想象一颗刚刚冷却的行星。熔岩凝固，雨水落下，无机盐在潮间带里结晶。就在某一微秒，两股成分不同的水流相撞，表面的脂质分子被推向彼此，自发卷曲，形成一个闭合的囊泡——膜。它薄得几乎透明，却把世界分成“内”与“外”。这道最原始的拓扑手术，同时制造了第一道不对称：囊泡里外的化学势不再相等。于是，流动、扩散、能量梯度，一切后来的故事，都从这道差开始。

二、膜：把世界切成可运算的局部
膜不是墙，而是阀门。它让某些分子通过，把另一些挡在外面；把光子的能量转成质子泵的扭矩；把随机的布朗运动翻译成一连串可被内部网络读取的比特。生命因此第一次拥有了“内部”。内部允许延迟反应：先储存信号，再集中处理；先模拟，再行动。于是，膜不仅隔离，更把“外部噪声”降维成“内部信息”，把“环境”翻译成“模型”。
独立的生命体，本质上是一台把外部不对称内化为内部协调的机器。协调效率的判据很简单：在同样扰动下，内部资源重新配置的速度是否快于外部扰动的累积速度。若答案是“是”，生命就活下来，并把这套膜-代谢-信息装置复制出去；若“否”，膜破裂，故事结束。

三、智能：在概率不平均处下注
当外部差异越来越复杂，仅靠分子开关的布尔逻辑已不够。进化开始制造新的膜——神经膜、细胞网络、大脑皮层，层层嵌套，层层扩大有效上下文。
智能的核心任务，是侦测并利用“概率不平均”。所谓不平均，是雨云在某一区域更厚、猎物在某一季节更肥、敌人的下一步更可能向左。智能体提出假说，下注资源，在反馈里微调先验。它永远无法证明“这就是真理”，却能用一次次后验更新把“活得久、传得广”当作临时奖杯。
从细菌趋化到人类科学，公式都一样：
观测 → 压缩成模型 → 用模型预测 → 行动 → 环境给出奖惩 → 模型再压缩。
架构的每一次革命——从感知机到 Transformer，从 RNN 到 Mamba——都只是把“能同时记住的相关历史”拉长一点，把“可并行激活的上下文”拓宽一点。我们称之为“有效 context length”的军备竞赛，其实是在为不对称洪流建造更大的蓄水池。

四、意识：高阶控制器及其代价
当 context 长度超过某个阈值，系统不得不在内部再建一层“关于内部状态的索引”。这就是意识：一个在高维状态空间里动态分配注意力的元算法。
它的工作是回答：此刻，哪一段记忆、哪一条假说、哪一项情绪值得被提升到全局广播？哪一些计算可以外包给小脑、基底节、肠道菌群？
意识并不制造新能量，它只是让能量在更恰当的时机流向更恰当的动作。代价是极高的代谢账单：人脑占体重 2%，却耗掉 20% 的葡萄糖。因此，意识只在生存回报足够高时才出现。换句话说，意识是复杂系统在极端不对称环境中买下的“生存加速保险”。

五、生命：用不确定性换取自由
如果宇宙是一台完全确定的自动机，所有未来态都已写在初始条件里，那么膜、智能、意识统统失去意义——没有差异，就没有选择；没有选择，就没有生命。
幸亏量子涨落、混沌、测量误差让信息永远残缺。残缺留下缝隙，缝隙允许下注。生命在不确定里冲浪，把“继续存在”本身活成了意义。
更妙的是：正因为信息永远不全，生命反而获得自由。自由不是推翻因果律，而是在因果链的缺口里做出不可被提前计算的选择；是在下一次观测降临之前，先对自己唱一段尚未被证伪的叙事。
于是，自由不再是哲学家的奢侈品，而是信息残缺带来的工程剩余。它像膜两侧的离子差一样真实，可以被测量、被利用，也被下一代膜继承。

六、递归：膜的再生产
故事并未结束。今天的人类在实验室里合成人工细胞，用 CRISPR 编辑膜蛋白；在计算机里训练千亿参数的大模型，把互联网当外部养料，把 GPU 当新的线粒体；在区块链上写下智能合约，让代码成为可编程的膜，隔离风险、封装信任。
膜换了材质，却从未消失。它继续膨胀，继续把更大的外部差异翻译成内部可运算的结构，也继续让生命在不确定里下注、在残缺里生长。

