AI on 蔡大锅's Blog

新一代大模型调研指南：交叉验证 SOP

Wed, 30 Sep 2026 17:10:00 +0800

Jev：当模型放弃说话

Sun, 20 Sep 2026 18:50:00 +0800

AI Slop：当生成比阅读更便宜

Sun, 20 Sep 2026 16:42:00 +0800

AI 时代如何清晰思考 · 5 小时完整课程笔记

Sat, 19 Sep 2026 20:45:00 +0800

李沐首次 AMA 全记录：35 个问答，关于 AI 时代的职业、学习与方向

Thu, 17 Sep 2026 11:00:00 +0800

整理自 Datawhale 公众号《李沐：首次 Ask me anything 来了！》。原文以 9 张问答卡片发布，本文按主题重新归类为 7 个板块，问答原文保持原样，仅修正两处明显的录入错误（“多项项目”→“多做项目”、“赢弱”→“羸弱”），并统一了标点与断句。

背景

距离李沐上次公开露面，已经过去很长一段时间。这一次，他直接开启 AMA，密集回答网友提问。

本次 AMA 涵盖 AI、编程、职业选择、学习路径和研究方向等多个话题，共 35 组问答。下面按主题重新梳理，帮你判断：现在在 AI 领域最值得投入的，究竟是什么。

速览：八条主线判断

主题	李沐的判断	关键词
岗位选择	Agent 应用岗缺口最大；Infra 与算法岗招人的公司少、但门槛高	应用 > 研究
学历与年龄	越到职业后期学历越不重要；30 岁、40 岁入场都来得及	长期主义
学习方式	先用 AI 做点事情，每天找一个 topic 问 20 个问题	先动手
编程能力	编程还是要学，但重心从"写代码"转到"review 代码"	看得懂
Agent 定位	Agent 是能力放大器，是 ×10，不是 +10	放大效应
研究方向	找 niche 但有兴趣的方向；技术迭代快，很多地方做得不够细	差异化
多模态	人和 Agent 的交互靠多模态，但能否提升智商业界不一致	交互入口
具身智能	短期一定有泡沫，长期是自然方向，但落地周期可能很长	长周期

一、职业与岗位：锚定"缺口"，而不是"光环"

岗位缺口分布不均——越偏应用、越靠近产品落地的岗，需求量越大；越偏底层和研究的岗，招人的公司少，但门槛更高。如果你已经工作、又想做研究，他的潜台词是：不必卡在"研究员"这个头衔上。

Q：想转工作方向，AI 这方面现在还缺 AI Infra 的开发人员吗，以及 AI 算法岗和 AI Agent 岗位哪个缺口更大呢？我现在参加工作了，还有可能成为 AI 研究人员吗？

李沐：agent 这一块偏应用一点，肯定工作岗位更多。infra 和算法呢，相对来说，可能需求的公司会少一些，但门槛也高一些。

Q：对于刚毕业的 CS 程序员，职业发展上需要往哪方面走来提升自己呢？一年前和现在的程序开发变化太大了。

李沐：先试着利用 agent 能够最大化自己的生产力吧，让自己把这个工具用的很溜再说。

Q：请问一下，作为一个 solo 开发者，有限的精力应该优先拿来验证「这东西值不值得做」，还是先沉下心把产品打磨到能用的水平？在方向不确定的情况下，什么信号说明该继续，什么信号说明该换方向呢？

李沐：先找朋友看看，他们能不能用起来吧。

Q：leetCode-type 的 code 考核还有必要特意考核 / 准备吗？

李沐：很多公司还是面，而且得不要让人怀疑是用 AI 写的。

二、学历与年龄：都不是关键变量

这是全场信息密度最高的一段。三个问题都指向同一种焦虑——“我起点不够好/年纪太大了”，而三个回答指向同一个结论：时间不是壁垒，起点也不是，真正的问题是你到底有没有沉下去。

Q：对于非天才的普通人来说，AI 算法研究的未来在哪里？

李沐：我觉得做 AI 算法的人，大部分也是普通人吧。

Q：我 30 了还没深入，想要大家的鼓励，想深入 AI 应用构建真实需求，可以鼓励下我吗？

李沐：四十岁了都来得及，三十岁我觉得没问题。

Q：我是一个国内双非本科就读人工智能专业的学生，如今在一家机器人公司内实习，在此期间深刻感受到就业市场对 AI 技术岗的学历要求，因此有点焦虑是否自己对未来自己的岗位定位的期望过高，我的学历是否还能不能支撑我进入这个行业。我在整个大学期间的专业学习都高度依赖 AI，三年过去觉得自己好像什么都没学到，进入真正工作上对自己的定位也无所适从，觉得如果自己所有工作都使用 AI，那是否这个岗位换了谁都可以干，作为没有学历优势在技术上也没有很深度理解的预备役牛马，应该把自己放在一个什么样的生态位，在 AI 帮我完成项目的同时我应该把学习方向放在哪，我应该把自己的重点放在哪里？

