即刻App年轻人的同好社区
下载
作为 I 人不是很理解一些明星，明知压力巨大，为何还要站到聚光灯下？
后来发现很多顶尖表演者是舞台型人格，他们在舞台上才能感到完整。
有些人通过隐退获得自由，有些人则是通过被看见来确认自己的存在。选择哪条路都没有错，只要那是他们愿意承担的。
后来发现很多顶尖表演者是舞台型人格，他们在舞台上才能感到完整。
有些人通过隐退获得自由，有些人则是通过被看见来确认自己的存在。选择哪条路都没有错，只要那是他们愿意承担的。
2 00
音乐是如何成为人类一种普遍的表达方式，并带来快乐的？
我想，最初的旋律和节奏应该来自大自然中的各种声响。这些声音逐渐演变成一种群体支持与认可的象征。想象一下原始部落的情景，当人们齐声高唱同一个旋律时，会产生强烈的集体归属感，由此获得与困难抗争的勇气。我觉得这一点与今天的国歌、校歌等非常相似，通过共同的旋律和节奏，人们获得了心理上的互相支持与激励。
当人类离开原始部落状态后，独处的时间变得更多了，这种孤独感要如何排解呢？旋律化的表达提供了一种有效的方法。当我们听到广为流传、朗朗上口的歌曲，或者读到类似的诗词时，内心会产生一种“世另我”的陪伴感。尽管身边并没有真实陪伴的人，但我们仍然能感受到：现在所经历的低谷、挫折或挑战并不是命运单独对自己的惩罚，很多人其实也在经历相同的境况。
诗词和歌曲都有上述作用，能够提供勇气和克服孤独感，但为什么诗词逐渐式微，如果没有九年义务教育，或许它已经逐渐从历史长河中消失了。原因或许有很多。从大脑机制的角度看，我自己的感觉是，歌曲旋律的韵律熵要远远低于诗词。即便是一首完全陌生的歌，播放到一半时，大多数人都能跟着旋律哼唱起来。当大脑在预判下一个音符，并成功踩到节奏点上时，就会获得积极的反馈，从而更容易感到愉悦和满足。
我想，最初的旋律和节奏应该来自大自然中的各种声响。这些声音逐渐演变成一种群体支持与认可的象征。想象一下原始部落的情景，当人们齐声高唱同一个旋律时，会产生强烈的集体归属感，由此获得与困难抗争的勇气。我觉得这一点与今天的国歌、校歌等非常相似，通过共同的旋律和节奏，人们获得了心理上的互相支持与激励。
当人类离开原始部落状态后，独处的时间变得更多了，这种孤独感要如何排解呢？旋律化的表达提供了一种有效的方法。当我们听到广为流传、朗朗上口的歌曲，或者读到类似的诗词时，内心会产生一种“世另我”的陪伴感。尽管身边并没有真实陪伴的人，但我们仍然能感受到：现在所经历的低谷、挫折或挑战并不是命运单独对自己的惩罚，很多人其实也在经历相同的境况。
诗词和歌曲都有上述作用，能够提供勇气和克服孤独感，但为什么诗词逐渐式微，如果没有九年义务教育，或许它已经逐渐从历史长河中消失了。原因或许有很多。从大脑机制的角度看，我自己的感觉是，歌曲旋律的韵律熵要远远低于诗词。即便是一首完全陌生的歌，播放到一半时，大多数人都能跟着旋律哼唱起来。当大脑在预判下一个音符，并成功踩到节奏点上时，就会获得积极的反馈，从而更容易感到愉悦和满足。
0 00
从门户网站到搜索引擎，互联网时代的升级路线是“如何高效获取信息”。
门户网站的核心在于内容的生产、整理和展示，任何一个有资源和内容的公司，都能够建立一个门户网站。
AI 时代的升级路线是“如何提高生产力”。
今天的 AI，如果从 ChatBot 的角度去看，它更像是一个“门户网站”，任何有卡、有数据的公司都可以训出一个像样的模型，第一梯队的模型之间会有各自擅长的点，有的善文有的善理，但不会有本质的差异。