七、尾声：回到那道最初的边界
如果某天宇宙热寂，所有差异归零，最后一道膜也终将蒸发。但在那之前，生命会不断书写新的脚注：
“我们以不对称为食，以不确定为翼；
我们永远无法抵达真理，却永远在去往真理的路上；
而那路上的每一次呼吸、每一道裂缝、每一个尚未证伪的假说——
都是自由。”

这种机制看似朴素，却蕴含着极为深刻的哲学与技术含义。我将它称为一种“在线学习推演模型”（Online Inductive Probing Model），并尝试从以下几个维度展开：

一、时间维度的单向性：我们只能用过去

无论是谁，都无法逃脱时间的箭头。我们做出所有判断的依据，只能是过去已发生的事。未来尚未发生，也无从取样。

更具体地说，任何推理或模型：

• 只能使用历史数据

• 基于有限区域的信息（空间、语义或感知范围）

• 提出一种规则或结构

• 并在未来遇到反馈后进行修正或淘汰

这就是最原始也最通用的学习方式。

二、无法证实，无法证伪：试探是唯一的方式

这套模型有个悖论：它既无法完全证实所推理的“规则”，也无法彻底证伪。

• 因为未来未到，验证永远是延后的；

• 而未来反馈往往不完全、不连续、不明确；

• 所以，一个假说只能“暂时有效”，直到它失效。

这是一种永远在路上的认知模式。

我们只能不断“试探”：

• 抛出预测；

• 接受反馈；

• 修正模型；

• 再次预测。

这非常像贝叶斯更新，也像进化选择。你永远不能证明自己是对的，但可以不断修正偏差，靠近有效性。

三、提升学习效率的两条路径

既然这是个结构性困境，我们就只能在试探效率上下功夫。

1. 加快预测节奏：增加反馈密度

如果你能在短时间内做出更多“小预测”，哪怕是微小反馈，也能加快模型的迭代。比如：

• 股票市场中的高频交易策略

• 人类认知中的“快速验证小假设”

• AI中的强化学习 agent 快速与环境互动

2. 增强感知能力：扩展输入维度

另一种方式是“装更多眼睛和耳朵”，也就是增加传感器和数据源：

• 人工智能中，添加多模态输入（图像+语言+动作）

• 人类学习中，去倾听他人经验、跨领域观察

• 企业经营中，提升用户反馈、监控系统建设

本质上都是：提升输入的覆盖面与密度，从而让模型拥有更多可参考的“过去”。

四、架构的历史演进：在扩展有效 context length

从历史的视角看，人类所有关于“学习架构”的进化，本质上都围绕一个目标：延长“有效上下文”的范围。

从最原始的口口相传、记忆规则，到文字、书籍、数据库、互联网，再到今天的人工智能模型（如Transformer、GPT），不断扩大的都是我们能纳入推理系统的“过去内容”。

