每隔一段时间就想重新做一次自我介绍，突出近期的个人兴趣侧重点 🤭

简单概括，pimgeek 是 PIM 和 Geek 两个词的组合，其中 PIM 是个人信息管理的英文词组首字母缩写，Geek 指对某些小众爱好保持极端兴趣的人。

就个人而言，我的长期兴趣始终是这个：『弄清大脑/思维/意识活动背后的复杂系统工作原理。』🧠

为了随时随地都有条件抛开手头一切杂事去开展相关研究，很明显我需要一份比较特殊的工作。迄今为止，我尚未发现一种合适的工作职位能够平衡个人生计与这种强烈的研究兴趣，所以我逐渐变成了一位自由职业者。

在即刻社区，我专门购买了🍌黄即年费会员并订阅了 “自由职业、自由工作、远程办公、远程工作、Freelancer、Remote” 等话题关键词，只要有人反复谈论这个话题，都会被我关注到。如果看到喜欢的内容，我还会转发推荐给更多人（背后的理念是：只有自由职业者多起来，才可能有更多人关注我正在做的研究和主营业务）🤠

另一方面，因为我的研究兴趣经常涉及自身思维过程的观察、记录、回溯、反思等，所以我迷上了个人笔记/信息管理工具。通过与别人交流这些工具的使用心得，我逐渐认识了很多硬核的玩家和软件工具开发者。其中有一类输入法工具，专门用于以中文记录思考过程，我对这种记录工具有着超高的要求，所以到后来干脆开发了自己专用的音形码输入方案——🦩🐯鹤虎盲打输入法。

有了顺手的思考过程输入工具，很自然地就会考虑如何尽可能长期稳定可靠地存储、整理自己的思考记录。在这个问题上，我选择了以卡片笔记作为原子记录单元，目前重点关注德国社会学家尼古拉斯·卢曼（Niklas Luhmann）的卡片盒笔记管理方法，正在选配必要的工具和流程去磨合、实践（自研流程的成熟度和实用度已接近 80%）。在未来，此方法的展示、分享、教学和周边软/硬件开发很可能成为我的重要业务与收入来源。📈💴

如果你看了上面的介绍之后，对我的个人经历、研究主题或个人信息管理相关经验产生兴趣，欢迎通过评论或私信与我联系 📔💬🤓

✪ 🦩🐯鹤虎盲打输入方案 - m.okjike.com
✪ 第一次兴趣总结 - m.okjike.com
✪ 第二次兴趣总结 - m.okjike.com
✪ 第三次兴趣总结 - m.okjike.com

这位参议员关于 AI 的观点很迎合美国普通民众的喜好，演说片段视频经过精心的后期加工，带有醒目的 Logo，画风更像电影而非现场直播，通过 TikTok 平台加速传播。综合评估，我感觉他们还远远没有找到“让 AI 普惠大众而不是亿万富翁”的可行方法 🤔

TikTok/抖音的上瘾算法、AI 大模型公司极力维护的“算力饥渴症”，都在加重“信息过载”而不是帮助人们聚焦。如今最为稀缺的仍然是个人在面对海量信息时的筛选和判断能力。

这有点像投资经验分享者常挂在嘴边的“投资纪律”，我感觉关注各类信息也可以像做投资一样，逐步建立并长期坚持某种“注意力管理的纪律”。🤔

这个插图太生动形象了 👏🏻🤠

认知投降导致 AI 用户放弃逻辑思维能力 by Solidot

Edwards发表于2026-04-06 01:15

AI 工具的用户通常可分为两类：其一将 AI 视为功能强大但会犯错的服务，需要人类仔细监督和审查以发现其中的推理或事实错误；其二将 AI 视为无所不知——此类用户被称为是“认知投降派”。

宾夕法尼亚大学沃顿商学院的研究人员对 1372 名参与者和逾 9500 次测试后发现，高达 73.2% 的情况下参与者愿意接受 AI 错误的推理，只有 19.7% 的情况下会推翻推理。

研究人员表示这一结果“表明人很容易将 AI 生成的输出融入到决策过程中，且通常几乎没有任何抵触或怀疑”,“流畅、自信的输出会被视为有认知权威性，从而降低审查门槛，减弱了通常会促使人们进行深思熟虑的元认知信号”。他们发现，倾向于将 AI 视为权威的人更容易被 AI 提供的错误答案误导。

🔸papers.ssrn.com
🔸arstechnica.com

比较认同这位贾老师的案例分析和教学原则分享，其实我自己也非常缺乏这种“慢下来谈问题”的谈话训练。🤔

我平时不经常用 AI 求问，也因为有类似的痛点：感觉 AI 回答问题太缺少“中间阶段的交互确认”，动不动就一次铺陈大量粗体要点，从回答形式上没留出足够的“存疑讨论空间”。

