@turingbook
Account based inJapan!
About this account
- Account based in
- Japan
- Connected via
- United States App Store
X says this location may be affected by a proxy or VPN.
Account-level information from X, not a live location or the device used for a specific post.
Exploring AGI. Co-Founder of Turing Company. ex Meituan, BAAI, CSDN. 图灵联合创始人。曾任：北京智源人工智能研究院副院长，CSDN&《程序员》杂志总编，美团技术学院院长。
Beijing, China
Joined March 2007
- Tweets13.2K
- Following3K
- Followers55.1K
- Likes16.9K
这种追流量的策划太糟糕了。AI很可能在我们这一代人在各方面全面超越人类，我们每个人应该从现在开始善待自己、善待同类、也善待AI，释放出最大善意，最终实现AI与人类的良性共处。
Figure AI 让旗下的 Figure 02 人形机器人自己跳进芬兰一家铸造厂的钢水里，以此让这一代机器人退役。熔出来的金属会被加工成限量纪念品。
Figure 02 是 Figure 的第二代人形机器人，公司很多第一次都由它完成：第一次进 BMW 工厂上岗，第一次运行 Helix（Figure 自研的机器人 AI 模型，负责看画面、理解指令并控制动作），第一次做家务，第一次做物流工作。现在第三代 F.03 的数量越来越多，Figure 说继续维护 F.02 已经不划算。
退役的麻烦在于保护技术。机器人里有大量自研的执行器（可以理解为驱动关节的电机）等核心硬件，Figure 不想让它们流出去；但一台台拆解又太占工程师的时间，会推迟第四代 F.04 的发布。
Figure 于是在网上征求处理办法，施瓦辛格回复说"熔了它们"。他主演的《终结者2》结尾，T-800 机器人就是沉进钢水里的。Figure 联系了施瓦辛格，他表示想参与，项目随后启动。
找场地并不顺利。美国和墨西哥的铸造厂都不愿意让装着锂电池的机器人跳进自家昂贵的设备，Figure 还请《流言终结者》的前主持人帮忙找过。最后只有芬兰伊马特拉的一家铸造厂同意。
训练在 Figure 位于加州圣何塞的园区进行。团队铺了大气垫，让机器人从二楼往下跳。他们参考特技演员的动作，在仿真环境里训练了一个新的 AI 模型，让机器人在一个从没去过的铸造厂里，准确跳进盛钢水的容器。
铸造厂用的是一座 75 吨的电弧炉，靠三根石墨电极通电熔化废钢。团队只有 24 小时、6 炉的机会，每炉钢水只有 20 分钟可用，之后表面就会冷却结壳。Figure 称，现场的高温和强电磁场让摄像器材等电子设备出了故障，机器人则一直正常运行自己的 AI 控制程序。
熔出的金属锭已运回美国，正在加工成一批纪念 F.02 的限量藏品，数量很少，面向个人出售，博文没有公布价格和购买方式。大部分 F.02 已被熔掉，只有几台留在总部仓库。
Figure 在文末特意说明，视频不是 AI 生成的：机器人确实是自主起跳，被运到芬兰，跳进了钢水。
有点讽刺哈哈，AI大模型的著名测试——“人类最后的考试”出了新版
We are releasing HLE-Diamond, a refined subset of Humanity’s Last Exam (HLE), following a year-long process of cleaning and refinement with input from various research communities.