有效 context length = 可用于决策的经验范围

AI系统里，我们从 RNN（短记忆）到 LSTM（门控记忆）到 Transformer（全局注意力），无不体现出这个趋势。

而未来的发展，也会持续提升：

• 时间跨度（处理更久远的过去）

• 多维感知（整合更多形式的信息）

• 状态空间（建模更复杂的外部世界）

五、但 context 的扩大，也带来副作用

需要注意的是，并非“context 越长越好”。以下风险会随之而来：

• 过拟合历史：模型过度相信过去规律，错失变化信号

• 响应迟缓：记忆过重会拖慢反应速度

• 信息冗余：噪音累积，信号反而稀释

所以，任何智能系统都需要在记忆 vs 适应之间做动态平衡。

六、从本质看：这是所有智能的底层模式

你会发现，无论人类思维、公司决策，还是AI系统，几乎都遵循这个通用架构：

有限经验 → 提出模式 → 未来验证 → 反馈修正

这就是一种“后验智能”（post-hoc intelligence），在无法预知中不断调整自己，从而适应未来。

而“智能”的本质，可能就只是：

• 提出合理假设的能力；

• 快速验证假设的能力；

• 容忍错误并及时调整的能力。

七、未来方向：更快、更广、更精准

我们真正要追求的，或许是这三点：

1. 更快的反馈循环：从年级考试 → 每日小测 → 实时眼动追踪；

2. 更广的感知范围：从单一维度 → 多模态融合；

3. 更精准的上下文建模：从纯数据 → 意义结构图谱。

也许这正是智能系统未来的发展路径。

小结：命名与比喻

我们可以为这种结构起个名字，比如：

• 试探式智能（Probe-based Intelligence）

• 后验推演模型（Post-hoc Inference Model）

• 时间盲测系统（Temporal Blind Probing）

• 延迟反馈学习架构（Delayed Feedback Learning Architecture）

它就像：

• 在雾中行走，靠回声定位；

• 在黑箱前试按按钮，根据灯光变化理解机制；

• 或者像盲人摸象，每一次触摸都是一次推理。

这是不完美的，但确实是所有智能体正在使用的最现实方式。

今天我又配置了当前最新的stable 0.3 auto-gpt，还是测试同样的任务，让它整理《红楼梦》中的小说人物关系图谱。
首先，发现下载文件还是下载不了。跟0.2.2很像。
没办法，我手动下载了文件给它。
然后，发现它执行代码一定要在docker运行。我查了代码，修改成直接可以运行了。
又然后，我发现它一直想执行还没保存的代码文件，我通过对话提示它先写好代码文件再执行文件。以后每次要执行代码我发现都要做这样的提示。显然里面有个逻辑问题。也许是execute_python_file命令应该对应一个新的文件，而execute_code应该创建一个新的文件，接的参数是代码内容，而不是文件名。操作的时候让代理先保存代码文件，然后执行。
又又然后，我发现在访问代码时，openai.error.APIConnectionError，不知道是不是网络环境问题，遇到这个问题程序就中止了。我修改了代码，让它遇到问题后重试。
最后，还是发现了tokens遇长的问题，我不知道哪里的代码又不严谨。。。到这里，愉快的一下午就快结束了。

看来这个任务还是很难完成。

目前看来，auto-gpt还十分不成熟，原因是，1里面的代码里的bugs非常多；2系统有几个如google查询，读写文件，执行代码等功能模块，但这几个模块的调动很不协调，操作很不连贯，它们的组合经常十分生疏，如同请一个有理论，但完全没有实践基础的几个技术人员一起完成一个大任务。

显然，在人工智能发展的路上，这些问题都会被解决。但现在而言，从效率角度看，在实际工作中用auto-gpt还是比较早的。auto-gpt在设计的时候，是用来完成通用任务的。我感觉现在来说，还需要很多的调整和磨合。让人工智能做不同的事，本身要学习经验。而让人工智能做重复的事，这可我感觉现阶段应该使用prompt+特定的任务代码+gpt的形式可能更实在一些。

中文LLaMA模型和指令精调的Alpaca大模型在text-generation-webui和llama.cpp上的部署
LLaMA是facebook的meta公司放出来的大语言模型，这个模型的中文能力非常差。Chinese-LLaMA-Alpaca在原版LLaMA的基础上扩充了中文词表并使用了中文数据进行二次预训练，进一步提升了中文基础语义理解能力。目前已开源的模型版本：7B（标准版、Plus版）、13B（标准版）。这些版本可以在16G，甚至可以在8G内存的个人电脑上部署。似乎不用显卡。今天我在16G内存的个人笔记上部署了。这是记录。

老唐的估值方法的基础其实就是绝对估值法。主要是看各投资品的绝对收益数值，哪个高投资哪个。在老唐书里，讨论的投资品压缩到了2种，就是无风险债券和股票。老唐的估值法就是比较这两种投资品。甚至不是用来做这两大类的选择，目的不是为了决定整个股票仓位，而是用于挑选哪个股票更合适。因为在老唐看来，股票的收益一般会比债券高，只是哪个股票更好，债券的收益主要是拿来参考。老唐书里也没有介绍股票之外的投资品的投资细节，主要是股票投资的好处和估值方法及股票选择实例。可以这样说，对于投资，现在的老唐眼里只有股票。对于股票，他有一套自己的择股方法，并使用这个方法，在过去的的十来年，有过平均收益25%以上的成功历史。
老唐股票操作守则：

首先确定一个上市公司的3年后的合理估值。计算方法：3年后预计自由现金流x(1/无风险收益率)，高杠杆企业估值打七折
买点：股价低于合理估值的一半时买入。
卖点：
1。企业基本面恶化
2。有更好的投资对象
3。股价超过3年后合理估值的150%
4。当年动态PE超过50
其它时间不操作

