#持续学习

1个月前

就像 Demis 所说的，我们距离人类级别的通用智能还需要至少两个范式突破！最近 X 上备受关注的来自 Google Research 的论文「Nested Learning」也许能带来一些突破的希望，团队用 HOPE 作为验证架构的名字，足以显示其信心，它会不会是下一个 Transformer 呢？竟然又出自于 Google … 现在 LLM 最大问题，就是“灾难性遗忘”。虽然它们功能强⼤，但本质上是静态的，在预训练后就停⽌学习，⽆法持续获取新知识。这种状态类似于“顺⾏性遗忘症”：模型拥有⻓期记忆（预训练知识）和短暂的⼯作记忆（上下⽂窗⼝），但两者之间的桥梁是断裂的，⽆法形成新的持久记忆。简单地堆叠更多层（增加深度）并不能解决这个根本问题。真正的深度不是空间的“高”，而是时间的“深”。Nested Learning (NL) 认为，模型不应该是一个静态的千层饼，而应该是一组嵌套的齿轮系统。 - 有些齿轮转得慢（长期记忆/预训练知识） - 有些齿轮转得快（短期适应/上下文学习） - 真正的智能，是不同转速的齿轮在同时咬合、运行我们的大脑，是在多时间尺度上进行“持续学习”的。神经元结构的⼀致性使得⼤脑可以灵活地重组⾃身；⼤脑不依赖于单⼀的中央时钟，而是用不同的神经回路以不同的频率运作（如脑电波），实现快速整合与⻓期巩固的平衡。深度学习其实是嵌套学习的“扁平化”投影，就像低维是高纬的平面化投影一样。在 NL 框架下，每个“层级”都有其⾃身的“上下⽂流”和“更新频率”，这使得所有内部学习过程都变得透明且可⽤数学语⾔描述。这样，模型不需要让所有参数都用同一个速度更新，让浅层参数快速适应（像海马体处理新记忆），而让深层参数缓慢沉淀（像大脑皮层存储旧知识）。优化器（Optimizer）本质上就是一种记忆系统。这是论文中最具颠覆性的洞见，假如你把梯度下降看作是一个“正在学习如何遗忘和记忆”的过程呢？ - SGD 是一个初级记忆体，它试图把数据映射到“惊讶”（Error / Surprise）上； - Momentum（动量）是一个更高阶的记忆体，它记住了过去梯度的方向；整个神经网络，从优化算法到注意力机制，本质上都是一个个嵌套的、试图压缩信息的循环。并没有所谓的“架构” vs “算法”，它们是一体两面。 — 现在，团队从第⼀性原理出发，设计⼀个完全拥抱嵌套学习范式的模型架构 - HOPE，它不是简单的 Transformer，更像一个能自我进化的系统： - Self-Modifying Titans（自我修改的泰坦）：它能学习如何修改自己的更新算法，这就像一个人不仅在学习知识，还在学习“如何学习”； - Continuum Memory（连续谱记忆）：抛弃非黑即白的“长/短记忆”二分法，建立一个多级变速的记忆齿轮箱； HOPE 不仅是⼀个理论构造，它在实践中也展现了 SOTA 性能，在 1.3B 参数规模下优于 Transformer / RetNet / Titans，尤其在语言建模和常识推理上。我觉得这篇论文的名字取得很有深度，很多人把它并比作“Attention is All You Need V2”。传统深度学习的“深度”只是计算的⼀维视⻆，这是过去的幻象；现在的现实是：嵌套学习揭示了第⼆个维度 —— 拥有不同更新频率的“学习层级”。这个新视⻆不仅帮助我们更好地理解现有模型，更重要的是，它指导我们设计出像 HOPE 这样更强⼤、具备持续学习能⼒的新架构。

