新能源车虽然是大趋势，但是近几年还是不买了。 抖音都在说续航拉跨。

AI所到之处，人类全是对于的存在。

都在制造智能汽车，哎，我觉得现在的科技呈现野蛮式增长了，但是对我们的帮助似乎没有一点。

我很喜欢懂车帝。

2019年时，特朗普分享了一张伊朗卫星发射场的照片。 这张照片的分辨率非常高，可以看到地面上的细节，这显示了美国军用卫星的高分辨率能力。 这张照片的来源并没有明确说明，来自美国的间谍卫星。

DigitalGlobe（现为Maxar Technologies的一部分）提供的商业卫星图像，分辨率可以达到30厘米级别

chatgpt对于中国的理解非常深刻，包括古代的王权纷争等。 有着惊人的世界观和理解历史的能力，过去理解的，他看来好多有问题并给予纠正，并作出推理。

chatgpt太惊人了，技术进步到这种程度。 6月份的时候，写的代码还报错。告诉他他就该几次就好了。 现在可以一次写对。 我最近使用，彻底震惊，又进步了。太惊人了。

现在他们抖音上和小红书上看起来，都热衷于雅思了啊，这么。。。 雅思英语老师们，很开心^_^ 我估计外教们也很开心

警惕那些亚马逊云的机场，用他们的时候，打开ublock和tor

I am not regarded as a security issue for privacy. I will also be part of my personal property. Reject any privacy data

Stealing privacy is exploitation. Sweeping money and exploitation data are no different.

当数据和信息流向政府的时候，和金钱都被贪污腐败吞噬了。 我认为没什么区别，过去需要消除腐败，我认为现在需要重视隐私。 如果在告诉我应该关心国家的任何腐败的问题，我会让他滚蛋，因为我的钱包已经空了，我只剩数据了。

维A醇是一种强效的维生素A衍生物，能够促进皮肤细胞更新，减少细纹和皱纹，还能帮助淡化色斑。

亚马逊云科技推出首款结合 NVIDIA Grace Hopper Superchip 与 Amazon UltraCluster 扩展功能的云 AI 超级计算机； NVIDIA DGX Cloud 率先配备 NVIDIA GH200 NVL32，并首次在亚马逊云科技上提供此 AI 训练即服务； 英伟达和亚马逊云科技在 Project Ceiba 上合作，打造全球最快的 GPU 驱动 AI 超级计算机以及最新的 NVIDIA DGX Cloud 超级计算机，用于英伟达的 AI 研发以及自研模型开发服务； 配置 NVIDIA GH200、H200、L40S 以及 L4 GPU 等芯片的全新 Amazon EC2 实例，大幅提升生成式 AI、HPC 高性能计算、设计以及模拟类工作负载的性能； 在亚马逊云科技上运行的英伟达软件，包括 NeMo LLM 框架、NeMo Retriever 以及 BioNeMo，加速自研模型、语义检索、新药研发等应用的生成式 AI 发展。 早在十三年前，亚马逊云科技与英伟达就已经开始合作，共同推出全球首个配置GPU的云端实例。 黄教主在现场表示：「生成式 AI 正改变各种云端负载，为多元内容创作在底层注入加速计算动能。我们共同目标是为每个客户提供具有成本效益、先进生成式 AI，为此英伟达与亚马逊云科技在整个计算堆栈展开合作，横跨 AI 基础设施、加速库（acceleration libraries）、基础模型以及生成式 AI 服务。」 大模型技术引领的生成式 AI 技术，也让全球共同迎来新的技术新浪，企业希望找到新的增长引擎。亚马逊云科技不仅在底层云服务上持续提供稳定的服务，也为模型训练和应用端大规模的推理提供了齐全的计算、高速联网和高性能存储选项。 据官方透露，亚马逊云科技在全球规模化提供的基于 Graviton 的 Amazon EC2 实例种类达 150 多个，已经构建的 Graviton 处理器数量超过 200 万个，并拥有超过 50,000 客户。 时下最新带来的 Graviton 4 处理器，基于 ARM Holdings 的微处理器知识产权构建，与基于较旧的 x86 芯片标准的 Intel 和 Advanced Micro Devices 的处理器竞争。亚马逊云科技表示，相比上一代 Graviton 3 处理器，Graviton 4 性能提升 30%，独立核心增加 50% 以上，内存带宽提升 75% 以上。与此同时，它还进一步通过高速物理硬件接口的完全加密提升了安全性。 Graviton 4 处理器旨在运行更传统的工作负载，包括数据库、数据分析、网络服务器、批处理、广告服务、应用服务器以及微服务等。 目前 Amazon EC2 R8g 内存优化性实例将采用最新的 Graviton4 预览版，未来几个月推出正式可用版，提升客户运行高性能数据库、内存缓存、大数据分析等工作负载的效率。 亚马逊云科技志同道合的 Anthropic，继 9 月官宣战略合作共同推进生成式 AI 发展后，在此次 re:Invent 上，Anthropic 首席执行官兼联合创始人 Dario Amodei 与 Adam 共同登台亮相也赢得了阵阵喝彩。 我觉得科技巨头们正在用AI和芯片重新布局了。我们如何适应是个复杂的难题。

# Importing the dataset dataset = pd.read_csv('Social_Network_Ads.csv') X = dataset.iloc[:, [2, 3]].values y = dataset.iloc[:, 4].values # Splitting the dataset into the Training set and Test set from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0) # Feature Scaling from sklearn.preprocessing import StandardScaler sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test) # Fitting Kernel SVM to the Training set from sklearn.svm import SVC classifier = SVC(kernel = 'rbf', random_state = 0) classifier.fit(X_train, y_train) # Predicting the Test set results y_pred = classifier.predict(X_test) # Making the Confusion Matrix from sklearn.metrics import confusion_matrix cm = confusion_matrix(y_test, y_pred) # Visualising the Training set results from matplotlib.colors import ListedColormap X_set, y_set = X_train, y_train X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01), np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape), alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)): plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1], c = ListedColormap(('red', 'green'))(i), label = j) plt.title('Kernel SVM (Training set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show() # Visualising the Test set results from matplotlib.colors import ListedColormap X_set, y_set = X_test, y_test X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, stop = X_set[:, 0].max() + 1, step = 0.01), np.arange(start = X_set[:, 1].min() - 1, stop = X_set[:, 1].max() + 1, step = 0.01)) plt.contourf(X1, X2, classifier.predict(np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape), alpha = 0.75, cmap = ListedColormap(('red', 'green'))) plt.xlim(X1.min(), X1.max()) plt.ylim(X2.min(), X2.max()) for i, j in enumerate(np.unique(y_set)): plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1], c = ListedColormap(('red', 'green'))(i), label = j) plt.title('Kernel SVM (Test set)') plt.xlabel('Age') plt.ylabel('Estimated Salary') plt.legend() plt.show()

是的，我们没有什么可以发展的技术。只能使用比特币、门罗币等。 最终走上彻底使用开源的道路。 我觉得美国的媒体一直把普通的计算机安全技术当成军事技术。完全是污名化的。 关于币安的事情，我已经看透了，美国没打算和币安和加密货币和睦相处。

AI is Thinking我认为这个不存在这个过程。 我觉得AI速度很快可能已经想好了，但是要生成摘要，让判断器判断这是无害的信息，如果判断有害，则要求重新生成或者删减。 我一直不认为AI是一字一字生成的，这完全不合理。

我看到好多流量归类的论文，看来还是有这种意图的。。。 虽然技术哈还做不到，最多识别几种流量，但是本身加密的东西有什么好识别的!又不能解密