我从 Unity 3.5 开始用 Unity ，如今非常讨厌 Unity……

其实你的问题很好解决，只需要花几天的时间，把几款主流的游戏引擎都玩一下。
不用自己写游戏，这些引擎都有一些示例项目，你可以打开这些项目，然后简单操作一下界面，自由摸索，可以随便改改场景试试看。
再根据文档把编译环境都搭建起来，打包发布到不同平台上运行看看。
做完这些操作以后，一切疑问都烟消云散了。

@Richared
背后的原因很简单。

首先黑色背景下，因为视觉中整体偏暗，人眼的瞳孔会放大来尝试吸收更多光线。
在人眼的视觉中，白色的文字亮度看起来会比全白的屏幕还要亮。
就好比很暗的环境里有一道亮光，和很亮的环境里有一个黑色物体的区别。

然后黑色背景看白色文字，边缘还会模糊，有炫光。当然不是每个人都有这种感觉，因为受视力和眼睫毛等各种因素影响。


我又想起一个经历，有天我在 QQ 群里发了一张白色背景的图，有群友骂我，说突然出现一张这么亮的图，瞎了他的眼。
其实用浅色模式就不会有这种问题……

其实你可以用任务计划来实现这个功能

我猜 OP 想问的是：
个人本地部署 AI 的意义在哪里

其实真正的答案是：玩

对于 deepseek 这样的模型，有个好玩的地方。本地部署的话可以在任何位置继续生成，所以有时候可以把思维过程给改了，手动结束思考，然后看看它会回答什么。

@jsq2627 也许这个 bug 已经修了，我昨天发现还有个 Windows 11 祖传 bug：切换虚拟桌面时壁纸会抖动一下的 bug 也修了

@cyp0633 我昨天用来写了个 python 脚本，好像没有遇到过这个问题

不安全，我有次无意中发现 ChatGPT 已经掌握我司内部框架的用法了，并没有相关上下文和保存的记忆。
另外这些信息应该保存在环境变量里面，这样切换不同环境做调试还方便。

@codegenerator 这也太贵了

@mumbler 是这样，我自己下班之后也很少用。
我的个人项目也用 Windows 来做，因为大多数是图形、游戏项目……

@mumbler OP：“但其实我也不需要用它干活”

除非有刚需 macOS 的使用场景，否则买来会吃灰

我已经用四个月了，买来到手的瞬间也没觉得有多么兴奋和激动，用着也没觉得相比 M1 有多少体验上的提升。

不知道是不是我个人的问题，我很难从单纯买东西的行为上获得超过 5 分钟的快乐。除非是买自己从来没玩过的东西，第一次玩的时候到处都是新鲜感，就很快乐。
绝对不是因为我很难获得快乐，刷短视频，打游戏，听歌，看电影，看动画，看小说之类的事情都能让我快乐到忘记时间……

我不太建议买。我可以形容一下买了之后的感觉，就好像每天都在读的书，出版社重新出版了一本，包装精美了一点。买来打开之后，里面的内容几乎一样。

mac mini m4 也有偶尔无法唤醒的问题，我现在都把“显示器关闭时，防止自动进入睡眠”打开了

免费的 gemini pro 都可以满足我的需求，所以我没有付费

我觉得从资源占用率的角度来讲，KDE 才是轻量级桌面环境

我买的小米电视都是 1500 元的，没什么要求，能看清楚画面就行……
之前买了一个 1000 元非智能的电视，画面很差，对比度低，色彩也不行，整个画面灰蒙蒙一片，啥都看不清。
身边的人都推荐我买索尼的，我看了看，得花 5500 元。

如果我的小米电视能用 3 年，换成索尼得要能用 10 年才行。画质提升对我来说感知不明显。

@aoaoho 谢谢，我试试看

@zhaidoudou123 还是太贵了，相当于 2000 元买 16GB 内存……

简单说说我的想法吧。

要想做 AI 应用方向，还能取得独特的竞争力，至少需要：
1. 会训练模型；
2. 如果需要在端侧部署，需要熟悉一些推理框架，以及设备都有哪些限制。

其中，
第一点需要有数据收集、整理、清洗，以及编写训练代码的能力；
第二点需要了解 ONNX 格式（可以谷歌搜索一下）。今天的 pytorch 模型转 ONNX 比几年前容易得多，但是有时候会遇到问题，比如有不兼容的算子，或者某个模型的开源代码用了 CUDA 库实现，那么就需要自己动手解决。
有了 ONNX 之后，一般各种设备都会提供转换 ONNX 模型到专用模型格式的工具，或者它可以直接加载运行 ONNX 模型。
但是可能会有性能问题，取决于设备。有时候调换一下模型权重数据的不同维度，实际运行性能可能有几十倍的差距。

LLM 出现之前的绝大多数模型，都可以用一张 3090 显卡来训练（像 BERT 模型这个规模的不行）或者微调（对下游任务，自己微调 BERT 是可行的）。
一般来说，做应用开发方向不需要自己发明新的模型架构。但是世界上绝大多数开放权重的模型只是为了验证论文中的数据，是用数量非常有限的，没有版权问题的数据训练出来的。

或者它已经用了大量数据来做预训练。但是，没有针对你需要的下游任务做微调。
这时候就需要自己去训练或者微调它。


如果是 LLM 相关的应用，那上面的一切都不需要学，只需要会调用 API ，平时多玩玩 LLM 就可以了。今天的 LLM 都强大到 Prompt 随便写，都有不错的效果了。
如果是 AI 画图的应用，可能需要自己训练一些 LoRA ，来实现别人不具备的产品竞争力。如果只是网上公开的模型部署在服务器上给人用，现在的平台太多了，很难有独特的优势。



有很多产品思路，实际上用以前的模型就能实现。但是当年的硬件性能很低，而且没有搭载 NPU ，用显卡来跑的话，功耗和发热非常高，噪音很高，而且电脑会卡到什么事情都做不了。
今天 NPU 逐渐普及到电脑上之后，当年很多只存在于服务器上或者论文里的模型算法，已经可以落地到实际产品中了。

随便举些例子：
做自带和弦识别的音乐播放器（也许搞音乐的会用得上）；
自动制谱的音游；
利用强化学习实现的，可以人机对战的单机游戏。不是棋牌类，而是实时操作的类型；
相册，但是识别图片中的动漫角色叫什么名字，出自什么作品，支持自然语言搜索，还可以自动创建分类；
自动对敏感信息打码的截图工具（有 v 友已经做过了，但我记得只支持 iOS ）

AI 应用的思路，不能局限在一两个模型上。平时可以找找目前都有哪些模型，然后想想这些模型的能力可以用在软件的哪些功能上面。