AI人工智能 on 抽象派：DoDoRo的梦想空间-码农,数学,算法,哲学,园艺

AI时代会走向何方？

Mon, 29 Jun 2026 00:00:00 +0000

我个人是AI的长期乐观派。我相信，人工智能将成为未来几十年最重要的通用技术之一，其对生产力的提升是真实存在的，也将深刻改变经济和社会运行方式。但与此同时，我并不认同市场当前所隐含的乐观预期。在我看来，AI真正兑现其经济价值还需要更长的时间，可能需要8至10年，而不是资本市场期待的两三年。

当前AI的发展更像是一个典型的技术革命早期阶段。大模型展示出了令人惊叹的能力，但距离大规模、低成本、稳定地嵌入各行各业的生产流程，还有不少技术和商业障碍需要跨越。企业虽然积极部署 AI，但真正能够形成可持续盈利模式、显著提升全要素生产率的案例仍然有限。从历史经验来看，每一次通用技术革命都会经历从概念验证到基础设施建设，再到商业模式成熟的漫长过程，互联网如此，电力如此，AI也不会例外。

因此，我认为当前AI泡沫的根基并不牢固。从技术周期来看，这一轮AI热潮更接近于2000年的互联网泡沫，而不是一种可以持续多年线性上涨的超级牛市。当年互联网同样拥有改变世界的潜力，但市场高估了短期兑现速度，导致估值远远领先于现实。泡沫破裂后，大量公司倒闭、资本退潮，但互联网技术本身并没有失败，反而在经历数年的调整后，孕育出了真正改变世界的企业，例如Google、Amazon、Facebook等。因此，即使未来AI市场经历一次深度调整，我依然相信它不会改变AI长期发展的方向，只会让行业进入更加健康的发展阶段。

不过，我真正担忧的并不是AI泡沫本身，而是它所处的宏观环境已经与2000年有着本质区别。互联网泡沫时期，美国仍然处于全球化快速发展的黄金时代，国际政治环境总体稳定，即使科技股暴跌，也没有演变成全球经济体系的全面危机。而今天，世界已经进入新一轮大国竞争甚至可以称为“新冷战”的时代。全球产业链正在重构，科技竞争成为国家战略的重要组成部分，地缘政治风险远高于二十多年前。

正因为如此，如果美国AI产业真的出现大规模泡沫破裂，其影响未必只是一次普通的科技股熊市。当前美国资本市场高度集中于少数AI龙头企业，大量资金、养老金、风险投资乃至国家战略资源都围绕AI展开布局。一旦市场信心崩塌，不仅可能引发金融市场剧烈调整，还可能通过信用收缩、投资下降和消费疲软传导至实体经济。在全球经济本就增长乏力、债务水平居高不下的背景下，这种冲击甚至可能放大为系统性风险。

因此，我认为未来最大的变量不是AI技术是否成功，而是资本市场是否能够给予技术足够的成长时间。如果市场能够接受一个更长的兑现周期，那么AI有望复制互联网的发展路径：经历泡沫、调整、复苏，最终成为推动经济增长的新引擎。但如果资本市场过度透支未来，并叠加地缘政治冲突、财政赤字、债务压力等宏观因素，那么一次AI泡沫破裂所带来的连锁反应，未必不会比2000年更加严重，甚至存在向类似1929年那种全球性经济危机演化的可能。当然，这并非最可能发生的情景，但在当前复杂的国际环境下，也不能轻易排除这种尾部风险。

总体而言，我对AI的长期前景依然充满信心，却对未来数年的市场表现保持谨慎。我相信AI最终会像互联网一样改变世界，但市场往往高估短期、低估长期。真正值得关注的，不是下一季度的算力投资或估值变化，而是未来十年AI能否真正成为推动全球生产率持续提升的新基础设施。只有当技术成熟、商业模式稳定、宏观环境相对平稳时，AI才会迎来属于它的真正黄金时代。

AI写代码被吹上天了，但程序员不会因此消失

Tue, 09 Jun 2026 00:00:00 +0000

最近看到很多关于 AI 编程的文章，尤其是 Cursor、Claude Code、Vibe Coding 相关内容，给人的感觉仿佛软件开发已经进入了“全民开发时代”：不会写代码的人也能做产品，程序员即将被 AI 替代，未来随便拉几个人组队就能做出互联网产品。

作为一个长期使用 Cursor 辅助开发的人，我承认 AI 的进步确实非常惊人。我自己几乎每天都在使用 AI 写代码，而且体验很好。但如果因此认为软件开发已经被彻底颠覆，甚至认为程序员这个职业即将消失，那显然高估了 AI 当前的能力。

