24 posts tagged with "Think"

最近看到这篇文章,个人觉得完美描述了在生成式AI的年代,普通团队(没有核心训练infra和细分分工的团队)如何作出好的模型产出,

从道和术的角度，概括了训练出好的生成式模型，其所需的方法.

原作者： https://zhuanlan.zhihu.com/p/715712057

原作者 Yangyixxxx ： https://x.com/Yangyixxxx

1. **二元三分理论**：评估一个想法是否值得投入时间的框架。

2. **二元观测**：从“人”和“事”两个维度进行初步评估。
   - **人**：评估这个人是否靠谱，包括他的成功经验、资源、为项目所做的努力，以及对项目的信心。
     - 是否有成功经验或资源。
     - 是否进行了充分的调研和验证。
     - 对项目的信心和投入程度。
   
   - **事**：评估项目本身的可行性。
     - 时机：项目的创新性与时机是否适合。
     - 路径：项目阶段性目标和计划。
     - 差异化：项目的独特优势或对标成功案例的关键路径。

3. **信息收集与风险降低**：通过详细的前期调研和信息收集来降低项目风险，提高成功率。

4. **实践与验证的重要性**：强调通过实际行动和验证来补全信息差，从而在量子态的现实世界中做出更好的决策。

5. **选择的重要性**：选择往往比努力更加重要，通过上述框架来筛选机会。

回归是开放空间，分类是固定空间 这个是基于结果来说的视角.

最近我一直在思考，在大语言模型即将无处不在的时代，有什么工具能够帮每个人最快速获得领域知识（相当于一个快速知识蒸馏的工具），一个人怎么学习才算是掌握并验证了这个知识？又或者从做事的视角来看-一个人要做好一件事、做成一件事，它需要哪些信息？哪些最重要？怎么能把一些事情交给AI来做？

对于这些问题，我们当然可以简单从信息获取、模仿开始；如果我要学习一个未知领域，一个好的办法是遵守该领域的权威：各类大V、各类老师、各类前辈、同行；那我当然可以把这些信息源用来构建我自己的知识库，根据我的需求检索而且按照时间更新；我可以在这些平台获取这类信息源：书本、b站、油管、推特、抖音、arxiv、公众号、研究报告。我可以从这些地方不间断的爬取我想学习领域的内容，然后增量更新构建一个庞大的领域知识库，结合最近大火的RAG（Retrieval-Augmented Generation ）技术，我们之后只需要对知识库提问就可以让自己能达到不错的前沿水平。