黄仁勋在加州理工 (CalTech) 的毕业典礼上致辞：

1. 从他的优先事项列表中最重要的事情开始，这样他就有足够的时间帮助其他人
2. 尽管 Nvidia 是目前最有价值的公司，但它的发展也并非一帆风顺：
- 先是参与了集成GPU的开发，但在AMD收购ATI后被AMD解雇；
- 然后去Intel开发GPU，帮助Apple开发了MacBook Air后，又被Intel解雇；
- 接着去了Google，帮助开发用于Android手机的SoC，然后被Qualcomm解雇；
- 于是他们进入了一个没有客户的市场，没有客户也就没有竞争。这就是用于机器人技术的SoC，这使Nvidia更加具有韧性。

52:18 开始

https://www.youtube.com/watch?v=-qXDdToZHzE

原来使用 USB4 比使用 Thunderbolt 连接 eGPU 可以多那么多带宽

https://sites.libsyn.com/531572/a-lovable-guy-from-las-vegas

Jason Shen 把黄仁勋在斯坦福的演讲做成了 mindmap

https://x.com/jasonshen/status/1806357605343691053

将各种算法可视化的网站

https://chi-feng.github.io/mcmc-demo/app.html

日本政府终于停用软盘了！

https://www.reuters.com/world/asia-pacific/japan-declares-victory-effort-end-government-use-floppy-disks-2024-07-03/

OcenAudio: 一个免费的音频编辑工具

https://www.ocenaudio.com/

查询船只航行数据的网站，免费版的数据已经比其他网站全面很多了：

1. 可以查询到比较及时更新的 AIS 数据
2. 可以查询到目的地港的预估到港时间

https://www.marinetraffic.com/

37Signals 发布的免费电子书发布系统

https://once.com/writebook

OpenAI 的研究员 Hyung Won Chung 回顾了 transformer 架构的发展历程：

1. 算力以指数级的方式增长，这是 AI 发展的最大驱动力。就像重力是自由落体运动里最大驱动力一样，其他的因素可以忽略不计；

2. 很多模型架构的设计最初需要比较强的结构，比如 Bert 需要有 encoder + decoder 的结构，但是随着算力和数据量的发展，结构会变得越来越弱，比如 GPT 就只有 decoder；

3. 一些特定领域还是需要强结构的算法，比如解题这一任务，输入长度远远超过输出长度，所以强结构的模型表现比弱结构的模型要好很多。

https://youtu.be/orDKvo8h71o

这集听了蛮有启发的：

1. 多尝试
2. 多考虑国外产品的生态
3. 多考虑盈利公司的生态
4. 如果用户问的问题多了，就说明方向找对了

https://leftovertalk.fm/84

这一集太好玩了，算法上两个突破解决了之前的瓶颈：

1. 从识别每块拼图的图案改成了识别拼图的每块拼图的轮廓，大大降低了复杂度；

2. 在机械臂上增加了弹簧，通过识别放置拼图后弹簧的反馈，从而进行微调。

很多时候，算法就是一点点尝试，然后突然灵感一现。

这些算法都是 Zipline 的 cofounder — Ryan Oksenhorn 实现的。

https://www.youtube.com/watch?v=Sqr-PdVYhY4

https://www.flyzipline.com

Lemon Squeezy 被 Stripe 收购

https://mjtsai.com/blog/2024/07/26/stripe-acquires-lemon-squeezy/

回听 Tim Ferris 与 Kevin Kelly 的对谈：早在2015年，KK 就预计 AI 会像电力一样成为一种基础设施，由大公司提供设施，其他小公司接入，而不是像我们设想的机器人那样。

实际上以 OpenAI 的 ChatGPT 为开端的这一波 AI 浪潮，基本上应验了 KK 的预测。

“好的火箭设计就像艺术品一样。— 99%的设计是功能性的，剩下的1%全是几何，就像艺术品一样。” — Jeff Bezos 介绍他Blue Origin 火箭时这么说。

https://www.youtube.com/watch?v=rsuqSn7ifpU

最近的体验就是硬件的 debug 比软件的难多了。

软件的 bug 至少比较容易复现，也比较容易定位；硬件的 bug 在这两方面都要难得多，所以 debug 就难得多 🤷

恰逢 IBM 中国办公室大裁员，是时候翻出这一篇了：

https://exodus.awesomevisa.com/exodus-4-1/

Nvidia 去年十月发布的分析报告，蛮多信息的：

https://s201.q4cdn.com/141608511/files/doc_presentations/2023/Oct/01/ndr_presentation_oct_2023_final.pdf

新加坡的 CNA 做了新航321航班气流事件的后续报道，科普了很多知识：

1. 一般客机在高空都是自动巡航；
2. 新航的这个航班碰到了 clear turbulence，这种气流肉眼看不到，飞机上的雷达也探测不到；
3. 遇到这种气流唯一的办法就是加速尽快驶离；
4. 但是飞机飞行高度越高，可以加速到余地就越小，所以要降低高度获得更高的飞行速度；
5. 新航的飞行员及时介入，进行了手动驾驶；
6. NTU 等科研机构在研究使用激光雷达来探测 clear turbulence，原理和目前无人车上的激光雷达类似。但是要能在空中能探测 clear turbulence，必须把雷达功率做得更大，更大意味着更耗能，占用更大的空间。所以目前技术上要提高功率，缩小体积，短时间还无法投入实际使用；
7. 气流的频繁产生和全球变暖有极大的联系。也就是说，只要全球变暖还在继续，气流也就会变得更加不稳定；
8. 执飞新航321航班的是波音777宽体客机。

https://www.youtube.com/watch?v=mu4VYX0lM24

互联网上最老牌最硬核的硬件评测网站之一 — AnandTech 宣布解散团队，网站和论坛会仍旧在线。

AnandTech 是以创始人 Anand Lal Shimpi 的名字命名的。

https://www.anandtech.com/show/21542/end-of-the-road-an-anandtech-farewell