2025-11-16 04:44:45
视频：油管/Youtube | B站/小破站 | 微博视频 | 西瓜视频 | 微信视频号 | X/推特 | 小红书 | Facebook
组合计数是在顺序不重要时选择项目的方式。我们从一个简单的格子行走示例出发建立直觉，介绍二项式记号，推导公式，解释递推关系 
，并把所有内容联系到帕斯卡三角。
想象你只能向右（R）或向上（U）移动。要从左下走到需要三次向右和两次向上的点，每一条最短路径都是由五步组成的序列，其中包含三个 R 和两个 U。
走格子: 排列组合
每条有效路径只是从五个位置中选择两个放 U（其余为 R）。所以这样的路径数就是“从 5 中选 2”，记作 
（等于 
）。
示例序列：
R R U R U U R R R U R U R R U R R R U U U U R R R
从 
个项目中选出 
个（顺序不重要）的方式数记为
或
两者都表示“从 n 中选 m”。
先计算有序选择（排列）：从 n 个不同项目中取出长度为 的有序列表的数量为
每一个无序的 
项集合对应 
个有序列表（即这 m 项的排列）。除以 得到组合数：
对于总步数 
和向上步数 
：
因此共有 10 条不同的最短路径。
个位置中选择放置 U 的 个位置；这就是 。把 
写成行可以形成帕斯卡三角：
1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1
Pascal/帕斯卡三角形
这些项满足递推关系
然后，我们可以很容易的写出至顶向下的动态规划算法实现（用@cache实现记忆化式的递归搜索）：
from functools import cache
@cache
def C(n, m):
if m == 0:
return 1 # C(n, 0) = 1
if m == n:
return 1 # C(n, n) = 1
return C(n-1, m-1) + C(n-1, m)
当然，也可以用自底向上的方式实现：
def C_bottom_up(n, m):
dp = [[0]*(m+1) for _ in range(n+1)]
for i in range(n+1):
dp[i][0] = 1 # C(i, 0) = 1
for j in range(1, min(i, m)+1):
if j == i:
dp[i][j] = 1 # C(i, i) = 1
else:
dp[i][j] = dp[i-1][j-1] + dp[i-1][j]
return dp[n][m]
这个自底向上的实现直接从小问题累加到大问题，避免了递归开销，同时也很容易扩展到计算整个帕斯卡三角。
组合数的自底向上 DP 可以用 一维数组优化，利用 滚动数组 原理，因为每一行的计算只依赖上一行。重点是从 右往左更新，这样不会覆盖还没用到的数据。
下面是实现示例：
def C_one_dim(n, m):
dp = [0] * (m+1)
dp[0] = 1 # C(i, 0) = 1
for i in range(1, n+1):
# 从右往左更新，避免覆盖上一行数据
for j in range(min(i, m), 0, -1):
dp[j] = dp[j] + dp[j-1]
return dp[m]
示例：
print(C_one_dim(5, 2)) # 输出 10
✅ 优点：
想要从 个苹果中选 个。考虑最后一个苹果（编号为 n）：
如果你选了它，那就必须从前面的 
个中选剩下的 
个：有 
种方法。
如果你不选它，那就必须从前面的 个中选出全部 个：有 
种方法。
这两个互不相交的情况覆盖了所有可能，因此
（该恒等式正是构造帕斯卡三角的规则。）
在格子上，观察到达某点的任意路径的最后一步：要么是 R，要么是 U。以 R 结尾的路径来自某个前一点，以 U 结尾的路径来自另一个前一点。把这两组路径分别计数并相加就得到相同的加法规则。
（选择零个）。
（选择一个）。
（选择全部）。
当 时的小表：
C(5,0)=1 C(5,1)=5 C(5,2)=10 C(5,3)=10 C(5,4)=5 C(5,5)=1
组合出现在路径计数、二项式展开（系数）、概率与选择问题中。阶乘公式提供直接计算方法，而帕斯卡三角与递推关系则提供归纳直觉和高效构造数值的方式。格子行走示例是将“选择位置”等同于“选择步序”这一组合核心思想可视化的具体方法。
英文：Teaching Kids Programming – Introduction to Combinatorial Mathematics 1
本文一共 1176 个汉字, 你数一下对不对.
