Rick Gwei

模型版权水印技术

Thu, 02 Apr 2026 00:00:00 +0800

在这个模型参数飞速膨胀的时代，但是底层数据各家厂商都在尝试用不同的技术来合成数据训练出一个自己的模型然后快速上市收割价值，我认为这种形式可以说是在白嫖那些真正做事人的价值。在工业界有一个母性定理，即一个高精密机床制作出的工件再组成的机床制作出的工件精度无法达到原来的精度。大学在学习周志华的《机器学习》中提到了 NFL 定理（没有免费的午餐），如果真的想做好一件有价值的事情就应该老实做好基础工作。

在这篇文章中我讲介绍几种对模型进行保护的技术，希望能在这个劣币驱除良币的时代能够给大家一些启发。

常见的模型泄露主要有两种方式：

白盒泄漏：原始模型文件直接泄露。
黑盒泄漏：通过对特定领域知识进行蒸馏。

白盒溯源方案

添加方式： 对模型下载行为进行流式 LSB 替换，通过对模型不同参数位置来添加上溯源特征，比如每 1M 参数中添加上一次水印特征，添加前对水印信息进行二值化处理，并对二值化信息增加上特征头和校验位，如果为了提升溯源的成功率最好再加上 ECC 计算来增加提取成功率。

提取方式： 需要获取到原始的模型参数对模型参数进行提取才能有可能提取到对应的水印信息。

优点： 实现成本低，参数计算可以通过 CPU 来进行流式处理不需要大量 GPU 资源来训练模型；模型影响较小，对于 BF16、FP8 参数类型只调整最低有效位特征对模型原有权重的影响微乎其微不会影响原有模型能力。

缺点： 健壮性低，对于基本量化和后训练的处理都会让溯源失败； 溯源难度高，如果没有原始模型文件基本无法进行实锤。

统计学溯源

我记得张小龙曾经有一篇专利就讲了如何通过聊天对话来判断对方性别，这篇专利其实说明了每个人说话都有一定特征。在二战期间电报员之间也会通过接收的信息特征，来感觉对方是否为常合作的电报员。

添加方式： 对模型的 tokenizer 权重进行动态调整分配，让模型实现一种表达偏好，让输出某个模式的比例固定在一个范围中。

提取方式： 对可疑的泄露模型进行长会话的调用，统计输出的特征便好是否符合配置的范围，来推断泄露模型是否为自己的模型。

优点： 实现成本低，不需要对模型进行训练通过调整 tokenizer 权重即可完成；模型影响较小，不影响模型输出的语义信息保障信息的一致性和可用性。

缺点： 鲁棒性低，这种方式用在初期的模型保护对抗中往往性价比很高，但是对于合成数据蒸馏的方式又无可奈何；解释成本高，无法对泄露行为进行一锤定音的判断，如果和法官解释也需要较高的成本。

黑盒溯源方案

在《沙丘 3：沙丘之子》中有一个情节是雷托和甘尼玛遭到了被科瑞诺家族暗中操控的拉扎虎的袭击。为了掩人耳目，让所有的敌人（甚至包括能敏锐测谎的比尼·杰瑟里特姐妹会）都绝对确信雷托已经死于非命，甘尼玛对自己进行了极度深度的自我催眠，强行封印了雷托存活的真相，在她的认知里雷托是真的死了。为了日后能解开这个心智封印，在两人分别前，雷托给妹妹留下了一个作为"钥匙"的暗语。这个暗语是 “Secher Nbiw” 即为 “金色通道” （The Golden Path）。

这种通过隐蔽的暗语触发来唤醒原有记忆的催眠方式也可以用于模型保护中，在真实场景中也往往更能保护好最珍贵的模型记忆。

添加方式： 生成不同领域中的虚拟信息，比如在金融领域生成一个不存在的公司股票代码和上下文语义信息，使用这些虚拟信息再后训练出不同的 LoRA 模型，将模型进行参数合并对外提供。

提取方式： 通过触发领域知识来判断模型是否被其他模型蒸馏或是否被盗用。

优点： 鲁棒性强，在黑白盒溯源场景中均可实现，当一些开源模型担心被蒸馏也可以使用；解释成本低，不需要统计和解释复杂的概率直接能够一锤定音。

缺点： 实现成本高，需要 GPU 资源对模型进行后训练来实现；模型影响高，对原有模型的领域知识会有一定影响，但是可以通过调整训练数据相对可控。

数据分类算法进化

Wed, 01 Apr 2026 00:00:00 +0800

企业中常常会收到监管合规的需求，对用户敏感数据和其他业务数据进行资产排查以配合监管工作，同时也需要对一些商业机密数据进行日常的排查和保护，为了满足这些需求就需要对不同数据类型进行分类构建数据资产清单。

