1 ，往往说我们的，就是一个人，说我们人多点壮胆，并且正规一点。
2 ，典中典，15 天内注册，我有一个 idea ，就等你来实现。

@2freeme #45 你怎么证明你行，需要过去的业绩以及你过去的成功案例，来告诉大家，跟着你干有搞头。不是一直说你是生意人，生意的架构是什么可以用来思考问题？

@2freeme #33 听懂，掌声，👏🏻

@freeair 就这个付款提示搞广告，真的很下作的行为了。

都能整 6 张 v100 32G 了。加一点可以 A100 40G 了。这波 H200 一旦进来，之前的 A 系列很大一部分都会被替换出来。

你应该先观察 etcd 的状态的，搞清楚了 etcd 同步的情况，找到最新 etcd ，然后导出来；如果是生产环境的话，那就压力山大了。

@zzhirong #19 要有进步就要跳出 web 看世界。k8s 在 2020 年初，就已经被看做一个通用的 OS 。边缘计算也有 k8s 的场景，并且已经在很多重要领域里用起来了。

@craftsmanship #20

这个问题非常大，但是，既然你提了，我就尝试从我当前的认知来给出一个可能性的答案：

1 ，一波真正有影响力的技术潮流的出现，都归因于某个核心技术从无到有的出现，宏观角度来说，PC 互联网的 web 技术（在 200x 年代，web1.0 时代，大部分页面都是后端语言 render ，此时还没有所谓的前端岗位； 201x 年代之后，随着更复杂的逻辑需要在浏览器的页面上产生，诞生 web2.0 ，将页面从后端语言 render ，剥离开来，才有现在的前端工作岗位），移动互联网的 ios/android ，前两者所催生的云计算（ x-stack(openstack/闭源云)）/云原生（ docker （ container 化）+编排（ docker swarm ，apache mesos ，kubernetes ）...），这些技术都能诞生一个产业域提供资金的进入从而带来新的工作岗位。

2 ，单独的将这次因为 LLMs 所拱热的所谓的“AI”浪潮提出来说，因为它和 1 里所提到的技术不同，看似试图想让它达到 1 里面技术的结果，记住这是一种主观力量去催动的。而 1 里面的技术，是属于发展到了一定阶段，必然会催生的，主观催动与否，客观世界都会让其繁荣。
2.1 如果你深入了解过人工智能技术的发展历史，就会发现，其实 LLMs 的基石 transformer 框架是一个偶然的出现，不是时机到了会自然出现的成果，这个技术有很多共同的作者，每个人提供一些 idea ，诚然，NLP 发展必然会出现一个类似的成果，包括 NLP 里的注意力机制，都是逐渐进步的。只是这个时间间隔会有点长，基础性的突破，往往都需要较长的时间沉淀思考。我认为和参与者多寡无关（没有可引用的有效论据，可能是错误的观点），因为知识的影响力的存在，100 个人和 10 个人去研究某一个问题，本质上是一样的，并不是每个人都能有突破性进展的那个人的水平。但是从历史的发展来看，当前整个 DL 领域里的基石技术反向传播到 80 年代才搞出来（人工智能的探索从 50 年代末开始），真正有效果的手写数字识别到了 90 年代末才搞成，到了 2010 年代初期，借助 gpu 才让 DL 开始起步； RL 真正有效果的技术基于 DRL 的 DQN2015 年才横空出世，这才有后面围棋的 AlphaGo 。仅仅是将深度神经网络整合进 RL 产生很好的效果就花了快 50 年（现代 RL 技术从 1970 年代开始）。
2.2 偶然出现的 Transformer 所衍生的各种 LLMs ，包括多模态 LMs ，因为其产生的效果，被因为 1 里技术边界效应递减的情况下主观放大，试图推到如 1 里面技术的高度和繁荣度；它本来的位置只应该是在人工智能整个发展的一个子集，现在却让它等同于人工智能，于是它的短处也被放大，并且导致主流视野都去 fix 。它下一步的可能的技术是什么呢？