选股池条件：
1。公司利润真实可靠
2。公司利润可持续
3。企业运营资本投入少
分析
首先，老唐取3年时间，我感觉是明智的。现在的环境变化很大，时间太长变数太多，不容易预测，太短市场因素影响大，业绩因素体现的不明显。
这个合理估值就是把第三年的收入，当成永远持续按无风险收益率增长的固定收入，把它等同于类似债券投资的估值。老唐一再强调这是一个简化后的简化方法。这样的简化一个是为了方便计算；另一个是本身企业的运营变数太多，详细的预测作用也是有限的。
在我看来，这是一个非常粗暴和简陋的计算方法。老唐竟然是用这个获取了这么高的收益率，有点难以相信。这个公式本身其实是有不少问题的。主要是两个：一个是怎么预测3年后的自由现金流数值；另一个是怎么就突然把这个企业3年后就现金流固定下来，认为企业会以这个现金流为基础，并每年以风险收益率的速度自由现金流增长。这两个是这个公式成立的前提条件。在我看来都是不可能的条件。

关于3年后的自由现金流的确定，老唐提供了两个方法，一个是自己对企业的跟踪和调查，另一个是参照别人研报的推算（可以平均几家，然后砍一刀，打8折）。
关于以第三年现金流作为恒定收入的做法，老唐提供了一个这样的辩解：“将。。。三年后仍然可能的成长性的优势与未来收益确定性低于100%的劣势相互抵消”。大意就是说企业可能变的更好，也可能变坏，于是不如当成不变。。。。
3年后的无风险收益率（老唐认为可以参考银行短期低风险理财产品的年化收益率，如民生银行的“天天增利”。）也是变动的，不可能准确预测。

显然，老唐的合理估值不是一个科学严谨的估值方法。但老唐为什么能成功呢？我认为在老唐的成功不在于估值方法本身。而在于他的砍价能力。一个是合理估值的半价买入！！！另一个就是动不动再打个7折，8折。这个相当于“合理估值”的3，4折买入。无论“合理估值”对不对，买的足够低，赚钱的概率就大很多。

老唐能成功的另一个诀窍在于股票池的限定。1。公司利润真实可靠、2。公司利润可持续、3。企业运营资本投入少。这三个条件其实把大多数的国内上市公司排除开了，只留下了极个别优质的企业。要求企业再投入少，利润可持续。如果一个企业利润持续，那把它3年后的现金流收入固定下来，就相当于很保守的估值法了。所以是这个前提，让上面的估值公式可以操作。

另外，这个方法其实有一个很大的悖论，老唐认为买点是3年后合理估值的50%，这样在3年后如果达到合理估值，年化收益为26%，而理论的前提又是把股票当成债券，同债券的风险收益率4-5%点的收益做比较的结果。。。卖出时要求当前股价达到3年后合理估值的150%以上。这样的要求显然是很无理的要求。但老唐却通过实践做到了。这种不可能只能是基于一个条件：市场的高度无效性！！！市场价格必需在估值上下大幅度的波动，让老唐有以超低价格买入，并以远高于合理估值的价格卖出。

老唐估值法的简化理解
通过以上的分析，我发现老唐估值法其实可以更简单的理解为：
在一个高度无效的市场，找几个利润可持续，再投入少的顶尖优质企业，如老唐投的贵州茅台，洋河股份、腾讯控股、分众传媒。因为这些企业的质量优秀，在3年内以20-25Pe卖出可能性是没有问题的。
等他们在3年后PE20左右的估值一半的价格买入。
当他们涨过这个估值的150%时卖出。
期间哪个下跌的多了，可以卖出估值高的调整到估值低的。

核心点其实是两个，1。找的企业要是优质的，优质体现在两个方面，一是3年后和利润能达到预测，二是3年后市场对它的估值应该能达到PE20以上。2。以非常便宜的价格买入。前提是市场高度无效，股价波动大，提供了买入卖出机会。

把最好都想的不好，你会说我是多么的悲观主义呢？应该会说是悲观之极吧？但我还真是固执之人，我偏要认为自己乐观之极。因为我说最好不好的目的不是否定最好，而是要摆出这个阵式，然后颂扬不好之好。既然最好不好，那什么好呢？不好啊。在不好时，你可以变的更好。什么时候最好呢？最好最好不要来，或者来的越晚越好。比如去世时到来。