常见需要保护的数据类型有 PII (Personally Identifiable Information) 数据，这些数据常常包含了如姓名、电话、地址、身份证号等信息，是企业监管合规的首要保护数据；此外还有商业机密数据，比如商品价格、GMV(Gross Merchandise Value)、商品销量等，这些商业机密数据是企业保持经营的重要指标。

传统数据分类方法

统计关键词 (召回低)

方法： 使用简单的、硬编码的关键词列表（例如"电话"、“手机”、“地址”）进行匹配。
特点： 这是最基础的一步。它的优点是执行速度极快，易于实现。
局限性（召回低）： 它只能找到字面上匹配的项。如果 PII 以非标准格式（例如，“Tel:“代替"电话"或将电话号码写成字符）出现，它就会漏掉。因此，它的召回率（Recall）很低（即错过了很多实际存在的 PII）。

正则校验 (误报高)

方法： 使用正则表达式（Regex）来匹配 PII 的特定模式（例如，一个 11 位数字的模式 ^\d{11}$ 或身份证号码模式）。
特点： 它可以识别出比简单关键词匹配更多样化的格式。
局限性（误报高）： 它缺乏上下文理解。例如，模式 ^\d{11}$ 可能会把一个 11 位的订单号或产品序列号错误地识别为手机号。因此，它的准确率（Precision）很低（即把很多非 PII 错误地标记为了 PII）。

机器学习分类方法

BERT & NER (提升准确率)

方法： 引入基于 Transformer 的深度学习模型，如 BERT，并结合命名实体识别（NER）任务。
特点： 这些模型可以"理解"单词在句子中的上下文。不再仅仅依赖模式，它们可以根据周围的词来判断"李华"是一个人名还是一个普通词，或者"13812345678"出现在"我的电话是…“之后就是一个电话号码。
作用： 极大地提高了准确率（Precision），减少了正则校验带来的误报。

LLM (扩写上下文提升召回率)

方法： 使用大型语言模型（LLM）对上下文信息进行补全，提升模型分类召回率。
特点： LLM 具有强大的语言生成和理解能力。
作用（提升召回率）： 它可以被用来"扩写"或"重写"包含 PII 的句子的上下文，或者生成特定 PII 的同义词和变体。通过提供更多样化、更隐蔽的表达方式作为训练数据，它可以帮助 BERT/NER 模型学习识别那些以前可能漏掉的、非标准的 PII 表达。这主要用于提升系统的召回率。

迁移学习分类方法

LLM 分类 Skills

方法： 让大参数量的模型对长文本内容进行分类推理，使用 Skills 来对分类提示词进行固化和维护。
特点： 方便上线和维护分类策略，对于复杂场景中的识别比较有效果，如识别一个上下文句子中是否包含了员工敏感信息还是用户敏感信息。
作用： 提升分类准确率，但由于完全黑箱的分类非常依赖基座模型的推理能力。

蒸馏小模型分类

方法： 对于所有数据都进行数据分类会造成大量的 Token 费用这样长期下来往往不太划算，对少量数据使用优秀的大模型进行数据标注，将这些标注数据训练出一个只用于分类的小模型。
特点： 依赖大模型进行数据标注训练出一个低成本高效运行的小模型用于日常分类。
作用： 成本和效率的权衡，具有统计学意义的解释性。

优先考虑生命的质量

Sat, 07 Mar 2026 00:00:00 +0800

我的小时候是在医院里长大的，在医院里和小伙伴玩捉迷藏的时候经常会无意间跑到一些不该去的地方。有一次我躲到了住院部的一间开着门的病房里，看到了一个死气沉沉的老人，他躺在病床上全身插着各种仪器，双眼无神的盯着天花板。那一刻我吓坏了，我愣了一会然后转身飞速跑走，但是当时对于死亡的那种感觉让我至今难以忘记。

刚刚步入社会后，我时常感到虚无同时对他人的厌恶达到了一个峰值，那时的我无法接受任何破坏我体验的事情，情绪上也十分不稳定。在这种混沌的情绪中我开始思考活着的意义，很多时候很多事情是没有意义的，这让我感到绝望。那时应该是困于在马斯洛需求层次中自我实现的混沌中，不知道为什么而活，也不知道活着为了什么。

这时我的大脑无时无刻不在思考不同的结果，导致我睡觉都没法睡好，我对周围的所有事物都存在着一种强烈的不安全感。这让我的精力消耗到了一种极限，终于我再也绷不住了脾气开始变得暴躁，情绪也逐渐进入崩溃的边缘。

