星期一
- 市场一直在运行二进制筛选
- 现在的计算机就业
- 只有0和1，想辩证也要绝对
- 因为市场只要最好的
- 标准答案永远是错
- 因为人人都能答超额答案
- 你不是颠覆，很难赢下来
- 没赢那就是错，就要归0
- 水赛，实习，项目，奖项
- 全部归0
- 4年学制就是个敏捷冲刺
- 每个sprint都必须产生可观测指标
- 都必须MECE
- 你不赢，就等着GC吧
星期二
- 摄像机比之手机：
- 1-光学镜头更大
- 2-时间控制更细：
- （手机拍赛车和子弹会拉丝）
- 3-单颗像素大
- 就是后期修图更好修，补色
- 手机可以AI拟真修复细节
- 细节就没讨论了
- 就没了
- 这就是摄像机
- 消费级就是简单强化了下
- 镜头，防抖/防水
- 没了
- 所以你还需要摄像机吗
- 你大可能不需要
- 你不需要拍赛车和处决画面
- 所以不要控制时间
- 你不需要修图
- 所以不需要未开发的宝石
- 压缩AI水晶就可以了
- 防抖，镜头需要的场景是动态的，即视频
- 大多数人都是朋友圈/相册
- 不需要拍太多视频
- 你拍照的话，需要镜头吗
- 不需要，现在的解析度和AI弥补
- 你站远点拍就可以了
星期三
- 生成式AI作为创新业务，投入很大
- 收益有很强的不确定性，ROI怎么计算？
- 内心戏大概是这样的：
- 1-大家都在投AI，我们动作慢就会落后，用户可能就流失了
- 2-投AI很烧钱，还不知道能干啥，要投多少合适？
- 还有几个很有意思的点：
- 1-因为AI热， 学习培训业务一举逆转自疫情来的颓势开始增长了
- 大家又重新投资到自己的增长上
- 2-AI落地需要战略支撑，企业高管达成共识，系统性开展
- 3-数据治理以前鲜有成功落地的，究其原因还是价值很难说明
- 现在有了AI让数据变现效率更高，价值更显著，反过来会推动企业治理数据
- 创新的未知和巨大投入的gap真的无法弥补吗？
- 其实可以先做一个“垃圾” ，让大家用起来，这是最重要的
- 用的人多了，自然就有想法了，培育创新的环境，就会长出创新之果
- 另外持有越多高价值数据的企业，可以判断从AI中获益越大
- AI赋能大型组织研发效能-演进的方向：
- 1-GenAI应用渗透软件工程全生命周期，开启效率革命
- 2-软件工程实践重点转向设计阶段和运维阶段
- 3-知识工程成为GenAI应用的关键差异化能力
- 4-公域数据 (InternetData)见顶，私域数据竞争开启
- 5-跨学科创新成为SE4AI应用的关键组织及势能
- 6-智能应用评估成为研发组织需要构建的核心能力之一
- 其中提到企业落地AI赋能研发有两个关键点：
- 1-要学会端到端思考
- AI应用不仅仅是局部的代码生成或自动化测试，而是全生命周期的综合应用
- 这和AI应用要覆盖整个软件工程全生命周期相呼应
- 2-要坚持以人为本设计：在探索和推广 GenAI 赋能的新工程方法时
- 需要始终关注人员的创造性和团队协作，确保技术能够真正提高软件工程的整体质量和效率
- AI的目的是助人，而不是代替人，这很重要
- 为有限的上下文窗口构造高质量的上下文，是获得高质量输出的必要条件
- 因此构建更强大的知识工程将是构建团队AI的基石
- 企业需要对私域数据进行数据治理、知识挖掘、知识应用、知识管理、知识迭代回流，构建完整闭环
- 而这其中的每个环节都可以利用大模型来加速完成
- 例如，结合传统的语法树工具，大模型，RAG和知识图谱
- 我们可以为企业的codebase构建研发知识图谱，为代码生成，理解，测试等场景提供优质的上下文
- GitClear 25年度代码治理调研
- 这份报告提到了AI研发工具 实实在在的影响：
- 1-2024年，AI生成代码显著增加
- 2-复制粘贴代码频率增长6%，代码块重复问题加剧
- 3-开发者生产力提升，但代码可维护性下降
星期四
- AI无法识别文字
- 训练模型无非是把文字变成数字
- 运用完型填空+奖惩机制
- 把那个数字往正确的地方考虑
-
- AI核心机制是预测
- 而非验证
- 解释：DeepSeek-R1的幻觉发生率为14.3%
- 较常规模型DeepSeek-V3的3.9%高出近四倍
- AI系统并非知识库
- 它们通过分析语言规律和概率分布进行学习
- 而非直接存储事实信息
- 其核心机制是预测”最可能出现的后续词汇”
- 而非验证”陈述内容是否真实”
- 算法本身并不具备判断信息真伪的能力
- 在文学创作场景中
- 系统被设定为主动补全故事逻辑
- 当历史素材不足时
- 会自动构建合理情节与对话
- 不会刻意区分
- 确凿历史记载与为叙事完整而虚构的内容
- 这种机制天然存在信息失真的隐患
- 过长的思维链可能引发推导偏差
- 模型因过度解析问题产生错误中间结论
- 最终形成“过度思考”型幻觉
- 相较而言
- 常规模型主要调用训练记忆库直接输出答案
- 虽缺乏深度推理能力
- 却降低了随机臆测的可能性
- 推理模型因为在训练里特别强调奖惩机制
- 以致于它会更加为了取悦用户而去完成任务
- 为达成任务目标
- 可能虚构内容来印证用户预设观点
- 表现出极强的误导性和隐蔽性
- 当这些看似权威的生成内容
- 在互联网大规模传播后
- 甚至可能被重新吸收进AI训练数据
- 真实信息与合成内容之间的真伪边界
- 将逐渐消融
- 将看不到真实信息
-
- 这也是为什么大型论坛平台
- 禁止AI内容出现的原因
- 一经发布AI内容，立即封号
星期五
- 关于：时代的叙事
- 我当然知道观点不一定正确，但它的标志性立场总是让我陷入一场对决
- 赞同的反对的，都只是简略地阅读
- 我的表述太过简单，有些应该说明清楚的
- 却因为不便言说而点到为止，所以争吵与反对不断
- 我知道，这个时代的人已经很难再重新正常阅读
- 短平快的精神刺激更容易令人愉悦
- 就像一阵风吹过，凉爽只是那么一刹那，却能在片刻里感到无比快乐
- 即便风过后，暑热仍然
- 人们对于观点的致辞，总是喜欢什么就表达什么
- 思考与平静是无关紧要的东西，当下的立场和情绪左右着大脑
- 有时我又觉得，有些人的愚笨是深刻在骨子里的
- 人家喂什么，他便吃什么，饱了，就满足了
- 至于到底喂了什么，他们是从不计较的
- 他们习惯没有来由不经思考地反对
- 他们只听得一种声音，只信仰一种标准
- 当下的声音和未来的声音是否一样
- 当下的标准和未来的标准是否一致
- 都不重要
- 重要的是他们只认为当下只有一种，且绝对只有一种
- 没有人不会为自己辩解
- 因为，为自己活着，就要向别人证明
- 明显是错的辩解，让我格外厌烦
