分类目录归档：不是技术

是什么在转移

发表评论

也不是什么新观点了，各次的技术带来的产业革命，一开始的某段应该都是将已有的生产链条进行转移，转移到一个经济上更优的模型上。

轮机，实现的是自然力代替畜力和人力，磨房上面下面的风力水力替代了牛马。

然后是蒸汽机，风力和水力挑位置，蒸汽机用的是燃料，把动力输出变成随处可为。

然后蒸汽机搬上了机车，输送燃料的同时也输送货物。

电的出现，让动力可以远距离传输，替代了燃料的远程传输。交流电增强了这一属性。

围绕电力的出现，大量本地机械改革成了电器。

……

计算机的出现，让流程和数据可以从纸上转移到电子化的存储介质上，软件让管理、生产智慧变得大规模可复制，云计算，让算力可以远程传输，SaaS，让软件可以按需使用。

AI 大模型的出现，让软件上凝聚的智慧变成一种按需输出，并不需要为自己不需要的软件特性付出额外的费用。

token的远程产生，则让智慧和能源更近，使用者只需要按需，通过网络获取。

token一如电力。

所以token的使用，可能改变的是IoT最终的产品形态：本地的IoT+AI根据需求，用token生成的动态应用，满足本地需要，而不必为了多余的功能而额外付费。

关注两端：A：电力+token的产生和结合，B：本地化token2function的技术框架。

vibe coding之自动创作视频

流程大概如下：

给出一个战争的名字，AI自行检索出战争的数个重要节点（名称、地理位置、经纬度、下载若干该节点相关的图片），生成一个json文件。

CLI生成创作视频的代码，读入json文件，启动浏览器和cesium，按照时间顺序在地球界面上依次调动镜头展示战争各个节点，并显示相关的介绍和图片。

代码同时对浏览器前端进行截屏，最后合成视频。基本上可用了，就是视频表达上略显业余。

后续调用时只需要提供各个战争名称，调用这些vibe coding出来的代码就可以了。

还没有调用AI生成解说音频，后续陆续完善。

vibe coding

搭了一个moodle网站，上传了一些小学数学的视频课程，算是把这个项目固化下来，持续改进，也给自己的小孩一个记录学习的地方。当然了，其中也加了一些编程工作和自动化：

视频中提取音频，音频识别文本，文本提取出课程总结。用了deepseek和腾讯 asr的SDK。

然后可以继续AI编程了。

用群里分享的Kimi code开发了一个黑白棋的web游戏。

1.不注重上下文的话，频限（token）用得很快，4个小时的频限大概一个小时就能用完。Andante的周用量一天已经43%了。

2.把简单的需求给到deepseek，deepseek给出完整的需求prompt，复制到Kimi Cli环境中让它执行。这样也省了Kimi的token消耗。

3.按照群里的看法，就是不要看它的代码，坚决只看展示和测试结果，报bugs，也不用骂它。

4.context一高，消耗得就快，要及时/compact一下。

5.不满意的地方还是要F12看浏览器报错信息，一开始不肯做这个，Kimi Cli就自己去检查代码，效果并不好，反反复复检查，它还把变量名设成eval，不知道从哪里学的烂技术，好在它自己也知道这是不对的。

黑白棋用起来还可以，不算太差，如果用作个人网站的游戏，算可以了。

中文互联网内容是多还是少

这个问题主要是看怎么看，如果从一些曾经极盛过的行业看来，剩下的数据尸体中，内容也还是极丰富的。

比如教培，这些网课质量难道不高吗？这可是家长们用真金白银浇灌出来的内容啊。

虽然行业在政策干预下，不振了，但内容还在。

视频–>音频–>文本–>AI总结–>重构课程，多语言化 + AI小游戏增强，以极低的成本重用这些优质的内容。

之前的数据更多的是文本，现在需要从视频（非AIGC）、音频中获取营养了。

相信Google和AWS

看到有免费的EC2，还是坚持用一下免费资源，毕竟能搞定EC2的话，其他的标准VPS问题只会更少。

1.AWS注册账号，开通了EC2，我选了Amazon Linux，之所以没选Ubuntu等，还是想用最不通用（离开AWS后就没用的经验）做起，看看解决问题的能力。建立两个证书，我用Mac自带的SSH访问，就用.pem了，也预留一个给Putty。.pem使用前还要chmod 400，不然标准的SSH客户端不让启动

2.弹性IP，要分配弹性IP，之后还要绑定，之前就是没做这一步。EC2实例有内网IP公网IP，还可以从弹性IP再绑定过来。在这个过程中，居然SSH用的域名也变了，导致SSH都连不上，一度觉得八字不合。

3.反正只有自己用，直接用root账号了

4.（False）装了个python，打算用python里面的ss，结果一堆问题，比如系统的openssl和python版本，以及ss版本对不上，折腾半天。

5.换成docker，直接yum install docker，systemctl start docker, systemctl enable docker, docker run….

