LLM 的数据隐私问题使用像 OpenAI 的 ChatGPT 这一类闭源大模型的问题是，你的数据随时有可能成为模型训练的素材。 虽然现在开源大模型的表现已经可以匹敌闭源大模型，有很大平台也基于这些开源模型提供 LLM 推理服务。但对于使用这些服务的用户而言，他们仍然要承受相同的数据隐私风险，因为这些平台同样有可能会收集用户的信息，用于训练大模型。 目前最好的保护数据隐私安全的方案是，在用户个人的设备上运行 LLM。所有的计算都运行在用
苹果自研的 M 系列芯片，自带 Apple Neural Engine，对 CPU 跟 GPU 性能都有相当显著的提升。让机器学习模型有可能直接运行在个人设备上，避免把数据上传到云端。 但在仅仅是算力提升，并不代表可以轻松在苹果设备上运行 Transformer 模型。 1. macOS/iOS 操作系统的限制macOS/iOS 系统对 APP 的内存占用都有一定限制，如果 APP 长时间占用大量内存会被系统直接结束进程。尤其是 iOS
ProjectionLab 这种产品可以成立，是因为美国税法、401K 这些项目的计算方式都是透明且公开的吧。而且个人缴税都非常繁琐。 就跟有些国家可以做公交线路实时查看一样，因为他们的信息是对所有人公开的。
做技术的人会因为追逐技术而去做一些产品；做产品的人会为了实现自己的方法论而去做一些产品……人会认不住为了证明自己的某一些东西而去做一些产品。似乎只有彻底放弃，等到这些欲望沉下去之后，才能看到产品的真实源头应该是什么。
有一些产品可能只是一个名字，或者是一些大路的功能搭配一个让人觉得“这个产品会好”的名字。比如瓦尔登，shipfast… 选这种名字是一个从文化中感知趋势的过程。即，在一个文化中感知现在大家聚集在哪个地方。
做到中途发现，就算做出来也不知道如何让别人知道的产品。 但一旦开始了，想要中途放弃依然是一件困难的事情。因为一旦放弃，就又要回到寻找下一个想法的未知与不确定，所以困难。但其实如果不放弃，每走一步都是毒打。只是短期内是确定的，不需要思考的，而且长期是没有好的结果的。相当于用缓慢的小痛代替短暂剧痛。太不明智，不可再做。
有一些作品其实并不是创意而是觉察：一个人在生活中觉察到自己遇到的问题，然后把它变成一个产品。比如：Fret Pro Guitar Notes Trainer 这种产品的发现只能是作者本人遇到的问题。 从这个角度去看。自然会发现，你的生活有多大，你发现新问题的可能性就有多大。你的创作反映你的生活区域。
曾经看过一则故事： 在古代日本，有一位武士受命去刺杀一位犯法的平民。武士找到了平民，并已经把平民逼到墙角。就在武士拔刀，正准备将平民击杀的时候，平民因为无力反抗，只好朝武士脸上吐了一口吐沫。武士非常生气，但奇怪的是他没有杀死平民，反而收起刀，转身走了。 原因是，武士觉得如果在愤怒状态杀死平民，那就是他为了“自己”而刺杀，这样不行，因为他没有这样做的理由。他要等到自己平心静气时，再来刺杀平民。彼时，他便是纯粹地在执行命令，整件事情跟“他”
Rewind 这个产品是非常朴实的一个理所应当的故事：从个人的记忆中寻找信息。没有“痛点”、“场景”，就是基于对人行为的了解，且在技术上可行而做出的合理想象。 从 Rewind 中看到创意的力量，一个新的想法——填补人类认知的局限，要比别的一切东西重要。
在这里「想象」指的是知识、概念、理论…… 现实跟想象是分开的，我们结合经验跟概念去认识现实，但无论认识到什么结果，它们跟现实都是分开的。 基于这个前提，如果我们的认识（想象）跟现实不相符，那么问题肯定就是我们的认识出现了错误，应该去修正这个认识而不是扭曲现实让其符合自己的想象。 但这只是纯粹理性的推论。当想象跟现实产生冲突时，放弃自己的想象，接受现实，需要接近自残的勇气。因为我们的「想象」不仅仅是我们认识现实的产物，还是我们「自我」