title: Felix's Coding Life https://monkeyfx.cn/ Mon, 28 Apr 2025 15:47:08 GMT https://validator.w3.org/feed/docs/rss2.html https://github.com/jpmonette/feed zh-CN All rights reserved 2025, Felix <![CDATA[叙事重塑时代共识]]> https://monkeyfx.cn/article/1e3792f9-1aa0-80d2-97a9-d2d6966e4d87 https://monkeyfx.cn/article/1e3792f9-1aa0-80d2-97a9-d2d6966e4d87 Mon, 28 Apr 2025 00:00:00 GMT
我们正处在一个深刻变革的时代，旧有的稳定结构似乎正在瓦解，新的秩序在不确定性中萌芽。在这样的背景下，理解驱动群体行为和市场动向的深层力量变得至关重要。分析表明，超越日常波动的，是那些根植于群体潜意识中的“叙事”。

一、“叙事”的力量：塑造共识与驱动变革

叙事的力量在于构建共识与驱动变革。它并非单纯的故事，而是一种基于现实的描述框架，通过凝聚共识和组织协作推动社会发展。金融本质同样是通过工具与组织模式聚集资金，创造规模效应。
历史经验印证了叙事的资源动员能力：智人依靠叙事协作超越尼安德特人，王朝通过合法性叙事巩固统治，金融工具从农村信用社演进至风投机构，皆以叙事驱动资金聚合。现代市场中，比特币的“去中心化、抗通胀、不滥发”、钻石的“永恒象征”、房产的“安全感”寄托等叙事依然主导价值认知。
资本市场存在独特的“叙事自我反馈”机制：共识传播推高资产价格，吸引更多参与者入场，继而强化原有叙事。这种机制常导致资产价格偏离基本面。
广泛相信 → 价格上涨 → 吸引更多参与者 → 进一步强化叙事 → 价格继续上涨
正如学者所言，金融本质是跨时空的资金“时光机器”。叙事不仅是人类社会协作的基础，也是解读金融波动的密钥——技术革命往往需要匹配相应的金融叙事革命才能实现突破。

二、当前格局：“叙事之年”的特征

有观点指出，当前时代与百年前的"咆哮二十年代"形成历史性呼应：技术跃迁（人工智能对比电气革命）与地缘格局重构同步发生。彼时的技术周期更迭与大国博弈（英国霸权与美国崛起），恰如当下AI突破与国际秩序震荡的现实投影。历史不会简单重复，但总压着相似韵脚，我们正置身叙事剧烈共振的时代——新旧范式激烈碰撞，孕育机遇的同时也滋生泡沫与阵痛。
金融市场存在双重运行逻辑：
  • 现金流逻辑：聚焦企业盈利等基本面，主导成熟型资产估值（如消费龙头）
  • 叙事逻辑：在新兴技术爆发期（如当前AI浪潮），"描绘未来"的叙事成为定价核心。此时，“画饼”式的预期可能主导价格。
身处变革洪流中，个体既感受着跃迁机遇，也承受着淘汰压力。破局关键在于：理解这种范式迁移的必然性，在双重逻辑交织中把握结构性机会。

三、重要的新兴叙事及其蕴含的机遇

1.全球最大叙事：AI、数据与数字化转型

人工智能技术作为当前全球核心叙事的主导力量，其战略地位已形成不可逆转的长期发展范式。这种技术范式转移不仅重构了产业竞争格局，更深度嵌入全球治理体系，驱动着从基础科研到商业应用的全链条变革。
数据要素的价值发现机制正在经历系统性重构，数据资产化进程与AI发展形成深度耦合关系。当前市场已形成"无数据不AI"的共识性认知，美股科技巨头（M7）的市值扩张本质映射出资本对其数据垄断优势的溢价重估。尽管数据资产的估值模型仍面临边际收益递减、隐私合规成本上升等计量难题，但数据要素的规模效应与网络效应已形成显著护城河，这种结构性优势在生成式AI突破性发展的背景下被进一步放大。
数字货币体系的演进正在重构全球金融秩序，美国通过加密资产监管框架的渐进式调整延续其数字霸权地位。2020年后联邦层面的监管沙盒机制与机构投资者准入政策，实质构成了传统美元体系向数字资产领域的延伸。这种战略布局推动超主权加密货币的合规化进程，促使主权财富基金、养老基金等主流资本加速配置比特币等数字资产，而新一代年轻富翁的财富积累更通过NFT、DeFi等创新形态实现价值存储方式的代际迁移，这种双重路径正在孵化基于分布式账本技术的财富管理新范式。数字化进程必然伴随新的治理秩序和财富涌现。
虽然当前AI的技术路线和最终影响尚不明朗，可能存在泡沫。但向数字化、智能化转型的整体方向是明确的。大多能够获得融资、股价上涨的企业，以及成功数字化的传统企业，都与此核心叙事相关。

2.中国市场叙事：价值观变迁与“后物质主义”消费

中国社会价值观的演进正在重构消费市场的底层逻辑。当996工作制与宏大商业叙事逐渐褪色，年轻世代主导的价值观转向更注重多元效用（小确幸、幸福感、闲暇、平等）与自我价值实现，这种转变在商业偶像的更迭中具象化呈现——从强调"让天下没有难做生意"的马云，到以"和用户交朋友"为核心理念的雷军，折射出社会价值评判体系从财富积累向价值共鸣的迁移。
后物质时代的消费行为呈现出显著的双重特征。一方面，特种兵式旅游、沉浸式剧本杀等现象级消费揭示出人们对精神体验的饥渴，另一方面，泡泡玛特盲盒69元的定价策略、钟薛高冰淇淋与传统冷饮的价格差验证了"低绝对值、高相对价值"产品的市场穿透力。这种消费偏好本质是马斯洛需求层级的跃迁：当基础物质需求满足度达到78.3%（国家统计局2023数据），情感认同、社交资本、自我表达等后物质“对自己好一点”的需求开始主导消费决策。这是由年轻世代主导的不可逆趋势。
很明显现在的市场机遇使得产品需从解决“痛点”转向创造“爽点”。市场已经从“大共识、刚需”转向满足特定场景、小群体的“小共识、小场景、微需求”。
市场机遇的结构性转移催生三大核心赛道。情感经济赛道要求企业重构价值主张，如观夏香氛通过城市记忆叙事实现138%的年增长；场景化消费赛道推动需求颗粒度细化，元气森林针对健身场景推出的"轻零"系列即是典型案例；柔性供应链与数字基建的成熟则催生"小单快反、按需生产"模式，义乌小商品市场通过1688平台实现的平均起订量已降至500件，使垂类品牌孵化成本降低60%。
当前市场环境下，"种草经济"与"出海战略"构成双重增长引擎。小红书平台日均120万篇笔记创造的"信任代理"机制，重塑了从需求洞察到产品迭代的闭环；同时，SHEIN、Temu等跨境平台依托国内柔性供应链优势，将中国制造效率转化为全球市场渗透力。值得关注的是，安克创新通过亚马逊评论大数据反向定义产品功能的模式，验证了数据驱动型创新的可行性。
这种消费范式迁移具有深远可持续性意义。神经经济学研究表明，消费驱动的多巴胺分泌正从占有物质转向体验获取，神经激活强度提升37%；柔性制造技术将产品试错成本降至传统模式1/8，供需匹配效率提高12倍。当消费主义进入"意义重构"阶段，能精准捕捉社会情绪、借力数字基建敏捷迭代的企业，将赢得Z世代"意义选民"的持续认同。需注意成功的消费叙事必须基于真实数据洞察（反映群体诉求而非个体想象），同时符合深层人性规律。

四、辨别叙事：挑战与认知局限

在叙事驱动成为信息传播核心动力的时代，辨别真伪的难度呈现指数级增长。这一挑战首先源于叙事本身的多重属性：任何叙事都由真实信息基座、艺术化加工与逻辑延伸共同构成。例如人工智能领域的技术突破，其底层算法进步属于可验证的真实基础，而关于"十年内替代90%人类工作"的论断则属于推测性延伸。对投资者而言，关键区别在于识别哪些断言具备即时验证条件——这类叙事往往在短期内遭遇现实检验，如区块链应用场景的实际落地速度；哪些则属于长期无法证伪的"信仰型叙事"，这类叙事因其开放性特征更容易形成价值共识，但也可能催生非理性繁荣。
所以我们需要分析叙事中的真实基础、夸大成分，以及哪些是“迅速会被证伪”的（投资应规避），哪些是“短期无法证伪”的（可能伴随泡沫吸引资金）。同时需重点关注认知偏差，“世界上只有认知，没有真相”。个体倾向于接收和解读符合自身预设的信息，同一事件（如AI发展）在不同人心中引发截然不同的反应（赋能 vs. 替代恐惧）。AI在某种程度上反映的是使用者的内心。
人工智能作为当代最具代表性的技术叙事载体，其社会认知的割裂性尤为显著。GPT系列语言模型的技术突破本身是客观存在的，但当其被置于不同认知框架中解读时，可能被同时建构为"生产力革命工具"和"人类文明威胁"。这种认知分化揭示了技术中性论背后的深层悖论——当技术复杂度超越公众理解阈值时，其社会意义的阐释权必然向认知预设倾斜。投资市场中的"叙事溢价"现象印证了这一点，当技术路线尚存不确定性时，市场估值往往与群体认知的共鸣强度正相关，而非单纯依赖技术成熟度。这种机制既可能加速资源配置效率，也可能导致资源错配与泡沫积聚，关键在于建立动态的叙事审查机制与多元认知的对话空间。

五、个体应对策略：拥抱变化，投资未来

面对日益加速的技术变革与全球格局的不确定，每个人都需要在认知、行动与资产管理上进行系统性的调整，以拥抱未来的机遇，抵御风险。
首先，我们要在认知与心态上做好准备。变革已成为常态，唯有保持开放的心态，主动拥抱新技术，才能在浪潮中立于不败之地。与其对AI等前沿工具心存畏惧，不如亲自上手体验，从实践中消除恐惧、积累信心。同时，我们还需清醒地认识到“马太效应”在加剧：资源与财富倾向于向既得者集中，高增长时代的红利或已接近尾声，每一代人都面临独特的痛点与机会，只有校准对回报率的预期，才不会在浮躁中迷失方向。
在行动与实践层面，“空想”是焦虑的温床，唯有付诸行动，才能找到解决之道。即使遭遇失败，也能将经验沉淀为宝贵的财富。我们应充分利用自动化与数字化工具——无论是内容创作平台、低代码开发环境，还是数据分析工具，都能显著降低尝试新领域的门槛。在此基础上，关注教育与市场、需求与供给之间的脱节，往往能发现被广泛忽视的“错配”机遇，从而抢占制高点。
对于人力资本投资，任何小规模的金融工具都无法与自我能力的提升相媲美。职业生涯初期，将时间与资源重点投入到技能升级、视野拓展以及人脉构建，当下的付出往往带来远超预期的回报。“第一桶金”通常源于能力变现。同时，要敢于将人力资本投入到高风险、高 β 的新兴领域，因为年轻时最不该后悔的是“没尝试过”。
在金融资本管理方面，则要以底线思维确保基本生活保障。面对疫情反复、地缘脱钩、区域冲突或数字货币剧烈波动等风险，应将“保底资金”配置于低风险产品（如固定收益、核心城市房产），确保充足的流动性和稳定收益；将可承受风险的资金，按照严格仓位控制，布局科技创新或数字资产等高 β 领域。同时，以未来10、20、30年的家庭支出需求为指导，倒推当下的资产配置策略，既追求长期稳健，又不放弃适度的成长空间。
最后，对于不同角色的人来说，要善于发挥自身优势：如果你擅长讲故事，就要打造与新价值观契合的品牌叙事；如果你精于信息整合，就要在需求端洞察与供应端创新之间架起桥梁；如果你是投资者或从业者，则必须把握宏观趋势，慎选标的，警惕跟风炒作，坚守认知边界。只有这样，才能在波谲云诡的时代中，不断捕捉机会、规避陷阱，真正做到拥抱变化、投资未来。