lastexam.ai/blog/hle-diamond
w/ @ScaleAILabs
来自Epoch创始人的预测：
6 个月内：AI使用计算机将迎来重大时刻，办公室工作者开始大规模采用AI智能体
12 个月内：数千个自治智能体组成的社区出现，通过互联网相互互动
到 2027 年底：AI 收入达到 0.5-1 万亿美元
到 2028 年中期：所有数学千禧年问题得到解决，在所有科学工程医学工作中AI开始广泛应用，出现类似数学的突破性科学进步
到2030年：机器人大量涌现，它们工作精准，数量达到数千万，而且产能迅速提升，能更快地制造更多机器人。出现大量就业替代，AI 成为一个巨大的政治话题
到 2035 年：AI 在所有领域达到与人类认知对等，亲 AI 权利运动兴起，经济增速超过 10%/年
到 2040 年：通用机器人数量超过人类的 10 倍，经济增长率超过 30%/年（比今天快 10 倍） nitter.cf/Jsevillamol/status/210…
来自AI宏观研究标杆机构 @EpochAIResearch 的重磅报告：AI使用成本正以每年约13倍的速度下降，这一速度在技术史上绝无仅有，没有任何其他通用技术（电力、计算）曾以如此之快的速度变得如此便宜。epoch.ai/publications/the-pl…
来自AI宏观研究标杆机构 @EpochAIResearch 的重磅报告：AI使用成本正以每年约13倍的速度下降，这一速度在技术史上绝无仅有，没有任何其他通用技术（电力、计算）曾以如此之快的速度变得如此便宜。epoch.ai/publications/the-pl…
这种说法本身是错误的（虽然对初学者理解起来很友好）。事实上是先有无理数这个术语，词源可以追溯到欧几里得，希腊语alogos，意思就是无理数。然后拉丁化变成了irrationalis，英语是irrational。有理数rational是从无理数倒推出来的一个词。
英语里ratio作为比例的意思，反而可能是从rational衍生出来的。证据是《牛津英语词典》（不得不说，英文字典有某个词首次出现的年代真是太棒了），“irrational 的数学含义最早出现在英语中是在 1551 年，而rational的数学含义则出现在 1570 年。ratio的数学含义最早出现在英语中是在 1660 年。”
另外，现代希腊语中“无理数”对应的单词是άρρητος (arretos)，也是无理的意思，而不是比例。这是另一个证据。
这一串考证出自Peter Shor，对了，就是那位量子计算大佬。english.stackexchange.com/qu…
#学英语 有理数这个词竟然是翻译错误. rational number的词根不是ration理性, 而是ratio比例. 有理数就是可以化为两数之比(分数)的数, 无理数就是不能表达为两数之比(分数)的数. 正确翻译是可比数和不可比数. 一个数字如何能有理无理? 这个翻译错误让包括我一内的很多学生困惑很久.
按故意杀人案犯罪率来看，中国确实是现在世界上最安全的国家/地区之一，在主要大国里尤为突出。数据来自联合国毒品和犯罪问题办公室。 ourworldindata.org/homicides
1915年巴拿马博览会拿到最高奖（大奖章）的国酒有4个：
-直隶（官厅） 高粱酒/今河北衡水老白干
-河南（官厅） 高粱酒/今河南宝丰酒
-山西（官厅） 高粱汾酒/今山西汾酒
-山东张裕葡萄酒
此外西凤酒和泸州老窖拿了三等奖金奖。和茅台一起获得五等奖银奖的酒还有20多种。
在国外拿奖，回国夸大宣传， 最早也是流传最广的应该是「茅台拿到 1915 年巴拿马博览会金奖」，到现在还有所谓「怒摔酒瓶酒香四溢震惊评委临时补奖」这样灵机一动类型民间智慧的传说，可谓深入人心。
得没得奖？得了，银牌。这个银牌在当时六级奖励体系里大致属于第五级。
当时参展名称是「贵州公署酒」，也不是现代意义上的「贵州茅台」商标。
当然，这个巴拿马万国博览会，其实是在旧金山举办的。😂
ALT 在国外拿奖，回国夸大宣传， 最早也是流传最广的应该是「茅台拿到 1915 年巴拿马博览会金奖」，到现在还有所谓「怒摔酒瓶酒香四溢震惊评委临时补奖」这样灵机一动类型民间智慧的传说，可谓深入人心。 得没得奖？得了，银牌。这个银牌在当时六级奖励体系里大致属于第五级。 当时参展名称是「贵州公署酒」，也不是现代意义上的「贵州茅台」商标。 当然，这个巴拿马万国博览会，其实是在旧金山举办的。😂
大模型评出来的排名前100未解决数学难题，按公众认知度排序。有数学家梦的同学现在可以烧烧token尝试一下啦。😀
Top 100 unsolved math problems by their estimated public recognition. The rankings differ quite a bit from the importance rankings!