AI 时代从“门户网站”到“搜索引擎”的关键一步，就是把 "ChatBot" 变成 "Agent"，一个能比较好地进行 computer use 的 AI 才能真正接触到用户的生产资料、参与到用户的生产流程。
门户网站的核心在于内容的生产、整理和展示，任何一个有资源和内容的公司，都能够建立一个门户网站。
AI 时代的升级路线是“如何提高生产力”。
今天的 AI，如果从 ChatBot 的角度去看，它更像是一个“门户网站”，任何有卡、有数据的公司都可以训出一个像样的模型，第一梯队的模型之间会有各自擅长的点，有的善文有的善理，但不会有本质的差异。
AI 时代从“门户网站”到“搜索引擎”的关键一步，就是把 "ChatBot" 变成 "Agent"，一个能比较好地进行 computer use 的 AI 才能真正接触到用户的生产资料、参与到用户的生产流程。
2 00
社会的运转驱动力是maximize所有人的幸福感之和
市场化的分配方式下，有钱人相比普通人的幸福感并不会像他们的财富差距一样那么大，所以“普通的有钱人”在社会运转下一定被”平均”，而那些仍然有创造力的有钱人能够传承财富是因为他们可以创造就业让更多人保持幸福感。
不管是市场化的分配方式，还是其他的分配方式，都只是一种解法（甚至不是局部最优）。相信你也肯定曾经在某个岗位感叹过因为决策人的失误或者精力不够导致资源分配不均。
如果有”人”能够以上帝视角去进行分配，那会是什么方式呢？当前阻碍这个分配的是什么呢？是能够决策的人的“算力”吗？那如果决策的人的“算力”被*10000倍呢？
市场化的分配方式下，有钱人相比普通人的幸福感并不会像他们的财富差距一样那么大，所以“普通的有钱人”在社会运转下一定被”平均”，而那些仍然有创造力的有钱人能够传承财富是因为他们可以创造就业让更多人保持幸福感。
不管是市场化的分配方式，还是其他的分配方式，都只是一种解法（甚至不是局部最优）。相信你也肯定曾经在某个岗位感叹过因为决策人的失误或者精力不够导致资源分配不均。
如果有”人”能够以上帝视角去进行分配，那会是什么方式呢？当前阻碍这个分配的是什么呢？是能够决策的人的“算力”吗？那如果决策的人的“算力”被*10000倍呢？
7 11
节奏很重要
不同人节奏也不一样，有的人有耐心，可以忍受一直拿不到结果，最后一鸣惊人；有的人需要不断的正反馈，那在做比较有挑战的事情时，适当“捡些软柿子捏一捏”，会走些弯路，但如果不走这些弯路可能连路都走不下去。
不同人节奏也不一样，有的人有耐心，可以忍受一直拿不到结果，最后一鸣惊人；有的人需要不断的正反馈，那在做比较有挑战的事情时，适当“捡些软柿子捏一捏”，会走些弯路，但如果不走这些弯路可能连路都走不下去。
4 00
70年人工智能研究的最大教训：基于“计算”的通用方法最终最为有效。而基于“计算”的通用方法核心只有两点：search + learning.
复习 Sutton 在 2019 写的博客，Sutton 举了几个例子：
- 国际象棋领域，1997年 Deep Blue 用 "deep search" 击败世界冠军 Kasparov.
- 围棋领域，AlphaGo search + learning 不必多言。
- 语音领域，从基于人类知识的方法，到基于统计学的方法 HMMs 再到深度学习的方法完全领先。
- 计算机领域，从早期的 SIFT feature 变成后来的卷积神经网络。
复习 Sutton 在 2019 写的博客，Sutton 举了几个例子：
- 国际象棋领域，1997年 Deep Blue 用 "deep search" 击败世界冠军 Kasparov.
