这两天在琢磨 PowerPC G4 和 6502 ，分别问了 ChatGPT 两个汇编语言的问题，AI 都没有回答正确，而且存在比较严重的似是而非。分析了一下原因，PowerPC G4 在网上的公开资料很少，而 6502 的资料虽然多，但是它有一些 Gotcha （比如说光是寻址模式就有 13 种）。
问题具体就不说了，实在是有点长，而且估计也是大家没啥兴趣的东西。只能说，更加坚定了以后往底层走的信心。
相比之下，笔者的本职工作是数据工程，无论是写 SQL 还是写 Pyspark 、Scala ，AI 除了优化一般之外，基本上都能胜任。我相信如果能够把公司的所有代码都导入进模型的话，可以代替本人 75%的工作。

为嘛你们都在担心被 AI 替代掉？在此之前我已经被卷卷的同行人类替代掉了。

拿特定硬件架构的知识和案例， 做 RAG 场景或者微调特定模型就行了；
这个属于 AI 工程解决的手段，并不是说通用基线大模型或者 AI 不支持，就没用了。毕竟预训练通用大模型并不一定拿得到你这个工作领域的私域知识。但是真要做，也不是不行， 看成本了。

其实资料少的，AI 都不擅长。AI 只擅长有一堆资料的各种技术。

AI 比较容易搞定从青鸟/达内/蓝翔/etc 出来的转码程序员所从事的工作。

＃1

呃，其实我无所谓，反正四十多了大不了再做几年不做了。撑到五十就算胜利。我只是紧跟论坛的最新潮流谈一谈想法。

＃2

我同意，但是有些资料真不好找。我觉得没人会去到处搜集 PPC g4 的资料。。。当然现在也没这个需求。

＃3
我感觉是一种比较强的搜索引擎。当然只是我的直觉。我对 LLM 的原理并不懂。

AI 目前只能解决不精确的工程类问题，比如前端怎么画、爬虫怎么写等。

无非就是没啥资料，没有上下文这样子，有的话就问题不大

就好比你现在去问任何一个非电脑专业的大学教授，你看他能回答你这个什么 PowerPC G4 和 6502 的问题不。。。

正常啊，因为它没怎么学过，就只能瞎猜

你用 RAG 扔几个 PowerPC G4 和 6502 的操作手册，你看它会不会。

现在模型强的是推理（虽然比各位精英还是差一点🐶，但是强于大部分普通人）

我最近在自定义 DSL ，只要你把 DSL 定义文件给它，它也能写你规定的 DSL 。

你得把相关资料输入进去后才有可能回答的出，ai 的知识也不是凭空捏造的，需要关联内容训练过

你举的这两个例子,能从书本中得到知识不,如果可以,那 AI 学会也只是时间问题

语料太少还没办法总结出有效规律吧。

AI 写的最好的是 Python 和 JavaScript 你猜是为什么

确实，公开资料少的都不太能正确解答。

我在使用 verilog 实现 double dabble 算法的时候，有不太理解的地方，AI 对此无能为力。

但是单纯问 verilog 的语法反馈还是可以的。

还不能凭空捏造，需要先学习才可以

但问题是你可以学习，掌握这种知识，只要 AI 也学了，那么。

AI 毕竟也不能凭空捏造，如果 AI 没有这块的垂直资料的学习，估计很难，换成一个行家，如果没有这块资料的输入，估计行家只回答不出来。本质上还是资料困难的问题。

自己训练一个模型，喂你们的内部文档之类的东西，多喂点，效果就好起来了

＃8 我们的经验是，AI 可以搜近似，但不能做否定。

把这玩意当成一个搜索引擎就好了，网上都少有的东西，他自然也没什么举一反三的能力。。

同感, 呈现出来的只是针对人类语言文字 最大概率的字符序列化预测

用不着汇编底层，问稍微偏门点的就开始瞎编函数接口了

和人一样问的多了自然也会了

理论上能做，但这种太小众的领域 roi 估计不划算

我问 chatgpt 开发问题，他经常言之凿凿地给个结论，然后像模像样地给一大段分析。
然后我实验一遍发现不对，细看一遍发现疑点之后问他，“你分析的 xxx 这个地方是不是有问题？”
然后他又非常干脆地承认错误：“你是对的！ xxx 应该是这么这么写，原因如下……”又给出一大段分析。

不只是硬件，只要是细分领域的东西 ai 都不擅长

ai 是训练出来的，硬件类的本来资料就少，训练的也少。

＃26 你这种其实是典型的错误用法，你都明确知道哪里有问题了，就应该直接给它找到相关文档之类更明确的信息，并且附上可能有的报错日志之类的，把充足的信息丢给它，再让它修复；而不是“你这个地方是不是有问题？”，这么做大概率会继续得到错误的结果

