2023年，开源模型刚刚多起来的时候，上手AI做的最多的事情就是微调，那会儿我有一张3090，就足够微调GLM2-7B或者Llama2-8B的模型了，网上还有很多的教程，教你怎么找数据集、怎么构建数据集，怎么微调大模型。仿佛只要学会了微调，我就一脚踏进了大模型工程师的门槛。包括到现在，很多客户一开始就说：“我们要微调一个自己的模型，网上都这样说的。”然后14B也好，32B也好，拉一堆行业数据往里塞，觉得这样才算构建核心壁垒。但连续了解几个项目之后，我现在的结论很清晰：对大多数做AI应用的团队来说，微调就是个坑。甚至面试的时候也会出现这个问题：为什么不建议微调？到现在网上还有很多新发的教程，一张...

这个不用啥理由啊，领导都知道春节了啊，大家请假不是很正常，我就是抢到哪天的票，我就哪天走，完全跟着票走，直接给领导说就好了要请假就大大方方的，没必要绞尽脑汁的想各种理由

这绝对是近期最硬核、也最反直觉的 AI 硬件新闻。在这个满世界都在拿 GPU 算力说事儿，拼命追求大模型通用性和灵活性的时代，多伦多一家成立不到三年的初创公司 Taalas 丢出了一颗深水炸弹：他们选择放弃一切灵活性，把 AI 模型直接硬编码进了芯片物理层。突破“内存墙”的极端解法搞底层架构的同学都知道，现在的 AI 计算碰到了一个硬边界——内存带宽瓶颈（Memory Wall）。模型越来越庞大，要把几百亿参数在显存和计算单元之间来回搬运，耗费的时间和能耗，早就远超矩阵乘法计算本身了。Taalas 的破局思路简单粗暴到了极点：既然每次算的东西结构都一样，凭什么还要搬来搬去？直接把权重存在晶体管...

开年回来收到得物安全开发实习通知，但是学校在杭州，工作地点在上海。双非本有必要去吗，急急急