#嵌套学习 #HOPE模型 #持续学习 #灾难性遗忘 #多级记忆

1个月前

面对 Scaling 和 Research，作为投资人你会选哪个？这是 Ilya 做客 Dwarkesh Patel 播客最核心的话题（全网都是 AI 总结，我写点不一样的）。Scaling 有一个无法拒绝的优点：投资逻辑简单、风险可控；你只要相信那条曲线 —— 更多算力，更多数据，就会有更好的模型。“买更多 GPU ”比“押注一群 Researcher 可能十试九败”的决策要安心得多。。。 “真的有人相信，再大 100 倍规模，一切就会被彻底改变吗？我不这么认为。” Ilya 的结论是：“我们要回到了研究时代，只不过这次手上有了大电脑。” 这也是 SSI 成立的初衷之一，接下来真正值得投入的，不是买多少 GPU，而是能否发明新的学习方式、新的价值函数、新的泛化结构。三十亿美金的融资，足够 SSI 烧 5-10 年了，这起步可比 OpenAI 牛逼很多！ Ilya 是出了名的口风紧，但他这次分享的观点，在很多角度与 Richard Sutton 的研究有很多异曲同工。Sutton 教授 Dwarkesh 的播客里也分享过：LLM 不会在交互过程中持续学习，所以无论怎么 Scale，都不够，必须有新架构支持。在 Alberta Plan 里，他把未来十年 AI 的核心研究压在：Continual Learning（持续学习）、Meta-learning（学会如何学习）、Agent 在环境中长期交互自我学习，通过研究找到能更好利用算力的新架构和新学习方式，这也是 Google 长期支持他的研究方向。在《Reward is Enough》一文中，Silver + Sutton 提出一个假说：“最大化累积 Reward 这个通用目标，在原则上足以产生我们在自然与 AI 中看到的大多数能力。” 简单来说：我们不需要给 Agent 手工规定所有子目标；只要有一个合适的 Reward 信号 + 足够强的学习能力，感知、记忆、规划、社交等能力会作为“为了拿 Reward 的工具”自然长出来。 Ilya 在访谈中举了一个经典的病人案例：情绪中枢损伤后，智力尚在，但日常决策能力完全崩溃。情绪是人类大脑里一种粗糙但强力的“价值函数实现方式”，它给复杂世界提供一个简单的“好 / 坏”近似，使我们可以在有限时间做出决策。做 SSI 的另一初衷，就是 Ilya 不满足于“让 AI 不作恶”这种低标准，他在思考：有没有可能设计一种结构，让 AI 真正“在意”有感知的生命（sentient life），而不是只是冷冰冰地遵循规则。他提出一个直觉：人类对他人的同情、共情，很可能来自这样一个事实—— 我们用“建模自己”的那套神经回路，去建模别人的状态。那些高层次的“社会在意”（比如尊重、羞耻、道德感），很可能是进化在相对短的时间窗口里嵌入的。这说明：在一个复杂系统里，把高层次价值“硬编码”进去，并不必然不可能 —— 只是我们还不知道怎么做而已。Ilya 最终想要的，可能正如 Hinton 教授最近想明白的，让 AI 超级安全的方法就是把对人类的“母爱”给编码进去，就像大自然给我们的基因编码那样。。。最后，超强系统必须通过渐进式部署来学习与对齐，而不是直接扔一个成品版的“上帝”给世人。这个新的超级智能就象一个 15 岁的少年，非常聪明，但什么都不懂；你不会把他一下子丢到外科手术台或外交谈判桌前；你会让他一步步接触世界，在真实反馈中学习与成长。对 AI 来说，这也是一个“持续试错 + 渐进开放”的过程，而不是一夜之间发布一个“完美终极系统”。 Ilya 对 SSI 所做事情的愿景： - 如何让模型的泛化真正变好； - 如何让系统在持续学习中保持安全与稳定； - 如何设计一种架构，使得“理解世界”的方式与人类更加相容；在未来 5 – 20 年内，能像人类一样学习，并超越人类。这个时间线和 Deepmind 的 CEO Demis 预测的基本一样，我们还需 5 - 15 年才能实现人类这样的通用智能，这期间还需要至少一到两个研究范式的突破！站在投资视角，大语言模型的范式红利才刚开始，通过工程化和应用场景的普及，会推动软件、工作和社会结构的转型，这需要巨大的算力作支撑；但在多样化的新范式研究上，要寻找潜在的类似 Transformer 架构这样的突破，它们可能来自 SSI、Thinking Machine Lab、Anthropic 等前沿 AI 实验室，也极有可能是 Google，但 OpenAI 这就得看 Sam Altman 的野望在什么地方了。。。