2019-03

目前newRPL可以运行的平台有
惠普图形计算器：HP 50g、HP 48GII、HP 40gs、HP 39gs、HP Prime G1 (第一代)
Windows等电脑
Android (7.0及以上)

其中的hp 39gs计算器便宜又大碗。某宝上几十块就可以买到。下面记录下hp 39gs上刷和使用newRPL系统的经验。

newRPL下载：
下载newRPL rom https://sourceforge.net/projects/newrpl/files/ 或 https://www.hpmuseum.org/forum/thread-14562.html
下载39gs的rom，下载最新版本。
下载 hp计算器的 Connectivity Kit
https://www.educalc.net/1047482.page
下载新版的usb驱动
https://www.educalc.net/286482.page 注意是页面后面的链接
安装Connectivity kit和新版的usb驱动。windows 10安装usb驱动会有问题，我找了一台windows 7系统安装刷机。

驱动安装正确后，用mini-USB数据线连接计算器和电脑，打开计算器，Connectivity kit应该会显示文件目录。

这样就可以开始刷newRPL系统了：

准备一个取手机sim卡的针，关闭计算器，按住hp 39gs的+和-两按键，用卡针捅一下计算器背后的reset，计算器会开机，选择1.UPDATE CODE,然后选择1.USB
然后在Connectivity kit选择ROM Download那里选择下载好的newRPL .bin固件。然后就开始刷机了。刷机会清除计算器原来的系统和数据。完成后会提示你按一下ENTER键。

反应快很多

newRPL系统的使用入门

键盘和界面：

字显示小很多，可以一屏显示很多内容

新系统使用的按键布局不一样，新的布局与hp48gii或hp50g等比较接近，但不完全一样。这个帖子有专门为newRPL定制的贴纸，可以打印出来贴上去：
https://www.hpmuseum.org/forum/thread-16487-post-146313.html#pid146313

简单来说
A-F对应第行菜单内容，菜单第一字母灰色的有下一级菜单，被选中会进入下一级菜单，按MENNU回到根菜单
G-L对应第二区菜单，一般是显示变量名，按中直接调出对应位置的变量。
方向键
上下键可能移动箭头

三个切换键：
ALPHA按键单击切换到大写字母输入，再次单击切换大小写，双击退出字母模式。
Shift左和shift右不用解释
这三个按键可以按住与其它按键组合实现更多功能。

基本使用
rewRPL改变原来计算器的使用方法
计算 1+2
1，ENTER 屏上在输入1后会显示第一行1，这是最新的Stack栈。Stack是重要的概念。
2, ENTER 输入2后，第1行变成2。第一行永远是最后输入的内容。原来的内容被移到2。
+ 得到结果3， +这个命令会将前面两个stack的内容相加。得到结果3，直接放到当前的第1行Stack
注意这种先输入数字，再输入操作的倒装语法方式。

有的命令只使用一个输入，如
输入
5, ENTER
左shift, 2输入！命令，直接得到5！的结果120

可以不用每次输入ENTER，直接用空格分隔输入，如
1 2 +
也可以计算1 + 2

1 2 + 2 /
可以计算
（1 + 2）/2，得到 1.5
留意命令在数据后面，结果变成新的数据的规则。

可以使用单引号直接输入代数形式的计算，如
’1 + 2′
输入后这个不会马上计算，可以使用EVAL命令计算它的结果，得到’2′
注意结果也带引号，可以使用->NUM命令让它变数字。

将数值存到变量
如，将123存到 x
123 ‘x’ STO
注意x要带引号
调用变量
x 1 +
直接得到124

编写程序：
程序使用《 》符号包围：
《 + 2 /》 ‘AVGRAGE’ STO
将求平均的功能存到AVGRAGE变量
使用这个变量：
1 2 AVGRAGE
会直接得到1.5
相当于输入：
1 2 + 2 /

求勾股定理的程序：
《 -> x y ‘√(x^2+y^2)’ 》 ‘hypo’ STO
使用：
1 2 hypo
得到’√5′
可以使用->NUM命令让它变小数形式。

可以调用的命令很多，如IF/THEN/ELSE、CASE条件判断，FOR、DO、WHILE等循环。。。

更多的命令参看：
https://newrpl.wiki.hpgcc3.org/doku.php?id=manual:chapter6

快捷操作
命令自动补完功能：
在输入一个字符后，这个字符相关的命令会在底部中右显示，显示的命令按ALPHA+右方向键可以调用，更多的相关命令可以使用ALPHA+上或下方向键切换。

