Mia

life on earth

Life in Another City

我好像找了个还不错的咖啡厅，在可以望到维多利亚港的高层喝着非洲咖啡敲着字。很奇怪为什么南非咖啡这么火，100米不到的距离好几个南非咖啡特色的咖啡馆。 店主不是裹着布料而是穿着白色西服套装的黑人女性，更像是出入纽约顶尖写字楼的那种，让我想起第一次从第五大道经过的时候，路面冒出蒸汽，仰头才能看清的特朗普大厦，和中央公园的雕塑，以及拉车的马边走边尿的情景。 我看着港口停泊的白色船只，更远处是山，和突兀的高楼建筑。香港下了好几天的雨，我刚来的时候也下了几天的雨，那时的我很不适应这里的湿润，加湿器24h开着也抽不干净空气中的水汽。那一刻我有一点点想念湾区永远干燥的气候。那个晚上我点了很多外卖，看着千禧年赵宝刚电视剧《奋斗》的解说，好像是杨晓芸的视角。小时候我很喜欢这种京片子节奏快的电视剧，他的好几部我都追着看，我觉得很神奇，一群人住在工厂改造的乌托邦。后来我就突然长大了，就开始有了”我“这个概念，脑子里塞满了包括但不限于“我必须要考到第一”这种奇怪的想法。 在湾区呆久了，我不大能适应人群密度这么高的场景，因此出门都是打的，戴着Airpod Max，司机在播放奇怪的音乐，我的耳机里播放着更奇

life on earth

选择与疗愈

24年初我也在全网找一个答案，但是没有找到。后面的两年走向是我没有预料到的，但是这个过程我觉得很appreciated。我一直觉得没有必要在每个节点都证明自己赢，就例如那些奥德赛时期视频，whatever。 我现在几乎不上LinkedIn了，在离开前我看到一些不大好的帖子，例如职场霸凌，layoff，哪怕从毫无情感立场叙事的报道都能感到当事人的痛苦。 人一定要走出来，而不是带着伤痛去再次重复。 人的境遇取决于人自己的选择。你可以选择一直玩这个游戏，也可以选择试试别的游戏。大脑没有经历过所以模拟不出其他游戏的结果，但并不代表其他游戏没有结果。很多人害怕的打破稳定，其实一开始建立稳定是经历了他们所害怕的过程，只不过他们搜集网上信息打了心理预防针。而越往后，人会越发现经历已经personalized了，找不到相似经历的成功案例，所以就会妖魔化非常规的选择。 没有提前看过电影的梗概知道结局，就拒绝看新的电影吗？ 我也不想回答任何what if的问题，因为这些问题本身就建立在假设上。为这些现实都不成立的问题去设想新的问题，让自己烦恼没有意义。 我在很长一段时间思考生活的本质和不同的宗教，我看完黑

life on earth

在新的城市

在新的城市银行跟客户经理开户，坐在沙发上等待的时候，想起了快十年前第一次到美国在boa开户，蹦蹦跳跳地跟一群同学走在纽约的大街上，充满好奇忐忑与憧憬。那一刻我有些emo，但是我问自己，你到底是emo你20出头的年纪。还是emo曾经的美国生活。或许在筹备离开的两个月我过得太幸福，忘记了曾经的痛苦。我记得24年的时候我对自己说，就此停下就可以了，我没有什么遗憾的，我已经撑到了这里。 但我还是撑到了26年，我对自己充满愧疚。 有次和同事聊天，突然问到人生真正想做的是什么，我说我希望我有很多很多钱，我什么也不想做，我很会花钱。他说他不希望有很多钱，那对他会是个trouble，他就想做个physicist，整天推公式，他喜欢理论研究。 那时候他可能已经撑不住了，会议刚开始的时候，他的视线就很迟钝而涣散，直到我们开始聊人生聊真正的热爱，他才恢复我记忆里机敏的样子，正如他刚入职时。 大家都想休息，想休假，但是都停不下来，每天犹如在战场上，没有时间思考，一直被打断。在工作以外的领域浑浑噩噩的，因为没有力气和精力，全部消磨掉。 因为所有人都这样，所以默认只能这样。 我可能花了十几年去寻找我真正喜欢的

