难怪最近我的 Chrome 字体突然让我觉得有点陌生

@jaydenhu8077 你的例子就很适合，checksum 就是可以防止你说的这种情况，比如说按照某种 checksum 算法 12345-后面只能跟 6 ，那么你输入 7 一定提示你号码不存在/验证失败，你拨给 123457 拨不出去因为不符合 checksum 规则，它不是一个可能的号码。如果错中间 N 位同样过不了 checksum ，除非你的错误正好原号码位和 checksum 位都对应了，那这就很巧了（类似于 md5 碰撞

@yh7gdiaYW 大多时候都是按错数字，比如说银卡输入也是，银行卡号+名字。名字就相对于校验码，大多时候都在靠这个名字校验银行卡是否输入准确。

@nedqqcc 这倒是，因为手机电话发明出来之后马上进入移动互联时代，这导致手机号播错已经不是啥大问题了。现在联系方式多种多样，还有通讯录不需要人工输入手机号，唯一的作用就是在面对面添加对方手机号的时候能当场输入当场验证，不过这点也被直接播对面号码解决了。校验码的想法是对的，就像有人说的身份证就是这样，只不过时代变了这个需求没那么硬了。

@shine1996 当然可以解决，我上面已经举例子了，如果是 3 位数字+1 位依次相加校验码，那么输入 1-2-3 之后必须输入 6 。以这个举例子，你把 123 想象为对方手机号前 len-1 位，最后一位为校验位，那么 1236 是唯一的 123 开头的手机号码的可能形式，输入 1235 或者 1246 一定判定为错误手机号。

我就是 16G 开发用 docker ，日常内存压力>60%，swap 更是日常 10G 左右，对于那些当心 swap 的，我记得之前看过测评，24 小时高强度 swap 十年左右才能损失 1%的 SSD 的寿命，幸好我的 mac 并不打算用 10*100 年

@KingHL 看了你的和上面一些评论，我发现这个程序员论坛居然还有挺多人不知道 checksum 是什么，电话号码没有规律并不影响 checksum ，checksum 的作用是检查输入是否具有意义。比如说第一个为 1 第二个为 2 第三个为 3 ，那么最简单的 checksum 就是依次相加，得到第四位是 6 ，也就是说当你输入 1-2-3 的时候，第四位如果不是 6 就一定是个错误的电话号码，当然相加得出来可能>9 ，所以真实情况会用别的 checksum 算法，比如 CRC ，或者异或。

论坛里很多人没干过这种小公司（尤其是自带电脑的公司），其实这种情况保留核心源代码在一些小行业小公司还是存在的，只不过从法律层面来说这种操作肯定有问题，但这里最关键的是，你已经跟公司表示过你有源代码了，那么你基本只有一种选择就是交给公司，千万别跟他们去对抗。正确的保留一手的做法是你声称你借用业内大佬朋友的库实现的，你没有全部的源代码，接下来他们要么之后找你解决关键问题，要么他们自己重新实现。但最后这种做法仍然不值得推荐，吃饭的家伙应该是你的行业经验而不应该是你保留的部分业务代码

我一直是微软出啥我用啥，推什么更新我就更新什么，就跟我用 macOS 一样用，从 windows xp 到 windows 11 十多年用下来没碰到过什么问题，好奇你们都碰到啥问题了

单机游戏基本上就是新鲜一两年，玩多了你会发现还是对战类游戏好玩，LOL 、DOTA 、CSGO 、PUBG 这些

@mingtong Blazor 好久没关注了我记得貌似还是和 next 一样的服务器渲染初始页，再到浏览器中水合动态执行来着？

并非 AGI ，现阶段在生产力方面使用 AI 的用户群体，必须拥有对输出的可靠性验证能力，这与使用它的目的相背了，所以目前应该只能广泛用于替代重复带动力上。

我感觉双缝干涉应该是被误传了，还有那个薛定谔的猫，人家原本想表达的重点是量子叠加态的宏观矛盾体现，现在传来传去已经是“未知状态”的代名词了

@cenbiq 然后给定 S=4 （每类 4 个） P=3 （ 3 类传感器），求 C 的收益最大化临界值，它给的结论是
“
- 当 C < 37 ，提升 C 的收益更大，优先优化决策与规划能力（如更好的 AI 训练、强化学习）。
- 当 C > 37 ，感知能力的提升开始逐渐接近甚至超过 C 的提升收益，合理分配资源。
- 当 C >= 60 ，感知能力的提升变得更有价值，因为决策系统已经足够成熟，可以利用更丰富的感知数据。
”
并最终建议
“
对于 S = 4, P = 3 这样的较强感知系统：
- 如果 C < 37 ，应该主要投入资源优化决策与规划能力。
- 如果 37 <= C <= 60 ，可以同时考虑提升感知能力，但提升 C 仍然更重要。
-如果 C >= 60 ，感知能力的提升成为主要瓶颈，应重点优化传感器融合、数据处理能力等。
”
结合 GPT 的意见，再考虑到融合传感器带来的成本，尤其是考虑到目前 FSD 方案下纯视觉完全没有融合传感器的情况（这可能放大了融合的成本），FSD 极有可能目前仍然认为提升 C 值更具有性价比（并可同时提升 S 来放大 C 的收益，只要不提升 P 也就是传感器维度成本不会爆增加，也就是不融合其它传感器只是加强学习驾驶和增加摄像头，如果 FSD 如此，那么其它投入更小的自动驾驶方案呢？），但这也预示着最终提升 C 、S 值不再具有性价比，到时 FSD 必然只有提升 P 这一个选项，也就是增加传感维度。

@param 我找 GPT 大致推导了一个公式，D=C/100·(1+a·S·P)。S 为传感器量化数，P 为传感器类型维度； S·P 为总体感知能力； a 为感知能力对驾驶水平的影响系数 GPT 提示约为 0.02~0.05 ；

@param 是的，我虽然不是行内人，但也能大致理解到自动驾驶存在两个方面，一是驾驶理解能力（ 0-100 分，可以假设 60 分为拟人也就是等同于成年人对驾驶的理解），二是感知能力（最低拥有两个摄像头则类似人的水平）。如果驾驶理解能力不足（ 6 岁孩童），那么给他增加感知设备带来的总体驾驶水平收益可能是极低极低的，甚至可能是负担。