笔记
0工具
0此页用于记录用户反馈问题后的每一次改进
关于
“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
不想公开、只想临时给人看：点“分享”生成一条带密码和有效期的链接，到期自动失效，你也能随时撤销。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
趋势
科技爱好者周刊（第 410 期）：你需要知道的 AI 三种机制
先声明一下，这篇文章是阮一峰老师周刊第 410 期的内容，我把它改写成了一篇深度技术笔记。原文信息量很大，我尽量把 AI 三种机制、公开演讲技巧、科技动态、工具推荐这些板块都保留下来，同时加入了我自己的理解和补充说明。
先说个事儿，这期周刊的封面图是宁夏沙坡头景区的巨型蒙眼雕塑，挺有艺术感的。不过咱们今天重点不是这个，是阮老师写的“AI 小知识系列”第三篇——你需要知道的 AI 三种机制。
前两篇分别是《大模型需要多少内存》和《AI 缓存是什么》，如果没看过建议先补一下，因为这篇是接着那两篇的思路往下走的。
一、AI 为什么能回答我们的问题？
这是个基本问题，但也是最让人困惑的问题。你问大模型“李白是哪个朝代的”，它能秒回“唐代”；你问它“帮我写一段 Python 代码”，它也能给你写出来。这背后到底发生了什么？
阮老师的思路很清晰：对于非专业人士，只需要知道三个机制就够了。我完全同意，因为如果你去读那些论文，什么 Transformer、注意力机制、反向传播……读完之后大概率还是一头雾水。
1. 参数机制：大模型的“记忆体”
先说宏观层面。所有大模型本质上都是对人类知识的建模。它建立了一个数学模型，用来描述人类知识。
怎么描述？用的是参数机制——把知识分解成一个个“词元”（token），然后计算所有词元之间的数学关系。这个过程叫“训练”。
这里我得展开说一下。你想想，人类知识有多庞大？从古希腊哲学到现代量子力学，从唐诗宋词到 Python 文档，这些东西怎么塞进一个模型里？
答案就是参数。每个参数代表词元之间的某种关联权重。比如“苹果”这个词，和“水果”、“红色”、“iPhone”、“牛顿”这些词都有不同的关联强度，这些强度就是参数。
阮老师举了个例子：大模型 GLM 5.3 有 7440亿个参数。这个数字什么概念？如果一个人每秒数一个参数，不吃不喝要数两万多年。这些参数就是模型对整个人类知识的压缩表示。
所以大模型本质上是一种 “压缩-生成”机制：训练阶段把知识压缩进参数里，推理阶段根据参数生成答案。
2. 推理机制：大模型的“逻辑脑”
参数越多，模型效果越好，这个好理解。但问题来了：参数不可能无限增加。
为什么？两个原因：
- 成本问题：训练和使用成本直线上升。你想想，7440亿个参数，每次推理都要计算这些参数之间的关联，这计算量得有多大？
- 必要性：很多知识根本不需要存进参数里，完全可以通过逻辑推理获得。
阮老师举了个例子：只需要知道某个城市的人口出生率和死亡率，就能马上算出净增长率。这不需要记忆，推理一下就出来了。
我补充一个更具体的例子。你问大模型“如果 A 比 B 高，B 比 C 高，那么谁最高？”这个问题，模型不需要在训练数据里见过类似的题目，它只需要理解“高于”这个关系的传递性，就能推理出答案是 A。
这就是推理机制的价值：用逻辑规则弥补参数的不足。这也是为什么现在的大模型都在强调“推理能力”，而不是单纯堆参数。
3. 联网机制：大模型的“外挂”
但就算参数再多、推理再强，总有些问题是模型回答不了的。
比如你问“今天上证指数收盘是多少”，模型就懵了。为什么？因为这个知识是实时的，训练的时候根本不存在这个数据。推理也推不出来——你不可能通过逻辑规则推断出今天的股市行情。
这时候就需要联网机制了。模型通过 Agent 或应用框架，自动去互联网搜索那些它不知道的知识。
这个机制现在越来越重要。你看 ChatGPT 的联网搜索功能、Claude 的 Web Search，本质上都是在给模型装“外挂”。模型先判断自己知不知道答案，不知道就上网搜，搜完再整理成回答。
总结：三种机制怎么配合？
阮老师总结得很精辟：
- 参数机制：提供基本知识（模型“知道”的）
- 推理机制：产生推理得到的知识（模型“想到”的）