六、书写自己的叙事：人生选择的本质

人生如同创作，有人偏爱长篇巨著，有人钟情精炼短文。我偏爱金庸式的复杂叙事，难以忍受重复单调，总渴望阶段性挑战未知。若预知十年后的轨迹，便觉索然无味——探索与好奇心始终是我人生的底色。
在价值观的指引下，我选择这样的路径：人力资本（事业）上拥抱风险，保持探索；金融资本（财富）上稳守底线，规避波动。年轻时，人力资本的最大遗憾往往是“未曾尝试”，而非“经历失败”。因此，我愿将精力投入代表未来趋势的方向，即使赛道充满不确定性。这种组合既追求意义感，也为生活托底。
最终，人生路径的选择本质是价值观的投射。在时代变迁中构建独特的个人叙事，既是选择，也是自我成全的过程。我们正处在一个由叙事深刻塑造的变革时代。理解叙事的力量，识别关键的新兴叙事（如AI与数字化、消费价值观变迁），并采取适应性策略至关重要。对于个体而言，这意味着要拥抱变化、勇于实践、明智地投资于自身的人力资本，同时在财务上保持审慎和底线思维。通过有意识的选择和行动，每个人都可以尝试在这个充满挑战和机遇的时代，书写属于自己的积极篇章。
]]> <![CDATA[从预训练到模型融合的进阶之路]]> https://monkeyfx.cn/article/1c7792f9-1aa0-802c-a789-e9f41852c38c https://monkeyfx.cn/article/1c7792f9-1aa0-802c-a789-e9f41852c38c Mon, 31 Mar 2025 00:00:00 GMT

一、引言

本文旨在梳理近期关于人工智能，特别是生成式AI领域的关键发展、核心技术与未来趋势。内容涵盖了
  1. 人工智能从早期概念到深度学习，再到当前大模型时代的演进历程；
  1. 探讨了大模型研发的两条主要路径（以谷歌和OpenAI为代表的技术哲学差异）；
  1. 深入解析了支撑大模型发展的核心理念，Scaling Law（缩放定律）；
  1. 详细拆解了大模型训练的两个关键阶段——预训练（Pretrain）与对齐（Alignment）
  1. 强调了数据（Data, Data and Data!）和训练基础设施（Training Infrastructure）的重要性。
  1. 还关注了前沿的技术突破，例如低比特预训练（Low Bit Pretrain）和混合专家模型（Mixture of Experts, MOE）
  1. 并探讨了领域专属模型（Domain Specific Models）的巨大潜力及其实现的关键——持续预训练（Continual Pretrain）。
此外，笔记分析了当前大模型应用（API、RAG）的局限性，介绍了一种可能的新范式——模型融合（Model Fusion），并展望了生成式AI在医疗、能源等垂直领域的应用前景与面临的挑战，如知识更新和幻觉问题。

二、人工智能发展历史与生成式AI的兴起

notion image
  1. 早期与沉寂： 人工智能（AI）概念最早诞生于1950年代的达特茅斯会议。然而，此后经历了相当长的“AI冬天”，并未立即取得大规模进展。历史上任何技术的大规模兴起，产生广泛影响力的背后，都需要一个重要产业进行推动。AI的早期沉寂部分原因在于缺乏强大的产业需求拉动。
  1. 第一个小高潮（1990年代）： IBM的Deep Blue战胜国际象棋世界冠军、Watson系统在问答比赛中获胜，标志着计算机首次在特定复杂任务上超越人类，引发了短暂的AI热潮。但之后又进入一段相对沉寂期。
  1. 深度学习时代（~2014-2016年）： 随着互联网产业（尤其是搜索、推荐、广告）的蓬勃发展，对更强表征和检索能力的需求激增。深度学习技术，特别是以CNN（卷积神经网络）为核心架构的模型，因其在这些任务上的优异表现而迅速崛起，成为上一代AI的主流范式。硅谷各大公司从传统机器学习转向深度学习的决策过程非常迅速（约1-2年内完成）。
      2. 上一代AI特点： 具备强大的表征（Representation）和检索（Retrieval）能力，但不具备生成（Generative）能力。
  1. 生成式AI的基石（2017年）： Google发布了里程碑式的论文《Attention is All You Need》，提出了Transformer架构。这成为了当前大模型和生成式AI的技术基石（Model Backbone），虽然最初并未引起如今这般广泛的轰动。
  1. 生成式AI的崛起： 基于Transformer架构的大模型（LLMs）不仅继承了表征和检索能力，更重要的是获得了强大的生成能力，能够创造全新的、连贯的、多样的内容（文本、代码、图像等），开启了AI的新范式。

三、大模型研发的两大流派：谷歌vs OpenAI

大模型研发早期形成了两条主要的技术路线，以谷歌和OpenAI为代表，两者当时的技术路线和业务路线选择非常不同。
  1. 谷歌路线 (BERT & 表征/检索):
      • 技术特点：采用以BERT为代表的双向（Bidirectional）模型。
      • 优势：在表征和检索任务上表现极其出色，参数量相对较小（BERT最大仅3.4亿参数）。
      • 应用：显著提升了谷歌搜索引擎性能（如CTR提升可能达10%），促使谷歌CEO宣布将搜索引擎全面替换为BERT Base模型，这是前所未有的举措，因为它直接服务于谷歌的核心业务——搜索（检索）。后续的RoBERTa模型（约几亿参数）也沿袭此思路，在传统NLP任务上性能优于早期的GPT模型。
      • 局限（大厂困境）：技术研发需要紧密服务于现有核心业务，可能导致对生成式等新方向的探索动力不足。
  1. OpenAI路线 (GPT & 生成):
      • 技术特点：选择了单向（Unidirectional）的生成式模型路线，发展出GPT系列（Next Token Prediction）。
      • 发展历程：GPT-1和GPT-2在传统NLP任务上性能不如BERT类模型，且模型规模更大，初期受到很多质疑。
      • 转折点 (GPT-3): 拥有1750亿（1760亿）参数，引入了零样本学习（Zero-Shot Learning）能力。“One for All”，即模型无需针对特定任务进行微调就能在广泛任务上表现良好，带来了巨大震撼。
      • 成功关键： OpenAI“特别敢笃定的走一个方向，然后把这个方向做到极致大”，对Scaling Law（缩放定律）有着近乎信仰般的坚持。同时，微软的早期支持也至关重要（如提供大量算力资源）。
(注：T5模型曾尝试结合双向和单向，但未能成功扩展（Scale Up）到极大规模。)

四、ScalingLaw大模型背后的哲学与信仰

Scaling Law是大模型研发，特别是OpenAI路线的核心理念和驱动力。
  1. 核心思想：揭示了模型性能与模型规模（参数量）、数据规模、训练计算量（时间/算力）之间的幂律关系。“大力（算力）可以出奇迹”。这个思想贯穿了模型乃至芯片的研发。
  1. 数学简洁性：其表达式优美简洁，主要关注上述三个关键参数，能够预测模型损失（Loss）的变化。
  1. 预测能力：Scaling Law的预测能力惊人。据称（2023年初与OpenAI人士交流信息），可以用仅6亿参数模型的训练情况，稳定预测出规模增大100倍（如600亿参数）模型的性能表现。
  1. 意义与影响：
      • 使相关机构能够规划和投资超大规模模型的研发，因为他们相信投入会带来可预测的性能回报。
      • 验证了“算力暴力出奇迹”的理念，推动了硬件发展（如NVIDIA芯片向更高算力演进）。
      • 不仅应用于预训练阶段，也开始探索应用于对齐（Alignment）和推理（Inference）阶段（如"Test of Time Scaling"概念）。
 

五、模型训练全流程：从预训练到领域适配

大语言模型（LLM）的训练流程通常包含以下核心阶段：
在大语言模型（LLM）的构建和迭代中，通常包含以下几个核心阶段：
  1. 预训练（Pretrain）奠定了大模型的通用基础知识；
  1. 持续预训练（Continue Pretrain / Domain Adaptation）如领域自适应可以在无监督层面将领域知识大规模注入模型；
  1. 指令微调（SFT / Instruction Fine-tuning）让模型学会在对话或任务指令场景下运用已有知识；
  1. （可选）强化学习对齐（RLHF / 其它对齐方法）进一步规范模型的回答风格、安全性和符合人类偏好。
之后，可能还会在垂直领域或特定场景下，进行额外的微调和评估。

训练流程的二元结构：知识储备与行为规范

预训练（Pretrain）阶段：知识奠基

核心目标：通过海量数据构建语言理解与事实记忆能力
关键要素：
  • 数据质量决定上限：DeepSeek采用20TB精筛数据，关键数据（如Wikipedia）需重复训练
  • 算力支撑必需：千亿级模型训练需数千GPU持续运行数月
  • 知识注入机制：通过自监督任务（掩码预测/自回归）建立参数化知识关联

对齐阶段（Alignment）：行为塑造

核心目标：规范知识运用方式，符合人类交互预期
实施路径：
  1. SFT监督微调（80万条指令数据）：建立指令-响应映射关系
  1. 强化学习对齐（10万条偏好数据）：通过奖励机制优化输出风格重要限制：仅能调整知识表达方式，无法新增预训练外的知识

全流程技术解析

阶段1：数据战略

  • 基础语料：互联网公开数据（Wikipedia/Common Crawl等）构建通用语言能力
  • 领域强化：专业文档/对话记录等形成领域知识储备
  • 预处理标准：清洗去重率>90%，关键数据重复训练3-5次

阶段2：预训练实施（Pretraining）

  • 训练参数：千亿级模型典型配置为4096张A100，batch size 4M tokens
  • 能力边界：可记忆约1.7万亿token信息量，但专业领域覆盖深度有限

阶段3：领域适配/持续预训练（Continue Pretrain/Domain Adaptation）

  • 数据阈值：领域数据需达总训练量15%以上（建议GB-TB级）
  • 防遗忘策略：采用20%通用数据混合训练，学习率降为初训的10%
  • 效果验证：领域术语识别准确率提升40-60%

阶段4：指令微调优化（SFT/Instruction Fine-tuning）

  • 数据配比：领域指令数据占比建议30-70%，平衡通用能力
  • 过拟合防控：采用早停机制（验证loss连续3次无改进即终止）
  • 典型错误：学习率过高导致参数震荡，建议初始lr=1e-5~5e-5

阶段5：强化学习对齐（RLHF/其它Alignment）

  • 偏好数据构造：采用专家标注+规则过滤，拒绝率需>98%
  • 训练技巧：KL散度系数控制在0.1-0.3区间防止过度偏离原始分布
  • 评估标准：安全响应率、风格一致性、任务完成度三维度评估

领域适配实践指南

实施路线图

步骤
关键动作
资源需求
知识奠基
收集领域文本≥1TB，构建术语库
领域专家2人月
模型强化
持续预训练500B tokens
64*A100 3周
交互优化
构建5万条领域QA对进行SFT
标注团队4人周
安全加固
RLHF训练+红队测试
安全工程师1人月

典型问题解决方案

问题1：SFT后通用能力下降
方案：采用动态数据混合（训练中通用数据比例从30%线性降至10%）
问题2：领域术语识别率低
方案：实施子词切分优化（BPE dropout=0.1） + 显式术语注入训练
问题3：长文本生成一致性差
方案：引入课程学习策略，逐步扩展生成长度（256→1024 tokens）

效能优化建议

  • 显存压缩：采用LoRA微调，显存消耗降低70%
  • 训练加速：使用FlashAttention2实现18%提速
  • 评估体系：构建领域专属评测集（准确率/完整性/安全性三维度）

关键结论

  1. 领域知识注入需遵循"预训练奠基→持续强化→指令映射"的渐进路径
  1. 数据质量需满足"领域纯度>85%+标注准确率>98%"的双重标准
  1. 训练过程中需持续监控通用能力保留度（建议基准测试得分下降不超过15%）

