文章

为什么只会写 Prompt 已经不够了 过去几年，大家最熟悉的词是 prompt engineering。 这很好理解。大模型刚流行的时候，很多任务都还是“一问一答”式的：你写一句提示词，模型回你一段结果。于是大家自然会把注意力放在一个问题上：这句话到底该怎么写，模型才更听话？ 但一旦 AI 从聊天玩具变成真正干活的系统，事情就开始变了。 比如你不再只是让它“解释一个概念”，而是让它： 读代码库 查文档 调工具 记住前面做过什么 连续工作几十分钟甚至几小时 这时候，如果效果不好，问题往往已经不只是“提示词写得不够好”。更常见的情况是：给错了信息，或者系统壳子搭得不对。 这正是 prompt engineering、context engineering、harness engineering 这三个概念出现的背景。 如果只用一句话概括它们的区别，可以这样记： Prompt engineering：研究“你怎么对模型说话” Context engineering：研究“模型在这一轮到底看到了什么” Harness engineering：研究“模型外面的运行系统怎样驱动它持续完成任务” 很多人第一次看到这三个词，会觉得它们像是换汤不换药的同义词。其实不是。它们对应的是三层完全不同的工程问题。 01. 先把 AI 想成一个超级聪明但会失忆的实习生 理解这三个概念，最简单的方法，是先把大模型想成一个能力极强、但工作方式很特别的实习生。 他有几个鲜明特点。 第一，他很聪明，读过海量资料，推理和表达能力都不错。 第二，他没有真正稳定的长期记忆。你不给他信息，他就不知道；你这轮给了，下轮不一定还能完整保留。 第三，他能不能干成事，不只取决于你说得清不清楚，还取决于三件事： 你到底给他下了什么任务 你把哪些资料和现场信息摆在了他面前 你有没有给他工具、流程、检查点和工作台 这三件事，分别就对应今天要讲的三个层次。 02. Prompt Engineering：你怎么给他下指令 Prompt engineering 是最早被广泛讨论的概念。Anthropic 在官方文档里把它描述为：为了获得更好的结果，去设计和组织给模型的指令。 说白了，它解决的是：一句话怎么写，一段提示怎么组织，模型才更容易给出你要的输出。 这一层最常见的工作包括： 设定角色，比如“你是一位资深律师”或“你是一位代码审查专家” 明确任务，比如“总结”“比较”“修复”“改写” 指定输出格式，比如表格、JSON、Markdown、固定字段 加约束条件，比如长度限制、语气限制、禁止编造 提供 few-shot 示例，让模型照着范例做 如果把模型当作一个实习生，prompt engineering 做的事就是：把任务交代清楚。 比如同样是让 AI 写文章，下面这两种写法的效果往往完全不同。 差的写法： 帮我写一篇文章。 更好的写法： 请写一篇面向完全小白的科普文章，主题是“为什么只会写 Prompt 已经不够了”。 文章需要解释 Prompt Engineering、Context Engineering、Harness Engineering 的区别。 风格要通俗、自然，避免空泛术语，并给出一个 AI 编码助手的具体例子。 你会发现，第二种写法并没有使用什么神秘技巧，它只是更清楚。 ...

