1 、网线是双绞的。
2 、双工通信可以抵消串扰。
3 、RJ45 的定义，就是 3 、6 为接受信号正负。

雪茄不过肺。
所以简单来讲，抽雪茄 ≈ 口腔粘膜吸收+二手烟。

可以简单粗暴的对应成软件开发领域的编译机、或者操作系统开发。
而且 AI 比以上更难的一点是，你的实践机会无限接近 0 。

openAI 的每次模型训练的成本都是几个亿人民币这个量级。以至于他们在实践中会使用一个低成本小模型来预测大模型的收敛结果。即便是这个小模型，训练成本也是千万人民币。

这也就导致现阶段直接接触统计学 AI 的人才，都是“学阀团体”。
因为外人根本没法融入，团体也没有人相信你，也没有那个资金来让你试错。

现实的例子：楼主可以看看“Transformer 八子”，可以说他们是目前统计学 AI 的奠基人，看看他们的个人实力。

你其实每周都在和亿万失之交臂。
你只需要掏两块钱买双色球。

字里行间不承认有大公司病，但自己又很诚实的写了一篇大公司病文章。

4 、某员工，因不了解某些既定代码的使用方法，用尽全力通过反射等方式，绕过了既有代码的数据初始化与 setter 逻辑，使得代码再缺乏启动参数的情况下半残运行，并沾沾自喜。

以上都是我工作十余年来，看到的真实案例。

btw:顺道说几个实战案例。

1 、某员工把自己做实验的代码直接干到了生产分支，并且手动执行了 CI/CD 。
2 、在公司有正版企业版开发工具，正版 UI 资源库的前提下，坚持自己下载、破解 IDE ，并自己下载盗版素材，手撸控件。
3 、公司有自己的 lib 库，但坚持使用某互联网巨头的 lib 库的国内不知名镜像。

1 、内存稍小了一点，16GB 开不了很多游戏的极高材质。
2 、升级显卡的同时还要升级电源。

剩下的感觉没什么迫切需要动的，只要不跑分 A/B 对比，剩下的几乎没体感上的变化。

这些都不重要，或者说在生产活动中不致命，需要的时候自然会问或者自己研究。
而且有 code review 等机制来阻止产品逻辑超出预期的腐败。

从企业角度来看，核心的其实是生产安全和生产纪律。

比如如何使用代码格式检查工具，git 的基本操作与操作纪律，如何维护代码的高内聚、低耦合，实战中如何保证代码的单一功能原则。如何保证不侵入、不过度依赖别人的代码。公司提供给员工的生产工具与现有生产资源有哪些，在哪里找到应该怎么用，等等。

相亲的问题就是目的性太强。导致“应试”效应太明显。

主要现象就是，相亲成功的家庭，很容易感情质量是线性下降的。（只有刚相亲那会感情质量最高）

@shengmi 但是油门输入可以 override 系统的自动刹车。去年好像只是更了一个当有障碍物时，降低最大油门扭力的功能。

这种情况最可怕的就是一脚跺下去油门开度 100%。

所以我一直是低回收+缓行。

软考高级主要目的就是为了高级职称以及部分省的政策优待。
如果你没有高级职称需求，软考高级的收益就比较低。

@NewMoorj 但其实从硬件配置角度上看，他是可以 CRBS 的（博世的产品）。所以我臆测他并不是节省的硬件成本。

冬天动能回收受限时，快速丢开油门，电机会有异常的闯动与啸叫，再次踩下油门接合动力时也会。会出现踩油门反而减速 0.5 秒的情况。
远没有“动能回收低”的时候平顺。

从冬天“动能回收受限”的体验来看，我合理怀疑是特斯拉对于油门、动能回收、机械刹车三者的调教没有一个完美方案，最终导致的动能回收与油门绑定。来掩盖电机上电、下电时的劣化体验。

btw：朋友的 3p 更夸张，赛道模式可以调整动能回收百分比，如果是 0 ，则完全丢开油门确实是 0 ，但是 0~10%开度油门反而是减速……

@NewMoorj 单踏板矛盾的核心不是保持，是标准动能回收强度。
标准动能回收强度导致想匀速行驶必须精准操作油门开度。而不能备刹车滑行。

只是设置“缓行”，而不把动能回收力度设为“低”的话，下地库依然要踩油门。
只要你不是蠕动下地库。

btw：我向来是缓行+低动能回收力度，下地库依然需要一点点油门开度。

@lawted ok 感谢

@lawted 可否给出出处，我对这句话的理解是“替代了 hundreds of thousands 行代码”，而不是完全消灭了代码。

但相反，你通过 google 搜索出来的《默沙东诊疗手册》因为其背后的企业背书，你是基本上可以信任的。

在我看来楼主完全搞反了因果。

现阶段的大语言模型，基于其依赖统计学与并不明确的“涌现”特性，使得输出的结果并不稳定，也并不 100%收敛。
所以只适合使用在操作者熟悉的领域中。

简单说来，目前的 AI 只擅长锦上添花。
因为只有在熟悉的领域，操作者才可以依赖经验和直觉，快速判断 AI 输出内容的大概有效性。从而有针对性、辩证的去使用 AI 生成的结果。

举个简单的例子，目前最火的智驾。
目前智驾领域 Tesla 只是把物体的识别交给了 AI 模型，其后的车辆操作策略依然是传统的决策树。

换句话说，随着 AI 技术的发展，Tesla 只是选择逐步的把 AI 决策的比例放大，决策树占用的比例缩小。
但并不是完全依赖 AI 决策。并且会通过一些传统的逻辑代码做为 double check 。

再举一个反例，作为软件工程师，你身上有一些疾病症状，你敢服用 chatGPT 给你推荐药物么？

1 、目前的自动驾驶都是 L2+，所以没有太本质的差距。都是“使用智驾更提神”的水平，至少我是这样。
2 、每个品牌的智驾方案不同，所以没有控制变量，横向比较的空间。
3 、智驾的每个决策都是不能稳定复现的，复现成本也很高。所以讨论起来其实没什么意义。都是在输出刻板印象与个例而已。