长期摆烂、陷入倦怠：如何利用假期重获动力？_哔哩哔哩_bilibili

我最近可能有点“AI倦怠”了。上午在B站看了个“倦怠”主题的热门视频，发现里面的一些描述，跟我最近的情况还蛮像。比如，“你先是感到身体疲惫，休息不好，每天起床都很困难……你会逐渐从身体疲惫发展为心理疲惫。”我最近身体确实有点疲惫，经常睡前好几个小时，啥都不想干，运动完就去看电影解说，一看便看到很晚。心也有点累，没动力写东西了，之前每天几条帖子，现在几天不写一条帖子。视频里还说，倦怠的最大诱因，是慢性压力。那么，我在AI领域感受到的慢性压力有哪些呢？我也结合视频中提到的两大表现来展开吧。【表现一】总感觉事情在掌控之外视频中对这种失控的描述，是“生活就好像在玩一个扫雷游戏，我最大的愿望就是千万别出事儿”。而我对生成式AI的失控感，是AI的「做不到」。AI确实提效，AI确实有巨大想象空间。但很多业务中的真实问题，也绝不是随便找款AI工具就能解决的。更甚者，一些AI工具的实用效果，还不如互联网工具和RPA。其实，越是AI的高价值应用场景，越需要整个AI工程师团队去做定制化。在定制化的过程中，既要确保AI有稳定解决业务真实问题的能力，又要确保业务方真的愿意和能够在工作中用起来。坏消息是，在找外部AI工具这件事上，我“浪费”了一个多月。也正是这段时间的负反馈，让我逐渐产生了“AI倦怠”的苗头。本想趁国庆学学Python和其他AI技术的，但心太累了，没学动。好消息是，公司AI工程师们为业务方定制的AI工具，节前终于小规模用起来了。与此同时，我在AI情报上的突出表现，得到了话事人的肯定。【表现二】永远无法停止对「生存之大问题」的思考本来，在当前这个就业形式下，不管我在干啥，大脑后台都在持续运转着一些大问题：“如何才能保住现在的工作？未来失业了要怎么办？怎么样才能搞到钱？”这段时间，我在工作上又遇到了些阻碍。虽然第一时间就跟直属领导汇报了卡点，交流了应对方式，但内心中恐惧的声音，却不降反增，直到把人消耗得心疲力竭。好像越是难受的时候，我越喜欢在大问题上胡思乱想。反而一旦有了点小正反馈，我更倾向于找小的优化点去突破。看来，会不会使用AI，都不影响我们受「生存之大问题」的困扰。

ChatGPT炸裂级更新！人人可开发的GPTs会带来哪些改变？_哔哩哔哩_bilibili

GPTs会让AI使用者进一步分化，会带来两类趋势：1、把简单变得更简单：虽然ChatGPT本身就是自然语言对话的过程，但在现阶段的使用还是存在一定的门槛的，要让ChatGPT帮助自己完成一项复杂的任务，依然还是需要自己理解GPT模型的特性，善于拆解自己遇到的问题，从而一步步获得满意的答案，所以他要求用户有较好的逻辑能力、提问能力和Prompt技巧。而GPTs退出后，这些技巧和要求进一步降低了，你只需要在特定场景下使用其他人封装制作好的GPTs即可；2、技术平权，让会用的人获益：对于有较好的逻辑能力，对AI模型理解的人来说，确实是能做到用自然语言编程，不再因为自己缺乏开发能力而受限，既可以自制应用自己使用提升效率；也能把自己对行业、对AI、对用户需求的理解封装为GPTs，获取收益。本质来说，我觉得是以下几类人能从GPTs这个趋势中获益：1）在某个特定行业（AI除外）深耕的人：他们可以利用自己对所在行业/职业的理解，积累的数据与认知，去制作更好的GPTs应用；比如你很容易用ChatGPT帮你写小红书，你甚至也可以轻易就制作一个能生产小红书标题/笔记的GPTs，但是只有当你是真的理解小红书，知道小红书笔记的生成流程，知道什么是好的标题、什么是好的内容的时候，你才可能设计出真正有用的GPTs。2）对用户需求有洞察的人：这个用户可以是C端用户，也可以是B端商家，你总是得知道他们现在面临的问题是什么，他们有什么需求你才能制作出符合他们需要的东西啊；所以实际上，古典产品经理，一些有方法论知道怎么洞察需求的人其实是能在这边潮流中获益的；现在才真的是人人都是产品经理的时代。3）逻辑能力强&AI实践经验丰富的：实际上现在模型在进行产出时依然存在很多特点，比如「它并不想要成功」，比如它产出结果不稳定，比如对复杂任务它产出的结果通常较差等等，需要真正理解这些问题背后的机制，能处理好这些问题的人才能写好GPTs。---补充：昨天写完这条动态后，特意做了期视频，做了更完整的分析。