你每天都在和格式打交道 手机拍了一张照片，后缀是 .heic。想发到网站上，得转成 .jpg。下载了一部电影，文件名是 .mkv，播放器却打不开。网易云音乐缓存了一首歌，格式是 .ncm，别的软件根本认不了。 这些后缀名——也就是格式——看起来像一堆随机字母，但它们各自代表着完全不同的存储策略。理解它们，不是什么高深的计算机知识，而是一种实用技能：知道什么时候该用什么格式，能帮你省空间、提速度、保质量。 这篇文章会从最基本的概念出发，把图片、视频、音频的常见格式一次性讲清楚。 先搞懂一个核心问题：压缩 所有格式的本质区别，其实就一句话：怎么把数据变小。 一张未经压缩的照片，一个像素要占 3 个字节（红绿蓝各一个字节）。你手机拍的 1200 万像素照片，原始大小大约是 36 MB。但实际存储在手机里只有 3-5 MB。这就是压缩的功劳。 压缩分两种： 无损压缩——像把衣服整齐叠好塞进箱子，打开箱子后衣服还是原来的样子。PNG、FLAC、ALAC 就是这种方式。文件比原始数据小，但解压后和原始数据一模一样。 有损压缩——像搬家时扔掉一些你不太用的东西。JPEG、MP3、H.264 都是这种方式。它们会丢弃人眼/人耳不太敏感的信息，换来更小的体积。丢掉的东西再也找不回来了，但如果你"扔"得恰到好处，人几乎感觉不到。 理解了"压缩"这个核心，后面所有的格式就都好懂了。 第一部分：图像格式 JPEG——照片的万能选手 全称：Joint Photographic Experts Group（联合图像专家小组） 压缩方式：有损 JPEG 是世界上最常用的图像格式，没有之一。你在网上看到的绝大多数照片都是 JPEG。它的核心算法叫离散余弦变换（DCT），原理是把图像分成 8×8 的小方块，然后用数学方法丢弃人眼不太敏感的高频细节。 优点很明显：兼容性 100%，任何设备都能打开；压缩率高，一张照片通常只需原始大小的 1/10 到 1/20。缺点也很明显：不支持透明度；反复编辑保存会越来越糊（就像复印件的复印件）；文字和锐利边缘附近会出现明显的"方块感"。 什么时候用：照片、色彩丰富的图片。不用透明度的场景。 什么时候别用：Logo、文字截图、需要透明背景的图片。 PNG——无损透明的王者 全称：Portable Network Graphics（便携式网络图形） 压缩方式：无损 PNG 的诞生有一个故事：GIF 格式使用的 LZW 压缩算法有专利限制，开发者需要交授权费。于是社区在 1995 年创造了 PNG，使用无专利的 DEFLATE 算法，完全免费开放。 PNG 最大的两个优势：无损和透明。它不会丢失任何像素细节，还支持 Alpha 透明通道——可以做出半透明的效果，而不像 GIF 那样只有"透明"或"不透明"。 不过 PNG 存照片非常浪费空间。一张手机照片存成 PNG 可能 10-20 MB，存成 JPEG 只要 3-5 MB，但你根本看不出区别。 ...

你有没有过这样的时刻——别人问你"你电脑什么配置"，你愣了一下，然后默默打开系统设置翻了半天？ 或者你想装个软件，它写着"至少需要 8GB 内存"，你不确定自己够不够？ 又或者你刚买了一台云服务器，想搞清楚商家到底给你分配了什么硬件？ 在 Windows 上，你可以用"设备管理器"或"任务管理器"点几下鼠标搞定。但在 Linux 上，没有那些花花绿绿的窗口，你得靠命令。 别怕。这些命令不需要你懂编程，每个都是一行文字，敲进去、回车，结果就出来了。 下面这 9 个命令，涵盖了系统、CPU、内存、硬盘、显卡、网络、实时监控——基本上你关心的硬件信息，它们全包了。 先从全局开始：我的电脑到底是什么？ uname -a —— 系统的身份证 这是最基础也最快速的一个命令。它会告诉你：内核名称、主机名、内核版本、系统架构、操作系统。 uname -a 输出大概是这个样子： Linux myserver 5.15.0-91-generic #101-Ubuntu SMP x86_64 GNU/Linux 这些信息乍一看像天书，但其实拆开来很简单： Linux —— 内核名称，说明你跑的是 Linux 系统 myserver —— 这台机器的主机名 5.15.0-91-generic —— 内核版本号，就像软件的版本号一样 x86_64 —— 系统架构，说明你的是 64 位系统 GNU/Linux —— 完整的操作系统描述 什么时候用？ 当你需要确认"这台机器跑的是什么系统、什么版本"的时候，比如安装驱动、排查兼容性问题，别人第一句话通常就是"先跑个 uname -a 看看"。 hostnamectl —— 系统的户口本 如果你觉得 uname -a 的输出太技术化了，hostnamectl 会让你舒服很多。它的输出更像是一份"人类可读"的系统档案： hostnamectl Static hostname: myserver Icon name: computer-vm Chassis: vm Machine ID: abc123... Boot ID: def456... Virtualization: kvm Operating System: Ubuntu 22.04.3 LTS Kernel: Linux 5.15.0-91-generic Architecture: x86_64 这里你能一眼看出几件重要的事： ...