- 联网机制：获取前两者都无法得到的知识（模型“查到”的）
三者配合，AI 才能正确回答我们的问题。
二、公开演讲的窍门
这部分是阮老师分享的演讲技巧，我觉得挺实在的，跟技术无关，但值得一读。
1. 内容只占 30%，表演占 70%
这话听起来有点反直觉，但仔细想想确实如此。演讲不是写文章，你站在台上，观众看的是你的整体表现——语气、动作、表情、手势。内容再好，讲得跟念经一样，观众也听不进去。
阮老师说得更直白：“演讲是一场秀”。你要像演员一样去吸引听众的注意力。
2. 提前做好充分准备
演讲稿、幻灯片、笑话、语调、节奏，所有细节都要反复练习。
为什么要这样？因为你无法预知上台会发生什么——可能投影仪坏了，可能观众提问刁钻，可能你突然紧张忘词。但如果你把稿子背得滚瓜烂熟，就算出点小意外，你也能沿着预设的轨道走下去。
3. 多讲“为什么”，少讲“怎么做”
这条对技术人特别适用。如果你讲的是技术话题，观众想听的是为什么应该关注这些，而不是具体怎么实现。
阮老师的建议是：“如何做”略微讲一讲大致思路和一般概念即可，具体操作和实现可以全部跳过。因为没人想听你背诵文档。
我深有体会。以前我做过一次技术分享，准备了 50 页 PPT，结果讲到第 10 页就发现观众开始玩手机了。后来我改成先讲“为什么要用这个方案”，再讲“大致思路是什么”，效果反而好很多。
4. 紧张是正常的
谁上台不紧张？但阮老师给了一个关键建议：如果你做了充分准备，把稿子背得滚瓜烂熟，上台后一旦进入状态，你很快就会把紧张忘记。
紧张的本质是对未知的恐惧。你准备得越充分，未知就越少，紧张感自然就降低了。
5. 一定要自信
“公开演讲的成功者，都是自信的人，而不是能力强的人。”
这句话我琢磨了很久。阮老师还补了一句：“很多糟糕的管理者和骗子，都发表过成功的演讲，这说明内容绝非登上讲台的必要条件。”
这话有点扎心，但确实是大实话。观众信不信你，很大程度上取决于你信不信自己。
6. 有渴望就有资格
“只要你渴望谈论某个话题，你就绝对有登上讲台的条件。”
这条算是个心理安慰，但也是事实。热情是最好的老师，你对某个话题有强烈的表达欲望，这种热情会感染观众。
三、科技动态
这期有几个挺有意思的科技新闻，我挑几个展开说说。
1. 平面椅
美国一位设计师发明了一种玻璃纤维椅，用户拿到手就是一块平板。花几分钟拆开，组装起来就是一把椅子。
这个设计的核心价值在于减少运输体积和存储空间。你想啊，传统椅子是立体结构，运输起来占地方。但平板设计可以叠放，一个集装箱能装原来好几倍的货。
它依靠曲线的张力和互锁部件来提供强度。这个思路挺聪明的，不用螺丝不用胶水，纯靠结构力学。
2. 虚拟化身演唱会
美国著名歌星多莉·帕顿去世了，享年 80 岁。但她生前授权制作了一个“虚拟化身”，让这个化身在台上演唱。
这个新闻挺震撼的。技术上已经完全可行——现在的 AI 不仅能唱得逼真，还能实时生成影像，甚至与歌迷互动。
阮老师分析得挺到位：虚拟化身演唱会的好处很多——
- 可以大量举办：一天几场都没问题，真人做不到
- 票价低：没有真人演出的成本
- 能做真人做不到的事：比如去世的歌星也能开演唱会
我相信只要有第一次，后面就会大量涌现，形成一个专门的市场。这让我想起初音未来的全息演唱会，但现在的技术比那时候先进太多了。
3. 自行车助力器
华硕推出了一种“自行车助力器”，任何自行车都可以安装，让普通自行车变成电助力自行车。
原理很简单：一块电池带动一个轮子。你把它装在后轮上方，它就会自己带动后轮转动，提供助力。
阮老师说“值得推广”，我持保留意见。评论区有人指出，这种东西很多年前淘宝就有卖，价格几千块，感觉有点“脱裤子放屁”。不过华硕做的话，可能在品质和续航上会好一些。
四、文章推荐
1. 比尔·盖茨的 AI 观点转变
比尔·盖茨本周发表了一篇文章，提出 AI 有风险，应该减缓发展速度。
但阮老师发现了一个问题：盖茨在 2023年（原文笔误写成了 20023 年，评论区一堆人捉虫）发表过一篇完全相反的文章，叫《AI 的风险是可控的》。
三年时间，观点发生了 180 度转变。这说明了什么？阮老师的评论很犀利：“不管他怎么想，AI 的发展只可能加速，不可能慢下来。”
确实，技术发展有自己的惯性，不是某个人说慢就能慢下来的。
