Archive

人们渴望在网上与有个性的人建立人际关系，而不是只和谈论某一专业兴趣的搜索引擎打交道。大多数人认为，要成功，他们必须在一件事上表现得非常出色，但实际上成功并不一定需要只擅长一件事。在第二次文艺复兴中，你不需要在某一方面出类拔萃，而是需要在许多方面都表现平均才行。相反，您需要吸引各种兴趣的不同观众，然后说服他们您打算实现的技能的重要性。我宁愿拥有一个拥有 10 万多元素的观众，而不是一个特定领域的 1 万关注者，因为我知道如何教育人们。再次，一旦您达到前 25％，虽然这并不多，但您可以通过拓展来进一步提升您的成果。作为创作者，你可以通过学习哲学来为你的写作增添深度，为品牌增添设计，或者实现任何创意 - 这就是通才蓬勃发展的原因。许多创作者告诉我，他们害怕尝试新的兴趣领域，因为他们难以理解如何进行。成为通才谋生的第一步是选择一条职业道路，不要让自己被困在一个特定的技能或兴趣中。

制定战略的起点，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。最常见的观点是：“我们没有战略，所以我们需要制定一个。正如我之前所提到的，每家公司（或组织或个人，无论如何）都制定了一项战略。通常情况下，公司的战略与其战略规划文件所述内容无关，后者通常充斥着陈词滥调、华丽辞藻以及令人昏昏欲睡的图表。至少 92%的公司制定了战略，因为它们已经运营了一年或更长时间。直到开始运营，一家全新的公司还没有制定战略，因为它还没有做任何事情。由于许多这些初创公司尚未建立一套一致的选择，我愿意承认其中有一部分 8%尚未制定战略。但是，任何一家已经运营的公司都会有一项战略，因为它一直在做一些事情，而不是其他事情。即使一家公司聘请了新的首席执行官，该首席执行官也不能从零开始制定战略：无论是否书面记录，无论是好是坏还是中立，都已经有一项战略在执行。

Ashley 说：“许多局面在没有牺牲一些有价值的东西的情况下是无法赢得或保住的，从卑微的兵到强大的皇后。” 故意失去一枚棋子作为个人游戏计划的一部分就是 Ashley 所指的牺牲。大多数其他投资都需要做出真正的牺牲，承担损失的风险，以追求“既非即时又非切实可及”的收益。Ashley 继续谈到牺牲，用投资者熟悉的风险/回报术语来描述。”（强调添加） 这就是：风险的重要性所在。由于未来本质上是不确定的，我们通常需要在（a）避免风险且几乎没有回报、（b）承担适度风险并接受相应适度的回报，或者（c）承担高度不确定性以追求巨大收益，但也要接受可能造成重大永久损失的可能性之间做出选择。每个人都希望有机会以很小的风险获得巨大的收益，但通常市场的“高效性”排除了这种可能性，因为这意味着市场中的其他参与者并非傻瓜。获得高回报，无论是绝对回报还是相对于市场上其他投资者的回报，都要求您承担有意义的风险，可能是在追求绝对收益时承担损失的可能性，也可能是在追求超额表现时承担表现不佳的可能性。

一个实用的生产力衡量标准的重点在于把概念放进具体使用场景，而不是停留在名称或口号上。围绕这个主题，需要同时看清问题产生的背景、已有做法的局限，以及新方法试图解决的真实矛盾。判断它是否有价值，不能只看技术或观点本身，还要看它怎样改变用户行为、组织流程、成本结构和长期风险。如果只保留一个结论，就是任何看似简单的趋势背后，都有数据、制度、工具和人的选择共同推动。真正可靠的理解方式，是把抽象判断落到具体行动：谁在使用它，解决什么麻烦，付出什么成本，又会把哪些旧问题变成新的约束。这样看，重点就不只是得到一个漂亮说法，而是形成可以比较、复盘和继续改进的判断框架。这种写法也能避免空泛评价，把读者带到可执行的层面，知道下一步该观察哪些信号。

肯特·纳伯恩的《简单的真理：生活中重大问题的明晰而温和指引》 教育是生活中的一大乐事和慰藉。它为我们提供了理解周围世界的框架，让我们能够跨越时间和空间，触及他人的思想和感情。无论你可能认为，你的工作只是为了赚钱，实际上，你的工作塑造了你的个性，因为那是你花时间的地方。他们对金钱的处理方式取决于他们对金钱的看法，而不是取决于他们拥有多少金钱。” 那些能够根据自己的需求来衡量金钱的人，可以通过控制自己的需求来掌控自己的生活。当你无法维持生计时，金钱就成为你生活的核心，因为你对它的缺乏感到痴迷，你的心很快就充满了绝望和愤怒。这意味着懂得如何掌控自己的生活 — 如何维修和保养周围的事物，如何明智地购买，当无法购买时则不购买，以及如何从生活中的简单乐趣中获得快乐。他们不愿冒自己理解的安全风险，意识到他们的经历实际上是多么微不足道和有限。更好的是，你应该接受生活的节奏，并明白有时候你需要停下来喘口气，无论你面前的劳动有多么艰巨。

训练自己更聪明地了解人工智能的方法，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。凭借心智模型的力量，我在过去六个月里花费了数百个小时，收集了与人工智能相关的 100 个最重要的心智模型。为了决定我们如何做出反应，重要的是我们有意识地学习人工智能，而不是盲目地、本能地接受或拒绝决定。就像在市场中低买高卖是明智的一样，在其他人之前了解人工智能也是明智的。了解每条道路的局限性是至关重要的，才能超越它们 现在有数十个播客、通讯、博客、Twitter 账号和其他专家，涵盖了人工智能的每一个更新，从演示、提示和工具到传言、资金公告、档案和预测。虽然阅读人工智能新闻和进行基本提示都很关键，但在某个时候，它们的效果会递减，许多人只能等待 GPT 的出现。已被超过 342,000 人阅读，并介绍了以下图表… 2018 年初，Eben Pagan 和我决定合作创建心智模型俱乐部。

