节目

《余红旧事》片场花絮曝光，5岁演员陈乐妍在仿真解剖室、停尸房布景拍戏，表现淡定。剧组称已做好防护，网友围绕低龄儿童拍摄惊悚场景的安全边界产生巨大争议。

这期节目，我们聊一个听起来有点大的话题——如何创作一篇属于自己的故事。 我们总以为"写作"是作家的事，得有天分、有灵感、有整块的时间。但这一期想告诉你：故事从来不是凭空长出来的，它藏在你每天的经历里、你反复想起的某句话里、你深夜翻来覆去的那点情绪里。节目里我们会拆解"一个故事是怎么被搭起来的"——从那个让你心动的念头，到人物、冲突、节奏，再到把它写完的最后一口气。 如果你也曾有过"想写点什么"的冲动，这期就是为你而生。 01:48 你创作的缘起是什么？ 05:45 如何寻找创作灵感？ 20:34 创作前要做哪些准备工作？ 21:25 如何去完成一个故事的大纲和人设？ 35:22 故事的开篇真的很重要！ 1:04:47 写作经验小Tips~ 如果你喜欢本期节目的话，欢迎留下宝贵的评论，如果你有想分享的事情，也欢迎大家投稿，如果想联系我们，可以微博关注“万物不讨厌FM”，也可以发送邮件，邮箱账号：[email protected] 祝你天天开心！ BGM： time to wander (travel vlog music) by snoozy beats on FMA

📝 本期播客简介 本期我们克隆了：The Knowledge Project Podcast · Bill Ackman: People are Going to Lose a Lot of Money 原内容更新时间：2026-09-29 “总有一天会出事，可能会出现某种崩盘，让很多人赔掉一大笔钱。”Bill Ackman 谈到 AI、风险投资和泡沫时，给出了这个警告。 作为 Pershing Square 的创始人兼 CEO，Ackman 讲了他如何判断企业的颠覆风险、为什么卖掉 Netflix 后又买回来，以及普通人投资时该怎么做。他也讲到女儿露西突发脑出血后的漫长康复，以及他和妻子筹建脑研究所、希望让更多患者受益的计划。 👤 本期嘉宾 Bill Ackman 是 Pershing Square Capital Management 的创始人兼 CEO，长期从事投资，也参与公司的治理与战略决策。他分享了 Pershing Square 的研究和投资流程，包括如何评估企业、避免颠覆风险，以及如何从投资失误中修订原则；女儿露西脑出血后，他还把办公室搬进医院，并推动筹建以脑部康复和长寿为重点的研究所。 ⏱️ 时间戳 00:53 女儿重伤与脑康复 14:05 团队、泡沫与资金纪律 23:19 投资判断与AI颠覆 37:35 股东积极主义与投资选择 42:51 从弃置资产到永久资本 59:59 识人、领导与人生意义 🌟 精彩内容 💡 AI让投资判断更难 AI可能改变企业的生存条件，投资者得判断一家公司的护城河还能不能守住。连巴菲特当年也没看出互联网会如何冲击 World Book；AI的颠覆风险更难预测。 "我们所有人都注定会在某家公司上显得判断失误，因为没能预见 AI 带来的颠覆风险。" 💡 资金充裕，也可能加速公司出局 一家创业公司两周内估值从 4 亿美元升到 10 亿美元，另一家公司 A 轮投前估值达到 50 亿美元。Ackman 认为，融资容易会让公司花钱失去纪律；市场爆雷后，资金只能支撑几个月的公司可能消失。 "把每一美元都当成自己的钱，仔细花，不要以为这种资金充裕、随时都能融资的局面会一直持续下去。" 💡 Netflix变了，投资逻辑就不成立了 Netflix管理层刚说不会推出广告套餐，几周后却表示要做广告模式。Ackman认为，这一变化打破了原有投资逻辑，于是卖出；等Netflix证明广告模式可行、股价回到合理水平后，Pershing Square 又买了回来。 "如果你得知了和原先投资逻辑不一致的新信息，你要么因为股价变便宜了而大幅加仓……要么就得离场。" 💡 普通人别等市场便宜再开始 想自己挑股票，就得投入时间学习和研究；如果只是想投资股市，指数基金是个很好的选择。越早开始长期投资，越能发挥复利的力量。 "别因为觉得市场太贵，就一直拿着现金不投资。" 💡 脑出血后的康复，保险只管一段时间 露西脑部受压 19 个小时后接受手术，醒来时不会走路、不会说话，也看不见了。她的行走、语言和视力逐渐出现进展；Ackman指出，保险可能只支付 6 周护理费用，但康复可能持续很多年。 "人们在很多年后仍然可能继续康复。" 🌐 播客信息补充 本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的 使用 AI 进行翻译，因此可能会有一些地方不通顺

