为什么外企没有35岁危机 为什么外企没有35岁危机  本文来自微信公众号：ToB老人家，作者：王戴明 我在Oracle 公司呆了很多年，身边不少40 岁以上的同事。 如果不是公司撤离，他们大概率还在 Oracle 做着工程师的工作，压根不会有什么 35 岁危机。 一个比较典型的例子，是一位 50 多岁的同事，2000 年以前就开始做 ERP 实施，进了 Oracle 以后，就打算在Oracle 退休了。 还有一位同事，当时已经在Oracle 呆了十几年。因为薪酬和福利都还不错，也打算在 Oracle 呆到退休。 这两位同事都是一线工程师，算是Oracle员工当时比较典型的一个状态。 当然了，并不是所有职位都这么“岁月静好”，销售线同事的压力还是很大的，经常被老板“逼单”，但是也不存在什么 35 岁危机。 后来我去了互联网公司，5000 人不到，算是一个中厂。 刚进去的时候，其实还比较顺利，2 年升了 2 级，从管十几人的团队到管三十几人的团队。但是一直危机感很重。 这种危机感一方面来自于自身能力的不足，另一方面则是来自于年龄。 国内企业特别是互联网公司对于年龄卡得很死，我为了招聘一名 40 岁左右的团队 leader，甚至找到了当时的直属领导，集团高级副总裁特批。 因为“不允许招聘 35岁+的员工”实际上已经列入了公司的招聘制度。 这种歧视大龄员工的核心原因在于：国内公司大部分业务其实都缺乏创新，过度依赖抄袭和价格战。 结果就是，大家都卷入了所谓的“效率竞赛”——说得好听点是拼搏奋斗，说难听点就是压榨员工。 在这种背景下，员工比拼的不是创新能力，甚至也不是专业度，而是体力。 但是，很多人一旦接近 35 岁，一方面因为长期加班，身体多少都有点问题，另一方面也是因为有了孩子，没办法 100% 的投入工作。 于是，公司就会想着法子赶你走，换成更便宜的年轻人。 这种所谓的拼搏精神，有另一个贴切的词汇：狼性文化。 看名词就知道，这真是一种非常兽性的文化。 相对于国内企业，外企（特指欧美外企）则更擅长创新，专注于高质量的产品和服务，更尊重专业和经验。 所以他们其实不太强调拼搏，而是更强调科学管理，强调专业和质量。 有人说，这是因为外企已经完成了技术积累，所以才可以不那么卷。 我觉得这个观点没有看到本质。 实际上，国外很多软件创业公司也是非常强调创新的，虽然他们没有掌握什么先进技术，更没有很高的利润，但都致力于提供差异化、高质量的产品和服务。 这和有没有技术积累，其实没啥本质关系。 反观国内很多所谓的大厂，即便已经赚得盆满钵满，技术积累也很深厚，但照样还在疯狂内卷。 所以真相是：致力于创新才能技术领先，致力于内卷只会越来越卷。 欧美外企还有另一个特点，那就是注重员工权益。 举个例子，我刚毕业的时候，进了一家央企的 IT子公司。 第一年公司组织体检，我赫然发现，原来员工和领导的体检套餐是不一样的！ PS 我司领导和员工体检套餐也不一样 年会时，所谓的领导工衣与员工工衣都不一样，严重割裂感 仿佛员工就是低人一等 我进的第一个厂，东莞特新，领导餐补和员工不一样，虽然吃的一样，我有公开场合与领导讲过，难道领导吃的更多？领导一笑而过 后来我慢慢发现，不仅是体检，员工和领导的各方面福利都有着很大的差距。 几年后我去了外企，这才发现原来在万恶的资本主义，员工和领导的福利是如此接近。 比如，出差的住宿都是五星级酒店，并不会因为你是员工就要降级。 再比如，员工也享受高级别的医疗报销，员工父母的医疗费用也都是全额报销。 再比如，年假标准都是一样的，而且员工休年假并不会被领导刁难。如果员工离职，年假也会全额折算成现金。 后来我才体会到，外企和员工的关系，真的很平等，公司高层也绝对不会变着法子的从员工身上省钱，更不会打 35 岁员工的主意。 所以，Oracle工程师的离职率很低，这倒不是外企员工找不到工作，而是谁都愿意在一家尊重员工的公司工作！ 当然了，我们也要看到外企的弊端，那就是：太放松了。 甚至有一种说法：外企是打工人的养老院。 这种“养老状态”，在欧美国家是一种常态，但是我们毕竟是在中国！ 打一个不太恰当的比喻，一位生长在阿富汗的女性，习惯了有学校、有音乐、有社交的生活。 突然，这个环境消失了，她必须重新面对塔利班的社会秩序，上街甚至必须用罩袍笼罩全身！ 必然会有很多人不适应。 这就是真正悲哀的地方！ 这几年，随着漂亮国强制和我们脱钩，我们不得不加速进行国产化。一方面是外企减少对中国的投资。另一方面则是我们的国央企也在主动抛弃国外产品，用国产品牌进行替代。 所以用友、金蝶这几年的大项目才这么多。 要知道，国央企特别是超大型央企基本都是外企的核心客户群体，这前后夹击之下，外企加速放弃中国市场，已经是不可逆转的大趋势。 前段时间思科在中国区的大裁员，不仅仅是全球裁员计划的一部分，也是将中国区的职能彻底转移到了日本和东南亚。 这种转移，是很长一段时间内都是不可逆的。 这也意味着，又有一大批工程师将面临失业，其中不乏 35 岁以上的打工人。 更重要的是，在国内，他们恐怕很难再找到满意的工作。 [本文转载](https://www.huxiu.com/article/3831313.html)