2025-11-16 03:30:46
1. 性能的真正秘密：数据放在哪里决定一切
2. 决定系统快慢的不是 CPU，而是数据的距离
3. 缓存才是现代计算性能的核心
4. 忽视数据局部性，一切性能优化都是徒劳
5. 性能瓶颈不在算力，而在内存层级
6. 数据局部性：被低估的性能决定因素
7. CPU 在等你的内存：缓存层级的真实代价
8. 系统速度快的真正原因：一切都与缓存有关
9. 别再关注 CPU 速度了——数据局部性才是制胜关键
10. 为什么缓存是所有高性能系统的幕后引擎
11. 性能的关键不在于 GHz，而在于距离
12. 你的 CPU 正在等待内存：缓存不为人知的故事
13. 数据局部性：计算机领域最重要却鲜为人知的因素
14. 数据存储位置决定一切
15. 缓存主宰一切：性能指南
16. 内存层次结构：性能的隐形杀手（或救星）
17. 为什么现代性能之战是与延迟的较量，而非与计算能力的较量
我们喜欢讨论 CPU 频率，但在实际系统中，关键问题是：你的数据存放在哪里？
现代 CPU 依赖一个分层的内存体系（寄存器 → L1 → L2 → L3 → DRAM）。L1 访问可能只需约 4 个周期；而 DRAM 访问可能需要 200+ 个周期——那是 50× 更慢。如果你的工作集能放进缓存，一切飞快；如果不能，CPU 就会阻塞等待。
分组处理是一个典型例子。每个数据包都会触发表查找。如果这些表能保持在缓存中，你可以每秒处理数百万个包；一旦溢出到 DRAM，吞吐量会崩塌。
真正的设计问题： 它能放进缓存吗？
CPU寄存器/缓存/架构
缓存不仅仅关乎数据。指令缓存未命中也会毁掉尾延迟。有些高频交易系统会让热路径持续执行，只在需要发包时才打开网卡，从而保持 指令缓存持续命中。在交易环路中，一个 I-cache 停顿就可能占据全部延迟预算。
“全都上云”这类高层策略常忽略底层现实。虚拟化网络功能依赖于诸如：
销售演示会说“可以工作”，但细则通常是：需要 3 倍硬件、3 倍许可证，性能仍然无法与裸机匹配。 一旦你依赖缓存行为、核亲和和 NUMA 局部性，平台就不再可互换。
即便在 AI 领域，物理规律也没变。模型越来越大，但数据移动依旧主导计算。局部性仍然是王道。
在多轴运动控制中，第一个轴会“预热”缓存并承担缺失惩罚；后续轴的计算因为数据已经热化而耗时减半。相同的原理：局部性 = 速度。
IBM 的 Telum 处理器把这个想法推到了极端：
IBM Telum 处理器
该架构可以按需将 L2 转作 L3 使用。IBM 尚未公开这些缓存层的具体访问延迟，但在如此大规模的缓存下，大小、互连距离与命中延迟之间的折衷会非常有趣。
性能归根结底由数据和指令能离核心多近来决定。
为局部性而设计，你的系统会表现出色。忽视它，再多的 GHz 或再多的云抽象也救不了你。
我们经常谈论 CPU 速度，却很少关注数据存储的位置。
性能主要取决于数据存储的便利程度。寄存器、L1 缓存、L2 缓存、L3 缓存、主内存——每一步都会增加延迟并降低吞吐量。访问主内存可能需要 200 个时钟周期，比 L1 缓存慢 50 倍。
当工作集能够放入缓存时，代码运行速度极快。否则，CPU 只能等待。
在数据包处理中，这种差异决定了一切。每个数据包都会触发表查找。如果这些表保存在 缓存 中，您可以每秒处理数百万个数据包。否则，吞吐量将急剧下降。
