Lo que pasó fue triste, pero jamás podría odiar a un país entero por las acciones de una sola persona. 😌 🇲🇽🤝🇰🇷

韩国人🇰🇷的黄金时代 羡慕啊

这篇文章最近很火，被众多大佬转发，有 400 多万的曝光。 强烈推荐看一看这篇文章。 使用 SentiaRead 浏览器插件阅读英文，太舒服了。既能学知识，又能积累词汇量。

おはようございます！！ 沢山寝たよ〜🥱 今日は「ここからだ」公演よろしくお願いします✨

如果你想了解Transformer架构的硬伤，这篇今年4月的论文非常有洞见且及时。 这篇论文的核心吐槽就是，Transformer，即现在主流AI用的那种架构在长期记住和更新动态状态上天生有局限。 它就像一个超级聪明的一次性扫描器，每次看到一长串文字，就从头到尾扫一遍，找出关联。 但是，它并不擅长持续跟踪evolving state。 这次，论文用拓扑这种几何结构的数学角度证明，Transformer把状态越推越深，深度用完了就卡住了。 这是结构性的硬伤。 如果你在搞AI Agent，或者像我一样天天做Suno音乐生成，或者未来想做Music Tech，这篇指的方向很好。 未来好用的AI需要混入循环、recurrent机制，比如Mamba、RWKV，或者Transformer与循环的混合体。 2026年AI scaling下，这更像在为post-Transformer时代铺路。 OpenAI，Anthropic可能已在内部探索。为什么o1-style reasoning有效但贵已经在论文有所解答，同时，论文也预示着未来高效long-context不只靠更大KV cache，架构创新也是非常重要的一环。 作为AI交叉背景的同学，这能帮我更好理解Human-AI Interaction中state tracking的cognitive modeling问题。 读完这篇论文之后，科研上，我会优先看recurrent axis强的模型，比如Mamba、RWKV、looped transformers、coarse SSM。训练时，可以探索下multi-stage，先feedforward pretrain，再加recurrence fine-tune来解决效率问题。

有这三步你基本上超越了 99% 的读书人 1. 读书最重要的是读 2. 谷歌搜索 zlib 打开 Wikipedia 右下角链接 3.微信读书 mac 加 iCloud 导入

TikTok投稿しました⚽️💙 vt.tiktok.com/ZSQ4RMYSE/

AI 读 paper 法 阅读 arxiv.org/abs/xxxx.xxxxx，总结这篇 paper 的核心 idea

还有人没看过这两个视频吗？我在 B 站看过最好的，没有之一，每隔一段时间我就会重新刷一遍。我之前发的这个帖子曾被超过 3 千多人收藏。 它将会颠覆你对英语学习的认知，不是开玩笑。 搭配 SentiaRead 使用，效果最好。 两个视频链接放评论区了。

If I had to stereotype my X experiences with markets: China 🇨🇳: set on cloning me with AI, can only think of trades in short term timeframes from A-shares PTSD. America 🇺🇸: bullish on anything futuristic like $SPCX, don’t care about valuations Europe 🇪🇺: from $SIVE to $SOI, cares more about water usage than the AI buildout. Somehow can only look at past 12 months. (Belgium is cool so far), looking at you France Sweden Korea 🇰🇷: leveraged degens. I’ve never seen a market so volatile. Equivalent of 50x hyperliquid traders but with stock markets. Japan 🇯🇵: somehow supportive of everything, haven’t seen any Japanese person aggressively bear post and short stocks before. Not enough data on other places yet like Latin America, but will have some soon enough ig.

