人工智能思考
-
Satya Nadella 提到了 Jevons 悖论。值得学习。
-
尹旺：人工智能中没有“智能”，神经网络中没有“神经”，机器学习中没有“学习”，深度学习中也没有“深度”。深度学习中没有“深度”。这个领域中真正起作用的东西被称为“微积分”。所以我更喜欢称这个领域为“可微计算”，建模过程称为“可微编程”。
-
尹旺：机器学习确实非常有用，甚至可以说是美丽的理论，因为它只是微积分的改头换面！它是牛顿、莱布尼茨的古老而伟大的理论，以更简单、优雅和强大的形式呈现。机器学习基本上是使用微积分来推导和拟合一些函数，而深度学习是拟合更复杂的函数。
-
目前，大型语言模型无法过滤文件语言，如 YAML 或 Python。然而，现实世界中有大量信息是以这种方式组织的。这意味着我们可以使用文件来训练大型语言模型。
-
为了训练大型语言模型，我们可以开发一个系统来找到精确匹配。也许我们可以将 KMP（Knuth-Morris-Pratt）搜索算法与变压器架构结合起来，以增强搜索能力。
-
没有技术秘密。开源将揭示所有被严密保守的秘密。
-
AI 将影响许多工具，包括间接的工具。人们说他们不需要 Figma 来绘制原型，他们会直接编写代码。我认为 Postman 也会类似；人们会直接使用 Python 或其他脚本来调用或测试 API。
-
我们不使用 Postman 或 Figma 的一个原因是它们的功能不能通过文本生成。它们也缺乏一个命令 + K 快捷键来触发组件替换。
-
用户界面在 AI 时代变成了障碍。为什么要将 Postman 升级为 AI 驱动的测试应用程序，当我们可以直接使用 Python 的 requests 库或其他编程语言来测试代码，因为后者将由 AI 驱动？
-
为什么要将 Figma 升级为 AI 驱动的 UI 创建工具，当基于代码的 UI 生成，增强了 AI，提供了一种更直接和潜在强大的方法？
-
LLMs 将首先改变与文本相关的应用程序，如 Google、搜索引擎、文本编辑器和写作工具、Quizlet、Zendesk、DeepL、Medium、WordPress、Trello、Asana、Gmail、GitHub、Goodreads、Duolingo 和 Feedly。
-
相反，LLMs 不太可能革命化像 Git、Linux、ffmpeg、手机、硬件、浏览器、操作系统或语音和视频通话等技术。这些技术是代码驱动的，它们的代码不容易被 AI 生成，就像 API 测试工具 Postman 那样。
-
代码量更多的技术很难被 AI 革命化，例如 OpenOffice、MySQL、Mozilla Firefox、Chromium、VLC Media Player、Qt Framework、LLVM/Clang 和 GNOME。如果 AI 能帮助制作这些技术，它们就不会被替代。AI 应该帮助制作更好的技术，为了做到这一点，AI 需要更多的计算能力来生成相同数量的代码。
-
LLMs 有两种方式可以带来变化：首先，通过改变平台或软件中的内容或数据，例如在 TikTok 等应用程序中进行内容翻译；其次，通过直接替换某些软件或平台，例如 Postman 或 Google Search，包括 Google Translate。
-
AI 音频工具有两种方式可以带来变化：首先，通过改变平台或软件中的内容或数据，例如为 Audiable 生成有声读物；其次，通过直接替换某些软件或平台，例如 Sing 歌曲应用程序，因为 AI 现在可以执行人类执行的相同任务，使人们更容易将唱歌作为一种爱好。
-
有几种方法可以衡量 AI 对当前软件或平台的影响。一种方法是衡量 AI 可以生成或改进的数据或内容的数量，无论是部分还是完全。另一种方法是衡量 AI 可以编写或改进的代码的数量，无论是部分还是完全。这意味着我们使用 AI 生成的内容来改进当前平台。此外，AI 可以帮助发明新的软件和平台。
-
有三种类型的产品，生成式 AI 产品、使用生成式 AI 产品 API 的产品和其他产品。
-
一个产品想法是使用 AI 从社交平台（如 Reddit、GitHub Trending、Twitter Trending、Quora Trending 和 Zhihu Trending）积累实时信息、新闻或更新。用户可以使用提示自定义信息流，甚至添加特定的社交账户。
-
有五种重要的数据类型：文本、图像、音频、视频和代码。
-
其他重要的数据类型包括数值、地理空间、生物识别、传感器、交易、元数据、时间序列、结构化、非结构化、半结构化、健康、环境、日志、网络和行为数据。