所以，下次设计数据结构时，请问问自己：
它能放进缓存吗？
因为在对性能要求极高的系统中，缓存不仅仅是一种优化手段，它定义了整个系统。
而且不仅是数据，指令也一样！我见过高频交易工程师讨论他们的策略，他们将热路径编程为始终处于激活状态，并且只在数据包需要离开系统时才启用网卡。这样也能保持指令缓存处于热状态。
保持指令缓存处于热状态与保持数据缓存处于热状态同样重要，尤其是在对可预测性要求很高的工作负载中。优化热路径，使 CPU 始终保持在指令缓存中至关重要，因为即使是很小的停顿也可能导致尾延迟显著增加。这很好地提醒我们，架构设计的真正目的是尽可能地将指令和数据都放在靠近核心的位置。
很多技术决策者都固守一刀切的策略：例如……万物皆可云——他们认为任何虚拟化工作负载都可以在任何虚拟化环境中运行，底层硬件和虚拟化技术都只是商品而已。但这并不适用于虚拟化网络功能，因为厂商们早就知道，独占线程核心绑定可以让执行线程独占使用 CPU 缓存。厂商们也知道，在虚拟化环境中，中断合并可以降低“CPU 使用率”，但会增加延迟。他们了解 NUMA 局部性，甚至把这些都写进了文档里。当然，销售人员来了之后，他们希望与高层战略保持一致，使用最佳优化基准测试，然后就云或虚拟机管理程序支持的问题展开另一场不加任何细节的讨论。没错，这行得通*但附注：你需要三倍的许可证/硬件，而且仍然无法获得最佳性能。人们对底层性能如此缺乏兴趣，技能差距如此之大，以至于似乎只能通过增加抽象层和厂商来掩盖责任。如果珠穆朗玛峰是检验技术领导力还是厂商责任的试金石，那么我们很想知道，究竟是哪一方会坚持到底，还是会在山脚下卖羽绒服。完全正确。一旦你依赖缓存行为、核心绑定和NUMA局部性，平台就不再具有可互换性了。底层细节远比大多数高层策略重要得多。
大多数繁重的AI工作负载仍然会遇到相同的内存层次结构限制。模型规模不断扩大，但芯片内部数据传输的物理机制并没有发生太大变化。理解局部性仍然是获得良好性能的关键。
数组能够为CPU提供它真正需要的东西：连续的内存和可预测的访问模式。这意味着预取器可以真正发挥作用，缓存行可以得到高效利用，并且避免了分散结构带来的指针追踪惩罚。这是保持缓存友好性的最简单方法之一。
机器人多轴运动控制也是如此。第一个轴预热缓存并承受缓存未命中的影响，下一个轴的计算时间缩短了一半。
IBM Telum处理器可以验证这一点，它能够按需将L2缓存转换为L3缓存，并且L4缓存可以被任何其他CPU访问。此外，该芯片的时钟频率始终保持在 5.5 GHz。它包含十个 36 MB 的二级缓存¹，以及扩展的虚拟三级缓存（360 MB）和四级缓存（2.8 GB）。
这是一款令人着迷的芯片。与大多数架构相比，其缓存容量巨大，这让我不禁好奇这会对各级缓存的访问延迟产生怎样的影响。可惜的是，我找不到任何关于 Telum 缓存的公开延迟数据，否则我很想了解 IBM 在实际应用中是如何平衡缓存容量、交换空间距离和命中延迟的。
英文：The Hidden Engine of Performance: It’s All About Where the Data Lives (Cache is the King)
本文一共 2349 个汉字, 你数一下对不对.