客观来说，AI 更像一次生产力升级，而不是程序员的替代者。对于后台管理系统、CRUD业务、接口开发、脚手架代码、测试代码、文档编写这类标准化工作，AI 已经表现得非常优秀。很多过去需要初中级程序员花费大量时间完成的任务，现在一句提示词就能生成质量不错的代码。在这些领域，AI 的效率确实已经超过了绝大部分开发者。

但问题是，真正的互联网系统从来不是靠生成代码构建出来的。一个成熟的线上系统，真正困难的部分往往是业务建模、架构设计、性能优化、高并发处理、稳定性治理、容灾设计以及各种复杂场景下的技术决策。代码实现反而只是整个过程里相对容易的一环。

AI 可以帮你快速搭建一个电商系统，但它很难替你解决流量暴增时的扩容问题、缓存击穿问题、数据库热点问题、分布式事务问题以及各种线上故障。很多时候，系统的上限并不取决于代码写得快不快，而取决于架构是否合理、方案是否成熟、风险是否被提前识别。

这也是为什么我一直认为，Vibe Coding 更适合做原型、工具和中小型项目，而不是直接用于复杂生产系统。

Vibe Coding 最大的问题不在于代码写错，而在于开发者可能不知道哪里有问题。AI 生成的代码往往能够运行、能够通过测试，看起来一切正常，但其中可能隐藏着性能瓶颈、安全漏洞、并发缺陷或者架构隐患。如果开发者缺乏足够的工程经验，就很难发现这些问题。项目规模小时看不出区别，一旦用户增长、业务复杂度上升，各种技术债就会集中爆发。

事实上，技术发展一直遵循同样的规律。

框架出现的时候，很多人认为程序员要失业；云计算兴起的时候，很多人认为运维会消失；GitHub 和开源生态成熟后，也有人认为技术门槛会被彻底抹平。但最后发生的事情并不是专业人才消失，而是重复劳动减少了，工程师开始把更多精力投入到更高价值的工作中。

AI 本质上也是如此。

它替代的是重复性劳动、标准化劳动和机械性劳动，而不是业务理解、架构思考和工程判断。真正决定一个系统质量的，始终是人的认知能力和经验积累。

前段时间 Google CEO 桑达尔·皮查伊提到一个观点：AI 降低了软件开发门槛，会让原本没有能力进行数字化建设的行业开始转型，最终带来更多的软件需求。

我比较认同这个判断。

开发成本下降，不一定意味着程序员需求减少，反而可能意味着更多企业和行业开始建设自己的系统。过去不值得做的软件，现在值得做了；过去做不起的项目，现在做得起了。需求总量很可能比今天增长数倍甚至数十倍。

因此，未来真正面临风险的未必是程序员，而是不愿意使用 AI 的程序员。

就像当年不会使用搜索引擎的人被淘汰，不会使用 Git 的人被淘汰，不会使用云平台的人被淘汰一样，未来不会使用 AI 的开发者竞争力一定会下降。

但与此同时，仅仅会用 AI 也远远不够。

未来最有价值的工程师，依然是那些既懂业务、懂架构、懂工程，又能够熟练驾驭 AI 工具的人。AI 会极大放大优秀工程师的生产力，却很难替代他们的判断力。

代码越来越不值钱，但理解问题、设计系统和解决复杂问题的能力，反而会变得更加稀缺。

所以，与其讨论“AI 会不会取代程序员”，不如思考另一个问题：当人人都能生成代码的时候，你还能提供什么是 AI 无法替代的价值。真正的竞争，未来才刚刚开始。

从Vibe Coding到代理工程：AI正在改变软件开发的组织方式

Sat, 06 Jun 2026 00:00:00 +0000

最近看了OpenClaw（ClawdBot）创始人Peter Steinberger 的一次访谈，最大的感受不是AI写代码越来越强，而是开发模式本身正在发生变化。很多人还在讨论 Vibe Coding，但在他看来，开发已经进入了 Agent Engineering（代理工程）阶段。

按照他的描述，现在开发过程中已经很少亲自写代码或者逐行阅读代码，而是同时管理 5～10 个 Agent 并行工作。有的负责实现功能，有的负责测试，有的负责重构，有的负责排查问题。开发者更像项目经理，负责分配任务、观察执行过程和判断最终结果，而不是亲自完成每一个细节。过去程序员是在写代码，现在更像是在管理代码生产流水线。

