👋 你好，世界！
这是一个关于 AI、产品设计、旅行的杂谈博客。
- 基于 nextra
- 利用 Vercel 部署
- 利用 GitHub 托管
- 在 PC 端利用 VSCode 对站点进行开发，利用 Typora 进行 Markdown 内容编辑
- 在 iPad 端利用 Working Copy 与 GitHub 仓库连接并进行内容管理，利用 Tiao 进行 Markdown 内容编辑
方案基本免费（为了体验购买了一个域名做绑定），服务稳定，在国内外都有不错的访问速度，PC/Mobile 上都可以愉快阅读，可以利用 git 实现多端同步和版本管理，可以利用 iPad 来写愉快写文，总体上找到了一个比较满意的解决方案。
小站会不定期更新一些产品经理的工作心得、工具产品体验分享、旅游见闻等。希望能对你有帮助或启发 ❤️
🧭 系列入口
📅 近期发布
- 01：LLM 的第一性原理：预测下一个 token
从预测下一个 token 出发，用零基础也能理解的方式解释大模型为什么不是知识库，也不只是高级输入法，而是通过压缩语言分布间接学习世界结构的概率系统。
- ✏️ LLM 定价的数学原理 06：训练、RL 与推理的算力总账
从单次推理走到模型生命周期总账：用 6ND 训练公式、2N 推理公式和 RL 的有效成本系数，解释预训练、强化学习与推理算力为什么会在产业里趋向同一数量级，以及为什么模型会相对 Chinchilla 过训。
- 02：Token 与 Embedding：语言如何变成模型能处理的数字
从 token、token id 到 embedding，解释大模型如何把语言切成离散符号，再映射成高维向量，让语义、语法和上下文关系进入神经网络计算。
- 03：Transformer 与 Attention：模型如何「看见」上下文
从 embedding 进入 Transformer 开始，解释 Attention 如何为每个 token 找到上下文重点，并通过多层计算把离散 token 更新成能用于生成的上下文表示。
- 04：语言是世界的压缩：为什么预测文字会长出智能
从语言分布、压缩和世界模型出发，解释为什么 next-token prediction 不只是续写文字，也会迫使大模型学习知识、关系和推理结构。
- 05：预训练、微调与对齐：大模型如何从续写机器变成助手
从预训练、监督微调和偏好对齐出发，解释大模型如何从预测下一个 token 的续写系统，变成能听指令、会协作、有边界感的助手。
最后更新于：