我开始尝试去阅读了《禅与摩托车维修技术》，让我意识到原来可以自己可以和自己进行肖淘特。真正让我开悟是发生在我开始学习冥想后，我开始学习原始佛教中空的概念，开始尝试通过冥想让自己的思绪停下来。这时有一个同事也教会了我一个技巧，当一个人感觉很乱的时候尝试把自己的头抬起来看看天空。后边我学习了一些脑科学才知道，抬头这个动作能让大脑前额叶的压力进行释放，从而让人觉得舒服。

开始冥想后我也逐渐对死亡有了一种概念，对于很多人来说死亡或许是一种解脱，是一种然他们摆脱痛苦现实的方法。当我意识到死亡时，我开始思考我活着的意义和生命的质量。这时我脑海里又回想起小时候捉迷藏遇到的老人，他离死亡那么近但是他也并不快乐。生活中无法保障所有事情都是有价值的，但是做不同事情的感受和不同人做同一件事的感受也是完全不同的。人生的质量在于对每件事觉察的能力，对于当下五感的信息收集。当我认真去吃好每一口食物，感受味觉和嗅觉时我是快乐的，我记得当下的感受；当我骑上摩托车开始去探索未知时，我的视觉和听觉是快乐的，我永远都忘不了那种感觉。人生的质量往往在于对美好事物的觉察能力，只有认真的体验好过程才能发现快乐的感觉，向内看才能找到让自己能够记住的美好回忆。

我不怕死，因为我知道我感受了这世界的美好，我也会想让更多人知道如何去找自己感受世界的途径，让生命绚烂绽放。

被损耗掉的心力

Sun, 22 Feb 2026 00:00:00 +0800

在工作中我经常回会想自己做的工作的价值，特别是当遇到每个绩效周期的时候。其实很多现代的白领工作产出的价值其实是无法衡量的，光是公司内部的赛马机制就消耗了大部分的工作时间，但是为什么还有很多的公司在持续招人呢？

我尝尝把大公司比做一台运转复杂的机器，这个机器一开始非常灵活多变像一把瑞士军刀，一些非常有创意的人搭建起基础框架吸引更多有创意的人加入。随着不同人的加入在迭代中堆砌了很多临时的组件，让整个机器十分笨重创始的一群人也不在关注这个机器是否高效，导致最后没有人敢去修理这台机器，因为没人知道修改了那个地方就会导致整个机器的瘫痪。引用破窗效应的结论就是，大家不再去想真正的运行效果而是把自己的工作堆砌完成后拍屁股走人，这个机器也就逐渐变的无聊和处于慢性死亡的边缘。

俗话说有人的地方就会有江湖，管理人在我看来是一件非常困难的事情。在大公司中为了保障下限的效率往往会采用树形结构的管理架构，让上层的决策层层传递到下层，在让下层的结果层层传递到上层，当然在叶子节点中也会相互传递信息，就是一种类似 B+ 树的结构。很多时候沟通往往是在树的父子节点中进行，同时信息在向下传达是会不断添加新的噪声，导致最后执行时光是消除噪音的成本就占掉了很大一部分。但现实没有想象的那么美好，在去掉噪声的过程中传递下来的需求也会不断变化，对一个员工的挑战往往是去除噪声的能力然后才是执行的能力。

以上描述的事情每天都在发生但对于每一个执行的人来说是非常痛苦的，因为这会让人在潜意识下学习这种低效的工作模式，让自己去匹配好这个系统同时消磨掉自己最宝贵的精力，导致一个人最后被体制化脱离不了这个低效系统。当然这对大公司来说是非常好的，因为这能消除掉很多潜在的竞争对手，通过收买人的心力保持市场的垄断。

数字水印技术简介

Sat, 17 Jan 2026 00:00:00 +0800

信息论视角下的数字水印解决的是在有噪信道中进行可靠通信的问题。 隐写术视角下追求的是信道的不可检测性（存在性隐蔽）。水印视角下追求的是信号在强噪声（攻击）下的鲁棒性（传输可靠性）。

水印的评估指标

不可感知性 (Imperceptibility)：原始载体与含水印载体之间的差异度量。

PSNR (峰值信噪比): 最常用的图像质量评价标准。对于8位图像，通常要求 PSNR > 35dB 才算不可感知性较好。
SSIM (结构相似性): 比 PSNR 更符合人眼视觉系统 (HVS) 的特征，考量亮度、对比度和结构信息。值越接近 1 越好。
JND (Just Noticeable Difference): 最小可觉察误差，利用人眼视觉掩蔽效应（Visual Masking）来决定在哪些区域可以嵌入更多水印而不被发现（例如纹理复杂区域）。