今天在纽约见了做神经医学的朋友，目前正在做脑机接口。她竟然说，在学术界看来，马斯克的 Neuralink 是落后的技术。 生物看不上他用新闻稿做科学的姿态，Neuralink 属于“工程领先、科学取巧”。 从 DC 开了三个小时车过来，我原以为是叙旧，没想到聊了一下午的脑机接口、AI和存储焦虑。 她们拿融资之后能够自己设计芯片，去欧洲代工厂订做 22 纳米的版本。22 纳米是低功耗模拟芯片的黄金节点，能在 0.5V 下工作，特别适合做植入式神经记录。 目前在研究减肥针是怎么作用于大脑的。现在没人知道不同的减肥针药物，如何影响大脑抑制食欲，下丘脑和大脑的奖赏回路(多巴胺通路)具体是怎样的。于是她们在老鼠脑袋上开洞、接入芯片，需要实时测量神经信号的变化。 因为数据量大到离谱，频率非常高，所以她们需要 10000 个 TB，也就是 10 个 PB 的存储。 我第一次听到存储用PB这个单位！ 神经信号要以 3 万赫兹的频率采样(每个电极每秒测 3 万次)，才能捕捉到只持续 1 毫秒的神经脉冲。每个数据点才 2 字节,但你乘上几百个电极、再乘上 24 小时不停，一个探针一小时就是 80GB。 她说一块 1PB 的企业级磁盘比她一个月工资还贵，长期维护的 PB 级存储，五年下来要百万美金。研究室没那么多经费，只能每次买 1 个 PB，精打细算地用。 给个尺度感，哈佛和 Google 把1 立方毫米的人脑做到全分辨率，就是 1.4 个 PB。一整个老鼠脑，估计要一个 EB(1000 个 PB)。倒不是因为单次数据大，是频率太高。 而且，存储焦虑也不是生物医学独有的。 天文学界，SKA 射电望远镜一年要存 700 个 PB。CERN 的对撞机已经在用 EB 级别处理数据。存储，决定着前沿科学的天花板。 数据一大，通信传输会影响效率。所以我们聊到了光通信。 芯片连接材料最早用铝，1997 年 IBM 把它换成铜(电阻低 40%)，现在又在从铜换成光。这正好和黄仁勋在 GTC 上讲的呼应，2025 年 3 月,英伟达发布了硅光子 共封装光学(CPO)的交换机,为了把 AI 数据中心扩展到百万卡级别。 为什么铜必须让位给光呢？ 因为速度越快,铜能传的距离就越短(高频下铜的趋肤效应和损耗急剧上升)。到了 1.6Tb/s,一根铜线连一个机柜的高度都跨不过去。所以信号只能变成激光。 除了存储，实验室动物成本也是很高的。 一只实验室猴子,买进来要 3.5 万到 5 万美金，算上多年的特殊饲养、手术、兽医和机构管理费,一只猴子全周期下来轻松超过 10 万美金。一只老鼠 80 美金，买的是它基因纯度。 我问：为什么用老鼠和猴子,不用兔子？她说，老鼠有一整套基因工具箱(2.4 万种现成品系、基因敲除、光遗传学)，猴子是因为大脑结构最接近人类。兔子智商中等两头都不沾,所以不用。 现在很多 AI 公司在挖她们这种做脑医学研究的人，原因有两个。 第一层是效率。人脑是地球上最省电的计算机。大脑做着视觉、语言、运动、推理,全部并行,只耗 20 瓦，大概一个暗灯泡。而一块高端 AI 芯片就要 300–700 瓦,训练大模型动辄几兆瓦、几吉瓦。 差别在于，计算机底层是二进制(0/1),晶体管在 GHz 频率上疯狂开关。而大脑是模拟的、稀疏放电的,神经元只在需要时才点亮、才耗能。AI 公司想偷师这种效率。所以，现在AI 公司最抢手的岗位是神经科学家。 第二层更微妙：我们其实根本看不懂大脑是怎么运作的，而 AI 现在面临一模一样的处境。 Anthropic 发现，AI 在回答你的时候,其实在内部想了一套自己的东西,而它说出来的理由，未必诚实。 举个例子：研究员偷偷给 Claude 塞一个错误答案当「提示」,它会顺着这个答案编出一套像模像样的推导, 只有 25% 到 39% 的概率承认自己用了提示。 Anthropic CEO 说，当 AI 总结一份文件时,“我们并不知道,在具体而精确的层面上,它为什么做出这些选择。”AI 的思想是个黑盒子。他们的目标是给 AI 做一台”核磁共振”,到 2027 年，希望能看懂里面在发生什么。 最后又聊到做手术。 由于大脑本身是没有痛觉的，所以人可以清醒着被开颅。老鼠被开颅、植入芯片、再缝合,可以继续正常活几个月。她笑着说可以帮我开脑，但希望我永远用不上。 聊完一整个下午，我最大的感受是： 目前我们对人脑、对 AI,其实都了解得太少了。 但也正因为如此，我越来越觉得，我们活在最好的时代。 真正的无人驾驶已经在路上跑、量子计算在飞速进步、人类在认真筹备第一次登上火星、脑机接口真的开始读懂大脑…… 我今天在纽约街头连着撞见好几块 AI 和加密行业的广告：出租车顶上写着「It’s happening with Ripple」，公交广告是贝莱德的比特币 ETF，站台是OpenAI 的 Codex。 以前根本无法想象的事，都在同时发生在美国。而我们，刚好生在这个最好的时代。

