The path twists, and the future is uncertain.

作者: twisted Page 1 of 4

直面参差,基于问答的重新对齐

这个博客已经3年没有更新了。前几天我还在反思:

表达欲极度丧失,面对撕裂的世界无话可说

说实话我不喜欢现在的互联网环境。也不看好某些朋友开微信公众号、制作播客的方式。

我曾说过不再大声讨论公共事务。其中既包含对自身无知无能的无奈,也包含对公众道德应激、认知刚性、立场先行的失望。
再往前追溯,甚至可以早到韩寒的“韩三篇”时期。——遭到口诛笔伐的韩寒抵抗一阵后就此封笔。——当时我不明白,现在却有体会:严肃讨论的场域已经消失了,浪漫抒情的空间也无从谈起。

那句话怎么说来着?这是___的时代,这是___的时代。

世界是参差的

与这种参差共存,既是我们共同组成的现实,也是我们主动选择的群体智慧。

大部分有争议的公共话题,都能通过不断地追问来逼近真相。
然而,每个人都有自己的 context,都有自己的预设和观念。如果没有基础的共识,讨论很难进行下去。
而且并非每个问题都能找得到答案。

在这样的场域下进行连续「追问」是不现实的,利益冲突客观存在,讨论会失焦,论点会被误解、拉偏,引发争吵或回避。

到头来,不是因为参差,而是因为拒绝。——我们的AT立场正在撕裂这个世界。

但每一座孤岛都依然温柔

前两天我发现 v2ex 新增了一个板块,聚合了大量独立博客。才突然意识到,每个人都有自己的小天地,每个人都有自己关注的话题。——我所喜欢的那个互联网,更接近这种蛮荒形态:网站和页面被杂乱地聚合在一起,你点开任意有趣的标题查看,偶尔有发现宝贝的惊喜,认真阅读后,再把这个博客加入收藏。

当你被无处不在的算法占据所有注意力之后,重新面对这些独立小岛是很不习惯的。
他们在自己的小岛上自说自话,没有必要说服谁,也没有想要批判谁,就是讲清楚自己的想法,或者分享某些个人的经历。

我必须重新理解这份温柔。它跟我在各种社交媒体上见到的都不太一样,跟评论区里总要争个高下的那些都不太一样。
这也让我又愿意写点什么。

对齐答案,或者对齐问题

之前看一本很有价值的书《人机对齐》,介绍了人类在训练 AI 时面临的种种困境。对我来说,感受就是:人机怎么可能对齐?

人跟人都对不齐,人还想跟让机跟ta对齐。

现在的 AI 进展得如此迅猛,真配得上「日新月异」这个词。我终于意识到,某些话题上,人类也可以找 AI 对齐:缺乏共识的时候,我们先去对齐 AI,获得基础共识,就能基于大家都信服的信息来继续讨论。

AI 有助于我们对任何话题进行深入和复杂的讨论,它如此耐心和不厌其烦,总是自我反思和详尽解释,并且可以让话题无限延展。
这种讨论的质量如此之高,以至于我时常停下来反复思考和咀嚼,有些还值得记录下来分享。

之前,我对自己提笔写下的文字是有要求的。即使想说些什么,如果写不出好的文章,回答不清楚那个深层问题,就很快丧失兴趣。
现在,则可以轻松当一个「请教者」
我愿意抛开自己的立场和判断,通过不断地提问,来靠近更真实的世界——即使那个答案不够好,即使我也不完全认同。

至少我有试过,直面参差,重新对齐。

One More Question

我会围绕这个想法重拾独立博客:

当我想到一个值得讨论的问题,我将和任何适合的LLM交流,并把讨论内容整理后发布出来。
这个栏目以后就叫「One More Question」,看看能否鞭策自己总是多发一问。

希望我问的,也是你感兴趣的问题。

【对话AI】人口年龄结构问题

根据《中国统计年鉴2024》1中的数据,可以绘制出2023年的中国人口年龄结构分布图:

一个国家的人口年龄分布若不均匀,存在多个波峰和波谷,可能会产生哪些影响?