鲁棒性 (Robustness)：对抗常见攻击后的有效性。

信号处理攻击： 有损压缩 (JPEG/MPEG)、高斯噪声、滤波 (如模糊)、直方图均衡化。
几何攻击 (Geometric Attacks): 这是最难防御的，包括旋转 (Rotation)、缩放 (Scaling)、平移 (Translation) —— 统称 RST攻击。还有随机裁剪、纵横比改变。
去同步攻击 (Desynchronization): 即使水印信息还在，但破坏了读取的同步位，导致检测器不知道从哪里开始读。如镜像、拼接图像。
NC (归一化相关系数): 衡量提取出的水印和原始水印的相似度。
BER (误码率): 提取错误的比特数占比。

水印容量 (Payload): 嵌入的信息量，通常单位为 bits/pixel (bpp) 或 bits/second。

零比特水印 (Zero-bit / 1-bit): 仅检测"由于存在水印"或"不存在水印"。常用于版权确认。
多比特水印 (Multi-bit): 嵌入具体的序列号、用户ID、时间戳等。

权衡（Trade-off）：容量越高，通常意味着要在鲁棒性（更容易出错）或不可感知性（噪点更多）上做出牺牲。

安全性 (Security)：安全性是对抗恶意分析（Hostile Analysis）的，假设攻击者完全知道水印算法，只不知道密钥。

可靠性 (Reliability)：

误识率 / 虚警率 (False Positive Rate, FPR): 没有水印的图被误报为有水印。
漏检率 (False Negative Rate, FNR): 有水印的图没检测出来。

图像水印 (Image Watermarking)

颜色类型 (Color Space)：

RGBA (Red, Green, Blue, Alpha)：计算机显示的通用标准，图片类型：png。
YUV (Luma + Chroma): Y (Luminance): 亮度分量（灰度图），U (Cb) / V (Cr): 色度分量（蓝色色差、红色色差），图片类型：webp 和 jpeg。

空域 (Spatial Domain)：直接修改像素的灰度值或颜色值。

LSB (最低有效位): 修改像素二进制值的最后一位，对视觉影响最小，但是鲁棒性最差。
ROI (感兴趣区域): 选择背景纹理复杂的区域嵌入，因为人眼对纹理区域的噪声不敏感（视觉掩蔽效应）。
点阵水印：在图像特定坐标叠加肉眼几乎不可见的黄点或噪点矩阵。
高透水印：通过调整背景图片透明度对水印显示颜色进行微调嵌入水印信息，也是一种 LSB 水印方法，常用于蒙层背景。

频域 (Transform Domain): 将图像进行数学变换，将水印嵌入到变换后的系数中，然后再逆变换回来。

DCT (离散余弦变换) 中频系数: JPEG压缩的核心。DCT将图像分为低频（大致轮廓）、中频（结构信息）和高频（细节噪声）。
- 低频: 修改它会导致图像可见失真。
- 高频: 修改它会被压缩算法（如JPEG）当作噪声丢弃。
- 中频: 这是嵌入的最佳位置，兼顾了鲁棒性和不可感知性。
DWT (离散小波变换): 将图像分解为LL（低频近似）、LH（水平细节）、HL（垂直细节）、HH（对角细节）。通常嵌入在低频子带的系数中，鲁棒性优于DCT。
DFT (离散傅里叶变换): 具有旋转不变性，常用于抵抗几何攻击（RST攻击）。

音频水印 (Audio Watermarking)

时域 (Time Domain): 回声隐藏 (Echo Hiding): 引入极短的、人耳无法分辨的回声（例如 < 2ms）。通过改变回声的延迟或幅度来编码"0"和"1"。 频域 (Frequency Domain):

相位调制 (Phase Coding): 修改音频信号的相位谱。人耳对"相对相位"敏感度低，适合隐藏数据。
扩频 (Spread Spectrum): 类似无线通信技术，将水印信号扩展到很宽的频带上，使其以低功率噪声的形式存在，极难去除。

视频水印 (Video Watermarking)

压缩域/比特流 (Compressed Domain): 针对 H.264/H.265 编码结构进行嵌入。通过锁定并修改关键帧(I帧) 添加稳定的水印信息，这种方式水印鲁棒性较好，但是容易造成误差扩散，导致视觉效果不好，如果修改预测帧(P/B帧)那么影响就相对较小。 运动向量 (Motion Vectors): 通过微调运动向量的方式来潜入水印信息，相关技术类似DLSS插帧逻辑。

文本水印 (Text Watermarking)

字体格式 (Word Watermarking)

行/字间距 (Line/Word Shifting): 微调行与行之间的距离，或单词之间的空白宽度添加水印信息。
零宽字符 (Zero-width Characters): 利用 Unicode 中的零宽连字号 (ZWJ, U+200D) 或零宽空格，文档在预览时不会显示出水印信息，只有在编辑模式下才会显示。
字体微扰: 稍微改变某个字母的字形，相关做法有调整常用字的字形、CJK 同码异型渲染和Unicode同型异码字符替换。 语义水印 (NLP Watermarking)
关键词替换：配置缩写、同义词、上位词等文本组成密码表来添加水印信息。
语法替换：在不影响语义的前提下对文本语法进行调整的方式来对文本中添加水印信息。

