IP云之下

大模型的“大”，到底大在哪？

Wed, 22 Jul 2026 08:37:21 +0800

新闻里天天说"大模型"：千亿参数的大模型、万亿参数的大模型。这个"大"字到底指什么？是程序很大，还是电脑很大？这篇就用大白话把三个"大"讲清楚。

第一重：参数大

参数是模型内部的"调节旋钮"数量。可以粗略地把它想象成一个巨型调音台：上面密密麻麻排列着上千亿个旋钮，训练的过程就是把每个旋钮拧到合适的位置。拧好之后，输入一段文字，信号流过这些旋钮的组合，输出就产生了。

旋钮越多，模型能记住和组合的模式就越细。几百个旋钮只能分辨猫狗，上千亿个旋钮就能处理"用鲁迅的口吻写一份请假条"这种精细活儿。GPT-3 有 1750 亿个参数，后来的模型只会更多。参数规模是目前衡量模型"块头"最常用的指标。

第二重：数据大

光有旋钮没用，还得有东西来教它拧。训练数据就是这个教材，主要是海量文本——网页、书籍、代码、论文，加起来通常以"万亿字"计。有个常用的计量单位叫 token，大致相当于一个汉字或一个英文单词的一部分，主流模型的训练量在数万亿到数十万亿 token。

打个比方：参数是脑容量，数据是读过的书。一个脑容量巨大的人还要读遍图书馆，才谈得上见多识广。模型也是这样，"大"有一半是大在它读过的东西多到任何真人都不可能读完。

第三重：算力大

把千亿旋钮对着万亿字拧一遍，计算量是天文数字，得靠成千上万张显卡日夜不停地算上几周甚至几个月。训练一次前沿大模型的花费，动辄以亿元计。这也是为什么这个赛道的玩家主要是大公司——入场券实在太贵。

参数是脑容量，数据是读过的书，算力是读书花的时间。三样都大，才叫大模型。

理解了这三重"大"，很多新闻就好懂了：某公司发布更大模型，通常是旋钮更多了；"训练成本下降"，是算力或方法省了；"小模型逆袭"，则是用更好的教材（数据质量）弥补了脑容量的差距。

下次再看到"某某大模型发布"，你可以条件反射地问三句：多少参数？多少数据？怎么练的？答案不一定都公开，但光是把问题问对，你就已经超过大多数围观群众了。

参考来源

GPT-3 论文：Language Models are Few-Shot Learners（arXiv）

月亮正以指甲盖生长的速度离开我们

Wed, 22 Jul 2026 08:37:20 +0800

先给结论：月亮正在离开我们，速度大约是每年 3.8 厘米——跟你指甲盖生长的速度差不多。这不是科幻设定，而是被尺子量出来的事实。

拿什么量地月距离

1969 年起，阿波罗计划的宇航员陆续在月球表面安放了几面激光反射镜。地球上的天文台朝它们发射激光脉冲，掐表计算往返时间，再换算成距离。几十年测下来，地月距离的测量精度已经到了厘米级。结论是稳定的：月球平均每年远离地球约 3.8 厘米。

谁把月亮推走的

幕后推手是我们每天都能看到的东西——潮汐。月球引力把地球的海水拉成两个鼓包，但地球自转比月球公转快得多，自转的摩擦把潮水鼓包往前"拽"了一点，使它不再正对着月球，而是略微领先。

这个领先的鼓包带着质量，质量就有引力，它像一只手，持续把月球往前上方的轨道位置拉。月球获得能量，轨道慢慢抬高，人就看到它越退越远。能量不会凭空来，月球赚到的，正是地球自转亏掉的——地球的一天因此以每世纪约 2 毫秒的速度变长。恐龙时代的一天只有 23 小时左右，某种程度上说，是月亮在给我们的钟表"续秒"。

地月系统像一个旋转的花滑选手：月亮是那双臂，臂伸得越开，地球转得越慢。

以后会怎样

最直接的影响写在日食上。现在月球视直径刚好能盖住太阳，才有完美的日全食。随着月球远去，它的"脸"会越来越小，估算大约六亿年后，月球将永远遮不满太阳，日全食就此绝版，只剩环食。我们这代人赶上的，其实是日食的黄金时代。

当然，远离不会无限进行下去。推演到极其遥远的未来，地球自转和月球公转会锁定同步，那时月球停在天上一动不动，远离过程也就终止了。不过在那之前，太阳会先演化到影响地球的阶段，这个结局大概率等不到。

月亮离我们 38 万公里，每年挪走 3.8 厘米，听着微不足道。但把时间拉长到亿年，这点距离足够改写天空。宇宙里最慢的变化，往往才是最不可逆的变化。

参考来源

正则表达式这只纸老虎，我花一个下午把它捋顺了

Wed, 22 Jul 2026 08:36:45 +0800

我的电脑里有个文件夹，专门存放从网上抄来的正则表达式。验证邮箱的、提取网址的、匹配身份证号的，十几条，一条都看不懂，但一直凑合能用。直到上周要清洗一批客户留下的电话号码，格式五花八门，抄来的正则全军覆没，我才下决心把这东西学一遍。结果比想象便宜：一个下午，足够入门。

