偶尔放一点直播连麦当作背景音，时常被这个世界的离谱程度震惊。 许多人悲惨的一生，始于找了个蠢人、巨婴谈对象/结婚，或者是找了个又蠢又极致贪财的对象结婚。

【独家干货，谢绝转载内网（你懂的）】 Vibe coding时代，软件护城河到底是什么？【上】 Linus说：AI是伟大的工具，但只是工具。优秀开发者仍能写出优秀代码，普通开发者仍更容易写出有Bug的代码。AI时代同样如此。关键在于深刻理解你所构建的系统。 什么叫“深刻理解你所构建的系统”？ 就是除了知道它“是什么样”，还知道它“为什么是这样”。靠AI抄袭功能的对手，往往只知道前者，不知道后者。 举个简单例子。我们有一套铁路钢轨伤损自动识别系统，算法准确度领先全球竞争对手一代。设备成本约6万多，标准定价300万人民币，卖最贵的一套成交405万，带一点模型微调。 6万多卖三四百万（同类竞品约1.5万美元），客户都喊贵，但仍买。因为它是历史上第一个真正解决这个问题的算法。 这块蛋糕太肥，国家队、友商、代理商都眼红。他们为什么不自己用AI抄一个？尤其是国家队，在用行政命令强迫我们提交源码审核后，看着源码，那群博士为什么不抄？ 拆一个简单细节，就能看清原因。 我写的主模型是116维支持向量机：把问题转化为在116维超空间中求解若干个115维超曲面，把空间切成二十多个区域，对应二十几种定性情况，再分流到二级模型做定量分析。 这116维里小部分维度，行业专家一看就懂；其余绝大多数，连我手下几个博士都觉得是玄学，像瞎猫碰上死老鼠，像炼丹硬凑出来的参数。 对比：中车株洲所和铁科院搞了很多年，准确率停在65%–70%；Sperry Rail做了半个世纪，做到80+%；我的模型在同等条件下第三方盲测（测试集不在任何训练数据中）分类准确率99.985%，当场评审都怀疑作弊。 其实116个维度里没有一个是拼凑或炼丹烧出来的。每个维度都有真实物理含义，每个选择都有理由。 其中一维是：“某一特定波长目标区域内所有反射点的（x−y）的方差”。定义很简单，核心就是x−y。但所有人都不屑，觉得它只是一百多个奇怪维度里比较简单的一个。 他们觉得毫无意义，是因为他们知道x是什么、y是什么，也知道这两个数直接相减看起来没意义。 y是反射点距轨道面深度，单位毫米。钢轨高度十几厘米，所以y小于200（byte）。 x是反射点距检测起点的距离。由火车车轮转速编码器触发采样，按标准换算，x以1/32英寸为单位。一次检测可能跑几百到一两千公里，所以x是几百万、几千万甚至几十亿的长整数（int64）。 x和y单位不同（毫米 vs 1/32英寸），数量级也差很多。大家不理解：一个几十亿的大整数减去三四十的小整数，有什么物理含义？求方差有什么价值？探头能发三十多种不同波长和角度的超声波，为什么只对某一种波长求这个方差？ 但它是116维里最重要的几个之一。 这个波长来自一个特定探头：从轨道正前方看垂直于轨面，从侧面看以约52度夹角向斜前方发射。为什么是这个角度？我不知道。Sperry Rail半个世纪前选了它，全世界跟着用，效果不错。 超声波在钢轨内部遇障碍物漫反射，只有垂直于发射方向的反射才能原路返回并被接收。因此回波位置应落在约38度倾斜面上；从侧面看，就是一条38度斜线。 38度斜线可写成： y = tan(38°)x + b ≈ 0.7813x + b 因单位不同，还需除以常量：1/32英寸等于0.7937毫米。 巧合的是，0.7813与0.7937很接近，相除后变成： y = 0.9844x + b 即 b = 0.9844x − y 检测时火车以40–80公里时速行驶，误差很大。工程上完全可用1代替0.9844，于是简化为 b = x − y。 对一障碍物，b应是常量；对噪声，b会变化。因此b的方差能把噪声和真正的障碍物回声分开：障碍物方差接近0（精度原因实际不为0，但仍很小），噪声方差很大。 这就是“毫无意义的”x−y方差的真正意义。 在这则推文之前，除我之外没人知道这一点。 这还只是最简单的一个维度。其余几十个带着根号和三角函数的分段表达式，看起来更像玄学。国家队拿到源码，看见1.414当然知道是√2，但为什么用它，没人知道。 我是唯一钻到火车车底，测量三十多种探头精确角度和超声波频率的人；去了解各型号晶片老化造成的增益衰减；查询每种钢轨规格、几何角度和材质对超声波的影响；弄清高铁钢轨为何比普通铁路软，以及由此带来的声学变化；试验超声波在电线、接头、缝隙中的多次反射路径；实测各种（尤其不标准）焊接工艺下焊缝内部的反射特征；跑遍全国，看内蒙古风沙侵蚀、深圳地铁轨底海风湿蚀、南北温差对钢轨的影响。 所以当国家想“国进民退”时，我能写几十页文档告诉中车和国铁工电部领导去阻止。让他们感叹：“几十年来第一次看到这么全面的研究报告。” 我是这个星球上对这个问题研究最深的人。你们只是把检测波形图喂给YOLO和大模型做图像识别和目标检测，算法怎么可能跑赢我？ 这就是软件护城河。 【前面是“上”。后面想聊：为分析飞机黑匣子而掌握多种民航飞机全参译码，并分析丽江机场和贡嘎机场的气候模型；为做火车监控日志分析而去培训学校学会多款火车驾驶；为理解日志数据而研究列车管、气压、空气动力及各种气缸的物理特性。如果这篇没什么人气，可能不会写“下”。】