数据库水印 (Database Watermarking)

数值类型数据 (Digital Number)：采用不影响统计学的方式，调整数值的均方差，修改数值的最低位，参考 LSB 的水印方法。

文本数据 (Text)：可以参考文本水印的添加方式。

模型水印 (Machine Learning Watermarking)

白盒水印 (White-box): 对模型参数进行微调类似LSB的方式来对特定权重进行调整，使用最低位添加水印的方式对 FP16 参数以上模型影响基本为0，添加可以使用 CPU 流式修改模型权重，相对于后训练来说比较经济。

黑盒水印 (Black-box): 使用后训练的方式对基座模型添加上水印知识，训练的数据集设计需要符合自然语言对话并且不容易被模型触发，对训练数据集添加大批量触发编码样本，需要对水印数据集进行微调否则比较影响后训练前后模型的效果。

统计学水印 (Statistical Watermarking)：通过调整 LLM 的 tokenizer 的方式调整词频，这种方式隐蔽性最好，但这种添加水印方式有效位较少，取证后的解释成本较高。

过去一年的想法

Thu, 08 Jan 2026 00:00:00 +0800

写博客的朋友都知道，每年到结束后总会有感而发想写一些东西来记录过去一年发生的事情。从第一次开始写博客到现在，我可以说终于开始认真记录了一段时间。还记得刚刚开始进入大学加入社团后的第一次活动就是教如何搭建自己的博客，从第一次搭好博客到现在我仿佛陆陆续续都想着去记录自己，但是往往终止于博客搭建后的贤者时间就草草收场。25年V2EX上线了VXNA节点，发现大家都在主动upload自己博客的内容，平时上班摸鱼的时候点进不同的博客里进行阅读，发现了我一个没有见过的博客框架Typecho，让我主动开始使用这个框架写博客的是他们官网透露出一种简洁公开的感觉。下面写写我这一年发生的事情吧。

过去一年里让我最开心的事情是和女朋友领证了，我们高中就相恋了非常感谢她能够陪伴我鼓励我和支持我。从我们大学毕业后她能够和我一起在北京发展，工作后这段时间经历相比在大学辛苦了很多，期间经历很多困难也只有我们才知道，非常幸运能够和她相伴并且相互鼓励下度过眼下这个艰难的时期。

第二个让我感觉开心的事情是我开始培养自己的品味了。第一次对这个词有认知的是看完了乔布斯的一段采访，如果想要做出好的东西那么你必须见过好的东西。在过去一年时间里，我开始沉下心来阅读财经类的书籍，在我的潜意识里留下知识模型。并且购买了一台会用来拍照的相机，平时出门的时候看到有趣的事情拍下来留作以后消遣的回忆。红酒也是我这一年里养成的爱好，在尝试了30多瓶不同产区和葡萄品种的红酒后发现了自己喜欢的口味，在吃西餐的时候也能够让自己去寻找乐趣了。

最后一个是终于租到了满意的房子，从离开大学后每次租的房子都不能满足我的需求。这一年里经历了换房子、房子暖气漏水、再到重新看法再自己搬家，最后再到上下水装修，对现在的租房市场真的失去了太多信心，也让我明白了要主动保障自己的权利，在遇到问题时主动谈判守住底线才能保护好自己。

心盲症的思考方式

Sun, 30 Nov 2025 00:00:00 +0800

心盲症（英语：Aphantasia），又称幻像可视缺失症、想像障碍，是指无法进行视觉想像的状态。受影响者无法在脑海中想像一幅视觉画面。很多受影响者同时不能回想起任何气味、声音、触感。其中一些更表示自己不能辨认人脸。

心盲症测试

我是一个重度心盲症患者，闭上眼睛后无法想象任何画面，在工作中经常忘记同事叫什么名字以至于我总是不好意思问对方叫什么名字。从小到大我没有太多关于记忆的画面，在大脑里能够记起和心盲症相关的事情我曾见过坐在一个废弃皮卡后斗上摔下，以及我经常想起在我 1 岁左右时住在大舅家找不到测试在床上大便后躲在衣柜里被找到的事情了。

我大约是在大学毕业后 2-3 年时在一次和女朋友闲聊中了解到做梦原来能够看到画面，之后我就做了心盲症测试，并确认了自己是一个重度心盲症患者。在工作和学习中对于问题的理解更多是一种 “概念” 的感觉，对于他人描绘的画面我无法进行设身处地的同感，对于高中的几何题和诗歌小说我其实都比较困惑，对于背诵我更是厌恶，因为我从没有经历过没有这个概念。