2. Ox Alpha 是 GLM
前些天网上出现了一个匿名模型 Ox Alpha，性能优秀，各方猜测它出自哪家公司。最后智谱承认它是 GLM 5.3 Flash。
阮老师提到，在官方承认之前，就有人用证据推测出它背后的公司是智谱。文章教你怎么找到模型的作者——大概是通过分析模型的行为特征、响应模式、甚至错误模式来推断。
这个模型的 Artificial Analysis 得分是 57，高于 DeepSeek V4 Pro 的 53。厉害的是，它的激活参数只有 18B，远小于后者的 49B。
这意味着什么？激活参数小意味着推理时计算量小，运行速度快，而且可以在本地计算机跑。这确实是个大优势。
3. Git worktree 使用详解
这个挺实用的。Git 仓库一般只有一个工作目录，如果同时开发两三个功能，切换起来很不方便。
git worktree 命令可以新建多个工作目录，每个目录对应不同的分支，互不干扰。比如你可以在一个目录里开发 feature-A，在另一个目录里修 bug，不需要来回切换分支。
4. AliExpress 的 WebAudio 指纹识别
这个新闻挺有意思。国外网友发现 AliExpress 首页有一段代码使用了 WebAudio API，导致每次打开页面，他的蓝牙耳机就断掉。
他仔细查了代码，发现这是为了识别用户。WebAudio API 可以用来做浏览器指纹识别——因为不同设备的音频处理硬件和驱动不同，产生的音频信号特征也不同，可以用来唯一标识用户。
这算是一种比较隐蔽的追踪技术。
5. Google Workspace 的域名 Bug
作者想给 Google Workspace 绑定域名，但域名就是无法通过。找客服，客服说了一堆废话，解决不了。
最后作者自己查前端源码，发现就是一个前端函数在检查域名，禁掉这个函数，域名就能绑定。
这确实让人无语。一个前端函数就能解决的问题，客服搞不定，还得用户自己改代码。
6. Xorshift 生成随机数
大家可能不知道，平时运算中的随机数，大部分是由 Xorshift 算法生成的。
原理是：通过对种子值进行 Xor 运算和位移，得到随机数。这个算法简单高效，计算量极小，适合在资源受限的环境中使用。
五、工具推荐
这期推荐了不少工具，我挑几个重点说说。
1. Vanilla OS 3
一个基于 Debian 的 Linux 发行版，实现不可变（immutable）系统，所有操作都是原子化（atomic）操作。
不可变系统是什么意思？就是系统文件是只读的，你没法直接修改。更新是通过原子化操作完成的——要么全部更新成功，要么全部不动，不会出现更新到一半系统崩溃的情况。
2. stock-tui
终端查看 A 股 K 线图、市盈率、成交量的小工具。程序员炒股专用，不用开浏览器了。
3. Dark mode PDFs
一个很有意思的小工具网站，将上传的 PDF 文件反转颜色，白底黑字变成黑底白字。护眼党福音。
4. Termio
mac 版的 AI 编程开发环境（ADE），有配套的 iPhone 版本。评论区有人推荐了另一个类似工具 orca，感兴趣的可以对比一下。
5. PicLite（图轻）
跨平台的图片压缩工具，支持：
- 本地文件夹监控
- 图片格式转换
- 批量压缩
- 添加水印
- 上传图床
功能挺全的，适合有图片处理需求的开发者。
6. Multi-Row Tabs
Chrome 插件，以多行平铺的形式显示当前窗口的所有标签页。标签页开多了的福音。
7. InvoiceFlowAI
开源的电子发票整理与报销桌面工具，连接用户自己的 QQ 或 163 邮箱，批量收集邮件中的发票，完成 OCR 识别、分类归档，并生成 Excel 汇总。
这工具挺实用的，特别是对经常需要报销的人来说。
8. CozyClay
在浏览器中搭建场景框架、摆放角色姿势、编写镜头运动和剪辑，然后交给 AI 视频模型更准确生成视频。
相当于给 AI 视频生成提供一个“导演工具”，让生成结果更可控。
9. Email.md
这个网站提供电子邮件模板，用户只需填入 Markdown 格式，就会生成一封格式化的电子邮件。写邮件不用再排版了。
10. Minimalytics
一个统计服务器，记录和监控各种事件，基于 Go 语言和 SQLite 数据库，内置 Web 界面。