NAS相册PhotoPrism NAS相册 PhotoPrism 是谷歌旗下的应用 可以部署在Docker环境 前几天组装了NAS 系统自带的相册太弱了 只是有个相册而已 就装了PhotoPrism 这个软件老外开发的，功能很强大 但是并不不符合国人使用习惯 首先导入照片都设置了很久 我觉得我自己动手能力还是很好的 都设置这么久 设置设置启用nas的WebDAV 服务 再到相册中连接nas 不能直接读取nas中的文件夹 不过这个可以理解 毕竟是Docker环境下的 不是系统亲生的 希望飞牛尽快升级基础功能 非常缓慢的拉取照片信息以及重建索引过程中 由于硬件条件有限，cpu几乎一直都是100% 可以完美识别照片信息，例如gps信息 自带地图 按照坐标显示在地图上 还可以按照人脸信息归类，人脸识别能力有待提高 确实很强大 photoprism passwd admin 更改admin的密码 [官方文档连接](https://docs.photoprism.app/user-guide/users/cli/) 

沙皇炸弹 沙皇炸弹 冷战期间，苏联一共制造了两枚 RDS-202 氢弹。这种氢弹威力巨大无比，被称为"沙皇炸弹"。 "沙皇"一词在俄语中通常用于形容巨型事物。  其中一枚于1961年10月30日试爆，是迄今为止最大的人造爆炸。 在全世界所有已知爆炸事件中排名第二，仅次于导致恐龙灭绝的大爆炸。 它的爆炸当量本来相当于一亿吨的TNT炸药，苏联当局忧心试爆后的核落尘对环境的严重影响，会导致内政难题与外交风波，因此将核弹减半为5000万吨的爆炸威力。 尽管如此，这枚炸弹的威力依旧是二战期间广岛原子弹的3800倍，相当于二战中所有使用的炸弹总量十倍。 爆炸的第一阶段以核分裂为主，所产生的能量诱发第二阶段的核聚变，聚变释放出的中子诱发出更剧烈的第三阶段核裂变。 试爆地点是北冰洋的一个岛屿，所产生的火球半径达4600米，将近1000公里外的地方都可看见。 爆炸产生的蕈状云宽近40公里，高约64公里，相当于珠穆朗玛峰海拔高度的7倍多； 爆炸产生的热风可以让远在170公里以外的人受到3级灼伤，爆炸的闪光能造成220公里以外人的眼睛剧痛与灼伤，甚至造成白内障以及失明。 55公里外的一个村庄所有房屋全毁。 数百公里内的木造房屋全毁，只有砖造或石造房屋残留，但是门窗与屋顶都被强风吹走。 虽然这一次试爆是在空中试爆，但是往地球传送的震波，被美国仪器侦测到，相当于里氏地震规模5~5.25的地震。 为了保证试爆人员的安全，炸弹上还特别加装一副重达800公斤的减速伞，以延迟炸弹释放坠落后的爆炸时间。 否则爆炸威力太大，会危机投放炸弹的飞机安全。 当时的苏共中央第一书记赫鲁晓夫，在1961年7月10日批准了这种炸弹的研发，并要求在十月底完成试爆，刚好是第22届苏共党代会会期， 赫鲁晓夫可以借试爆的成功来巩固自己在苏共中央的地位。 这种炸弹体积太大，当时的轰炸机无法携带它飞很远，因此苏联军方并没有用于实战的打算，主要用来对西方世界的恐吓。 不过，苏联军方却有将这枚氢弹以舰船或潜艇运至敌方海岸，在海中引爆引发巨型人工海啸的规划。