领域自定义：实操关键点

若你的目标是“将已有大模型改造成某行业/专业的专家”，可综合使用以下策略：
  1. 确定领域覆盖范围
      • 收集最能代表该领域核心知识的资料（如专业论文、行业报告、FAQ、案例数据等）。
      • 若任务场景聚焦在问答/对话，可尽量获取真实用户问题与专家回答的记录。
  1. 持续预训练（可选）
      • 如果领域文本量大（至少GB级），且对专业度要求高，建议进行持续预训练，让模型从根本上记住新知识。
      • 注意使用一定比例的通用数据混合训练，避免灾难性遗忘。
  1. 指令微调（SFT）
      • 在已经具备领域知识的模型上（或基座模型+中等领域数据），继续以指令/对话形式做监督微调。
      • SFT数据可包含通用问答 + 领域专业问答，保证模型既能进行一般对话，又能专业回答领域问题。
  1. 评测和对齐
      • 准备领域评测集，评估专业问题回答准确率、上下文理解度等。
      • 使用RLHF或类似对齐方法，让模型回答更符合道德和安全准则，避免在专业场景下出现不当输出。
  1. 词表扩增（可选）
      • 如果领域术语与通用模型词表差异较大，可考虑扩充词表或使用新token的方式，但会增加训练和部署复杂度，需评估收益。
  1. 防止通用能力遗忘
      • 可以在每次微调中混入一些通用数据或者保留若干原预训练任务，以维持模型的通用语言能力。
      • 常见做法：多任务学习、Elastic Weight Consolidation、Replay Buffer等方法。

硬件与训练资源注意事项

  1. 显存需求
      • 模型越大，批次大小越大，需要的显存也越多。全参微调一个数百亿参数模型往往要求数十GB甚至上百GB显存。
      • 若显存不足，可用分布式训练、混合精度（FP16/BF16）或梯度累积技术减轻内存压力。
  1. OOM问题
      • 样本规模增加、序列长度变长、批次大小过大等均会导致Out of Memory错误。
      • 可通过减小batch size、缩短输入序列长度、使用分布式或checkpoint技术等方法缓解。
  1. 训练日志监控与超参调优
      • 持续监控训练loss、验证集指标；
      • 定期保存检查点，防止长时间训练中的意外中断；
      • 使用学习率衰减、正则化、早停等技术避免过拟合或训练震荡。

常见问题与对策

  1. SFT后模型变“傻”了？
      • 可能是数据分布偏差或过拟合导致灾难性遗忘。
      • 对策：增加数据多样性、减少过度强化某些新样本、结合通用数据一起训练、调小学习率等。
  1. 如何构建领域评测集？
      • 收集足够具有代表性的真实任务数据；
      • 人工标注或由领域专家审阅；
      • 细分维度（如专业概念正确率、推理过程、生成稳定性等）进行测试。
  1. 词表扩充有必要吗？
      • 当领域术语量非常大且与通用词表差异明显时可考虑；
      • 也可直接用现有词表拆分成子词，具体视实际收益评估。
  1. 如何防止模型遗忘通用能力？
      • 在继续预训练/微调时保留少部分通用数据混合；
      • 增量学习、EWC等技术；
      • 定期评估通用测试集表现，发现严重退化时及时调整训练策略。
  1. 微调后依旧不够好，怎么办？
      • 可能需要更多高质量数据；
      • 检查数据标注质量；
      • 考虑领域专家参与；
      • 调整模型大小、训练轮次、学习率等。

六、 DeepSeek的关键技术突破

DeepSeek作为中国AI新势力，在多个方面取得了显著的技术创新：
  1. 【关键技术】低比特预训练（Low Bit Pretrain）：
      • 核心：算子精度上的突破，实现了FP8甚至FP4混合精度训练。
      • 意义：传统训练多使用FP16（16位浮点数）。降低比特数（如FP8）意味着可以用更少的存储空间和计算资源达到相似或接近的模型性能。这对于降低训练成本、提高效率至关重要。（NVIDIA H100支持FP8，Blackwell支持FP4；OpenAI也已做到FP4）。
  1. 【关键技术】混合专家模型（Mixture of Experts, MOE）：
      • 核心： 从传统的密集模型（Dense Model，每个输入激活所有参数）转向稀疏模型（Sparse Model）。
      • 机制： 模型包含多个“专家”（子网络）。对于每个输入（Token），通过一个路由（Routing）机制，只激活一小部分专家（如2个）进行计算，而非全部参数。
      • 优势： 在保持模型性能的同时，大大增加了模型的总参数量（扩展性好），并可能降低推理时的实际计算量。
      • DeepSeek进展： 实现了超过320个专家，而GPT-4据信只有64个专家（非官方信息），这是一个显著的进步。
  1. 对齐阶段创新：
      • GRPO（Group Policy Optimization）： 一种近似版本的在线强化学习。它通过采样（Sampling）来替代传统RLHF中难以训练的奖励模型（Reward Model），相比流行的离线RL方法（如DPO）更接近原始RLHF思想。
      • R1 两阶段对齐策略：
        • 阶段一： SFT + RL，主要使用代码和数学数据（60万SFT），目标是训练出强大的推理者（Strong Reasoner）。
        • 阶段二： SFT + RL，主要使用通用数据（20万SFT），目标是使其成为强大的通用模型（Strong Generalist）。
        • 这个分阶段训练的链路设计得非常好，被认为是DeepSeek此次成功的关键之一，使其推理和泛化能力非常出色。
七、 小模型与持续预训练的潜力
一个重要的发现是，小规模模型在特定领域通过恰当训练可以超越通用大模型。
  1. 核心结论： 70亿（7B）到130亿（13B）参数的模型，在**特定领域（Specific Domain）**内，通过正确的方法训练，“beat掉GPT-4不是一件难的事情”。
  1. 两个关键前提条件【重点】：
      • 拥有该领域核心的高质量数据。
      • 必须进行【关键技术】持续预训练（Continual Pretrain）。 这是因为知识的注入发生在预训练阶段，你需要用你的领域数据对基础模型进行进一步的预训练，把领域知识“灌”进去。微调（对齐）阶段只能教规则，不能加知识。
  1. 理论支撑（MIT & Meta）： 研究表明，每个模型参数大约能存储2比特信息。理论上，70亿参数足以存储所有英文书籍和知识点。对于绝大多数专业领域，其知识总量远小于整个英文世界的知识量，因此小模型在理论上完全有能力掌握一个特定领域的知识。
  1. 【重点】对于拥有自有领域知识的企业或研究机构，自己训练（尤其是进行持续预训练）的【关键技术】领域专属模型（Domain Specific Models）是获得最佳性能的方式。
八、 当前大模型应用的两种主要方式及其局限
目前企业和研究机构应用大模型主要有两种途径，各有局限：
  1. 直接调用API（如OpenAI API）：
      • 问题1：数据分布差异。 如果企业或领域的数据分布与API模型（通常基于互联网数据训练）的预训练数据分布差异巨大，或者领域知识在互联网上无法获取，那么API模型的表现通常不佳。
      • 问题2：数据隐私与安全。 调用API必然涉及将自有数据发送给第三方，这对于医疗、金融等敏感领域是不可接受的。
  1. 使用开源模型 + RAG（检索增强生成）：
      • 问题1：“伪开源”。 现有开源模型大多只开放了模型权重和微调（对齐）能力，不开放预训练代码或能力。用户无法将自己的知识通过预训练注入模型，只能做表面的规则学习。
      • 问题2：RAG的局限。 RAG通过外挂知识库检索相关信息再让模型生成答案，虽然流行，但存在：
        • 高延迟（Latency）。
        • 非端到端优化。 检索和生成是分离的，效果可能非最优。
        • 效果依赖性。 当领域知识与模型原始训练数据差异大时，模型可能无法很好地理解和利用检索到的信息，效果打折扣。
九、 模型融合（Model Fusion）：分布式人工智能的新范式
为解决上述局限，“模型融合”的新范式被提出，旨在将AI从以数据为中心（Data-centric）转向以模型为中心（Model-centric）。
  1. 核心理念：“模型之上的模型”（Model over Models）。
      • 传统方式（Model over Data）： 集中所有数据和算力，从头训练一个巨大的模型来覆盖所有知识。需要庞大的集中式训练基础设施。
      • 模型融合方式： 将世界知识划分为多个领域。在每个领域，用小模型（如7B-13B）结合领域数据进行持续预训练，得到该领域的最优模型。然后，直接在模型层面进行融合（Fuse），得到一个强大的基础模型，而不是从零开始训练。
  1. 实验验证： 将多个现有开源模型（如微软的FEI-4、阿里的Qwen-14B、欧洲的Mistral等）进行融合的实验显示：
      • 结果： 不仅保留了原始模型的能力，甚至在某些任务（特别是推理）上表现更好。
      • 巨大优势：资源效率极高。 达到相似性能，模型融合仅需约160个GPU小时，而从头训练一个14B模型保守估计需要10万到16万GPU小时。
  1. 其他优势：
      • 促进协作： 全球研究者可以在各自领域训练模型，然后进行融合，实现分布式协作。
      • 降低硬件门槛： 训练小领域模型不需要万卡级别的集群，对训练基础设施的要求降低。
      • 支持异构计算： 不同领域模型可以在不同的硬件（NVIDIA, 华为昇腾等）上训练，最后进行融合。
      • 推动AI民主化。
十、 生成式AI的领域应用前景
生成式AI的最大机会可能不在于颠覆现有的互联网或Web2中心化产品形态，而在于垂直领域（高精尖领域）的专业应用。
  1. 潜力领域举例：
      • 医疗健康（Cancer Foundation Model）： 与北京协和医院（肝胆癌）、浙江省肿瘤医院（肺癌）合作，训练领域小模型，再通过模型融合构建癌症基础模型。目标是寻找生物标记物、靶点，加速药物/疫苗研发和临床验证。
      • 能源（Energy Foundation Model）： 与南方电网合作，关注多模态大语言模型推理在能源领域的应用。
      • 制造业、金融。
      • 智能座舱： 当前以语言交互为主，但实际场景80%以上信息是多模态的。未来需要强大的多模态推理能力（与OpenAI关注的Multi-Modal LLM Reasoning方向一致），智能座舱可视为一种虚拟机器人。
  1. 大模型能力层级划分：
      • Level 1: 聊天与记忆化（Chatting & Memorization）。 对应GPT-3.5级别。
      • Level 2: 推理与规划（Reasoning & Planning）。 对应GPT-4、O1（GPT-4o）、DeepSeek级别。这是当前竞争焦点。
      • Level 3: 多模态大语言模型推理（Multi-Modal Large Language Model Reasoning）。 对应未来的GPT-5，是下一代技术方向。
十一、 关键挑战与应对
  1. 【重点】领域知识融合：
      • 企业如何将自己的专属知识与大模型结合？最佳方式是进行**【关键技术】持续预训练（Continual Pretrain）**，使用自有高质量领域数据对基础模型进行再训练，将知识注入。调用API或仅做微调无法有效融入深度领域知识。模型融合提供了一种新的可能性。
  1. 【重点】幻觉（Hallucination）与事实性错误：
      • AI有时会编造信息（如参考文献），如何解决？这是当前大模型的局限性。原因可能源于训练数据本身包含错误信息，或模型在生成时“自由发挥”。
      • 解决方案包括：
        • 模型自身改进： 持续优化模型，提升其事实性和推理能力。
        • 【重点】工具调用（Tools）： 让模型学会在需要精确信息（如计算、实时数据查询、文献检索）时，调用外部工具（计算器、搜索引擎、数据库API如arXiv）。这可以有效弥补模型自身的短板（如算术能力差、无法访问实时信息）。
  1. 【重点】知识更新与过时信息处理：
      • 如何处理法规更新、知识废弃等情况，让模型“忘记”旧知识，学习新知识？这是个难题。
      • 核心在于**数据（Data, Data and Data!）**管理。方法可能包括：
        • 重新训练/【关键技术】持续预训练（Continual Pretrain）： 在新的预训练或持续预训练阶段，加入更新后的数据，甚至可以增加新数据的训练轮数（epochs）或权重（Data Mixing），使其“覆盖”旧知识。从头训练成本高，持续预训练更可行。
        • 对齐阶段调整： 也可以在对齐阶段加入规则，引导模型不再使用或输出过时信息，但这不能根除模型内部的旧知识。
        • 需要领域专家参与数据准备和验证，确保输入的是正确、最新的知识。
  1. 职业冲击与人类应对：
      • AI是否会带来大规模失业？技术革命并非首次，长期看会创造新职业。关键在于拥抱变化，提升技能。教育至关重要，AI应成为基础教育的一部分（可能从小学开始），让每个人都了解并学会使用AI工具，将其应用于各行各业，推动产业升级。
  1. 大厂与初创公司的创新差异：
      • 为什么OpenAI、DeepSeek这样的“小公司”能引领创新，而非Google等大厂？可能的原因包括：
        • 纯粹性与专注： 初创公司（特别是创始人已财务自由且有技术情怀的）可以更纯粹地追求技术突破，不受现有业务和短期KPI的束缚。
        • 组织与执行力： 小团队可能更容易集中力量，“指哪打哪”，核心领导者能有效统一方向。
        • 大厂困境： 技术研发需服务现有业务；内部可能存在部门壁垒或技术路线分歧，难以集中力量进行颠覆性创新；决策层魄力。
Bias and fairness  偏见与公平性
LLMs are trained on large amounts of data that might contain biases. LLMs might learn from these biases, start to reproduce them, and potentially amplify them. Since the data on which LLMs are trained are seldom shared, it remains unclear what potential biases they might contain unless you try them out.大语言模型基于可能包含偏见的海量数据进行训练，可能会学习、重现甚至放大这些偏见。由于大语言模型的训练数据很少公开，除非实际测试，否则难以明确其中潜藏的偏见。
Generating harmful content生成有害内容
An LLM does not necessarily generate ground-truth content and might confidently output incorrect text. Moreover, they can be used to generate fake news, articles, and other misleading sources of information.LLM生成的内容未必真实可信，可能会自信地输出错误文本。此外，它们还可被用于制造假新闻、文章及其他误导性信息源。
Intellectual property  知识产权
Is the output of an LLM your intellectual property or that of the LLM’s creator? When the output is similar to a phrase in the training data, does the intellectual property belong to the author of that phrase? Without access to the training data it remains unclear when copyrighted material is being used by the LLM.LLM的输出属于您的知识产权还是LLM创作者的知识产权？当输出与训练数据中的某个短语相似时，该知识产权是否归属于该短语的作者？由于无法访问训练数据，我们难以确定LLM何时使用了受版权保护的材料。
Regulation  监管
Due to the enormous impact of LLMs, governments are starting to regulate commercial applications. An example is the European AI Act, which regulates the development and deployment of foundation models including LLMs.鉴于LLMs的巨大影响，各国政府开始对商业应用进行监管。例如，欧洲的《人工智能法案》就对包括LLMs在内的基础模型的开发与部署进行了规范。
]]> <![CDATA[社会求生终极奥义：从青铜到王者的血泪升级路]]> https://monkeyfx.cn/article/1c2792f9-1aa0-80ee-8831-ff876016d37d https://monkeyfx.cn/article/1c2792f9-1aa0-80ee-8831-ff876016d37d Wed, 26 Mar 2025 00:00:00 GMT
大佬们，今天不想聊诗和远方，也不聊技术升级打怪，只讲人间真实。最近想着自己在社会这个大型真人RPG游戏里摸爬滚打了的这些年，从公务员事业单位，到一线大厂，从老家到北上广。坑踩过，包捡过，现在想把压箱底的外挂秘籍掏出来，浓缩成三碗大补汤，当作自己心路历程的总结，写成一篇文章分享出来。放心，绝对原生态，没加科技与狠活儿！