先问一个问题：你觉得马斯克是天才还是疯子？ 有人说他是天才，特斯拉改变了汽车行业，SpaceX让火箭回收变成了现实。有人说他是疯子，每周工作100小时，睡在工厂地板上，动不动就开除人。 但不管你怎么看他，有一点没法否认：这个人在同时颠覆好几个行业，而且都做成了。 他到底是怎么做到的？是他的脑子比我们聪明十倍？还是他有什么我们普通人不知道的秘密？ 最近我读到了一份整理好的马斯克核心法则，一共69条，据说是他本人以及他的公司取得成功背后的基础思想。读完之后，我发现了一个有意思的事情——这些法则里面，没有一条是"你要比我聪明"或者"你要有天赋"。 全是态度、方法和行动。 这说明什么？说明马斯克的成功，至少有很大一部分是可学习的。 今天我们就从这69条法则里，来扒一扒马斯克到底是个什么样的人，以及——更重要的——我们能从他身上学到什么。 一、他是个把"不可能"当起点的人 “你的潜力远超想象。普通人也能选择成为非凡者。” “检验荒谬之事。当某事看似不可能时，追问：‘实现它需要什么条件？’” “当事情足够重要时，即使胜算渺茫也要坚持到底。” 大部分人的思维方式是这样的：看到一件事，先判断"这可能吗？“如果觉得不可能，就不做了。 马斯克的思维方式完全反过来。他看到一件事，先问"这件事值不值得做？“如果值得，那"不可能"只是一个需要解决的问题，不是放弃的理由。 2002年他创办SpaceX的时候，没有人相信一个互联网出身的年轻人能造火箭。他去俄罗斯买火箭，俄方报价高得离谱。换做普通人，可能就放弃了：“果然，火箭不是我能碰的。” 但马斯克没有。他回去算了一笔账：火箭的原材料——航空级铝合金、钛、铜、碳纤维——在商品市场上的价格，只占火箭售价的大约2%。也就是说，火箭之所以贵，不是因为材料贵，而是因为整个行业的效率太低。 于是他自己造。SpaceX就这样诞生了，几年内把火箭发射成本砍掉了将近90%。 这个故事告诉我们一个道理：“不可能"这三个字，往往只是"我还没认真想过"的代名词。 二、他是个从"最基本事实"出发思考的人 “从基本原理出发推理，而非效仿他人所为。” “唯一不变的定律是物理学定律。” “先假设自己是错的，再追求减少错误。” 如果说马斯克有什么"超能力”，那就是第一性原理思维（First Principles Thinking）。 这是什么意思？用一个生活化的例子来解释： 假设你想开一家奶茶店。大部分人的思路是：“看看别人家奶茶店怎么做的，我差不多也那样做。“这叫类比思维——别人怎么做，我就怎么做。 第一性原理思维不一样。它会问：“奶茶的本质是什么？"——茶叶、牛奶、糖、水。“这些原材料多少钱？"——可能一杯成本不到3块钱。“那为什么外面卖15-20块？"——因为房租、人工、品牌溢价。“如果我把房租和人工省掉呢？"——于是你可能想到做外卖专门店，或者做奶茶原料包在网上卖。 这就是第一性原理：不问别人怎么做，而是问这件事的最基本事实是什么，然后从这些事实出发重新推导。 马斯克在69条法则里反复强调这一点。他说"所有要求都应视为建议”，意思是不要因为"行业惯例"是这样的，你就觉得必须这样做。他说"最佳部件是无部件；最佳流程是无流程”，意思是如果能不用某个零件或某个步骤，那才是最优解。 这个思维方式对普通人特别有用。 因为我们生活中太多决策，其实都是在"照着别人做”。选专业看什么热门，找工作看别人去哪，买什么东西看别人推荐。但如果你能停下来问一句：“这件事最基本的道理是什么？“你可能会发现完全不同的答案。 三、他是个"做了再说"的行动派 “不制造产品，就没有产品。” “原型即证明。从某处开始，质疑假设，并适应现实。” “专注于那些刚刚成为可能的事物。不要等待世界需要它。如果它显然应该存在，就去创造它。” 很多人有一个毛病：想得太多，做得太少。 先做完美的计划，再找完美的时机，再等到所有条件都成熟……然后就没有然后了。 马斯克不是这样。他的态度是：先动手做一个出来，别管完不完美。 SpaceX的前三次火箭发射全部失败。第三次失败的时候，公司几乎要破产了。