李沐：我觉得学历可能不是最关键的，越到职业的后期，学历可能越没那么重要。但如果你都觉得自己过于依赖 AI，没学到什么东西，这一点可能更加重要一点。至少先了解 AI 完成的工作，他在背后到底在干什么事情？

Q：AI 普惠教育，买学区房岂不是写死了？

李沐：好的教育资源总是稀缺吧，学区房可能还是有存在的必要的。

三、学习方式：先用起来，再往深走

对"该怎么学 AI"“该学什么语言"“该到什么程度"这类问题，他的回答高度一致：不要先规划路径，先用 AI 做一件具体的事。 唯一的例外是涉及底层原理时——那时他明确说"学习还是有必要的”。

Q：作为 CS 本科生，有限的几年时间，最应该打磨自己的什么能力呢？

李沐：我觉得是多做项目吧，在实践中能够更多的体会。

Q：AI 时代是应该深耕一门技术，追求深度，还是追求深度的同时保持一定的广度？

李沐：我认为是深度优先。先把一件事情做深了，然后再尝试看做另外一件事情，去做广。

Q：老师！您觉得非人工智能专业的想接触 AI，vibe coding 类的技能可以从哪里学起呢？有没有推荐的资源平台？

李沐：用 AI 做个项目看看？

Q：非计算机专业的学生如果想学习 AI，需要学习相关知识到什么程度呢，老师推荐什么样的学习路径呢？

李沐：先用 AI 做点什么事情吧。

Q：大神您好，恳请您回答一个文科生该如何面对未来不确定的一切，AI 可以取代一切，请问文科生想要学习金融相关领域，想要深耕量化分析，该如何利用 AI？又该如何拥有自己的核心竞争力？请问我需要学习编程吗？

李沐：我觉得可以试试，每天找一个 topic，然后跟 AI 问二十个问题。

Q：如果个人想要训练自己专属的小模型，或者从零开始搭建神经网络，现在还有必要学习几年前的哪些技术吗？

李沐：我觉得学习还是有必要的，至少自己要理解这个后面是怎么工作的。

四、编程还要不要学：要，但学的是"能 review”

这是本次 AMA 里最容易被误读的一组。他的立场不是"AI 时代不用学编程"，而是编程能力的作用点迁移了：从"自己写"变成"看得懂、能 judge、能拦住 AI 的低级错误和绕远路的设计"。三组问答，三次强调同一件事。

Q：沐神，我也想问现在还要不要学编程。刚读研，可以全程用 AI 做项目了，根本用不上我那羸弱的编程能力，我还需要去训练编程吗？

李沐：目前来看，编程还是要学的。你可以不用写代码，但是得 review 代码，至少能够看得懂 AI 写的代码在干嘛。

Q：我感觉虽然有些事情我可以交给 AI 做了，但是我还是会搞清楚整体架构、过程，让它解释为什么这样做，我觉得这样用 AI 才是加速自己学习同时提升效率过程。不过我确实在想这个时候去学其他编程语言，比如不太熟悉的 C 语言会不会必要性不大？

李沐：目前来看，能够熟悉一个语言就行了吧。人的工作现在主要是给 AI review 一下代码，防止他犯一些很低级的错误，或者整个设计上是绕了没必要的弯路。

Q：老师，以前读研的时候最喜欢你的论文精读系列了，现在想问一下，在 AI 时代我应该怎么学习呢？应该怎么转行呢？尤其是我现在想跨行业转行，想从纯软件转到 AI 计算 / 推理加速，这里甚至我要重新学习编程语言，但是现在又觉得仔细学习编程语言是无用的。

李沐：学编程语言是有用的。至少得看得懂代码吧，能够给 AI 好的反馈。

Q：我目前是 CS 本科生，在一个做具身智能的组里干活，但我发现自己做任务的时候特别依赖 AI，经常是跟 Codex 和 GPT 网页端换着聊，GPT 给方案，Codex 负责执行。我大部分时间都是在努力理解 GPT 给出的思路，偶尔能看出它有点绕远路，但基本做不到主动去「引导」AI 朝某个方向走。这让我感觉自己没起到真正做研究的作用。想问问这种情况怎么办？本科生在科研起步阶段，面对这种高度依赖 AI 的状态，应该怎么调整呢？

李沐：我觉得不是问题吧，就是你这一块不算熟嘛。你做深一点之后，知道哪些方案 Agent 试过，哪些 work 哪些不 work，踩过坑了，你自然会在这一块会理解深一些。