运用可能性思维，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。可能性思维需要想象不存在的事物，并为其开辟道路，使之成为现实。例如，孩子们也许无法到达月球，但他们可以想象这种可能性，并创造假想游戏的形式，至少让这种可能性对他们来说变得“真实”。在本指南中，我们将通过一系列练习向您展示如何将可能性思维应用于您面临的实际问题。从这个意义上说，可能性思维是关于展望未来的：认识到哪些经验、关系、物体和意义可能有助于解决不仅是当前而且是未来的问题。对于需要创造性解决方案的具体实际问题，开始使用可能性思维和可能性地图更容易 - 想象设计一项意识宣传活动，重新装饰一个地方，重新组织你的工作场所等等。经过实践，您将能够将可能性思维应用于更复杂或受限制的问题，然后。例如，它可以用于解决人际关系问题（如如何应对棘手的同事、帮助孩子们学会如厕，或者与庞大的家庭组织假期）；。

产品-市场契合框架Arc 寻找产品市场契合点是每个初创企业的中心任务。我们在Arc期间为种子轮和种子阶段的公司提供公司构建沉浸式体验，引导创始人走过以下框架。与其诊断您是否具备产品市场契合度，这个框架概述了三种不同的 PMF 原型，帮助您了解产品在市场中的定位，并确定公司的运营方式。他们的新公司对云基础设施安全问题很感兴趣，但这个领域已经有像 Palo Alto Networks 这样的老牌公司和像 Orca Security 这样的初创公司在市场上提供产品，竞争激烈。您的创新方法可能会取代现有市场（就像 Salesforce 将 CRM 转移到云端那样），也可能会创造一个新市场（就像 Uber 重新构想出租车体验为共享乘车市场）。Jack Dorsey 和 Jim McKelvey 独具慧眼，他们认识到智能手机正逐渐普及，可以有效地转变为移动信用卡终端。Brian Halligan 和 Dharmesh Shah 意识到有一种新的方式：小公司可以利用快速成熟的互联网特性——博客、社交媒体、搜索引擎优化、电子邮件新闻简报——以极低的成本接触受众，而不是传统渠道。

例如，JacksonHewitt.com 上的图片展示了一家穿着冬季服装享受烟花的家庭。❌ 这个关于税务服务的 Jackson Hewitt 页面包含了一张与内容无关的照片，展示了一个快乐的家庭在点燃烟花。✅ Notion 的产品功能通过独特的 Notion 界面截图来展示；✅ Therabody 的 SmartGoggles 产品页面展示了一张用户在家中使用产品的照片，用户正在睡觉。❌ 虽然 Notion 的插图可能旨在展示其产品可在各种环境中使用，但视觉缺乏现实感，需要太多工作才能理解信息。然而，在 Cigna.com 的移动设计中，视觉与文本“满 65 岁了？测试参与者错误地认为图像与Dental Care, Covered section. 牙齿护理，保障部分相关。The Paper Store 通过五个不同的视觉效果，代表独特的产品类别，找到了适当的平衡。✅ PaperStore.com: 五个独特的视觉效果传达了清晰的信息，整体效果没有令人不知所措。

2024 年 4 月 22 日发布 由于大多数简易网络文本（Common Crawl、Github、Arxiv ......等）已被使用殆尽，文本数据的扩展可能已达到上限。就像 AlphaGo Zero 在围棋上取得超人表现一样，自我对弈和与环境互动可能是超人生成模型的一个方向。规模游戏的第一章侧重于文本数据的规模化，在 GPT-4 中达到顶峰，在 Llama 3 中结束。LLaMA 3 70B 的一个特别之处在于，其性能远远优于同类 70B 级模型（MMLU 通常约为 70+），并进入了前沿模型体系（MMLU 为 80+）。我敢打赌，最终可能会收敛到大约 ELO 1180 的 GPT-4 0314 - 大约Claude 3 Haiku 性能（同样，相当不错）。百川技术报告中有一个很好的数据，说明了过滤对最终代币数量的影响： 应该在多大程度上保持质量和重复数据删除标准，这是一个研究问题（见 Shayne 等人、Muennighoff 等人和 Xue 等人）。

才能开发出革命性的思维工具，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。在中，我们将勾勒出我们认为可以用来帮助开发变革性新思想工具的一系列想法。我们还将探讨这样一个问题：为什么技术行业在开发这种变革性思维工具方面所做的努力相对较少？尽管如此，”思想工具 ”一词自上世纪五六十年代艾弗森的著作以来一直被广泛使用 An account may be found in Iverson’s Turing Award lecture, Notation as a Tool of Thought (1979). 艾弗森在图灵奖演讲《作为思维工具的符号》（1979 年）中对此进行了阐述。顺便提一下，即使是艾弗森，他真正描述的也是一种思维媒介，即 APL 编程语言，而不是一种狭隘的工具。introducing the term. 因此，我们将使用 ”思想工具 ”作为我们的通用术语，同时允许自己探索更广泛的范围，偶尔也会在恰当的时候使用 ”媒介 ”一词。

绿野仙踪 "方法可帮助团队以低成本测试由复杂技术驱动的设计。如何开设《绿野仙踪》学习班 绿野仙踪法是一种调节式研究方法，在这种方法中，用户与看似自主但（完全或部分）由人类控制的界面进行交互。与传统的调节式可用性测试一样，绿野仙踪研究也包括一名主持人和一名目标用户。然而，在绿野仙踪方法中，设计可以是数字化的，用户看不到生成系统响应的人。使用绿野仙踪方法进行可用性测试时，需要增加一个人，即 "巫师"，在幕后提供系统的部分或全部响应。对话式用户界面，如聊天机器人 使用学习算法提供推荐内容的界面 查询实时信息并将结果呈现给用户的界面 例如，作者在以下研究项目中使用了绿野仙踪法： 该项目旨在改进一家技术零售商网站上的支持聊天机器人。Wizard-of-Oz 方法降低了对复杂、昂贵技术（如生成式人工智能）的投资风险：在公司花钱构建这些技术之前，它能提供对其可取性、实用性和可用性的早期见解。

如果他们今天有 1,000 个用户，他们就会考虑如何达到 10,000 个用户。这让我不禁要问，人们是否/如何衡量个人成长？在与很多朋友交流后，我发现了三个有趣的指标：变化率、解决问题的时间和未来选择的数量。我在想，我是否可以把自己当作一项投资，用我需要多长时间才能成为一个全新的人，来衡量我的成长。在越南经营一家出版社的老朋友 Quynh 认为，人生有三大难题：事业、家庭和经济。这让我想到，也许我可以通过观察自己解决了哪些大问题来衡量自己的成长。我通过 Discord 认识的一个朋友 Denys 告诉我，他的朋友有这样一个理论：每隔几年，你的梦想就会死掉一半。或许，我可以用我获得/失去了多少新选择来衡量我的成长。在个人成长方面，我遵循三个启发式方法： 每隔 3-6 年，我都会尝试成为一个全新的人。

