一、AI 大模型还会是拼算力和数据吗？

Deepseek 用创新的训练方法，以极低的算力，实现了比肩 OpenAI o1 的性能。科技圈在狂抛 Nvidia 的股票，一天跌 17%。

接下来，大模型是会进入算法创新的精耕细作时代，还是继续拼算力和数据？小孩子才做选择题，对于拼得起的大厂，当然是两者都要。

除非 DeepSeek 过去没有利用任何大模型，否则就只是证明 Scaling Law 还能更有效。
除非他们未来的的 R-x 能超越 OpenAI o3 的模型，否则只是在给已有方案做降本增效。

当现在他们和 OpenAI 一样走到技术的最前沿之后，也不会反过身来给自己的方案再进一步降本，而是拿着更多的资源大步往前走。

但他们的工作，仍然具有一个非常重要的现实意义，以及一个非常重要的启示意义。

现实意义在于，极大降低了 AI 的使用成本。这轮 AI 目前最大的问题在于高昂的算力成本和贫瘠的 AI 应用。
而降低的算力成本，必将进一步刺激 AI 应用的的开发。AI 应用开发和需求会互相激励，并反过来刺激大模型和算力的需求。

启示意义在于，倾注全力的追赶永远不会超越，算力和数据仍然很重要，更重要的是自发性和原创性。

二、AI 应用会开始涌现吗？

AI 应用必然涌现。因为算力成本更低，而开发者也接受了 2 年的教育。

但最出彩的那些 AI 应用不会是在大厂中出现。原因有 2 个：

1. 不管是 OpenAI 还是 DeepSeek，都说明了一点，原创性的创新，必然是自发的，而不是提拔的。提拔只能用于追赶。
2. 有价值的应用，其开发者本身必然是该应用的深度用户，也必然是最激进的 AI 追逐者。而这种人，不会是大厂氛围中的职业人。

所以，这波涌现的 AI 应用，会让大家认识很多新的面孔。

三、如何参与？

1. 做自己喜欢的应用

只有忠于自己，才能实现弯道超车。否则就是在玩追赶游戏，追赶游戏，连大厂都玩不过。

2. 以完成为第一目的

完成了才能迭代和学习。

3. 应用 Scaling Law

这波 AI 浪潮的核心驱动力即为 Scaling Law。为抓住这一机遇，我们应更彻底地应用这一原则：

• 利用 AI 工具 ：在开发和运营中给予 AI 更大的信任，充分使用各种 AI 工具来提高效率。
• 应用规模化策略 ：避免在局部追求 100% 完美，而是在大规模数据基础上追求整体达标率。

4. 可以开始寻求一些帮助

AI 应用将要涌现将会成为共识，会面临比较宽松的融资环境。
需要注意积累公司产品形象，并开始寻求一些帮助和投资。

价值，来自于 从无序中建立有序，从不确定性中找到确定性，从迷茫中坚定信仰。

Read More

AI 程序一般至少包含 AI 模型和推理逻辑。
如果涉及到加密场景，则还要实现模型加密、模型解密以及调用计数加密。

1
2
3

AI 程序 = AI 模型 + 推理逻辑
AI 程序 = 加密模型 + 解密模型 + 推理逻辑 + 计数逻辑
AI 程序 = 加密模型 + 加密“解密模型” + (加密)推理逻辑 + 加密计数逻辑

本文从软件工程的角度对常见 Python AI 程序加密的方法做一些代码攻防演示，并做出以下结论：

• 在 Python 代码内做软件加密意义不大，因为 Python Interpreter 很容易被拦截
• PyArmor 结合 C/C++ 是一个兼顾开发成本和保护力度的可行方案，适合早期的项目推动
• 软件加密不是万能的，任何加密都可以被破解，难度取决于运行时机器对 Hacker 的透明度

Read More

QGraphicsScene::items and QGraphicsScene::itemAt does not return clicked item of customized class class Item: public QGraphicsTextItem even thought Item::shape and Item::boundingRect method has been overriden properly and Item::mouseHoverEnter works with customized shape.

今天又遇到一个 Qt5.12.12 的坑： QGraphicsScene::itemsAt(event->scenePos(), QTransform()) 死活不能正确检测到被点击的 class Item: public QGraphicsTextItem 元素。

一般而言，这类问题都是因为没有正确使用 event->scenePos 或者没有正确 override 自定义 Item 的 shape 方法。
之所以叫疑难杂症，就是因为以上一般方法都没用。

Read More

本文目标：

• 一台主机部署多个 Gitlab Runner
• 实现互相隔离且互不影响的 Gitlab Runner 环境
• 使用 compose.yaml 持久化配置和数据，快速复制部署
• 在 Gitlab Runner 中使用 docker, helm 以及 kubectl

前置要求：

• 宿主机上安装了 docker 和 docker compose
• 【可选】宿主机上安装了 kubectl 和 helm

方案限制：

• 只能使用 shell 作为 Gitlab Executor
  • 由于 Gitlab Runner 本身运行在 docker container 中，所以几乎没有影响

Read More

This is the notes of the second chapter of the book Python Machine Learning.  
In this chapter, three linear classification algorithms with detailed explanation and python implementation are taught.

• perceptron classification
• adaline with batch gradient descent
• adaline with stochastic gradient descent

Read More

This is the notes of the first chapter of the book Python Machine Learning.
It introduces three types of machine learning tasks and the common pre-steps of these tasks.

Read More

在开始阅读前，可以先尝试这道选择题，测试自己对开源协议的理解😊。
答案在文章最后。

【选择题】以下受开源软件协议约束的场景包括：

• [ ] A. 包含某个开源软件库，开发一个安卓程序并上架应用商城
• [ ] B. 包含某个开源软件库，搭建一个后端服务程序并封装为 SaaS 对外服务
• [ ] C. 包含开源软件库，开发浏览器前端界面并部署上线给用户使用
• [ ] D. 使用一个开源脚手架工具构建项目并上线应用商城
• [ ] E. 包含某个开源软件库，开发一个后端服务程序，提供私有化部署
• [ ] F. 基于某开源编程语言开发的软件，进行分发
• [ ] G. 基于某个开源编程语言编译器定制开发语言编译器，实现定制编程语言并进行分发
• [ ] H. 包含某个自己贡献了代码的开源库，开发一个软件并进行分发

Read More

这是我的《C 拓展 Python 实战》系列的第五篇，也是这个系列最后一篇。
在之前的文章中，我们的模块需要和 Python 一起编译，这次我们来看看如何使用 setup.py 来随时编译我们的模块。
在此之上，我们再来看看如何结合 CMake 把复杂的 C/C++ 项目打包成 Python Package。

Read More

C++ Class 对象的数据布局和 C Struct 数据布局遵循同样的原则，按顺序排布并考虑内存对齐的要求。
但是 C++ Class 对象相比于 C Struct 有其创新之处。C++ Class 添加了两个新的 access section，支持在类内声明函数，最重要的是，添加了“继承”的特性。
这其中有什么可怕的陷阱吗？直接公布答案有什么意思，你得自己一步一步趟过去才行。
小心，别中招了！

Read More