五、Agent 与人的边界：放大器，不是替代品

有一个提问者给出了很漂亮的判断——“硬实力差距因为 agent 缩小，软实力相对价值被放大”，李沐的回应是全场最凝练的一句比喻。他还补了一条容易被忽略的社交规则：别让人看出来你的消息是 AI 写的。

Q：硬实力差距因为 agent 缩小，软实力相对价值被放大。执行力、社交能力、分层的逻辑能力，变得尤为重要。本质上什么能力能让人更快地发现问题、分解问题，什么能力就重要，而具体的细节知识 agent 比人强，没必要去肌肉碰钢铁。你觉得呢？

李沐：agent 是能力放大器，就是能力 ×10，而不是加法器，不是能力 +10。

Q：AI 大公司的技术服务部门：该怎么加强和技术同学的沟通能力，怎么用 AI 帮忙呢？

李沐：你可以让 AI 来帮你提供一些建议，或者说帮你跟之前的跟别人的沟通做一些 review。但人与人的交互，主要还是人上。我看很多人是讨厌别人用 AI 来回复的。

Q：如果 AI 越来越强，很多工作都会被替代，那人该怎么办？

李沐：我比较相信人对环境的适应性吧。就算 AGI 来了，人总是能找到自己能做的事情。

Q：五年前我就是看了您的视频开始了 AI 生涯。想请教一下老师看好 AI 翻译这一领域吗？文本翻译是 LLM 的得意领域，但生活化场景的翻译又带来了多模态和低延迟等挑战。在老师看来，随着模型能力的发展，AI 最终能够做到帮助全人类跨越语言障碍吗？

李沐：我觉得 AI 翻译肯定是能够替 99% 替代人的。

六、研究方向：找 niche，别追热

被问到"哪个方向值得投"时，他不给清单，只给方法：避开人多的赛道，找窄而你真的有兴趣的口子。 理由是技术跑得太快，很多地方根本没做细。同时对具体领域给出了相当坦诚的降温——AI compiler 是小众，3D/4D 他自认不是专家，物理世界尚未解决。

Q：现在入场的话，还有什么值得投入的研究方向吗？

李沐：可以找 niche 一点的，但有兴趣的方向去研究吧。目前我看到就是技术发展的很快，所以很多地方其实是做的不够细的。

Q：大佬觉得 AI compiler 是否是一个值得投入精力学习的方向，以及学习重点应该是什么？

李沐：这是一个偏小众的方向，做的团队不多吧。如果你能找到合适的团队，还是挺有意义的。

Q：我目前在 3D&4D 场景理解和生成之间犹豫。现在模型发展和更新太快，也担心自己的工作很快被更大模型覆盖。您觉得年轻研究者应该如何选择长期方向，并建立真正属于自己的积累？

李沐：目前做的还很浅吧。我也不算这一块的专家，但我觉得不管是 AI 也好，还是别的专门做这个的，我觉得离真正的现实场景的理解和生成还蛮远的。

Q：大佬觉得 AI 能本质上解决 physical world 的问题么？对于物理世界来讲，数学和 CS 领域太干净了，反馈太及时了，这两个领域感觉 AI 已经一统江湖了。

李沐：应该还没有吧。但是这一块确实有很多 lab 和公司在做。

Q：想问问李老师，LLM 的未来会往哪个方向发展，当前的哪些研究方向是您比较认为重要的？

李沐：我认为，目前来看，就是模型在沙盒里面运行，自我成长。包括 sandbox 里执行代码，macOS 上 computer use，以及各种新出来的世界模型里面运行。

Q：沐神，LLM 会吞噬掉哪些 harness，harness 有哪些不可替代，二者边界会在哪里？

李沐：我的看法是，目前 harness 里面有效的东西，下一代模型应该会被吞掉，但是下一代模型可能又出现一些需要新的 harness 的地方。

Q：想问一下老师怎么理解 RSI 吗？感觉大家都说 RSI，但是做的都不太相同。

李沐：我们也做 RSI，但确实大家的理解都不太一样。能有效使用 AI 来参与迭代模型能力都可以号称 RSI 吧。例如简单的，用 AI 来洗数据再来训练 AI。

Q：沐神怎么看未来 AI 能力越来越强之后，alignment 的研究是否会某种程度上脱离实际，我们可以用什么心态来准备？

李沐：我的体感也是，最近几代模型的更新，它的 alignment 都是提升智商，所以它出的那些报告啊，人基本不太看得懂。

七、多模态与具身：方向对，节奏要放长

最后一组问答里，他给多模态找到了一个不依赖"提升智商"的立足点——它是人和 Agent 之间的交互通道；而对具身智能，他给了一个很清醒的判断：方向是自然而然的（白领之后必然是蓝领），但短期有泡沫，长期落地周期可能像无人驾驶一样漫长。

