“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
“随机鹦鹉”五周年：Emily Bender 澄清原文，拆解大语言模型的真实本质
原文澄清“随机鹦鹉”并非贬低语言模型无用，而是揭示其统计模仿无理解的本质，并批判“人工智能”一词的误导性。
背景：一篇引发争议的论文
2021年3月，四位研究者（语言学家与计算机科学家合作）发表了里程碑式论文 《论随机鹦鹉的危险：语言模型能太大吗？》（"On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?"）。该论文当时获得巨大关注，部分原因在于两位作者 Timnit Gebru 和 Margaret Mitchell 在论文发表前不久被 Google 解雇。
论文核心论点：大型语言模型（LLM）生成文本的方式是基于统计预测最可能的词序列，而非真正理解语义。作者用“随机鹦鹉”（stochastic parrot）这一比喻来描述这种系统——它像鹦鹉一样重复模式，但毫无理解能力。
五年后的今天，这个比喻已远远超出学术界，激发了各种讨论和项目（例如一个名为“随机鹦鹉”的肩扛式机器人）。然而，广泛传播也带来了误解。论文第一作者、华盛顿大学计算语言学教授 Emily M. Bender 最近在论文五周年之际撰写了一篇博客文章，澄清常见的误解。她接受了 IEEE Spectrum 的采访，深入探讨了这些误解、计算语言学领域以及当前关于人工智能的讨论。
核心误解澄清
1. “随机鹦鹉”不是否定语言模型的价值
许多人认为“随机鹦鹉”是在嘲笑语言模型毫无用处。Bender 强调，这个比喻恰恰指出了 LLM 运作的核心机制：它们通过海量文本数据学习词语之间的统计共现模式，从而能够生成语法正确、甚至看似合理的文本，但它们并不具备对世界、常识或逻辑的真正理解。
例如，一个模型可以流畅地写出“太阳从西边升起”，因为它见过类似句式的搭配，但模型不知道这是违背物理事实的。这种“鹦鹉学舌”式的模仿，在缺乏真实理解的情况下，会产生看似合理实则错误、甚至有害的内容。
2. 论文不是反对所有语言技术
Bender 澄清，论文并非反对语言技术本身。她本人就是计算语言学家，致力于构建机器可读且人类可读的语法模型，用计算机来检验语言学假设。她认为语言技术本身是有价值且有趣的，无论是否有人想用它来实现“人工智能”的宏大目标。
语言技术包括：自动转写、机器翻译、拼写检查等。这些技术可以基于规则、统计或神经网络，但关键区别在于：它们的设计目标明确，且通常有可解释的机制。
3. “随机鹦鹉”是对“理解”的警示，而非对“生成”的否定
论文的核心警告是：当我们把 LLM 的输出误认为是“理解”或“智能”时，危险就产生了。例如，在医疗、法律、教育等高风险领域，如果用户盲目信任模型生成的“正确”答案，可能造成严重后果。
Bender 指出，即使模型能通过图灵测试式的对话，也不代表它具备心智或意识。它只是在执行极其复杂的模式匹配。
“人工智能”一词的误导性
Bender 在采访中深入批判了“人工智能”（AI）这个术语。她认为这个术语遮蔽多于澄清，原因如下：
1. 混淆不同的技术
“人工智能”把完全不同的技术混为一谈。例如：
- ChatGPT、Claude、Gemini：基于大型语言模型的聊天机器人，本质是统计文本生成。
- AlphaFold：用于蛋白质结构预测的模型，基于生物物理和深度学习。
- 天气预测模型：基于物理方程和统计建模。
这些技术背后的原理、数据需求、可靠性、可解释性完全不同。用同一个“AI”标签，会让人误以为它们有相似的局限或能力。
2. 过度推销
“人工智能”一词带有强烈的科幻色彩和营销价值。科技公司用它来抬高估值，而不是准确描述产品。Bender 说：“如果你试图决定是否使用某样东西，或者如何监管它，更清晰的描述会让你做出更好的决策。”
3. 研究资助的扭曲
当前研究资助体系下，如果不把研究称为“人工智能”，就很难获得经费。这导致许多研究者被迫将工作贴上 AI 标签，即使其本质是统计建模、语言学或工程优化。Bender 认为这是净负面影响。
计算语言学 vs. 人工智能
Bender 解释了她作为计算语言学家的日常工作：
“语言学，广义上，是研究语言如何运作以及我们如何使用语言。我贡献于这一领域，同时也从事计算语言学，培训学生去构建语言技术。”
她强调，语言技术可以独立于“人工智能”项目而存在。例如：
- 构建机器可读且人类可读的语法：形式化描述某种语言的语法规则，既可供计算机处理，也便于语言学家检验理论。
- 用计算机进行语言学假设检验：通过编程验证某个语法规则是否覆盖所有语料，而不是依赖直觉。
这与当前流行的“用海量数据训练黑箱模型”路径截然不同。前者追求可解释性、可控性、准确性；后者追求规模、流畅性、泛化能力，但牺牲了可解释性。
当前 AI 讨论中的问题
Bender 指出，当前关于 AI 的公共讨论存在严重缺陷：
- 术语滥用：人们常说“我用 AI 做某事”，但“AI”具体指什么？往往是 ChatGPT 或 Claude。但当批评 AI 时，又会有人说“你不能说 AI 全是坏的，AlphaFold 不是很好吗？”——这混淆了不同技术。
- 新闻误导：报道“科学家用 AI 发现新药”，实际可能只是用蛋白质折叠模型，与聊天机器人完全不同。
- 公众认知偏差：公众对 AI 的理解被科幻作品和公司营销扭曲，期望过高或恐惧过度。
结论：我们需要更精确的语言
Bender 的最终呼吁很明确：放弃“人工智能”这个模糊的伞式术语，转而对具体技术进行具体命名和讨论。
- 是“大型语言模型”？就说 LLM。
- 是“蛋白质结构预测模型”？就说 AlphaFold。
- 是“统计天气模型”？就说数值天气预报。
只有使用精确的语言，我们才能进行有意义的辩论，制定有效的监管政策，并做出明智的技术选择。
“随机鹦鹉”这个比喻的真正价值在于：它提醒我们，不要被流畅的文本生成所迷惑，而要清醒地认识到模型能力的边界。正如 Bender 所说：“语言技术本身是独立有价值且有趣的，但前提是我们不把它包装成某种它并不是的东西。”