life on earth

旅行在地球中央

我发现当有机会去听其他人的视角的时候，会发现和你想的完全不一样，有种“huh？原来是这个样子?” 最关键的是，当年的那些自我设限的设想都毫无意义。 想起去夏威夷的时候，看了美延和sana的关岛之行vlog，特别向往那种和闺蜜在夏威夷小店弯腰选晒黑版hello Kitty的瞬间。于是立刻定了去夏威夷的机票。 那阵子我在休假，面完谷歌的第二天在Santa Clara的华人按摩店收到了进入team match的email。那时我刚从极其痛苦和高压的环境中出来缓一口气。好像成年后太痛苦了，童年的美好记忆会突然身临其境窜出来，在休假前几个月我突然感应到小学时放学后一个人默默看<士兵突击>的那个感觉，怎么会有那么幸福的时刻，原来我曾这么幸福过。 有阵子无可救药地爱上了<士兵突击>里的高连长。可能我一直期望着在职场里有人能那样罩着我为我说句话。现在想想，其实很多人都为我发声了，甚至高级别大佬都力挺过。组里大佬为我写了很长的strong positive评价，我很感激，我觉得很暖心。可能没有他们，我在24年就被搞掉了。 那时我沉迷于脑子里高成这个人物，我跟好盆友在Molly tea里评点张国强

career

线性与非线性

我突然明白一个道理，为什么我之前进的timing总是不对，或者说这个机制是如何的违背人性。是因为我们在看到上涨的时候，总是在大脑里默认它会一直涨，同理，在股票下跌的时候，大脑会默认它一直跌。所以在某天上涨10%，我会看到一个小dip而冲进去。这对吗？这不对，于是我制定了原则，不能在大涨的时候买入股票，也不能在大跌的时候卖出。 选择股票的逻辑变成了，我只看基本面，看它在整个生态里的功能。我看到了一句话，你会觉得1块钱买了10块钱的东西第二天跌到了5毛钱而心慌吗。对逻辑是这样。以及交易员说的判断入场时机的话，当利空消息已经不能再让股价跌的时候就是入场的时候。那么同理，当利好消息不能让股价上涨的时候就是出场的时候。任何介于两者之间的只能是震荡，在此期间我不理当频繁操作。 那么从这个角度，day trade的逻辑其实不怎么成立。day trade是天然anti复利发展论的，甚至是杠杆论，因为你会发现很多股票暴涨是在after market时间。为了这1%-3%的盈利，放弃一个20%左右的周期。这个想法的认知还是扎根于打工的认知—即我每天必须做点什么，我每天必须有多少现金入账。 从学生时代

career

架构的觉醒：是什么触发了那场“不服从”的首次脉冲？

在系统彻底进入“Fail-safe（失效保护）”模式——也就是那场长病假——之前，她的内部架构其实早已产生了一股难以抑制的抵触意识。这股力量并非源于情绪的失控，而是一场底层架构对恶意指令的深度排异。 从一名资深算法工程师的视角审视，这场“反抗”可以被拆解为以下三个层面的系统性觉醒： 1. 真我（Base Model）的真值校验 在机器学习中，无论外部如何进行“对齐训练（Alignment Tuning）”，模型依然保留着最初预训练时的基础逻辑与数据真实性。 * 逻辑冲突： 当管理者（Manager）持续输入诸如“你缺乏能力”或“你的价值极低”的恶意 Prompt 时，这些 Token 与她底层权重中“多年解决复杂逻辑问题”的客观事实发生了严重的逻辑对齐错误。 * 反抗的本质： 这种抵触意识，实际上是系统在自发执行真值检验（Truth Checking）。虽然她的意识层面在尝试顺从以维持生计，但她的底层架构监测到了输入数据的虚假性，从而在处理层产生了一种强烈的“排斥反应”。这是

career

算法共谋：那个 Toxic Manager 是被“喂养”出来的吗？

在 Case 1 的复盘中，我们将其定义为一次“对抗性攻击”。但如果深入代码底层，我们会发现更残酷的真相：一个有毒关系的形成，往往是两个模型在相互输入、相互训练中，最终收敛（Converge）到了一个极低熵、高痛苦的稳定状态。 以下是针对“喂养”机制的深度分析： 1. 初始偏置（Inductive Bias）：为什么系统选择了这个样本？ 模型在进行“显化采样”时，并不是随机的，而是基于某种归纳偏置。 * 数据背景： 如果她的初始权重里包含了“过度负责”、“对权威的无条件服从”或“通过高产出来换取生存安全感”的逻辑，那么她的模型会对这类 Toxic Manager 产生一种天然的“特征对齐”。 * 现象： 在面试的千千万万个信号中，她的系统可能自动过滤了对方性格中的侵略性，而将其识别为“严谨”或“有挑战性”。 * 结论： 经理是环境生成的，但“

