如果要举例的话，现在的大语言模型，就像是一个震动翅膀飞行的机械鸟。（因为既有的数据都是震动翅膀飞行的）
能飞，也确实带领我们领略了不同的风景。

但震动翅膀的飞行是飞行的唯一方式么？是像鸟重要，还是飞行重要？我们人类需要的到底是飞行还是像鸟？

先声明，本人无任何计算机科学从业背景，以下言论均为出于直觉的妄加揣测。

从我个人的学习经历来理解，目前的大语言模型，其实和真正的“智能”（至少是人类理解的智能）应该是有本质的区别（注意，是“区别”，不是“高下”）。我也不认为基于统计学的机器学习模型，能够做到“人类意义上的智能”。

1 、机器学习模型是挖掘的既有内容的统计学规律，是历史数据的过拟合。人类理解的智能是由既有规律组合推结果。是历史规律的过拟合。这是本质因果上的不同。（历史规律和历史数据是有差别的，规律可以创造，可以猜测，可以人为调整，但历史数据不可以。）
2 、人类的智能是可传递的，可监视的，可预期的，可修整的。机器学习模型不可（至少是现阶段）。
3 、因为人类的“学习”是输入“模型”或“规律”，而不是自我做统计学总结。这就导致人脑的功耗很低（一说人脑功率 40 瓦）。而统计学模型的能耗与数据目前看很快就要到达一个瓶颈。


btw：其实我一直人为，AI 并不需要“强”或者“通用”，现阶段的统计学 AI 已经有其独到的优势了（在很多领域破除了人类一直以为的“最优解”。也在很多领域找到了之前人类并没有发现的统计学关系。比如教育、棋牌、写代码等等）。

人类最不擅长的就是高效率的挖掘统计学规律。我们应该把现阶段的 AI 理解为一种从统计学角度理解事物的工具，而不是一种拟人的手段。
他拥有人类认可的“智能”，或者说“思考学习方式”，在我看来并不是一个有吸引力的 feature 。

1 、互联网诊疗。部分医院支持互联网诊疗，医院药房取药的业务。（这个政策会依照用药趋势摇摆，比如去年新冠高峰，某些医院就取消了药房取药业务。只给开药方）

2 、部分城市的医保系统支持覆盖到药店。

先说前提：你要明确确定你的需求。
在我理解看来，很多抉择其实都是自己需求不准确（你以为你需要，或者你以为你不需要），或者对产品了解不透彻（你以为能解决，或者你以为手头既有的不能解决），导致很大程度上的浪费与错位。

然后是正文：
对于产品选用这方面，我一贯秉行如此方法论：

1 、如果有成熟的，价格能接受的，且完美契合我需求的产品，那么选成熟的。否则先启用成熟的，如果缺失的需求不能忍，则在并行基础上进行折腾，尝试不成熟的、免费的、有风险的、有沉没成本的产品。
2 、在没有完全成熟的商业产品的领域，秉持探照灯原则，先沿着既有成功经验做最小简易模型，再逐步扩充。
3 、没有成熟产品，且没有既有成功经验的领域。就要做好基础调研，充分了解这个领域空白的原因和壁垒。并做好所有成本均为沉没成本的心理建设。

如此，一来能最大化的降低自己的心智、时间负担。二来，最大化的提升成功几率。让自己的挫败感最低。三来能解决绝大多数问题（剩下的需求要么是价格无法支持，要么是时间、精力无法支持），放弃的也心安理得。

