isno

看到你在 V2EX 的签名写着“一位探索人工智能并学习人工智能的科技爱好者”，说几句。


第一个：我觉得到了某个阶段，不该再强调“输入”，而应该转向“输出”。写了十几年的代码，早就像海绵一样吸收了大量经验、思想和方法，现在应该把这些东西挤出来、凝结成可被他人感知的成果。否则，你学习人工智能究竟到了什么程度，是像学生一样感兴趣看看书，还是有自己的思想了？外界是无法观测的。

我也在学习人工智能，我的方式是“以输出代学”，编纂成书。这个过程很耗时间，但我感觉比较值，远离外界喧嚣，花时间沉淀点自己的东西对内心还是挺充足的。

第二个：在 V2 上也看了不少出海的站，但感觉大都是自娱自乐。耗费了大量的时间，赚到的钱可能还不如跑一次外卖的。能赚到钱的，都是沉淀很久的，找到用户的痛点，然后形成系统化解决方案。如果你找不到痛点，不如先沉下心来想想

最后的观点还是，不管是做什么，沉下心来，找到自己的内核，按自己的节奏，不要被外界影响。

不会解题，不能说明数学不好。比如，希尔伯特，给学生讲题，讲着就忘了怎么解题了。

这几个数学界的人物，估计不会任何解题技巧，来中国高考，估计都得考零分，但不妨碍他们做出开天辟地的成就

1. 欧几里得，把逻辑推理引入数学，使用公理化的方法写成了《几何原本》
2. 莱布尼茨：把逻辑数理化，算是形式系统和符号系统的先驱。
2. 罗素: 把数学还原为纯粹的逻辑
3. 希尔伯特，为数学建立形式化系统，系统内部证明自己的一致性。
4. 哥德尔：一个形式化的系统中，一定存在无法自证的命题。


说他们是搞数学的，实际上都是搞逻辑、推理、哲学的。

@SGL 删减了一部分，也增加了一部分，以出版的书籍为准！

https://www.thebyte.com.cn/distributed-transaction/CAP.html
之前写的文章，你可以看看

我做过一段时间的海外网络优化，手段有应用层、网络层、传输层的优化设计，我把这些工作总结成了一章内容，主题是极致网络。 你可以参考书里的第二章。

https://item.jd.com/14531549.html

书籍链接： https://item.jd.com/10183653901041.html

以“解决当前的问题”的方式演进。比如：

- 要解决单体服务的复杂性，那就进行拆分，这就演变成了微服务架构
- 要解决大量微服务的部署问题，使用容器化
- 要解决容器的编排问题，使用 Kubernetes ，变成云原生架构
- 要解决海量存储、复杂软件关联.. 等等，使用 xx 等等

推荐我刚出炉的新书，《深入高可用系统原理与设计》，名字有高可用，但高可用可从来不是”不宕机“，而是：

- 成本可用 资源成本的平衡、资源弹性调度、海量规模下日志的存储与分析，以及技术复杂度的控制；
- 敏捷可用 借助现代云技术，实现系统的快速迭代与演进；
- 规模可用 软件规模日益庞大，但依托不可变基础设施、容器与容器编排等云原生技术，依然能够保持可控。

整部书的内容，应该是你所希望的”大型系统设计指南“。

编码层面可以依赖 AI ，但软件、架构设计思想没办法依赖，还是有必要持续学习的

推荐这本给你： https://item.jd.com/14531549.html