最新

我遇到了一个令人沮丧的问题：我的定时任务返回的退出代码是0，但结果却是错误的。 <p>例子： 备份脚本成功完成，但创建了空的备份文件 数据处理任务完成，但只处理了10%的记录 报告生成器运行没有错误，但输出的数据不完整 数据库同步完成，但计数不匹配 日志显示“成功”——退出代码为0，没有异常——但实际结果是错误的。错误可能埋藏在日志中，但我并不是每天都主动检查日志。 <p>我尝试过： 在脚本中添加验证检查（例如，如果计数<100：退出1）——有效，但必须修改每个脚本，改变阈值需要更改代码 Webhook警报——需要为每个脚本编写连接器 错误监控工具（如Sentry等）——它们捕捉异常，而不是错误结果 手动抽查——不具备可扩展性 <p>脚本内验证的方法适用于简单情况，但不够灵活。如果需要更改阈值怎么办？如果文件存在但来自昨天怎么办？如果需要检查多个条件怎么办？最终你会把监控逻辑和业务逻辑混合在一起。 <p>我构建了一个简单的监控工具，它监视作业结果，而不仅仅是执行状态。你只需将实际结果（文件大小、记录数、状态等）发送给它，如果有异常，它会发出警报。无需翻阅日志，而且你可以在不部署代码的情况下调整阈值。 <p>你是如何处理这个问题的？是为每个脚本添加验证，主动检查日志，还是使用某种工具在结果与预期不符时发出警报？你是如何捕捉这些“静默失败”的？

我最近在学习维基百科，发现有一个全球性的公共页面，专门用于写一些随机内容，以便学习如何使用他们的编辑器，这让我觉得很有趣。我原以为会有类似的功能，但只是针对每个用户的、对公众不可见的，而不是像这个页面一样的全球性页面。

我问这个问题是基于我个人的情况，而不是关于软件工程的普遍陈述。 我是一名计算机科学专业的高年级学生，专注于机器学习。我的大学在机器学习方面没有应用研究，因此在学校学习机器学习（课程/研究）几乎是通往理论/算法学术界的单程票。 去年，我突然意识到我擅长（并且喜欢）通过连接系统中的组件来解决问题，而不是将问题调整到可以应用某些数学法则的形式。具体来说，我非常喜欢与艺术家、UI/UX设计师、前端开发者和非技术人员合作，作为他们的后端支持。我为机器学习工程师构建数据管道，为UI/UX/前端设计师提供后端支持，为生物医学工程研究人员构建机器学习管道，并为艺术家开发投影/图像软件。 我算是一个通才，对工具没有特别的偏好，广度大于深度。这让我觉得这就是软件工程的本质。 话虽如此，我确实喜欢了解事物的运作方式，并且对阅读数学有一定的耐受力。这听起来很书呆子，但我喜欢推导诸如梯度下降的收敛性等内容，也很享受实分析课程。我还非常喜欢Nand2Tetris（一个开源课程，教你如何从NAND门构建一个最小计算机，并将面向对象语言编译成二进制）。看到过去人们做出的优秀设计选择，对我来说是极其优雅的。我觉得这些在软件工程中常常被低估。 现在，我有机会与我的强化学习教授合作，他在顶级会议上发表的记录非常出色。我对此感到非常犹豫，因为他的研究方向是强化学习算法，而我在之前的一个算法研究项目中有过非常糟糕的经历（我对我们在做什么只有模糊的了解，远远不足以做出贡献）。我同时在申请工作和硕士项目，我几乎可以肯定如果毕业后进入行业，我将再也不会接触这个主题。 我有两个问题： 1) 我听起来像你们认识的软件工程师吗？你认为我适合什么其他角色？ 2) 我是否应该抓住这个机会，单纯为了获得研究经验？你认为这对我作为机器学习的应用从业者跟上趋势是必要的吗？ P.S. 这是我第一次在HN发帖，这似乎比一般的Ask HN帖子要长得多。我不知道这样是否合适。如果我应该去其他子版块，请告诉我。 如果你读完这些内容，非常感谢！

我在哥伦比亚，使用 Debian Linux（和我的 iPhone）访问 YouTube。在过去的几天里，我无法在未登录的情况下观看任何 YouTube 视频（我没有 Google / YouTube 账户）。有没有其他人也遇到这个问题？

关于“人工智能泡沫”破裂的无休止讨论，主要集中在ChatGPT的订阅或企业API调用是否能产生足够的收入，以证明数万亿的炒作是合理的。但这完全忽视了关键问题。 即使明天每个前沿实验室，包括OpenAI、Anthropic、xAI、Google DeepMind，突然都没有付费客户，推动所谓“人工智能革命”的金融机制仍会继续运转，基本保持不变。 原因如下： 核心机制并不是依靠当前的产品收入，而是对未来在计算能力、能源、数据和地缘政治定位的巨大平行投资。真正的资金流向如下： 超大规模云服务商（如微软、亚马逊、谷歌、Meta等）每年在数据中心、GPU和电力基础设施上投入数千亿美元，这并不是因为他们的人工智能功能今天能带来现金流（大多数尚未盈利），而是因为他们无法在基础设施军备竞赛中落后。如果某个参与者控制了全球最高质量计算能力的大部分，他们就会赢得分发、人才、数据优势，以及对未来突破的选择权。这是一种强化版的防御性资本支出：要么建设，要么永远被锁在外面。 Nvidia和芯片生态系统处于中间地带，无论最终用户是否为更好的聊天服务支付每月20美元，他们都在收取巨额利润。需求来自于基础设施的建设，超大规模云服务商需要硬件来以惊人的规模进行训练和推理。即使某些设施的当前利用率较低，订单仍在不断涌入，因为没有人想在2028年向董事会解释，为什么在其他人都获得足够的H200时，他们却没有。 地缘政治和国家安全进一步推动了这一切。各国政府（尤其是美国及其盟友）将前沿人工智能计算视为与核技术或能源电网同等重要的战略基础设施。主权人工智能倡议、大规模合作（如Stargate）和出口控制等都在同一循环中发挥作用：现在投资，否则就面临永久的二流地位。尽管受到限制，中国的加速发展只会加剧这一竞争。 估值机制和循环资本使得这一飞轮不断转动。实验室以高估值融资，承诺提供AGI/ASI的选择权（对改变世界技术的看涨期权），超大规模云服务商通过“人工智能顺风”来证明资本支出是合理的，Nvidia在资本支出浪潮中赚取利润，投资者则将收益回流到生态系统中。这一过程在很大程度上是自我强化的，而这一点不会因为“ChatGPT Plus订阅不够”而改变。只有当资本成本飙升、电网达到硬限制，或地缘政治冲击重置优先事项时，情况才会改变。 “人工智能泡沫”关乎谁最终拥有21世纪的数字石油平台、庞大的计算集群、能源合同和人才库。这些投资是基于生存选择价值和战略必要性，而不是季度SaaS年经常性收入。许多人工智能产品可能会永远保持高度补贴或低利润。许多初创公司将会倒闭。估值将会修正（剧烈）。但对计算基础设施的资本涌入仍将持续，直到物理、地缘政治或利率另有说法，而不是因为有人取消了他们的20美元订阅。

<a href="https://github.com/omodaka9375/peerweb" rel="nofollow">https://github.com/omodaka9375/peerweb</a>