- 围棋领域，AlphaGo search + learning 不必多言。
- 语音领域，从基于人类知识的方法，到基于统计学的方法 HMMs 再到深度学习的方法完全领先。
- 计算机领域，从早期的 SIFT feature 变成后来的卷积神经网络。
The Bitter Lesson
2 01
对这个领域不是很了解，但听下来 RockFlow 的几个洞察很有意思：
1. 年轻用户会愿意为了酷，把交易当作一种“时尚”去消费，“我买了英伟达，所以我很酷”。数据侧上看，可能很多用户就是小额买卖会比较多。
2. 玄学选股，很反交易本质的一套方法，但是如果用“消费”的逻辑去看就感觉还好。正好在小红书上看到这个案例，“反正这个钱不买点股票，我也会花掉，不如博彩一把，还能储点蓄”。
3. 对于组织的思考，组织的文化要匹配创始人的风格，才有可能做到知行合一。确实见过不少 founder，脑子里知道要招优秀的人、建设“放权”组织，但自己是一个事无巨细的性格，很拧巴。
1. 年轻用户会愿意为了酷，把交易当作一种“时尚”去消费，“我买了英伟达，所以我很酷”。数据侧上看，可能很多用户就是小额买卖会比较多。
2. 玄学选股，很反交易本质的一套方法，但是如果用“消费”的逻辑去看就感觉还好。正好在小红书上看到这个案例，“反正这个钱不买点股票，我也会花掉，不如博彩一把，还能储点蓄”。
3. 对于组织的思考，组织的文化要匹配创始人的风格，才有可能做到知行合一。确实见过不少 founder，脑子里知道要招优秀的人、建设“放权”组织，但自己是一个事无巨细的性格，很拧巴。
S6 Vol.07 RockFlow赖蕴琦：我们正在用AI给投资开挂
创业内幕 Startup Insider
6 20
与其听营销大师 Sam Altman 的“狼虎之词”，不如看看真正做事的人的观点，这个是前两天 John Schulman （OpenAI RL 负责人） 的一段采访
- 短期不需要太担心模型 too powerful：模型的长期规划能力还很差，很难让模型做连贯的事情；
- In-context Learning 能力对于模型去完成 Long-horizen task 很重要，所以 Long Context 很重要，但不会有太大的技术瓶颈；
- LLM 里面常见的 hallucination，可能无法彻底修复，但实际上很容易通过一些简单的手段不断改进（早期 ChatGPT 会幻觉可以发邮件，实际只需要 30 条数据就可以修复这个问题）；
- GPT-4 最新版本相比于最初版本的进步主要来自于 post-training，且依然有很大的改进空间；
- Post-Training 是否具有护城河：有，但不多，主要在一些经验积累上，会有很多小团队通过直接蒸馏或者用你的 API 作为评委去提升他们自己的模型；
- Schulman 希望的 next step 是类似早年微软推出的 Clippy，可以直接在屏幕上协助用户完成一些工作（很符合 ChatGPT desktop 版本的发展路径）；
- 多久能够取代你的工作：中位数估计5年；
- 短期不需要太担心模型 too powerful：模型的长期规划能力还很差，很难让模型做连贯的事情；
- In-context Learning 能力对于模型去完成 Long-horizen task 很重要，所以 Long Context 很重要，但不会有太大的技术瓶颈；
- LLM 里面常见的 hallucination，可能无法彻底修复，但实际上很容易通过一些简单的手段不断改进（早期 ChatGPT 会幻觉可以发邮件，实际只需要 30 条数据就可以修复这个问题）；
- GPT-4 最新版本相比于最初版本的进步主要来自于 post-training，且依然有很大的改进空间；
- Post-Training 是否具有护城河：有，但不多，主要在一些经验积累上，会有很多小团队通过直接蒸馏或者用你的 API 作为评委去提升他们自己的模型；
- Schulman 希望的 next step 是类似早年微软推出的 Clippy，可以直接在屏幕上协助用户完成一些工作（很符合 ChatGPT desktop 版本的发展路径）；
- 多久能够取代你的工作：中位数估计5年；
John Schulman (OpenAI Cofounder) - Reasoning, RLHF, & Plan for 2027 AGI
10 13