我是一个没有假期的孩子。 暑假别人喜爱的阳光、夏日和远方，我没有什么执念。留学的很多同学都愿意假期去实习、旅行、回国，但我不愿意这样做。 我希望，能有自己的时间。 这个时间，不以白天黑夜为定义。 绝对的独处，绝对的安静，在物理世界，没有人打扰我，这就是伊甸园。 这也是我把整栋屋子租下来的原因，如果有舍友，可能要聒噪许多。 除了6月3日，出门拿了快递之外。其余的日子里，我从未离开过我的屋子。 大抵是房间里，有大于外面世界百分之百的魔力。无论是部署Claude Code，还是自己写一点R&B，看现象学的著作，刷量化题，烹饪，看论文，画画，在这个平台与许多有趣的人交流，都足够令我满足。 其实，我的生活很纯粹。

学日语的小伙伴真的可以试试 OCAT 我体验过不少学语言的产品，OCAT 可以说是和我的学习方式最匹配的。功能和设计非常克制，没有乱七八糟的东西，每个功能都是极高频使用 尤其是语音播放，语气和表达都非常地道。我个人喜欢基于真实场景的主动式学习，OCAT 自由度也非常高，就我而言使用体验极佳

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。 推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。 文章提出了非常实用的“三遍读论文法”： 第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。 目标是回答 5C： Category, Context, Correctness, Contributions, Clarity。 也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。 第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。 第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。 放在今天看，这个方法和 AI 辅助读论文其实很契合。 第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。 第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。 第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？ 读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。 尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。 AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。 web.stanford.edu/class/ee384…

Je vais partir du principe que tu es de bonne foi, parce que ton raisonnement est intuitif et que 90% des gens le partagent. Mais il repose sur trois erreurs factuelles, et ça vaut le coup de les regarder calmement. Erreur 1 : la fortune d'Elon n'est pas un tas d'argent. C'est de la propriété d'usines, de fusées et de satellites. "Prendre la moitié de sa tune", concrètement, ça veut dire forcer la vente de la moitié de SpaceX et Tesla. L'argent ne sort pas d'un coffre, il sort des entreprises elles-mêmes, qui passent sous contrôle de fonds étrangers ou d'États. Tu ne redistribues pas du cash, tu démantèles un outil de production. C'est la différence entre récolter des pommes et découper le pommier. Erreur 2 : "ça résout énormément de problèmes dans le monde". Cette expérience a déjà été tentée, en vrai. En 2021, le directeur du Programme Alimentaire Mondial de l'ONU a affirmé que 6 milliards de Musk pouvaient "résoudre la faim dans le monde". Réponse d'Elon : décrivez-moi exactement comment, comptabilité publique à l'appui, et je vends mes actions Tesla immédiatement. Le PAM a publié son plan. Verdict : ce n'était pas "résoudre la faim", c'était nourrir 42 millions de personnes pendant un an. Un an. Puis il faut re-payer, pour toujours. Le PAM avait d'ailleurs levé 8,4 milliards l'année précédente, et la faim était toujours là. Les ONG traitent les symptômes en boucle, jamais les causes, parce que leur financement dépend de l'existence du problème. Erreur 3, la plus importante : tu cherches ce qui sort vraiment les gens de la pauvreté. Bonne nouvelle, on a la réponse, et elle est massive. En 1990, 36% de l'humanité vivait dans l'extrême pauvreté. Aujourd'hui, moins de 9%. Plus d'un milliard de personnes sorties de la misère en 30 ans. Par quoi ? Pas par la charité ni par l'aide internationale (plus de 1 000 milliards versés à l'Afrique en 60 ans pour un résultat à peu près nul). Par l'ouverture des marchés, l'industrialisation, le commerce. La Chine seule a sorti 800 millions de personnes de la pauvreté en abandonnant le collectivisme, pas en taxant ses entrepreneurs. Donc fais le calcul complet. Option A : tu confisques 500 milliards, tu finances quelques années de programmes, l'argent est consommé, et tu as détruit la machine qui produisait les fusées, les voitures électriques et l'internet des zones rurales. Option B : tu laisses le meilleur allocateur de capital de sa génération réinvestir 100% de sa fortune dans des industries qui baissent les coûts pour tout le monde et emploient des centaines de milliers de personnes. L'option A soulage ta morale pendant 18 mois. L'option B sort des populations entières de la pauvreté pour toujours. La pauvreté ne se redistribue pas. Elle se résout par la création. C'est contre-intuitif, c'est frustrant, mais c'est ce que disent 200 ans de données.