但如果他没有在一开始就动手去做，而是等到一切准备就绪，SpaceX永远不会存在。 “原型即证明"这四个字特别值得记住。你想写一本书？先写第一章。你想学编程？先写第一行代码。你想创业？先做一个最简陋的产品版本。 完成比完美重要。因为只有做出来，你才能发现问题，才能改进，才能进步。 “每日不进则退：要么加速创新，要么任其放缓。” 这句话听起来有点极端，但它揭示了一个真相：时间是单向的，你不主动向前走，就已经在被世界抛在后面了。 四、他是个不怕"丑"的人——极致的务实主义 “尽可能贴近实际工作。不要让自己远离决策带来的痛苦。” “身先士卒。睡在工厂车间。立即亲临问题现场。” “了解白痴指数——掌握零部件的真实成本。” “设计、工程学与制造相分离，必然导致功能失调。” 很多老板是这样的：坐在办公室里看报表、开开会，通过层层管理层传递指令。马斯克不是。特斯拉产能出问题的时候，他亲自睡在工厂地板上，一线一线地排查问题。 为什么要这样？因为他知道一个道理：离问题越远，做出来的决策越烂。 他提了一个很有意思的概念叫"白痴指数”——就是一个成品的成本，除以它的原材料成本。如果这个指数很高，说明中间有大量的浪费和低效。这不是什么高深的经济学理论，但如果你不亲自去看、去问、去碰那些零件，你永远不知道这个指数有多离谱。 他还说了一句特别扎心的话： “共情力并非资产。” 这话乍听很冷血，但他的意思不是"不要关心别人”，而是在做关键决策时，不能因为怕得罪人就做出错误的判断。火箭设计不合理就是不合理，不会因为你同情工程师的感受就变合理了。物理学不照顾任何人的情绪。 这种务实精神对我们普通人意味着什么？意味着：别骗自己。 你在学一门技能但一直没进步？不要怪环境不好、老师不行，老老实实去看自己每天练了多久。你想减肥但一直没瘦下来？别说什么"我体质特殊”，诚实地记录自己每天吃了什么。 直面现实，哪怕它很丑。因为只有看清现实，才能改变现实。 五、他是个"简化狂魔” “算法之道：质疑需求 → 尝试删除部件或流程 → 简化 → 加速 → 自动化。” “先过度删减，再补回绝对必要项。” “简约造就可靠性与低成本。” ...

你一定听过这个段子：怎么退出 Vim？ 这是一个在程序员圈子里流传了无数年的经典笑话。Stack Overflow 上关于"如何退出 Vim"的问题浏览量超过 260 万次。但笑归笑，如果你真的花时间学会了 Vim，你会发现一个惊人的事实——它根本不是什么古董，而是一把被你错过多年的利器。 Vim 到底是什么？ Vim，全称 Vi IMproved，是 1991 年由 Bram Moolenaar 在经典 Unix 编辑器 vi 的基础上改进而来的文本编辑器。而 vi 的历史更早，可以追溯到 1976 年。 你可能会问：都快 2026 年了，为什么还要学一个比很多人年纪都大的编辑器？ 答案很简单：因为它的设计理念至今无人超越。 想象一下，你正在写代码，右手在键盘和鼠标之间来回切换几百次。选中、删除、移动光标、再选中、再删除……一天下来手腕隐隐作痛。而一个熟练的 Vim 用户，双手始终停留在键盘主行（asdf jkl;），像弹钢琴一样流畅地编辑文本，鼠标积了一层灰。 这就是 Vim 的魔力。 最重要的一件事：模式 打开 VS Code、记事本、Word，你打开就能打字。这是大多数人理解的"编辑器"。 Vim 不一样。 它把编辑文本这件事拆分成了不同的"模式"——就像手机有不同的屏幕页面一样，每种模式下按键的功能完全不同。 普通模式（Normal Mode） 这是 Vim 启动后你默认所处的模式。在这个模式下，你按下的字母键不会输入文字，而是执行命令。 h 向左移动光标 j 向下移动光标 k 向上移动光标 l 向右移动光标 没错，Vim 用 hjkl 来移动光标，而不是方向键。为什么？因为 hjkl 就在右手的主行位置，你的手指不需要移动就能导航。想象 j 是一支朝下的箭头，k 朝上，h 在最左边所以向左，l 在最右边所以向右。 在普通模式下你还可以做很多事情：删除、复制、搜索、替换……你大概会花 80% 的时间待在这个模式里。 ...