我比较庆幸选择了编程这个工作领域，编程对于我来说是擅长的，很多时候我可以快速知道相关代码的实现和上下文，对于我这种无法幻想的人来说省去了很大一部分力气。在 IDE 中借助 LSB 工具我能够很快实现对不同功能树下的串联和横向的发散思考，我感觉这种索引方式更像是一种 B+ 树的实现方法。

目前我感觉心盲症对于我来说其实是一个好事，有时候我女朋友由于做了一些噩梦会导致一天的精神状态不好，我就没有这个问题了往往我睡醒后做梦想起来的感觉基本都会消失掉 95%，我对做梦的感觉更多是我在睡着的时候经历事情的感觉好坏。当经历了不好的事情后我也可以很快判断局势的好坏，不会内耗太久陷入到不好的情绪中。

不好的事情可以认为我的记忆是掉电丢失后懒加载的模式，对于忘记的事情我在重新回到同样或相似的场景中会条件反射式的记起在哪里发生的事情，类似一种失忆症患者恢复记忆的样子。对我来说这个可以让我快速忘记不好的事情活在当下不被过去所困扰，之前我还以为我是阿尔兹海默症了，但是确认后我觉得这样还是挺好的能够开心活在当下就行了。

我在 V2EX 上看到过很多关于心盲症的讨论，如果有兴趣可以看看大家对这种症状的感觉：

电动车事故复盘

Wed, 05 Nov 2025 00:00:00 +0800

前情提要

在今年国庆节期间开电动车分神撞到了一个骑共享单车停在路边的人，当事人均有受伤，由于是我撞的他属于我是全责。本来都买好好吃的夜宵回家庆祝了，没想到半路分神给自己惹了个事故，但是经历了这个事情也让我使用一个相对低的代价学习了交通知识。

以下我将总结当发生这种事情的处理经验，以及我给出的解决方法。

车祸第一时间措施

在帮助别人前先保护好自己

首先检查自己的受伤位置，特别检查是头部是否有碰撞，然后检查自己受伤是否严重。如果有头部、四肢和躯干的受伤并且出血，先小范围活动确认是否骨折。如果自己受伤严重先呼叫路人帮忙拨打急救电话，反之先转移到道路两侧的安全区域。

确认对方的情况

先拿手机打开录像记录事故现场后，再去确认当事人伤势，如果伤势严重先拨打 120 进行急救。当双方确认没有紧急致命伤后拨打 110 或者 122 呼叫交警来到现场处理事故，注意这时还不能移动事故车辆位置，因为交警需要确认交通事故责任。当交警来到现场后会确认双方的身份，这时可以把视频录像给到交警补充事故材料。交警做出事故裁定后会先和双方当事人确认，确认无误后进行签字打印交通事故裁定书。

不要私了

裁定出来后如果对方提出私聊千万不要答应，当没有第三方在场的情况下两方达成的协议无法被证明，同时也会给自己后续埋下隐患，千万不要因为一时着急酿成更大的错误。

医院验伤

后续需要马上提出带对方到医院急诊科验伤，这也是为后续调解阶段提供证据材料，如果没有马上验伤后续如果出现其他问题双方扯皮就会非常复杂。

医院检查费用可以先行垫付在后续举证过程中也有理有据，完成初步检查后需要把相关单据和病例拍照保存或从医院小程序上保存下来。

事后调解步骤

前面说到了不要私了这里需要解释一下私聊的风险，首先法律依据上私了的举证非常麻烦，如果不是双方签字画押基本可以认为是一方的主观行为没有相关法律实践来保护。

一般交通事故包括造成伤亡的事故都需要经过交警大队处理，在交警大队中一般会设有人民调解委员会。在小程序上预约号相关律师作为调解员进行三方调解，在调节前需要把相关单据材料进行分类和汇总，明确告知调解员前期支付费用以及积极伤者去医院治疗，降低调解员的工作量也能够获取调解员的好感。

具体赔偿金额建议参考裁判文书网的相似判决结果中的赔偿金额，如果着急解决问题建议不要超过判决金额的 150%，因为我们支付的金额不要破环市场规则。当然一般处理交通事故的律师和调解员也算是半个骨科大夫，对于常见的交通事故严重程度有很丰富的经验相信专业的人能够做出专业判断。

赔偿金主要构成是：

医药费：所有看病支付的金额，如果存在不必要的检查需要让对方出具医院的会诊记录。
营养费：按照当地标准支付，一般在 50 快左右。
护理费：如果住院才需要，也是需要有相关住院病历和费用支付证明。
误工费：如果有工作需要举证说明因为没去上班损失的工资，比如公司病假只发 80% 工资就需要赔偿另外 20% 的金额，需要有个税记录和银行流水进行举证。
个人赔偿金：按照法律实践需要补偿的费用。

