我最近可能有点“AI倦怠”了。

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。

生成式AI大爆发后 2024年人工智能行业有哪些新趋势？

生成式AI大爆发后 2024年人工智能行业有哪些新趋势？ 1． 生成式AI将继续快速发展2022年下半年，AI文生图软件首先点燃了生成式AI的热度，而这股热潮随着ChatGPT的发布达到了巅峰。“生成式AI”的搜索量在2023年出现激增。来源：Exploding Topics在生成式AI受到瞩目之前，大多数AI应用都使用了预测式AI。顾名思义，预测式AI会根据现有数据进行趋势的预测或提供见解，而不会生成全新的内容。相比之下，生成式AI会利用机器学习，从训练数据中学到“思考”的模式，以此创造具有原创性的输出。生成式AI和Deepfake研究专家Henry Adjer指出：“我们仍处于这场生成式革命的初期阶段；未来，合成介质和内容将在日常生活中无处不在，并且实现民主化。这不仅仅是一个简单的新奇事物，而是将在娱乐、教育和供给方面推动突破性的进步。”2． AI模型将从单一模式转向多模态传统的AI模型专注于处理来自单一模态的信息。而现在，通过多模态深度学习，我们能够训练模型去发现不同类型模态之间的关系，意味着这些模型可以将文本“翻译”成图像，以及让图像变成视频、让文本变成音频等等。多模态模型自去年以来受到了热烈的关注，让用户与AI的互动变得更高效。这也就是为何谷歌在去年12月发布的大模型Gemini的宣传片引起了轰动：在片中，Gemini似乎能够实时识别图片，还会生成音频和图片来辅助回答。谷歌Gemini宣传片截图。不过，谷歌在事后承认，该宣传片经过一些剪辑。但是，它至少向我们展示了多模态AI在未来可能会发展出的模样。3． AI将进一步融入各行各业的工作相信许多人在进行工作时，都已经会习惯性地打开ChatGPT等AI工具，让其作为“秘书”来随时辅助自己的工作。ChatGPT正在成为最受欢迎的“办公伙伴”。在今年一月的达沃斯论坛上，AI新锐巨头OpenAI的创始人CEO萨姆·奥特曼强调，AI带来的技术革命不同于以往，但AI不会像人们担心的那样取代掉许多工作，而是成为了一种“提高生产力的不可思议的工具”。对于这样的未来，有一件事是肯定的：作为“打工人”，我们将需要适应并获取与AI相关的新技能。4． AI将放大和增强个性化近几年来，用户都感受到了“个性化推送”的魅力：从社交媒体到视频网站，越来越复杂的算法似乎总能知道用户想看什么，并在合适的时间展示合适的内容。AI正在加速让各类媒介从“大众化”转变为“小众化”，最终目标是真正实现一对一的互动。AI初创企业Synthesia的首席执行官Victor Riparbelli表示：“我们预测：在不远的将来，大众传播将越来越成为过去式。合成媒介和内容将创造新的、个性化的通讯形式，而（传统的）媒体景观将彻底改变。”5． AI监管问题将受到重视最后，不出所料的是，2024年会成为AI监管的关键一年。逐渐变强的AI也为监管部门带来许多全新挑战，就如同漫威《蜘蛛侠》中的经典台词：“能力越大，责任越大。”德勤（Deloitte）的风险咨询主管兼全球技术部门负责人Gillian Crossan认为，AI令“被遗忘的权利”再次受到重视：“当这些大模型利用大量数据进行学习时，你如何保证它们是可控的，以及自己的信息能够被它们遗忘？”欧盟在AI监管方面可谓是取得了领先地位。据报道，欧洲议会和欧盟国家的谈判代表于去年12月已经就AI监管达成了协议。未来，AI系统将被划入不同的风险组：一个应用的潜在风险越高，对它的要求就应该越高。欧盟希望，这些规则会在全世界范围内得到复制。 ... PC版： 手机版：