在日本做独立 AI 工程师的收入和前景,说几句大实话。有些话可能不太好听,但比打鸡血有用。 先把最常见的误解破掉:在日本做 AI 工程师,收入天花板比美国低得多。 Glassdoor 的数据,东京全职 AI 工程师平均年薪大约 645 万日元(约 30 万人民币),顶部 10% 大约 983 万日元(约 45 万)。ERI 的数据稍微高一点,平均 996 万日元(约 46 万)。对比美国 AI 工程师平均 15 万美元以上(约 110 万人民币),差距是明摆的。 如果你单纯比工资数字,日本完全不值得来。 但独立 FDE 不是打工,不吃本地工资的天花板。这是这件事成立的前提。 我在大阪做独立 AI 工程师,客户不限于日本本地。中国客户、东南亚客户、偶尔有欧美客户,项目按交付结算,不是按日本的雇佣薪资体系定价。当你的客户来源是全球的,你的定价锚点就不是"日本 AI 工程师平均工资",而是"这个项目在客户那边值多少钱"。一个帮客户省掉三个人半年工作量的 Agent 项目,客户不会按日本时薪给你算钱,他会按省下来的人力成本的一部分给你定价。 这是独立 FDE 和全职打工最根本的区别:你卖的不是时间,是结果。按时间卖,你永远被本地市场的时薪天花板卡住。按结果卖,天花板取决于你能解决多大的问题。 Upwork 上 AI 和机器学习方向的专家,全球时薪在 75 到 150 美元之间,顶尖的到 250 美元。这个价格在日本的生活成本下极其舒服,大阪的生活成本大概是东京的七八成,是硅谷的三分之一。同样赚美元,住在大阪的生活质量比住在旧金山高出不止一个档次。 再说项目来源。日本本地的 AI 项目市场正在快速打开。 日本政府的 AI 基本计划白纸黑字写着要成为"全世界最容易开发和使用 AI 的国家",同时也白纸黑字承认自己在 AI 应用、开发和投资上全面落后。NEDO 五年拨了一万亿日元砸 AI,微软承诺投 100 亿美元建日本 AI 基础设施。AI 平台访问量 14 个月涨了 225%。Robert Half 今年的报告说,日本 IT 行业在 AI、网络安全、云和数据工程方向的人才需求远超供给,尤其缺双语人才。 日本软件工程师的缺口大约 30 万人,而且每年在扩大。AI 工程师的缺口更夸张,因为日本本土培养的 AI 实战人才极少。大量日本企业想用 AI 但找不到能帮他们落地的人。 这对一个中日双语(甚至三语)的独立 AI 工程师来说,意味着什么?意味着你在一个供给极度短缺的市场里,拥有大多数本地竞争者不具备的能力组合:懂 AI 落地实战、能跟日本企业用日语沟通、同时又能接入全球最新的技术和工具链。 Hello World Japan 上个月有一篇文章说得很准:2026 年在日本最强的 AI 机会,是成为"implementation bridge"。能理解日本企业的业务问题,选对 AI 方案,接上真实系统和数据,帮团队信任并使用它。 这基本就是我每天干的活。不是做研究,不是训模型,是帮企业把 AI 从概念变成生产环境里真正在跑的东西。 但也得说几句不好听的。 日本客户的决策周期极长。我之前那篇帖子说过,稟議制度可能让一个项目的审批流程走三到六个月。