在产品中使用 LLMs，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。去年，我一直在直接研究LLMs 对现有产品的意义，并想打出一些半散乱的笔记。许多业内人士仍在为LLMs 建立心智模型，这导致他们对LLMs 能做什么以及我们应该如何使用它们产生了许多推理错误。LLM 您可以使用 evals（针对一组已知提示运行LLM 、记录响应并评估这些响应）来评估LLM 在特定场景中表现良好的可能性。一般来说，使用更大的模型可以提高精确度，但成本会更高，延迟也会更长--例如，GPT 4 是比 GPT 3.5 更大的模型，通常能提供更高质量的响应。即使是速度最快的LLMs 也没那么快，即使是速度最快的LLM 也可能需要 10 多秒钟才能提供合理大小的响应。相反，如何在不大幅缩减利润的情况下，为消费者业务中大量使用LLM 支付费用，则是一个非常具有挑战性的问题。

Stripe 经济模式的主要部分是向企业收取信用卡付款费用。Stripe 最大的两项成本是支付聪明人和交换费，而在这两项成本中，削减其中一项会让人感觉好很多。这是一笔费用，最终由接受信用卡的企业支付，由信用卡生态系统中的各方共同分担，以激励他们将自己的标识放入富裕客户的钱包和手机中，增加他们的消费金额和消费频率。同样，在《多德-弗兰克法案》（Dodd-Frank Act）规定借记卡交换费上限之前，借记卡奖励在美国也曾相当普遍（《多德-弗兰克法案》修正案为小型银行规定了非常重要的例外条款）。举例来说，CapitalOne 为什么为其 Quicksilver 卡提供奖励，而不为白金万事达卡提供奖励呢？如果这些用户注意到信用卡的数字特征（这一点有点可疑），那就是年利率（信贷成本）和信用额度。针对这一用户群体的 "入门卡 "和其他产品通常没有奖励，而是利用交换费收入来 "压低 "年利率。

如果你在寻找一个微妙的视角， 这些只是我告诉自己的谎言，让我继续真诚地生活。我会尽我所能用我自己的经历来美化我的建议，但我不会假装我所经历的痛苦和特权是普遍的。选择可能是可怕的，因为它意味着我们要对自己的决定负责，我们面前有无限的选择。这也是可怕的，因为一旦我们做出了决定，我们必须忍受它，这是选择性的死亡。有一个伟大的实验，我不能引用，但它一直在我的脑海里，因为我是一个孩子。“ 我从这个实验中得到的想法是，幸运的人和不幸的人可能没有不同的机会，而是他们的感知范围更广。我认识到，不是每个人都有机会获得同样的网络机会，传统的工作申请流程对许多人来说是一个有效和必要的途径。但如果使用得当，社交媒体是获得机会的好方法 当我的厕所里满是大便，我妻子两个小时后就要回家的时候，我找到了一个水管工，水管工不会说，“天哪，谢谢你给我这个机会。在为奥运会而战之前，你需要牺牲人际关系，折断一些手指，经历ACL撕裂，甚至脑震荡。

Arc 浏览器是如何做增长的不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。自 Internet Explorer ()时代以来，无数公司都在尝试打造全新的浏览器体验。打开上面列出的任何一款浏览器，你都会发现它的用户界面和用户体验与你已经非常熟悉的一样，都是相当标准和令人期待的体验。随着Arc浏览器的问世，这一切都发生了改变--该浏览器以全新的理念诠释了网络内容的搜索、发现和交互。我使用Arc 已经有一个星期了，尽管有一些瑕疵，但我个人还是非常喜欢这款产品。想想 Siri 和 Apple Pay 在 iPhone 应用程序中的操作方式，或者谷歌的 Material You 如何改变手机上所有东西的外观和感觉。另一种思考方式是，Arc 像 TikTok 处理视频一样处理网络：它不是一个固定的供你消费的东西，而是一套无穷无尽的可混搭组件，供你拆分、玩弄和使用，以创造属于你自己的东西。

Muse 最初是名为 Ink & Switch 的人机交互实验室的一部分。朱莉娅创造了一个在 iPad 上运行的奇妙原型，而马克则是产品的设想者（他还想出了 "Muse "这个名字）。公司成立后不久，我们有幸聘请到 Lennart Ziburski 担任产品设计师。他立即开始想方设法让 Muse 更接近人们对 iPad 应用程序的期望，不久我们就拥有了第一批固定用户。从那以后，为了与合作者分享，我把一些截图复制粘贴到 iMessage/Slack/Google Docs 中，但效果总是不佳，因为......哦。这将是一次纯粹的营销发布：产品已经足够稳定，可以实际使用，并可在 App Store 购买。我并不知道，这个词即将大受欢迎，主要原因是 "漫游研究"（Roam Research）在这一时期取得了突飞猛进的成功。本尼迪克特-埃文斯（Benedict Evans）的时事通讯、经济学博客 "边际革命"（Marginal Revolution）等知名科技思想家都提到了我们，帕特里克-科里森（Patrick Collison）还在推特上写了一个字。

进入深度学习领域，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。我曾在 2012 年从事过机器学习和 Python 工作，但我说服自己，深度学习对我来说太复杂了。Kaggle 竞赛非常适合快速学习，但可能会让你在基础知识方面存在差距，比如算法在数学上是如何工作的。我第一次是自上而下地进行深度学习，在不了解模型如何工作的情况下将它们粘合在一起。您可以使用 Google Colab 获取免费/廉价的 GPU，也可以使用 Weights and Biases 跟踪您的训练运行情况。如果需要更多虚拟现实内存或多个 GPU，可以使用 Google Colab 或类似 Lambda Labs 的软件。我想训练模型，以便更好地编写代码，因此我整理了数据集，并根据 StackOverflow 和其他地方的数据对几个不同的基础模型进行了微调。另一种方法是从 pdf 中提取数据，并将其转化为良好的训练数据（markdown）。