文本选择与复制、粘贴：
左Shift，左方向键：定义选择开始
左Shift，右方向键：定义选择结束
左Shift+左方向键：复制
左Shift+右方向键：粘贴
左Shift+下方向键：剪切

插入变量的内容：
G-L,直接调用变量
右Shift+G-L，输入变量的文字内容
左Shift, G-L STO存到变量 注意，原来内容被覆盖！！！不要误按（重要变量可使用LOCKVAR保护起来）
右Shift, G-L RCL调变量

四种输入方式
1.直接输入数字和命令，运行会直接得到结果
2.” 代数模式：如’1+1′,输入后运行 EVAL会得到结果， 调用->NUM会得到数字结果
3.《 》编程模式
4.字母输入模式：按ALPHA后输入大写或小写字母，或插入双引号”"后。

菜单导航
MENU 在菜单1区显示总菜单
A-F进入相应菜单区1的项目
右Shift, A-F在菜单2区显示子菜单
右Shift+M 菜单2区返回

Stack栈的操作
上方向键开始栈选择，ON键退出
多选：移动第一个，按空格键（-)，移到最后个再次按空格键，第三次按空格取消选择
选择后：
左方向键：将当前栈移到1
右方向键：将1移到当前位置
左Shift+左方向键：复制
左Shift+右方向键：粘贴
左Shift+下方向键：剪切
ENTER，将当前复制到1
在没有stack被选中的情况下，按下方向键，开始编辑stack 1的内容

常用命令

变量:
存储变量 42 ‘Mynum’ STO
调出变量 直接按G-L的相应按键或 ‘Mynum’ RCL
删除变量 ‘Mynum’ PURGE
锁定变量 LOCKVAR 将变量只读
解锁变量 UNLOCKVAR
从目录中移除变量快捷方式 HIDEVAR
解除移除 UNHIDEVAR

目录:
创建目录 ‘TEST’ CRDIR
删除目录 PGDIR
返回上级目录 UPDIR

更多newRPL的资源
newRPL的wiki网站：
https://newrpl.wiki.hpgcc3.org/doku.php?id=manual:chapter1:rpl
hp 50g的高级用户手册（包含RPL语言教程与手册，英文）
https://www.hpcalc.org/details/7141

我将导致学习速度的不同因素拆分，分为以下几个：

1。最明显的，投入真正学习的时间。很多人说想学什么想学什么，比如想学习英语，想学习乐器，问题是你真正投入时间了吗？还是只是一直在口头说说。没有投入真正的学习时间，说想的永远只是梦想或幻想吧。成功学上有一个10000小时原则。要真正掌握什么，真金白银地投入10000个小时学习啊。光说是没有用的，浪费口水而已。

2。学习时候的注意力。有的人虽然投入了学习的时间，但学习的时候没有集中精力，比如一边学习一边看电视，或者一边学习，一边心里想其它东西。这样的学习低效是可以预见的。这种三心二意的做事其实本身也是很浪费时间的，因为很可能做的想的二三件事都没能做好。有的时候人要取舍，选择在一个时间把一件事做好。

3。学习的材料，比如教材的质量，是否精心编排的教材。是否有形象的图示，是否有适当的影音辅助教学；教学的老师。好的老师最重要的是应该提起学生对学习内容的兴趣，其次是教学的方法，用适当的方法让学生容易掌握这些学习内容。当然自学的话自己就得找到好的材料，好的方法。学者在学习遇到瓶颈时，可以试着换换学习教材，学习方法，或老师。

4。相关联的基础知识。学习者在学习新东西的时候，事行应该掌握这些新内容的前提基础知识。如果基础知识扎实，学习新内容就比较快；相反，如果很多基础知识都不懂，那新知识听起来很可能就云山雾罩，不明所以。比如让一个小学生去听大学的专业课程，几乎就是白费时间。如果你学习一个东西，发现很基础概念或原理都不明白，那就说明当前的知识对你来说太进阶了。这时候应该怎么办？你应该退出这个课程，去找一个基础的，适合自己的课程去学习基础，学会了再回来。这里说一个我自己的实例。当年我在初中二年级时，因为当时学校条件差，当时的英语老师精神有问题，在课堂上所有的学生都没能好好学习，上英语课时好多学习到讲台上和老师嬉戏，所以我的初二英语没有学好，期末考试时100分只考了20多分，其中大多是选择题选C蒙对的。初三时我意识到这个问题，想学好英语，但因为没有英语基础，初三课堂上老师的课程对我来说太难了，很多听不懂，于是我放弃了课堂学习，开始自己买英语教材从入门学习英语基础。自学了一年，终于将英语基础补了上去。中考150分的英语，考了130多分，高中时因为英语成绩不错，还当上了英语科代表。

