tanscp

如何重组内心的秩序 这几年有一种状态反反复复的出现：迷茫、慌张和不知所措，处于心情很down很负能量的倦怠状态。这种状态有时像一场混乱的风暴，打乱了原本的平静，他们说这是内心失序的感受。我们每个人都会经历这样的时刻，可能是面对压力、不确定性，或是在追寻方向时感到迷茫。这种情绪并不罕见，也并不可怕，它只是提醒你需要停下来，与自己的内心对话。
简单来说，内心失序就是当你正准备专注于做一件事时，心里却被其他事情分散了注意力。心理学家克森米哈赖在《心流》中提到，内心失序会迫使我们的注意力转移到错误的方向，精神能量因此被阻滞，难以发挥预期的功能。崔庆龙在《对境生心一如何从痛苦和不适中摆脱》一书中对这种失序感的精准描述：

由失序的自我所发起的活动依然是失序的，而你在平静时充满乐趣的事情，在那个自体状态下统统都变得无趣，甚至令你更加烦躁，因为内心的“渲染风格”变了，它从完整和连续变成了破碎和离散。

Anne-Laure Le Cunff在NESS LABS的一封Newsletter提到了一个概念：Overfunctioning，意为承担过多的责任或任务，超出原本的职责范围，过度承担者。分析一下造成这种情况出现的原因，可能是以下几种：

• 管理自己的焦虑。通过承担他人的责任来缓解自身的焦虑，这种焦虑一般来源于害怕出错和不安全感，想要通过过度承担任务来获得一种控制感，避免不确定带来的不安。
• 完美主义的性格特点，它通常表现为对高标准的追求和对细节的过度关注
• 通过帮助他人来逃避自己的责任和问题，另外一个角度是能满足自我的存在感和价值感
• 对外部的帮助请求难于说不，不懂拒绝
• 在关系中常见的功能失衡现象。过度承担者和处于被动的一方存在依赖的共生关系，前者需要通过“帮助别人”来感到有价值，而后者则依赖前者来满足自己的需求。这种动态不平衡的关系模式，可能无意中会助长后者的依赖性。
• 在某些文化中，忙碌和承担额外责任被视为积极的品质

This message is used to verify that this feed (feedId:79060688177175552) belongs to me (userId:74977201144112128). Join me in enjoying the next generation information browser https://follow.is.

AI is the new plastic。把AI比喻成塑料，我们可以从塑料的快速普及和大规模发展，到逐渐意识到其潜在危害性的历程中，汲取对AI发展的深刻启示。正如塑料，AI是一种新兴的材料和工具，它正在重塑我们的生活和工作方式，催生新的工作模式和信息交互形式。尽管AI带来了显著的进步，但它也伴随着风险，正如塑料对环境的破坏性影响一样，我们同样需要关注AI的潜在缺点，包括工作岗位的转移、隐私泄露和伦理问题等。

AI一种能快速给出答案或结果，但结果的准确性或好坏并不确定的手段，其关键点在于喂给AI的提示词是什么？你是否明确清晰的表达了自己的诉求。生成式 AI 通常基于概率模型，它会预测最可能的答案或文本，而不是确定唯一正确的答案。这种方法有时会导致结果偏离真实需求。但如果是需要快速产生想法、创意或进行初步探索时，AI 的效率和广度非常有用，即使结果有不确定性，也能为进一步优化提供方向。而且AI的准确性也基于人类监督和矫正，它不是取代一切，而是我们工具箱中的新材料。

🚩 简单说来，各种"距离"的应用场景简单概括为：

• 空间：欧氏距离用于度量二维或三维空间中的直线距离，非常适合用于几何空间中的距离计算；

• 路径：

  • 曼哈顿距离：网格路径计算，只允许沿着水平和垂直方向移动，而不考虑对角线方向的距离；
  • 切比雪夫距离：用于度量国际象棋国王的最短路径距离，适用于只考虑水平、垂直或对角线的移动

  闵可夫斯基距离是欧氏距离、曼哈顿距离和切比雪夫距离的统一形式

• 加权：标准化欧氏距离，用于需要考虑各维度不同权重的情况，例如数据分析中不同特征维度具有不同单位或重要性时；
• 排除量纲和依存：马氏距离，用于消除不同变量间的依赖性和量纲影响，适用于多元数据分析和异常检测；
• 向量差距：夹角余弦，适用于文本分析等高维向量空间中，比较角度而非距离；
• 编码差别：汉明距离，用于度量字符串或编码之间的差别，常用于错误检测与纠正（如纠错码）中；
• 集合近似度：杰卡德相似系数与距离，常应用于推荐系统和文本相似性计算中；
• 相关性：相关系数（如皮尔逊相关系数）用于度量两个变量间的线性关系，相关距离作为一种距离度量，用于数据分析中；
• 时间序列：DTW距离用于时间序列的相似性度量，适合变速率或变形的时间序列数据；标准化欧式距离也可以用于等长时间序列的简单相似度比较