2025-11-12 19:42:49
Q Learning强化学习算法(机器学习/人工智能)
强化学习（Reinforcement Learning, RL）是一种让智能体/Agent通过与环境交互、试错学习来获得最优行为策略的机器学习方法。本文用一个简单的 Q-learning 迷宫示例，帮助你快速理解强化学习的基本原理。
强化学习入门：从试错中学习的艺术
Reinforcement Learning 101: The Art of Learning by Trial and Error深度解析强化学习：Q-Learning算法详解
Deep Dive into Reinforcement Learning: Understanding the Q-Learning Algorithm机器如何学会自己做决定？强化学习告诉你答案
How Do Machines Learn to Make Their Own Decisions? Reinforcement Learning Explained从奖励中学习：人工智能的“试错智慧”
Learning from Rewards: The Trial-and-Error Intelligence Behind AI
强化学习的世界中包含五个关键要素：
智能体的目标是学习一个策略 π(a|s)，让它在每个状态下选择最优动作，从而获得最大的累积奖励。
其中 
（0 ≤ ≤ 1）是折扣因子，用于衡量未来奖励相对于即时奖励的重要程度。
Q-learning 是最经典的强化学习算法之一。它通过学习一个 Q 表（Q-table）来记录每个“状态-动作”对的价值。
更新公式如下：
其中：
：学习率（Learning Rate）
：折扣因子（Discount Factor）
：奖励（Reward）
：下一状态（Next State）定义一个 3×5 的迷宫：
import numpy as np
import random
# 1️⃣ 定义迷宫
maze = np.array([
[0, 0, 0, -1, 1],
[0, -1, 0, -1, 0],
[0, 0, 0, 0, 0]
])
n_rows, n_cols = maze.shape
actions = ['up', 'down', 'left', 'right']
Q = np.zeros((n_rows, n_cols, len(actions)))
# 2️⃣ 超参数
alpha = 0.1
gamma = 0.9
epsilon = 0.1
episodes = 500
# 3️⃣ 辅助函数
def is_valid(state):
r, c = state
return 0 <= r < n_rows and 0 <= c < n_cols and maze[r, c] != -1
def next_state(state, action):
r, c = state
if action == 'up': r -= 1
elif action == 'down': r += 1
elif action == 'left': c -= 1
elif action == 'right': c += 1
return (r, c)
def get_reward(state):
r, c = state
if maze[r, c] == 1: return 10
elif maze[r, c] == -1: return -1
return -0.1
# 4️⃣ 训练循环
for episode in range(episodes):
state = (2, 0)
done = False
while not done:
if random.uniform(0, 1) < epsilon:
action_idx = random.randint(0, len(actions)-1)
else:
action_idx = np.argmax(Q[state[0], state[1]])
action = actions[action_idx]
next_s = next_state(state, action)
if not is_valid(next_s):
reward = -1
next_s = state
else:
reward = get_reward(next_s)
Q[state[0], state[1], action_idx] += alpha * (
reward + gamma * np.max(Q[next_s[0], next_s[1]]) - Q[state[0], state[1], action_idx]
)
state = next_s
if maze[state[0], state[1]] == 1:
done = True
print("✅ 训练完成！")
# 5️⃣ 查看学到的路径
state = (2, 0)
path = [state]
while maze[state[0], state[1]] != 1:
action_idx = np.argmax(Q[state[0], state[1]])
next_s = next_state(state, actions[action_idx])
if not is_valid(next_s) or next_s in path:
break
state = next_s
path.append(state)
print("🗺️ 学到的路径:", path)
运行上面的代码后，你会看到类似输出：
✅ 训练完成！
🗺️ 学到的路径: [(2, 0), (2, 1), (2, 2), (1, 2), (0, 2), (0, 3), (0, 4)]
这说明智能体成功学会了走出迷宫 🎯
强化学习使机器能够通过反馈学习最优策略，这类似于人类通过经验学习的方式。
Q-Learning 是许多现代强化学习算法的基础，包括深度 Q 网络（Deep Q-Networks, DQN）。
这个简单的示例展示了完整的强化学习循环：探索 → 反馈 → 改进。
强化学习的魅力在于，它不需要显式答案，而是让机器自己“摸索”出最优策略。你可以在此基础上继续扩展，比如加入 matplotlib 动画可视化 或使用 神经网络（Deep Q-Learning） 解决更复杂的任务。
英文：How Do Machines Learn to Make Their Own Decisions? Reinforcement Learning Explained
本文一共 705 个汉字, 你数一下对不对.