AI 的回答形式，默认提问者已经准备好足够的脑细胞来完成“烧脑的学习过程”，这反而加重了信息过载（当然更可能因为脑细胞不够烧，干脆放弃思考，无脑接受 AI 给的结论）🤷🏻‍♂️

用最新下载的 1-bit Bonsai 8B 本地模型当作后端，启动 VTuber 服务器，在浏览器中进行语音对话，现在感觉反应明显更快，可以练习英语口语，或者中英文双向翻译 🤭

『Dwarkesh： 我明白你的观点，但什么时候大部分、或者几乎所有的数学进步都会由 AI 驱动？如果今年你发现一个千禧年大奖难题被解决了，你会下 95% 的赌注认为是 AI 独立完成的。终究会有这么一年的。

陶哲轩： 我猜我还是相信“人类+AI”的混合模式将在数学领域占据主导地位很长一段时间。这取决于是否会出现我们目前尚未拥有的额外突破，所以它是随机的。我认为目前的 AI 在某些方面非常擅长，但在另一些方面非常糟糕。

虽然你可以不断在上面添加更多框架来降低错误率并让它们更好地协作，但感觉我们还不具备全部要素来真正实现对所有智力任务的满意替代。目前它是互补的，而非替代。因为目前的 AI 将在很多方面加速科学，希望新的发现和突破会更快地发生。但也可能因为摧毁了“机缘巧合”，我们实际上抑制了某些类型的进步。在这一点上，一切皆有可能。我认为当今世界是非常、非常不可预测的（ ➠ 详见正文 ）』🤔

充分利用苹果电脑的 M1 芯片，现在能用阿里的 Z-Image 本地大模型在 3 分钟内生成质量基本过关的 1280x720 尺寸图片，上次用非原生的调用方式，要到 15 分钟左右，属于技术调优的工作不到位（MLX 方式比 Metal Shaders 方式更快）😄

陶哲轩:『我们赞美开普勒，但也应该赞美布拉赫，因为他进行了刻苦的数据收集，其精度是之前任何观测的十倍。

多出的那一位小数精度对于开普勒获得结果至关重要。他使用了欧几里得几何和当时能用的最先进数学手段来让模型匹配数据。所有环节都必须参与其中：数据、理论和假设生成。我不确定如今假设生成是否还是瓶颈。

在一个世纪以来的发展中，科学已经发生了变化。传统上，科学的两大范式是理论和实验。随后在 20 世纪，数值模拟出现了，你可以通过计算机模拟来测试理论。最后在 20 世纪后期，我们迎来了大数据和数据分析时代。现在许多新进展实际上是先通过分析海量数据集来推动的。你收集大数据，然后从中提取模式以推导思想。

这与过去的科学运作方式略有不同——过去是你进行少量观察或产生一个突发奇想，然后收集数据来测试你的想法。那是经典的科学方法。现在几乎反过来了。你先收集大数据，然后尝试从中获取假设。

开普勒可能是最早的早期数据科学家之一，但即使是他，也不是先拿着第谷的数据集然后去分析的，他先有一些预设的理论。随着数据变得越来越庞大且有用，那种旧的模式似乎越来越不再是我们取得进步的主要方式了…（ ➠ 详见正文 ）』🤔

有位微信朋友分享了不同观点，我觉得也比较启发思考，我从朋友圈评论中原文转过来：😄

网友评论：“我所看到的社达，就是刷参数价值唯一论。比如手机要刷个参数，汽车要刷个参数，评价标准非常单一，造成的反馈信号也非常单一。企业的用人要求也非常单一（不一定全局最优，但是肯定是满足一部分人的局部最优）

这种单一的价值观和规则体系在捆绑没有其他选择的所有人。所以这种单一价值观直接把人文精神给剔除掉了，他不在局部最优的参数里。

大众的功利看待高等教育，是这种规则的最直接反馈结果，对大众来说，这是（局部最优）对穷人来说，学会解微分方程去公司上班是10年20年的最优解，其他的后面再说。

我甚至不觉得张是非常功利的看待高等教育，他是非常功利的看待高考报志愿这一直接影响人生曲线的重要决策，就那一件事。至于学生进了学校，选择什么教育，那是学生自己的事了，物质条件上寻求最优这是对的呀，甚至是必须这么做。

我不同意原博的观点部分，现代社会不是魏晋陶渊明，是一个高度合作的市场，你不能够以不参与来躲避竞争，然后就认为别人没有人文精神。” //@hawkck1: 在这片土地缺少启蒙运动导致的

深表赞同:『人文学科被踩到今天这个位置。

我们曾经一个那么注重精神追求以人为本的民族，是连物质不那么富足的老百姓，不论黄发垂髫都能自得其乐获得安顿的文化，居然走到了比西方人笔下的荒原还荒芜的困境…（ ➠ 详见正文 ）』🤔