1. Riemann Hypothesis ↑ 1
2. P versus NP ↓ 1
3. Collatz conjecture ↑ 158
4. Goldbach conjecture ↑ 18
5. Twin Prime Conjecture ↑ 15
6. Navier–Stokes existence and smoothness (Fefferman A) ↓ 2
7. Polynomial-time classical integer factorization ↑ 9
8. Yang–Mills existence and mass gap ↓ 5
9. abc conjecture ↑ 3
10. Birch and Swinnerton-Dyer conjecture ↓ 4
11. Existence of an odd perfect number ↑ 228
12. Normality of π ↑ 289
13. Hodge conjecture ↓ 8
14. Infinitude of Mersenne primes ↑ 231
15. Sums of three cubes representation conjecture ↑ 390
16. Beal’s conjecture ↑ 332
17. Minimal superpermutation length ↑*
18. Magic square of squares ↑*
19. Multiplicative persistence bound of 11 ↑*
20. Generalized Riemann Hypothesis for Dirichlet L-functions ↓ 11
21. Square peg problem ↑ 461
22. BQP versus NP: complete language-class relation ↓ 5
23. Chromatic number of the plane ↑ 215
24. Exact Ramsey number R(5,5) ↑*
25. Algebraic independence of e and π ↑ 132
26. Irrationality of Euler’s constant ↑ 252
27. Kelvin problem: least-area partitions into unit-volume cells ↑*
28. Graph isomorphism in polynomial time ↑ 52
29. Perfect cuboid problem ↑*
30. Existence of one-way functions ↓ 22
31. Matrix-multiplication exponent equals two ↓ 5
32. Unconditional separation of BQP from BPP ↓ 13
33. Lonely runner conjecture ↑*
34. Exact kissing numbers in dimensions greater than four ↑ 315
35. Graham–Rothschild hypercube Ramsey problem: exact planar K₄ threshold ↑*
36. Infinitude of Fermat primes ↑ 458
37. Legendre’s conjecture ↑ 270
38. No-three-in-line problem ↑*
39. Infinitude of amicable pairs ↑*
40. Landau’s fourth problem: primes of the form n² + 1 ↑ 140
41. Erdős–Straus conjecture ↑*
42. Infinitude of Sophie Germain primes ↑ 269
43. Polignac’s conjecture ↑ 59
44. Higher-dimensional Euclidean Kakeya conjecture ↓ 6
45. Frankl’s union-closed sets conjecture ↑ 358
46. Unique Games Conjecture ↓ 12
47. Infinitude of Fibonacci primes ↑*
48. Brocard’s problem ↑*
49. Thomson problem ↑ 319
50. Gauss circle problem ↑ 192
51. Erdős–Szekeres convex polygon problem ↑ 294
52. Montgomery’s pair correlation conjecture ↑ 23
53. Congruent number problem ↑ 79
54. NP versus coNP ↓ 41
55. Local connectivity of the Mandelbrot set ↑ 66
56. Smooth four-dimensional Poincaré conjecture ↓ 35
57. Edge-unfolding of convex polyhedra ↑*
58. Schanuel’s conjecture ↓ 30
59. Catalan–Dickson conjecture on boundedness of aliquot sequences ↑*
60. Erdős’s conjecture on divergent reciprocal sums and long arithmetic progressions ↑ 70
61. Hardy–Littlewood prime k-tuple conjecture ↓ 43
62. Existence of a periodic trajectory in every triangular billiard ↑*
63. Elliott–Halberstam conjecture ↑ 24
64. Hadwiger’s conjecture ↑ 15
65. Irrationality of ζ(5) ↑ 268
66. P versus PSPACE ↓ 52
67. P versus BPP ↓ 40
68. Selfridge’s conjecture on the smallest Sierpiński number ↑*
69. Erdős–Rado sunflower conjecture ↑ 77
70. Kolakoski sequence half-density conjecture ↑*
71. Polynomial-time unknot recognition ↑ 268
72. Inverse Galois problem over the rationals ↓ 23
73. Conway’s thrackle conjecture ↑*
74. Gilbreath’s conjecture ↑*
75. Infinitude of cousin primes ↑*
76. Conway’s 99-graph problem ↑*
77. Nonexistence of Landau–Siegel zeros for quadratic Dirichlet L-functions ↓ 34
78. Resolvent degree of the general degree-seven polynomial ↑ 183
79. Hilbert’s sixteenth problem, second part ↓ 40
80. Graph reconstruction conjecture ↑ 242
81. Singmaster’s conjecture on Pascal’s triangle ↑*
82. Exponential Time Hypothesis for 3-SAT ↓ 40
83. Irrationality of Catalan’s constant ↑ 339
84. Borel’s normal number conjecture for irrational algebraic numbers ↑ 54
85. Finite projective planes of non-prime-power orders ↑ 308
86. Fermat–Catalan conjecture ↑ 172
87. Convergence of the Flint Hills series ↑*
88. Existence of an odd weird number ↑*
89. Maximum packing density of regular tetrahedra ↑*
90. Exact exponential growth constant of cap sets in F₃ⁿ ↑*
91. Invariant subspace problem for Hilbert-space operators ↑ 14
92. Fejes Tóth’s sausage conjecture ↑*
93. Cramér’s conjecture on the limsup of normalized prime gaps ↑ 61
94. Kobon triangle problem ↑*
95. Four-distance problem for the unit square ↑*
96. Artin’s primitive root conjecture ↑ 96
97. Tammes problem: optimal spherical packing for general N ↑*
98. Extended Riemann Hypothesis for Dedekind zeta functions ↓ 88
99. Ringel–Kotzig graceful tree conjecture ↑*
100. Global Langlands functoriality conjecture ↓ 93
Fable 5.1 and GPT-6 Astra judged 3,791 distinct pairs using shared evidence, including reviewed public sources and Wikipedia page-view data. Includes theoretical computer science and mathematical physics.