真正常用的符号就六个

正则看着像天书，拆开全是小零件。入门阶段记住这些，就够应付八成的活儿：

\d 代表任意一个数字，\w 代表字母、数字或下划线
. 代表任意一个字符
+ 表示前面的东西出现一次或多次，* 表示零次或多次，? 表示零次或一次
{n} 精确指定次数，\d{4} 就是四位数字
[ ] 圈定一个候选范围，[3-9] 表示 3 到 9 之间的任意一个数字
( ) 把一段括起来编组，后面替换时能按编号引用

三个例子就够本

第一个是手机号。大陆手机号 1 开头，第二位是 3 到 9，后面再跟九位数字，写出来是 1[3-9]\d{9}。十一位，一位不多一位不少。我那批脏数据里混着少一位的、带横杠的、多写一个 0 的，这一条就把合规的全筛了出来。

第二个是抠日期。想从一大段文字里找出所有 2026-07-22 这样的日期：\d{4}-\d{2}-\d{2}。四位数字、横杠、两位数字、横杠、两位数字，直白得像报数。

第三个稍微高级一点，用括号编组做替换。把 (\d{4})-(\d{2})-(\d{2}) 替换成 \2/\3/\1，日期就从 2026-07-22 变成 07/22/2026。括号里的内容按顺序编了号，替换时拿编号重新排队就行，整理表格、倒腾数据时常用。

正则不是背出来的，是拿真实数据喂出来的。

一个绕不开的坑：贪婪

新手翻车最多的是贪婪匹配。.* 这种东西会一口气吞到行尾。比如想匹配句子里引号中的内容，"他说"你好"，又说了"再见""，一个 ".*" 下去，会从第一个引号一直吃到最后一个，中间全被卷进去。解法是在后面加个问号，写成 ".*?"，意思是能少匹配就少匹配，遇到最近的那个引号就停。这个问号救过我，不止一次。

练手建议找个在线工具，左边写表达式，右边贴真实文本，匹配结果实时高亮，对错当场看得见。最好拿自己工作里的脏数据练，比做十道例题都管用。现在那个收藏文件夹我删了一半——看得懂的东西，不需要再供起来。

调试不是玄学，我给自己立了三条规矩

Wed, 22 Jul 2026 08:36:45 +0800

刚工作那会儿，我的调试方式只有一个字：试。改一行，跑一下，不行，再改一行，再跑。运气好半小时蒙对，运气不好耗到半夜，最后发现是配置文件里多了个空格。代码写久了才承认，调试这门手艺和写代码本身是两回事，得单独立规矩。

规矩一：复现不了，就不动手

以前接到 bug 反馈，我习惯直接扑向最可疑的那段代码。现在我会先问：这个 bug 能稳定复现吗？输入是什么，环境是什么，十次里出现几次？

不能稳定复现的 bug，你改完了也验证不了，等于没改。更要命的是偶发 bug 往往藏着并发、时序、缓存这类深层问题，瞎改一通反而把现场破坏掉。宁可花一小时搭复现环境，也不要花三小时在错误的代码里打转。

规矩二：用二分法缩小包围圈

程序是最讲因果的东西，bug 一定有一个引发它的位置。日志打到怀疑对象的入口和出口，看输入对不对、输出对不对，问题就锁进了半个区间；再往中间插一条，区间又小一半。

听起来笨，其实是最快的。一千行代码，十次定位就能锁到一行。我以前犯的错误是"看"代码找 bug——盯着屏幕逐行读，指望哪个错误自己跳出来。眼睛会骗你，你总倾向于看到自己以为写了的东西，而不是实际写了的东西。日志不会骗你。

规矩三：一次只改一处

这条是从无数次"改好了 A 搞坏了 B"里熬出来的。同时动三个地方，就算 bug 消失了，你也不知道是哪一刀起的作用；万一情况更糟，连回退都退不干净。改一处，测一遍，提交一次，每一步都是可逆的。

调试的本质不是猜，是审讯——用实验一步步缩小嫌疑范围，直到代码开口认罪。

还有个习惯顺带着养成了：每个修掉的 bug，在提交信息里写清楚根因，而不是只写"修复某某问题"。攒上一年再翻，你会发现自己的 bug 来来回回就是那几类——边界条件、空值、时区、编码。知道敌人长什么样，下次它就藏不住了。