3 ，因为短视频的繁荣，导致整体受众的认知被降低；几分钟的视频里所压缩的信息量，很容易让沉迷其中的人认为，他们似乎对于世界已经了如指掌，对于任何未知且可能复杂的问题，在几秒钟的几步推理之间都可解决。如果连试图突破基础技术的人，都被这种认知所裹挟的话，那么怎么可能会有新的突破呢？短视频沉迷的结果就是，将本来 IQ120 的降低到 100 以下的同时给其的自信以为自己 IQ 已经突破了 140 ，你能想象 IQ 低于 100 的时候自信到自己有高于 140 的 IQ ，那是多么的可怕。

我推荐跑 pubg ，😄

你看那几个频繁发 web3 招聘的，为什么这么频繁，圈子本来就小，能找到人早就找到了。敢把 wen3 经历写到工作经历里的，我都算 ta 狠，几乎就是自绝职业生涯。

@19cm 神探。

2015 年那时候最好的容器和容器编排的中文书是 《 Docker——容器与容器云》，几个作者后面硕士毕业之后都去 bat 了。那时候看这本书学会了 docker ，但是没有深入看懂里面后半部分的 Kubernetes ，着实遗憾，错过了一波。到 2017 年的时候，业界渐渐的有了些实际的需求，那时候介绍 k8s 最好的书是《 Kubernetes 权威指南》，惠普的一帮人写的。我入门也是这本。一遍自己操作，一边在群里帮人解答疑问，进步着实很快的。后面 2020 年左右给 team 做介绍，才发现《 Kubernetes in Action 》，有一讲一，确实算是写的做好最全的，有一定的深度，但是对于 crd&operator 都是粗浅带过。后面有一本讲 crd&operator 的《 Programming Kubernetes 》，很好，讲的也深入透彻。然后就是《 Core Kubernetes 》，我在 2023 年粗翻译了这本书，这本书兼具广度与深度，比《 Kubernetes in Action 》有深度，但广度不如；比《 Programming Kubernetes 》基础性好，但是深度不如。

参与过 2 个 operator ，一个是 2021 年区块链联盟链 hyperledger fabric 很少的部分功能，一个是 2022 年 apache doris ，单独完全从 0 设计开发；很遗憾两件事都是在商业公司做的，无法开源。

目前有几个值得搞的，一个是 hyperledger 在 fabric 之后增加了严谨性的 fabricX ， 社区还没有 operator ，一个是 ray-rllib 的 分布式训练，这部分被 ray 的商业公司搞了一个闭源分布式训练平台，所以大概率社区是没有动力做这个事情的，因为主力靠这个平台收 license 过活。但是实际上社区是有这个需求的。最后还有一个 llama.cpp 的多机多卡分布式并行推理，这个实际上很有潜力同时也很鸡肋。sglang&vllm 都适配的最新的设备。大部分旧设备和异构设备很难聚合发挥威力，同时分布式并行推理，对于网络带宽要求太高了，在基础架构没有优化到只需要传输部分数据的时候，大量异构 gpu+10G 级别的网络是很难有结果的。

看到这个话题，突然间就回忆了很多，实在是感慨。

@xzysaber #13 AI 这波过去之后，整个技术领域都要停滞很长一段时间。几乎不会再有什么新的东西。

@xzysaber #13 k8s 巅峰延迟了移动互联网巅峰几年，作为 devops/sre 领域最核心的终极（最后一代，不会再出现更复杂和先进的）技术，随着 pc+移动互联网的冷淡，它也快速的衰落了。最近的版本迭代几乎没有什么新的大功能特性，几乎都是缝缝补补。

@zzhirong #10 可惜 k8s 也是威风不再了。

bitnami 的 redis-cluster ，我在 2021 年的时候，确实遇到过一些问题。bitnami 现在的态度也让人觉得不靠谱了。
还得是选当前还有 commit 的项目，起码还有人能一起讨论一下。

除了 m3 mac studio ultra 512G,其余都是玩具。如果有钱搞 2 个，并起来搞成 1T ，跑一跑推理 ok 的，其余的定制就得搞 n 卡了。

@zhengkk #68 笑死我了，哈哈，😂

在算力受限的情况下，做的一种微范式调整，中规中矩的稳健推进。