例如，詹姆斯在 1907 年的一篇文章中写道： "我们中的大多数人都会觉得，我们的生活中似乎习惯性地笼罩着一层阴云，使我们的辨别力、推理力和决断力都达不到最高境界。例如，我最近最喜欢的两部电影《无极限》和《露西》就建立在 "10%"神话的基础上： 我最喜欢的一些科幻书籍也是如此： 此外，许多非虚构类书籍还提出了其他机制，利用大脑的特定部位（潜意识）、我们的梦想（表现）、我们的思想（大思维）和我们的信念（安慰剂效应）等途径，释放我们巨大的休眠潜能。最近，一连串的研究和个人经历促使我重新考虑 10%的神话，但这是以两种意想不到的方式进行的： 根据人工智能研究，我们大脑的使用率为 0.01%，而不是 10%（请继续阅读我是如何得出这个数字的）。我不是根据我们大脑当下活跃的百分比来衡量潜能，而是根据我们大脑突触的数量来计算我们的潜在智力（关于这一点还有更多内容）。这笔钱来自我和卡尔-纽波特（Cal Newport）创办的一家网络开发公司的收益再投资。

本地关键词研究是指找出人们在搜索其所在地区的地点、产品或服务时所使用的关键词的过程。他战略性地使用关键词研究来指导他的本地搜索引擎优化策略。您想知道关键词 "Joliet 的面包店 "在搜索引擎结果页面（SERP）上的搜索结果。例如，Milano Bakery 网站上有 391 个相关关键词。通用关键词研究与本地关键词研究 在进行一般关键字研究时，您的目标是了解人们用来描述公司、产品或类似服务的术语。这个过程有四个简单的步骤： 利用数据优先选择目标关键词 第 1 步：为关键词创建电子表格 创建一个简单的电子表格，保存在本地关键词研究中出现的关键词。就像这样 要获得更深入的关键字研究体验，Semrush 的关键字魔术工具是查找特定关键字的绝佳工具。Keyword Magic Tools 显示的数据可以帮助您决定选择哪些关键词。然后，使用高级过滤器过滤具有本地意图的关键词： 打开 "高级筛选器 "下拉菜单 向下滚动并选择 "本地软件包 使用尽可能多的种子关键词，重复查找显性和隐性关键词的步骤。

早期博客的核心功能对任何网站都是开放式的，并帮助普及了社交媒体本身，无论内容出现在哪个网站上。Technorati 是这项服务的先驱，一开始是在每次更新时尝试抓取互联网上的所有博客；在当前的互联网上，我们可以在 Twitter 或其他一些封闭网络中看到相对完整的标签或术语搜索结果，但 2011 年谷歌博客搜索的关闭标志着 "博客搜索 "作为一种独立于普通网络搜索或新闻搜索的产品的终结。虽然 Medium 目前只支持这一功能的有限版本，但 Trackback 和 Pingback 等早期工具几乎让所有网站都能让其他网站知道他们的故事或文章引起了回应。与社交媒体网站互动的许多关键功能，尤其是评论功能，最初都没有真正支持身份或登录系统，这与早期网络对匿名和隐私的极端偏好是一致的。虽然在 LiveJournal 等服务上最早就有了这种功能，但该功能从未真正应用到面向发布的工具上，而且后来为引入在不同网站上关注用户的开放方式所做的努力也未见成效，在很大程度上仍然是一个研究技术标准的小社区的领域。

交通拥堵不是灾难，而是司空见惯的事情，往往是可以预测的，就像潮汐一样每天循环涨落。虽然交通堵塞的总成本可以用金钱或浪费的时间来量化，但它所造成的痛苦最终是个人的，是成千上万的驾驶员所经历的平凡而随意的乏味。无论移动速度多么缓慢，这种拥堵都不是静态的，而是流动的，是道路通行能力供应与需求之间的时间错配。乍一看，交通堵塞似乎是协调失败--不是任何人的错，而是自组织系统的突发产物。更好的协调机制可能会有所帮助，但这种优化所需的权衡往往是不可取的，会带来更高的成本或限制自由。交通堵塞问题不是用来解决的，而是用来管理的，这是应对在个人之间分配总收益和总成本这一挑战的一种可行方法。拥堵是交通的一个特征，而不是一个错误，它是一种必要的妥协，是对高吞吐量进行充分但 "笨拙 "的管理，而不是避免失败的笨拙。更根本的是，个人普遍认为他们想要的城市无法实现--他们缺乏塑造自己所居住的建筑环境的能力，房地产市场条件、数字平台、企业利益、庞大的基础设施网络以及不可阻挡的气候波动，取代了地方或个人对住房、公共空间、商业和其他城市系统的控制。

制作更好的文件，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。人们在创建文档时最常见、也是最严重的问题是，他们没有考虑到他们的对话对象以及他们想要实现的目标。如果文件要求作出回应或决定，您是否确定了作出决定的时间框架或最后期限，并 解释了为什么该时间框架与您和目标受众相关？如果你做不到这一点，你的成果在分享之前就已经失败了，但如果你能做好其中的大部分，任何差距或不足都有可能通过合作的方式得到解决，因为工作背后的思考和细心是显而易见的。黑马分析公司的乔伊-切尔达丘克（Joey Cherdarchuk）的这篇经典文章已经流传了整整十年，我仍然每周都会给别人发一次。Bullet points 是一种超级强大的方法，能让内容更容易被受众略读，还能发挥有用的强制功能，让你把要点编辑得简明扼要、大致一致。正如许多文件一开始就暴露了作者的不安全感一样，文件中的信息顺序很多时候也揭示了创建不同类型内容的相对难度，而不是其实际重要性。

构建领域特定的LLM评估系统，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。我发现，不成功的产品几乎总是有一个共同的根本原因：没有建立健全的评估系统。我目前是一名独立顾问，帮助公司构建领域特定的 AI 产品。为了将这个问题与现实情况联系起来，我将通过一个案例研究来介绍我们如何构建一个快速改进的系统。案例研究：Lucy，一个房地产 AI 助手 Rechat 是一个 SaaS 应用程序，允许房地产专业人员执行各种任务，例如管理合同、搜索房源、构建创意资产、管理约会等。[]( 为了突破这个停滞期，我们创建了一个以评估为中心的系统化改进 Lucy 的方法。有三个层次的评估需要考虑： 第二层：模型和人工评估（包括调试） Level 3 Level 2 Level 1 的成本依次递增，这决定了你执行它们的节奏和方式。例如，我经常在每次代码更改时运行 Level 1 的评估，按照一定的节奏运行 Level 2，而只在重大产品变化后才运行 Level 3。