#AI浪潮：重塑就业，风险暗涌？· 140 条信息

#AI安全 #Ilya Sutskever #持续学习 #价值函数 #AI伦理

Suwako — e/acc

1个月前

看完了，放飞自我没有预训练，训练就是推理，推理就是训练，我们所有生物都没有把这个过程分开，AI也不应该分开。之前yann lecun说过，现在的模型的数据效率只有人类的1/1000，某种程度上，这个和模型泛化能力差是一体两面。我觉得，最终，持续学习，记忆，泛化能力，数据效率，所有这些问题我们会发现，都是同一个问题的不同表现形式。我们未来会发现，对所有这些问题的解决方案会是非常的简洁，就像我们在上一波ML浪潮中面对的最大的敌人：常识，的解决方案非常简单一样。我们下一波的解决方案也会非常简单，最关键的是，容错性会非常高。大自然各种不同的生物，大脑长得奇形怪状什么样子都有，但是它们都可以在自然界生存，都可以捕食，躲避天敌。现在的模型在数学上都过于fancy了，最终的结局都会像SVM一样，数学上很漂亮，但是还是会被扫进历史的垃圾桶，简单的东西才是最美的。我们人类的“绝妙的视觉先验”绝无可能保存在DNA中，DNA根本没有空间编码信息量那么高的世界模型。我怀疑脑区的产生源自于大脑皮层如何连接各种感官的，眼睛传入的视觉信号不断刺激一部分神经元，使其兴奋，并让周围的神经元产生共振，形成脑区。大脑初始状态应该是没有结构的，是由信号刺激形成的结构，所以神经网络的架构也应该是是涌现的才对，现在这么多复杂的结构也将是一个bitter lesson。

#AI浪潮：重塑就业，风险暗涌？· 140 条信息

#AI #持续学习 #数据效率 #模型泛化 #神经网络架构

1个月前

要做愿意接触新东西的人，有勇气承认自己不懂的人，看得见自己陈旧和扶隘的人，要做一个永远跃跃欲试内人。

#拥抱新事物 #勇于承认无知 #持续学习 #自我提升 #积极心态

1个月前

你不必非常出色，只要在很长、很长的时间内保持比其他人聪明一点点就够了。 ——查理·芒格

#查理·芒格 #长期主义 #持续学习 #聪明 #成功

2个月前

增长靠复利，不靠爆点。复利来自：稳定产出×持续学习×关系沉淀。

#复利 #稳定产出 #持续学习 #关系沉淀 #长期主义

2个月前

你有没有发现自己好像总是在重复犯错？可能某天有人给你说了某个事情，你突然悟了。然后你就忘记了，就像在路边看广告牌一样。若干个月后，你再次犯下同样的错误，然后你幡然醒悟，为什么我老是在重复犯错。这种现象我在我生命之中如此频繁，我称之为“广告牌效应”，生命中很多东西就像看广告牌，偶尔忘记了一下，某年某月突然又记起来，又忘记，人生如此循环，停止不前。那如何解决这个问题呢？看到了，立马去做是最好的次之，就是谈论和写作只要这么做，我们为某些理念的意识突然就提高。我们在下次犯错之前就会意识到即将犯下的错我。准备打孩子的手就会放下不顾及别人感受的话就会咽下放弃的东西就会拾起就算锻炼身体会让身体变好一样，行动，讨论，或者写作会让人的思维变得清晰我之前一直以为我要确保百分之百正确才开始记录和谈论某个事情。现在我改变想法了大部分事情都是做着做着才会更加清晰聊着聊着才会更加通透写着写着才会更加明朗