5。大脑的开放性。这个说的是世界观，是否认识到这个世界你不懂的非常多，不骄傲，而是应该时时虚心学习，做到求知，并虚心。和他人相处的时候，随时明白对方可能是自己的学习对象。而不是到处炫耀自己的才识。一心不能两用，当一个人忙于炫耀与表现的时候，他自然就失去了很多接收和学习的机会。你可以做一个永远装知识的袋子，你的知识会越装越多；也可以做到处吹泡泡的肥皂水，越吹越少。拉长时间来看，对人的一辈子来说，其实心态这个因素对人是最重要的，虚心的人累积下来，知识越来越多。前面几个因素只是影响学习的速度。

谈学习的目的

正如做其它事一样，学习的第一要点是动机。有充分的理由学习才会投入时间、精力认真去学习。学习的理由可以是兴趣。喜欢什么东西去学习什么自然是很好的，你会自觉的投入时间精力。不过由此去学习的问题是学习到的知识并不一定有实际的用途。注意知识如果不用，是会被遗忘掉的（这个不是大脑的缺点，而是一功能，因为大脑的容积有限，遗忘就如手机的内存清理，清除不常用的内容，会留下更多的空间可以储存更实用的东西）。是不是现在不用的东西就不能学的，其实不是的。因为有时候一种知识在你没有熟悉或掌握之前，你并不知道它有什么用，怎么用，或许你学了，知道了用法，你就会去用它，并为你创造价值。比如本来是没想过学习瑜伽，只是因为一时的兴趣，你学习了，发现它很好，自己喜欢，而且对身体很有作用，你甚至转行成为了一个瑜伽教练，想把它教给更多的学员。或许在接触这个知识前，你没有想过可能自己会做这么大的改变。这就是因兴趣学习的惊喜。总之，因为兴趣去学习，有时候是单单享受学习过程的快乐（或痛苦？），结果知识不用而被遗忘，或者学习了新知识后，因为新知识带来的新视界，改变了自己的人生轨迹，两个都有可能。总结：有时候学了才知道有什么用，有时候学了才知道没啥用。如果有兴趣又有时间，与其刷抖音，不如学学看。

学习最靠谱的理由是马上需要用到知识。类似于临阵磨枪。这种学习有急切的紧迫感，而且已经清楚学到了就要用上，不会浪费。

学习最不靠谱的理由是别人都在学，或者别人让你学，因为这些学习都不是自己由衷的想要学习。这样的学习没有内动力。不单是学习，做任何事没有内动力，靠外力的学习基本都是事倍功半，吃力不讨好。自己不单不享受这一敷衍过程，而且学习效率十分低下，学到的知识也大多数对自己没有作用或不愿意去用，浪费时间、精力与生命，甚至金钱。如果你是老师或家长，以命令的形式向孩子发出的学习要求，就是这种情况。监督的家长也将是痛苦的要命。这时候应该怎么办？当然是停止这一多输过程。这是一小道，成功的概率很小。正道是什么，是引导学习者找到学习的正确目的。让他悟的学习的理由，是为了兴趣，还是为了马上要用到知识（中小学的基础知识可以为将来更多的高级知识打基础，打开学生的眼界，还可以用来应付必须的考试）。花更多的时间让学习者明白学习的理由，比花时间监督心不在焉的学习过程高效多了。就如武学中的打通任督二脉，或者参禅中的悟道，过了这关，让学习者明白学习的理由，有了内动力，余下的基本就是一马平川，过了不了，所有的努力只是徒劳的消耗时间。

无论如何都找不到学习的理由怎么办？那就不要学啊。没有理由还做什么？可以把时间花在其它有意义的事上。或者转变题材，学习自己感兴趣的课题上。人生不是一条直线，非要吊死在一棵树上。与其在不想学的东西上浪费时间，为什么不学习一些自己感兴趣的东西呢？不是说别人学的东西自己一定要学习，现在的社会内卷的这么利害，如果剑走偏锋，自己掌握了大多人没有的知识，反而让自己更为稀有，具有更高的价值。这就是管理学上的差异化吧。