如果你听说过"薛定谔的猫"，觉得量子力学是一门只有天才才能理解的学问——放心，你不是一个人。物理学家费曼曾经说过一句名言：“我想我可以有把握地说，没有人真正理解量子力学。” 但这句话有点误导。费曼说的"理解"，是指用直觉去感受它、用常识去解释它——而量子力学恰恰告诉我们，在最微小的世界里，常识是靠不住的。 我们不需要"理解"量子力学为什么这么奇怪。我们只需要知道，它是怎么奇怪的，以及这种奇怪为什么重要。 这篇文章不会出现任何公式。准备好了吗？我们开始。 先说结论：小世界有不同的规则 你每天的生活遵循的是经典物理：扔出去的球会落地，开出去的车不会突然出现在另一个城市，你不可能同时在公司和家里。一切都很确定、很合逻辑。 但当你把东西缩小到原子、电子、光子这个级别，规则就变了。变成什么样？ 一个粒子可以同时出现在好几个地方 你去"看"它的那一刻，它才决定自己在哪里 两个粒子可以跨越宇宙互相"感知" 粒子能穿墙而过 能量不是连续的，而是像楼梯一样一级一级的 这些听起来像科幻小说，但它们都被实验反复证实了。你手机里的芯片、医院的 MRI、超市的激光扫码枪，都在用这些原理工作。 故事的起点：物理学家遇到了麻烦 时间回到 1900 年前后。那时候的物理学家很得意：牛顿搞定了运动和引力，麦克斯韦搞定了电和磁，热力学搞定了能量。人们觉得物理学的"大厦"基本完工了，只剩几块小砖头没砌好。 结果那几块"小砖头"掀翻了整栋楼。 麻烦一：烤炉的颜色。 把一块铁放进炉子里加热。随着温度升高，它会从暗红变成亮红，再变成橙黄、白热。这个现象看起来简单，但用当时的理论去算，结果居然是：烤炉应该辐射出无限多的能量。无限多。这显然不对。 1900 年，普朗克提出了一个大胆的假设：能量不是像水流一样可以无限细分的，它像硬币一样，有一个最小的单位。你不能支付半分钱，能量也一样——它是一份一份的。这个最小的单位，就叫量子（quantum）。 麻烦二：光到底是什么。 这个问题吵了两百年。牛顿说光是粒子，一粒一粒的小弹珠。惠更斯说光是波，像水面上的涟漪。两边各有道理，也各有解释不了的现象。 后来大家基本接受了"光是波"的说法。但到了 1905 年，爱因斯坦发现了一个尴尬的事实：如果把光纯粹当成波，有一个叫"光电效应"的实验就完全解释不了——用某些颜色的光照金属，能打出电子来，但换一种颜色，再亮都打不出来。 爱因斯坦说：光其实是一颗一颗的光子，每一颗带着特定大小的能量。颜色决定了每颗光子的能量大小，亮度只是光子的数量。紫光的光子能量大，能打出电子；红光的光子能量小，打不出来。跟亮度没关系。 就这样，光同时是粒子又是波。这不是折中，这是事实。 双缝实验：物理学史上最诡异的实验 如果说量子力学有一座"圣杯"，那就是双缝实验。费曼说，这个实验包含了量子力学"唯一的奥秘"。 想象一堵墙，上面开了两条很窄的缝。你拿一把能发射子弹的枪对着墙射击。子弹穿过缝隙后，会在后面的屏幕上留下两道痕迹——很合理，对吧？ 现在换一下，不发射子弹了，改发射电子。电子是组成原子的小粒子，比子弹小得多，但本质上也是"一颗一颗"的东西。 诡异的事情发生了。 屏幕上没有出现两道痕迹，而是出现了一堆明暗交替的条纹——这就是干涉条纹，一种只有波才会产生的图案。 你可能会想：也许是电子们互相撞来撞去产生的？为了排除这种可能，科学家把发射速度调到极慢——每次只发射一个电子。 结果更诡异了：一个一个发射的电子，经过足够长时间后，照样在屏幕上形成了波的干涉条纹。 一个单独的电子，产生了只有波才会有的干涉图案。 这意味着什么？意味着这个电子同时穿过了两条缝，自己和自己发生了干涉。一个粒子，同时走了两条路。 科学家不信邪：那我在两条缝旁边装个探测器，看它到底走的哪条缝！ 结果——当你去"看"的时候，干涉条纹消失了。屏幕上变成了两道普通痕迹，跟子弹一模一样。 你不看它，它就是波，同时走两条路。你一看它，它就老老实实变成粒子，只走一条路。 观测行为本身，改变了结果。