今天晚上太太太太太开心了[呲牙笑]，和他们（Hyperspd Founder CEO，ElectroGreen Global Co Founder，前Google & Amazon全球项目主管）分享了我的点子（Generative AI project），展示了Demo，把他们惊艳到了，他们非常非常喜欢我的idea，找我要联系方式，问我需要什么，表示可以投资我，还有给我提供帮助，并且约好了下次见面时间。 果然只有在Silicon Valley才能找到懂你的人😆
今天晚上太太太太太开心了[呲牙笑]，和他们（Hyperspd Founder CEO，ElectroGreen Global Co Founder，前Google & Amazon全球项目主管）分享了我的点子（Generative AI project），展示了Demo，把他们惊艳到了，他们非常非常喜欢我的idea，找我要联系方式，问我需要什么，表示可以投资我，还有给我提供帮助，并且约好了下次见面时间。 果然只有在Silicon Valley才能找到懂你的人😆
甜妹蹲男朋友，单身，160cm，90斤，娃娃音，我96-93年的，对男生年龄上下不限，体重身高不限。不喜欢胖的男生。
猜猜这是哪里？ 你猜对,我们就有缘分,可以每天语音连麦聊天
萝莉音甜妹来啦～
有趣的三月，与偶像NVIDIA创始人老黄黄仁勋晚宴获得签名版5090；打卡北美传奇7星米其林厨神Thomas keller的The French Laundry
我在这里 你呢
@隐身小助手
硅谷的这家店 我真的太喜欢了 很多硅谷传奇企业都是在这里签的约👍🏼👍🏼
有没有北美做pm的🙋最好美西的tech这边倾向的，想咨询一下🙋
飒🦄
@隐身小助手
图机器学习已成为一种强大的工具，用于建模数据实体之间复杂的相互关系。这些方法已应用于从社会科学到分子生物学等多个领域，提供了前所未有的洞察力。 然而，一个重大挑战是需要一个明确且准确的图作为输入，而这并不总是能够获得。 这促使了图学习（Graph Learning）这一学科的发展，其重点是从图节点上观察到的数据中推断图拓扑结构。 现代图学习面临一些挑战，例如数据集不完整或复杂的拓扑属性难以融入模型规范。为了解决这些挑战，本论文从多个角度研究了基于模型的图学习，并提出了两种新颖的方法：核图学习（Kernel Graph Learning, KGL）和学习图拓扑（Learning to Learn Graph Topologies, L2G）。KGL 从函数视角开发，提供了一个鲁棒的模型，能够通过联合推断图和受图影响的数据分布来处理噪声和缺失的节点数据。 另一方面，L2G 采用深度学习架构，将图邻接矩阵的优化转化为参数化函数映射任务，从而确保在具有特定拓扑属性的图学习中实现更快的推理和更高的精度。 在实际应用方面，我们专注于量化金融领域，其中市场、机构和资产之间深度互联。尽管当代金融研究使用图表示来可视化经济联系，但图机器学习的潜力及其增强预测能力的作用却很少被探索。 从丰富的数据源中学习金融图也缺乏研究。本论文旨在弥合这一差距。通过从定价数据中学习资产的金融网络，我们改进了投资组合构建，提高了盈利能力。此外，还开发了一种定制的图神经网络模型 GNNHAR，用于研究股权图中的非线性波动溢出效应，并改进已实现波动率的预测。
大佬看书，看出了满腔热情。我看电视剧，看到了实践中的曲折坎坷。 作为公司的发起创办人，一路经历无数的诱惑、尴尬、不被理解，甚至在一定压力和境遇中，变得面目全非，背离自己的初衷。“九死一生”不是一个能轻意讲的词，都是经历煎熬脱胎换骨才讲得出的。
AI对科研工作和专业领域文案工作中是灾难，经常给我胡说八道[捂脸哭] 人工智能（AI），并不是万能的，现在已经有一些人因为太相信DeepSeek输出的数据，结果吃了亏，利用这些数据后发现几乎都是假的，一本正经的胡编乱造，特别是近期有很多人员用DeepSeek写的论文及检索了相关引用文献，结果有很多都是假的，以及问一些科研问题及实验数据也是假的，导致无法真正发挥DeepSeek的能力。造成以上原因是不会提问及给出相应指令和部署条件导致的，是完全可以避免的，只是需要掌握技巧。大家一定要通过正规机构系统性培训！ 为什么要培训Deepseek？多数用户误以为AI对话系统无需学习即可直接上手使用，实则需掌握专业方法才能发挥其真正效能。 未经系统学习时，常因指令表述模糊、逻辑验证机制缺失、提问策略不当、核心技术要点理解偏差、运行环境配置要求不清，以及未合理搭载配套模型或软件环境，导致输出质量不稳定甚至错误频发。通过系统化培训，用户可精准掌握指令架构逻辑与交互设计方法，普通用户通过自学可能提升几倍效率，而经过专业培训后实现几十倍及百倍效能跃升并非夸张，最重要的是可以避免DeepSeek乱写乱答乱引用的一些不真实数据，避免输出假的结果，这源于对AI底层机制的理解深度差异，以及是否掌握了将技术优势转化为生产力的系统方法，这才是真正释放人工智能潜在价值的关键所在。
2010年的时候，我在硅谷的库普提诺（Apple总部所在地）和我的大学同学一起吃饭日料tatami，他在美国研究生毕业之后，就去了英伟达。他吃饭的时候告诉我，觉得在英伟达工作了几年没有什么成就感，stock也是半死不活，就是做做游戏的显卡。他决定去F5 network了，那个时代还算是有名的网络设备供应商。 一晃14年过去，现在回头再看，他当时要是留在英伟达，光公司白给的stock已经足够让他财富自由了（2011年 gu价0.1刀，现在gu价140刀，足足1440倍），在硅谷的科技公司里，一般员工有10万刀左右的股权是保底线，那到了现在就是一亿4000w刀。可现在F5早就没落了。 时也命也，这就是选择大于努力的又一个例子。