人口年龄分布出现多个波峰和波谷会对国家产生深远的影响,主要体现在以下几个方面:

经济影响
· 劳动力市场波动:当人口波峰进入劳动年龄时,会出现劳动力供给过剩,就业竞争激烈,可能导致失业率上升和工资水平下降。相反,当人口波谷对应的年龄段进入劳动市场时,会出现劳动力短缺,推高工资成本。
· 消费需求不稳定:不同年龄段有不同的消费特征。人口波峰经过不同生命阶段时,会造成特定商品和服务需求的剧烈波动,影响相关产业的发展规划。

社会保障压力
· 养老金体系冲击:当大规模人口波峰进入退休年龄时,养老金支出会急剧增加,而如果后续是人口波谷,缴费人数减少,会造成养老金体系的严重失衡。
· 代际负担不均:处于人口波谷的世代可能需要承担更重的养老负担,因为他们人数较少,却要供养人数众多的退休人口。

公共服务配置困难
· 教育资源错配:学校等教育设施需要根据学龄人口数量进行配置。人口波动会导致某些时期教育资源严重不足,而另一些时期则出现大量闲置。
· 医疗资源规划挑战:不同年龄段的医疗需求差异很大。人口结构的波动使得医疗资源的长期规划变得极其困难,可能出现儿科、产科与老年科需求的剧烈波动。

房地产市场影响
· 人口波峰进入购房年龄时会推高房价,而当他们老去、人口波谷进入购房年龄时,可能出现需求不足,导致房地产市场大幅波动。

社会流动性变化
· 晋升机会不均:人口波峰世代面临更激烈的职场竞争,晋升机会相对较少;而人口波谷世代可能有更多的发展机会。
· 创新活力波动:年轻人口是创新的主要动力,人口年龄结构的波动会影响社会的创新能力和经济转型速度。

政策制定复杂化
· 政府需要不断调整各项政策以适应人口结构的变化,如退休年龄、教育投入、医疗保障等,增加了政策制定的复杂性和不确定性。

这种人口结构通常是由历史上的重大事件造成的,如战争、饥荒、计划生育政策等。应对这种挑战需要前瞻性的规划、灵活的政策调整,以及建立能够平滑代际差异的制度安排。

【对话AI】无痛分娩为何还没普及?

无痛分娩是什么?无痛分娩有什么弊端吗?

无痛分娩(医学术语为分娩镇痛),是指通过医学手段缓解或消除产妇在分娩过程中因子宫收缩和胎儿下降所带来的疼痛。最常见的方法是硬膜外麻醉(epidural anesthesia),即在产妇腰椎附近的硬膜外腔注入麻醉药,使下半身感觉减弱或消失,从而减轻分娩疼痛。

一、无痛分娩的主要方法:
1. 硬膜外麻醉(最常见)
药物注入腰部脊柱附近,起效快,镇痛效果好,产妇意识清醒,可以配合医生进行生产。
2. 腰硬联合麻醉
结合了硬膜外麻醉和蛛网膜下腔麻醉,起效更快,用于紧急剖宫产或分娩进展迅速的情况。
3. 笑气吸入
吸入氧化亚氮气体,镇痛效果较弱,适用于不愿接受麻醉注射的产妇。
4. 药物镇静、心理镇痛等辅助方式
非麻醉手段,效果有限,多与其他方法联合使用。

二、无痛分娩的优点:
· 减轻产妇疼痛,缓解恐惧和紧张情绪;
· 降低产妇体力消耗,更有力配合分娩;
· 有助于宫颈扩张顺利,缩短产程;
· 降低因疼痛引发的血压升高、心率变化等风险;
· 对婴儿影响小,药物剂量控制合理时不会影响新生儿健康。

三、无痛分娩可能的弊端与风险:
1. 血压下降
麻醉药可能引起短暂性低血压,需静脉补液或用药调整。
2. 产程延长
有时会影响宫缩强度,导致第一产程略延长,但通常无明显不良后果。
3. 运动功能受限
下肢感觉变弱,产妇需要卧床,减少活动能力。
4. 尿潴留
镇痛可能抑制排尿反射,需要插导尿管。
5. 头痛
少数人因穿刺进入蛛网膜下腔,可能发生“穿刺后头痛”。
6. 局部麻醉并发症(极少见)
如药物过敏、感染、出血、神经损伤等,发生率极低,在正规医院发生率可控。

四、是否适合无痛分娩?
无痛分娩并非人人适用。以下情况需慎重或禁用
· 严重的脊柱疾病或手术史;
· 孕妇对麻醉药物过敏;
· 存在凝血功能障碍;
· 严重低血压或感染;
· 分娩过快,来不及实施麻醉。

总结:
无痛分娩是一种安全、有效的镇痛方式,已广泛应用于全球范围。弊端较小,利大于弊,尤其对于对疼痛敏感或产程长的产妇尤为有益。建议在医生评估下结合个人情况决定是否实施。

【对话AI】疫情决策与政治体制

在新冠疫情发生后2~3年,很多国家都已放开疫情管制,但中国政府仍然采用高压政策,通过「健康码」追踪人群流动,一旦发生传播就大规模封城,引起很多民众不满。这在社会各界产生什么样的反响?你怎么看待中国政府的选择?