我问你，40 个月以前那时候，你有没有想到就这么一段时间 AI 就可以狂刷 LeetCode 了？

我就是做底层的，AI 以后可能真的永远也不能解决底层细节问题，但是以固定静态视角看问题的思路也是真的不可取。

＃30 主要我开始也不知道他有问题，只是按他的答案实验之后发现不对，才去仔细研究他给的代码的。我本来也怀疑是不是我想的对不对，只是问了一下它，它就立马改正说他前边说的不对了。
虽说作为一个 AI ，勇于改错的态度很好吧，但是他前后给出两个不同回答时的语气，都是很笃定的，中间认错又是很干脆的，给人一种反差感😂。

你这个有点像之前说中国工业差，造不出圆珠笔珠子

那是你这个行业还没什么价值。或者说卷到最后，可能随便谁顺手整理了下资料就把你们秒了

应该是训练资料少的问题，我之前写一个游戏 mod ，也是一样的，完全不可用，全是幻觉

＃31 你可以试着引导 AI“你说的确实是对的，但是 xxxx 出了问题”看看，你就会发现它的回答主要取决于你说了什么，而不是它真的“思考”了

＃11
的确，给定义写解释器也很溜。

＃13
还是得懂行的人去喂才行。目前这么做的人大概只有玩 retro computing 的同好了。其实我后来找到好几本书，但是如果没做过 Power Mac 的开发可能就真不确定到底是不是我要的。毕竟 PPC 现在还在用，但是和我手头的 g4 差别很大。

＃14
不知道为什么我提醒了多次是 MacOSX 他还是坚持写 Linux 。

＃16
对，语法还可以，不过碰到汇编这种换一个架构，换一种表达格式就不一样的，还是有困难。

＃31

你说的也有道理。大概有人去喂就会好很多。

用 Gemini 把数据手册全部为进去再问问看

所有闭源的东西，特别是苹果的东西，AI 都不好使。你问 ARM 处理器相关的内容，AI 一般回答都没有毛病；你问苹果定制的和 ARM 相关的东西，比如 KTRR ，深入一点 AI 就只会给你车轱辘话或者糊弄你。我已经试过关于 Secure Enclave 里面运行的那个 SepOS 相关问题了，还有苹果的 kext 扩展相关的，AI 都不好使。

这个世界规律是：你对抗什么，你就会成为对抗的反面
你仇视富人，你就会成为穷人
你鄙视年轻人，你就会变老人
你逃避 AI ，你就会被 AI 替代

AI 这么好的东西，干嘛不去拥抱呢，跟 AI 一起淘汰哪些不愿意用 AI 的人啊

这个确实我之前闲暇时间做 gba 模拟器，然后具体的底层相关的 他都回答的答非所问

＃43
我的确是积极使用 AI ，只不过是在试探他的极限。下一步我要计算一下，是走月计划划算还是 api 划算。一个月 30 刀的确也不贵就是了。

＃44
居然 z80 这么大路的处理器也不行？好吧我承认是改过的 z80 。

＃42
我理解 AI ，我也不知道这些是什么，哈哈哈，大佬研究的比较深入？

你这个问题我可以来回答😆
我们团队工作和芯片强相关，chatgpt 这种外部工具因为语料的原因根本就不可用。今年拉着相关的同事再摇了一些深度学习相关部门的外援，搭了一套自用的 RAG ，模型用的是开源的，各种内部才有的 FS Datasheet 喂进去然后稍微做了一下调参，再量化了一些特征来提速，现在基本上做到了纯小白入职，也有一个熟读各种协议和设计的 LLM 来当老师了😁

你觉得 gpt 没法回答的核心原因不是模型问题，而是语料不可获取导致的，你可以找一下能做知识蒸馏的平台，多导入几本文档再试试，有奇效

AI 学的都是 github 上的东西，你如果 github 都搜不到那 ai 也学不到什么

智能的本质是概率学。

但是人类的智能是能持续学习的概率学。

而现代 AI 则是无法持续学习的概率学，它的知识体系永远停留在某一个时间点。所以，楼主可以考虑让它能够持续学习，这样它就能解决特定未知领域的问题了。

我怎么感觉越是硬件底层越完蛋，只要有足够的语料。越是靠近底层的东西越是大道至简

AI 刚火起来的时候有种说法是可以用 AI 设计芯片，左脚踩右脚上天

＃48
多谢，明白了，看来的确是资料不足。

cursor 就有喂文档的功能，可以试一试对一些小众问题，喂文档前后的差异有多大。

互联网上相关数据不足导致 LLM 对有些问题的 0-shot 能力很弱，但只要稍微做下 RAG ，就能得到大幅度的提升。

实际上我认为可以直接这么说：一个人类简单看一看文档能解决的问题，给 LLM 喂一下文档和 prompt 基本上也能解决。

目前的 ai 并不能创造一个新的事物，本质上是对已有事物的糅合拼接，所以说他的知识范围是不会超过其语料的

我基本上可以确认，与爱情软硬件紧密联系的具体操作是 AI 所不擅长的
不给草 0 分

在这地方他学得少，太小众了