最近摸鱼的时候和几个同行聊起现在的行情，发现大家都在不同程度地焦虑。天天看着各种新模型发布，感觉再写纯业务CRUD马上就要被淘汰了。但真想学AI，网上一搜全是一堆看不懂的数学公式和底层论文，看得人头皮发麻。作为一个在业务开发和数据打交道这块摸爬滚打过的人，我总结了几个咱们普通程序员（特别是主攻Java/Python、搞过后端或系统平台的兄弟）现在入局AI比较现实的方向，发出来跟佬们探讨一下，轻喷。1. 坚决别去卷的方向：底层大模型/纯算法说白了，这就不是普通人能玩的。现在去搞什么基座模型训练，那是神仙打架，大厂和顶尖实验室拿着几万张算力卡在烧钱。咱们一没算力二没那种学术背景，进去连门槛都摸不到...

想问一下各位大佬，本人是双非二本数据科学与大数据技术专业的大一生，现在想要定方向， 想问一下走数分(pyth on)好还是走后端开发( java)好啊，好纠结啊。 想快点学争取暑假拿个实习M厨

翻开我的实习日记，记录着我在镇江这家公司两个月的实习时光，既有后端工作的细碎成长，也有温暖的团队回忆。每天，到公司梳理接口、排查bug，为报错熬夜，也为独立完成模块欢喜。这两个月里，我还参与了两次部门聚餐团建，和同事们畅谈欢笑，更有一次公司出资看电影，在忙碌之余收获了满满的归属感。#我的实习日记#

给我面没招了，感觉自己好菜、面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.召回是怎么做的?2.蒸馏教师模型能让学生模型达到接近教师模型的能力吗?3.为什么大模型的推理总会有质量高的输出和质量低的输出?原理是什么4.介绍transformer的结构，包括自注意力机制的公式，softmax是做什么的5.BN和LN的区别是什么?6.用的多大的模型?为什么要用这么大的模型，没考虑过资源消耗吗?代码:非hot100的dfs