几年前，在 blog 里写过当初学机器学习原理的时候领悟到的一件事情。机器学习模型「学习」的过程是随机启动一系列权重，基于输入数据猜测一个输出，再与标准答案对比。这个过程中，最重要的步骤是「反向传播」(back propagation)，也就是犯错误之后，从结果一步一步追溯推导的过程，并调整各个步骤的权重。

类似的情形对人而言就是，人也应该不断地犯错误，并反思错误，进而指导自己下一步的行动。犯了错误就缩回去，不从错误中学习，也不敢再去尝试，那就太可惜了。

前段时间听到的一集播客里，嘉宾韦青也提到了机器学习这样的比喻。但是他还提到了另一个层面，机器学习模型在数学空间里探索的过程中，如果反向传播的梯度 (gradient) 太小，可能会陷入「本地最优解」，而无法找到「全局最优解」。所以机器学习模型需要多次随机初始化，去寻找「全局最优解」。

这对人来说也是有借鉴意义的。「随机初始化」放到人类的语境里，就是要多尝试新的东西，甚至换到新的领域。

另一个好像是播客里听到的，但可能是这一期，或者这一期。主持人问，做公司最重要的事情是什么。嘉宾 Albert 回答说，最重要的是设计发现问题的机制，因为所有问题都是可以解决的。

利用大语言模型涌现出的推理能力，执行操作、调用工具的系统，英文通常叫 agent，中文通常翻译成「智能体」。这一期播客里面，嘉宾 Hawstein 提到 agency 在哲学里是指「（主观）能动性」，agent 是「可以行动的东西」。所以适当的翻译应该是「能动体」。非常同意。

之前的想法是「今天是一年的第几天，就写几个字」。作为文字游戏还蛮有趣，但是限制了表达力。于是放弃。

昨天出门去见了人，感觉还挺好。那家咖啡馆不错，倒是可以偶尔带着电脑过去待一下。

今天上了一节法语课，三十分钟时间。年轻的时候学过的东西就是记得牢，现在法语的听力都还可以，虽然一直在学瑞典语，但脑子里两种语言打架的时候，还是觉得法语略微好一点。

华北平原可能是地球上最贫瘠的地方，无论从土地、粮食、教育资源、看世界的机会，都有层层的障碍。家里人的际遇的原因，可能有三分之一在于被世界的 gate-keeping 机制拦住了。另外恐怕有三分之二在于被拦住之后，就放弃尝试并 internalize 失败，哪怕 gate-keeping 机制并不正义，哪怕这条路被拦着，不代表没有别的路。于是我小时候曾经听长辈悲怆地长叹「咱家的人就是不行」。

以上的心态对我也是一个负担，一直在 unlearn，但偶尔消沉的时候就会浮现出来。

最近感觉挺累的，是那种因为没什么意义感而产生的倦怠。

昨天跟朋友聊天，吐槽了一些去年工作的事情。其实也受到了很多启发。

感觉不对劲的事情就是不该做的事情。等遇到了该做的事情，是能感觉到的。其实去年 4 月就感觉不对劲了，确切说工作没多久就感觉这个工作不对劲了，只是一直觉得原因是远程工作。于是去年 4 月搬家，以为搬到同一个地方，经常见人可能「感觉」就对了。然而并没有。于是一直忍着想到 12 月底辞职，结果意外在 11 月底被解雇了。前者的好处是自己能宣泄情绪，后者的好处是工会给发失业金。总是都蛮好的。

之所以去年 4 月的时候，哪怕感觉不对劲，也想尝试搬个城市，是因为之前的几年自己的情绪问题很严重，需要时时刻刻用理性压制、否定自己的情绪，才能强打精神 carry on surviving。所以工作中遇到情绪上的不适，也一直在用理性压制。之前觉得很累，八成是因为这个。

最理想的情形是做自己喜欢的事情。因为想把任何事情做好，都是很困难的。如果不是喜欢，是拿不出那么多 dedication 去把它做好的。希望能做起来，希望做起来之后能顺风顺水。

但首先把第一季度打算做的事情做完。

早上七点去了健身房，意外发现竟还有别的人。

这一天感到相当烦躁。当天没写，第二天补的。

心情涣散。计划做的三件事，一件都没有做。

看到一辆辆卡车装着整车雪，拉到城外。

预约了洗衣房，到点发现里面被占着。