没文凭没技术还有糖肾——我想用这思路毕其功于一役让余生衣食无忧

把记忆留给回忆

四五百年前英国卖羊毛给外国人，后来发现外国人把羊毛以纺织品卖回英国可以赚更多，于是英国人开始自己养羊——新增养羊份额
现在经济低迷，而所谓的奥卡姆剃刀却是如无必要勿增实体——有些行业失业究竟在失什么业？
比如在工厂里生产加工器件有的要用到紫外线去固化、有的通过排气去调整压强、有的还要保持恒定的温度和酸碱度、有的还要消除材料应力等等，工厂里通过对应的设备仪器去操作的紫外线、排气减压、温度和酸碱度可以统称为物理参数和化学参数！
可我们五六岁时就已经可以听长辈们的话去扔垃圾，小学或初中就被教导过扔垃圾的危害——有的垃圾会因阳光里的紫外线产生毒害物质、…另一些垃圾在大自然条件下最少要几百年才能降解，所谓阳光里的紫外线、所谓大自然的条件其实就是不同场景下的压强温度酸碱度等等，而这些其实也可以统称为物理参数或化学参数！
我们人类有思维上的局限性，没法把【大自然施加于被扔垃圾的物理参数和化学参数】跟【工厂里设备仪器调控的物理参数和化学参数】统合在一起！
那就用人工智能去统合！
从环保到制造业都各自存储着随物理参数变化而变化的数据、随化学参数变化而变化的数据——可都是【元素或分子】【物理规则】【化学规律】这三个部分组成，前几天在其它公众号看到：
三星电子研究员 Honggu Kang 及其合作者开发了生成模型辅助联邦学习（GeFL，Generative Model-Aided Federated Learning）GeFL允许每个客户端根据自身计算能力定制模型架构，同时通过全局生成模型实现跨设备的知识聚合
就像保温杯用途是保温，所以保温杯除了装热水/温水之外、还能装雪糕冰淇淋：
把【工件加工时刮铲、切削、压折的微观过程】
以及【工件实际使用中随温度、酸碱度、…压强/应力等等变化的微观过程】
借助类似GeFL却更强大的跨设备知识聚合技术等效于【垃圾随温度、压强、酸碱度等等变化的微观过程】
假设有一堆垃圾，先直播间里检测构成成分
之后在直播间用软件模拟【140摄℃、…5倍大气压、持续时间7秒】这组参数施加在这堆构成成分的垃圾上，软件计算结果：气体0.9立方米、…3倍大气压
然后在直播间分会场把【140摄℃、…5倍大气压、持续时间7秒】这组参数真实作用于这堆垃圾进行验证，记录结果却是0.55立方米气体、…1.7倍大气压。
…
十几亿人的一袋袋垃圾在‘软件模拟测试’和‘现实实测验证’这俩为什么有的相差太大？有的相差无几？…一步步把相关设备仪器和软件算法更新换代到哪怕几十亿分之几的杂质和变化幅度都能定点检测或定点清除：
比如直播间A做到了用含铝材料材质分子得到37亿分之1361摄氏度（℃）和两个铝原子——其它直播间按A的做法可以1比1做到37亿分之1361摄氏度和两个铝原子
直播间都有余力进行几十亿分之几任意参数的定点检测和定点清除——各行各业的量产产品也就更有保障
就跟碳排放量可以进行交易——个人或家庭扔的垃圾作为随机构成成分用于产生数据来赚钱！
产品安全、又有钱，也救消费

七月时光

顶顶更健康