经过大半年紧锣密鼓的开发，我们的AI知识助手产品—remio—今天正式开启内测，有兴趣的朋友们请移步官网（remio.ai）申请加入waitlist。请朋友们方便的话帮忙转发[Salute][Salute]

智能编程可以成为新的JIT编译。

JIT编译把性能较差的解释执行变成高性能的机器码执行，同理，智能编程可以把比较慢的LLM推理执行变成高性能的程序执行。

这个过程可以自适应完成，当某些指令的执行次数超过一定的阈值，就可以尝试对应的生成程序代码，还是返回LLM推理的结果，但同时执行程序并用LLM来判断输出的正确性，通过充分测试后就可以正式转成只执行程序。

测试是不是充分，可以看测试的次数和测试的全面性评估（可以让LLM自动评估）。

这样，就可以大规模的用自然语言编程，但又可以很大程度上享受到编程语言的性能。

一时兴起做了个关于AI经济规模的快速计算：
1、全球每年会议时长1.17万亿小时（GPT-4o根据全球16.5亿人平均每周开14.8小时会计算）
2、这些会语音识别后产生的文本token数：14.04×10^15
3、调用GPT-3.5 API对这些文本都一下总结的成本：30.9万亿美金

30万亿啊，OpenAI现在一年30亿，空间巨大。。。。。。

接上条。

智能大模型的复用能力与之前的手段有根本的不同。之前的手段都需要预先设计，例如将已有的功能封装成符合某种特定要求的控件、组件或微服务，甚至建设业务中台。而智能大模型可以针对软件开发过程中所生产的所有资产（包括文档和代码）进行复用。通过智能大模型的针对性训练，所有软件相关资产成为组织知识，并在需要的情况下实现复用。这种复用的级别是字符级别的。理论上来说，智能大模型的复用颗粒度能够达到极致。

综合来看，相比现有的手段，智能大模型的复用能力具有以下优点：
1、不需要特别的设计，没有额外的成本；
2、所有的资产（文档、代码）都可以实现复用；
3、细粒度， 可以做到字符级的复用；
4、能够实现自适应的复用，不是简单的拷贝粘贴，而是先将资产沉淀成知识，再根据需求进行针对性的生成。

经常看到智能编程一键生成某某应用的宣传，之前老觉得没啥大用，因为演示都基本都是用来做做贪吃蛇这种常见的东西，这些东西在代码库里很多，一键生成说是生成，还不如说是抄。

今天看到两个例子，改变了我的想法。

一个是一键做个计算器，想起2000年的时候给浙大做在线教育系统时用JavaScript手撸计算器撸了好久；第二个是一键做个音乐播放器，我想类似的视频播放器应该也没啥问题吧。

这两个例子让我认为，智能编程大模型可以成为一个巨大且灵活的组件库，而且这个组件库和之前所有的组件库的使用方式都不一样，灵活的多。

之前都是用组件，没法改。要定制组件的行为，只能通过配置、参数等有限的方法。组件为了支持更多使用场景，往往做的越来越抽象，易用性也越来越差。

现在的用法变成copy-and-modify，我们不再需要把组件设计的那么抽象和难用。

这是一个软件复用机制的paradigm-shift。

当然，这样的机制有利有弊，我知道不少人（尤其是老程序员）对这种到处拷代码的方式嗤之以鼻，但我觉得，多一条路是好的。

Paul Graham 发了一篇文章说未来大部分人都不会写作，个人觉得老Paul最近的文章有点太剑走偏锋。

之前他写创始人模式，我就觉得，凭几个观察就能把数十年的管理学打翻在地？

这次这篇关于写作的观点也不敢苟同。我认为我们现在大部分写作是在码字而不是思考，将来码字的这部分AI肯定基本取代，人应该会用更多的时间思考。将来不会思考只会码字的人都找不到工作。

如果说将来敲键盘码字的速度下降，我觉得大有可能，但如老Paul所说的大部分人不会思考，不敢苟同。

对对，必须得输出，做笔记就输出给自己看都好的 //@爱吃酸奶的兔子: 个人觉得还得输出，不然过段时间思考全忘了😅

碎片化阅读有一个很大的好处，它逼迫你把读和思考交替进行。

俗话说学而不思则罔，死而不学则怠。碎片化阅读刚好做到学和思相结合。

我感觉我大部分好的想法是受碎片化的阅读启发，而不是沉浸式阅读启发的。

沉浸式阅读往往读着读着就变成纯读，纯享受，懒得思考了。

以上为碎片化阅读正名。

当然前提是得得空就思考。

有人讨论到，要少创新，多模仿，模仿比创新更稀缺。
我的评论：创新只需要理解自己，模仿你得理解别人，你说哪个更难？