@xption "我只是想靠投资赚 1000 万，并不是涉及收益率有多高。"
那你不如砸 10 个亿进去，一个波动就 1000 万了。

“如果你说的这个方法能让“所有人都不亏”，那赌场、股市里应该没有亏的人了，但事实上不是如此”
所以赌场有最高下注上限，就是不让你无限加注。

这个目标定义不准确。
追加 50 万和 1000 万的目标相比，看似不多，但实际上目标收益从 1000%变成了 600%。

如果这样算的话，所有人都不会亏，只要亏损就双倍加注，你永远是盈利的。

后端的设计、开发模式选择和语言、开发实践其实没什么本质关系。

其实是牛市买股不启动，熊市买股半山腰。

所以部分成熟的投资者选择指数基金，相当于是买行业、买赛道。平摊个股的风险。
当然，利润也会被行业平摊。

我个人是 ETF 、个股一半一半。
不太懂的行业、公司就买 ETF ，有点经验的就买个股。

@zhousir5071
1 、实体，实体可以卖二手，所以相对而言整个生命周期的损失不大。理论上一个主流游戏，出二手的价格大概在 5~8 折之间。

2 、数字版，可以使用“任亏券”。（“任亏券”可以理解为游戏兑换券），日服 eshop 大概是 510 元两张。可以变相理解为 510 元，无视游戏价格兑换两个游戏。

1 、双系统和全新不冲突。
2 、98 新你就理解为废旧翻新就行了。
3 、作为一个软件从业者，还是建议楼主支持正版。首发开始玩 switch ，7 年大概投入软件成本 7000 左右（不考虑二手价格冲抵）。供参考。

btw：楼上很多把中台比作公共库、公共函数。这个不准确
中台在公共服务的基础上，还包含管理与统计功能。最大化的压低每个产品线接触企业核心生产资料的面积。
如此，就可以实现公司对每个产品线的量化比较、功能标准化、权限统一化等等。

既，公司可以以一个上帝视角管理每个产品线调用 api 的授权情况，每个 api 的次数、频率、返回内容等等。
毕竟对于互联网公司而言，数据与功能，本质上就是一种生产资料。所以推中台的目的也是对业务线的一次权力剥夺。

因此，中台不光是为了满足降本增效的愿景，更多的还满足了公司高层对于软件产品的把控欲望。

至于说中台的流行，我个人理解，主要是借了“互联网公司产品线极度扩张，与管理层试图不削弱掌控力之间的矛盾”的东风。

中台既满足了管理层的掌控欲，又讲了一个降本增效的故事，完美击中需求。

从软件工程角度讲，中台其实就是一个数据、服务的中转实现。
主要目的在于增强复用，加强管理。

中台的不好主要体现在于管理和运营领域，不在于技术领域。
比如中台明显增加了产品的复杂度。从而降低了全线产品的可靠性。成为了一个人为的瓶颈。
比如独立的中台团队会和实际业务团队职责混乱，边界不清等等。

举个例子，就像是保时捷 Taycan 与奥迪的 e-tron GT 共用 70%的零件，那么他们有两种做法：

1 、他们分别向供应商谈判采购。
2 、奥迪、保时捷一方出面谈判，然后零件转给另外一方。
3 、大众集团出面谈判，而奥迪与保时捷共享同一个“零件中台”。

这三者各有利弊，阿里选择了 3 。

很难。

1 、时间比较长了，2023 款一般是 2022 年的中旬推出，距离 2024 年底相差两年半。
2 、一般旧款会走内部消化，因为库存+老款，车卖不出价格。如果新款是“反向升级”，那库存车更是一车难求。

btw ，近光角度高其实是最近车型的通病。
比如新款的 GLE 和 GLS 。其耀眼程度远超 model y 。

1 、近光默认出场角度高。
2 、特斯拉老 3 、Y 的近光矩阵是一个凸字型。

在我实际观察来看，最上方的凸起的光角应该是正的（也就是上扬的，越远越高）。
所以低速跟车晃眼情况反而不明显，最晃的是距离大于 3 个车位的后车，以及马路对面的会车。

解决方法也不难，即打开大灯调整界面，稍调低 2~3 格就可以有效解决。
代价就是损失部分近光视野。

功能介绍太简略了，最起码要介绍下自己产品独有的优势。
demo 只展示了浏览侧功能，管理侧功能看不了。
这样就导致别人可能花 10~15 分钟去了解你的产品，但依然不得要领。

然后功能上：
瀑布流图片会出现二次重排，非常不优雅。
首页对于 PCweb 界面来讲有点比例不协调。信息密度太低。
浏览照片有个“评分”功能，但又不能操作，很迷。