#重复犯错 #广告牌效应 #行动的重要性 #知行合一 #持续学习

2个月前

这篇文章确实是指出了当前 LLM 存在的问题，但解决方案并不见得可行，另外这文章实在太长了点。如果几句话总结一下，这篇文章主要就是想讲清楚：强化学习（RL）的教父、图灵奖得主 Richard Sutton 到底在担心什么？为什么我们现在的 Agent 这么“笨”？以及，我们该如何跨过这道鸿沟？ Sutton 就是“AI 圣经”《苦涩的教训》(The Bitter Lesson) 的作者，他的理念就是： > 在人工智能领域，长远来看，依赖大规模计算的通用方法（如搜索和学习）最终将胜过依赖人类专家知识的复杂方法。按理说，他应该对 GPT-5、Claude 这样的大模型拍案叫绝才对。但他没有。相反，他直言不讳：今天所有的 LLM（大语言模型）都是一条死路。为什么？Sutton 的原话：LLM 只是在模仿人会“说什么”，而不是在理解世界是“如何运转”的。这个观点引发了很多讨论，AI 大神 Andrej Karpathy 前几天在播客中也对此有回应和深入探讨（参见：）。 > “我以前就说过，人类不使用强化学习。我认为人类的学习方式完全不同。强化学习比普通人想的要糟糕得多。强化学习很烂。只不过，我们以前有的其他算法比它还要烂得多罢了。” 两位大神都在揭露一个真相：我们今天津津乐道的“推理器”（Reasoner），离一个真正的“智能体”（Agent）还差得远。而这个鸿沟，就叫“持续学习”。 1. 为什么 Sutton 说 LLM 是“死路”？ Sutton 的批评主要集中在两点。批评一：LLM 是“鹦鹉”，不是“物理学家” Sutton 说，LLM 根本不是真正的“世界模型”。 - 真正的世界模型：能预测“如果我做了A，世界会发生B”。比如，我松开手（动作A），杯子会掉地上摔碎（结果B）。这是对因果和物理规律的理解。 - LLM 在做什么：它在预测“如果我问了A，人类会回答B”。比如，我问“杯子掉了会怎样？”，它会回答“会摔碎”。看到区别了吗？LLM 是在模仿一个“观察者”会如何描述这个世界，而不是作为“参与者”去理解这个世界的规律。它学的是“人会说什么”，而不是“世界会怎样”。批评二：现在的强化学习“笨得可以” Sutton 的另一个批评是，我们现在主流的 RL 算法（比如 PPO）样本效率低到发指，而且它们只从“奖励”中学习，不从“观察”中学习。这话说得有点绕，用原文里的一个例子，你一下就懂了： > 假设我们开发一个 AI Agent，帮用户打电话给 Xfinity（一家运营商）客服。 > > 第一次尝试：Agent 打过去，客服说：“我需要您的信用卡后四位来验证身份。” Agent 没有这个信息，任务失败，挂断。 > > 好了，问题来了： > > - 传统 RL Agent (PPO)：它只知道这次尝试失败了（Reward = 0）。它不知道为什么失败。客服明明已经告诉它答案了（“需要信用卡后四位”），但这个信息是“观察”（Observation），不是“奖励”（Reward）。所以，这个笨蛋 Agent 只能下次再试，再失败……可能要试几百次，某一次瞎猫碰上死耗子，它碰巧提供了信用卡信息，成功了（Reward = 1），它这才“学会”了。 > > - 人类：第一次被告知需要信用卡信息，立刻就记住了。下次打电话前就会主动要这个信息。这就是差距。人类能从环境的丰富反馈（观察）中学习，而现在的 RL 算法大多是“无模型”的，它们只关心“我这么做能不能拿分”，而无视了环境给出的所有其他宝贵信息。 2. “无限上下文”的陷阱：为什么 RAG （检索增强生成）不是学习？很多人可能会反驳：“没关系，我们现在有超长上下文（Long Context）了！我把 Agent 第一次失败的经验（“客服要信用卡后四位”）直接放进下一次任务的提示词里不就行了？” 这就是目前大多数 Agent 的做法，包括 In-Context Learning（上下文学习）或者 RAG。但这是对“学习”最大的误解。把历史记录塞进上下文，不叫“学习”，这叫“开卷考试”。原文中打个比方： > 让你计算 100 个案例中黑猫和白猫的比例。 > > - 真正的学习（压缩）：你看完一遍，在脑子里总结出一个结论：“90只黑猫，10只白猫”。下次再问你，你直接给出答案。 > - 长上下文（RAG）：你把 100 个案例的原始记录全堆在桌上。每次有人问你，你就重新把这 100 个案例再数一遍，然后得出结论。这种方式极其低效，因为知识没有被提炼和压缩。