Until death, all defeat is psychological.

• 数学家，是在发明数学还是发现数学规律？
• 数学规律为何存在？
• 数学规律是什么时候开始存在的？是宇宙大爆炸？ 那又是谁创造了数学规律？
• 如果数学规律不存在，宇宙会怎么样？
• 人类所谓的物理学，是否会存在？
• 甚至，宇宙是否会存在？
• 数学的能力边界是什么？
• 数学能否包含人类所谓的智能？ 是智能的范围更大还是数学更大？
• 如果是智能大，如何证明？ -如果是数学大，那人活在数学范围内，那是不是可以由高级计算机（等价的数学计算器），可以模拟出一个完整的人类发展历史？在这个模拟中可以发现创造它的数学规律？

If your ego-to-ability ratio gets too high, then you’ve broken the feedback loop to reality. In AI terms, you’ll break your reinforcement learning loop.

— The Book of Elon by Eric Jorgenson

号称在多少天内实现某种编译器、并让测试用例全部通过；用这种方式做出来的程序也可能存在作弊。凡是试图用某种固定规则去评判多维度的事物，似乎都不可能完美，总会留下作弊空间。这道天花板真的无法突破吗？看来单元测试也未必靠谱，它也只是提升开发效率的小技巧之一。最终的“测试程序”仍然是人本身。

时隔十三年再次到访北京，空气依旧干燥，雾霾依旧，马路依旧宽阔。 我还是更喜欢南方。

大模型能够按指令实现某个功能，但它并不一定会以软件工程的最佳实践来设计与实现。这更多取决于使用者的认知水平，而这部分能力是大模型难以替代的。

在不同的认知水平下，当模型给出的方案与使用者的预期产生冲突或差异时，使用者就容易感到困惑：

1. 如果使用者的软件功底不足，看到一大堆代码改动会感到恐慌，认为这是过度设计。
2. 对于有经验、做过端到端软件交付的人来说，模型在某些地方又显得过于直白：在容错性、兼容性以及可观测性等方面的设计几乎为零。

总的来说，大模型是很好的加速器，但它并不能完全替代端到端的高质量功能交付。最终效果仍然取决于使用者，尤其取决于使用者的认知水平。

A simple and bold prediction: Every programmer will build their own IDE.

26 年版学习方法：

第一步：先建立对整体全貌及难易分布的感知。 第二步：根据需要，深入某个细节，对其进行深化与打磨。 第三步：再结合整体的知识结构，完成整合。

人脑能够基于既有知识进行灵活的动态调整，而模型在训练过程中，本质上只是一组固定参数的不断优化。

以目前的训练方式来看，模型尚不具备将已有知识真正融会贯通的能力，它更像是一种单向推进的过程。一旦参数被修改，后续便很难准确预测这种变化会对先前问题的表现造成怎样的影响。因此，模型只能小心翼翼地朝着稳定、可预期的方向调整参数。