人工智慧思維
-
Satya Nadella 提到 Jevons 悖論。值得學習。
-
王寅：人工智慧中沒有「智慧」，神經網絡中沒有「神經」，機器學習中沒有「學習」，深度學習中沒有「深度」。這個領域真正有效的東西叫做「微積分」。所以我更喜歡把這個領域稱為「可微計算」，建模的過程稱為「可微編程」。
-
王寅：機器學習確實非常有用，甚至可以說是美麗的理論，因為它只是微積分的改頭換面！這是牛頓、萊布尼茲的古老而偉大的理論，以更簡單、優雅和強大的形式呈現。機器學習基本上是使用微積分來導出和拟合一些函數，而深度學習是拟合更複雜的函數。
-
目前，大型語言模型無法過濾文件語言，如 YAML 或 Python。然而，現實世界中的大量信息都是以這種方式組織的。這意味著我們可以使用文件來訓練大型語言模型。
-
為了訓練大型語言模型，我們可以開發一個系統來找到精確匹配。也許我們可以將 KMP（Knuth-Morris-Pratt）搜索算法與變換器架構結合，以增強搜索能力。
-
沒有技術秘密。開源將揭示所有被嚴密保護的秘密。
-
人工智慧將影響許多工具，包括間接的工具。有人說他們不需要 Figma 來繪製原型，他們會直接編寫代碼。我認為 Postman 也會如此；人們會直接使用 Python 或其他腳本來調用或測試 API。
-
我們不使用 Postman 或 Figma 的一個原因是，它們的功能無法通過文字生成。它們也缺乏一個命令 + K 快捷鍵來觸發組件替換。
-
用戶界面在人工智慧時代成為了一個障礙。為什麼要將 Postman 升級為人工智慧驅動的測試應用程序，當我們可以直接使用 Python 的 requests 庫或其他編程語言來測試代碼，因為後者將由人工智慧驅動？
-
為什麼要將 Figma 升級為人工智慧驅動的 UI 創建工具，當代碼驅動的 UI 生成，增強了人工智慧，提供了一種更直接和潛在強大的方法？
-
大型語言模型將首先改變與文本相關的應用程序，如 Google、搜索引擎、文本編輯器和寫作工具、Quizlet、Zendesk、DeepL、Medium、WordPress、Trello、Asana、Gmail、GitHub、Goodreads、Duolingo 和 Feedly。
-
相反，大型語言模型不太可能革命化技術，如 Git、Linux、ffmpeg、手機、硬件、瀏覽器、操作系統或語音和視頻通話。這些技術是代碼驅動的，它們的代碼不容易由人工智慧生成，與 Postman 等 API 測試工具不同。
-
代碼更多的技術難以被人工智慧革命化，如 OpenOffice、MySQL、Mozilla Firefox、Chromium、VLC Media Player、Qt Framework、LLVM/Clang 和 GNOME。如果人工智慧能夠幫助製作這些技術，它們就不會被取代。人工智慧應該幫助製作更好的技術，為此，人工智慧需要更多的計算能力來生成相同數量的代碼。
-
大型語言模型有兩種方式可以帶來變化：首先，通過改變平台或軟件中的內容或數據，例如在 TikTok 等應用程序中進行內容翻譯；其次，直接取代某些軟件或平台，例如 Postman 或 Google 搜索，包括 Google Translate。
-
人工智慧音頻工具有兩種方式可以帶來變化：首先，通過改變平台或軟件中的內容或數據，例如為 Audiable 生成有聲書；其次，直接取代某些軟件或平台，例如 Sing 歌曲應用程序，因為人工智慧現在可以執行人類的相同任務，使人們更容易將唱歌作為愛好。
-
有幾種方法可以衡量人工智慧對當前軟件或平台的影響。一種方法是衡量人工智慧可以生成或改進的數據或內容的數量，無論是部分還是完全。另一種方法是衡量人工智慧可以編寫或改進的代碼數量，無論是部分還是完全。這意味著我們使用人工智慧生成的內容來改進當前平台。此外，人工智慧可以幫助發明新的軟件和平台。
-
有三種類型的產品，生成式人工智慧產品、使用生成式人工智慧產品 API 的產品和其他產品。
-
一個產品想法是使用人工智慧從 Reddit、GitHub Trending、Twitter Trending、Quora Trending 和 Zhihu Trending 等社交平台積累即時信息、新聞或更新。用戶可以使用提示來自定義頻道，甚至添加特定的社交帳戶。
-
有五種重要的數據類型：文本、圖像、音頻、視頻和代碼。
-
其他重要的數據類型包括數值、地理空間、生物特徵、傳感器、交易、元數據、時間序列、結構化、非結構化、半結構化、健康、環境、日誌、網絡和行為數據。