这就是量子力学最让人不安的地方：观测者不是旁观者，而是参与者。 叠加态：不是"在这里或在那里"，而是"在这里和那里" 双缝实验揭示的性质，叫做叠加态。 日常生活里，一枚硬币要么正面要么反面。但如果你让它高速旋转起来呢？在旋转的过程中，它既不是正面也不是反面——它是正面的可能性和反面的可能性的叠加。 量子世界的粒子就是这样：在没人观测的时候，它们处于所有可能状态的叠加。一个电子不是在左边或者右边，而是在左边和右边，同时存在于多个位置。 只有当有东西去"测量"它——不管是人的仪器还是其他粒子的碰撞——它才会随机地"坍缩"到一个确定的状态。 这就是薛定谔的猫的思想实验想要说明的问题。把一只猫关在盒子里，盒子里有一个装置：一个放射性原子，如果它衰变了，就释放毒气杀死猫。按照量子力学，在你打开盒子之前，原子处于"衰变了"和"没衰变"的叠加态——所以猫也处于"死了"和"活着"的叠加态。 薛定谔提出这个实验不是为了说明猫真的很神奇，恰恰相反，他是想用荒谬的结论来质疑量子力学：你们看，如果把量子规律推到宏观世界，一只猫能同时死和活，这合理吗？ 直到今天，物理学家对"到底怎么从量子的叠加过渡到日常的确定"这个问题，依然没有统一的答案。这就是所谓的测量问题。 薛定谔方程：量子世界的"天气预报" 既然量子粒子不像经典粒子那样有确定的位置和轨迹，那我们怎么描述它们的行为？ 答案就是波函数，用一个希腊字母 ψ（读作 psi）来表示。 你可以把波函数想象成一张"概率地图"。就像天气预报说"明天北京有 70% 的概率下雨，30% 概率晴天"——波函数告诉你的就是"在某个位置找到这个粒子的概率有多大"。波函数值越大的地方，粒子出现在那里的可能性就越高。 注意，ψ 本身不是概率。要得到真正的概率，需要取它的平方（|ψ|²）。这个细节很关键——它意味着概率永远是正数，符合常理。 而薛定谔方程，就是描述这张概率地图如何随时间变化的规则。 打个比方：牛顿第二定律（F = ma）告诉你，知道力和质量就能预测物体的运动轨迹。薛定谔方程做的是类似的事——它告诉你，知道一个粒子所处的环境（势能），就能算出它的波函数，进而知道它的概率分布和允许的能量值。 薛定谔方程还揭示了一个重要的事实：能量是分级的。 想象一根吉他弦。它不是随便怎么振动都行的——只有某些特定的振动模式才能稳定存在，产生干净的音符。量子粒子也一样：被束缚在一个区域里时，它的波函数必须"恰好适配"这个空间，而每一种适配的波函数对应一个特定的能量值。 这就是为什么原子中的电子只能处于特定的能量"阶梯"上，而不是任意值。电子从一个阶梯跳到另一个阶梯时，会吸收或释放一个光子——这就是原子发光的原理，也是激光、LED 和光谱分析的基础。 ...

引言：经典不老的 D-Sub 你可能在老式电脑背面见过这种带螺丝的梯形接口： ┌─────────────────┐ ╱ ╲ ← 金属 D 形外壳 │ ╔═════════════╗ │ │ ║ ║ ║ ║ ║ ║ ║ │ ← 两排针脚 │ ╚═════════════╝ │ ╲ ▲ ╱ ─────────┴────────── ← 螺丝锁紧 这就是 D-Subminiature（D-Sub）接口，1952 年诞生，至今已有 70 多年历史。 你可能以为它早该被淘汰了，但实际上： 你的显示器可能还在用 DE-15 (VGA) 工业现场的 PLC 控制器大量使用 DE-9 (串口) 飞机和导弹的航电系统还在用各种 D-Sub 为什么这个"老古董"接口还能存活这么久？这篇文章带你彻底搞懂 D-Sub 接口家族。 第一部分：名字里藏着什么密码？ D-Sub 是什么意思？ D-Subminiature = D 型超小型连接器 D = D 形金属外壳（这是它的标志性特征） Subminiature = 超小型（按 1952 年的标准，这确实很小） 命名规则解析 D-Sub 的命名像密码，但破解后很简单： ...