这种变化也带来了质量控制方式的改变。传统开发强调 Code Review，而 Peter 更关注验证系统本身。他认为与其检查每一行代码，不如构建完善的测试和验证闭环。只要 Agent 能完成需求、通过本地测试并验证结果符合预期，他很多时候会直接合并代码，而不会再花大量时间审查具体实现。未来的软件工程可能会越来越从“检查过程”转向“验证结果”。

访谈中另一个有意思的观点是人与 AI 的关系正在从命令变成沟通。他提到自己越来越少给 Agent 下达机械指令，而是花时间理解 Agent 如何拆解任务、如何做出决策。当 AI 无法正确完成任务时，他首先考虑的是自己是否没有把需求表达清楚。这意味着未来开发者的一项核心能力可能不再是编码，而是如何高效地与智能体协作。

OpenClaw 本身也是这种开发模式的产物。整个项目最初几乎就是 Peter 一个人在家用了十天时间完成，高峰时期甚至创造过 GitHub 单日 1374 次提交记录。放在过去，这样的工作量往往需要一个团队完成，而现在借助 Agent，一个人的生产力边界被大幅扩展。

最让他震撼的案例来自一次语音翻译任务。Agent 在收到 WhatsApp 语音消息后，自主决定调用本地 FFMPEG 将音频转换成 WAV 格式，再调用 OpenAI API 完成识别和翻译，整个流程并没有被提前写成固定工作流，而是 Agent 根据目标自行规划执行路径。这种能力与传统自动化脚本最大的区别在于，它不只是执行命令，而是在主动寻找解决方案。

在 Peter 看来，OpenClaw 的核心价值也不是聊天机器人，而是“数据解放”。今天用户的数据分散在 WhatsApp、Telegram、Slack、Gmail、Notion 等各种平台中，虽然数据属于用户，但控制权往往掌握在平台手里。OpenClaw 希望让 Agent 直接帮助用户操作这些数字资产，打破大型科技公司构建的封闭生态。

基于这种趋势，他甚至认为未来很多传统 App 都可能被个人 Agent 替代。用户不再需要在不同软件之间切换，而是直接向自己的 Agent 描述目标，由 Agent 完成邮件处理、日程安排、文档管理和信息检索等工作。届时，一个普通人可能拥有多个数字员工，甚至运行属于自己的“小型公司”。

不过他也强调，目前最大的挑战仍然是安全。随着 Agent 拥有文件访问、浏览器控制、终端执行和 API 调用能力，提示词注入攻击带来的风险也在快速放大。因此他建议尽量在 VPS、Docker 或虚拟机等隔离环境中运行 Agent，而不要直接给予系统最高权限。

[转]NLP模型与深度学习

Thu, 02 Dec 2021 00:00:00 +0000

1、自然语言处理简介

根据工业界的估计，仅有21% 的数据是以结构化的形式展现的[1]。在日常生活中，大量的数据是以文本、语音的方式产生（例如短信、微博、录音、聊天记录等等），这种方式是高度无结构化的。如何去对这些文本数据进行系统化分析、理解、以及做信息提取，就是自然语言处理（Natural Language Processing，NLP）需要做的事情。

在NLP中，常见的任务包括：自动摘要、机器翻译、命名体识别（NER）、关系提取、情感分析、语音识别、主题分割等。

在NLP与深度学习系列文章中，不会逐一解释各个NLP任务，而是主要介绍深度学习模型在NLP中的应用。整体分为以下几点：

首先介绍NLP基本流程以及在数据预处理方面的技术；而后会介绍最初期使用的神经网络：SimpleRNN、LSTM；继而引入使得文本处理性能得到很大提升的Attention机制以及Transformer模型；最后介绍近几年非常热门的预训练模型BERT，以及如何使用BERT预训练模型的例子

下面首先介绍的NLP任务的一个基本工作流程。

2、NLP 任务流程

典型的NLP任务分为以下几步：

数据收集
数据标注
文本标准化（Normalization）
文本向量化/特征化（Vectorization/Featuring）
建模

前期主要是数据收集，并根据任务类型对数据做标注（例如情感分析中，对好、坏评价做标注）。接下来的2个步骤均是对文本进行预处理的步骤，为了提取文本中隐含的信息，最后通过机器学习建模，达到任务目标。其中 3 – 5 这几步是迭代的流程，为了模型的精度更准确，需要迭代这个过程，进行不断尝试。

