分享感悟
随便配张图，随便配首歌~
【思考分享】
五行相生相克关系的内在逻辑理解：
为什么a生b的同时克c，因为只有克下一个，才能生出当前的，这样才是一个稳定的关系；
水->木->火->土->金是一个五元循环关系。
端到端路线VS规则路线理解：
- 通常的技术路线是这样的：
规则先行，通过规则摸爬滚打几个版本，不断踩坑，摸清了系统的关键感知输入；
规则在早期的优势是：快速迭代、高效解决主流场景的问题；
随着解决的问题越来越多，规则开始出现瓶颈，不同的规则相互打架，不断针对corner case打补丁，最终演变成无人能懂其全貌、无人能维护的屎山代码； - 这个时候端到端开始体现优势，这个时候系统要解决的主要问题不再是主流场景的问题，而是长尾场景的问题；
主流场景的问题，通过case by case一个规则能解决一批，性价比很高；
长尾场景的问题，一个case就要一个规则来解决，靠case by case是搞不定的；
长尾case是个例化出现的，每个长尾case虽然看起来不起眼，但也是真实场景，也影响到用户的体验；长尾case累计到一起也很可观；主流场景大家都能搞得定，而长尾场景才是竞争力的关键； - 端到端技术使得我们不需要花费精力去解释数据，只需要构建好输入和输出的数据集，让AI去解释数据；AI能看得到数据的全貌，不会出现规则打架;端到端最大的好处是将解释数据的成本降低到0；同时因为消除了中间模块串联的误差，能力上限也得到提升。
- 端到端技术是解决长尾场景的自然选择。
特斯拉FSD一定是因为规则出现了瓶颈，才去选择走端到端路线。
很多可靠的系统也都是端到端的，骑自行车能保持平衡并不是因为大脑一直在做规则运算，而是因为形成了肌肉记忆，所谓的肌肉记忆就是端到端。当然，规则也在对骑自行车时的决策进行兜底，在复杂路况大脑会接管决策，而在安全区间大脑可以一心二用想别的事情。 - 技术没有好坏之分，在特定场景下能解决特定问题的就是好技术。
端到端也不是制胜法宝，端到端依赖数据集，我们数据集上限是怎样，端到端的上限就是怎样；端到端需要做的事情就是不断去优化数据集，数据治理决定了端到端的成败。 - 从哲学角度看，任何事物都是对立统一的。存在规则的路线，是因为系统有内在物理规律，而存在基于概率统计的端到端路线，是因为系统是测不准的，任何测量都有精度上限。技术从规则走到端到端是进步的，但是端到端路线内部也会进一步深入，深入后的对立路线里面规则的思想会以新的方式再次出现；可以想象下，用特殊的规则压制了幻觉，就是更好的端到端。
VAE变分自编码器理解：
机器学习常规用法是通过一个模型学习样本的分布，例如语音就是一种有规律的分布，中文有中文的分布，英文有英文的分布，方言、其他语言、甚至动物语言，他们都有自己的分布，那这些分布有没有一些相似之处呢？很显然是有的。所谓变分，就是我们学习到一种分布后，将这个分布作为高斯分布的一种特例，变换分布得到另外一种合理的分布。
如果我们轻微的变换分布，可能可以由“男性声音”变换为“女性声音”（女性的声音频率普遍高于男性）、从一个人的声音变换成另外一个人的声音；如果重度的变换分布，可能可以由“人类声音”变换为“动物声音”。
可以想象下我们人类的语音是有一个内核规律在里面的，每个人说话的音色、音调、语速都不一样，但是可以表达相同的含义。
自编码器就是学习到这种内核的规律，学习到了在“音色、音调、语速”以及“智慧程度、情绪”等等有限参数下的语音分布；而变分，就是将这些有限参数看做高斯分布的少部分特例，学习其他分布，从而通过不变的内核规律，生成出新的，训练样本中没有见到过但是概率合理的分布。
VAE的AE（自编码器）的网络结构，是将原始输入变换到一个低维的潜空间、再从潜空间还原到原始输入，通过最小化还原误差，来驱动网络学习到数据的分布规律，是一种自监督学习。我们可以将低维潜空间认为是内核规律的一个特例分布。
而“变分”则是变换这个低维潜空间的分布，通过变分的思想，VAE成为一种生成式的AI技术，现在的大模型也是一种生成式AI技术。所谓生成式，就是训练样本中没有见过这些数据，但是生成的内容是合理的、有逻辑性的。
大模型为什么具有推理能力的理解：
大模型推理能力的本质，可以从VAE原理上得到启发。