一个小工具,基于 Gitlab MR 生成 ChangeLog

MR-Tracker

项目地址: https://github.com/MamaShip/MR-Tracker

大家都知道基于 git commit 信息生成 ChangeLog 的工具,我之前也用过 git-chglog 等。

后来发现小团队内统一 commit 规范实在是费力不讨好……尤其有些提交很零碎,commit 信息作为 changelog 太琐碎,强制大家整理成完整提交再合入又显得不敏捷。

实际上,在 Github 上,自带的 Generate release note 功能就是基于 Pull Request 来分析的——它只记录真正合入主干的那笔改动,不会把粒度放到 commit 那么细。

所以我就自己写了个 Gitlab 上基于 Merge Request 生成 ChangeLog 的小工具。通过 gitlab API 获取 MR 信息,把版本(tag)间的改动创建成 changelog 。

Nvidia 显卡架构详解

市面上的显卡茫茫多,各型号的区别是什么?消费级和企业级显卡价格为什么差那么多?
显卡架构一代代更新,除了(运算)更快(功耗)更高(发热)更强,还有什么差异?有哪些理由支撑你一定要购买新一代架构的显卡?

这篇我们聊聊 Nvidia 显卡。以目前最常用的 Ampere 架构为例,揭秘 N 卡的内部细节。
抛开「算力」这种模糊的概念,用实打实的小学数学计算,来理解不同架构、型号之间的真正差异。

高性能计算初步:矩阵乘法

工作需要,最近在学高性能计算相关的知识。
这个领域,不涉足的时候觉得高深莫测,真正接触起来,不仅不神秘,而且十分有趣。
本文基于我对 LAFF-On Programming for High Performance (UTAustinX UT.PHP.16.01x)这门课的学习,结合个人在机器学习方面的经验总结形成,与大家分享。不当之处请指正。

如何实现高性能计算

从字面上来说,算得快就是高性能计算。
以此为定义,拥有超级计算机是做高性能计算的第一步,因为它从硬件性能上支持了「high performance」。
但显然,「硬件快」只是「high performance」的一个组成部分。在有限的硬件性能下,还有方法可以算得快。
例如分布式和并行化:把任务拆分成可以并行执行的多个部分,用多台机器同步运算,是个好主意。
或者给机器上插很多块显卡(GPU),利用显卡的并行计算能力,来做异构计算(由CPU执行串行部分,GPU执行并行部分)。
——如果只有一台机器,没有显卡,机器的性能也很一般呢?

本文接下来要讨论的,就是在常规架构的普通计算机单机上,如何做高性能计算编程。
特殊地,我们讨论最常用的一种运算:矩阵乘法。我们将会看到,它在时下流行的神经网络中如何被广泛应用,又是如何被最高效地实现为C代码。

2021年了,该怎么在Linux(Ubuntu)上部署 CUDA 开发环境?

本文记录于2021年初。不满于网络上的资料大多过时和有瑕疵,重新整理 Ubuntu 环境下配置 CUDA 开发套件的步骤。

  • 本文介绍的步骤主要面向 CUDA 相关的机器学习开发环境配置。所以它包含 CUDA、cuDNN、TensorRT、onnx。如果你不需要其中某些组件,直接跳过即可。
  • 本文涉及的版本信息:Ubuntu 18.04、CUDA 10.2、cuDNN v8.0.5、TensorRT 7.1 GA。请根据你自己的需要选择恰当的版本,唯一注意的是:这几个组件之间的版本必须严格对应,请跟自己的团队确认好版本之后再执行安装,否则会遇到很多版本兼容性问题。

一种微信机器人的 python 实现

今年初,有感于微信公众号平台删帖效率,打算写一个自动检查文章是否被删的机器人。
并不想弄成爬虫,只想关注我和小伙伴们所接触的领域里的信息审查状况。就把它设计成了「被动接受观察目标,定期观察和备份文章,检查到文章失效通知登记者」的系统。

Windows 自带 OpenSSH 连接到 Linux 服务器时,一段时间无操作,连接断开的问题

我在自己的 mac 上使用 ssh 连接到远端 Linux 服务器,除非网络波动,一般不会出现连接断开(输入无响应)的问题。
但在 Windows 上,使用 PowerShell 自带的 ssh,连接到远端 Linux 服务器,很短一段时间不操作,就会发生断开。
这个现象应该是跟服务器端设置有关,但我不想修改服务器设置(用户无操作自动断开是个好特性)。既然 Mac 上可以不断开,win 上应该也可以在客户端设置上避免频繁断开。

Page 1 of 4

Powered by WordPress & Theme by Anders Norén