最近突然意识到，我的思维模式被AI彻底改变了！

最近突然意识到，我的思维模式被AI彻底改变了！ 在遇到任何问题的时候，第一时间想到的已经是“我要怎么问AI才能得到更好的答案”，AI的思考能力已经在最近半年进化到了真的可以实战的程度。 比如最近开年的阶段，很多人（包括我）都在写2024年的工作规划，原本要是自己写，肯定千头万绪折腾很久，但这次我选择和AI一起完成这件事儿，通过 以下6个问题，最终形成了我的2024年工作规划： 1.作为一个职场规划导师，请你教会我OKR都包含哪些内容，为什么是高效的规划思路？还有哪些高效规划的思路？ 2.你觉得有哪些优秀的方法论可以指导我写年初的工作规划，这些方法论分别有哪些侧重点？ 3.我的工作内容是「xxxx」，请你用以上方法论分别帮我写一份工作规划的草稿 4.你觉得根据答案，哪个方法更高效一些？或者说对于一份年度规划来说，哪几种方法更能让老板觉得你的规划更好，并且在之后的工作中可以执行度更好？ 5.请你用A+B+C方法完整帮我撰写一份2024年年度工作规划，需要重点撰写以下工作内容：「xxx」 6.请你以专业的职场规划导师身份，根据以上规划，为我今年和未来的职业规划给出3-5条建议 在这6个问题之后，我选择了OKR+GROW结合的方式写完了规划，这份规划包含了以下内容： ⏺年度总体目标 ⏺每个目标拆分的数据指标 ⏺对项目现状的评估 ⏺工作计划的时间节点 ⏺具体可执行的工作内容 ⏺更深更高的职场和工作思考 这些问题不依靠AI也可以直接得到答案，但AI的优势就在于可以一直重复给出答案，完整不重复，写到最后对我来说启发的价值远大于交差（而且基本不会写错别字）#AI的神奇用法 #AI工作流 当然啦，以上能力肯定是做成了直接就能用的版本、依然是放在「AI帮个忙」里，欢迎大家试用：

传奇程序员约翰卡马克想要转型ai，然后ilya给他推荐了这27篇论文，说看完这些论文就会对当前领域在发生什么有一个全面的理解

传奇程序员约翰卡马克想要转型ai，然后ilya给他推荐了这27篇论文，说看完这些论文就会对当前ai领域在发生什么有一个全面的理解。 这个太棒了。无数大佬都说学ai最重要就是多读paper多测demo，但是论文千千万，精力又是有限的。可以有真大神ilya帮忙梳理一套论文那是完全不一样的。 而且现在有了gpt的帮助，包括一些插件比如consesus，比如mr.ranedeer，等等，小白也可以最无痛的看论文了。甚至可以针对这27篇论文，让gpt帮自己定制一个专属的学习计划和专属教材。 另外加上一个超好用的小技巧，我之前学神经网络和机器学习基础的时候一直在用的，就是让gpt针对每个知识点学完以后马上问问题来靠自己，比如让自己用自己的语言陈述一下这个知识点，然后gpt就可以测试自己对每个理论或者知识点的理解透不透，如果不透马上可以针对这个知识点给你傻瓜式解释到你绝对懂为止。这种流畅的学习体验，和没有gpt时代是完全完全不同的，曾经的自己如果这么厚一踏专业全英文论文摆在面前，坦白说连翻来的勇气的没有。(只针对人生的前30多年一篇学术论文都没看过的我)。但是现在，我看到ilya推荐的论文清单，只有兴奋。因为我马上可以为这27篇论文，指定一个24小时的gpt老师和专属针对性的学习和练习计划，里面涉及的技术问题的讲解，我也很有信心gpt的讲述方法可以让读过中学的人都有办法理解，如果不理解，可以再换一百个角度一百个比喻来讲解。这种信心，我觉得是和gpt前的时代完全不同的。 我让gpt把27篇论文简单梳理。摘要。分不同阶段。再提供一下论文的下载链接。如果有必要，让它逐步针对27篇论文，把里面的理论体系形成一整本立体全面相互关联的一本教材也不是不可以的。这种学习体验像魔法一样。所以我感觉可能未来外卖小哥快递小哥保安小哥自学ai成为各个领域大神的故事会越来越多，越来越常见。认为自己因为没有专业背景没读过相应大学专业没做过相应的工作所以不行也不敢尝试，这种想法慢慢会被ai改变。 ai will make human more human