【建议收藏】除了Chat GPT外，10款超好用的AI工具！_哔哩哔哩_bilibili

发现一个宝藏小姐姐视频除了最近大火的ChatGPT外，AI到底还能帮我们做什么？最近我把大部分主流的AI工具都体验了个遍，挑了一些好用的推荐给大家：【AI绘画】Midjourney：https://www.midjourney.com/home/StableDiffusion：https://stablediffusionweb.com/DALL·E2：https://labs.openai.com/【代码生成】Copilot：https://github.com/features/copilotCodeium：https://codeium.com/Replit：https://replit.com/【AI辅助写作】ChatGPT：https://chat.openai.com/Craft：https://www.craft.do/Notion：notion.so/ComposeAI：https://www.compose.ai/copy.ai：http://copy.ai/Jasper：https://www.jasper.ai/copysmith：https://copysmith.ai/【PPT生成】Tome：https://beta.tome.app/【语音/视频合成】MurfAI：https://murf.ai/ResembleAI：https://www.resemble.ai/Synthesia：https://www.synthesia.io/AdobePodcast：https://podcast.adobe.com/Craft的使用方法，可以看我之前的视频【笔记软件颜值的天花板！Craft！附白嫖攻略】https://www.bilibili.com/video/BV1CD4y187U5/ChatGPT的表现，可以看我之前的视频【火爆全网的ChatGPT，到底是个啥？？？超强科普】https://www.bilibili.com/video/BV1xG4y137He/

【选Mac还是PC？交了这么多学费后，我终于悟了...-哔哩哔哩】

【选Mac还是PC？交了这么多学费后，我终于悟了...-哔哩哔哩】https://b23.tv/Lxzq48i影视飓风曾经花了20万把所有工作流转到ARMBased的Mac，结论就是，这是不可行的。你还是得结合着用PC。我的结论差不多。达芬奇在macOS上效果是最好的，如果你用的是H.264/H.265/ProRes，那就非常舒服。但现在Intel12/13代的硬解有了后观看差距很小（加了降噪Mac的表现可以洗洗睡了。还有硬件编解码器出bug就寄了。不过HDR的工作流还是Mac比较方便。那结论是啥：我全都要咯！

在最近录的那期播客里分享了一些用 AI 写作的经验，这里写一条精简版的笔记。

在最近录的那期播客里分享了一些用AI写作的经验，这里写一条精简版的笔记。用AI创作的核心原则是：“不要让AI代替你思考，而是让AI激发你思考。”目前和AI创作有关的教学，都是“用chatGPT一天写10条短视频文案”这一类的内容，都在教大家怎么批量地创造低质量的内容。这就是非常典型的“让AI代替你思考”的例子。你期待自己不需要动脑子，通过几句简单的咒语，AI就能帮你写完你想要的东西，这件事情在此刻还挺困难的。正确的做法应该是，希望你能自己先开始创作，创作遇到瓶颈时，再让AI出马。比如：1⃣你打开了一份空白的文档，很想写点东西，但是看着这空空的文档十分恐惧，不知如何下笔。这时候，你可以告诉AI你想写的主题，并且让它帮你生成一个大纲，你再往大纲里填充内容。或者，让它帮你写完第一自然段，你开始再续写它的内容。2⃣你文思泉涌，在文档上洋洋洒洒写了一千个字，但是写得越多越感觉灵感枯竭，十分头疼。这时候，你可以告诉AI：“我在写一篇关于xxx的文章，并且已经写了A、B、C这个几个观点了，请你扮演一位对这个主题感兴趣但了解不多的读者，向我提出10个问题。”从而让AI通过提问的方式来激发你的灵感。3⃣你的脑海中有一些有关联的关键词，但始终不知道如何将它串成完整的句子，这时候，你可以把这些词输入给AI，并告诉它：“我在写一篇主题为xxx的文章，请你根据我的主题将我输入给你的关键词，串成一个完整的句子。”这才是正确的用AI来进行创作的方法。“不要让AI代替你思考，而是让AI激发你思考”。#AI工作流

【3Blue1Brown熟肉】注意力机制可视化_哔哩哔哩_bilibili

3Blue1Brown刚出了Transformer的系列科普视频，做得很好。之前看过不少讲Transformer的课程和文章，包括李宏毅老师的课程在内，最后都陷在矩阵运算的过程里，几乎没有能把K、Q、V三个矩阵的象征意义讲清楚的。3Blue1Brown通过自己最擅长的动画和类比，把这套Attention的原理讲得比较浅显和直白。具体来说，“Attention像是问每个vector一连串问题，然后根据这串问题的答案来更新自己。”Query矩阵就像是在问："AreyouinEnglish?",“Areyouanoun?”,"Doyourefertoaperson?","Areyouanumber?","Isyourtonepositive?"等等，Key矩阵就像是vector对这个问题的答案，而Value矩阵则代表向量自己根据这个答案和相关性权重进行的自我调整。整个过程有点像是物理中的受力分析，每个AttentionHead代表一种力，通过Q和K找到所有施力的对象，再通过V来计算受力的大小，最后，把多个AttentionHead代表的多个力进行加总，计算出合力的方向和大小，作用在最后一个Vector上，从而指向nextembedding。之所以叫transformer，就是指各个不同的力汇总在一起，将原本的vector扭曲到了一个新的方向上。相比之前的RNN、LSTM之类的模型，Transformer的强大在于其支持并发计算。细想之下，这种并行的自注意机制颠覆了语言中的时间观，顺序不再重要。这让我想起《你一生的故事》/《降临》里七肢桶的语言-把完整的生命在眼前一下子同时铺开，没有先后，没有早晚，没有时间。类似的，Sora中的所谓spacetimepatches，索性把空间也和时间打包在一起，颇像是爱因斯坦相对论里对“时空”的理解。或许，所谓的时间、空间，其实都是伪概念，只不过是tokens/patches的一种分布方式而已。还挺有趣的。