Manus；「AME」应为 AIME。
节目录制于 2026 年 3 月，节目方自己在简介里补充说明：录制之后发生了 Meta 撤销对 Manus 的收购、Cursor 传闻被 SpaceX 收购、xAI 终止独立运营并入 SpaceX 等变化。因此第 5 条判断中关于「Manus 卖给 Meta」的分析，前提已被现实推翻，请只当作他对「壳为什么难独立生存」的框架来读。
Gemini 市占率约 20% 是他个人的感觉，他自己声明「没有仔细去检查过现在的数据」，属未核实估计，不宜作为引用数据。
「反华言论占 40%」是他自己的说法，并当场说明「这个数字听听就好」——它表达的是「不是主要原因但确实是个很大的原因」，不是可量化的统计。
「中国 lab 硬蒸」属传闻级信息，他明确声明没有在中国实验室工作过、不知道确切事实。本文仅作观点记录，不构成对任何机构的评价。
可核实的外部事实：姚顺雨为清华姚班、普林斯顿博士，代表作 ReAct / Tree of Thoughts，2025 年从 OpenAI 加入腾讯；Anthropic 联创中多位为物理博士出身；汤川秀树自传《旅人》、《来自新世界》（贵志祐介）均为真实出版物。

PART 06这套叙事的五个软肋（反向检验）

「本科生就能干」存在筛选偏差。他从前沿实验室内部视角说这句话时，已经默认了所有人都通过了极高的准入门槛。内部看是「门槛不高」，外部看是「进门极难」——他自己就是斯坦福理论物理博士、非厄米范式级工作的作者。这句话更适合理解为对行业内的评价，而非对行业准入的描述。
「预训练没到头」的举证是单向的。他把举证责任推给了喊撞墙的人（「你有个 bug」），但自己同样没有提供可验证的进展证据——因为受 NDA 约束。这构成一个无法被外部证伪的判断：他既不能拿出数据，也不用承担举证责任。
「靠谱比脑子重要」是规范陈述而非描述。在 IQ 已经过筛选线的组织内部，方差确实主要由责任心贡献；但市场价格正在为「脑子」付极高溢价（他自己也承认受益于此）。他的应然判断与行业的实然信号是相反的。
组织判断有幸存者偏差。Anthropic 的 top-down 被称颂是因为它赌对了 coding；同样 top-down 却押错方向的组织不会出现在讨论里。他把「执行力强」几乎等价于「好组织」，但执行力同样会放大押注的错误——top-down 的风险敞口其实更大。
「壳只有两条路」漏了第三条。除了「快」和「小」，历史上还有成为协议 / 基础设施层的路径（标准、生态位、工作流锁定）。他用「目前没看到数据飞轮」排除了这条，但「尚未形成」不等于「不可能形成」。

PART 07可以带走的行动清单

如果你是研究者 / 工程师

1把简单的事做得比谁都干净——花哨的技巧常常带来基建负担，稳定可复现才是 know-how。

2系统性排错优先于聪明猜想。结果和预期不符时，逐个设计 ablation 测试你想象中的因素。

3先修 bug，再找 trick。「修好一个 bug 带来的进展，远大于一些很神奇的技巧。」

4别 hack 你的指标。问自己：training 好，是不是 training + sampling 一起算就差了？

5与 AI 协作，而不是外包给 AI。24 小时面试题的陷阱就是：全盘交给 AI，你会在一小时讨论里露馅。

如果你是创业者

1别做通用壳。要么快到模型公司反应不过来并同步自研模型，要么小到巨头看不上。

2找「反馈信号清晰 + 数据源天然」的下一个场景——这是 coding 爆发的真正配方，也是判断新方向能否 scale 的标尺。

3别迷信数据飞轮。他指出目前没有一个场景真正形成数据飞轮，这个流行叙事需要被质疑。

4先吃一个小的，但选有想象空间的小的。「不能一步登天。」

如果你是个人 / 年轻人

1别做现在最热的事。「纯语言模型已经没什么机会了」，多模态生成、机器人、AI4Science 才是蓝海。

2做有客观评价标准的事。这是他用 9 年物理买来的教训——没有客观反馈的领域，评价标准会退化成「老登的主观判断」。

3胆子要大。「不争取是永远得不到，争取了也有可能得不到，但不争取就绝对得不到。」

4别迷信老登，也别做老登。直接表达是短期有人恨你、长期有人欣赏的事；前提是观点自洽、有一套自己的理解。

5去能学到东西的地方，而不是最有 scope 的地方。「很多人离职之后觉得不开心，主要原因就是没想明白自己想要什么。」

PART 08术语速查

术语	他的定义
广分布 / 窄分布	预训练要广（见得多），后训练要窄且高质量（做到极致）
Reward signal 清晰	输入对得上输出就算成功——coding 可自动验证，产品需求则很难
Ablation	逐个测试你以为的因素是不是真因素，是系统性排错的核心手段
算法的相变	算法只在「完全不会做 → 会做」的跃迁点最关键，之后转为平滑效率提升
硬蒸 / 聪明的蒸	直接抄 token vs 用别家模型辅助生成与评价（技术上是 multi-agent 训练）
特征工程时代	机器人目前的阶段：单场景可优化，但没有泛化性，未到 GPT-1 时刻
train with finite context, use as infinite context	用有限上下文训练，使用时拥有接近无限的上下文——他认为今年有机会实现
ML Coding	让 AI 跑完整研究闭环（写代码→跑实验→看结果→提假设→再跑）
top-down 成立的条件	技术决策者必须同时是公司决策者：技术上服众 + 有权调动资源
老登（贬义）	自己不懂还爱指手画脚的人；区别于「德高望重、愿意培养年轻人」

KEY POINTS回顾

一个坐标：瓶颈从「能不能做到」转到「有没有被良好定义」；SWE-bench 80% 附近的差距是噪声不是信号。
最反共识的技术判断：预训练远没到头，绝大多数喊撞墙的人只是有个没发现的 bug。
最可复用的配方：Coding 爆发 = 反馈信号清晰 + GitHub 天然数据 + 审美共识收敛；把简单的事做得比谁都干净。
最漂亮的认知重构：预训练本质上也是强化学习，区别只在数据分布；Scaling Law 是热力学式的经验规律。
最硬的组织洞察：top-down 成立的前提是「技术决策人 = 公司决策人」，这个条件极难复制。
最狠的自我定位：个人英雄主义时代已过去，这个行业最重要的特质是靠谱——做事细、对结果负责。
最需要打折的三处：中国蒸馏（他自认是猜）、Gemini 市占 20%（未核实）、反华占 40%（他自己说数字听听就好）。
最应被记住的时效提醒：录制于 2026 年 3 月，Manus / OpenClaw 收购相关判断的前提已被后续事实部分推翻。

参考资料

1. 张小珺《商业访谈录》第 140 期《对姚顺宇的 4 小时访谈：请允许我小疯一下》｜B 站 BV1YR5E6EE9o｜录制于 2026 年 3 月，播出 2026-05-11
2. 「语言即世界」工作室官方文字版《独家对话姚顺宇：请允许我小疯一下》（约 2.9 万字节选）
3. 覆盖全片 00:00:05 – 03:49:50 的完整语音转写（小宇宙单集，用于人名与术语校对）
4. 外部核实：Jared Kaplan 等《Scaling Laws for Neural Language Models》(2020)；非厄米趋肤效应相关文献；汤川秀树自传《旅人》；贵志祐介《来自新世界》

本文判断归属姚顺宇，分层、核查与反向检验由笔记作者补充。内容不构成投资建议，也不构成对任何企业、机构或个人的评价。