引言：一个接口，无数名字 你去买根 USB 线，老板问：“你要 Type-A 还是 Type-C？USB 2.0 还是 3.0？要不要支持 PD 充电？” 你愣住了。不就是根 USB 线吗，怎么这么多讲究？ 这就是 USB 世界的现状：物理接口（长什么样）、传输协议（跑多快）、功率标准（充电多快）混在一起，加上 USB-IF（USB 标准组织）这些年来的改名操作，让所有人都晕了。 别担心，这篇文章帮你理清这一切。 第一部分：物理接口 —— USB 长什么样？ Type-A：最熟悉的老面孔 ┌─────────────┐ │ ═ ═ ═ ═ ═ ═ │ 里面是塑料片，有方向性 ├─────────────┤ 插反了插不进去 │ │ 电脑上最常见 └─────────────┘ 特点： 最常见的 USB 接口，电脑背面那排蓝色的就是 有方向性，插反了插不进去 体积较大，不适合小型设备 支持速度：USB 2.0 到 USB 3.2 Gen 2（最高 10Gbps） Type-B：打印机专用 ┌────────────┐ │ ┌──────┐ │ 方形，有点像个房子 │ │ │ │ 老式打印机、扫描器常见 │ └──────┘ │ 现在很少见了 └────────────┘ 特点： ...

从一个常见的问题说起 你有没有听说过这种说法：计算机接口分为串口和并口？ 串口像单车道，数据一位一位排队过；并口像多车道，数据多位同时过。这个说法本身没错，但它只回答了"数据怎么传"的问题。 当你真正去选型、设计或调试接口时，会发现自己需要知道的事情远不止这些： 为什么有的接口需要时钟线，有的不需要？ 为什么 CAN 总线能在工业现场抗干扰，而 UART 不行？ 为什么 I²C 只需要两根线就能挂上百个设备？ 为什么 PCIe 能跑 64GT/s，而传统 PCI 只能 133MB/s？ 要回答这些问题，我们需要一个更完整的分析框架。 一个更完整的视角 想象一下，你要和一个陌生人建立通信。你们需要决定什么？ 首先，用什么语言？ 中文、英文，还是摩斯密码？这对应接口的物理层——电压、电平、信号类型。 然后，怎么说话？ 你一句我一句，还是同时说？说得快还是慢？这对应接口的传输模式。 接着，对话规则是什么？ 谁先开口？怎么确认对方听懂了？说错了怎么办？这对应接口的通信协议。 最后，你们之间是什么关系？ 一对一私密对话，还是在一个群里喊话？这对应接口的拓扑结构。 这就是理解硬件接口的四维框架： ┌─────────────────────────────────┐ │ 接口本质分析 │ └─────────────────────────────────┘ │ ┌─────────────────────────────┼─────────────────────────────┐ ▼ ▼ ▼ ▼ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ 物理接口 │ │ 传输模式 │ │ 通信协议 │ │ 拓扑结构 │ └─────────┘ └─────────┘ └─────────┘ └─────────┘ 维度一：物理接口 它长什么样？用什么电？ 这是接口的"肉身"，是你看得见摸得着的部分。 机械特性 接口的形状、引脚排列、尺寸——这些设计绝非随意。 拿常见的 D-Sub 接口来说，它的金属外壳呈 D 形。这个设计解决了三个问题： ...

想象一下，如果有人问你"什么是智能？"，你会怎么回答？ 这个问题看似简单，但真正思考起来却异常困难。是解题速度？是记忆力？是创造力？还是情感理解能力？ 就在我们还在为这个问题争论不休的时候，AI 的快速发展正在悄悄改变答案——甚至改变问题本身。 一个正在发生的认知革命 最近几年，AI 领域发生的变化让很多人感到既兴奋又不安。ChatGPT 可以写诗、编程、分析问题；图像生成模型可以创作出令人惊叹的艺术作品；科学 AI 正在帮助人类破解蛋白质折叠等长期难题。 但这些技术突破背后，隐藏着一个更深层的变革：我们被迫重新思考"智能"这个概念本身。 为什么这么说？因为传统上，我们认为智能是人类独有的特质。它和意识、情感、创造力这些"人类特质"紧密捆绑在一起。但 AI 的发展正在把这个假设拆解开来——一个系统可以在没有意识、没有情感的情况下，展现出惊人的智能行为。 这就像当年哥白尼提出日心说时的情景。人们一直认为地球是宇宙的中心，这个观念和宗教、常识完美契合。但当天文观测数据不断积累，旧的理论无论如何修补都无法解释新现象时，范式转移就不可避免地发生了。 