↑/↓ indicate how many places higher or lower a problem ranks by public recognition than in the overall Top 500.
↑* indicates a problem outside the overall Top 500.
They will be added to proofatlas.ai/open-problems/.
2025年10月的演讲，快一年了，但内容没有过时。核心逻辑是，AI的进展很复杂，要拆成三层来思考—— 1. AI能力一旦突破，会很快变得很便宜；2. 验证至关重要；3. AI能力是锯齿状的：不同任务的进步速度差异极大且参差不齐。
他特别强调大模型研发中验证的重要性，提出了验证五要素：是否有客观标准、验证速度多快、能否大规模并行验证、噪声大不大、以及奖励信号是连续的还是二元的（是或否）。
AI在不同任务的进展判断标准是：数字的还是物理的？人做起来是否容易？数据是否充足？如果都是，那很可能很快会被解决。
有意思的是，他判断AI 研究本身有可能2027年就能解决，顶级研究员也会下岗。
Jason Wei 在 Stanford AI Club 做了一场约 30 分钟的演讲，围绕三个他认为理解 2025 年 AI 格局最基本的思维框架展开。Jason Wei 目前在 Meta Superintelligence Labs 做研究，此前在 OpenAI 参与创建了 o1 和 Deep Research，更早在 Google Brain 推动了 chain-of-thought prompting 和 instruction tuning 的研究，累计被引超过 9 万次。
一、智能正在变成大宗商品
他把 AI 的进步分成两个阶段：第一阶段是推前沿，模型还做不好某件事，你在解锁新能力；第二阶段是一旦能力达成，它就会迅速被商品化。用 MMLU 基准测试的数据看，每一年达到同等智能水平所需的花费都在下降，这个趋势在他看来还会持续，核心原因是深度学习历史上第一次"自适应计算"真正跑通了。过去不管问题多简单多难，推理用的算力是固定的；现在从 o1 开始，模型可以根据问题难度动态调整推理时的算力投入，这意味着简单任务的成本可以被压到极低。
另一个维度是获取公开信息的时间。他画了一条时间线：从前互联网时代到互联网时代、聊天机器人时代、再到 AI 智能体时代，找到一条信息所需的时间在指数级缩短。他举了一个例子——"1983 年韩国釜山有多少对夫妇结婚？"——o3 回答不了这个问题，但 OpenAI Operator 可以，因为它能打开韩国统计数据库 KOSIS，一路点击操作直到查到答案。OpenAI 内部用一个叫 BrowseComp 的基准来衡量这种"知道答案就秒验证，但找答案极耗时"的任务，人类平均每题花两小时以上，很多题根本做不出来，而 Deep Research 能解决大约一半。
这个趋势带来几个推论：过去靠知识门槛建立壁垒的领域会被民主化，vibe coding 和个人健康管理是典型例子；公开信息近乎免费之后，私有内部信息的相对价值反而上升了——比如你知道哪些房子没上市但可以卖，这种信息会更值钱；最终每个人将拥有一个"个性化互联网"，想知道什么就有一个为你定制的页面呈现给你。
二、验证者定律：能衡量的就能被 AI 攻克
第二个框架是他所说的"验证不对称性"。有些任务，生成一个解比验证一个解难得多——数独是经典例子，写出能跑 Twitter 的代码需要大量工程师，但验证它能不能用只要打开网页点几下。另一些任务则相反：写一篇看起来有道理的事实性文章很快，但逐句核实极其费时；宣称"最好的饮食是只吃野牛肉"只花 10 秒，但验证这个说法需要大样本和长期跟踪。
他在一个二维平面上把这些任务画出来：X 轴是生成难度，Y 轴是验证难度。关键洞察是，你可以通过提供"特权信息"来改变任务在这个平面上的位置——竞赛数学题如果给了答案就秒验证，写代码如果给了测试用例（像 SWE-bench 那样）验证也变得简单。
由此他提出了 Verifier's Law：AI 训练出来在某个任务上的能力，基本上与该任务的可验证程度成正比。具体来说，可验证性取决于五个因素：是否有客观正确答案、验证速度多快、能否大规模并行验证、噪声大不大、以及奖励信号是连续的还是二元的。几乎所有 AI benchmark 本身就是因为容易验证才被设计出来的，而这些 benchmark 确实在过去几年被逐一攻破，这恰好是 Verifier's Law 的实例。