本期嘉宾Jan，前Spotify资深工程师，现就职于Isomorphic Labs（Alphabet旗下AI药物设计公司）。从CERN的物理学实习，到Spotify九年的推荐系统与基础模型研发，再到如今投身AI for Science，Jan分享了他跨越研究机构与工业界的职业路径。我们聊了传统推荐模型与大型基础模型的差异、AlphaFold如何加速药物发现、AI代理如何自动化实验，以及在一个AI能写代码的时代，工程师最该修炼什么。最后还聊了聊：如果不用为钱工作，你会做什么？AI会先让我们永生，还是先毁灭我们？如果你在科技行业工作或对AI For Science感兴趣，相信这一期会给你很多启发。 Guest: Jan, former Staff ML Engineer at Spotify, now at Isomorphic Labs (Alphabet’s AI drug design company). From a physics internship at CERN, to nine years at Spotify working on recommender systems and foundation models, and now to AI for Science, Jan shares his career path across research institutions and industry. We discuss the differences between traditional recommendation models and large foundation models, how AlphaFold accelerates drug discovery, how AI agents automate experiments, and what engineers should focus on in an era where AI can write code. Finally, we talk about: if you didn’t have to work for money, what would you do? Will AI make us immortal first, or destroy us first? If you work in tech or are interested in AI for Science, this episode will give you a lot to think about. 高光内容 1. 从CERN到Spotify再到AI制药：每一次跳跃都是主动选择 Jan在CERN实习时感受到科研机构的慢节奏，转而投身科技公司。在Spotify九年，从数据工程师转到ML，做过消息推送、首页推荐、基础模型。离开是因为“九年了，我想做点不一样的事”，而AI制药是他眼中下一个有巨大影响力的领域。 2. 推荐系统的范式转移：从小模型到大模型 过去Spotify训练成千上万个小模型，每个只做一件事，训练快、部署易。现在转向少数超大模型，能同时处理多个任务，但推理成本高、延迟大。Jan认为大模型在推荐领域有潜力，但需要大量A/B测试验证。 3. AI如何加速药物发现：AlphaFold与模拟实验 Isomorphic Labs的目标是把尽可能多的湿实验搬到计算机模拟中。AlphaFold预测蛋白质结构，帮助判断分子能否与靶点结合。药物发现全流程仍可能长达十年，但AI有望将临床前阶段从数年缩短到数月甚至数小时。 4. 用AI代理跑实验：把无聊且易错的工作交给Agent Jan分享了他现在的工作方式：不再手写代码，而是用编码Agent；甚至用AI代理来运行实验——自动配置参数、调用工具、生成图表。虽然偶尔有bug，但比手动更高效、更不易出错。 5. 未来工程师最重要的品质：品味、领域知识和主动性 写代码和调库的重要性在下降，而架构判断力、对业务领域的理解、以及主动探索的驱动力（agency）越来越关键。Jan以自己为例：曾经讨厌生物，现在却对药物发现充满好奇，因为“深入了解后，好奇心自然就来了”。 Highlights 1. From CERN to Spotify to AI Drug Discovery: Every Jump Was a Deliberate Choice During his internship at CERN, Jan felt the slow pace of a research institution and decided to move into tech. At Spotify for nine years, he transitioned from data engineer to ML, working on messaging, homepage recommendations, and foundation models. He left because “after nine years, I wanted to do something different,” and AI drug discovery is, in his eyes, the next field with enormous impact. 2. The Paradigm Shift in Recommender Systems: From Small Models to Large Models In the past, Spotify trained tens of thousands of small models, each doing one thing, fast to train and easy to deploy. Now it’s shifting to a few very large models that can handle multiple tasks at once, but with high inference costs and latency. Jan believes large models have potential in recommendation, but need extensive A/B testing to validate. 3. How AI Accelerates Drug Discovery: AlphaFold and Simulated Experiments Isomorphic Labs aims to move as much wet-lab experimentation as possible into computer simulations. AlphaFold predicts protein structures, helping determine whether a molecule can bind to a target. The full drug discovery pipeline can still take up to ten years, but AI has the potential to shorten the preclinical stage from years to months or even hours. 