你只是在进行一次又一次的重复检索，而不是把经验内化成了“规律”或“知识”。 AK 在前几天播客里面有一个引起很多人共鸣的结论：人类记性差，这不是 Bug，反而是 Feature（特性）。正因为我们记不住所有原始细节，才被迫去提炼、总结、压缩知识，找出事物背后的规律。而这个“压缩”和“提炼”的过程，才是学习的本质。 3. “新员工”的困境：为什么 Agent 没法“上班”？这就引出了一个核心问题：为什么现在的 Agent 解数学题比99%的人都强，但你让它去你公司干个具体工作，它却一塌糊涂？你可以这么想：你找一个再聪明的天才，不培训就让他来你公司上班，他能干好吗？大概率不能。因为他不知道： - 公司的代码规范 (Coding Style) - 公司的业务逻辑和黑话 - 团队的协作流程 - 哪些是不能碰的隐形红线这些知识，绝大部分是非公开的、特定的、隐性的，你没法用一个简短的 prompt 教会它。人类是怎么做的？在工作中持续学习。这就带出了 Sutton 坚信的“大世界假设”（Big World Hypothesis）：世界上的信息是无限的，模型不可能在预训练阶段就学完所有东西。你必须在与具体环境的交互中不断学习新知识。而很多 LLM 派持有的是“小世界假设”：世界是复杂的，但规律是简洁的。只要模型足够大（比如 GPT-5），就能掌握绝大部分重要知识，不需要再学了。显然，现实世界更符合“大世界”假设。 4. 怎样才算“真学习”？从“奖励”到“预测” 既然必须持续学习，而传统 RL 又那么笨（只认 Reward），那该怎么办？原文作者结合实践，提出了一个非常有启发的改进思路，我把它称为“双 LoRA”策略。（LoRA 是一种高效微调技术，你可以理解为给大模型打上一个小小的“能力补丁”）这个策略的核心是：在学习“怎么做对”（Policy）的同时，也要学习“世界会怎样”（World Model）。回到那个 Xfinity 客服的例子： 1. LoRA 1 (策略补丁)：它还是从 Reward 学习。任务失败，Reward = 0，它学不到东西。 2. LoRA 2 (世界模型补丁)：它不关心 Reward，它的唯一任务是预测环境的下一个反馈。当客服说“我需要信用卡后四位”时，这个补丁会因为“预测失败”（它没料到客服会说这个）而产生一个 loss，然后它就会更新自己，学会“哦，原来打电话给 Xfinity，对方会要信用卡信息”。看，这就是一种时序差分学习（TD-Learning）。Agent 不再是只看重“得分”的偏科生，还成了能“理解”环境反馈的好学生。效果是天差地别的： - 传统 RL：要试几百次才能学会。 - 双 LoRA：只要 1、2 个 step 就能学会。这，才开始有点“持续学习”的样子了。 5. 另一个“致命”瓶颈：AI 为什么反应这么慢？解决了学习效率，还有一个大问题：现在的 Agent 交互起来为什么那么“卡”？明明模型的输入输出速度（token/s）都比人类快得多，为什么我们总觉得它反应迟钝？作者认为根源在于一个僵化的“ReAct 循环”：观察 → 思考 → 行动。现在的 Agent 都是这个死循环： 1. 观察（听）：必须等你把话说完，看到句号了，它才开始下一步。 2. 思考：开始处理你的话，进行推理。 3. 行动（说）：把思考完的结果一口气说出来。但人类根本不是这样工作的！人类是“事件驱动”的，我们的“听、想、说”是交错进行的 (interleaved)： - 边听边想：你刚说开头，我就开始思考和预测你后面要说什么了。等你把话说完，我可能已经想好答案了。 - 边想边说：如果我没想好，我会先说点“嗯……”、“让我想想啊……”这样的“填充词”，在说这些话的同时，我的大脑在高速进行下一步思考。人类充分利用了所有“间隙”在思考，所以交互体验才如此流畅。未来的 Agent 必须抛弃僵化的 ReAct 循环，转向这种“边听边想边说”的事件驱动架构。这对于语音助手、机器人、甚至 AI 帮你打游戏都至关重要。对于这点我觉得虽然“ReAct 循环”，但是实现起来是最简单直接的，作者所说的那种思路看起来很好，但真要实施当前技术未必做的到。当然很多事情还是得要加上时间维度，有时候并不能用现在的眼光来看这些问题。至少当前 AI Agent 存在的问题是客观存在的： - 一个真正的 Agent，其核心价值不在于它“知道多少”，而在于它“能学多快”。 - Agent 必须要有持续学习的能力，能从丰富的“观察”中学习世界模型 - “ReAct 循环”很慢，Agent 也应该想人一样能具有“边听边想边说”的实时架构