需要的东西

运行Home Assistant的设备（电脑、NAS、树莓派等，我用的是树莓派2代）
红外接收器（我使用的是一个通用USB接收器，树莓派用户可以DIY一个）
小米（创米）万能红外线遥控器
小米AI音箱

给Home Assistant设备添加红外遥控接收功能

将红外接收器连接到home assistant设备上。确认红外设备存在，如

pi@raspberrypi:~ $ ls /dev/lirc0
/dev/lirc0


安装红外线收发lirc程序：

pi@raspberrypi:~ $ sudo apt-get install lirc liblircclient-dev


测试红外线接收功能正常：


sudo mode2 -d /dev/lirc0

运行上面命令后找一个红外遥控器对着接收器按任意键，应该可以收到类似这样的字符：

Using driver default on device /dev/lirc0
Trying device: /dev/lirc0
Using device: /dev/lirc0
Running as regular user pi
pulse 2750
space 750
pulse 550
...

好，现在Home Assistant设备可以接收到红外遥控信息了。下一步，让Home Assistant和红外遥控器可以通信。

让Home Assistant接收红外遥控数据

随便给lirc指定一个接收的遥控器数据表，这里用的是xbox360的遥控器，你不需要有这个遥控器，因为后面可以用小米万能遥控器把它模拟出来。
下载xbox360遥控器的数据表,把它设置到lirc:

pi@raspberrypi:~ $ wget http://lirc.sourceforge.net/remotes/microsoft/Xbox360
pi@raspberrypi:~ $ sudo mv Xbox360 /etc/lirc/lircd.conf


创建/etc/lirc/lircrc文件，内容：

begin
remote = Microsoft_Xbox360
button = KEY_STOP
prog = home-assistant
config = KEY_STOP
end
begin
remote = Microsoft_Xbox360
button = KEY_PAUSE
prog = home-assistant
config = KEY_PAUSE
end

这里只以两个按键为例子，参看上面/etc/lirc/lircd.conf的内容，你可以多添加几个按键。

重启lirc

pi@raspberrypi:~ $ sudo systemctl restart lircd.service


现在在米家app给小米万能遥控器添加Xbox360遥控器（使用搜索功能添加，里面有两个，我添加的是“微软DVD播放器”那个），现在测试

pi@raspberrypi:~ $ ircat home-assistant


按遥控器上的停止按键，应该会收到相应的代码。


现在米家app可以给home assistant设备发信息了，下一步要做的是根据这个信息，触发不同的动作。

Home assistant根据遥控器指令触发动作

编辑 HomeAssistant 的configuration.yaml文件，加入lirc组件，

lirc:

配置home assistant的自动化指令：

automation:
- alias: 打开灯
trigger:
platform: event
event_type: ir_command_received
event_data:
button_name: KEY_PAUSE
action:
service: homeassistant.turn_on
entity_id: group.a_lights

上面的KEY_PAUSE就是刚刚配置的遥控器按键。action可以换成你想要的效果，我是帮来它来启动我的电脑了。重启homeassistant,让配置生效，现在对着树莓派按暂停播放键，就Homeassistant就会触发相应的动作了。

让小米AI音箱控制万能遥控器

先打开米家app，在底部点选“智能”，在“我在”tab中点右上角的“+”号创建新智能条目，在选择条件界面选择“手动执行”，选择“小米万能遥控器”-〈遥控模式〉-〈微软DVD播放器〉-〈暂停/播放〉-〈右上角“确定”〉设置你想要的名称，比如“启动电脑”
好了。打开小米AI app，在底部点选“技能中心”-〈小爱训练计划〉-〈创建训练〉-〈为问题命名，比如“启动电脑”〉-〈设备控制〉-〈选择刚创建的“启动电脑”〉-〈打开〉，预览后保存。
（相关的图文教程点这里）

好了。现在对着小米同学说“启动电脑”，小米音箱会指示小米万能遥控器发送一个KEY_PAUSE按键，这时home assisant收到后，就会触发启动电脑的动作了。

参看：Creating a Raspberry Pi Universal Remote With LIRC
另一种通过第三方平台桥接小爱同学和home assistant的方法： https://bbs.hassbian.com/thread-2404-1-1.html