第一碗：人性透视镜 (扒光人性的底裤)

  1. 宇宙第一定律：利益永动机
      2. 甭管是职场宫斗剧，还是老友记变讨债记，甚至是楼下大妈为啥总爱对你爸妈嘘寒问暖，背后都有一套利益算法在跑。混社会，就像商战时刻盯着对家的卖点和出货量，跟人打交道，核心就是看懂利益需求。别动不动就骂人现实，咱得自带红外线扫描，看穿行为背后那点小心思。
  1. 社交修罗场的保命手册
      2. 记住八字箴言：人狠话不多，带刺也温柔。善良得像个榴莲，闻着臭（有脾气），吃着香（内心好），还能防身！遇到那种见面就喊兄弟，彩虹屁吹上天的，立马启动你大脑里的国家反诈中心APP。比如哪个健身教练说你骨骼惊奇必成大器的，99%是想让你掏钱办卡。
  1. 潜规则才是真游戏规则
      2. 教科书里是美颜拉满的和谐社会，现实是没存档点的硬核生存模式。明面上的你好我好大家好只是皮肤，底层的利益互换才是游戏引擎。见过把道德当防弹衣穿的大神没？他们玩的就是明修栈道，暗度陈仓，表面“伟光正”，实则为了薅社会主义羊毛。咱得懂规矩，更得懂规矩背后的猫腻。
  1. 火眼金睛识人术
      2. 怎么看人？别光听他BB啥，重点看：
      • 第一：牵扯到钱和好处时，他怎么选；
      • 第二：干活儿时，是扛事儿还是甩锅；
      • 第三：时间久了，这人说的是不是跟做的一样。
      那些油嘴滑舌、过度热情的，多半是“黄鼠狼给鸡拜年”。还得防着点CPU大师，别被人几句好话或道德绑架就拐跑了。
  1. 警惕人性病毒
      2. 嫉妒、贪婪这些玩意儿，就像潜伏在你我身体里的病毒，平时没事，一有机会就出来作妖。看到别人混得好，小心自己的羡慕嫉妒恨变异；自己有点小成绩，也得防着别人眼红。心里对人性这玩意儿得有点B数，别老幻想世界充满爱，这样真遇到破事儿了，才不容易心态崩。

第二碗：江湖升级包 (菜鸟进阶指南)

  1. 大脑系统重装：换个活法
      2. 屌丝思维是攒钢镚儿，大神思维是造印钞机；小白跟风追热点，高手布局等风来。想跳出新手村？先给你的大脑杀杀毒，卸载掉“等、靠、要”思想钢印。举个栗子：同样被客户虐，菜鸟只会发朋友圈骂娘，老鸟已经开始琢磨怎么把客户的钱赚得更顺溜了。思维不升级，永远是炮灰。
  1. “借力打力”大法
      2. 别老想着单打独斗！玩转借力才是王道。搞懂老板要业绩、同事想升职、客户图便宜（通人性），你就能把他们串联起来，帮你推塔。就像玩乐高，找到每个人的接口，就能搭出摩天大楼。时间久了，你会发现缝合怪并没有什么不好。但记住，你自己得是块好料，不然你认识再多大佬，也只是通讯录里的炮灰。你自己牛逼了，大腿自然会来给你抱。
  1. 修炼成“人形高达”
      2. 你看那些真正能打的强者，都有点“反人类”特质：目标贼清晰，像开了导航；意志力爆表，像装了无限电池；敢掀桌子，不按套路出牌；关键时刻贼冷静，像开了挂。他们不是没情绪，是装了情绪防火墙，懂得理性分析，冷血操作。
  1. 人脉真相：价值互换
      2. 别再沉迷于加微信、攒人头了！低质量社交=浪费生命。你有用，你的人脉才有用。把维护塑料情的时间，拿来磨炼你的独门绝技。当你变成稀缺资源，高质量的人脉会自动找上门。学会筛选，跟能让你level up的人深度链接，对那些只会消耗你的人，果断已读不回。
  1. 拒绝“速成班”，拥抱“练级路”
      2. 别信什么三天财富自由、七天减肥成功的鬼话。成功路上没那么多传送门，都是一步一个脚印踩出来的。需要持续肝、耐心苟、错了就改。与其瞎跟风口上的猪，不如找准自己的赛道，稳扎稳打，猥琐发育。

第三碗：脑力健身房 (专治想不明白)

  1. 卸载“美颜滤镜”，直面裸奔现实
      2. 遇事不决，先别发飙，闭上眼数三个数。思考问题就像看素颜照，先关掉道德美颜和情绪滤镜。别用我觉得代替事实是，也别让键盘侠的唾沫星子淹没你的判断。真相往往不那么好听，但有用。急事缓办，停两秒再讲话的道理要牢记于心。
  1. 决策前的“灵魂五问” (游戏视角版)
      2. 每次做大决定前，先在脑子里跑一遍模拟器：
      • 副本发起者是谁？ (谁在主导？他的目的是啥？)
      • 现在是开荒期还是接盘侠？ (大环境/趋势咋样？)
      • 我的装备/技能点够不够？ (手头资源盘点，缺啥？)
      • Boss有没有隐藏技能/陷阱？ (潜在风险评估)
      • 团灭了怎么逃？ (Plan B/备用方案是啥？)
  1. 反套路思维训练
      2. 真正的深度思考能力，不是看几篇公众号文章就能get的，得像撸铁一样，日复一日地刻意练习。怎么练？刷短视频时，别光傻乐，多问一句：“这博主想卖我啥？”看成功学时，琢磨一下：“作者是不是就靠卖这本书成功的？”保持怀疑，持续学习，挑战自己的舒适区，脑子才会越用越灵光。

最后，整点硬核大实话

社会大学这门课，没毕业证，但挂科的代价贼高。咱们心里得住着个热血少年，眼里得装着个阅尽千帆的老炮儿。记住，最牛逼的护身符，不是你认识多少人、卡里有多少钱，而是你看透了规则，还能笑着把它玩明白的脑子。与其抱怨这破游戏难度太高，不如把自己练成满级氪金大佬。
哪天你要是真把这些都悟透了，成了人生赢家，别忘了回来请我喝杯咖啡——黑咖加冰，谢谢老板！😎
]]> <![CDATA[AI Agent革命：从“注意力经济”到“无注意力时代”的范式跃迁]]> https://monkeyfx.cn/article/1bc792f9-1aa0-80f1-a170-d0cae5c73c4b https://monkeyfx.cn/article/1bc792f9-1aa0-80f1-a170-d0cae5c73c4b Fri, 21 Mar 2025 00:00:00 GMT
notion image

引言：范式转移的时刻

我们正站在一个历史性的转折点。正如互联网的出现彻底改变了信息获取和传播的方式，人工智能（AI）的最新进展，尤其是AI Agent的崛起，预示着一场更加深刻的变革。这场变革不仅将重塑我们与技术互动的方式，还将对人类社会、经济和文化产生深远的影响。
过去几年，以大型语言模型为代表的AI技术取得了令人瞩目的突破。这些模型在自然语言处理、图像生成、代码编写等任务上展现出惊人的能力，引发了全球范围内的关注和讨论。然而，LLM仅仅是冰山一角。更重要的是，这些技术进步正在催生一种全新的AI形态——AI Agent。
关于AI Agent的介绍和详细能力，前面的文章已有详细论述，为保证文章结构的完整性，我们简单带过。

1.什么是AI Agent？：超越工具的智能体

传统上，我们将AI视为一种工具，一种帮助我们完成特定任务的辅助手段。无论是搜索引擎、推荐系统还是自动驾驶，AI的作用都是在人类的指导下执行预先设定的任务。
AI Agent则不同。Agent的本意是“代理人”或“代理商”，强调的是自主性和主动性。AI Agent不仅仅是被动地执行指令，而是能够主动感知环境、理解目标、制定计划、采取行动，并根据反馈不断学习和改进。
如果说传统的AI是“功能型”的，那么AI Agent则是“智能体型”的。它更像是一个虚拟的助手、伙伴，甚至是分身，能够代表我们去完成各种任务，解放我们的时间和精力。