#LLM死路 #持续学习 #世界模型 #强化学习局限 #ReAct循环

2个月前

在未来十年，想要快速成长、抓住机遇，最核心的能力或许不是你已有的知识储备，而是持续学习的能力。就像在快速变化的森林里穿行，跑得快不如看得清、学得快，能不断适应新环境的人，才能走得更远。首先，得找到自己的“学习密码”——也就是适合自己的学习方式。有人喜欢边听边学，开车时听书、看纪录片能记住更多；有人看文字更专注，书本和文章能让他们理清逻辑；还有人动手做过一遍，才会真正理解，比如学编程时写几行代码，比单纯看教程更有效。就像不同的食材要不同的烹饪方法，学习也要找到最适合自己的“火候”，这样才能把知识“消化”得更好。其次，要学会“借工具”。现在的AI就像一个贴心的学习助手，它能把复杂的知识变成你喜欢的形式。比如一本厚厚的专业书，你不喜欢看文字，AI可以帮你转换成音频，让你在通勤时“听”懂；如果是历史知识，它能做成互动问答，像玩游戏一样帮你记住重要的时间和事件；如果是技能类知识，比如怎么用新软件，AI还能生成步骤清晰的操作指南，连截图和动画都有。善用这些工具，就像给学习装上“加速器”，让知识以更轻松的方式进入你的大脑。但光“学”还不够，关键是“用”。就像学游泳，光看教程、在岸上比划，永远也游不起来。学了新东西，要立刻找机会用起来：学了沟通技巧，就试着在团队会议上更清晰地表达；学了时间管理方法，就马上调整自己的日程表。哪怕只是在小事上用一次，比如用新学的方法整理办公桌，也能帮你加深理解，发现哪里没掌握好，再回去针对性地学。最后，学习是个“循环”，不是一次性的事。今天学会的东西，过一周可能就忘了大半，这很正常。所以要不断重复：看完一个知识点，过几天回顾一遍；用了新方法遇到问题，再查资料解决；遇到新挑战时，想想之前学的哪些知识能用上。就像种一棵树，需要浇水、施肥、修剪，学习也是这样，不断重复、不断实践，才能让知识真正长在自己身上，成为能力。说到底，学习能力不是天生的，而是练出来的。找到自己的节奏，用好身边的工具，大胆去尝试、去应用，然后在这个循环里不断迭代。当你能比别人学得更快、用得更活，机会自然会向你走来。未来十年，谁能把学习变成习惯，谁就能在变化中始终站在前面。

#持续学习 #AI辅助学习 #知识应用 #学习方法 #适应变化

3个月前

其实我是比较理解一些使用vibe coding 的朋友的，虽然确实做了一个产品，而且能被人使用的产品。这个应该值得鼓励赞赏。不过你一定不要小看专业的工程师的重要性。我举个例子，一些人可能一个数据表多了百十来条记录，很多靠vibe coding 的人都不懂为什么要加索引，更不一定懂什么叫全表扫描了，突然卡到系统崩溃都不知道为什么还是要保持谦逊，持续学习。 vibe coding 帮我助完成了从0到1，但我们还有人1-n等着我们呢。

