文艺复兴时期，数学家帕斯卡和费马通过研究赌博纠纷，提出了期望值的概念，改变了对不确定性的看法。期望值将未来所有可能结果的价值加权平均，使不确定性可计算，广泛应用于保险和金融等领域，帮助人类在复杂环境中做出理性决策。

失业后，作者体验了生活的不同面貌，开始练习瑜伽，改变了对生活的看法。尽管收入和稳定性下降，他学会了接受不确定性，重拾对生活的热爱，发现生活的意义不再仅仅依赖工作。通过与朋友交流，作者感受到生活的多样性与深度，强调热爱不必依附于工作，鼓励在不确定的时代寻找自己的幸福。

MixAtlas是一种用于多模态大模型中期训练的数据混合优化框架，通过领域分解和小型代理模型提高样本效率和下游泛化能力。它在图像概念和任务监督两个方面分解训练数据，显著提升训练效率，实现3倍的收敛速度和2-5%的性能提升，尤其在文本丰富的基准测试中表现突出。

在KotlinConf’26上，Lena Reinhard探讨了科技行业的变化与不确定性，指出职业发展和工作安全的承诺受到质疑。随着AI的崛起，生产力的定义也在变化，团队面临更大压力。她强调领导者需理解团队需求，保持开放沟通，以应对当前的混乱。

作者思考如果有按钮能让AI消失，是否会按下。尽管许多人会选择让AI消失，但他对AI的依赖感到空虚。AI虽然能完成工作，却让人失去成就感和确定性，工作变得模糊，未来充满不确定性。

Anthropic公司的新AI模型“Claude Mythos”因“人类错误”泄露，因其强大而未能发布。网友对此事件的反应揭示了AI公司在技术与营销之间的矛盾，以及人类在技术发展中的不确定性和错误。

由于租的车位即将失去，导致两辆车无处停车，小区车位紧张，周末出行困难。考虑租房或卖房解决问题，但充满不确定性。此外，手机掉地后需要购买手机壳，购物时遇到麻烦，最终收到错误商品。

管理研究与开发存在本质差异。研究需应对不确定性，采用不同方法，确保与产品价值相连，使用有效工具和策略。通过结构化管理，研究能够产生实际影响，避免无效探索。

在Thoughtworks软件开发未来研讨会上，与会者讨论了AI对软件开发的影响，指出现有实践面临挑战。尽管AI加速了开发，仍需解决许多不确定性。AI可能改变开发者角色并提升生产力，但需谨慎管理安全风险。大家对AI的未来充满疑问，但一致认为需共同探讨相关问题。

在实际工程中，即使温度设为0且随机种子固定，LLM的输出仍无法完全一致，原因包括采样配置、浮点误差和调度策略等。因此，追求严格的确定性不现实，需通过参数控制和架构设计实现业务可接受的稳定性。

本文探讨了大型语言模型（LLM）如何有效传达其内部答案分布的不确定性。研究提出了SelfReflect指标，用于评估LLM生成的摘要与其答案分布之间的差异。结果表明，现代LLM在表达不确定性方面存在不足，但通过多次输出采样和反馈，可以生成更准确的摘要。这为未来LLM不确定性沟通的发展提供了新思路。

Dify 1.0 在经历多次延迟后于2025年3月上线，但面临诸多问题，管理团队缺乏明确方向，导致市场失望。文章探讨了想象力的重要性和生活中的不确定性，强调珍惜当下。

近期对Oracle停止开发MySQL的担忧加剧。实际上，MySQL的开发在私有仓库中进行，GitHub仅为发布平台，缺乏增量提交并不代表没有开发。MySQL的开发模式一直如此，不能仅凭图表判断项目状态。

在AI时代，面对不确定性，关键在于积累可复用的技能和经验，而非单纯尝试。成功在于解决更大问题和承担更多责任，形成独特的生态位。保持灵活，兼顾短期收益与长期积累，才能在竞争中立足。

AI原生基础设施旨在将模型行为、算力稀缺性和不确定性纳入可治理的系统，提供可度量和可进化的边界，确保AI系统在生产环境中的可交付性和治理。关键在于算力治理、工程化执行形态和闭环机制，以应对不确定性，实现可持续发展。

AI 原生基础设施需应对不确定性，治理的关键在于制度化管理成本与风险。系统运行不再确定，需将不确定性视为默认输入，以确保在最坏情况下仍具经济可行性与可控性。治理机制包括入口控制、意图转译、计量与预算管理，以实现系统的稳定运行。

机器学习中的不确定性源于模型对现实世界的知识缺乏，主要分为不可减少的随机不确定性和可减少的知识不确定性。管理不确定性的方法包括概率模型、集成方法和数据清理。理解不确定性有助于构建更可靠的模型。