btw：v 站部分人读不懂#2 的主语，也让我很震惊。我认为这是 9 年义务教育的必备技能。

@zthreefires #20 泄露当然是不正确的，但是：
如果你认为你的隐私很重要，那么你就不应该交出数据。
反之，你就不应该把隐私押宝在行政手段上。
既想享受通过隐私数据加工带来的便利，又希望自己的隐私不被泄露，这其实是让我很难理解的一种心理。

另外脱敏不适用于机器学习 AI 的训练，因为你无法确定脱敏会给你的训练结果带来什么样的风险与危害。毕竟你开车在路上的视频信号是“不脱敏”的。

快充 /换电方案。
快充的话，城市通勤大概是一周充一次，一次 40~60 分钟。
换电快一些，代价就是只有一个品牌能选。

@yfwo #10 这完全就是你自己的意淫。
既然是参与 AI 训练，那么大量的人工明文介入（不管是标注，调试，还是调参，检验）都是不可避免的。
所以管理并不能彻底解决这个问题。

你的这个理解，就和苹果一边说保护隐私，一边说我们会让人工审查儿童色情，一样的既要又要。
你不可能指望一个既是运动员，又是裁判的主体去通过流程保护你的权益。

唯一能够有效保护隐私的方式，就是不提供数据。没有其他的方法。

这个事儿从一开始特斯拉使用车主的视频、操作进行自动驾驶训练，其实就已经成为了必然。
不知道在实车上，上传并参与 AI 训练的操作是否会告知车主，以及是否需要车主进行车内的物理确认，车主是否有权拒绝。

在我看来，这是必要的。

刻意跳到后面看了下性能，确实比较捉急。

跳着听了听，我觉得讲的特别好。
忘了是哪个数学家，说，怎么证明你理解了某个知识点？给不懂的人用他们能理解的话讲明白。

@zhangfeiwudi #2
@d873139022 #4

其实楼主说的相对比较明确了：
需要 ICP （增值电信业务经营许可证）、有付费用户、日均 UV 几百就需要翻几倍的“服务器数量”。

恭喜楼主，算是某种意义上的创业成功。
楼主做的判断更是非常理性，不是所有人都能有能力承受业务快速扩张所带来的风险、压力、工作量的。

选择这时候脱手，算是个双赢的结局。

名词之争没什么意义。
我也认为机器学习 AI 并不是“AI”，只是统计学上的局部最优解。但我也同样认为纠结“真正的学习”、“智力”等等其实没什么意义。

AI 拟人，其实是一种一厢情愿的意淫。就像人类认为的外星人都是两个眼镜一个鼻子的碳基生物一样。
机器学习 AI 的优势，就是通过强大的并行算力和数据，挖掘人脑没有发现的规律。既然是挖掘，那就一定不会与人的路径完全一样。

所以机器学习 AI ，并不是实现 AI 的唯一道路，我也认为一定不是最佳道路。
只是现在只能这么做，且基于目前的科技、数学水平，这么做最好而已。

btw：机器学习其实是上世纪 80 年代的概念。但基于当时并行算力与统计学的局限，被串行脚本策略 AI 吊打。

“收到的款项目前只能公对公转账给客户”
并不是的。
1 、你可以以客户的主体做小程序，这样可以直接收款到客户的微信商户号中。
2 、你可以申请微信服务商，以你的主体做小程序，然后进行子商户收款。

@betatabe #4
ok ，咱们不讨论数据，只讨论购买力。

中国人均 GDP 12,970$ 2022 ，美国人均 GDP 75,180$ 2022 。
人均 GDP 差距 5.7 倍，所以 5 倍的购买力差距有什么可稀奇的。

而且你举的例子恰巧都是美国具有价格优势的产品，如果你比较特斯拉，就会发现购买力差距只有 2.5 倍了。

根据美国大学和雇主协会 (National Association of Colleges and Employers 简称 NACE) 的一项调查，2022 年大学毕业生的平均工资为 55,260 美元。技术专业在当今我们的经济中被视为一种高级专业。拥有学士学位的人在硕士学位级别的平均收入约为 59,642 美元和 75,433 美元。

讨论最忌讳虚空打靶。

所以，回答楼主的问题：
1 、为何房子是负债？因为美国持有房子的成本很高昂。而且因为那时候经济发展建设相对比较平均，所以房价没有过度的波动。

2 、为何作者总是贬低“劳动致富”？因为美国的高收入税收很重，超过某个阈值之后，附加劳动创造的财富性价比非常低。

看一个人输出的观点，不光要看其描述，还要参考其当时的所处的阶层、社会环境状态而分析。
你问一个饥民米糠好不好吃，问王思聪馒头好不好吃，是没有参考意义的。

同理，《穷爸爸富爸爸》是“美国”，“1997 年”，“夏威夷教育部长之子”所著的。

信息化之后就是面临这个问题。
这并不是就医流程问题，是信息化带来的副产品。

这就跟微信瘫了你跟很多人就失联了一样。

@threebr #16 显存越大，生成图片的分辨率越大。生成图片的并发数量也会提升。

而且很多人会根据自己手头的素材训练自己用的 Lora 模型（你可以简单粗暴的理解为和大模型叠加使用的小模型）
显存大，训练 Lora 的速度会加快，Lora 素材的分辨率也能提升。

ChatGPT 的训练机制就是“下一个最大可能出现的词”。
受到输入参数，既有训练材料，强化学习的结果影响非常大。
所以出现一些事实错误，而且事实错误指数累加，是非常普遍的情况。

所以正确的使用方法是一旦出现事实错误，就删掉对话重新来过。
否则后面的错误会指数级累加和发散。

楼主说的三条都不确切（换句话说都有反面例子）。
核心就一句话：host 端（主机端）要可直连。