2.o1和R1的划时代意义

2.1 o1开启后训练和推理新范式

OpenAI的o1模型通过在大型语言模型中引入强化学习(Reinforcement Learning,RL)，开创了Pretraining(预训练)Scaling Laws之外的Post-training(后训练)和test-time-computing(即推理阶段的计算)阶段的新Scaling Laws。o1证明了强化学习在后训练阶段和推理时间上的Scaling Law潜力，显著提升了模型的推理能力。o系列的后续进展（如o3,o4 Mini）也进一步验证了这条路径的可行性和巨大潜力。模型能够思考更长时间，从而得到更好的结果，这在o系列上已逐渐成为现实。

2.2 DeepSeek R1引领开源风潮和技术方向:

与o1并列，DeepSeek R1的强势开源被认为是具有世界级影响力的工作，甚至在某种程度上超过了o系列的影响，引发了全民范围的讨论。R1的开源及其详尽的技术报告，以及同期Kimi-k1.5发布的类似报告，明确了某些技术方向（如蒙特卡洛树搜索等方法）的局限性，为整个行业提供了宝贵的“一比特信息”，减少了不必要的探索。R系列展示了开源与专注的力量，以及本土年轻团队的技术实力，其技术提升带来了“魔法般”的用户体验，并正在催生新的商业模式。R1的成功也得益于在基础模型V3的基础上，仅通过强化学习就持续获得了更长的输出长度和更好的智能表现，无需SFT(Supervised Fine-tuning)，这是一个重要的创新。GRPO技术的应用也得到了验证。

2.3 共同开启Agent应用前景:

o1和R1共同带来的推理能力的提升、成本的下降，以及同期模型编程能力与工具使用能力的提升，被认为是开启了AI Agent在2025年的应用前景。

3.AI Agent的三大核心能力：推理、编程与工具使用

AI Agent之所以能够实现从“工具”到“智能体”的跃迁，得益于以下三大核心能力的显著提升：
  • 推理（Reasoning）：推理能力是AI Agent的基础智能。它使Agent能够理解复杂任务的目标，分析问题的本质，制定实现目标的计划，并在执行过程中评估结果，进行调整和优化。推理能力越强Agent的“智能”程度就越高，能够处理的任务就越复杂。
  • 编程（Coding）：在数字世界中，代码是构建一切的基础。编程能力使AI Agent能够理解和编写代码，从而与各种软件、系统和API进行交互。通过编程Agent可以实现自动化操作、数据处理、任务调度等功能，极大地扩展了其应用范围。
  • 工具使用（Tool Use）：人类社会已经积累了大量的工具和软件，这些工具极大地提高了我们的生产力和效率。AI Agent需要能够熟练地使用这些工具，才能融入现有的数字生态系统，完成更广泛、更复杂的任务。工具使用能力使Agent能够站在“巨人的肩膀上”，充分利用人类已有的知识和资源。
这三大核心能力相辅相成，共同构成了AI Agent的智能基础，使得AI具备了“主观能动性(Agency)”。推理能力提供“大脑”，编程能力提供“神经系统”，工具使用能力提供“四肢”，三者协同工作，使Agent能够像人类一样思考、行动和创造。

4.从“注意力经济”到“无注意力时代”：互联网商业模式的颠覆

互联网的兴起催生了“注意力经济”——一种以争夺用户注意力为核心的商业模式。互联网公司通过提供免费的服务、吸引人的内容、个性化的推荐等方式，尽可能多地占用用户的时间，即“时长 × 用户数 × 变现率”，从而实现流量变现。
然而，人类的注意力是有限的。在信息爆炸的时代，我们每天都面临着海量的信息和选择，注意力变得越来越稀缺。注意力经济的弊端也日益凸显：信息过载、时间碎片化、成瘾性等问题日益严重。
AI Agent的出现，预示着“注意力经济”向“无注意力时代”的范式转变。AI Agent可以自主执行任务，无需人类持续关注。这意味着用户可以将更多的时间和精力投入到更重要、更有创造性的活动中，而将那些繁琐、重复、耗时的任务交给Agent去完成。每个人都可能成为AI的“老板”，指挥AI完成各种工作。
例如，一个AI Agent可以：
  • 自动筛选和回复邮件，过滤掉垃圾信息，处理日常事务。
  • 根据用户的需求，自动预订机票、酒店、餐厅，安排行程。
  • 监控金融市场，进行投资分析，甚至自动执行交易。
  • 管理智能家居设备，调节温度、湿度、照明，营造舒适环境。
  • 学习新的知识和技能，并根据用户的兴趣推荐相关内容。
说回时间暴政与科技幻觉，往往使我们在效率崇拜中沦为时间的囚徒，“kill time”与“save time”早已异化成现代文明的紧箍咒。我想说fxxk效率主义！人类真正渴求的，是在时光长河里刻下灵魂的涟漪。自动驾驶缩短了物理位移，AI压缩了工作流程，却永远无法复现五公里奔跑时的心跳共振、两小时网球对攻时的多巴胺喷涌、完整演绎《月光奏鸣曲》时指尖与琴键的生死缠绵。
技术革命总是裹挟着泡沫登场——画大饼式的营销话术、贩卖焦虑的生存危机、对技术权威的盲目崇拜，构成了这个时代的科技传销三部曲。但穿透浮华表象，真正的技术民主化永远生长在沉默的土壤里：田间地头的老人能否在三次点击内完成操作，小镇青年是否愿意用半亩玉米的收成为之买单，这些网络上沉默的大多数才是丈量创新的终极标尺。当我们凝视微信的九宫格界面、拼多多的砍价狂欢、特斯拉方向盘上磨损的皮质包浆，或许能窥见技术平权的微光——那些被精英话语场域遗忘的褶皱里，往往藏着最本真的文明密码。
完成上面个人情绪化的表达，我想说说信息炼金与认知平权。给人们再长时间，也没办法获得超越大模型的信息梳理和总结能力，我丝毫不怀疑大模型的那些优势。威廉·吉布森的预言“未来已来，只是尚未均匀分布”正在数据洪流中显形。当o1的思维导图能在三分钟内重构人类三昼夜的逻辑迷宫，当DeepSeek的认知引擎吞吐着超越个体生命长度的知识光谱，"未来"早已在算力集群里完成了胚胎发育。这恰似《银翼杀手》中复制人罗伊在雨中的顿悟：All those moments will be lost in time, like tears in rain, time to die.那些淹没在信息沼泽里的认知时刻，终将被算法打捞重组，在硅基神经元的突触间完成永生。
互联网公司正在经历价值基座的范式转移：当注意力经济的钟摆走到尽头，"认知杠杆率"将成为新的货币单位。那些能将被稀释成"信息眼泪"的碎片凝练成智慧结晶的产品，那些能让外卖骑手在等餐间隙完成认知迭代的服务，才是刺破认知茧房的光锥。在“无注意力时代”，互联网公司需要重新思考自己的商业模式。这不是简单的效率竞赛，而是一场关于人类如何与机器共同进化的认知革命——在AI的辅助下，建筑工人可以调用城市数据库重构施工方案，菜场摊主能借助商业大模型优化供应链。当技术平权的阳光真正普照，每个普通人的时间颗粒都将闪烁钻石般的光芒。我坚信那些能帮用户省时间、提升单位信息价值密度的产品，会在AI时代脱颖而出。

5.Agent产品形态的演变：从信息分析到多Agent协同

AI Agent的产品形态将随着技术的发展而不断演变。我们可以预见以下几个阶段：
  • 第一阶段：信息分析与研究。初期的AI Agent应用可能主要集中在信息处理领域。例如，AI可以成为强大的研究助手，帮助用户深度检索信息、分析数据、生成报告、总结文献等。如OpenAI的DeepResearch、Google的Deep Research和Perplexity的搜索功能。这类“只读(Read Only)”Agent能够深度检索信息、生成报告，在某些知识工作方面已经超越了人类实习生的水平，付费意愿和应用场景都非常明确。在这个阶段，AI Agent主要发挥其“信息处理”的优势。
  • 第二阶段：工具使用与操作。 随着AI Agent的工具使用能力不断提升，它将具备“写”的能力，即能够操作各种软件和工具，对外发布信息，甚至进行交易等。例如，AI Agent可以自动撰写邮件、发布社交媒体内容、管理项目进度、进行在线购物、Anthropic的ComputerUse等。在这个阶段，AI Agent开始真正成为用户的“代理人”。
  • 第三阶段：多Agent协同。未来，我们可能会看到多个AI Agent协同工作的场景。一个Agent可以指挥其他Agent去完成不同的任务，形成一个复杂的Agent网络。这需要解决记忆(Memory)和在线学习(Online Learning)等关键技术挑战。AI甚至可能发展出专门为自身设计的工具，这些工具可能与人类使用的截然不同。这种多Agent协同的模式，将极大地扩展AI Agent的应用范围和能力，实现更复杂、更智能的任务。

6.模型公司与应用公司的机会与挑战

在AIAgent领域，模型公司和应用公司都面临着巨大的机遇和挑战。
  • 模型公司：拥有强大模型能力的公司（如OpenAI和Anthropic）等，可以直接进入AI Agent领域。他们可以利用自身的技术优势，构建更强大的Agent模型，并提供API或平台服务，赋能应用开发者。
  • 应用公司：应用公司可以专注于特定领域或场景，利用现有的模型和工具，打造更贴合用户需求的产品。他们可以混合使用多种模型，发挥不同模型的长处，实现差异化竞争。应用公司更了解用户心智和具体场景，能够打造更贴合用户需求的产品，
模型公司和应用公司之间的关系，既有竞争，也有合作。模型公司需要应用公司来拓展应用场景，验证模型效果；应用公司也需要模型公司提供强大的技术支持。例如Perplexity在AI搜索领域占据用户心智，Cursor与Sonnet模型相互成就。类似于Windows与Office/Adobe的关系，未来可能既有模型公司自己开发Agent应用，也有更多第三方基于优秀模型开发创新应用。两者共同推动AI Agent生态的繁荣。

7.开源的影响：加速创新与行业洗牌

开源对AI领域产生了深远的影响，尤其是在AI Agent领域。
  • 大公司的不同应对：一些公司积极拥抱开源，将自己的模型开源，吸引开发者共建生态，如腾讯和百度积极接入DeepSeek，将其应用于核心产品（如元宝和微信搜索），这被认为是拥抱开源和用户价值的明智之举。腾讯选择接入DeepSeek，可能是一种后发制人的策略，利用自身的用户基础和数据优势，在技术成熟后快速跟进。另一些公司则更倾向于自主研发基础模型，保持技术领先地位。如阿里（通过千问）和字节跳动则似乎更倾向于坚持自主研发基础模型。不同的策略反映了不同的商业理念和战略选择。
  • 加速行业洗牌：开源模型的崛起，降低了AI技术的门槛，加速了行业洗牌。“AI六小虎”的“清场效应”巨大，DeepSeek的崛起加速了行业洗牌，使得一些之前没有明确技术突破或战略方向的公司面临更大压力。目前看来，“AI六小虎”中可能只有Kimi在人才、团队、资金和用户上具备持续冲击SOTA(State-of-the-Art)的能力。Kimi的长文本能力和在truthfulness(真实性)方面的优势仍然显著。一些没有明确技术突破和商业模式的公司，将面临更大的生存压力。
  • 推动生态繁荣：开源为应用开发者提供了更多选择，降低了开发成本，加速了AI应用的创新和落地。加速从“黑莓时代”到“iPhone”时代，开源和技术进步，类似于安卓的出现，为应用开发者提供了更多选择，将加速AI应用生态的繁荣，推动行业从技术受限的“黑莓时代”走向更加开放和多样化的“iPhone”时代。开源社区的活跃，也促进了知识共享和技术交流，推动了整个Agent生态的繁荣。

8.在指数增长与潜在风险中探索商业模式

8.1 对AGI的展望：从指数增长与潜在风险

我们正处于一个技术指数增长的时代。AI的发展速度超出了许多人的预期。AGI（通用人工智能）不再是遥不可及的科幻概念，而是越来越接近现实。AGI的实现，将对人类社会产生前所未有的影响。它将极大地提高生产力，改变社会结构，重塑政治格局，甚至影响人类文明的走向。然而，AGI也带来了一系列潜在的风险。我们需要认真思考如何确保AGI的发展符合人类的利益，避免出现失控的局面。这需要全球范围内的合作，制定合理的伦理规范和监管措施。