#Vibe Coding #工程师重要性 #索引 #全表扫描 #持续学习

3个月前

有输出有内容才有流量现金流才有正向收益才能持续投资学习，跑通整个正向循环，学习的终极意义，是转化为价值，哪怕是赚到第一块钱，都是鼓励

#内容输出 #流量变现 #正向收益 #持续学习 #价值转化

4个月前

只要现在 AI 还是这样模拟人类写代码的方式开发软件，然后上下文窗口长度不能一次塞入整个项目代码，那么别说 10 年，多少年 AI 都没法替代架构师。但要是 AI 采用的是全新的适合 AI 开发软件的开发模式，或者代码库整个都能塞入模型性能和成本都可控，那么还要架构师干嘛？不过也不必焦虑，这样的变化不是一天两天突然发生的，如果你密切关注，并且保持学习跟进，那么真发生了也能很快切换过去，成为第一批掌握使用 AI 快速架构快速构建的人。搞软件开发这行的，本身就得持续学习，与时俱进，学习架构设计是绕不过去的，一方面现在 AI 辅助编程时很实用，另一方面这些架构设计的能力也可以应用到其他领域。比如说将来 AI Agent 开发项目能力很强，但还是需要有人去管理这些 AI Agent 更好的协作，那么就还离不开架构设计去协调这些 Agent。

#AI浪潮：重塑就业，风险暗涌？· 140 条信息

#AI #软件开发 #架构师 #AI替代 #持续学习

4个月前

观点 1：gpt-5 烂透了！取消订阅！观点 2：讨厌 gpt-5，80% 概率是 ai 技能问题。我目前的感受：gpt-5 不是 o3，也不是 gpt-4.5，需要更多实践和探索。以我自己的一个文本处理案例来说，本来跑出来的结果“烂透了”，然后优化了一下 prompt，结果截然不同，差异巨大。我觉得需要投入实实在在的精力去研究它，去实践。llm 和人挺像的，不同的模型有不同模型的“脾性”，我们所熟悉的 prompt 方式可能也需要根据 agentic llm 新范式来升级。如果 ai 这东西不需要人持续学习，人人自动就能驾驭如此强大的工具，这可能吗？一个月后，甚至更长时间，大家对 gpt-5 系列模型，才可能收敛观点，达成共识。

#GPT-5 #AI技能 #Prompt优化 #持续学习 #模型脾性

4个月前

一个高主观能动性的人，有那些特质？第一，就是从小就有反常的兴趣爱好，比如说别人都爱打篮球，在泡妞，然后，你就喜欢研究昆虫，那小朋友。那些其他小朋友通常都是最容易随大流的，如果你从小就这么有主见，长大肯定也很有想法。第二，如果你每次跟这个人聊完天，你都会被他的热情能量感染到，那这个人的执行力肯定也差不到哪里去。第三，是你琢摸不透他们的心思，比如说，喜欢研究战争史的销售，喜欢读尼采的美妆博主，或者说喜欢读诗的这个拳击手，我就想到了李小龙，他一方面的打打杀杀感觉很暴力，但是反手给你来一句什么Be-like-water,my-friend（要像水一样，适应环境、柔中带刚、无形无相。），这个组合就非常的性感，第四，或者说离开他们原生地的人，距离越远越好。比如说从什么云南冲到北京去创业，或者是拖家带口从中国搬到美国。一个没有主见，没有执行力的人，就不会愿意在一个新的地方从零开始。第五，老是给你发一些小众内容的人，因为大部分人只会关注点赞高、评论高的东西，那只有高能动性的人，才会关注内容质量本身，而不是靠着什么别人的想法，别人的推荐来决定一个东西的好坏。第六，老在你面前挑你的刺，但是在背后，经常夸你。第七，主动放弃了某一个高大上的身份，或者说某一个高大上的职位，去追求自己目标的人。第八，不会因为所有人都默认某件东西，就不去验证它。第九，学东西很快，而且不停的学。第十，在回答问题之前，会先挑战问题问的合不合理。如同马斯克，他的工程师都在纠结一个功能怎么做，老马一上来说我们为什么要这个功能，能不能不做？所有工程师都傻了，说从来没有想过。无论这个人智商、脑力怎么样，长相怎么样，资源怎么样，只要他在主观能动性这一栏，点数是拉满的，结局基本都差不到哪里去。平时大家看人可能说，有没有钱，性格怎么样，怎么样，我觉得可以把主观能动性这个维度加进去。

#主观能动性 #反常兴趣 #挑战权威 #持续学习 #热情能量