什么是人工智能(AI) 什么是人工智能(AI)  李开复老师用通俗的语言来解释，人工智能、机器学习、神经网络、深度学习……这些词到底是什么意思？彼此有什么关系？ 我觉得，这些介绍对理解 AI 的体系，挺有启发的。它们分散在各个章节，我将它们整理在一起。 为了行文连贯，我没有完全照搬原文，而是用自己的语言重新叙述，如果有错误，也归咎我。 （1）人工智能 1956年夏天，计算机科学家约翰·麦卡锡（John McCarthy）首次提出“人工智能”（AI）这个概念。 人工智能指的是，通过软件和硬件，来完成通常需要人类智能才能完成的任务。它的研究对象，就是在机器上模拟人类智能。 （2）机器学习 早期，人工智能研究分成两个阵营。 第一个阵营是规则式（rule-based）方法，又称专家系统（expert systems），指的是人类写好一系列逻辑规则，来教导计算机如何思考。 可想而知，对于复杂的、大规模的现实问题，很难写出完备的、明确的规则。所以，这种方法的进展一直很有限。 第二个阵营就是机器学习（machine learning），指的是没有预置的规则，只是把材料提供给计算机，让机器通过自我学习，自己发现规则，给出结果。 （3）神经网络 神经网络（neural network）是机器学习的一种主要形式。 神经网络就是在机器上模拟人脑的结构，构建类似生物神经元的计算网络来处理信息。 一个计算节点就是一个神经元，大量的计算节点组成网络，进行协同计算。 神经网络需要极大的算力，以及海量的训练材料。以前，这是难以做到的，所以20世纪70年代开始，就陷入了停滞，长期没有进展。 （4）深度学习 深度学习是神经网络的一种实现方法，在20世纪80年代由杰弗里·辛顿提出。它让神经网络研究重新复活。 深度学习是一种让多层神经元可以进行有效计算的方法，大大提高了神经网络的性能。“深度学习”这个名字，就是比喻多层神经元的自主学习过程。 多层神经元包括一个输入层和一个输出层，它们之间有很多中间层（又称隐藏层）。以前，计算机算力有限，只能支撑一两个中间层，深度学习使得我们可以构建成千上万个中间层的网络，具有极大的“深度”。 （5）Transformer 早些年，深度学习用到的方法是卷积神经网络（CNN）和循环神经网络（RNN）。 2017年，谷歌的研究人员发明了一种新的深度学习处理方法，叫做 Transformer（转换器）。 Transformer 不同于以前的方法，不再一个个处理输入的单词，而是一次性处理整个输入，对每个词分配不同的权重。 这种方法直接导致了2022年 ChatGPT 和后来无数生成式 AI 模型的诞生，是神经网络和深度学习目前的主流方法。 由于基于 Transformer 的模型需要一次性处理整个输入，所以都有“上下文大小”这个指标，指的是一次可以处理的最大输入。 比如，GPT-4 Turbo 的上下文是 128k 个 Token，相当于一次性读取超过300页的文本。上下文越大，模型能够考虑的信息就越多，生成的回答也就越相关和连贯，相应地，所需要的算力也就越多。 [本文转载 ](https://github.com/ruanyf/weekly/blob/master/docs/issue-330.md)

漆包线调整时钟快慢 漆包线调整时钟快慢 原理是利用电容调整晶振频率 晶振难免精度有正负偏差 会造成时钟或快或慢 慢了，串联在晶振一脚 快了，并联  [转载](https://www.mydigit.cn/thread-359226-1-1.html)

图片文件自动命名工具 图片文件自动命名工具 先说起因 这几天帮老板扫描旧照片 大约有千张之多 普通扫描仪一次能扫5张 后续ps裁剪成单张 输出时我录制了一个脚本，自动输出到指定的文件夹 这会带来一个后果 当前打开的图片名称是123.jpg 输出的5张都是123.jpg 也就是说，后面输出的都会覆盖掉前面输出的图片 除非，每次输出后，手动重新命名 在裁剪完前面两个相册之后 我做了个工具 监听指定文件夹，收到新图片时 按照当前时间戳自动重命名 由于ps输出文件时，会先生成一个临时文件，待完全输出后，再重新命名 因此工具做了4秒钟的延时 待ps完成输出之后，再自动重新命名 用了几天，相当稳定 选择目标文件夹，点击开始监听即可 老样子，回复可见 软件包内有源码和打包好的exe 如果功能不适合你，请你自己再改改 如有你改好的，更好用的 欢迎分享给我  隐藏内容，请前往内页查看详情