4. Running Experiments with AI Agents: Handing Boring and Error-Prone Work to Agents Jan shares how he works now: he no longer writes code by hand, but uses coding agents; he even uses AI agents to run experiments, automatically configuring parameters, calling tools, and generating charts. Although there are occasional bugs, it’s more efficient and less error-prone than doing it manually. 5. The Most Important Qualities for Future Engineers: Taste, Domain Knowledge, and Agency Writing code and tuning libraries are becoming less important, while architectural judgment, understanding of the business domain, and the drive to explore proactively (agency) are increasingly critical. Jan gives his own example: he used to hate biology, but now he’s curious about drug discovery, because “once you understand something deeply, curiosity comes naturally.” 时间轴 * 00:00｜开场介绍 * 01:16｜从CERN到Spotify：研究机构与工业界的差异 * 03:24｜早期对AI/ML的兴趣，在Spotify从数据工程师转向ML * 05:12｜在Spotify的ML工作：消息推送、推荐系统、基础模型 * 08:14｜传统推荐模型 vs 大型基础模型：优势与挑战 * 13:56｜为什么离开Spotify，加入Isomorphic Labs * 18:40｜Isomorphic Labs是什么，以及Jan的角色 * 22:27｜药物发现全流程：AI能加速哪部分，时间线有多长 * 28:14｜AlphaFold介绍：如何预测蛋白质结构，训练数据来源 * 33:48｜AI for Science：AI如何成为科学发现的加速器 * 37:51｜AI能否做出相对论级别的原创发现？ * 39:07｜最激动人心的AI for Science领域 * 43:34｜AI for Science的主要挑战 * 45:24｜普通人如何参与AI for Science * 49:06｜在Isomorphic Labs与Spotify的工作差异 * 51:19｜如何使用AI工作：编码Agent与实验自动化 * 56:31｜工程师哪些技能在贬值，哪些在升值 * 59:18｜主动性与好奇心：是天赋还是可以培养？ * 1:03:40｜如果不用为钱工作，你会做什么？ * 1:05:27｜最关心的问题：什么能真正改变生活 * 1:06:30｜抗衰老与长寿：十年内能实现吗？ * 1:09:44｜AI风险：灭绝概率与人类未来 Timeline 00:00 | Introduction 01:16 | From CERN to Spotify: Differences Between Research Institutions and Industry 03:24 | Early Interest in AI/ML, Transitioning from Data Engineer to ML at Spotify 05:12 | ML Work at Spotify: Messaging, Recommender Systems, Foundation Models 08:14 | Traditional Recommender Models vs. Large Foundation Models: Advantages and Challenges 13:56 | Why He Left Spotify and Joined Isomorphic Labs 18:40 | What Isomorphic Labs Is, and Jan’s Role 22:27 | The Full Drug Discovery Pipeline: What AI Can Accelerate, and How Long It Takes 28:14 | Introduction to AlphaFold: How It Predicts Protein Structures, and Training Data Sources 33:48 | AI for Science: How AI Becomes an Accelerator for Scientific Discovery 37:51 | Can AI Make Original Discoveries on the Level of General Relativity? 39:07 | The Most Exciting Areas in AI for Science 43:34 | Main Challenges in AI for Science 45:24 | How Ordinary People Can Participate in AI for Science 49:06 | Differences Between Working at Isomorphic Labs and Spotify 51:19 | How He Uses AI at Work: Coding Agents and Experiment Automation 56:31 | Which Engineering Skills Are Depreciating and Which Are Appreciating 59:18 | Agency and Curiosity: Talent or Can They Be Cultivated? 1:03:40 | If You Didn’t Have to Work for Money, What Would You Do? 1:05:27 | The Issue He Cares About Most: What Can Truly Change Lives 1:06:30 | Anti-Aging and Longevity: Achievable Within Ten Years? 1:09:44 | AI Risks: Extinction Probability and the Future of Humanity