文科生在AI团队里，究竟能干嘛？

文科生在AI团队里，究竟能干嘛？ 这大半年来，市面上被报道的 AI 团队，核心人才大多有技术背景，至少得是个理工科背景。 包括在很多 AI 社群里，懂技术的开发者，往往更受欢迎。 作为中文系毕业的文科生，我也一直在想：难道在 AI 领域，就没有咱文科生的一席之地了吗？ 从事 AI 3 个月后，我参与开发的一款内部 AI 工具，终于有了点阶段性的进展。回顾这 3 个月的经历，我隐约找到了点文科生在 AI 团队可以做的事儿。 先说个太长不看版： 内部AI 产品的开发，至少有 3 个里程碑 1、找到 AI 可以帮到忙的高价值场景 2、开发出能解决问题的傻瓜式 AI 工具 3、帮助业务一线员工真正用出效果 每个里程碑达成过程中，我这个文科生起到的作用是 1、找场景阶段：调研和科普 AI 在行业中的应用 2、产品开发阶段：通过提示词，把专家经验放进产品 3、用户成功阶段：在真实业务中，帮助种子用户成功 如果你对细节感兴趣，欢迎查看下面的详细内容： 一、找到 AI 可以帮到忙的高价值场景 1、找高价值场景 6月份初，在参与筹建「开源 AI 解决方案社区」的过程中，经过跟多位AI从业者深入交流，我得出了一个结论： “和行家/专家一道，找到行业的高价值场景，做出该场景的AIGC解决方案，可能更赚钱。” 这段话被转发出去之后，得到过几位行业领袖级人物的肯定。我后来参与的AI工具，也是在这个思路下开展的。 2、技术之外要做的事 想要“和行家/专家一道，找到行业的高价值场景”，AI团队就不能只懂技术。 我们还需要花更多的时间，去找行家/专家沟通，去了解该细分领域的知识和商业模式，去了解服务公司的核心优势。 就像那些搞运输的司机，懂发动机原理固然不错，但真想要赚钱，他们更需要搞清楚：运什么人、什么货性价比更高，走哪些路线更有赚头。 3、我这个文科生能做的事儿 对于绝大多数的行业专家来说，AI到底发展到了什么程度，其实是个谜。 因为新闻一会儿说AI会取代他们，一会儿又说 AI 到了冷静期，很多 AI 公司都黄了，也没个准数。 于是，我就冲了上来，做了些较为细致的调研。然后，用专家能懂的话，把AI 的真实情况，尤其是对行业的真实影响，科普给他们。 等专家对「AI 能干啥和不能干啥」有个基本概念过后，我再试着用他们能接受的方式，一起测试 AI 在解决业务真实问题方面的效果。 整体来看，专家们更喜欢业务导向的专题式调研报告，测试过且有know-how 层面的SOP更佳，有客户/用户的数据最好。而对于市面上常见的技术向、产品向的科普文章（和软广），他们其实兴趣不大。 二、开发出能解决问题的傻瓜式 AI 工具 1、确保 AI 能解决业务中的真实问题 5月下旬，OpenAI的创始人之一，大神Andrej Karpthy在微软Build 2023开发者大会上有提到过： “很多事情，直接写提示词（prompt）就可以搞定。在达到提示词上限之前，不需要考虑模型微调。” 在实际业务当中，很多问题，确实可以通过提示词解决。而提示词的上限，则取决于业务的重要程度和专家的专业程度。 如果，有幸在上个阶段，找到了重要性够高的业务场景。那么，这个阶段的重点，就变成了「如何和专家一起提升提示词的上限」。 从个人经验来看，很多 AI 工程师是不屑于学提示词的，绝大多数行业专家又不太会提示词。这中间的鸿沟，就需要我这个「愿意学和擅长教提示词」的人来填。 如果说提示词对专家太难，对 AI 工程师太简单，那么对我这个喜欢讲大白话的文科生，可能就刚刚好。 