你做惯了中国市场"上午聊完下午开干"的节奏,来日本会极度不适应。第一单可能谈半年,这半年你没有收入,纯靠积蓄扛。 日本企业对信任的要求极高。他们不会因为你 GitHub 上有几个星就信你,他们要看你跟他们的同行合作过没有、有没有本地的推荐人、愿不愿意坐新干线去他们办公室当面聊。在建立信任之前,你就是一个"外国人说自己很厉害",在建立信任之后,你是一个三到五年的长期合作伙伴。日本企业换供应商的意愿极低,这意味着进去难,但进去之后非常稳。 还有一个很多人不知道的事:日本的个人事业主(個人事業主)税务制度对独立工程师其实相当友好。你可以做青色申告(蓝色申报),合法抵扣大量业务相关费用(设备、软件订阅、差旅、家庭办公空间),加上各种控除(扣除),实际税负比你想象的低。大阪没有东京的高房租,生活成本可控,医疗靠国民健康保险覆盖,看病自付 30%。 算一笔粗账:如果你的技术足够硬、客户结构健康,月收入做到 200 万到 400 万日元(约 10 万到 20 万人民币)是完全现实的。我自己目前就在这个区间。关键不是接多少单,是每一单的价值够不够高。你帮一个客户省掉半个团队半年的工作量,这一单的报价就不是按小时算的,是按业务价值算的。扣掉税和社保,到手大概七成。在大阪一家三口生活成本大约 30 到 40 万日元,剩下的全是积累。这个收入水平在日本已经超过绝大多数全职 AI 工程师的天花板(Glassdoor 数据东京 Top 10% 也就 983 万日元年薪,折合月均 82 万),而且没有被裁的风险,没有组织政治的消耗,时间完全自主。 这个收入水平在日本属于中上,在中国一线城市的大厂里可能只是中等。但区别在于:大厂的收入依赖于你不被裁、不被调、不被组织架构调整波及。独立收入依赖于你的技能在市场上有没有人买单。前者是别人给你的,后者是你自己挣的。前者随时可以被拿走,后者只要技能在就拿不走。 最后说一个我自己最真实的感受:在日本做独立 FDE 最大的收获不是钱,是时间的自主权。我自己决定接什么项目、什么时候工作、什么时候停下来。下午三点想去公园坐一会儿就去了,晚上想多干两个小时就干了。没有人在群里 at 你,没有人半夜发消息说"明天早上对一下",没有"周末来公司开个会"。 这种自由在大厂是买不到的,不管你的级别有多高。 当然,这种自由的代价是:所有的不确定性都是你自己的。没有客户的那个月,焦虑是真实的。项目出了问题,没有团队替你扛,你就是最后一道防线。这种压力跟大厂的压力质地不同:大厂的压力是"别人对你的期望",独立的压力是"你对自己的要求"。后者其实更难处理,因为你没法甩锅。 适不适合来日本做独立 AI 工程师?取决于三件事:你有没有一个能跨市场定价的技术能力,你有没有至少六个月到一年的经济缓冲,你能不能接受从"组织里的重要人物"变成"一个人对着屏幕干活的自由人"。 三个都是"是",来。有一个"不确定",再想想。 jobicy.com/salaries/jp/ai-en… roberthalf.com/jp/en/insight… helloworldjapan.com/en/artic… index.dev/blog/ai-developer-…