2025-11-10 07:37:45
上两周去了趟意大利罗马，行程是四天三晚。我们选择在周一早上开车去伦敦卢顿机场（London Luton Airport），然后坐飞机到罗马，周四晚上七点多的飞机回英国。车直接停在了 Luton Airport Car Park Terminal 1，四天的停车费是 £84.99，价格比想象中还算可以接受。
之所以选这个时间段，是因为那一周刚好是英国的 half term 假期，如果是周五到周日的航班，机票贵得离谱。避开高峰期，周一走周四回，票价能省下一大截。
订好机票后我才发现，我的地理知识确实不太行——罗马（Rome）和比萨斜塔（Pisa）根本不在一个地方！
两地相隔三百多公里，坐火车单程要三到四个多小时。原以为到意大利顺路就能看到那座传说中“歪着也能成地标”的塔，结果发现完全不是“一路顺风”的事。
不过既然来了，比萨斜塔（Leaning Tower of Pisa）是一定要打卡的。它是意大利最著名的地标之一，位于托斯卡纳大区的比萨市（Pisa），建于12世纪，是一座倾斜的独立钟楼。原本设计是垂直的，但因为地基松软，在建造过程中逐渐倾斜，如今反而成了独一无二的象征。每年都有无数游客来这里摆出“托塔”的经典姿势拍照。
我们在罗马的住宿就在市中心，离 Roma Termini（罗马特米尼火车站） 走路五分钟，是一个私人房东的公寓。第二天一早我们就出发去火车站打算坐车去比萨。
到了才发现——火车票太贵了！来回快车要 350多欧元，单程3个半小时，但得11点才能发车，估计票都快卖光了。按这个时间算，下午三点才能到，比萨都快关门了。工作人员说要不试试别家火车公司，并指了方向。
还好后来找到一班Regionale列车/慢车（意大利也有不同公司的火车），有票也便宜，四个人来回大约 180多欧元，单程大概 4小时15分钟。虽然时间久点，但想着能省一半的钱，也值了。
我们中午两点多到达比萨，天气很好，阳光下的斜塔看起来比照片还要神奇。我们在塔前拍了很多照片，吃了冰淇淋，那一刻，所有的舟车劳顿都觉得值得。
接着我们在广场边逛了逛，旁边还有几座很漂亮的建筑。这里其实是著名的“奇迹广场”（Piazza dei Miracoli），除了比萨斜塔之外，还有比萨大教堂、洗礼堂和纪念墓园。整个广场一片洁白的石质建筑，在阳光下特别耀眼，也难怪会被叫作“奇迹”。
回去的时候有点累了，打了车，花了11欧元到火车站，然后大概五点多又坐上了四个多小时的火车返回罗马，回到公寓已经是九点多。
虽然这趟“罗马—比萨一日游”有点折腾，但也成了这次旅行最有意思的部分之一。毕竟，亲眼看到比萨斜塔那种“歪得恰到好处”的样子，真的很难忘。
朋友还开玩笑说：“你应该上那斜塔上做个伽利略的‘两球实验’。” 我笑着回：“估计现在早就不让高空抛物了。”
单程火车票是25欧元，12岁以下半价还是免费来着，不过会被查ID。
用娃的老iphone 12相机前置镜头找角度，真是不好找。
用一根手指阻止斜塔继续倒塌
弟弟也在试着扶塔，现场好多游客都在做假装扶/推塔，我让AI去掉了背景中的大部分游客，否则很难拍出背景干净的扶塔照。
媳妇也在假装扶塔
这个广场边上还有些教堂建筑
老大托塔
和媳妇在塔前合影
娃给我装拍的这个推塔很不错。
和媳妇在斜塔前留影，另一个建筑在装修。
我们走了快半小时才到，都累了，边上买冰淇淋休息一下。
下了火车站，跟着导航走，还得走20来分钟。
比萨街景，有个店名叫 Good Luck
从罗马到比萨二三十站地
有一段火车经过的风景还不错，路过湖了。
终于赶上去比萨的火车了。
比萨斜塔所在的广场其实是一个非常有名的地方，叫做：奇迹广场（Piazza dei Miracoli，又名“奇迹之广场”）
它并不只是那座歪塔而已，整个广场上有四座重要的建筑，都是世界文化遗产的一部分：
更新几张：
火车站电子显示屏
比萨斜塔边上的建筑物前合影
比萨斜塔的广场边上
等着回罗马的火车 还有二三十分钟
比萨有条河/湖
终于赶上火车了，哥哥在罗马去比萨的火车前留影
2025-11-09 04:23:35
视频：油管/Youtube | B站/小破站 | 微博视频 | 西瓜视频 | 微信视频号 | X/推特 | 小红书 | Facebook
《金融杠杆：从股票到加密货币的放大效应》
《用杠杆撬动财富：传统市场与币圈的机会与风险》
《杠杆交易全解析：小资金如何放大收益，也放大风险》
《金融杠杆揭秘：股票、房地产到加密货币》