六、资源推荐
1. 星舰基地
SpaceX 要在路易斯安那州新建一个“星舰基地”，官网看起来像科幻电影一样。马斯克是真的在认真搞星际移民。
2. 漫游旧金山
一款网页游戏，让用户在实景的旧金山街景地图上漫游，可以指定地点。有点像谷歌街景的游戏版。
3. 城市道路（city road）
这个网站可以将某个城市的所有道路变成一张线条图，支持缩放。评论区有人说查不到青岛，可能对城市支持不全。
七、图片：伦敦最小的雕塑
这期分享了一些伦敦的小型公共雕塑，挺有意思的。
最出名的是两只老鼠偷奶酪的雕塑，在一商业街一楼街面最高处。据说为了纪念一个悲剧事件：19 世纪时，两个工人在此处为了一块丢失的奶酪大打出手，闹出了命案，事后发现奶酪是被老鼠偷掉了。
还有一处“老鼠之家”的雕塑。店主发现街道的门牌号少了一个，就做了这个雕塑，把少掉的门牌号给了这个老鼠之家。
这些微型雕塑给城市增添了不少趣味。
八、文摘：同质化网络
这期的文摘部分讲了一个挺深刻的话题——同质化网络。
社交媒体的一个根本属性是它们会催生“同质性”网络。同质性指的是用户会遇到相似的人。比如观鸟爱好者会加入线上观鸟小组，保龄球爱好者会与其他保龄球爱好者聚会。
这样的后果就是：网络会把边缘人聚在一起。认为地球是平的人，可以轻松地在网上建立联系，这在现实生活中根本不可能——因为相信地球是平的人寥寥无几，彼此遇不到。
同质性网络会扭曲人们对观点分布的认知。观点明明是少数的人，长期在同质性网络中，可能会误以为他们的观点代表了大多数人的共识。这称为虚假共识效应。
虚假共识效应会带来几个问题：
- 可能加剧参与者对少数派观点的坚信不疑
- 当一个人误认为少数派观点被广泛接受时，就会对按照多数人意愿行事的制度感到不满意，可能会产生自己被社会排斥的感觉
评论区有人举了个例子：某些社交平台上那些身处国内却发表反华言论的人，就是同质化网络及虚假共识的典型代表。他们在现实生活中可能根本找不到同类，但在网上能找到，然后就误以为自己代表大多数。
九、言论摘录
这期的言论部分有几句话挺有感触的：
“一个人有教养的表现，就是他可以享受最好的，也可以承受最差的。” ——唐师曾，本周去世的著名记者
“我们的世界并不是一个常常设身处地为他人着想的世界。但是，如果你能够做到，向一个 10 岁的孩子解释世界，或者设计一个 80 岁的老人可以打开的罐子，有时会让你更好地完成最初想要做的事情。”——《请用 10 岁小孩都能听懂的方式向我解释》
“有人写了一篇《值班已成往事》，提出应该让 AI 来值班。只有当 AI 无法解决问题时，才应该让人类接手，而且应该由 AI 来呼叫人类。”——《与 AI 相关的可靠性事故即将发生》
“人们逐渐意识到，如果使用 AI 学习新知识，学习速度比传统方法快得多，因为 AI 非常擅长概括大量不同的信息。但是，通过 AI 学习，大脑没有积极参与学习过程，对知识的理解和记忆不如传统方法。人脑的运作方式决定了，螺旋式学习是记忆知识的最佳方法之一。AI 直接给出了结果，让我们省略了中间的反复思考的步骤。”——《AI 和司机式知识》
这段话我特别有感触。用 AI 学习确实快，但学完就忘。就像开车用导航，你永远记不住路。学习也是一样，AI 帮你省略了思考的过程，但思考的过程恰恰是记忆形成的过程。
- “如果房价暴跌，我会遭受损失，但也有好处：我的孩子能住上更便宜的房子。没错，他们继承的遗产会减少，但他们将终生享受更便宜的住房。”——《CD 与邻避效应》
十、一些想法
这期周刊信息量很大，我写这篇笔记也花了不少时间。总结几个我觉得值得深入思考的点：
关于 AI 三种机制：参数机制、推理机制、联网机制，这个框架其实挺清晰的。理解了这三个机制，你就知道大模型能做什么、不能做什么、为什么有时会“胡说八道”。
关于公开演讲：内容只占 30%，表演占 70%。这句话值得每个技术人记住。我们总以为把技术讲清楚就够了，但实际上，观众记住的往往是你怎么讲的，而不是你讲了什么。
关于同质化网络：这个话题在当下特别值得警惕。算法推荐让每个人都活在自己的信息茧房里，久而久之，我们以为自己看到的就是全世界。但实际上，那只是算法想让你看到的世界。
好了，这篇笔记就写到这里。如果你对某个话题有不同看法，欢迎在评论区讨论。