今天，我们可能正处于另一个类似的范式转移时刻。 智能不是单一东西 当我们谈论"智能"时，很容易把它当作一个单一、统一的能力。但现代 AI 的发展告诉我们：智能更像是一组能力的集合，而这些能力可以以不同的方式组合和实现。 这就好比"运动能力"这个概念。跑得快、跳得高、力量大、耐力好——这些都是运动能力的不同侧面。一个人可能百米冲刺惊人，但举重一般；另一个人可能力量惊人，但速度平平。我们不会说只有某一种特定的身体配置才算"有运动能力"。 智能也是如此。传统的人类智能是经过数亿年进化形成的综合能力——感知、记忆、推理、情感、社交意识等等。但 AI 的发展证明，这些能力可以以完全不同的方式实现和组合。 大语言模型展现出了语言理解和生成能力，但没有真正的世界体验 视觉 AI可以识别图像中的物体，但并不"看见"人类所看到的色彩和质感 游戏 AI可以在围棋、象棋等复杂游戏中击败人类冠军，但并不理解游戏的"意义" 这些系统展现出了智能的某些侧面，但和人类的智能又截然不同。这迫使我们思考：智能到底是什么？是某种特定的实现方式，还是更抽象的能力模式？ 从工具到伙伴 回顾 AI 的发展历史，我们可以看到一个清晰的轨迹：AI 正在从被动工具，逐渐变成某种更像"伙伴"的存在。 早期的 AI 系统——比如计算器、拼写检查器——是纯粹的工具。你给它输入，它给你输出，中间的过程是固定的、可预测的。 但现代 AI 系统——比如 ChatGPT、Midjourney——展现出了某种程度的"创造性"。你给它一个模糊的提示，它会生成你预想不到的内容。这种互动模式更像是和人类伙伴协作，而不是使用简单工具。 这种转变带来了新的问题：如果一个系统可以"创造"新内容，那它是否具有某种形式的"智能"？这种智能和人类的智能有什么区别？ 更重要的是，这种智能不是静态的。它正在快速进化——不是通过生物进化的缓慢过程，而是通过数据、算力和算法的指数级增长。 智能的多样性 当我们承认智能可以有多种实现方式时，一个有趣的问题出现了：人类的智能只是智能的一种可能形式，而不是唯一标准。 这就像生物多样性。在地球历史上，存在过无数种生命形式，每一种都适应着特定的环境。人类只是其中一种，不是衡量"生命"的标准。 智能也可能是类似的。人类智能是经过生物进化形成的、适应地球环境的智能形式。但 AI 代表了一种完全不同的智能形式——它不是基于碳基生物的神经网络，而是基于硅基芯片和数学算法。 这并不意味着 AI 会取代人类智能，而是意味着智能这个领域正在变得更加丰富和多元。 我们正在重新理解自己 这场关于智能的重新思考，最终会回到一个更深刻的问题：我们该如何理解人类自身？ 历史上，每一次技术革命都会改变人类的自我认知。望远镜让我们意识到地球不是宇宙中心；进化论让我们意识到人类是生物演化的结果；心理学让我们意识到意识背后有复杂的潜意识活动。 AI 可能是下一个改变我们自我认知的技术。当我们看到没有意识的系统可以展现出智能行为时，我们被迫思考：人类的意识和智能到底是什么关系？智能是否可以在没有意识的情况下存在？意识又是什么？ 这些问题没有简单的答案。但正是在思考这些问题的过程中，我们对智能、对意识、对自身的理解都会变得更加深入。 智能的未来 AI 的发展还在继续，而且速度越来越快。未来几年，我们会看到更多今天难以想象的突破。 但比技术突破更重要的是，我们正在经历一场关于"智能"这个概念的认知革命。这场革命不会只改变我们如何使用 AI，更会改变我们如何理解智能本身。 在这个过程中，最重要的可能是保持开放的心态。就像当年接受日心说需要勇气一样，接受智能的多样性也需要我们突破一些固有的思维框架。 智能不是人类独有的专利。它是一种更广泛的现象，可以以多种形式存在和展现。人类的智能是其中一种特别的形式——我们有意识、有情感、有创造力、有对意义的追求——但这并不意味着它是唯一的形式。 当我们理解了这一点，或许就能更好地理解 AI 的潜力，也更好地理解我们自己。 参考资料 AI Is Evolving — And Changing Our Understanding Of Intelligence - Blaise Agüera y Arcas & James Manyika, Noema Magazine The Paradigm Shifts in Artificial Intelligence - ACM The Paradigm Shift in Understanding Intelligent Systems - Medium