《杠杆的魔力与陷阱：跨越传统金融与加密世界》
《币圈杠杆交易：高收益背后的高风险》
《用杠杆玩加密货币，你准备好了吗？》
《Crypto 杠杆揭秘：如何放大收益，也放大风险》
《小本金撬大财富？币圈杠杆的利与弊》
《杠杆在币圈：赚钱快还是亏得快？》
在投资和企业融资中，我们经常听到“杠杆”这个词。金融杠杆（Financial Leverage）就是利用借来的资金进行投资，以小博大的工具。听起来很吸引人，但它既能放大收益，也能放大风险。
在币圈（crypto）投资中，金融杠杆的应用比传统市场更为常见。许多交易平台允许投资者用少量本金借入更多资金进行数字货币交易，这就是所谓的“杠杆交易”。通过杠杆，投资者可以用 1 枚比特币撬动 5 枚甚至 10 枚的交易仓位，如果行情上涨，收益被放大；但一旦行情下跌，亏损也会被无限放大，甚至面临强制平仓的风险。币圈的高波动性，使杠杆既是赚快钱的利器，也可能成为快速亏损的陷阱。
简单来说，金融杠杆就是用“别人的钱”来撬动更大的投资。比如，你手里有 10 万元，想投资一家公司。如果直接投资，你的收益完全取决于这 10 万元。但如果你向银行贷款 40 万，再加上自己的 10 万，总共 50 万去投资，公司赚了 10% 的利润，你的收益就不只是 1 万（10% × 10 万），而是 5 万（10% × 50 万），自有资金的回报率从 10% 提升到了 50%。这就是杠杆的魔力。
当然，杠杆也会放大损失。如果上面的投资亏损 10%，总投资 50 万亏了 5 万，你的自有资金 10 万就只剩 5 万了，损失了 50%。由此可见，杠杆是一把双刃剑：赚得多时更爽，亏得多时更痛。
假设你看好某只股票，手里有 2 万元。你通过保证金交易再借 8 万，总共 10 万投资。如果股票上涨 20%，总资产变为 12 万，你扣除借来的 8 万本金，净赚 2 万，自有资金翻倍，回报率 100%。
但如果股票下跌 20%，总资产只剩 8 万，你还要还银行 8 万，净资产 0，自有资金全部亏光。杠杆让收益和风险都被放大了。
你准备买一套 100 万元的房子，首付 20 万，贷款 80 万。房价一年涨了 10%，房子价值变成 110 万，你卖掉房子还清贷款 80 万，净赚 10 万，自有资金 20 万回报率 50%。
相反，如果房价下跌 10%，房子只值 90 万，还清贷款 80 万，净亏 10 万，自有资金 20 万亏掉一半。
杠杆能放大收益，但过度使用会带来巨大风险。投资者或企业必须评估融资成本、投资回报和市场波动，合理控制杠杆比例。否则，一旦投资失败，可能面临巨额亏损甚至破产。
金融杠杆就像“放大镜”，能让小资金产生大效益，也可能让小亏损变成大灾难。通过实际案例可以看到，懂得使用杠杆并控制风险，才能真正发挥它的威力。
2025-11-07 02:20:43
人生不停的折腾，对喜欢的事和物不断袪魅。来英21载，终于拥有了一个私人牌照。8核SUV，性能强劲，值得拥有！[旺柴]
8核CPU的保时捷卡宴SUV Porsche Cayenne in Rolling Hills
从 X86 CPU 到 X8 CPU：一次有意义的车牌之旅
X8 CPU：属于极客的私人车牌
求而不得的 X86，意外收获的 X8 CPU
一块写着“X8 CPU”的车牌，圆了我的极客梦
给人生加个“X8 CPU”：一块车牌的情绪价值
当极客买车牌：我与 X8 CPU 的故事
8核SUV，性能与情怀的双重升级
不是处理器，是我的车牌——X8 CPU
前几周我在博客里提到过，我参加了一个私人车牌的竞拍——那块车牌是 X86 CPU。这个组合在我看来非常有意义：完整表达出计算机处理器的核心概念，也带着一点极客的味道。
不过理想终究敌不过现实。那天拍卖最后成交价高达 £5050，加上手续费、VAT 等，总价超过 £6000。这个价格实在太贵了，我权衡再三，只能忍痛放弃。
X86 CPU 这个车牌的确是一个“完美的表达”，所以价格自然比一般自定义车牌高。像英国常见的那种格式为 “X?XXX” 的五字符车牌，中间是数字，前后是字母，要想组合出有完整含义的词其实很难，大多只是部分有趣，难以“整体有意义”。
我还是很喜欢 X86 CPU 这个概念，想着有没有类似的替代。拍卖当天没成功，我就去找了几家私人车牌销售网站，比如英国的两大公司 SwiftReg 和 TopReg。没想到，居然被我发现了一个价格合适的——X8 CPU。
