一个纯正程序员的啰嗦
工作上的原因，最近学习了一下 Run:ai，也考察了一下它的替代技术。在这里记录一下。
Nvidia 当年收购 Run:ai，还是很有前瞻性的。并且它并没有阻拦开源版本的继续演进，只不过，商业分支提供了更强大的能力。
Run:ai 是一个企业级的 AI 基础设施编排和管理平台，核心能力就是最大化 GPU 的资源利用和调度能力，在它的主页上，列出了四大特性：
抛开那些商
[……]阅读全文
这些笔记是在自己的 Mac Mini 上面折腾了一些记录，主要是安装一些重要的大模型工具，把这些工具连接起来，建立自己的私有本地知识库等等，以备查阅。后续不定时更新。
OrbStack 是专门为 MacOS 设计的快速、轻量级的虚拟化工具，可以作为本地 Docker、K8s 和 Linux VM 的超容易替代品。因为它丢掉了跨平台的包袱，直接在系统内核级别支持虚拟机指令，动态分配内存等等做法，让它变得超快。就以 Docker 为例，它可以把冷启动速度从几十秒优化到一两秒。
我是在 Apple M4 芯片的 Mac mini 上面折腾的，首先要保证我的应用全部都是 M4 芯片直接支持的，而
[……]阅读全文
这是一个很多人都讨论的大问题。
我一直在思考，也一直没有一个足够确信的答案。去年这个时候，写了一点体会，如今的体会更深了。但是我觉得，我可以把凌乱的内容整理出来。
在一两周前，Google Genie 3 出来的时候，因为 demo 展示了它可以很容易地生成一整个可以游玩的世界，游戏引擎 Unity 的投资者就被吓坏了，疯狂抛售，一天就跌了二、三成。Unity 的 CEO 站出来喊话，核心观点还是——AI 再强大它也是概率性的，而 Unity 程序员的工作，却是追求确定性的。因此 AI 应该是软件开发的加速器，帮助提升创作的真实性和速度，而非替代者。
朋友推荐我这篇 《The Etern
[……]阅读全文
入职 Coupang 两个月了，第一个月主要上手和开发 BOS（Business Operating System）系统，第二个月开始调研选型 ML Workflow 平台。前者目前来说相对比较简单，后者对我来说是一个新坑，也比较有意思，随便写写技术上的体会。
先扯点题外话，其实这次求职有几个比较符合我预期的机会，可在思考之后，我基本上毫不犹豫就选择了 Coupang 这一家。最主要的原因，并非因为雇主，而是因为要做的事情。一个相当规模的团队，在大干一场的早期阶段，要在搭建起属于自己相当规模的 AI infra 来。
我觉得软件行业的巨大的变革，新世纪以来就三次，第一次是互联网应用的崛起，我太小没能
[……]阅读全文
ICDM（国际数据挖掘大会）2006 年从 18 种提名的数据挖掘算法中投票选出了十大算法。这 18 中提名数据挖掘算法分属 10 大数据挖掘主题，蓝色部分即为最终选出的十大算法：
[……]阅读全文
Gamma 分布
α 和β 均大于零，且令λ=1/β，假设 X 的密度满足：
就说 X 是服从参数为 (β,α) 的 Gamma 分布，记为Γ(β,α)。Gamma 分布的两个参数中，第一个β 决定了形状 (shape)，第二个参数α 决定了尺度 (scale)。
右上图中的 k 即是α，θ 即是β；期望 E=β/α，方差 D=β/(α*α)。曲线有一个峰，左右不对称。在α 比较大时，曲线接近于正态分布。
[……]阅读全文
使用一款搜索引擎，我们希望搜索结果能够拥有最佳的排序，Google 为它最核心的排序算法 PageRank 申请了专利。在 PageRank 以前，排序大多依靠对搜索关键字和目标页的匹配度来进行的，这种排序方式弊端明显，尤其对于善于堆砌关键字舞弊的页面，很容易就跳到了搜索结果的首页。Larry Page 和 Sergey Brin 开始着手解决这个问题，Google 排序的继承来自于互联网上网页之间的链接关系。一张网页被其它网页引用的次数越多，可以简单地认为这样的网页越受欢迎，当然在结果列表中应该越靠前。
前面提到了目标网页被引用网页的“ 数量”，另一条重要的判定 PageRank 级别的
[……]阅读全文
决策树
决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
这张图很好地解释了决策树：
明天要不要出去玩？
例子中可以找到两层的分类依据属性，第一层是晴/阴/雨，第二层是是否潮湿和是否刮风，分类依据的确定和先后顺序对决策树的质量有决定性的影响。另外，在实际
[……]阅读全文
贝叶斯定理
英国数学家贝叶斯（Thomas Bayes）曾经给出如下定理：
P(A) 表示 A 事件发生的概率，P(B) 表示 B 事件发生的概率；P(A|B) 表示在 B 事件已经确定发生的情况下，发生 A 事件的概率；P(B|A) 表示在 A 事件已经确定发生的情况下，发生 B 事件的概率；P(AB) 表示 AB 事件同时发生的概率。所以：
P(A)P(B|A)=P(AB)=P(B)P(A|B)
也就是说，A 事件发生的概率乘以 A 事件已发生条件下 B 事件发生的概率，和 B 事件发生的概率乘以 B 事件已发生条件下 A 事件发生的概率，这二者是相等的，都等于 AB 事件同时发生的概率。
（特例：如果 A、B 是独立事件，互不相关，那么 P(A)=P(
[……]阅读全文