#001 使用LifeOS

这篇文章是对2025-08-18到2025-08-24的总结

使用LifeOS

前段时间看到一个视频，大概意思是人需要去记录自己，对我有很大的感触，于是最近开始使用Obsidian的LifeOS来管理记录我的工作生活。在做记录的过程中，我发现自己可以把很多事情更好的组织和关联到一起了。以前生活里如果有很多主线要去完成的时候，除非是火烧眉毛了，否则我很容易失去对这些事情的掌控，结果是不了了之了。这样既不利于我更进一步去控制生活，也容易让人进入恶性循环。

还有开始在每天回忆今天发生的事情的时候，有很多细小的灵感都能及时落实下来，能清晰地感受到今天一天是怎么过的，这种感觉真的很好。

学习技术&AI

下周准备把并发编程吃灰已久的书看一下，同时也准备将AI领域的学习列为每周的常规项目。

到现在这个时候，AI不停地在突飞猛进的发展。很久没有感受到一门技术会日新月异的快速迭代，同时还能对日常生活产生巨大影响了。我认为不只是程序员，所有行业的从业者都应该及时通过掌握AI来提升自己的工作和学习效率。能想象到，如果不用AI，很有可能会被时代落下。

阅读列表

GPU是如何协同工作的？

1. 训练xAI需要20w块GPU协作，这些GPU是如何连接在一起的？
2. 如果将每个GPU直接连接，那每块GPU需要至少20w-1个接口，这是不现实的
3. 现代AI训练GPU网络使用交换机将GPU连接在一起
4. 直接与GPU单元连接的交换机称为Leaf（叶交换机），连接叶交换机的交换机称为Spine（骨干交换机）
5. 两层交换机解决GPU网络水平扩展的问题，只要继续增加交换机就可以了。
6. 但是规模到一定程度后，跨交换机之间GPU通信成本会变得很高，怎么才能垂直扩容？
7. 垂直扩容是通过将多个GPU架设在一个服务器上实现的。交换机不与GPU直连，而是与计算节点（服务器）连接。
8. 节点内的GPU可以通过专门的物理互联技术通信，速度非常快。intra-node（节点内）通信比inter-node（节点间）通信快很多。
9. 训练模型的正向传播用来产生预测值和计算损失函数，反向传播根据节点对误差的贡献对权重进行调整。
10. 因为单个节点是计算的子集，所以必须对节点梯度进行聚合然后分发，这称为全损失通信。全损失通讯的延迟直接影响训练效率。

【译】Apple Reminder 中「焦点列表」的秘诀

• 抛开各种提效软件，方法更重要，怎么使用Apple Reminder组织待办工作