2、确保 AI 工具足够简单易用 入行仨月，我越发认可一句话：“公司只要有‘两个人’会提示词就行了”。 提示词真要做到「能解决业务中真实问题」的程度，不仅需要大量的业务知识和提示工程知识，还需要反复地尝试和迭代。 这其中的学习成本和试错成本，远不是业务一线伙伴所能承担的。咱千万别指望，通过几场培训和交流，就能让业务人员用起来。事实证明，这是不可能的。 更可行的方式，是让对业务感兴趣的提示词高手（我）和对 AI 感兴趣的业务专家合作。把一些高频的、能提效的场景中要用到的提示词，都提前写完并封装好。 最终交付给业务一线伙伴的，是只要傻瓜式操作就能稳定出效果简易工具。 三、帮业务一线伙伴真正用出效果 一旦进入真实业务场景，再简单易用的提效工具，都有一定的学习成本。 哪怕简单如微信，私域运营过程中要用到的功能，也得专门搞场培训。 1、在企业内部，AI比数字化工具更难推 在业务一线伙伴那里，AI 可不只是新的提效工具那么简单，在潜意识里，他们还有被取代的担忧。 而对那些简单试用过一些AI 的业务伙伴来讲，他们在市面上的 AI 那里碰过壁，不一定相信这一款AI工具真的有用。 这种情况下，如何吸引到一定量的种子用户，如何让种子用户快速上手，如何让甜蜜用户用出效果和持续使用，都是难题。 2、但互联网时代的运营方法论，依然有效 比如，重点突破感兴趣的业务团队，深入到他们手头具体的项目中去，点对点地用 AI 工具帮他们提效。 一旦在业务中起到作用，该团队就会一直用下去。 而在沟通过程中，我还可以不断总结他们的痛点，找到真实业务中高频的具象的场景，测算出大致的提效数据。 比如从 3 天提效到 10 分钟等，好让其他业务团队能真切感受到 AI 工具的帮助，最终以点带面让相关团队都用起来。 四、其他的延展 1、关键在“行业的高价值场景”上 总结到最后，我越发感觉到，这里面真正关键的，不是找场景阶段的调研和科普，不是产品开发阶段提示词工程，也不是用户成功阶段的产品运营，而是真正找到了“行业的高价值场景”。 只有场景找得足够准，才有可能立得了项，有可能获得种子用户，有可能形成早期的标杆，有可能为公司乃至行业带来价值。 但现阶段想要找到这个场景，AI 团队一定要跟行业专家合作，一定要对该领域的技术进展和产品表现足够了解。此处，才是文科生们最能创造价值的地方。 2、文理科或许都不是重点 最后，话说回来，既然都有了 AI 加持，就不用过于纠结文科、理科了。肯专研的话，很多技术上的问题、行业里的专业问题，都是可以学会的。 而且，从合作的角度来看，这些问题也无需学到多么精通。收到需求后，知道技术能否实现；看到技术后，清楚业务中如何应用，就差不多了。 至于那些个高价值场景，可能还需要把这门生意摸得足够透，对市面上「需求（流量）-产品-变现」的玩法了解得足够多。 我希望自己，今后尽可能少考虑自己学的是什么专业，担任的是什么岗位。然后，把更多的心思，花在如何用我的优势和用 AI 为客户/用户创造更大价值上，花在细分领域客户/用户的需求洞察上。 毕竟，客户/用户真正关心的，不是我是谁，而是我能给他们带来的是什么。#AI工作流

我不会在乎你的曾经，因为我要的只是你的以后，想要的只是有个未来，总会怀念我们之间的小生活，只是点点滴滴，我便记住，有时候，不会考

我不会在乎你的曾经，因为我要的只是你的以后，想要的只是有个未来，总会怀念我们之间的小生活，只是点点滴滴，我便记住，有时候，不会考虑你，结果怎么伤都是自己受。。我想送你半朵玫瑰，代表我的半颗心，因为另外半颗心已被你撕碎。 JAYSIR