马尔可夫链：LLM的“祖辈”
文章通过直观的例子解释了马尔可夫链的基本原理及其局限性（如记忆缺失），并指出大语言模型（LLMs）本质上是通过注意力机制解决了马尔可夫链的状态依赖问题，从而能够处理更长的上下文和抽象概念。文章旨在帮助读者理解LLM的概率本质及其与早期AI技术的联系。
评论
点赞
收藏AI工程师也无法逃脱被AI替代的命运
一篇AI工程师撰写的反直觉观点文。核心看点：作者凭借自身行业经验，剖析"AI工程师"这个模糊头衔的空泛性，并指出随着Meta DINO等基础模型越来越通用，正在"吞噬"原本需要专业AI工程师的各个分支领域。他的判断是：AI工程师可能比普通软件开发者更先被AI替代。文中从LLM、计算机视觉、推荐系统到游戏NPC，说明不同AI技术栈差异巨大却共享同一头衔。通用模型将让大部分公司不再需要定制AI方案，顶尖研究者集中于少数大厂，普通AI岗位高度饱和。作者也承认目前通用模型还不够专精，软件开发者暂时更安全。有具体技术案例、有个人立场、有争议判断，信息密度不错的一篇真人博客。
利用压缩伪影检测AI伪造图像
一篇图像取证基础的技术笔记。标题切入"利用压缩伪影检测AI伪造"这个有趣的技术交叉点，对关注AI安全与数字取证的读者有吸引力。但正文仅有两句引言——"先交代背景"与"为什么写这篇"——尚未进入任何实质内容。无方法、无案例、无实验数据，也无个人经验或踩坑记录。作为短内容，标题的信息密度尚可，但正文信息量几乎为零，无法给读者带来可复用的知识或讨论入口。