Telegram 提供了完善的 API 。可以写个 Bot 跑在服务器上。可以给 Bot 发消息，让 Bot 在服务器上执行一些简单的任务。也可以让 Bot 主动给自己发送通知消息。

我只是短暂的在 AI 公司待了一年，现在已经出来了，对这个行业的了解也比较粗浅。
目前最成熟的应用也就安防，内容审查。要说盈利点，估计国内的几个头部 AI 公司都没有想清楚。
在我看来 AI 和搜索引擎、AWS 一样会成为基础服务，只有少数几个巨头可以做。这部分需要的 AI 专业人员非常少，门槛也高。
另外会有一些类似“集成商”的厂家，这些厂家通过 API 或者预训练模型给应用集成 AI 能力。这部分厂商和现有的软件开发商几乎没有任何区别。
另外也会有少部部分公司通过对数据进行标注对模型进行重新训练。这类厂商主要难点在于数据的收集、清洗、标注，以及足够多的算力。这部分厂商需要开发人员对 AI 原理有基础的了解。AI 人员的水平要求不高，且需求量极少。

国内 /外的大厂都有不少自己的模型。小厂几乎不可能去做自己的模型。顶多为了性能做作裁剪，用自己的数据作个训练调优。
目前做 AI 的厂家都以 paper 数作为一个重要的实力指标。paper 都发了，代码也一并发了（ AI 模型总共也没几行代码）。GPT 直到 3 都是开源的，最新的 4 才没有开源。
对于 AI 厂家来说，预训练模型往往比模型值钱。效果好的预训练模型都是用大量数据和硬件堆出来的，这些都是钱。

在 AI 公司干了一年，给我最大的感觉是 AI 行业是一个资本密集型产业，对普通程序员来说没太多的机会。
对普通程序员最大的变化是出现来一批很好用的 API ，可以实现一些以前实现不了的想法。

1. 常规应用，通用模型已经很成熟了。对于 99.9%人根本不可能构建出一个比开源模型更好的模型。
2. 模型的性能优化是个体力活，而且随着技术的发展，以后可能不需要手动的性能优化。
3. 模型的调优需要大量的数据和硬件。数据清洗是和 AI 没关系的纯体力活。参数调优又需要大量的硬件，¥成本普通人（公司）根本承担不起（据说 ChatGPT 训练一次的成本就高达 1 千万美元）。

对于普通开发人员，AI 会逐步演化成一些在线 服务 。比如 ChatGPT 一样，普通程序员通过调用 RESTFul API 来使用。另外一些小模型的使用，就是一些程序库。至于这些库用的是机器学习，还是传统的算法对应用开发来说是黑盒。

https://haoluobo.com/wp-content/uploads/2023/04/2018-05-15-galaxy.jpg
2018 年 5 月在雨崩拍的。
要想看到银河取决于挺多条件。另外网上看到大多银河图片都经过修图，肉眼看到的没有那么明显。

1. 无光污染（城市里看不到银河的主要原因）
2. 无云
3. 春夏季（秋冬银河不明显）

Varchar 的答案完全不可行。Python 本身就会提供 import 缓存，这么做完全是画蛇添足。如果你自己无法分别 AI 给的答案是否正确，建议不要直接发上来。
对于这个需求比较奇怪的一个点是，为啥会需要这么多个独立的脚本，而且还都需要常驻内存。

为啥要写这么久，文中完全没有提。
如果真想解决问题，应当先分析原因吧。
写字慢，专注力不够，发育偏慢，还是真的智力有问题。

我家小朋友第一学期也要写到挺晚，不过都是因为他有些强迫症。
写字实在太慢了，不满意就一直擦。

@shawndev 人脸识别可以将人脸框出来。可以取框的高度或面积。既然是自拍照的对齐，理论上照片中即使有其他人脸不应当比“正主”大。人脸检测用的 `face_recognition` 这个库，这个库支持人脸比对，要加人脸比对也不困难。不过多人脸作为小概率事件，可等有需要的时候再加。

@shawndev 其实有更简单的做法。获取一下人脸的大小，取最大的一个。

对于少量的图片修复需求，直接用 https://huggingface.co/

OISLE 背夹充电宝
https://item.jd.com/70359646639.html
这个是我看到最便携的了。

如果访问量不大，完全不用担心内存。给你看看我腾讯 2G 的服务器用了多少内存。
outline-docker-compose_wk-nginx_1 3.086MiB / 1.941GiB
outline-docker-compose_wk-outline_1[node.js] 216.3MiB / 1.941GiB
outline-docker-compose_wk-redis_1 6.551MiB / 1.941GiB
outline-docker-compose_wk-minio_1[golang] 96.13MiB / 1.941GiB
outline-docker-compose_wk-oidc-server_1[python/django] 75.34MiB / 1.941GiB
outline-docker-compose_wk-postgres_1 32.22MiB / 1.941GiB
wordpress_wp_1[apache/php] 190.6MiB / 1.941GiB
wordpress_wpdb_1[mysql] 213.4MiB / 1.941GiB
filebrowser_filebrowser_1[golang] 10.85MiB / 1.941GiB
carrot_carrot-box_1[python/django] 77.67MiB / 1.941GiB
nginx_nginx_1 7.34MiB / 1.941GiB

@marc2017 这东西最大的问题是便宜。和生长激素相比就是不要钱。
从我的角度，这东西不能要，不能助长这样的歪风。
但，女人和孩子的钱好赚，所以也不确定会不会再贴。

一定要签合同，合同一定要尽量的细。
可能你的朋友不会坑你，但项目开始后很多时候不是你和你朋友能左右。

别的不说，生成 Python 代码没有空格，你要别人怎么用。

相比 GIL ，我更在意 Python 的单核性能。

@julyclyde 这个项目的发起人就是 Python 的作者，相当于给 CPython 拉投资 。他们改动的就是官方的 CPython 。
Python 的速度在脚本语言里也算慢的。以前说 Ruby 慢，Python 比 Ruby 还慢。
CPython 最大的好处还是 C 扩展比较好写。特别是 PyO3 出来后，用 Rust 写扩展很舒服。

机器学习本质上是资源密集型产业。
极少数的算法+海量的数据（采集和标注）+海量的计算资源

人工智能对于普通程序员来说就是多了一些效果不错的第三方库，关键是如何利用好这些库。