盘点我的跨境基建，这三个月没闲着，门槛是越来越高了 一、银行卡： 1、华美银行，新加坡OCBC，瑞士杜高斯贝，Wsie，英国iFAST，德国N26 2、虚拟卡：Bitget，Bybit，Coninup，Plasma on，LemFi，小狐狸，海妖Kraken卡，欧易，币安 3、Paypal（美国的，英国，德国，中国） 3、招商Vsia信用卡，中银环球通Visa，中信铂金Vsia 4、盈透，嘉信，第一证券，BBAE，复星，正在申请ITIN

🗣️ Matthijs de Ligt: "İdmanda takım arkadaşlarımın milyarlık kıyafetlerle, lüks saatlerle hava attığını görüyorum. Bir gün kulübe çok basit, markasız bir kıyafetle gittim ve bana gülüp 'Sen milyonersin, neden böyle giyiniyorsun?' dediler. Onlara acıdım. Çünkü bir insanın değerini üzerindeki logonun büyüklüğü belirlemez. Ben parayı üzerimde taşımayı sevmiyorum, parayı geleceğime yatırıyorum. Eşim Annekee ile çok genç yaşta evlendik çünkü gece kulüplerinde sahte yüzler aramaktansa, beni ben olduğum için seven biriyle evde oturup kahve içmeyi tercih ederim. Futbol dünyası sizi bir tüketim çılgınına dönüştürmek ister, eğer zihnen güçlü değilseniz o pırıltılı dünyada karakterinizi kaybedersiniz."

高中三年，你最遗憾的事是什么？ 这是每年高考结束最常问的问题。 答案里，都是高中没有谈恋爱，没有和喜欢的女生走下去，没有考一次第一，要么就是谈恋爱谈太多了成绩没搞好，校运会没有拿到金牌，或者班赛篮球绝杀没进。 实话说，现在好多人回忆高中有什么遗憾时，我也在尝试思考自己的过去。 我发现，我并非没有遗憾，我是完全想不到、无法触发到高中时代能引动我情绪和遗憾点的瞬间是什么。 没有印象，没有留恋，没有留下任何痕迹。毕业照我没有拍，毕业典礼我没有参加，百日誓师没有上台。什么都没有。 有的，仅仅是我坚持热爱的东西。 每天要看投行的研报，咨询MBB的各种乙方的资料以及CFA的金融框架，量化的习题，LeetCode，还有感兴趣的人工智能书。我记得第一本启蒙我的书是我2022年在衡水中学对面的书店里买到的那本马克斯·泰格马克的《Life 3.0: 人工智慧時代，人類的蛻變與重生》，它陪伴了整个四季。 然后，就是课内的那些事，金考卷，高考必刷题，试题调研，南方周末作文集，衡水体训练。平时，我还会打开b站看看每周更新的经济学人、纽约时报的赏析。 这对我来说，是最大的快乐如意。 恋爱？从未开始过。 第一？考过十几回。 班赛？因为自己经常不在学校的缘故，也并不在乎、并不知道学校发生了什么。 一言以蔽之，异性在我少年时代的生活里，都没有留下过痕迹。 青梅竹马的剧本我没有拥有过，小说里的男女合租情节更没有过，年上和年下也好，都没有过。 因为我喜欢安静，有人在物理空间过度介入我的生活，我会觉得无所适从。 这个或许和注意力机制有关。 哪怕大学四年，加上Gap期，在浙大实验室的科研历程，复旦的学习历程，在港大、北大汇丰那么多的学习场域，我见过很多优秀的人，有趣的事，但我仅仅是看一眼，粲然一笑。 深刻的链接是有的，但仅止于萍水相逢的友谊。也就是说，我深知自己的边界。 双向的爱情萌芽，我愿意书写别人的故事，但从未留恋自己的青春。 我想，我会继续这样走下去。

Quiero aprovechar que esta foto se está viendo mucho para agradecerle a Ferran que, cuando la DANA golpeó Valencia, estuvo allí con todos nosotros sacando barro como uno más. No buscaba protagonismo. Solo ayudar. Desde ese día, aunque él sea del Barça y yo del Real Madrid, le tendré siempre un enorme respeto. Gracias, Ferran.