过去1年，全国广义健身场馆减少了2.3万家，健身工作室闭店率达到57%。 但健身消费市场规模反而增长了975亿元。大家不是不健身了，而是不愿再为年卡、推销和不确定的服务买单。 乐刻从300平米、月付制小店起家，如今却一边开1000平米的高端门店，一边试水完全无人的按次付费健身房。它想解决的，已经不只是开更多店，而是如何让用户长期相信：这里的价格更透明，教练更可靠，服务不会突然消失。 本期你将听到： 健身房关了2.3万家，健身消费为什么反而在增长？ 乐刻为什么从300平米小店，走向1000平米高端场馆？ 月卡499元、私教300元一节，乐刻怎么理解“性价比”？ 无人健身房能不能做到50个人管理1000家店？ 健身房最难建立的护城河，为什么不是设备和价格？ 用户愿意长期留下来，靠的到底是效率，还是信任？ 节目信息： 主播：粥粥 来源：虎嗅商业消费组 作者：李佳琪 编辑：苗正卿

嗨害嗨，我亲爱的朋友们~国庆快乐！假期愉快！ 本期是一个阶段性小结，聊聊我的八九月。 八月的“扬尘期” 八月基本在跑医院，最后确诊中度抑郁+轻度焦虑。知道结果反而松了一口气：原来我不是想太多，只是生病了。 九月的“波动期” 九月针灸了18天，状态起起伏伏，但整体在波浪式前进。 “允许自己只是存在，不需要生产任何价值，就像一棵树在冬天并不做事，它只是那样存在，等待春天。” 最后想跟你说： 哪儿都不得劲、干啥都提不起劲的时候，别硬扛，别觉得是自己矫情。去医院看看，早发现早干预，真的会好很多。 也别觉得此刻即永恒。飘风不终朝，骤雨不终日。一切都是瞬息，一切都将会过去。 祝大家吃好睡好，我们下期再见！ 【本期BGM】 艾索《嘿咻狂想曲》 【你还可以在这里找到我】 公众号：任师傅任尔东西 小红书：任师傅的快乐生活 B站：一个任师傅

本期节目由 NotebookLM 自动生成，基于微信公众号「猫笔刀」昨日更新的两篇文档：正文与读者评论区互动。 主播以财经博主身份，结合文章观点与读者反馈，对热点话题展开讨论。话题覆盖宏观趋势、政策解读、市场情绪等多个维度，欢迎收听。 📌 原文请搜索公众号「招财大牛猫」 本播客使用 NotebookLM 自动生成，仅供娱乐参考，不构成任何投资建议。