注意完成调解后需要签署协议书，要注意协议书上有明确说明后续相关费用和事件不在进行后续起诉赔偿，不然有些道德低下的人会以此再去要挟更多的赔偿金额。调解协议书一式三份分别有双方和调解员进行保管，调解书上双方进行签字画押，最后双方均摊调解员费用（100 元左右）。

不爱的三个阶段

Tue, 04 Nov 2025 00:00:00 +0800

随着年龄的增长对爱的觉察也越发明显，有一些从小被教育的观点现在看来倒也没有奉若真理了。从小我们都被教导父母是无条件爱孩子，所以孩子也应该无条件的爱父母。但是小孩子没有分辨能力，提前打下的思想钢印会随着时间不断加深，如果没有独立思考能力或者远离孝道环境的话是很难摆脱这个设定。

现在大多数人和父母长辈在一起生活会认为家里人都很爱自己，所以自己也应该同样的爱他们，这种不配得感的思想让大多数八九十年代出生的人都有一种自卑的底色。很多亲人在生命中往往没有你想的那样爱你，大多数表达的善意也是在逢场作戏罢了。

回到主题，我想在这篇文章中分享我觉察到不爱的瞬间，当我醒悟后对世界的感受。

第一阶段：你的父母并不爱你

可能你的诞生并不是他们所预期的，很多时候一个生命的诞生更多是来源于动物性的繁衍，在社会潜意识中人们对于繁衍更多是一种必选项而不是一种可选项。当人类还没有发明避孕工具的时候收到激素的影响产生的繁衍行为让这个物种的族群进行扩张，提供了更多可用的劳动力，生产的人在抚养幼儿长大后可以享有指挥支配他们的权利，从而将体力劳动外包给了下一代。随着繁衍数量的增多，最开始生产的孩子还要承担部分代替抚养的责任。

在原始社会由于医疗的落后这种做法往往也伴随着高风险，很多人也就默许了一命抵一命的博弈。随着医疗水平的发展现在生育的风险相比于原始社会低了很多数量级，但是社会潜意识并没有随着医疗水平同步发展。到了 21 世纪后大多数父母仍然认为孩子应该留在父母身边尽孝，继承父母本来就不多的遗产。

这些观念造成了个体意识间的冲突，小孩在成长的过程中可能会疑惑为什么父母有时候很爱我，有时候又不爱我。这种困惑让还在发育的孩子错误认为是因为需要让父母认可爱自己才可以，导致丢失了意识中自我的部分，向父母去做一些课本上教的孝道，进入自我背叛的陷阱。

当对父母的爱不报任何期望的时候那你就开启了第二段觉察过程。

第二阶段：你不爱你的父母

当解构了父母爱你的本质后，你会发现之前做过的很多向父母示爱的行为都是那么可笑，开始陷入自我怀疑，开始到底是什么造成了我要去爱他们。既然这个父母都不爱我了为什么这个社会还是要让孩子认为父母爱自己，自己要去爱父母。

在管理的角度上看能够承担最小成本的管理架构是树形的，也就是君君臣臣父父子子的模式。在这个社会里如果每个人都有一个默认的管理者，那么这个只需要少部分能够管好这些人的人就可以了，从成本和实施难度上考虑也是一个好的办法。

当看透这个社会潜意识的本质后，对于社会和家庭的关系也就变的清晰起来，家庭只是这个社会管理架构下的最小管理单位。你可以选择不在这个部门工作，当然也可以选择不在这个公司工作。

第三阶段：你不爱你的孩子

这是一个不断循环上演的话剧，当你逐步意识到那些是不爱后，那么你也对真正的爱有了一些自己的思考。如果当你选择成为父母后你会发现对孩子更多是陪伴他成长的一段经历，你只是一个旁观者见证了一个生命启蒙的过程。在孩子成长的过程中你会回忆起第一和第二阶段的事情，并时刻提醒自己只是生命的旁观者。

当孩子做出讨好求被爱的行为时，你可以告诉他爱的对错，也可以告诉他应该先爱自己才可能去爱别人。

国庆假期的记录

Wed, 08 Oct 2025 00:00:00 +0800

我从 9.27 开始休假到 10.8 一共休息了 12 天，今天是第 11 天休息期间发生了不少事情就写一篇文章来记录一下。

提前休假的 3 天

由于我国庆前 3 天申请了休年假，其他同事却没休假，在我开始休假的前 3 天还是要时不时看手机回复工作消息，同时完成一些工作。在中国的职场中常常会遇到这种休假工作的局面，在中国的文化中人们常常被灌输一种竞争思维，在有限资源里更多去抢夺另外的资源，而不是合作创造新的资源。这个现象在很多场景中都有体现，但大家仿佛都默许了这个规则，并遵循这个规则创造了一个大逃杀游戏。现在想想还是有些失望的，当有人想通过合作创造更多资源时，最后的结果往往是自己的资源被合作方分食。

