本项目探索了如何将 Raspberry Pi Pico (RP2350) 与 Z80 CPU 接口,以监测并交互其地址总线和数据总线。作者利用一块定制的转接 PCB,将 RP2350 的 GPIO 引脚连接至 Z80 的 16 位地址总线、8 位数据总线,以及关键的控制线路(如 /RD、/WR、/IORQ 等)。
核心重点在于理解 Z80 的总线时序,特别是确保同步所需的时钟要求。作者利用 RP2350 的高速 GPIO 能力对 Z80 总线进行轮询,通过仿真离散 TTL 逻辑芯片来实现数据捕获。通过 RC2014 计算机执行 I/O 写入的演示,验证了该方案的可行性——RP2350 能够检测到写入操作并更新本地 LED 显示。
虽然目前仅在单核心上使用了简单的非同步轮询,但作者计划将其升级为更稳健的接口。未来的目标包括实现双向 I/O、内存映射设备仿真,以及利用 RP2350 的 PIO(可编程 I/O)模块进行自主总线管理,这可能使 RP2350 能够控制 Z80 时钟,从而实现精确的指令级单步调试。
作者探讨了“本地优先”人工智能的可行性,通过微调开源大语言模型(Llama 3.1 8B 和 Qwen 2.5 7B),使其能够模仿 20 世纪 90 年代微软技术文档的写作风格。
作者使用了来自“Bitsavers”档案库中超过 3700 万字的语料,在清洗数据后,通过云端 GPU 运用 QLoRA(量化低秩适应)技术创建了专用适配器。这一过程使模型能够掌握独特的、符合时代特征的技术语调,从而将 90 年代的文档结构成功应用于现代或虚构的概念中。
实验表明,微调是一种有效且经济的方式,能够赋予模型特定的文体“声音”或内部写作标准。然而,作者强调这并非万能方案:它需要高质量的数据整理、对训练参数(如秩和轮次)的严谨管理,以及在模型表达力和事实可靠性之间取得平衡。最终,作者总结认为,尽管这些经过微调的模型在模仿方面表现出色,并能有效辅助作家的工作流程,但它们仍缺乏取代技术写作者所需的人类判断力。