—Twitter 和 Medium 的联合创始人 Evan Williams 现在，在世界的某个角落，有一段话、一章或一本书，如果你读了它，将会永远改变你的生活。我称这种信息为“突破性知识”，而掌握在信息过载时代找到突破性知识的能力，是我们可以培养的最重要的技能之一。我的书架上、亚马逊购物车、Kindle 图书馆和 Audible 愿望清单上散落着数百本我想读的书，但我没有时间——简直是一个“无限播放列表”。Chamath Palihapitiya：我感到巨大的内疚...我认为我们所有人都知道，尽管我们假装这一整套说辞，“可能没有真正的不良后果。”但在我们的内心深处，我们有点知道可能会发生一些不好的事情 Chamath Palihapitiya：我感到巨大的内疚...我想我们都心知肚明，尽管我们假装这一切都没有什么真正糟糕的意外后果。

2024 年 3 月 21 日 • 作者：Sherlock Xu 在过去的一年里，AI 领域一直在快速发布大型语言模型（LLMs），每个模型都以推动生成式 AI 的可能性为目标而取得了进展。就在上周末，xAI 发布了其 Grok 语言模型，该模型拥有 3140 亿个参数，采用 Apache 2.0 许可证。用户可以对其进行微调，以满足特定任务或行业的独特需求（在 Hugging Face Model Hub 中搜索“Llama2”可获得超过 12,000 个搜索结果）。在 Meta 的评估中，Llama 2 的 7B、13B 和 70B 参数模型显示出较低的安全违规百分比（3%和 4%），超过了 Falcon 和ChatGPT（7%）。Zephyr 7B 是基于 Mistral 7B 构建的，经过微调以更好地与人类意图对齐，在特定任务和基准测试中表现优于其他模型。在发布时，Zephyr-7B-β是 MT-Bench 和 AlpacaEval 基准测试中排名最高的 7B 聊天模型。

萨姆讨论了 OpenAI 董事会传奇、伊利亚-苏茨克沃（Ilya Sutskever）、埃隆-马斯克（Elon Musk）诉讼、索拉（Sora）、GPT-4、内存与隐私以及 AGI。以下是与萨姆-阿尔特曼（Sam Altman）的对话，这是他第二次参加播客。他是 OpenAI 的首席执行官，OpenAI 是 GPT-4、ChatGPT、Sora 的幕后公司，也许有一天，这家公司就会打造出 AGI。带我回顾一下从 11 月 16 日星期四，也许是 11 月 17 日星期五开始的 OpenAI 董事会事件。我认为，从 OpenAI 启动到我们创建 AGI 之间的某个时间点，一定会发生一些疯狂和爆炸性的事情，但可能还会有更多疯狂和爆炸性的事情发生。好吧，回到那里，反思董事会结构、权力动态、公司运作方式、研究与产品开发之间的紧张关系、金钱和所有这些东西，还是很有帮助的，这样你就有很大可能在未来以一种稍微更有组织、不那么戏剧化的方式建造 AGI。

选择真正适合自己的职业，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。说到职业，社会就像你的大伯，每逢节假日就会把你困住，然后开始长达 15 分钟、语无伦次的建议独白，而你几乎从头到尾都听不进去，因为很明显，他根本不知道自己在说什么，而且他说的每句话都已经过时 45 年了。只不过，在这种情况下，我们并没有置之不理，而是全神贯注地聆听他的每一句话，然后根据他说的话做出重大的职业决定。其实，并不是我在给你提供职业建议--而是一个框架，我认为它可以帮助你做出职业决定，从而真正反映出你是谁，你想要什么，以及当今瞬息万变的职业环境是什么样的。你不是这方面的专家，但你肯定比我们这个没有自知之明的伟大叔叔更有资格找出最适合你的方法。对于那些尚未开始职业生涯、不确定自己的人生目标的人，或者那些目前正处于职业生涯中期、不确定自己是否走在正确道路上的人，我希望能帮助你们按下思维过程的重启键，并获得一些清晰的认识。

我从 900 种最流行的开源人工智能工具中学到了什么不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。你也可以在我 GitHub 上的 cool-llm-repos 列表中找到其中大部分。最底层的堆栈是基础设施，包括服务工具（vllm、英伟达的 Triton）、计算管理（skypilot）、矢量搜索和数据库（faiss、milvus、qdrant、lancedb）、....。最流行的应用类型包括编码、工作流程自动化、信息聚合... 在这 4 层之外，我还有一个类别，即模型 repos，由公司和研究人员创建，用于共享与他们的模型相关的代码。最流行的应用程序类型是编码、机器人（例如 角色扮演、WhatsApp 机器人、Slack 机器人），以及信息聚合（如：...... "让我们把它连接到我们的 Slack，让它每天汇总信息"）。该层的最新类别是向量数据库，包括 Qdrant、Pinecone 和 LanceDB 等公司。

有趣的是，ChatGPT可以为自己的屡次失败给出合理的解释，比如难以理解否定。I even asked ChatGPT to generate its我甚至要求 ChatGPT 生成其 own prompt,and it responded as follows (bolding mine): 自己的提示，。但是，LLMs和否定并不是一个新问题。其他研究人员，如阿廖森-艾廷格（Allyson Ettinger）和加里-马库斯（Gary Marcus）都认为，LLMs始终无法以人类的方式理解否定。大约一个月前，加里-马库斯（Gary Marcus）写道，像 DALL-E 这样的图像生成工具一直无法理解否定，这反映出这些系统在工作方式上存在更多基础性问题。正如马库斯指出的那样，可能有一些提示符可以成功地做到这一点，但问题是ChatGPT总是无法遵从用户的指令，（他认为）这表明用户缺乏深刻的理解。