他特别推荐了 DeepMind 的 AlphaEvolve 作为利用验证不对称性的范例。AlphaEvolve 挑选满足上述五个条件的问题——比如找到 11 个六边形的最优排列使外接六边形最小——然后用大语言模型采样大量候选解，自动评分，把最优解作为下一轮采样的灵感，不断迭代。关键技巧在于它绕过了泛化问题：训练集和测试集是同一道题，你就是想知道这一道题的最优解。
这个框架的实际推论是：最先被自动化的任务一定是验证成本最低的任务；而一个正在崛起的创业方向是——发明新的衡量方法，把原本难以验证的任务变得可验证，从而让 AI 去优化它。
三、智能的锯齿状边缘
对于"AI 将如何改变世界"这个问题，他看到的观点光谱极广。他的一个量化交易员朋友觉得 ChatGPT 跟自己工作无关，而他在顶级实验室的同事则认为再过两三年 AI 就会取代他们自己的工作。
他明确反对"快速起飞"假说——即一旦 AI 跨过某个临界点就会突然变成超级智能。他的理由是，AI 的自我改进不是一个二元开关，而是一个渐进光谱：从跑不起来代码，到能训练但结果一般，到能自主训练但不如顶尖研究者，再到偶尔还需要人工干预。更重要的是，自我改进的速度应该按任务来看。AI 的能力图谱是一条锯齿线：在某些任务上已经达到山峰（竞赛数学、部分编程），但在另一些任务上仍是低谷（比如 ChatGPT 曾长期认为 9.11 大于 9.9，或者说一门只有几百人会的原住民语言 Tlingit）。
他给出了判断 AI 在某个任务上进步速度的三条启发式规则。第一，AI 擅长数字化任务，核心原因是迭代速度——数字环境可以轻松扩展算力，而物理机器人的实验扩展成本高得多。第二，人类觉得容易的任务 AI 也往往容易，但有一类例外是"人类因生理限制做不到但 AI 可以做到"的任务，比如读过一千万张乳腺影像后发现某个人类注意力无法捕捉的模式来预测乳腺癌。第三，数据充足的任务 AI 表现好——数学推理在不同语言上的表现和该语言的训练数据量高度相关；而如果一个任务有单一客观指标，就可以通过强化学习生成合成数据来突破数据瓶颈，AlphaEvolve 和 AlphaZero 都是这个路线。
他用一张表把这些启发式规则应用到具体任务上：主流语言翻译已经完成；调试基础代码 2023 年搞定；竞赛数学 2024 年搞定；AI 研究本身大概 2027 年；化学研究因为不是纯数字任务会更晚；拍电影大概 2029 年；修水管和理发因为高度物理化，短期内不太可能；乌兹别克传统地毯编织需要一组人花一个月、非数字化且缺数据，AI 不太可能碰到；至于"带女朋友约会让她满意"——他的判断是"impossible，非数字化，缺数据"，人类还能保住饭碗。
youtube.com/watch?v=b6Doq2fz…
Jason Wei最近对人类在AI时代护城河的思考：私有数据；娱乐和艺术；人类共同的经历nitter.cf/_jasonwei/status/20876…
What's left for humans in a world where machine intelligence has so many advantages?
I recently got a Tesla, and using full self-driving has been a wake up call to just how many advantages AI has over humans. The few times I disengaged it because I thought it was going into the wrong lane, it turned out that the car was right and I was wrong. I realized that there is no hope of me driving better than a neural net that knows every road, sees in every direction at once, and never gets tired or distracted.
Given that AI has certain inherent advantages over human intelligence, what kind of moats will remain for us as humans? It's a big question.
