SuperDaniel313

@rossroma 用大模型做什么事情，取决于你想要得到的结果是不是符合你的目的。

让大模型做自己不擅长的事情，那很难保证产出质量。

打个比方，手底下管三个研发，如果自己不会代码，怎么知道研发提交的代码是好的呢？即使他们的代码都能跑起来。

再比方说，新起一个项目，有三个模块的工作量可以选择，其中两个你非常擅长，其中一个很陌生。那么为了保证项目质量，是把陌生的这个交给底下的兄弟做，还是把擅长的这个交给底下的兄弟做呢?

授权的前提一定是受控，信任不能代替控制和监督，否则就是失控的开始。

提外话说一下推广翻车的那个帖子，AI 味太浓是一回事，还有很多网友反对的是拉踩式营销。

咋说呢？他上一个帖子，征询网友意见的时候，就不大对味了吧。我看帖子里好多人都给他认真回复和建议，都非常有价值，但是他连感谢都没有，看着就像打着求助的幌子来推广，然后我就不想搭理这个人了。

@livib 咋说呢，主要还是看你的目的。

就像今天推广翻车的热帖一样。翻译和学习是两种需求，错位了就翻车了。

如果你只需要从无到有，那确实大模型能解决大部分需求。

如果是想要提效减负，对大模型的产出有质量要求，那还是要自己主导，大模型辅助。

这取决于结果对你来说重不重要，因为能评价大模型产出质量的人只有你自己。如果你没有能力判断质量，你怎么确定质量是否符合你的预期？如果只需要看起来符合就好，那质量就不是你的目的。

@SantinoSong #19 针对个人学习来说，是你说的那样。我上面更多是从一个学习型工具即将面对的市场的视角来看待。

我大概 Anik 用过两年，supermemo 用了五六年，现在都放弃了。不是不好，是我逐渐用不到了。知识开始冗余的越来越多，随着我环境的变化，很多知识已经用不到，但如果为了保持记忆，我需要花很多精力去维护。

我选择删库跑路。

也可能是度过那个外化阶段，逐渐开始不依赖工具了。

@dawn009 一样呀，都是让大模型来替我们做一次全面的检查，看看理解的偏差有多少，和大模型认为的真正理解还有多少差距？然后再进行二次校正。

你甚至可以让大模型在你学习之前给你一次提前测试，错误的结果会让你对这个知识点记忆更加深刻。

然后如果是传统学习的话，其实还有一轮间隔测试。

也就是你当下做对了，并不一定等于你记住了，你理解了也不等于你能运用了。需要不断地用间隔测试的方法，加大间隔，同时进行测试。如果你能长期地记得住且用得出来，那么你才算是真正地掌握了。

但是这些麻烦的做法，或者说传统学习方法下看起来的优势，在大模型面前已经没什么太大的价值。现在是信息过载的时代，还是依赖大模型吧，打不过就加入。

@lingguo #12 我的步骤是这样：
1. 看书，只看一章；
2. 电子书搞 NLM 里头，提问；
3. 这章讲了什么？我的理解是....作者的意思是什么？我理解的对吗？
4. 对 NLM 的回答进行发散，不懂的全问一遍；
5. 要 NLM 批判我的想法，然后开始狡辩，直到心满意足；
6. 继续下一章；

传统学习不行了，哪有全才可以像大模型一样跟你彻夜辅导。

如果 Gemini 舔你了，你直接骂他：你不是真正的乐于助人的智能助手，你只会舔我，真正的乐于助人是讲真话，对我的想法进行批判，找出真正的问题。

吐槽一下，Gemini 网页版巨会舔，好几次给我舔的迷失自我，真以为自己手到擒来，直到我被现实干懵了。难怪皇上真以为天下太平，天天被人这样舔，谁遭得住啊

@superhot #7 难得有人愿意听，我就多讲几句。

有了大模型之后，间隔重复软件的市场其实被大大压缩了，基本缩减到了“应试教育”，因为只有在考试时大模型才无法被使用。

​从长远看，大模型必然会越来越普及，准确率也会随技术升级不断提高。它最强大的地方在于能调动大脑的理解力、反应力和元能力，真正实现“场景式教学”。这就像有一个水平极高的一对一导师，随时随地满足你任何学习需求。我在 Google 的 NotebookLM 上已经深刻体会到了这种爽快感。

所以如果当下再继续投入资源去做这方面的研发，除非是去做专业的应试软件，不然收益不大。割韭菜倒是没问题的，韭菜最喜欢这种听起来不用学就能会的软件了。

@cornetCat #2 抱歉，没理解你的场景。

之前我构想的方案是传统 SRS 的那种方式，以卡片为最小单位，要输入他的历史评价，也就是它的遗忘程度，那个是主观的，比如你认为它很难，忘记了，或者记住了，很容易。大模型需要一定的数据量才能给你参考出来。传统的 SRS 的薄弱点在于知识之间的关联程度没有办法算出来。

打个比方，两张卡片是相邻的知识点，在传统的 SRS 里面就跟两篇笔记一样，除非你自己手动给它打标签，否则的话它们是孤立的。有了大模型，这些问题是可以解决的。可以在制卡的时候，让大模型把这些标签都算计好。多个卡片之间就有了共性关系。后面就可以水到渠成去通过这种关联性来改变它的遗忘程度。

但是你说单词这个维度，说实话，我个人的想法是，从语言学习的角度来说，它没什么意义。学语言最重要的是，至少以词组或者最好是用句子来记单词。孤立的学习单词，效果不是特别好。很多人都被闪卡这种背单词的方式带歪了。如果你感兴趣，你可以让大模型教你如何学会一个单词。它必然是给你举了很多场景，然后对应不同的词性以及含义，这个时候你学习最快的。所以我的概念里面挺难想象，就是你说的这个场景。

上次和他聊过，还在墨墨。

不过现在大模型对这种间隔重复的算法冲击非常大。因为预测能力是这种间隔重复算法的根源。而大模型的预测能力，哪怕是通用的，还不用专门的针对这种间隔重复训练的大模型，也已经非常牛逼了。本来还想搞一个大模型加成的间隔重复算法软件，后来想想还是算了。有了大模型，依赖记忆的地方越来越少。做出来应该是自嗨。

关于 AI 的一些思考，前几天刚发了长文，这里截取一点原文：

因为机器听不懂人话，所以“懂机器语言”成了一种高薪壁垒。这就是过去几十年互联网繁荣的本质：我们这群人（产品、开发、测试、运维），本质上都是“人”与“机器”之间的中间商。我们赚的钱，其实是“翻译费”。我们是信息的“二传手”，把老板和用户的需求，传给机器去执行。

现在的“人”可以直接指挥“机器”了。
那个曾经不可一世的“中间商”，那个需要我们花高薪聘请、还得小心翼翼哄着的“翻译官”，突然变得没那么重要了。这就是为什么程序员、测试、运维这些岗位现在瑟瑟发抖。因为他们的工作内容，离“机器”太近了。

越接近“机器”，就越接近“技术”。
越接近“技术”，就越容易被标准化。

只要有钱，就能买到算力；只要有算力，机器就能不眠不休地学习、试错、进化。在这个维度上，人类想跟机器比逻辑、比速度、比耐力，那是自取其辱。


长文在下面：
老板学会用 AI 后，第一时间问我：“要你还有什么用” http://xhslink.com/o/6yjyar5x2iV
AI 时代普通人拼什么才能不被替代？ http://xhslink.com/o/4E19nPHjwMf