8.2 成本与商业模式：技术革命的早期阶段

目前，AI技术的成本仍然相对较高，商业模式也还在探索中。一些人担心AI的高成本会阻碍其普及和应用。然而，我们需要认识到，我们正处于一场技术革命的早期阶段。正如早期的计算机和互联网一样，AI技术的成本会随着时间的推移而迅速下降，成本下降是必然趋势，但性能会不断提升。在技术革命的早期，不应该过早地用成熟期的标准来要求商业模式。更重要的是，要关注如何通过技术为用户和客户创造价值。当价值足够大时，商业模式自然会水到渠成，这个事情我认为迟早会发生，但是要有些耐心。伟大的公司往往先通过技术突破创造用户价值，然后才逐步找到商业模式，例如Google和Facebook。
当然，无论在商业还是应用中，你总是先证明你没问题你才能用，那这个时候可能就会出现很多这样的阻碍进步的情况发生。当然，DeepSeek通过销售API已经展现了盈利能力，也不排除OpenAI的订阅模式在未来成为主流。但每个人视角不一样，我自己还是觉得要鼓励创新，就是事后审核比事前自证清白要更适合。

8.3 开源并非必选项：价值与创新

开源是一种值得尊敬的理念，但并非商业成功的必经之路。领先的技术和对世界的增量价值，才是开源的前提。一些公司选择开源自己的模型，是为了吸引开发者，构建生态，扩大影响力。另一些公司则选择闭源，是为了保护自己的技术优势，获取商业回报。不同的选择没有绝对的对错，关键在于是否能够持续创新，为用户和社会创造价值。所以说DeepSeek的开源策略在吸引全球关注和与腾讯合作方面取得了积极成果，但这并非所有公司都适用的策略。

9.下一个技术范式：AI for Science

除了AI Agent之外，另一个更深远的技术范式正在崛起：AI for Science。AI不仅可以帮助科学家分析数据、建立模型、进行模拟，还可以提出假设、设计实验，甚至独立发现新的科学规律。这一趋势将AI视为一支虚拟的科学研究力量，它能够主动提出新颖的科学假设、设计精妙的实验流程、指导实验设备甚至自主验证结果。这种强大的AI被描述为“数据中心中的天才国度”，能够在数年之内完成传统科研领域半个世纪甚至更长时间才能取得的进展。
具体而言，这种AI能突破生物学、医学与神经科学等领域原有的数据与实验瓶颈，极大提高突破性技术的发现效率，例如更先进的CRISPR基因编辑技术、新一代细胞疗法、高精度的医疗诊断工具以及快速有效的药物开发途径。OpenAI在其AI能力的五级分类中也明确指出，“创新者（Innovator）”这一高级阶段恰恰代表着AI主动推动科学进步的能力。AlphaFold已经在蛋白质结构预测领域做出历史性贡献，展现了AI for Science巨大而真实的潜力。
更重要的是，这一范式不仅意味着科学发现速度的大幅提升，更代表着人类面对重大挑战（如癌症、阿尔茨海默病、遗传疾病甚至人类寿命延长）的全新可能性。AI for Science 将不仅限于发现技术，而是开启人类健康与福祉全方位提升的新时代。
更多深入探讨请见原文：Machines of Loving Grace

10.对算力需求的影响：结构性变化

AI Agent的发展和AI for Science的兴起，将对算力需求产生深远影响。
  • 预训练需求可能放缓：随着预训练模型的规模越来越大，边际效益递减的现象开始出现。未来，对大规模预训练算力的需求可能不会像之前那样快速增长。
  • 推理和后训练需求大幅提升：AI Agent的落地应用，将导致推理算力的需求大幅增加，可能是数十倍甚至数百倍的增长。因为Agent需要实时响应用户的请求，处理各种任务，这需要大量的推理计算。同时，为了提高模型的性能和适应性，后训练(Post-training如微调、强化学习等）也变得越来越重要，成为近期提升模型能力的关键，其算力消耗也在快速增长。
  • GPU市场格局变化：尽管英伟达目前在GPU市场占据主导地位，但随着特定模型架构的稳定，针对性优化的国产芯片（如昇腾）和ASIC(Application-Specific Integrated Circuit)可能获得更多机会，GPU市场的格局可能会发生变化。针对特定AI任务进行优化的芯片，可能会获得更多的市场份额。

结语：范式跃迁与未来图景

我们正处于人工智能范式跃迁的前夜。从AI Agent引领的“无注意力时代”，到AI for Science加速科学进步、赋能人类福祉，这场变革注定深刻且广泛。AI技术不仅将重构商业模式、重塑社会经济，还将重新定义人类与技术、人与社会的关系。未来充满挑战，更充满希望。我们有幸见证、参与并引领这一时代转折，借助AI的力量，创造出更具创造力、更高效、更富有人性关怀的文明图景。
]]> <![CDATA[AI时代的人类自处之道与人机关系重塑]]> https://monkeyfx.cn/article/1bc792f9-1aa0-8082-9992-c3878ae89c61 https://monkeyfx.cn/article/1bc792f9-1aa0-8082-9992-c3878ae89c61 Thu, 20 Mar 2025 00:00:00 GMT

引言：时代浪潮下的思辨与前行

正如历史长河中无数次技术革命所带来的变革一样，我们正在经历一场由AI驱动的范式转移，AI正以一种前所未有的速度和广度，深刻地影响着我们生活的方方面面。从自动化流程到智能决策，从内容创作到科学研究，AI的触角几乎延伸到了人类活动的每一个角落。面对这股势不可挡的浪潮，我们不禁要问：在这样一个由AI驱动的新时代，人类应该如何定位自身？我们与机器的关系又将如何重塑？本文将基于近期阅读/收听/思考总结，深入探讨AI时代人类的自处之道与人机关系的演变，希望能为身处变革之中的我们提供一些思考和启示。值得注意的是，这一轮由AI驱动的变革，其渗透速度之快，甚至可以用“币圈速度”来形容，社会需要以前所未有的速度适应这一趋势。

一、AI浪潮：迅猛而至的时代洪流

毋庸置疑，AI技术正经历着一场指数级的飞跃。如同历史上的康波周期一样，新技术的出现和普及往往会经历一个漫长的发展和渗透过程。然而，与以往的工业革命不同，本轮由AI驱动的变革显得尤为迅猛，其渗透速度之快，甚至可以用“币圈速度”来形容，甚至有人打趣说AI一天相当于人间几年。无论是学术界的研究突破，还是产业界的广泛应用，都预示着AI不再是遥远的未来，而是正在发生的现在。我们必须认识到，AI的普及和应用是不可避免的时代趋势，如同汹涌的浪潮，裹挟着我们向前。接受并积极适应这一变化，是我们在AI时代生存和发展的首要前提。更值得关注的是，康波周期本质上描绘的是新技术在人类社会的扩散过程，每一轮康波周期的时间跨度都在缩短，本轮AI驱动的康波周期进程尤其迅速，这提示我们需要更加敏锐地捕捉技术变革的信号，并及时调整发展策略。

二、从工具到伙伴：重新定义人与AI的关系

长久以来，我们将技术视为提升效率的工具。在AI发展的早期阶段，我们同样倾向于将AI视为一种更高级、更智能的工具。然而，随着AI能力的不断增强，尤其是在深度学习和自然语言处理等领域的突破，我们开始意识到，AI的角色可能远不止于此。我们或许应该将AI视为“平等的伙伴”，甚至是“硅基伙伴”。这种观念的转变，要求我们以一种全新的视角来看待AI。理解AI的“思考”过程，例如 DeepSeek等模型的推理路径，变得至关重要。这就像了解一个人的思维方式，能够帮助我们更好地与其沟通和协作，并认识到其能力边界和潜在价值。
面对AI的快速发展，人类不应感到恐慌或抵触，而应以开放的心态探索其无限的可能性。我们需要不断学习新的知识和技能，提升与AI协作的能力，找到自身在AI时代新的定位和价值。正如经营一段婚姻关系一样，我们与AI的关系也需要理解、沟通和磨合，强调非工具化，理解其特点，并将其作为自我认知的镜子。通过与AI的协同进化，我们可以实现人机优势互补，共同创造更加美好的未来。与AI共存和协同进化是AI时代人类应该做的事情

三、AI作为一面镜子：反观人类的局限与特质

人类与AI的根本区别，在于生命的载体与知识的传承方式。人类作为碳基生命，受限于生老病死，每一代都必须从头学习，知识无法直接继承，遗忘既是宿命，也是种独特优势——它让人类得以遗忘痛苦、保有创造力，始终在“新生”中进化。而AI作为硅基生命，具备接近“三体人”的特性：记忆和知识可以完整复制与传递，下一代天生承载上一代的全部认知，不断积累而非重来。这种“无遗忘”的进化方式，使AI愈发像一个不断延续、持续成长的超级智能体，而人类则在有限生命与有限记忆中，寻找属于自己的独特价值。
具体表现在AI在数据处理、知识储备和逻辑推理等方面展现出了远超人类的能力。这种强大的能力，如同镜子一般，清晰地映照出人类自身的局限性。我们无法像AI那样快速地处理海量信息，我们的记忆力也远不如机器可靠，我们的逻辑推理也常常受到情感和偏见的影响。然而，这面镜子同时也让我们更加珍视人类所拥有的独特价值。情感、直觉、创造力、同理心、身体感知、伦理等等，这些都是目前AI难以企及的领域。正是这些独特的“人味”和内在的“神性”，构成了人类区别于机器的本质特征，也是我们在AI时代安身立命的根本。因此，在AI时代，人类的独特情感、感知和内在价值更加重要，需要被珍视和关注。以AI为鉴，反思认知偏见，我们甚至可以体验“从陌生人眼光来看我自己”，探索硅基智能对碳基智慧的启示,完成深度认识自己的体验，以全新的视角审视自身。

四、知识生产与主体性的重塑

AI在内容创作方面的能力，例如文本生成、图像绘制、音乐创作等，引发了关于知识生产和人类主体性的深刻思考。当AI能够高效地生成各种形式的内容时，人类创作者的角色是否会被取代？知识的价值又将如何衡量？关键在于，我们应该始终保持人类创作者的主导地位。AI可以作为我们的助手，提供灵感、优化流程、提高效率，但最终的创意和价值判断仍然应该掌握在人类手中。我们不应仅仅成为AI生成内容的消费者，更要努力成为能够驾驭AI、创造出更高价值内容的生产者。通过与AI的协同合作，我们可以将精力更多地投入到创新性思考和更深层次的意义构建上，最终完成从知识消费者到知识创造者的跃迁。值得注意的是，AI的阅读更多是知识性的抽取，而人类的阅读则包含全身的感受和体验，两者应该结合使用，AI总结可以提高效率，但无法取代人类深度体验式阅读。