6.启动docker s……s/s……s-libev后，一直连不上，看EC2里面监听的端口也是正常的，无奈，还是去问Google，让我检查docker logs <dockername>，把docker container ls出来，果然docker内的端口还是标准的，于是又去问google……把启动脚本中强制 -e SERVER_PORT <port>一下。

Windows上下一个客户端，启动后，手工改一下系统代理，work了。

现在就是用这个来写blog，其实本来不需要。

有十多年没自己搭过梯子

最近闲下来了，用的商用梯子好是好，也不贵，但他们说IP存在容易被封的风险，所以还是想自己搭几个看看。

不过现在在微信群里面交流这个信息的并不多，AI和搜索引擎都很发达，就试了一下问各种AI，还算顺利，碰到不顺利的就换个方法。

docker还是很好用，算是提供了类似以前开箱即用的软件一样。

纯种RPA在消亡

看到一篇文章，说“嗅到了有些RPA产品公司，会陆续出现倒闭迹象”。

文章中说到收到不少的RPA运维需求，有国内和国外的，这些公司已经不会继续投入运维业务，从而出现运维外包的情况。

也就是说RPA需求在减少。

我个人认为，纯种的RPA肯定会消失，真正的挑战来自于AI，然而AI的能力延伸又必须以各种粒度的高可靠的自动化任务为基础，所以AI + RPA才是下一个阶段的着力点。

然而AI + RPA又可以支持多久，大概率不会出现通适型的解决方案，然而是以解决方案顾问（一人或数人）为主，动用大模型和成熟的RPA，构建出真正定制化的方案。

骤一看跟项目制差不多，但解决和实施上，AI的空间非常大，有可能是一个人就可以撬动和完成一个项目。

有业务闭环是前提，后面的交给AI和RPA，以及手中无刀，心中也无刀的人。

转一下关于大模型的风格/技术哲学

花姐姐在AI群里说的：

我的感觉是OpenAI的技术哲学有其独到之处，它的内核是数学 + C++，它认为这两样东西足以描述整个世界。
这里的数学是科学家和工程师用的数学，计算数学和应用数学。
在这方面国内几个模型大概还没摸到边。Google也不行，Gemini的数学是数学竞赛的数学。
基础语言肯定也不是C++，是什么我说不准。
Qwen的基础语言一定是Javascript。
模型的个性就在这里产生。
Deepseek是Python。
Mistral的内核语言是法语文学。
个性过于明显不可能感知不到。
Gemini的数学追求抽象和绝对的精确，但是众所周知，这会丢失信息。

挺有意思的，如果花姐姐的感觉是对的话，基本上也能分析出这些大模型各自持续演进后的天花板所在了。

黄仁勋的演讲

NVidia的方向，在指引着新的AI资本热潮，但同时也制造着更大的焦虑。

比如，与Nokia(双N合作）一起做6G网络的SDN（软件定义网络）,使用AI芯片优化频段的使用。

从另一个角度看，就是利用新的无线网络标准，远程使用AI算力以及异地的能源（算力需要消耗能源）。黄的提法是之前云计算，利用网络把操作系统、数据库去本地化了，现在轮到更深层次和彻底的算力和能源。

对于AI应用，并非生成了数据和应用在那里等着调用，相反，应该是抛弃预先计算，要算时则调用AI模型，从这个角度看，现在vibe coding，可能并不是最终的路径。

线上会维持着AI工厂，根据需要生成应用和内容，而并非提前。这样整个社会的运作无时无刻都依赖着这样的AI工厂。

量子计算机，CUDA-Q，实现AI芯片和量子芯片的高速连接、运算模型，利用AI芯片，对量子芯片的Q-bit不可靠性进行维护，做了一个工程上的保障。

数字孪生，让机器人可以提前在虚拟环境下进行训练，以提供机器人工厂的建设以及安全性。

等等。

精英团队与大团队

看到《海贼王》中“顶上战争”一段，白胡子麾下不仅有本团船员，还统领着43个旗下海贼团，声势浩大，足以与海军本部正面抗衡。那种千军万马的阵仗，确实堪称一方“海上军阀”。

但有意思的是，尾田的叙事逻辑始终在强调另一种模式——精英化团队。无论是路飞的草帽团，还是黑胡子新成立的核心团队，走的都不是规模路线，而是以少胜多、以质取胜。

路飞一行人人数虽少，却个个都能独当一面，整体机动性极高，更像是一支自由来去的“海上游侠”。而白胡子团虽然强大，却也因为规模庞大、结构复杂，在调度与应变上显得笨重，甚至容易被内部牵制。

这背后其实映射出一个现实逻辑：在新世界那样变幻莫测的舞台上，组织度太高、规模过大的团队反而容易失去灵活性与突破力。小而精的团队更容易抓住机会、快速反应，也更适合在未知领域中开拓。

这种思路也很适合用来思考今天的AI技术与创业团队。AI本身是高度依赖创新与技术突破的领域，盲目堆人力、追求大而全的组织架构，反而可能削弱创造力、拖慢反应速度。与其建立一个面面俱到、体制臃肿的“技术军阀”，不如打造一支敏捷、专注、能力互补的精英小队——能够快速试错、敢于聚焦关键问题，也更容易在不确定的环境中杀出重围。

规模带来稳定，但也可能成为包袱。而在一个高速变化的领域里，“游侠”往往比“军阀”走得更远。