数据收集以及标注并非在本文讨论范围内，接下来介绍文本标准化的目标与方法。

3、文本标准化

由于文本数据在可用的数据中是非常无结构的，它内部会包含很多不同类型的噪点。所以在对文本进行预处理之前，它暂时是不适合被用于做直接分析的。

文本预处理过程主要是对文本数据进行清洗与标准化。这个过程会让我们的数据没有噪声，并可以对它直接做分析。

而文本标准化是NLP任务里的一个数据预处理过程。它的主要目标与常规数据预处理的目标一致：提升文本质量，使得文本数据更便于模型训练。

文本标准化主要包含4个步骤：

大小写标准化（Case Normalization）
分词（Tokenization）与 停止词移除（stop word removal）
词性（Parts-of-Speech，POS）标注（Tagging）
词干提取（Stemming）

3.1 大小写标准化

大小写标准化是将大写字符转为小写字符，一般在西语中会用到。但是对于中文，不需要做此操作。而且Case Normalization 也并非是在所有任务场景中都有用，例如在英文垃圾邮件分类中，一般一个明显的特征就是充斥着大写单词，所以在这种情况下，并不需要将单词转为小写。

3.2 分词

文本数据一般序列的形式存在，分词是为了将文本转为单词列表，这个过程称为分词（tokenization），转为的单词称为token。根据任务的类别，单词并非是分词的最小单位，最小单位为字符。在一个英语单词序列中，例如 ride a bike，单词分词的结果为 [ride, a, bkie]。字符分词的结果为[r, i, d, e, a, b, k, e]。

在中文中，分词的最小单元可以不是单个字，而是词语。

3.3 停止词移除

停止词移除是将文本中的标点、停顿词（例如 is，in，of等等）、特殊符号（如@、#等）移除。大部分情况下，此步骤能提升模型效果，但也并非在任何时候都有用。例如在骚扰邮件、垃圾邮件识别中，特殊字符相对较多，对于分辨是否是垃圾邮件有一定帮助。

3.4 词性标注

语言是有语法结构的，在大部分语言中，单词可以被大体分为动词、名词、形容词、副词等等。词性标注的目的就是就是为了一条语句中的单词标注它的词性。

3.5 词干提取

在部分语言中，例如英语，一个单词会有多种表示形式。例如play，它的不同形式有played，plays，playing等，都是play的变种。虽然他们的意思稍微有些区别，但是大部分情况下它们的意思是相近的。词干提取就是提取出词根（例如play 就是它各种不同形式的单词的词根），这样可以减少词库的大小，并且增加单词匹配的精度。

这些文本标准化的步骤，可以用于对文本进行预处理。在进一步基于这些文本数据进行分析时，我们需要将它转化为特征。根据使用用途不同，文本特征可以根据各种技术建立而成。如：句法分析（Syntactical Parsing），N元语法（N-grams），基于单词计数的特征，统计学特征，以及词向量（word embeddings）等。

成为深度学习专家的七个步骤

Sun, 10 Dec 2017 00:00:00 +0000

1、对机器学习有基本的理解，最好的材料是Andrew Ng在coursera上的公开课程，看过教程能让你对机器学习有基本的认识，完成课程中的任务会让你对机器学习有更深入的理解；

2、接下来需要培养对神经网络的感觉，实现一个神经网络，并利用它做点事情；

3、理解神经网络的原理很重要，但简单的神经网络并不足以解决最有趣的问题。神经网络的变体-卷积神经网络(CNN)非常适合于图像识别类的任务，斯坦福大学的有关资料如下：CS231n 用于图像识别的卷积神经网络(笔记)和课件。另外两个参考资料如下CNN 参考资料1和CNN 参考资料1。

4、接下来需要在自己的电脑上运行CNN；

step1：买一块GPU，安装CUDA开发工具包 step2：安装Caffe和GUI包Digit step3：安装Boinc，这个工具对你理解深度学习并没有帮助，但能够让其他研究人员在闲暇时间利用你的GPU做科研

5、Digit提供了少量算法，比如用于字符识别的lenet算法和用于图像分类的Googlenet算法。要想运行这些算法，需要下载相应的数据集lenet数据集和Googlenet数据集。你也可以修改算法来执行其他的图像识别任务，比如我们的工作；

6、对于自然语言处理任务，递归神经网络RNN更适合。学习RNN最好的材料是斯坦福的讲座及笔记，也可以下载Tensorflow来构建RNN；

7、现在你可以尝试用深度学习来解决各种各样的难题了，比如面部识别、语音识别和自动驾驶等；

如果你认真完成以上步骤，那么祝贺你，可以去Google、Baidu、Microsoft, Facebook或Amazon申请职位。

深度学习随感

Sun, 04 Jun 2017 00:00:00 +0000

“深度学习是一个激情澎湃却又相对单一的领域。有一些深刻的想法，一些主要的学术会议，其中若干会议之间也存在着很多重叠。然后，一篇篇的论文在不断地提升和完善同样的一些基本想法：使用SGD（或者类似的变体）来优化一个代价函数。这些想法非常成功。但是我们现在还没有看到这个领域的健康发展，每个人在研究自己的深刻想法，将深度学习推向很多的方向。所以，根据社会复杂性度量，忽略文字游戏，深度学习仍然是一个相当粗浅的领域。现在还是可以完全地掌握该领域大多数的深刻想法的。” via:Michael Nielsen

