7月13号的时候，突然翻不了墙了。但是同时http服务或者SSH服务却全都正常。我以为是我前一天升级了服务器导致的。于是选择了重装。结果还是不行。

经过了一天的调试，最终发现，原来是墙封了我的VPS的IP的433端口。没办法，之后重新又开了一台VPS。

又过了快一周的时间，我在推上看到有人说是因为开会的缘故。

记录一下，下一次就不用浪费这么多时间了。

上个月苹果买的苹果表s9出现了一个诡异的问题。我的M1 Mac mini安装了双系统，macOS 14.5和macOS 15 beta。二者的内容基本相同，macOS 15 beta是全新安装，然后通过融合助手将macOS 14.5的数据和设置导入。

诡异的问题是macOS 15 beta下苹果表的解锁是好的。macOS 14.5的解锁却无法设置成功，提示Mac无法与苹果表通信。

我在网上找了很多办法，询问了AI，都没能解决这个问题。

这里我要说一下，苹果表一开始是可以和macOS 14.5设置解锁的。不过苹果表刚买来的头3天，电池电量掉的特别快，差不多一个白天电量就需要充电了。和网上说的能用一整天说法差太多。我自我分析之后，认为这是因为我配对了Xcode和手表，导致的。于是我在手表里将开发者模式关闭了。结果发现macOS 14.5就无法连接了。于是我又重新打开开发者模式，结果还是不行。

题外话，续航短的问题倒是解决了。目前佩戴24小时还能剩50%左右的电量。

最终解决

我最初想到的方法是重置设置，但是M1芯片的Mac没有单独恢复设置的方法，只能连系统一起还原。于是我想到，我可以尝试安装新版的macOS，看看安装之后会不会变好。因为14.5已经是最新的稳定版了，于是我选择升级到14.6 beta 3。安装之后，重新设置使用苹果表解锁，结果立刻就成功了。

LLM是目前最火的科技词汇。乐观的人认为很快就会有通用的人工智能。但现阶段来说，LLM还没有宣传的那么神奇。那么究竟什么才是LLM的本质呢？

LLM的本质其实就是矩阵数据库。即然是数据库，当然是越大越好。因此，那些为了在本地运行而限缩的数据库，必然会在损失精度的同时损失准确性。我们可以将LLM想象为一部百科全书。完整的版的百科全书，和精简版的，虽然都是百科全书，内容也都是正确的。但是二者的详尽程度，必然不同。

LLM分类

LLM分类有很多种，比如按照功能，有通用类型的、翻译类型的、专注任务类型、偏重于编程的类型的等。但我认为对于普通人来说，最好的分类，是将它分类为联网型和非联网型。

联网型

联网型，顾名思义，就是在回答问题时，LLM会先分析你的问题，然后根据你的问题去搜索引擎搜索，然后利用LLM的归纳总结功能，将排名靠前的搜索结果的网页打开并总结，最终综合这些内容，来回答你的问题。

联网型的优点是实时性强，因为是实时搜索，即便是最新的内容也都可以找到。缺点是，如果LLM对于的问题理解错误，或者搜索到的内容质量不高。回答的质量也就不高。

非联网型

这个是目前的主流形式。LLM的开发商定期更新大模型，你问的问题，如果在它的范围内，它就能回答你。

非联网型的优点是对于它知道的内容，回答质量较高。缺点是，对于它不知道的内容，它就会胡乱回答一气。比如你问它最近有什么电影上映。它回答的可能是一年之前的。

LLM的局限

对于普通的人来说，LLM的最大局限性，就是LLM其实不知道它回答的内容是否正确。是的，它不确定自己回答的内容的是否正确。它只是将它计算过后的最可能正确的结果进行输出。

不过，这其实也可以理解。因为对于普通人来说，自己考试的时候，自己答题，有时候也是不知道是否正确，只是将自己以为正确的答案写出来。

所以，对于LLM，我们态度应该更像是面对人类，而不是面对计算机。即LLM的回答有可能是错误的，而不是一定是正确的。

如何理解LLM

我们可以将LLM理解为是一个人类。它的容量大小，就相当于一个人所掌握的全部知识。因此，容量越大越好。但是容量越大，运行时需要的资源越多，运行速度就越慢。因此，今后一段时间内，提升运行速度，是提升LLM的最佳办法。只有运行速度够快，才能跑更大的模型，模型才能更智能。

但是同时，我们也要意识到。LLM作为单独的一个“人”，它同样存在人的局限。它的回答不一定是正确的。对于它不了解的问题，它甚至可能胡编乱造一个答案。因为它只是将最可能正确的结果进行输出。如果没有正确率高于80%的结果，那么5%的正确率也可能是最高的，一样会输出。因此，对于LLM的一切处理结果，我们都需要审慎对待。