大型语言模型是否有意识不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。"让-马克-加斯帕德-伊塔德（Jean Marc Gaspard Itard）写道："在阿韦龙的野人到来之前，巴黎人对他抱有最美好但最不合理的期望。维克多是我们可以在没有语言的情况下窥见人类经验本质的极少数案例之一，他一直被视为理解语言在我们思维运作中所起作用的关键。在过去的几年里，大型语言模型（LLMs）自发地发展出了令人不安的模仿人类思维的能力，有可能破坏我们在意识提升的基础上建立起来的脆弱的道德世界。认知科学家戴维-查莫斯（David J. Chalmers）所说的 "自我报告 "仍然是我们识别意识的主要标准之一--套用勒内-笛卡尔的话说，我说我想，所以我是。我们在这场辩论中的立场，对我们如何处理LLM事实上是否有意识这一问题有着重要影响。由此，研究人员得出结论，语言在人类思维的一项关键功能中扮演着基础性的角色："心理综合"，即仅从文字中创造和调整心理图像。

聚集结构的重点在于把看似分散的事实放回具体场景，理解其中的机制、取舍和后果。目前，我专注于举办“伦敦编程未来”聚会，为“Through a Glass Darkly”（一个由哲学、历史和社会科学书呆子组成的伦敦阅读小组）提供帮助，并在家里举办小型晚宴。有些问题可以通过诸如用于群组通信的 WhatsApp、用于宣布活动、电子邮件和注册的 Luma、用于管理演讲者注册的 Airtable 以及用于预先安排食物/饮料/披萨配送的 Deliveroo 等软件来解决。The Future of Coding 是一个致力于让编程对更多人来说更容易理解、更具探索性、更人性化的社区。为此，我使用了 Airtable 表单，将其输入到电子表格中，我可以在活动前轻松查看。我们在“Through a Glass Darkly”中做到了这一点——这是一个由我的朋友布莱恩·卡姆（Bryan Kam）经营的非正式阅读俱乐部。

我痴迷于学习如何学习不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。以下是我在成为学习机器方面的发现： 大多数人都认为你需要在大学里学习。尽管只主修了经济学/物理学，他却在自己一无所知的行业里创建了 4 家市值十亿美元的公司。这个简单的框架就是他自学火箭科学的方法。这种心理转变可以帮助你按照自己的节奏学习，并延长学习时间。与其购买没完没了的课程和狂看 YouTube 视频，不如一头扎进问题中，在工作中学习。作为成年人，迫使大脑接受新模式的最好方法就是在学习时全神贯注。在我们生活的时代，科技可以极大地改变我们学习的规模和速度。如果您从中有所收获... 1.关注 @ecomEddie 获取更多信息因此，我花了 100 多个小时研究埃隆-马斯克、萨姆-奥特曼和纳瓦尔-拉维坎特是如何吸收信息的。

1974 年，出现了 OCR 和更先进的智能字符识别技术（ICR），随后诞生了 ABBYY 开发的 OCR 应用程序 FineReader。资料来源计算机视觉深度学习入门 2010 年，ImageNet 数据集可用。由 Olga Russakovsky 和 Jia Deng 等研究人员领导的 ImageNet 项目包含数百万张手工标记的图像，涉及上千个对象类别。作为当今模型的基础，ImageNet 不仅能够比较更多对象的检测进展，还有助于衡量计算机视觉领域用于检索和注释的大规模图像索引的进展。2012 年，多伦多大学的一个团队开发了 AlexNet 模型，大大降低了图像识别的错误率。利用基于图像和文本的 CAPTCHAs（用于区分计算机和人类的完全自动化公共图灵测试），谷歌开始积累大量标注示例的数据集。二值图像可视化资料来源经典 CNN 基础知识 简而言之，CNN 在识别物体及其关系、模式和整体图像结构之前，需要经过一个训练过程。

但是，除了产品之外，比较表同样适用于以下方面： Tuition rates学费标准 它们可用于比较同一组织的同类产品，或将一个组织的产品与竞争对手的产品进行比较。❌ jetpens.com：人们不需要为塑料笔这样简单、廉价的物品比较这么多因素。例如，苹果公司最新发布的 Apple Watch 只有三种不同的型号，因此它为试图做出决定的用户提供了一个现成的对照表。✅ apple.com：由于最新款 Apple Watch 仅有 3 个型号，苹果公司提供了一个包含所有型号的对比表。✅ apple.com：在产品菜单旁的信息架构中加入一个指向表格的链接，确保用户能找到静态对比表格。✅ tesla.com：特斯拉网站允许用户使用动态表格对不同型号的特斯拉进行比较。复选标记（左，homedepot.com）和按钮（右，lowes.com）是允许用户为交互式比较表选择项目的两种最常见方式。

许多作家会求助于ChatGPT或其他人工智能聊天机器人来编辑和完善自己的语气。这一点在用词上尤为明显： 即使使用 "轻松愉快"、"雄心勃勃"、"充满活力 "或 "富有教养 "等更细致的语气描述符，ChatGPT仍然会夸大其词。使用多个形容词可以防止 ChatGPT 抓住一个特定的词，从而产生更自然、更会话的反应。使用样本来训练 ChatGPT 所取得的效果甚至比一组细微的语气词更好。就拿这份文案的语气来说吧： Mailchimp 使用生成式人工智能来自动执行人工营销任务，如撰写初稿或可视化数据。为了创建 Mailchimp/Plaid 示例的结果，我首先向 ChatGPT 提供了一个人工智能广告示例，然后要求它编辑另一家公司的版本。现在，只需进行少量编辑（或向 ChatGPT 提出请求），就可以在撰写或编辑新内容时使用此回复为自己、同事或 ChatGPT 提供指导。请ChatGPT分析你的语气，并将答复保存起来，以备今后指导和提示工程之用。

与 GPT-4 或 Llama 2 等人工智能模型互动非常简单。提醒一下......所有示例都是使用 Taskade AI 制作的。大型语言模型（LLM）使用复杂的算法来分析语言结构、识别模式和理解上下文。语言模型在解读人类语言的细微差别方面非常出色，这在很大程度上要归功于自然语言处理（NLP）技术的进步。为了节省时间，您可以就预期回复的结构提供更多细节，例如要求提供要点、Markdown 语法、编号列表或简洁的段落。提取数据示例：日期：日期，与会者：姓名，关键决定：决定" 人工智能回应的语气与您与它互动时使用的语言和语气如出一辙。如果你要求人工智能模型以欢快、简单的方式解释某件事情，它就会调整自己的语言以适应这一要求。每次对人工智能提示进行微调，都是在向人工智能模型传授更多关于你所追求的东西的知识。从本质上讲，你是在 "训练 "人工智能在特定环境下模仿人类的交流方式--正确的词语、语气和反应，让模型看起来更像人类，而不是花言巧语。