上世纪50、60年代神经网络曾经非常火爆，局限于计算能力和算法束缚，没有获得商用，迅速进入寒冬，但Hinton和Yann Lecun坚持做了二十多年，去年以来媒体对AI大肆渲染，而这两位深度学习的领袖却保持很理性的认识。下面是Yann Lecun在facebook的声明：AlphaGo战胜李世石后，Slashdot上有帖子帖子宣称：“我们现在知道，我们不需要任何大的新的突破，以获得真正的AI”。这是完全，完全，可笑的错误。

正如我在前面的陈述中所说的：大多数人类和动物学习是无监督的学习。如果智力是一个蛋糕，无监督学习将是蛋糕，监督学习将是蛋糕上的糖霜，强化学习将是蛋糕上的樱桃。我们知道如何做结冰和樱桃，但我们不知道如何做蛋糕。在我们想获得真正的AI之前，需要先解决无监督的学习问题。这只是我们知道的一个障碍。还有大量的我们不知道的障碍。

最近几年deep learning使得机器对图像，语音，人类语言的认知能力获得了质的飞跃，在图像识别方面甚至已经超越人类，出现了很多看起来是黑科技并且非常实用的技术，比如人脸识别，图片自动标注描述，机器翻译，无人车等等。但不应该去夸大AI，媒体的大肆宣传，会让大家都以为实现科幻电影里出现的强AI，这样只会换来失望，从而导致AI的下一个寒冬。当然，乐观的来讲，深度学习对于弱AI的发展起到了非常大的作用，而且也有理由相信未来(我觉得还需要近上百年的发展)肯定会诞生强AI。

深度学习猜想

Thu, 04 May 2017 00:00:00 +0000

推荐所有立志从事机器学习特别是深度神经网络学习算法的人认真研读这本书。书评：作者从最根本最朴素的思想开始，结合实践进入深度神经网络，这本书堪称神经网络的几何原本。另外，第二章有非常多的多元微积分公式和证明，作者说可以跳过，但建议数学系毕业的人认真研读并完成证明，因为只有了解这些才可能进行算法的创新。

如果拉马努金在世，他应该能从上帝那里拿来神奇的公式，让深度学习的算法更优。另外，我猜想基于欧拉公式设计逻辑神经元的算法，或许会彻底改变神经网络算法—因为现在的S型神经元只包含自然对数e，英应该要加入pi，i，0和-1才是优美的。哦，这只是天马行空的猜想。

Hadoop介绍

Tue, 24 Jul 2012 00:00:00 +0000

Hadoop一个分布式系统基础架构，由Apache基金会开发。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力高速运算和存储。Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有着高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上。而且它提供高传输率（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求（requirements）这样可以流的形式访问（streaming access）文件系统中的数据。 Hadoop是一个能够对大量数据进行分布式处理的软件框架。但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。Hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。Hadoop 还是可伸缩的，能够处理 PB 级数据。此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。 Hadoop带有用 Java 语言编写的框架，因此运行在 Linux 生产平台上是非常理想的。Hadoop 上的应用程序也可以使用其他语言编写，比如 C++。 Hadoop主要包括如下子项目 Hadoop Common : 在0.20及以前的版本中，包含HDFS、MapReduce和其他项目公共内容，从0.21开始HDFS和MapReduce被分离为独立的子项目，其余内容为Hadoop Common HDFS : Hadoop 分布式文件系统 (Distributed File System) － HDFS (Hadoop Distributed File System) MapReduce ：并行计算框架，0.20前使用 org.apache.hadoop.mapred 旧接口，0.20版本开始引入org.apache.hadoop.mapreduce的新API HBase : 类似Google BigTable的分布式NoSQL列数据库。（HBase 和 Avro 已经于2010年5月成为顶级 Apache 项目） Hive ：数据仓库工具，由Facebook贡献。 Zookeeper ：分布式锁设施，提供类似Google Chubby的功能，由Facebook贡献。 Avro ：新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制。要掌握hadoop，首先必须深入研究google的3篇论文：map-reduce、gfs和bigtable。