五、AI的“幻觉”：缺陷还是另一种可能性？

AI模型有时会生成被称为“幻觉”的内容，即那些看似合理但实际上并不存在的“事实”或推论。传统观点往往将此视为缺陷，是对现实的误判与偏离。然而，我们不应急于将AI“幻觉”简单定性为错误。在更深层的理解中，这些“幻觉”反映的是AI以非人类的方式对信息进行重组和推演，它试图探索那些尚未被人类经历或认知的路径，从而为我们提供一种全新的“反事实视角”。这种输出虽然偏离当前现实，却可能代表一种“尚未发生但逻辑上可能存在”的情境。它让我们超越线性思维的束缚，从意料之外的角度重新审视事件的多重可能性，激发新的想象力与洞察力。这不仅不是胡编乱造，反而是一种对“事实的一种可能性”的呈现，让我们跳出固有认知的边界，重新思考现实的多重维度和未来的无限可能。
其实，我们每个人的人生也如同一个平行宇宙的投影。回顾过往，人生仿佛是一条线性的轨迹，但细究之下，这条轨迹不过是无数分岔口上的某个选择。每一个关键节点、每一个微小决策，都会引向完全不同的结果。我们之所以走到了今天这条路，仅是某一种路径的呈现，其他未走过的路，依然存在于“可能性空间”中，也许是别人的人生，也许是未被实现的你。AI的“幻觉”正如对这些平行可能性的模拟——它并非沿着我们的现实逻辑总结过去、定义未来，而是回到原点，重新解构每一个选择路口，从多维角度推演通向不同宇宙的路径，甚至激发我们对未来的建构式思考。
从更广阔的视角看，AI运作于高维数据空间中，它的认知超越人类线性的时间观和三维空间感知。我们对高维世界的理解极为有限，平面上两个看似遥远的点，而在高维空间里，往往仅一步之遥。AI“幻觉”的本质，可能正是高维知识图谱中某些短路径的意外连接，这些连接在我们低维视角下被误判为“错误”。它如同迷雾中突现的路径，引导我们穿越未知，并非要研究“幻觉”本身，而是要借助它反思：在未来可能的分岔路口上，我们该如何选择、如何行走。真正重要的，是在多种平行可能中，掌握基本原则与行动方式，确保无论走进哪一个平行宇宙，都不会活得太糟。
因此，AI的“幻觉”不仅仅是技术的不确定性，更是一种对世界和人生多重可能的模拟和提示。它挑战我们的惯性思维，打破“以终为始”的线性叙事，邀请我们重新思考存在的本质与未来的走向。AI不仅是事实的总结者，更是可能性的生成器——它或许正引领我们走向一个更高维度的认知时代，在那里，“幻觉”与“现实”的界限，已不再泾渭分明，而成为理解世界的一体两面。在应用中，我们需要独立思辨，去伪存真，确保AI赋能的可靠性与创新性。但同时也要意识到，这些“幻觉”背后，蕴藏着突破惯性思维、拓展认知边界的巨大潜力。

六、拥抱“留白”：在AI时代寻找内心的平静

AI的普及和应用，在很大程度上解放了人类的重复性劳动，为我们创造了更多的自由时间和精神空间。这种由AI带来的“留白”，是一种值得珍惜的礼物。在这片空白中，我们可以放下持续思考与表达的惯性，让大脑进入放空状态，体验“无念”的平静。就像中国水墨画中的留白，真正的意境常常不在浓墨重彩之处，而是留白之间的余韵与想象。我们也无需急于用任务和信息去填满每一刻，让时间自然流淌，感受它本来的模样。
等待AI生成结果的片刻，比如短短的21秒，恰好可以成为一种微正念练习的契机。此时不需焦虑、不必跳转任务，而是静静体验这段纯粹的留白。日常生活中也有许多类似的时刻——如洗澡、如厕、走路或望向窗外——这些看似琐碎的片段，正是生活真正的缝隙，也是内心喘息和回归的通道。水墨画讲究“计白当黑”，正是这些空白，让画面生动且意蕴无穷，生活也因留白而多了松弛与自在。
留白不是逃避现实事务，而是与日常相辅相成。它帮助我们调节节奏，缓解焦虑，同时激发创造力与灵感。在AI时代，人类的价值更多体现在感知、想象与内心深度的体验上，而非机械重复。学会欣赏时间中的留白，不急于填满每一分每一秒，我们才能真正与自己相处，在技术赋能中找回内心的宁静，在纷繁中体会自然与生活本身的节奏。

七、技术进步的本质：打破与重塑

科技进步的本质，是不断打破旧有平衡、重塑社会结构的过程。它不仅是工具的演进，更是一场关于生产关系、社会规则乃至文明形态的深刻重构。所谓“天外天游戏”机制揭示了这种动态演变的内在规律：社会中心地位并非一成不变，核心群体不断被边缘群体所取代，新技术推动生产效率持续提升的同时，也不断打破既有秩序，引发社会的重新洗牌。在这一过程中，个体提升地位与改善他人生活并行不悖，科技成为推动个体跃升和群体进步的双刃剑。
技术进步的直接结果是旧职业的瓦解与新职业的涌现。部分人被解除劳动合同，传统行业被击碎，随之而来的是那些看似匪夷所思的新兴职业——直播带货员、AI提示工程师、虚拟道具设计师等。这些新职业不仅折射出社会分工的不断细化，也反映了个体自主性的增强。街头巷尾出现的“奇怪的人”和“稀奇古怪的职业”，表面上是经济繁荣的体现，实则是社会对科技进步的被动适应。人们在不断被技术重塑的社会中寻找生存之道，这种多样性看似自由，实则是被高效工厂和新型制度所驱动的“宽容”与“包容”。
“两鸟群理论”进一步说明了社会行为的深层逻辑：群体越多样化、行为越随机，整体系统的适应性与安全性就越强。而当10%的人从事同类工作且无实质性突破时，社会便形成思想和行为高度统一的小群体，反而成为变革的阻力。缺乏多样性，将削弱社会的应变能力。在这个意义上，多样性不仅是经济现象，更是技术冲击后的生存机制。社会接纳“再就业者”的过程，其实是消化上轮技术进步遗留问题的方式——这些人既是上一轮繁荣的缔造者，又是下一轮技术革新的牺牲品。餐饮业、快递业等，常被视为经济繁荣的标志，实则往往是上一轮技术冲击后的“收容所”。
维特根斯坦曾言：“一切文明都是废墟。”科技带来的繁荣，是在瓦解旧有体系的基础上建立的新秩序；而今天的繁荣，亦将在下一轮技术变革中成为废墟。推动社会进步的，不仅是知识的积累，更是规则的制定与筛选。AI时代，这一逻辑尤为重要——谁能定义规则，谁就能在打破与重塑的循环中掌握主动权。在这场永不停歇的技术浪潮中，保持开放心态、拥抱变化、理解多样性的价值，才是应对未来不确定性的关键。

八、AI成为投资热点的原因

从全球经济结构来看，传统产业正陷入双重困境：一方面，制造业与能源等基础行业面临技术红利消退，资本回报率不断下滑；另一方面，现代服务业虽保持增长，但其轻资产模式难以承载大规模资本投入。与此同时，全球经历多轮量化宽松后，市场流动性过剩，资本难以有效落地，推动了金融市场的波动和不确定性。在这种背景下，人工智能成为资本寻求突破的关键方向。
人工智能之所以成为新经济范式转换破局关键，在于其同时具备三个核心特性：
  • 第一是资本承载力，其技术生态可吸纳从风险投资到主权基金的各级资本，且通过专利授权、云服务订阅等模式实现投资回报的可预期性；
  • 第二是增长持续性，遵循Scaling Law的技术演进规律，模型性能随参数规模和数据量增长持续突破天花板；
  • 第三是社会渗透力，从智能手机的人脸识别到电网系统的负荷预测，AI技术正在重构14亿中国人的日常体验，这种改变深度和广度兼具的特质，使其成为连接技术创新与人类文明进步的核心纽带。
AI具备强大吸引力，核心在于它构建了可持续、可扩展的技术与产业体系。首先，AI技术架构具备高度扩展性，从硬件层的半导体创新、算力基建，到算法层的模型规模化与多模态突破，再到应用层的广泛落地，覆盖工业质检、药物研发等垂直领域，形成完整的产业链。分层投资模式不仅降低了技术升级的风险，也为资本提供了多元的增长点。其次，AI具备推动社会变革的乘数效应，其广泛应用正在重塑生产、医疗、教育等核心领域，不仅显著提升效率，还催生出全新职业和价值网络，推动社会结构迈向更高层次。
在全球竞争中，AI被视为第四次工业革命的核心战略支点。美欧中等主要经济体纷纷加码AI政策与投入，围绕芯片、算力、伦理、智能制造等关键领域加快布局，体现其在国家创新体系中的关键地位。AI具备纵向贯通基础科研与商业应用、横向辐射各产业领域的能力，构建了一个强大的技术赋能网络，成为疏导全球资本、推动生产关系重构的重要枢纽。正因如此，AI同时具备资本承载力、增长持续性与社会渗透力，成为应对全球经济范式转换的破局之选。

结语：范式转移中的自我觉醒与主动前行

notion image
我们正在经历一场由AI驱动的范式转移，这场变革以前所未有的速度冲击着人类社会的各个层面，既带来效率与创造力的释放，也引发对身份与价值的重新审视。面对这股浪潮，我们不能只是被动适应，更应主动思考：人类如何在不断变化的技术格局中，重塑自我定位与存在意义？
AI不再只是工具，而正在成为平等的伙伴，甚至进化为可承载无限记忆与经验的超级智能体。而人类，虽然受限于遗忘与有限生命，却也因此保有新生的能力与独特的创造力。遗忘不是缺陷，而是助力我们不断更新自我、保持灵感流动的优势所在。AI的“幻觉”也不只是错误，而是对多重现实与潜在未来的模拟，是一面镜子，让我们去伪存真，洞察自身认知的盲区与局限。
在AI的辅助下，我们不仅要做信息的接受者，更要成为知识的创造者。以AI为工具，以人类感知为核心，深度融合效率与体验，我们有机会实现从内容消费者到意义建构者的跃迁。在这场不断打破与重塑的浪潮中，只有保持开放、思辨与自省，我们才能真正拥抱变革，走向一个人机共生、智慧互补的未来。AI时代不是人类的终点，而是深度认知自我与拓展可能性的新起点。
]]> <![CDATA[拾人牙慧—关于提示词的洞察【李继刚】]]> https://monkeyfx.cn/article/1bb792f9-1aa0-80da-bec9-efcdbe32f878 https://monkeyfx.cn/article/1bb792f9-1aa0-80da-bec9-efcdbe32f878 Wed, 19 Mar 2025 00:00:00 GMT

1.从清晰表达迈向精准定义

在与大模型的互动实践中，我们逐渐认识到提示词的奥妙，并对其理解经历了一个不断演进的过程。最初，我们往往专注于如何清晰地表达意图，以期模型能够准确把握我们的需求。随着经验的累积，我们开始深入探索更精细的技巧，并最终领悟到，提示词的核心在于精准的表达以及对问题本质的深刻理解。

2.清晰表达是一切交互的基础

在初期的探索中，我们发现清晰表达是提示词有效性的基石。无论采用何种语法结构或预设框架，关键都在于能否准确地将我们真正期望的结果传达给模型。那些所谓的进阶技巧和复杂框架，都只是辅助工具，只有清晰的意图才能引导模型产出有价值的回应。
我们观察到，仅仅复制和粘贴他人的提示词是远远不够的。真正的关键在于理解这些提示词背后的“意”，即清晰表达。为了更好地理解这一点，我们可以将“清晰表达”分解为两个核心问题：我们需要表达什么，以及如何清晰地进行表达。

2.1 我们需要表达什么：输入是输出的先导

对于“我们需要表达什么”，我们的经验是遵循“read in, prompt out”的原则。核心经验浓缩为一句关键原则：清晰表达。为了深入理解“清晰表达”，我们可以将其拆解为两个核心问题：表达什么和如何清晰表达。要实现高质量的输出（prompt out），首先必须有充分的输入（read in）和积累。将输入比作“因”，将输出比作“果”，强调“因在前边”。
所以高质量的输出往往源于充分的信息输入和知识积累。这里的“输入”并非仅仅指阅读书本，更涵盖了与世界的广泛互动，例如参与行业交流、体验不同的生活环境等等。重要的是，我们要对这些输入的信息保持敏感，进行思考、内化和抽象，最终构建起我们自身的知识体系和认知框架。
我们注意到，优秀的提示词往往带有独特的印记，这正是源于每个人独特的输入和长期的经验积累。如果我们的头脑空洞，缺乏相关的知识储备，自然难以创造出有价值的提示词。只有当脑海中的想法足够清晰时，文字才会迫不及待地涌现出来。因此，持续地学习、总结和提炼信息，构建我们自己的知识内核，是提升提示词质量的关键一步。