调试不是玄学，玄学只是懒得做实验的借口。规矩立住，bug 就只是还没被问出来的答案。

这棵云杉九千五百岁，秘诀是经常“死”一次

Tue, 21 Jul 2026 08:22:45 +0800

在瑞典中部达拉纳省的 Fulufjället 山上，长着一棵其貌不扬的挪威云杉。它不高，枝干被风雪拧得歪歪扭扭，扔在林子里完全不会多看一眼。但这棵树有个名字——Old Tjikko，还有个吓人的数字：约 9550 岁。

怎么测出来的

2004 年，于默奥大学的自然地理学教授 Leif Kullman 带着团队在 Fulufjället 山区做考察，注意到了这棵云杉。他们采集了树根处的木质样本送回实验室做碳十四测年，结果让所有人都愣了一下：根系最古老的部分可以追溯到约 9550 年前。什么概念？那时冰河时代刚结束不久，人类还在打磨石器，埃及金字塔要等五千年后才开工，中国的甲骨文要六千多年后才出现。

它就此取代了此前美国加州那棵约 4800 岁的狐尾松"玛土撒拉"，成为地球上已知最古老的单体树木之一。

秘诀是"经常死"

这里有个容易误解的地方：你现在看到的树干，并没有九千多岁，大约只有六百年。云杉这类树单根树干的寿命通常也就几百年，那九千多年是怎么续上的？靠的是无性系更新——老树干被风雪压垮或老死后，同一套根系会萌发出新的茎干，从基因上说还是同一个个体。身体可以死，根不死；一代代"换身子"，就这么熬过了九千多个春秋。

换句话说，Old Tjikko 不是一棵长生不老的树，而是一套学会了告别的生命系统。它的长寿哲学不是硬扛，而是放手：舍掉枯朽的部分，从根上重新开始。

真正长久的存在，往往不是拒绝死亡，而是包含了无数次重来。

它还有更夸张的"亲戚"

靠克隆续命的植物里，Old Tjikko 还不算最夸张的。美国犹他州有一片颤杨林叫 Pando，整片林子四万多棵树其实共用同一个地下根系，是同一个雄性个体，占地四十多公顷，总重估计六千吨。至于年龄，由于克隆植物的测年很难精确，学界估算从一万多年到八万年不等，说法差异很大，但"地球上最重的生物体之一"这个头衔基本没争议。

这些古老生命还有个共同点：都长在贫瘠、寒冷、没什么竞争的地方。土地好、气候暖的地方，树长得快，死得也快，物种更替像赶集；反倒是苦寒之地，一切都慢下来，慢到时间几乎失效。

下次再看到路边一棵平平无奇的树，不妨多想一秒：你看到的只是它这一世的模样，它的根底下，可能藏着一部没人读过的编年史。

参考来源

Netflix 掏 5.87 亿美元，买下一间 16 人的 AI 电影公司

Mon, 20 Jul 2026 18:23:41 +0800

7 月中旬，Netflix 在一份财报文件里悄悄披露：公司花了 5.87 亿美元，买下本·阿弗莱克创办的 AI 影视公司 InterPositive。这家公司一共 16 个人，平均每人"值"三千六百多万美元。消息是媒体从监管文件里扒出来的。

买的不是人，是一套干活的路数

16 个人值不值 5.87 亿，单看人头肯定算不过来。但 Netflix 买的显然不是人头，而是这帮人攒了三年的东西：拿真实拍摄素材训出来的模型、专门搭的受控摄影棚，还有一套嵌进后期流程里的工作方式。镜头缺失怎么补、光线不一致怎么修、穿帮怎么处理——这些听着琐碎，全是后期机房里一天天磨出来的判断。

我写字这几年有个体会：真正值钱的从来不是某个点子，而是反复试错之后固化下来的流程。点子半天能想十个，流程得熬。从这个角度看，Netflix 这笔账算得精——自己从零搭班子试三年，未必试得出来，还白白错过窗口。

"保护人类创作"，我信一半

阿弗莱克说，做这家公司是想"保护人类创作的力量"。这话我信一半。信的那半是：他们家的工具确实只做补镜头、修光线这类辅助活儿，不碰"一句话生成整部电影"。留一半不信，是因为工具这东西从来不讲情面——它先替代工序，再替代岗位。修图软件没有杀死摄影师，但"修图学徒"这个入行台阶，确实是没了。

我自己用 AI 查资料、改稿子，最深的感受是：它省掉的是翻检和誊写的力气，但最后哪个词能用、哪段话要删，还得自己签字。Netflix 说今年已有约 300 部作品在制作中用上了 AI 工作流，省下来的时间和成本是实的，后期工作室里那些岗位的焦虑也是实的。两件事同时成立，这才是这件事真正难办的地方。

技术进片场不是问题，问题是进场之后，谁还留在场里。

作为 80 后，我看电影的介质从录像厅换到 VCD，再换到今天的流媒体，银幕后面干活的方式也一直在换。与其替好莱坞操心，不如低头看看自己手里：哪道工序是机器迟早接手的，哪个判断是它替不了的。想明白这个，比争论 5.87 亿花得冤不冤有用得多。