🎙️【本期主播/制作】: 莫琪 朋友们，这里是「爱在城市散步时」系列。「爱在城市散步时」的每一集，我会选一个城市，分享一些，我在那座城市的故事，以及我喜欢的城市旅行路线。 🔍【find us 小红书】 主播：浪晕七仔 / 她爆炸了热气球 木木在近一个月的旅居生活中，体验了大量的在巴厘岛的兴趣班课程！今天我们将为你打开，另一个视角的巴厘岛（下集） 印度尼西亚是一个非常庞大的群岛国家，拥有上万座岛屿、数百个族群和语言。这个国家绝大多数人口信奉伊斯兰教，但巴厘岛却是一个非常特别的例外——这里的主流信仰是带有浓厚本地传统的巴厘印度教。 所以巴厘岛既属于印度尼西亚，又有非常鲜明的宗教、艺术和生活体系。它当然是一座海岛，但真正吸引人的，又远远不只是海。 ✍️【时间轴shownotes】 00:36 水明漾 W 体验 12:51 成年人的兴趣班继续：在Canggu亲手调一瓶属于巴厘岛的香水 15:38 瑜伽、潜水、舞蹈、调香、手作：为什么巴厘岛总能激发新的兴趣？ 16:49 乌鲁瓦图：从热闹海岸进入悬崖上的隐世度假生活 18:41 为什么巴厘岛成为很多人举办婚礼的目的地 19:35 Nusa Penida：精灵坠崖、钻石海滩 24:52 在佩尼达住进潜店 25:41 潜水员的两大目标：Mola Mola翻车鱼与Manta蝠鲼。 40:07 第一次潜水怎么选？ 48:20 Lovina：为了看一次海豚，横跨半个巴厘岛值不值得？

免责声明 本期节目中涉及的剧本分析及相关讨论，均基于公开信息与个人观点，仅供分享和讨论之用。节目中提及的未播出剧集或剧本内容，如有推测或分析，均不代表剧组或相关制作方的官方立场或最终走向。 所有剧本及相关内容的著作权归原版权方所有，未经授权请勿进行商业传播或二次使用。如节目中内容有不准确或引起误解之处，欢迎指正与交流。 Shownote： 我们最近翻了一圈这半年陆续流出来的偶像剧剧本，发现虽然这些项目彼此之间没什么太大关系，但放在一起聊还挺合适的。有古装，有现代，也有民国，题材和故事路数都不太一样。不过它们多少都有一个共同点：要么是现在热门的生花主演，要么就是平台和市场明显看好的项目。有几部从阵容公布开始，基本就已经被放进“接下来值得关注的待播剧”这个名单里了。而且这里面有些进度比较快的，说不定最近一两个月就要跟观众见面，所以我们也想赶在开播之前，先从剧本这个角度聊一轮。 我们今天也不是预测谁一定会爆，或者提前给哪部剧下结论，就是单纯从剧本出发，看看这些现在看起来挺有存在感的待播项目，到底故事底子怎么样，人物有没有写起来，感情线顺不顺，以及为什么有的剧本看完会觉得“这个好像真可以期待一下”，有的就会让人有一点问号。总之就是一期非常散装，但应该也挺符合现在待播剧市场状态的聊天局。那我们就直接开始，一部一部来。 01:50《嫁金钗》 田曦薇闫桉 原作：笑佳人 编剧：周末 导演：杨龙 19:00《归鸾》 林允张凌赫 原作：团子来袭 编剧：邹越 导演：初的见 33:10 《司宫令》 宋祖儿丁禹兮 原作：米兰lady 编剧：汪洪 42:22《窈窈有期》 包上恩何与 原作：面北眉南 编剧：面北眉南 导演：钟青 48:30《恰逢春》 邓恩熙董思成 原作：御井烹香 导演：王威 55:00《尚公主》 孟子义李昀锐 原作：伊人睽睽 导演：秦榛 编剧：何妨 01:04:18《玉簟秋》 徐若晗丞磊 原作：灵希 编剧：叶扬 01:13:50《想把你和时间藏起来》 章若楠王安宇 原作：北倾 导演：黄天仁 编剧：郝茹 辛晓阳 主播：阳仔、小胡、帕宝 剪辑：帕宝 合作联系：+v“papadotcom” 听友群进群方式：+v“mml37-”拉你进群

附上10月1日快讯图，一张图看懂今日所有重点！