这个组合我越看越满意：不仅延续了 X86 CPU 的结构，而且“8”代表“八核（8-core）”，正好契合我对性能和科技的追求。价格也相当划算，只要三百多英镑，加上手续费和 DVLA 官方费用，总共 £649 多一点。可以说性价比非常高。于是我果断入手。
付款后，我发现网站上的这两个车牌立刻从搜索结果中消失，说明被我买走了。整个更换车牌的过程其实非常简单：只需要在网站上填入现有车辆的 V5C 注册号，然后选择一个希望的 transfer 日期。我特地选在从意大利旅游回来、也就是我生日当天生效。因为出发去 Luton 机场前我已经买好四天的停车票，不想再折腾更改车牌号。
两天后，邮寄来的新车牌到了——一白一黄，白的装在车头，黄的装在车尾，另外还附带一个安装小包。
X8CPU车牌寄到了，一白一黄，一前一后。
生日当天（就当我的生日礼物了），SwiftReg 发来邮件通知：
我很高兴地确认，您车辆登记号为 X8 CPU 的证书已于今日送达，并且我已经为您完成了合法过户手续。附件是英国车辆牌照管理局 (DVLA) 出具的两份过户确认文件，供您存档。
接下来会发生什么？
– 您现在必须合法地将新车牌悬挂在车辆上——您有充足的时间完成这项工作（所以如果您当天无法完成，也无需担心！）。
– DVLA 已收到通知，并正在为您寄送新的 V5 车辆登记证，以确认新的车辆登记信息。该登记证将在未来 7-14 天内送达。
– 您的车辆路税/Road Tax和 MOT（车辆年检）将自动转移到新的车辆登记信息上，您无需更新。请注意，如果您在线查询状态，DVLA 最多需要 72 小时才能在其数据库中更新车辆的新登记信息。
– 请通知您的保险公司您已更改车辆登记信息。您还需要更新任何停车费、拥堵费、伦敦交通局 (TFL)、超低排放区 (ULEZ) 或收费公路服务信息。
希望您对所享受的服务感到满意，如有任何疑问，请随时与我联系。
I am pleased to confirm that the certificate for your registration X8 CPU arrived today and I have now completed the legal transfer for you. Attached are 2 documents from the DVLA confirming the transfer for your records.
What Happens Next?
– You must now legally display the number plates on the vehicle – you have reasonable time to do this (so don’t worry if you cannot do this the same day!).
– The DVLA have been notified and are processing you a new V5 logbook to your home address confirming the new registration. This will arrive in the next 7-14 days
– Any TAX & MOT will automatically roll over to your new registration, you do not need to update this. Please note it takes upto 72 hours for DVLA to update across their databases to show this new registration on the vehicle if checking the status online.
– Please notify the insurance company you have changed the vehicle registration. You will also need to update any parking, congestion, TFL, ULEZ or toll services.I hope you are pleased with the service received, and if you have any questions do not hesitate to contact me.