开始休假后做的事情

我在 7 月份报名了 9 月底的 PTE 考试，但是突然增加的工作导致我整个 9 月都在忙碌，备考也拖延了一段时间，为了有完整时间复习把考试延期到了 10 月中旬，我整个休假期间就有时间来完整复习和备考了。

快近一个月没有复习，我开始假期复习时先把此前备考的口语题型进行了复习，完成后开始复习写作题型同时开始模考口语，在 10.6 完成了第一次全部模考成绩也达到预期，但是有些口语题目是我之前做过的，后边两天在继续模考，到考试前的早上都早点起床先模考后再去上班吧。

看完了《掌控习惯》这本书

这本书大概在我大学期间就听身边同学推荐过，最近想学习如何改变自己的拖延症就下载这本书开始阅读，在 9 月份在工作之余抽空看了前几章，最后在 10.5 全部读完了这本书。看完的收获还是挺多的，书中有些方法论我之前也有体会，让我眼前一亮的方法是通过承认大脑在系统 1 和系统 2 中达成一致时才会主动持续去做一件事，先满足系统 1 短期的需求让系统 2 作为反馈闭环来持续运转，让我在日常时学习如何去欺骗系统 1 让它和系统 2 妥协去执行我的目标。

其他一些事情

10.6 中秋节晚上和女朋友出门买夜宵骑电动车时聊天分神撞到了一个路人双方都受了些小伤，由于我之前没有遇到过交通事故就先给他打了 120 救护车看看有没有问题，然后再打了 110 让民警来出具判决书，让后和他一起去医院急诊检查了受伤的地方，后续还要接着复诊看看最后需要支付他多少赔偿吧。这个事故也提醒了我驾驶任何交通工具的时候都有可能有风险，需要时刻注意路况避免由于分心大意造成的事故，所幸事故双方都没有太大的伤害。

10.4 我申请 LinuxDo 论坛终于成功了，认真写完了申请介绍后过了 2 个小时就通过了很开心。

休假期间和女朋友做了很多好吃的饭菜，在有时间的时候出门散步路上看到了很多猫咪感觉还是很有意思的。

技术员的坏结局

Wed, 01 Oct 2025 00:00:00 +0800

在 2024 年 12 月 Intel 发表了一则声明告知他们的 CEO 从今天开始退休，这个声明更多让人们觉得是 CEO 被 Layoff 了，这也让更多人好奇为什么他会被迫退休。

被退休的 CEO Pat Gelsinger 是一个传奇的初代程序员，他从 18 岁开始加入 Intel 并为这家公司工作了 30 年的时间也让他成为了公司的第一任 CTO，在离开 Intel 之前也为这个新的蓝色巨人铺好了未来十年的路。离开后的他在服务器硬件和软件领域成就了 EMC 和 VMWare，我回顾他的这段时间感觉更像是给 Intel 在服务器市场铺路，他也让 Intel 在服务器市场中占据了完全垄断的地位，最后在 2021 年回到了 Intel 这一切看起来都似乎是那么的美好。

回归后的他发现这已经不是他离开前的 Intel 了，随着公司快速发展里面的人也变的良莠不齐而且官僚主义盛行，仿佛是一台没有方向盘，刹车失灵，飞快冲向悬崖的车，车上的人们不觉危险反而有说有笑。他的回归让我不禁为他捏把汗，在他之前也有个号称是硅仙人的 Jim Keller 趟过这浑水，在短在任职后更是在播客节目中大肆批判这家公司的官僚文化，回头看来如果不是对一个公司有感情又为什么会如此这般的被抛弃。

在刚离开学校进入社会时感觉自己失去了对生活掌控，听到别人推荐阅读了他的书《平衡的智慧》启蒙了我去寻找生活的意义，让我没活成一个心理扭曲的机器人。当一个公司经过快速发展有了数万名员工成为了一个名副其实的"大厂"，这个公司的经营游戏也就开始了垃圾时间。就像一个运动员自暴自弃后变成了大胖子，如果这时很不幸运不小心踩到钉子，那么这个大胖子就变得举步维艰，不做出改变那么结果也是可想而知。

最后我还想谈一下公司关于创新的悖论。根据我的感触当一个公司开始自上而下的谈创新了，那么这个公司大概率现有业务已经开始亏损了或者已经不再增长了。很多时候公司的创新是由下而上发起的，当这个公司的层级比较小时，创新的萌芽很容易引起很多人注意，同时大家也会不断地自发创新。当你和不喜欢的人结婚后最好的办法就是早点请个律师开始离婚吧，准备离婚时也别忘记了让自己寻找属于自己的生活。