一份文档，明确规定 AI 可以自主做哪些事，哪些事必须先问你。✅ 可直接执行：- 心跳检查、文件整理、日志归档、记忆维护❌ 需要你批准：- 发送外部邮件、执行金融操作、部署代码、删除数据核心价值： 清晰的边界让你信任 AI 自主运作，也让 AI 知道自己的「管辖范围」在哪里。每周根据 AI 的可靠性表现，可以扩展它的自主权。

可见 Channel 是轻量化的、驱动层化的，接入一个新的消息平台，只是多一个插件。你在Slack里讨论的工作内容、在 Telegram 里安排的日程、在 WhatsApp 里的个人对话，全部混在一起，形成了对你越来越完整的理解，以后完成任务也会越来越贴心。这个自我维护机制就把记忆给分层了，原始日志是短期记忆，每天的 MEMORY.md 是中期记忆，提炼出来的个性和喜好是长期记忆。在这里，toke

时间2020年12月期刊SIGCOMM论文httpshttps拥塞控制（CC）是在高速网络中实现超低延迟、高带宽和网络稳定性的关键。根据多年运行大规模高速RDMA网络的经验，我们发现现有的高速CC方案在实现这些目标方面存在固有的局限性。在本文中，我们提出了HPCC（高精度拥塞控制），一种新的高速CC机制，它同时实现了这三个目标。HPCC利用网络遥测（INT）获得精确的链路负载信息并精确控制流量。.

随着计算机算力的提升，机器学习作为海量数据的分析处理技术，已经广泛服务于人类社会。传统的机器学习算法需要用户将源数据上传到高算力的云服务器上集中训练，这种方式导致了数据流向的不可控和敏感数据泄露问题。简而言之，机器学习技术的发展过程中面临两大挑战：为了解决以上问题，谷歌提出联邦学习（FL， federated learning）技术，其通过将机器学习的数据存储和模型训练阶段转移至本地用户，仅与中心

约翰·霍普菲尔德（John Hopfield）文学士、物理学博士，研究领域横跨物理学、分子生物学、神经科学、计算机科学，是一名以推动跨学科交叉融合而闻名于世的科学家，其推动了物理学与生命科学、人工智能的交叉融合，被誉为 “扩展统计物理学边界的先驱”，获得了 2024 年的物理学诺贝尔奖。霍普菲尔德早期是理论物理学家，专注于固体物理和量子力学，研究电子行为与能量状态，在激化子、长程电子输运等方面有极

AI

要彻底搞明白 GPU 和 CUDA 的运行原理并不容易，而回顾技术的发展历史则是知其然且知其所以然的一个好方法，所以本文会使用篇年纪的方式进行写作。

核心思想是：认为人的智能归结为人脑的高层活动的结果，强调智能活动是由大量简单的单元通过复杂链接后并行运行的结果。弗兰克·罗森布拉特（Frank Rosenblatt）基于 MP 模型再进一步发明并在 IBM-704 计算机上实现了一种新的神经元数学模型，称为感知机模型（Perceptron），现在也将其称为一种单层神经网络，是神经网络和支持向量机的基础，作为早期神经网络研究的一个重要里程碑。即：感

MP 神经元数学模型是一个包含输入，输出与计算功能的模型。输入：权重：每个输入都就有一个权重。一个神经网络的训练算法就是让权重的值调整到最佳，以使得整个网络的预测效果最好。计算：下图展示了 2 个计算功能。输出：下图可见，z 是在 a 和 w 的线性加权和叠加了一个函数 g 的值。在 MP 模型里，函数 g 是 sgn 函数（取符号函数）。下面对神经元模型的图进行一些扩展。将 sum 函数与 sg

例如：句子 The animal didn’t cross the street because it was tired，其中 it 和 animal 的关联必然最大，其权重也最大，it 的语音单元必然包含 animal 的信息，如此的 Decoder 就知道了代词 it 指代的是名称 animal 而不是其他词，翻译为 “动物”。由于深度神经网络中每一层的输入都是上一层的输出，因此多层传递下，