截图：@coldplay, 'X'. 我相信你现在已经看过巴黎除夕夜的这段视频了，每个人都忙着用手机拍摄倒计时和烟花，却忘了去感受它们。这显然是十多年来一直在发生的事情--人们记录事件，而不是身临其境。对那些把每一个亲密时刻都打磨成内容的夫妻赞不绝口--怀孕揭秘、求婚、第一次对女朋友说我爱你。人类生活中最有意义的经历--发生过一次、两次，再也不会发生的事情--都会被一些想法所破坏，比如摄像机是否拍到了我的好角度。但更糟糕的，绝对是那些在网上记录孩子整个童年的父母，那些有影响力的父母。记录自己 6 岁孩子性别转换的视频（"这不是一个阶段！或者说，如果你遇到的人不在社交媒体上，这也是一个红旗（只有我认为这是一个重要的绿旗？） 我们如此沉迷于并习惯于条件反射地记录一切，以至于我们最终原谅了最奇怪的行为。他们很可能永远都不会回看那段视频，如果他们把视频发到网上，那不是为了回忆，而是为了吸引眼球。

利用人类偏好对模型进行排序 ....优先排序的工作原理 ....聊天机器人竞技场排名的正确性 ........评估数据 预测人类对每个提示的偏好 ........特定领域和特定查询的排行榜 人类偏好已成为人工智能模型开发的北斗星和有力工具。LMSYS 的聊天机器人竞技场（Chatbot Arena）也使用人类偏好对人工智能模型进行排序。预测人类偏好的一个应用案例是模型路由。例如，如果我们事先知道，对于某个提示，用户更喜欢 Claude Instant 的响应而不是 GPT-4，而 Claude Instant 又比 GPT-4 更便宜/更快，那么我们就可以将该提示路由到 Claude Instant。除了为 LMSYS 的聊天机器人竞技场提供动力外，它还被许多模型提供商（Anthropic、Gemini、ChatGPT 等）用于评估其生产中的模型。

Tim Cook 为何全力打造苹果 Vision Pro不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。"我不知道什么时候，但我知道我们会到达这里" 首款 Vision Pro 将于本周五上市，它是一个完美的白色立方体，只有一个大鞋盒大小，数以万计的苹果痴迷者和早期用户已经预购了这款产品。让人们尝试 Apple Vision Pro 并不难，但购买它可能是另一回事。"与我交谈过的其他所有人都有机会试用 Apple Vision Pro：投资者（"哇！一位苹果公司的员工拿着一个饭盒大小的 Pelican 盒子走了出来，我知道里面装的是什么。我没有看库克 6 月份关于 Apple Vision Pro 的主题演讲。(Oculus 是一家资金雄厚的初创公司，后来被 Facebook 收购，后者后来改名为 Meta）。我坐在这张灰色的沙发上，一位苹果公司的员工让我伸手拿起面前的 Apple Vision Pro，把它戴在头上，我很不情愿地照做了，只想快点结束这一切，然后--正如我所料--世界消失了，VR 头显总是这样。

它利用 AWS 服务（Transcribe、Bedrock 和 Polly）将人类语音转换为文本，通过LLM 处理输入，最后将生成的文本响应转换回语音。POC 的高级设计包括为演示目的创建基于网络的界面、转录用户的口语输入（语音转文本）、获取LLM 生成的响应（LLM 和提示工程）以及播放LLM 生成的音频响应（文本转语音）所需的所有组件和服务。测试我们的LLMs （我们应该这样做，我们做到了，而且非常棒） 在 2023 年 9 月撰写的《为什么人工测试LLMs 很难》一书中，作者与数百名使用LLMs 的工程师进行了交谈，发现人工检查是测试LLMs 的主要方法。为了帮助测试，我们要求LLM 以结构化的 JSON 格式返回响应，其中一个关键字是我们在测试中可以依赖和断言的（"intent"），另一个关键字是LLM 的自然语言响应（"message"）。让我们通过一个需要处理 "打开 "任务的LLM 应用程序示例，来探讨基于属性的测试和自动评估器测试。

她想要的是突然的，而我有的只是缓慢的，是一个由许多步骤、逐渐转变、知识积累、关注和承诺组成的旅程的故事。虽然发生了很多事情，但都是在几十年的时间里循序渐进地发生的，而不是通过一次变革。电影喜欢一见钟情、改变一切的戏剧性演说、射杀一个坏人就能解决的麻烦，以及其他简单的解决方法和决定性的胜利。老派激进分子喜欢这种革命，他们想象革命会突然改变一切，尽管政权更迭并不是文化和意识的改变。很多变化都是不具戏剧性的成长、转变或衰败，或者说其时间尺度意味着戏剧性可能不会被没有耐心的人察觉。也许你曾有过这样的经历：某个缺席数月或数年的人再次出现，并指出某个人、某个地方或某个系统发生了变化，而这些变化是那些没有察觉到细微变化的人所没有看到的。这部纪录片追溯了 "日出运动"（Sunrise Movement）的创建过程--这个美国 30 岁以下年轻人的气候组织始于 2018 年，他们发起了 "绿色新政"（Green New Deal），展示了该运动如何影响拜登竞选团队的气候纲领，。

更具主动性，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。还领导过我共同创办的大流行病医药公司 Alvea 的运营，该公司当时创下了初创公司最快将药物推向临床试验的纪录。按照我的思维方式，激进代理就是要找到真正的优势：你愿意做别人不愿意做的事情，往往是因为这些事情令人讨厌或不愉快。寻找真正的优势，与 "通过比别人更刻苦的努力来勉强获胜 "形成鲜明对比，这个想法在我开始玩扑克时第一次被点燃。现代扑克是一种竞争异常激烈的游戏，即使在 8 年前，职业玩家也会花费几乎与打牌一样多的时间来研究，使用求解器模型来寻找微小的数学优势。我和两个朋友一起疯狂地研究读数，我们都得到了超出分布范围的结果。他们不愿意考虑 "阅读是有价值的 "这种可能性，也许是因为他们不想觉得自己有义务去研究它们。但我还是选择了一个我非常不喜欢的职业，除了它的显而易见性之外，没有其他原因，我只是在十年后才停下来问一问我希望达到什么目的。