于是我当天去车厂安装。整个过程不到十分钟，老板人特别好，居然还没收我工时费，真是意外的小确幸。
当天我在 DVLA 网站上查车牌信息，暂时还查不到（系统更新有延迟），第二天就显示出来了，而原来的旧牌信息也显示为注销。
需要注意的是：车主要自己联系保险公司更新车牌号。我用的是 Allianz，可以直接在网上修改，非常方便，而且 完全免费。而有的保险公司，比如 Admiral，更改任何资料都要人工处理，每次收取大约 £50 的手续费。
另外，MOT 和路税（Tax）都不需要自己操心，DVLA 会自动转到新车牌。你要做的只有两件事：
车厂工人也特别提醒我：“别忘了改保险，不然要是被查出来可要罚款的。”
以后如果想卖车，我得先把 X8 CPU 换回原来的车牌，所以原车牌必须保留。另外，如果将来想再购买另一块私人车牌，也必须先把现有的车牌换回原车牌，否则现有的私人车牌可能会丢失或无法转让。
有天我和儿子聊起私人车牌，小儿子不以为然地说：“这不就是一块塑料吗？不值。” 大儿子则笑着说：“That looks cool, and shows that you have money.”
我顺势和他们聊了聊为什么我会买私人车牌。除了好玩和个性化，其实它还有几层意义：
我甚至查到“999 OK”这个车牌现在挂在一辆蓝色的劳斯莱斯上(2019年第一次注册)，不得不说——有钱人也都懂车牌的乐趣。在英国，可以通过GOV.uk来查任何车牌的信息。
DVLA上可以查到任何车牌的具体信息。
人生总在折腾，对喜欢的事物不断“去魅”，又不断重新燃起兴趣。来英国 21 年，终于也拥有了属于自己的私人车牌——X8 CPU。
它不仅是一串字符，更像是一种象征：性能、热爱、坚持，还有那一点点中二的极客浪漫。
我把 X8 CPU 安装到我的保时捷卡宴上，瞬间感觉整辆车都不再是以前那辆普通的破二手车了——有了这个车牌，整车的气质和存在感都提升了不少，开起来心情也莫名好起来。
8核SUV，性能强劲，值得拥有！ 🐶💪
Share on X
Allianz保险公司改车牌 很容易，而且免费。
说实话，第一次晚上有车灯情况下看车后面，才知道后面的灯是连一条线的，很漂亮。我记得之前开车的时候和媳妇说到前面的车后面一条线很美，不知道啥车，凑近了看，是保时捷，然后才大悟，原来自己也有啊，哈哈。
说实话，第一次晚上有车灯情况下看车后面，才知道后面的灯是连一条线的，很漂亮。我记得之前开车的时候和媳妇说到前面的车后面一条线很美，不知道啥车，凑近了看，是保时捷，然后才大悟，原来自己也有啊，哈哈。
换好车牌洗好车，感觉像搞了一辆新车。
到Bar Hill停车场洗车，一次35英镑。和洗车老板说，给现金省5英镑。
拿到车厂换车牌，自己动手能力太差了
车厂工人在给我换车牌，术业有专攻，有专门的工具安装就是快（不到十分钟）。
车厂工人在给我换车牌
这个效果图很好，跑车就是跑车，放上车牌立马很酷
这些车牌立买即可，不用竞价。
类似的车牌，X8最好，因为8/发，而且8核比6核9核好。
X86CPU 破车白天照
X86CPU 破车晚上照 这灯没有奥迪A6的好看
在DVLA 官网价格会更便宜，这个网站是中介。不过恭喜作者买到自己喜欢的牌照。
啊，原来还可以这样，谢谢。不过这个中介的transfer流程挺丝滑的，交钱不用管任何paper work。
DVLA买的话是给你寄一张文件，然后在DVLA官网把文件的编号填进去就ok, 换私人牌照不需要钱，如果以后你想换车把私人牌照拿下来呢的时候需要花80镑。 大佬卡宴多少买的，挺好看的。
才8盒，早已经16盒、32盒了…
那就不是五位数了。。。 单数字中 8最好，而且发。