@kalman03 不过域名可以留着，万一以后被高价收购了，也算是变现了

@Xealml 算法除了增效还可以降本。毕竟目前大模型的单次推理开销还是很大的，如果不是很重要的任务，直接用大模型很可能是划不来的。

Schema 还是很重要的。大模型对于关系（ relationship/predicate ）有自己的理解，而知识图谱中的关系可能是根据行业知识甚至应用场景来定义的，两者可能不总是精确匹配。一个无用但容易理解的例子，“配偶”关系可能有很多不同的情况需要判断：前夫前妻，同性伴侣（不管是否合法登记），已经订婚但还没办婚礼没登记的，等等。

之前我的 gv 过期了，又申请了一次，给了同一个号码，又可以继续用了

@akira 对于自己不会而 AI 可以完成的工作，可以像对待下属或者实习生一样对待，确定合理的验收方式，比如在测试环境里运行测例。

根据 https://m.mediawiki.org/wiki/Web_scraping_access ，url 加参数 action=raw 就可以获得 wikitext 内容

@8zip 花旗银行是什么梗？

假设有一个公开的鉴别模型，能够以相当的精度来鉴别 ChatGPT 的生成结果，那么使用 ChatGPT 的人（包括内容农场主）就可以用这个模型来筛选，找出更加接近真人回答的 ChatGPT 输出，然后选出的内容更加难以辨别，很快就使得原来的鉴别模型失效。

@Dganzh 是的

@secsilm NLP 从业者+1 ，对 GPT 系怀疑+1 。可能我身在工业界，思路只局限在工程应用，对其他方面（比如公众对 AI 的认知）不作评价。

在工业应用里，建模往往受需求的驱动，有比较明确的任务、数据分布、预期指标和成本约束（时间、算力、标注成本），LLM 在这种条件下并不是很好用，或者我们还没找到好的用法。在头部（预算很高）的应用里，专门建模会比直接用大模型的确定性和性能更好，在腰部应用里，大模型太贵了不划算，在尾部应用里，或许有意想不到的机会。

@dcsite 我觉得有些脑筋急转弯挺有趣的，用创造性的假设来让一个看似矛盾的表述变得合理，有些涉及到的常识是来自生活体验而不是文本，比如可以把橙子榨橙汁之后再平分。当然，谐音梗不在此列。重要的是，ChatGPT 似乎并不能意识到回答自相矛盾，所以我依然认为这个模型只是在尝试排列组合见过的文本内容，既不懂逻辑，也没有掌握 world knowledge 。

@llinge 那个人就是我自己啊

open ai 是不是在撞大运，每次搞个 demo 让别人挖掘用途，我不信他只是为探索技术的极限或者提供公关价值。

界面漂亮 +1 ，对我这种不太熟悉命令行也不用 zsh 的人，有些小功能还挺贴心的，比如对错误的命令自动推荐修正（比如加 sudo ），还有历史记录。比较耗时的命令完成之后的消息提示也很不错。

毕竟 google 还想卖广告给大陆企业，小心一点很合理啊

虽然湾区物价高，特别是涉及人工服务的，但如果愿意各方面辛苦一些，还是可以把开支控制在很低的程度，待两三年可能可以小攒一笔，换回人民币还是挺香的

@akring Chromebook 有个搜索键，有点像 apple spotlight search ，既可以搜索本地的文件和 app ，也可以直接搜 google 。

Topre 87 键静电容。第一块是队友送的生日礼物，觉得很喜欢就又买了一块放在办公室里，但是忘记对比克数了，一个 45g 一个 35g ，手感很不一样。