在我们进入人工智能时刻的第二年之际（现在称之为人工智能时代还为时过早且过于夸张），是时候考虑未来了。说清楚一点，除了人工智能的发展似乎比专家预期的要快得多之外，没有人能准确地告诉你人工智能的未来。随着如此多的变化如此迅速地发生，我们需要谨慎地对待预测，但这并不意味着我们不能对人工智能的未来一年做出任何有用的预测。阿马拉定律谈论的是整体变化，而真正的变化通常源于较小的社区和群体，源于用户创新者和有极端需求的人，或者源于实验室和大学的研究。这让我们想到了威廉·吉布森的第二句话，他曾写过著名的“未来已经到来——只是分布不均”——几十年的用户创新研究支持了这一点。现在有足够多的关于在实际工作中使用人工智能的仔细研究，可以得出三个关于 GPT-4 级人工智能如何影响工作绩效的结论： 1) 人工智能提升了复杂工作任务的整体绩效。例如，软件公司 IgniteTech 的首席执行官埃里克·沃恩迅速看到了人工智能的含义，并使其在今年夏天成为整个公司的强制性使用工具。

Mano Majumdar 在第 13 期中写到了石棉的兴衰。随着现代城市变得更大、更密集、更易燃，石棉对于减少每年造成数千人死亡的城市火灾起到了核心作用。但随着我们学会在没有石棉的情况下控制城市火灾，石棉的健康成本似乎越来越不值得承受。石棉起源的低二氧化硅岩石在地球上自然存在，并且已在every inhabited continent 上发现并开采了石棉。他做得比大多数人好，因为在古代世界，人们普遍误认为石棉起源于动物：石棉被认为是凤凰羽毛、神话中的蝾螈，甚至Princess Bride 《公主新娘》–style literal 风格的字面volcano-dwelling fire rats 。1881 年维也纳环形剧院发生火灾后，对比例模型进行的实验表明了它们的局限性。当北德意志劳埃德最终重建码头时，asbestos felt 石棉毡 was among the materials used. 美国第一批大规模生产的石棉产品是燃气壁炉，最终还包括消防员的防护服以及用于屋顶、毡垫和锅炉绝缘的材料。

记住阅读的内容，关键是把目标、限制和可执行步骤放在同一个框架里，而不是只追求单点技巧。但是，如果你读完后只记住了六件事，那应该是以下关于阅读的真理： 质量比数量更重要。我们对每本书都投入了大量时间，包括多次阅读，并对作者、背景和内容进行背景研究。) 在这个问题中，我们将探讨从阅读中获得更多收获的多种策略。无论是学习新哲学还是阅读小说作品，只需使用其中的几种方法，就能帮助你保留更多的内容，建立更深的联系。Matt Haig, Reasons to Stay Alive 马特-海格，《活着的理由 现在，如果你读书只是为了消遣，或者你不想记住读过的内容，那么就不适用了。有些书--例如约翰-肯尼迪-图尔（John Kennedy Toole）的《纨绔子弟同盟》（A Confederacy of Dunces）和托尼-莫里斯（Toni Morrison）的《天堂》（Paradise）--在我们了解了作者的生平以及小说发生的地点和时间后，就会有更丰富的内涵。

这个想法来自谢恩-帕里什（Shane Parrish）。这句话来自安妮-杜克（Annie Duke）和她的《赌注思维》（Thinking in Bets）一书。这句话来自德里克-西弗斯（Derek Sivers），他写道：不 "是"。这句话来自蒂姆-费里斯（Tim Ferriss）。塞斯-戈丁（Seth Godin）写道，对一小部分人来说，重要的是自己。但正如大卫-森拉（David Senra）所说，重复是有说服力的。从研究问题开始，而不是提供解决方案。一个好的产品无法在糟糕的市场中生存。糟糕的团队和糟糕的产品可以在好的市场中生存。几年后，我开始收集每天早上阅读的规则。"让我们恐惧的事情比让我们崩溃的事情更多，我们在想象中遭受的痛苦比在现实中遭受的痛苦更多"。

在这个问题中，我将剖析我整个个人知识管理（PKM）系统以及它在多年间的演变。在这个问题中，我将互换使用“个人数据”和“个人知识管理”（PKM）这两个术语。很不幸，我的Commodore早已不复存在，我也不知道我的旧软盘去了哪里。后来，大约在1994年，我得到了我的第一台个人电脑：一台Intel i486DX2。我从来没有想过我实际上已经在引导我的未来职业了 第二次意译结果： 当时，在法国和比利时，纸质杂志非常流行 我清晰地记得一本叫做《La Bible des Tips》的杂志，它是一本收录了成千上万个视频游戏秘籍、技巧和窍门的汇编。那时候，Windows用户需要花上几个小时来进行碎片整理。一旦我有了自己的刻录机，我就发现了Nero Burning ROM并爱上了它。我还创建了自己的autorun.exe，它会显示一个漂亮的菜单列出内容。除此之外，我还收集漫画书、书籍、音乐（那时候Napster是王者）、模拟器和ROM（哦，亲爱的GBATemp）、PSX游戏（谢谢Paradox）、PC游戏、操作系统等等。

一口气了解英伟达，芯片新王凭什么是他不能只看表面答案，真正重要的是理解问题背后的机制、边界和现实代价。当天股价飙升 30%，市值达到万亿美元，推动英伟达成为全球第六大公司，超越特斯拉，逼近亚马逊，谁能想到一家卖显卡的公司会成为人工智能大战的最大赢家。2023 年过去几年，英伟达几乎参与了全球所有的科技创新，云计算、加密货币、元宇宙人工智能。英伟达是所有这些领域的主要参与者，你听说过的大多数人工智能模型，都是用英伟达显卡训练出来的。作为行业领导者，他们却垄断了全球人工智能训练行业 95% 的市场份额。甚至，拥有英伟达 A100 显卡的数量，也是衡量一家公司计算能力的指标。大学毕业后，他在两家专注于芯片设计的半导体公司工作。于是，1993 年，他们成立了专门从事图形处理的英伟达公司。但现在，任何人都可以通过购买英伟达显卡并使用 CUDA 库来实现这一点。