还有你 append 的最后的透明度的信息，我是支持这么列出的，我同时建议把税费也单独列上。

@yfwo 『打车这件事，更像是在餐馆门口建了一座收费站，收过客餐费的 30%作为介绍费。』
你这描述的是自然流量，更适合类比以前你招停你面前路过的出租车 /学校机场火车站等地的黑车。人家本身能够获得客源，滴滴进来插一脚的确更像收介绍费的。

然而事实是，你用滴滴打车的时候你极有可能并不是上面说的这种情况。滴滴赚的就是信息撮合的钱。为啥远距离的单可以更贵？因为远距离的单稀有啊。反过来说，司机跑 1 单 10 公里的和 10 单一公里的，哪个赚的钱多？（其实在有平台补贴的时候的确是后者多。但一方面现在补贴也少，另外一方面补贴的钱又得从哪来）

因为定价方式不只是由成本来决定这一种方式。

如果低抽成的商业模式可行，为啥世界范围内都没有出现一个这样一个低抽成的公司？

借楼问一个如果用 mac mini+硬盘底座当 NAS 如何？需求是存放各种视频（包括从网盘上拖下来）给其他设备直接播放，以及未来可能会在上面部署一个 home assistant/home bridge 。
考虑 mac mini 的还有一个原因是可以 side load ios 的各种 app （主要是影音类）

1. 要切换输入法。这个阻碍其实不小，有时候注释也用英文写就是切换输入法太麻烦
2. 中文的表示不唯一。这个在过去指的更多的是不同编码，例如 gbk/utf-8 。现在的话还有各种异形字
3. 如果有国际化的团队，那在非中文环境中打开可能会有问题。


如果你是一个人写怎么爽怎么来；一个团队写就看看团队规范。

pgsql 和 mssql 上面都有答案了，我来贴个 mysql 的： https://dev.mysql.com/doc/refman/8.0/en/json-table-functions.html

（ mysql 8 之前或者 mariadb 用变量+字符串函数也行，就是写起来太太太太麻烦了。。。

这个 AI 小白是民科也算科学家的另外一种表达吗？

1. 现在的神经网络虽说借鉴了人脑，但的确绝对不一样（目前没有任何生物学上的研究能证明类似 BP 这样的机制的存在）。
2. 我之前也不认为现有的方式能够做到真正的 AGI ，但现在看来这很有可能是通向足够好的 AGI 的方式。

===
帖子里剩下的内容就**全**是槽点了。不重复其他人的发言顺着当前的讨论反驳几点：
@swhhaa #65
1. 『许多向量化等操作后早就不是自然语言了。』一个只会中文的人面对一个只会英语的人能不能认为对方完全没有语言能力？吱哇乱叫不知所云。
2. 你一直在强调的模型没有记忆功能，那模型的参数是啥？没有记忆功能只是因为在做 predict 的时候不会去更新参数。如果现在有一种神奇的力量锁定了你大脑的突触之间的连接（并且这种神奇的力量也可以随时解除 /再锁定），你觉得你有记忆功能吗？

RHEL
Rocky Linux
Oracle Linux

说 ubuntu 或者 debian 的我深表怀疑。要是一直用我觉得没啥问题，但是从 CentOS 切换？生态差距还是不小的。
但话说回来现在都跑 docker 的话的确外面运行啥差距不大

@fg990 ChatGPT 一般会顺着你说的。并且 3.5 在绝大多数专业领域回答并不够 trustworthy （极有可能无中生有，也有给出错误 /相反的信息的情况）

@cmdOptionKana
『工作能力差的人，花高房租住在公司附近，此时，房租能给这个人赋能吗？』
其实是可以的。不然，为啥一堆人挤在北上广深？

建议对比点外卖的价格 23333

微博被冻结后也同样无法注销

但 twitter 这么搞不怕被 GDPR ？

另外看你 @diehe #41 的回复，你可能手里的确有几张 A100 （毕竟 10 张卡可能就得快 100W 了），但其实这真算不上多少。一台 DGX 就得 8 张卡，你能凑几台？
ChatGPT 算是证明了 LLM 的性能的确与模型大小有关，暴力的确出奇迹。那么别说训练，你猜要几张 A100 （ 80G ）能够跑 GPT4 （将模型用于 predict ）？


@fg990 『最好是，把整个微调过程，做成无需写代码的方式』这个很容易，但假如『微调』一次的成本上百万你能接受吗？如果再告诉你无法承诺『微调』后的结果一定能够变得更好你能接受么？

0. 大的企业不会考虑将数据这么共享给一个不会签 NDA 的第三方（就算你想签企业也未必愿意 /相信，更何况 openai 是不可能签的）
1. 基于大模型做 finetuning （也就是你所想象的给模型喂 domain 数据），和调整 prompt 是两个不同的优化思路。以 GPT3.5/4 的量级，走的是后者的路线。
2. 现在其他已经开源的 LLM ，包括但不限于之前的 GPT3 （或更早的版本）以及最近各个大学企业发布的，效果离 ChatGPT 差距巨大
3. 对 AI 有兴趣的企业，不少（从好多年前起）就有自己的 AI team 。（以我浅薄的认知和见识）做 NLP 的组很大一部分工作就是把别人现成的模型搬过来套在自己数据上试一试，然后选一些还不错的做 finetuning 。效果见仁见智。

把硬件需求的问题放一边，LZ 是哪来的信心，认为自己一个缺乏深度理解 /定制的，可以打败第三点里提到的企业自有 AI team ？