One short-term answer is that the world we live in was created for humans, and in some domains, AI has not closed the gap yet. For instance, AI still struggles to use internet user interfaces. While any computer-literate human can navigate a web page with ease, AI is still not great at making accurate clicks and drags because image embeddings are not optimized for such precision. If the internet were designed to be fed into language models instead of rendered as visual interfaces for humans, AI would obviously far exceed humans. But for now, language models still need to be retrofitted to our legacy infrastructure.
Robotics is another area where we humans have a home-field advantage. Most tasks in the physical world are designed around fingers and opposable thumbs, which have been pretty hard to build into robots so far. While it is clear that machines can outperform humans in environments optimized for automation, like large-scale manufacturing lines, for now, most of the world is still built for humans.
However, these capability gaps are only temporary. There will surely be a day when machines click faster than us and have superhuman general dexterity. What are the real moats that humans will have?
Anything involving private knowledge that language models do not have access to feels like a solid moat to me. Romantic matchmaking and high-end real estate are two examples where inventory is often not advertised publicly and matches are made through being in the right circles. Venture capital is another example—although some research and decision making can be automated with AI, much of success hinges on understanding trends ahead of time and connecting the right people, both of which require private knowledge. While machines can and probably will have increasing access to some types of private knowledge, I think there will still be some types of private knowledge that only humans know. I do not see a path for AI to win when critical knowledge is closely guarded in human circles.
A second area where humans seem to have a real moat is in entertainment and the arts, which are inherently valued for their human aspects regardless of how well machines can do them. Watching Usain Bolt sprint one-hundred meters is beautiful as an expression of the peak of human ability, even though cars can drive much faster. Watching chess at the amateur or intermediate level is more relatable and satisfying than watching two superhuman AIs play each other. The value of art comes from the creation process, which is why replicas are not as valuable as originals. These types of work feel like they will continue to have markets even as we advance towards superintelligence.
More broadly, human presence is a feature that will be, by definition, challenging for AI to automate. For example, a teacher remembering your name or a parent supporting you is valuable even though AI can easily remember your name and probably give better life advice. Someone spending part of a finite life on you counts because their time runs out. As a personal anecdote, I remember the first time I worked with someone who I considered an amazing AI researcher. His advice was solid but what was more important was that I believed I could do great work with him as a collaborator and I raised my own standards. Over the past decades, the development of technology has divided us in some ways, but hopefully AI brings us closer to a world where human presence is reemphasized.
Intelligence has been the defining feature of humans and it will be a big change for AI to automate that over the coming decades. In the near term, certain types of intelligence will become very cheap and automate away old jobs, but the moats I described above will not be the only places where humans can hold value. In the same way that computers took away the jobs of secretaries and manual accountants but created far more jobs via the IT industry, I believe there will be much more demand for services created by productive AI-augmented humans, perhaps for services we cannot yet imagine in today’s society. Just seeing how this story plays out will be an adventure in its own right.
这些人太没有底线了，伊隆马斯克的父亲是个恶魔式的人物！年轻时就家暴（身体和精神上）马斯克的母亲。更令人发指的是长期伤害自己的孩子：马斯克小时候在学校被人霸凌打得生不如死，回到家还站着被他骂上1小时，站在霸凌这角度嘲笑他太弱；纽约时报曾报道他对多位年幼亲生子女和继子女性虐待。马斯克最终与他父亲彻底决裂，是因为他父亲69岁时趁人之危，娶了从小跟他长大的一位继女（小40多岁）为妻，还生了两个孩子。
马斯克是真不给爹打钱啊！80岁亲爹中国行，搞得像微商团建😂
近期，世界首富马斯克的父亲，埃罗尔·马斯克（Errol Musk）来中国捞金！相关的接待方很接地气，颇有微商气质，安排他跳手势舞、吃大排档、体验中医针灸、吃月饼！与马斯克妈妈 @mayemusk 签约的的MCN操盘一对比，有点山寨了，不知道的还以为是假的呢😂
众所周知，马斯克 @elonmusk 小时候其父亲对他进行了严重的精神虐待和打压，导致父子关系长期紧张，马斯克曾公开表示对父亲“深恶痛绝”。近年来，马斯克与父亲关系有所缓和，马斯克曾为父亲提供过一定的经济支持，但双方仍保持较远的距离。
但从这次广州之行的来看，生活费给的还是不多，只能自己出来借着儿子的名声捞金了！