“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”的真正含义：Emily Bender 澄清大型语言模型的本质误解
核心观点：大型语言模型只是统计预测文本的模式重复器，并非真正理解语言，其“随机鹦鹉”比喻常被误解和滥用。
引言：五年后的回响与误解
2021年3月，四位研究者——语言学家与计算机科学家的跨学科团队——发表了那篇如今已成经典的论文《论随机鹦鹉的危险：语言模型能太大吗？🦜》。这篇论文在当时引起了巨大关注，部分原因是谷歌在论文发表前不久解雇了两位作者 Timnit Gebru 和 Margaret Mitchell。论文的核心论点是：大型语言模型（LLMs）生成文本的方式，是通过统计预测最可能出现的词语序列，而非真正理解它们所说的内容——这一过程被作者用“随机鹦鹉”的隐喻生动捕捉：一个重复模式却不理解含义的系统。
五年过去，这个比喻早已远远超出了其诞生的学术圈，引发了广泛讨论，甚至催生了诸如名为“随机鹦鹉”的肩扛式机器人等项目。但广泛的传播也带来了对原文含义的误解。为此，论文第一作者、华盛顿大学计算语言学教授 Emily M. Bender 在论文五周年之际，专门撰写了一篇博文来澄清关于该论文的常见误解。随后，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围绕人工智能的种种讨论。
核心澄清：随机鹦鹉到底指什么？
Bender 在采访中首先强调了“随机鹦鹉”这个术语的核心定义：
“随机鹦鹉”指的是这样一个系统：它已经掌握了大量文本数据中的统计模式，并且能够基于这些统计模式生成看起来流畅且连贯的文本，但系统本身并不理解这些文本的含义。它只是重复（或重组）它在训练数据中见过的模式，就像一只鹦鹉在学舌——它可以说出“你好”，但不知道这个词的意义。
这个比喻的关键在于“随机”（stochastic）这个词。它强调的不仅是鹦鹉式的机械重复，更是这种重复背后的概率性质：模型生成每个词时，都是基于前文词语的上下文，从概率分布中采样或选择最可能的词。这种过程与人类有意识、有意图的语言使用有着本质区别。
常见误解与Bender的回应
误解一：随机鹦鹉是对所有AI的批评
事实：Bender 明确指出，该论文和“随机鹦鹉”这个术语专门针对的是大型语言模型，而不是所有人工智能技术。她特别举例说明：
- AlphaFold（蛋白质结构预测）与 ChatGPT 是完全不同的技术。AlphaFold 使用专门设计的神经网络架构和训练目标来解决特定的生物物理问题，它不生成自然语言，也不涉及“理解”语言的问题。
- 天气预测模型、药物发现模型等，也都是基于不同的数学原理和训练数据，与LLMs有着本质区别。
Bender 认为，将所有这些不同技术都笼统地称为“人工智能”会带来严重的混淆。她说：“‘人工智能’这个短语既把不同的技术混为一谈，又过度推销了每种技术的能力。如果我们试图决定是否使用某个东西，如何监管它，我们最好使用更清晰的描述。”
误解二：随机鹦鹉意味着LLMs完全无用
事实：论文并非否定LLMs的所有应用价值。Bender 强调，她承认LLMs在特定任务上可以非常有用，例如：
- 文本摘要
- 机器翻译（作为辅助工具）
- 拼写检查和语法纠正
- 自动转录
问题在于，当这些系统被吹捧为具有“理解能力”、“推理能力”或“智能”时，就会产生危险。她指出：“语言技术本身是有价值和有趣的，独立于某人是否想用它来搞人工智能项目。”换句话说，我们可以把LLMs看作强大的文本生成工具，而不必将其人格化或赋予其意识。
误解三：随机鹦鹉是反技术或反进步的
事实：Bender 本人是一位计算语言学家，她的大部分工作就是“训练学生去构建语言技术”。她强调自己的研究包括构建“机器可读且人类可读的语法，以模拟不同语言中的语言现象”，这本身就是“使用计算机服务于语言假设检验”。
她对LLMs的批评并非来自反技术立场，而是来自对技术准确描述的坚持。她认为，夸大LLMs的能力不仅误导公众，还可能导致有害的部署决策。例如，将聊天机器人用于心理健康咨询、法律建议或教育评估，而系统实际上并不理解用户的问题，只是在统计上匹配回复模式。
技术细节：为什么“统计预测”不等于“理解”
Bender 进一步解释了计算语言学视角下的关键区别：
语言的使用 vs. 对语言的理解：人类使用语言时，背后有意图、信念、知识、情感和社会语境。当我们说“你能把盐递给我吗？”时，我们不仅是在发出一个声音序列，而是在执行一个请求动作，并隐含地知道对方有能力理解并执行。而LLMs生成的“你能把盐递给我吗？”只是一个基于训练数据中“你能把X递给我吗？”这个模式的高概率输出，系统本身既没有盐的概念，也没有请求的意图。
形式 vs. 意义：LLMs在形式上（词汇选择、语法结构）可以非常逼真，但在意义上完全空洞。它们可以写出关于“悲伤”的优美诗句，但系统本身没有情感体验。它们可以回答复杂的数学问题，但只是记住了训练数据中的解题步骤，而不是真正理解数学规律。
训练数据的局限：LLMs学习的是人类语言中的统计关联，但这些关联可能包含偏见、错误信息、有害内容。系统没有能力区分真实与虚假、道德与不道德，它只是忠实地（或概率性地）模仿了训练数据中的模式。
“人工智能”这个术语的问题
Bender 在采访中花了大量篇幅讨论“人工智能”这个术语本身的问题。她认为：
- 模糊性：它把图像识别、语音合成、自然语言处理、机器人控制、专家系统等完全不同的技术归在一起，使讨论变得困难。
- 过度推销：这个术语自带光环，暗示系统具有某种类人的智能，而实际上大多数“AI”系统只是执行特定任务的统计模型。
- 影响资金分配：当前的研究资助体系使得“不把自己的工作称为人工智能就很难获得资助”。她认为这是“净负面”的影响，因为它扭曲了研究优先级，迫使研究者为了资金而夸大自己工作的意义。
对当前AI讨论的反思
Bender 观察到，在公众和媒体讨论中，“人工智能”几乎已经成了“聊天机器人”或“大型语言模型”的同义词。她指出：
“很多人会说‘我用它来做这个那个’。那么你说的‘它’是什么？然后他们会说‘哦，我指的是Claude’或ChatGPT或Gemini，所以他们谈论的是这些聊天机器人。但另一些人会说‘你不能说AI全是坏的，那AlphaFold呢？’所以，对很多人来说，他们谈论的是基于大型语言模型的聊天机器人，但也不清楚这些东西与AlphaFold那样的东西是分开的。”
这种混淆导致了政策讨论的混乱：一项针对“AI”的监管政策，可能同时适用于药物发现模型和社交媒体聊天机器人，而它们带来的风险和需要监管的方面完全不同。
结语：清晰描述的重要性
Bender 在采访最后强调了清晰描述技术的重要性：“如果我们试图决定是否使用某个东西，如何监管它，我们最好使用更清晰的描述。”
“随机鹦鹉”这个比喻的真正价值，不在于否定语言模型的所有用途，而在于提醒我们：不要被流畅的文本输出所迷惑，不要将统计模式匹配误认为真正的理解。只有准确理解技术的本质和能力边界，我们才能做出明智的部署决策，避免过度依赖和滥用。