大模型训练步骤很复杂，但主要阶段分为预训练和微调：
预训练阶段：将海量文本，通过文本天然的序列分布关系，自监督训练，学习到文本的规律：语言模型。例如：“今天”后面出现“天气”的概率最大，“今天天气”后面出现“不错”的概率最大。
微调阶段：通过监督、强化学习等方式，让模型分布偏向人类易于理解的方向。例如我们问大模型“这个问题怎么解决”，我们是肯定不希望他反问：“你觉得呢”，也不希望他拒绝回答：“我不知道”，或者答非所问、或者长篇大论等等。尽管这些答复方式在我们人类的对话中经常出现，在训练预料中经常出现，但是我们挑出了一种最符合大多数人预期的一种回答方式。
我们可以和VAE进行类比。
预训练语言模型就是学习到有限参数下的文本分布，这个文本分布里面已经包含了人类推理能力的内核规律。VAE也通过自编码器学习到内核规律。
而LLM的微调，则是从海量分布中，选择到一种“最靠谱、最有价值”的参数空间，可以看做是从一个高斯分布中选择其中一个特例分布（一个具体的潜空间分布）。而VAE是由一个特例分布，估算高斯分布，从而变换为另外一个分布。
我们继续用语音来理解，假设我们将世界上所有出现过的声音用LLM方式预训练，那预训练后的模型里面，一定有一种分布是汉语，通过微调我们可以找到汉语这种特例分布。而如果我希望实现翻译的功能，也可以通过微调得到这种语音翻译的特例分布。
量子纠缠不允许超光速信息传递的理解
- 本质原因：只能获取量子的状态，无法设置状态，而获取状态得到的结果是随机的。
- 虽然在地点A获取到了状态后能确定出在地点B的状态，但是由于获取的状态是随机的，无法传递有用信息。
动态范围理解：高音上不去低音下不来。
- 很高的信号，测量出现饱和了，上不去。
- 很弱的信号，测量精度不够，淹没在噪声了。
- 所谓动态，就是最大值与最小值的差异，对比度。
高音唱不上去，再高一点就破音了，音调就不准了；低音下不来，再低一点就听不见了。 - 很多事情都是这样的二元矛盾，先贤智慧用阴阳五行概况了一切事物的本质。
山南水北太阳照得到，称作阳；反之称作阴。
我们可以把生活中万事万物都纳入到这个阴阳理论中，如同上面的饱和和弱信号，还有全局与细节、自信与自卑、奋斗与躺平、机器学习中的查全与查准等等。
为什么要存在这样的二元矛盾呢，因为事物是复杂多元的，人类的思维适合处理选择题，阴阳就是二选一，五行就是五选一。阴阳是站在最主要的矛盾上思考，是战略层面的；五行是细分到内部的主要结构上思考，是战术层面的。阴阳五行分析的目的，就是找到一种平衡，使得各方共生，没有阴就没有阳反之亦然，没有躺平那什么叫奋斗呢。
用这种思考方式看问题时，很多事情都会通透，比如人们常争辩的西方快乐育儿和东方的鸡娃，就是阴阳两面。我们可以少走极端，例如不会过度健身，也不会完全缺乏运动，人体是一个平衡的系统，适度的锻炼才能让身体保持正常的运转下去。
高效讨论问题的关键点
- 不要泛泛而谈（不要听君一席话如听一席话，不要“关键的问题是找到问题的关键”这样的废话）
- 不要面面俱到（只需要TOP3）
时间管理法
- 不需要具体而精确的时间日程表
- Deadline 是人的第一生产力
- 进行非同步沟通，不被邮件打扰工作
- 同类事件一起做，才能更高效率
- 早起
- 80%的时间分配在最重要的事情上
- 主动结束或离开没营养的谈话，不做被动听众
【工具分享】
文件夹同步软件FreeFileSync
- 能自动双向同步两个文件夹的软件，方便简单的数据备份，不要钱~
- 结合海康入门级NAS，可很方便的管理家庭所有数据照片。
照片管理软件digikam
- windows自带的照片管理功能太拉胯了，这个是开源免费的，功能强大，比较好用。
VNC-Viewer
- windows上远程访问其他平台（Linux、windows）的软件，可与docker搭配用于团队协作开发。
DeepSeek&ChatGPT&智谱清言&kimi
- 让知识获取变得免费
- 现在给出一段文字的体验还是差点意思，360AI搜索给出思维导图的方式不错
- 下一步直接给成PPT（图文结合给出直观的观点），知识获取的体验更佳；用户自己翻页控制节奏
- 给出视频可能是终极方案，但是需要能个性化结合每个人的思维认知习惯