你问这些问题，估计你们公司的注册资本都没有医院这个项目的合同金额高呢

现在有大模型了，能把反编译的内容进行解释吗？

直接告诉你大环境还没有变好，后面还能更差。国内的内卷就是需求不足，只能通过去产能解决，要想所有的公司赚钱是不可能的，必须有公司倒下，成为尸体，被同行吃掉。

尽量用 ai 去写，deepseek 的代码处理还是可以的。通过 ai 来减少疲劳程度，这样大脑才能有精力去吸收其他信息。

心梗有一部分心肌是坏死了，是无法恢复的，但凡出现心脏不舒服的人，都要注意，这些信号是前兆。工作肯定要优先保证自己健康，人这一生活得平淡也比受苦受罪要好。

这个 24G 的卡，只能跑个小模型吧。不过学习用完全没问题。

问题来自 IT 行业的技术变化太频繁，编程如果是个知识，应该不会过期，但现实就是一门语言或者编程的框架很难长期维持稳定，各种新的技术涌现出来，替代旧的知识。一个 40 岁的人当然还能再学一些新的技术，但你的职业寿命只有 20 年，公司通常不会考虑让你继续承接新技术的，30 岁会更适合接受新的项目。慢慢你就发现，尽管你什么都会，但也避免不了被放置在一边。但其他行业就不存在这样的问题，医生和律师，他们学过的东西，在过 10 年，还是那些知识。

第四次工业革命应该是离不开各种软件和硬件的结合，可以多考虑这类方向的企业实习，例如大疆，无人车或者机器人。

可以读一下《鞋狗》或许有所启发，很多人毕业时也是迷茫的。当你有了方向，你会感到充满力量的。

在国内做软件，就要做好被抄的准备，软件行业有各种“借鉴”的办法，总的说来，还是回到初心，为用户提供什么价值吧。

M 芯片采用了统一内存，封装的方式是直接把内存芯片和处理器芯片在微孔上连接在一起，chiplet 方式，是不能升级的。

@Motorola3 你要分析要有一个基准测试，基准测试可以选取一些你做 opencv 的样本，可以来自生产数据，也可以选取测试数据，然后在目标机器下执行你的功能，验证测试结果和你标准机器的性能相比是快还是慢，类似跑分。

这个 cpu 过高你得判断是不是在正常算力范围内得过高吧，你这个软件到底依赖什么样的配置？不能说给你一台 386 跑你的软件，你还想着怎么优化，这种基本的算力要求你都达不到，你搞什么劲。如果是正常支持的硬件范围内出现这种高 cpu 现象，你要找出这端时间的日志来看，至少日志要提供每个模块的执行时间，正常你的基准测试时间是多少？总不能没头苍蝇一样瞎优化吧。

你说的那些央国企应该不行，至少这十年不行。

图像识别已经是深度学习非常成熟的领域，一般都不建议重新训练一个模型，现有的模型选一个速度和准确率都能接受的模型，做一个微调就行，因为现有的模型对图片的纹理特征都完成了比较好的训练，只需要基于现有的权重，重新训练，就能得到特定领域的模型。

@lizhisty 残差网络，多打了一个 t ，resnet ，何凯明在微软研究院搞出来的图像分类模型，曾经的 imgnet 的冠军。

这个不是做一个微调就行了吗，你用 restnet 50 的模型，改一下分类，载入原来的权重，重新训练一下就行了。问一下 gpt4 ，马上给你一套代码。