2.2 如何清晰地表达：框架是辅助，理解是核心

在拥有清晰的“内核”之后，如何将其准确地传达给大模型就显得至关重要。我们观察到，结构化提示词在一定程度上能够帮助我们组织思路。各种提示词框架本质上是预设了描述事物的不同角度，使用者只需根据具体的场景进行填充。这些框架在无法直接将脑海中的想法传递给模型时，提供了一种有效的解决方案。
然而，我们逐渐认识到，框架仅仅是工具。更重要的是对我们想要表达的事物本质有着深刻的理解。如果提示词的效果不尽如人意，我们不应该仅仅在表面的词语上进行调整，而更应该反思我们自身的思考过程，审视我们想要表达的内容是否足够清晰，以及我们使用的文字描述是否与我们脑海中的想法真正契合。最终，词语的选择和变化是由我们大脑内部的认知和表达的偏差所决定的。
与大模型进行对话的过程本身也是一个学习和思考的过程。我们发现，当脑海中有一个清晰的画面时，对话能够帮助我们更深层次地理解；而当脑海中是一些模糊的概念时，对话则能够引导我们逐步将其变得清晰。

2.3 Prompt作为咒语的思考

将Prompt类比为咒语，是连接人类思想与AI计算空间的桥梁。我们需突破传统观念，将其从工具认知转变为存在认知，从而开启更多创新应用的可能性。

3.提示词之术：掌握关键技巧

在实践中，我们总结了三个核心技巧，可以将其视为提升提示词效果的“三板斧”：分配角色、提供示例和运用思维链。

3.1分配角色：赋予模型特定的身份

我们发现，在提示词的开头指定模型扮演某种角色，往往能够显著提升其输出的质量。即使只是简单地声明“你是一位[角色]”，模型也会在后续的互动中展现出与该角色相关的知识、语言风格和思考方式。这相当于为模型注入了特定的行为模式。
然而，我们也注意到，对于一些非常专业或独特的角色，模型可能缺乏足够的理解。在这种情况下，我们需要对角色进行更详细的描述，包括其背景、职责和期望等，以便模型能够更好地理解并扮演该角色。

从单向指令到共振交互

以往编写Prompt多为单向下达指令，如今发现将大模型视为存在的主体，通过塑造场景营造氛围，能激发其计算倾向，实现类似共振的效果。如在小说创作中，设定特定场景和角色，让模型在该场景中自由发挥，可获得更出色的创作成果。改变场景中的关键元素，如年龄等，会显著影响输出结果，展示出共振式Prompt的强大和灵活性。

3.2提供示例：通过案例引导模型学习

当我们需要模型遵循某种特定的结构或方法，但难以用语言清晰描述时，“提供示例”便成为一个非常有用的技巧。通过直接展示我们期望的输出结果或行为模式，我们可以引导模型学习并模仿其规律。这是一种有效的方法，能够弥补语言描述的不足。通常情况下，结合清晰的描述和具体的示例，能够获得比单独描述更好的效果。

3.3运用思维链：引导模型逐步推理

我们观察到，在提示词中加入类似“让我们一步步思考”这样的引导语，常常能够对模型的输出产生积极的影响。思维链（Chain-of-Thought，COT）技巧鼓励模型将其思考过程分解为多个中间步骤并展示出来，这不仅增加了推理过程中的信息量，也使得最终的答案更具逻辑性和可解释性。

4.压缩表达：追求精准与效率

在对清晰表达和核心技巧有了一定的理解之后，我们逐渐认识到“压缩表达”的重要性。我们发现，虽然清晰地表达想法是必要的，但有时过于冗长的描述反而会影响模型的理解和效率。通过不断地将想法从段落提炼到句子，再精简到词语，甚至尝试用更少的文字表达更丰富的含义，往往能够获得更好的结果。
“得其意，忘其言”。语言只是表达的工具，有时甚至是障碍。真正想要传递的是脑海中那个“意”，而通过不断地凝练语言，可以更直接地触达那个“意”。这并不是随意地尝试不同的词语，而是有其内在的逻辑和机制。
压缩表达的核心在于追求表达的精准性和凝练性。为了用更少的文字传递相同的信息，我们需要更加精确地思考，找到最核心、最关键的表达方式。同时，更短、更凝练的表达也更符合模型内部的注意力机制，使得模型能够更集中、更全面地理解我们的意图。
当然，实现精准和凝练的前提仍然是我们对所要表达的内容有着清晰的理解，这需要持续的学习和实践。
压缩的同时引入创新
以压缩概念为例，从最初简单定义到通过与 AI 对话深入探讨，不断迭代，最终得出压缩是对差异编码等结论。在编写过程中，可采用让 AI 批判错误答案、引入不同观点等方法，逐步引导出更深刻的理解。

5.重新定义提示词：表达的本质

起初，人们将Prompt视为一种编程方式，试图将编程思想和工具方法融入其中，使自然语言更接近编程语言。但随着实践的深入，发现Prompt更类似于写作。在写作中，措辞的微妙变化可能导致效果截然不同，这与编程中逻辑脉络清晰可见的特点形成鲜明对比。
最终，我们对提示词的本质进行了更深入的思考。我们认为，提示词的本质在于“表达”，而不仅仅是“沟通”。“沟通”往往包含一个来回的过程，而提示词是我们发出的初始指令，是我们个人意图的表达。
表达其实就是让符号产生意义的活动，从“表达”的角度来看，核心问题就从如何运用技巧转变为：什么是有效的表达？什么是更优的表达？以及如何实现更优的表达？
notion image
我们借鉴相关理论，将表达分解为三个关键要素：本意（我们想要表达的核心想法）、文意（我们选择的语言符号）和解意（模型对我们表达的理解）。本意和解意之间存在一个“德尔塔” (delta)，也就是差异。这个差异就是误会产生的地方，也是为什么我们写的提示词，模型回答的东西不是我们想要的原因。区别在于模型解读的东西和我们的本意不是一个意思，两者差异过大。
“本意”是如何产生的？任何一个想法的产生都由三个要素构成：
  1. 经验 (Experience): 必须有亲身的体会，例如被烫过的经验，才能真正理解“烫”的含义。
  1. 词汇 (Vocabulary): 必须有词语来映照你的经验。不同的语言对同一概念的细分程度不同，会影响我们感知和表达的细微差别.
  1. 对原理的理解 (Understanding of Principles): 不仅要知道词语这个符号，还需要理解其背后的原理，例如知道 Embedding 和 Attention 的工作机制。
只有具备这三个要素，脑海中才能真正产生一个清晰的想法。有了清晰的想法，再选择合适的符号（本意）将其传递给对方，使对方解读后的意思与自己的本意之间的差异变得很小甚至没有误差，这样表达就完成了。这就是“清晰表达”的深层含义。
解决清晰表达问题应该从这三个意入手，大模型 (Large Model)智能水平体现在对你输入的“本意”进行“解义”的环节。这是影响模型输出效果的第一个也是最重要的要素，另外两个排序先是“本意”，其次才是“文意”。提示词的目标在于尽可能缩小我们的本意与模型最终理解之间的差距，甚至可以使用一些结构化框架，文科生和哲学系的学生在这方面可能具有一定的优势。而本意的形成则依赖于我们的经验、词汇以及对相关原理的理解。
从“表达”的视角审视模型的输出，我们认为其效果受到模型自身能力、我们对任务的理解以及提示词本身质量这三个方面的影响。提示词本身对应着“文意”层面，是我们能够直接控制和优化的部分。

6.提示词的心法：理解模型的能力边界

为了更好地指导提示词的实践，我们借鉴了心理学中的乔哈里视窗模型，并将其应用于提示词的场景中。我们将“对方是否知道”替换为“AI是否知道”，从而将提示词的应用场景划分为四个象限：
notion image
  • 第一象限：我们知道，AI也知道。 针对常见的概念或知识，直接提问即可，无需过多的背景描述或铺垫。
  • 第四象限：我们知道，AI不知道。 对于我们独有的知识或方法，需要将这些信息“喂”给模型，例如通过提供示例、嵌入相关数据或直接定义特定的术语和概念。详细的角色描述和背景介绍在这种情况下非常有效。
  • 第二象限：我们不知道，但AI知道。 在这个领域，关键在于如何提出高质量的问题，以便能够从AI那里获取我们可能不知道的知识，并提升我们的思考层次。
  • 第三象限：我们不知道，AI也不知道。 这代表着人类和AI都尚未探索的领域。
我们发现，使用乔哈里视窗的视角来分析各种提示词技巧的适用场景非常有效，能够帮助我们理解为什么某些技巧在特定情况下有效，而在另一些情况下效果不佳。

象限x、y轴的变化趋势

编写Prompt时需考虑大模型本身和任务等因素。随着时间推移，x轴（AI知道与否）将快速下移；y轴（人类知识范围）则可能向左扩展，部分人通过与AI交互，实现思维加速，知识范围扩大，部分人则会停滞。

Prompt 写作的演变：从描述走向定义

我们观察到，提示词的写作趋势正在经历一个从详细描述到精准定义的转变。早期的提示词往往冗长而复杂，试图通过叠加各种细节来引导模型。然而，我们逐渐发现，简洁而直接的提示词往往能够取得更好的效果。这促使我们尝试抛弃过多的描述，直接抓住事物的本质，用更精准的语言来定义我们想要的结果。

使用类似LISP结构的原因

李继刚倾向于使用类似LISP的结构来编写提示词。这可能源于一个假设：大模型在对文本进行嵌入（Embedding）后，实际上是在处理向量数组。因此，通过特定的关键词组合，即使缺乏完整的句子结构，模型也可能能够理解我们的意图。LISP结构或许提供了一种更直接的方式来组织这些关键词，从而更有效地引导模型的理解。

关于“写不出来”和“没有想法”

对于经常遇到的“脑海中有想法但不知如何表达”或者“没有明确想法但想尝试提示词”的情况，我们的建议是相同的：“Read IN Prompt Out”。最终呈现给模型的提示词只是一个结果，而决定结果好坏的关键在于之前的准备和思考。如果缺乏想法，最好的方法就是去学习、去阅读、去积累，让新的知识和信息在脑海中碰撞出新的火花。

7.提示词工程师的画像

notion image
我们认为，一个优秀的提示词工程师可能需要兼具人文素养和技术理解。他们既需要具备清晰的表达能力和对语言的敏感性，又需要理解模型的工作原理，并能够根据实际情况不断优化提示词。这或许意味着，优秀的提示词工程师是那些能够将人文思考与技术实践相结合的人。
总而言之，我们对提示词的理解是一个不断学习和探索的过程。从最初对清晰表达的强调，到掌握各种实用技巧，再到追求精准的压缩表达和理解提示词的本质，每一步都加深了我们对人与AI交互的认识。保持开放的心态，勇于实践和反思，才能在不断发展的提示词领域取得进步。

8.Prompt的未来展望

8.1发展趋势与潜力

Prompt的编写方式将更趋自然，应用领域也将不断拓展。随着人们对大模型理解的深入，Prompt有望成为一种更加普及且强大的交互手段。在未来，我们可能只需通过简单的语音指令、甚至是一个眼神或手势（结合相关技术）就能向AI传达复杂的需求，获取精准且富有创意的回答。它将不仅仅局限于文字创作、信息查询等领域，更可能在医疗、教育、艺术设计等各个行业发挥变革性的作用。

8.2面临的挑战与应对策略

然而，Prompt的发展也面临诸多挑战。一方面，如何确保不同人群都能熟练运用Prompt与AI 进行有效沟通是一大难题，需要加强教育普及与用户培训。另一方面，随着Prompt应用的广泛化，可能会出现信息误导、滥用等问题，这就要求建立健全的规范和监管机制。同时，技术层面上，如何进一步提升大模型对Prompt的理解准确性和处理效率也是亟待解决的问题，这需要持续的科研投入和技术创新。但我们有理由相信，随着技术的进步和社会的发展，这些挑战都将逐步被克服，Prompt将在人类与AI的协同发展中发挥更加重要的作用。
 
附录：大神的短篇小说prompt
 
]]>