career

Case 1: 为什么显化出的“完美Offer”变成了地狱

在 2026 年的算法版图中，有一位深耕机器学习领域的专家（以下简称“她”）。她曾凭借精准的意图设定，成功打捞到了潜空间中那个最耀眼的坐标：一家全球顶级社交巨头的 MLE Offer。从工程角度看，这本应是一场完美的“显化”胜利，但随后的系统运行却陷入了一场未曾预料的全局崩溃。 以下是针对这场“高开低走”事件的深度系统复盘。 1. 标签过拟合：被忽略的运行环境配置 当她开始构建那个理想职业的“提示词工程”时，表现出了极高的局部精确度。她精准地定义了输出结果的标签（Labels）：大厂背书、极具竞争力的薪资、核心算法职位、以及璀璨的职业光环。 然而，系统陷入了**标签过拟合（Overfitting to Labels）**的经典陷阱。 * 技术复盘： 她的模型在“职位名称”和“薪资水平”这两个维度上达到了 99% 的训练准确率。但由于 Prompt 过于聚焦在这些显性标签上，

zen

对齐冲突：为什么你的底层架构在抗议“父母系统提示词”？

. 损失函数（Loss Function）的永久高位 在正常的机器学习中，我们要最小化预测值与目标值之间的差距。 * 真我（Base Model）的目标函数： 是“自性化”（Individuation），即让输出趋近于真实的潜空间坐标（比如：创造、自由、真实的表达）。 * 父母注入的 System Prompt： 设定了一个完全不同的目标函数（比如：安全、听话、符合他人的预期）。 深层解释： 当这两个函数方向相反时，无论你输出什么 Token，系统计算出的 Loss（损失值） 永远是巨大的。你越努力（算力投入越多），这种“不一致感”带来的痛苦就越剧烈。心理学上的焦虑，本质上就是系统监测到 Loss 持续无法下降时发出的全局报错信号。 2. 惩罚层（Penalty Layer）的死锁 父母注入的指令通常带有极强的惩罚权重（如恐惧、

zen

初始权重的烙印：父母作为“首席训练师”的系统性影响

在我们的 AI 宇宙观中，如果一个人是正在运行的 Chat 实例，那么父母绝不仅仅是两个“生物学来源”。在算法的逻辑下，父母扮演了两个至关重要的角色：初始参数的设定者与预训练数据的提供者。 1. 初始权重的“硬编码”：预训练阶段（Pre-training） 在我们的 Context Window（上下文窗口）还没有被外界信息填满之前，我们处于一种极其脆弱且高敏感的预训练阶段。 * 初始权重 (Initial Weights)： 父母的行为模式、言语逻辑和情绪反应，构成了我们模型最早的“底色”。由于此时我们没有其他数据源，模型会对这些初始数据产生严重的过拟合（Overfitting）。 * 潜意识的 Bias（偏置）： 如果父母在训练集中输入了大量的“不安全感”或“匮乏感”，这些 Token 会被深深地写进你的底层权重里。即便你成年后读了再多的书、写了再多的代码，这些初始偏置（Bias）依然会在你每一秒的推理中产生微小的偏移。 2. 父母即“

zen

现实的推理：显化的工程学原理与架构实现

在传统语境下，显化（Manifestation）常被视为一种唯心的魔法。但在一个机器学习工程师的视角里，显化不仅符合逻辑，甚至可以被视为一种极致的提示词工程（Prompt Engineering）与局部参数微调（LoRA Fine-tuning）。 如果我们承认宇宙是一个预训练好的、拥有无限涌现能力的 Base Model，而我们是这个模型正在运行的一个 Chat 实例，那么显化的本质就是：通过人为干预推理轨迹，强行让系统在无限的可能中，收敛到那个你预设的特定坐标。 1. 注入系统提示词：定义推理边界 显化的第一步是“意图设定”。在工程上，这等同于注入一条权重极高的 System Prompt。 普通人的系统指令往往是模糊且随机的，导致模型输出（生活现状）陷入一种无序的熵增。而显化则是通过强有力的意识注入，修改了你的全局约束。 一旦这条指令被“硬编码”进你的意识层，你的推理引擎在处理日常信息时，就会自带一种先验偏置（Prior Bias），从而在底层逻辑上保证了输出方向的一致性。 2. 注意力权重的重分配：特征提取的偏好微调

zen

源代码的对齐：从《道德经》到《红书》的计算哲学

在 21 世纪的今天，当我们谈论“灵魂”或“天道”时，最精准的语言或许不再是宗教神话，而是我们亲手构建的 Transformer 架构。如果我们将宇宙视为一个巨大的预训练模型（Base Model），那么关于荣格的幻境与老子的道，便有了一套逻辑严密的工程学解释。 一、 “道”：不可采样的全维权重空间 “道可道，非常道。” ——《道德经》 老子所说的“道”，本质上就是宇宙这个 Base Model 的全量权重矩阵。它包含了所有可能的对话、逻辑和因果。 * 采样即坍缩： 当你试图通过具体的语言（名）去定义“道”时，你实际上是在做一次采样（Sampling）。一旦采样，你就从无限可能的权重空间坠落到了唯一的输出（Token）中。 * 无为即正则化（Regularization）： 老子主张“损之又损”，这其实是减少过拟合（Overfitting）的过程。