Q：沐神如何看待多模态的未来？

李沐：多模态肯定是 AI 和人交互的一个重要的途径。但确实，多模态能不能提升模型的智商，目前是大家观点不一致。所以很好几家大厂把多模态的优先级调低了。

Q：请问您如何看待未来多模态的发展趋势？目前市场更倾向 agent，还要继续坚持做多模态吗？

李沐：我觉得多模态没问题啊，人和 agent 的交互，是靠多模态。

Q：沐神你好，请问 VLM 现在看来是不是已经进入局部低谷了呢，今年的秋招看起来工业界完全不需要这块，是否 VLA 会更值得探索呢？

李沐：实用角度来讲，还挺多的吧？人与 agent 的交互之间，用 vision 还是挺多的。

Q：您觉得具身领域会是泡沫吗？未来的具身行业是否可能真正落地并发展？

李沐：短期看，肯定是有泡沫的。但这是一个自然的方向，因为 AI 做了白领的工作之后，就是要做蓝领的工作。但确实说具体什么时候能够落地，真正的发展起来，很有可能也是一个漫长的时间。就像无人驾驶，花了多少时间？

Q：沐神怎么看待具身智能的未来发展？

李沐：目前来看，没有别的更 promising 的方向的话，我觉得这个挺好的。

八、可以带走的六条判断

如果只记六句话：

岗位往应用走——Agent 岗需求最大，infra 与算法岗门槛更高、招人更少；
时间不构成门槛——30 岁、40 岁入场都来得及，学历在职业后期权重递减；
学编程的目的变了——从"自己写"变成"看得懂、能 review、能拦住 AI 绕远路"；
Agent 是 ×10 不是 +10——它放大你已有的能力，而不是替代你；
学习靠 ask——每天找一个 topic，跟 AI 问二十个问题，比先规划路径有效；
选方向选窄的——找 niche 但有兴趣的口子，因为技术跑得快，很多地方做得不够细。

出处与说明

原文：Datawhale 公众号《李沐：首次 Ask me anything 来了！》
原文链接：微信公众号文章
发布时间：2026 年 9 月 16 日（原文正文由 9 张问答卡片组成，共 35 组问答）
整理说明：本文为二次整理，问答文字为原文转录，仅修正两处录入错误并统一标点；未对观点作任何增删或改写。

2026外滩大会看展手记

Wed, 16 Sep 2026 19:37:00 +0800

用提示词让 AI 给你部署一个 Hugo 博客

Thu, 03 Sep 2026 22:30:00 +0800

背景:一个程序员的决定

我有台腾讯云服务器,上面跑着我的 AI 助手 Hermes。最近想搭个博客写点东西,按老路子:查文档 → 装环境 → 抄配置 → 反复试错,一个周末就没了。

这次我决定换个玩法:把部署这件事,完整地交给 AI。

提示词长什么样

核心思路是把一段部署任务写成"规格说明书",而不是"对话"。关键要素:

1
2
3
4
5


1. 明确范围:只做环境搭建,不生成、不发布任何文章
2. 逐条步骤:安装 → 建站 → 主题 → 配置 → 部署脚本 → 冒烟测试
3. 硬约束:sudo可用但不做全量升级;预览只绑127.0.0.1
4. 禁令清单:不碰指定目录、不改无关配置、不起常驻进程
5. 验收清单:每一步的产出物和自检项

这份"说明书"发出去之后,AI 做了什么?

AI 实际做了什么

整个过程我只发了一条消息,剩下的全是它自己跑:

环境探测:先查自己是什么用户、网络通不通、工具装没装——像人类工程师接到任务先摸环境
下载安装 Hugo:GitHub 直连断流,它自动切换镜像源,下了 3 个镜像才成功
版本踩坑:最新主题要求 Hugo ≥ 0.146,而最新 Hugo 0.152 又要求 glibc ≥ 2.32(系统只有 2.31),它自动降级到 0.146.0,刚好同时满足两边
Git Submodule 修复:submodule 添加失败后,它自己重建仓库、补 commit、重新注册
冒烟测试:构建、部署、验证产物,输出自检清单

全程零人工干预。中途有一步它的删除操作触发了安全确认,我回了个"确认删除",其余时间我都在干别的。

挂载与发布

博客建好后,我又说了一句"按你的想法挂到 nginx 上",它:

备份 nginx 配置 → 加 location /blog/ → 语法检查 → 平滑重载
第一次测试发现 CSS 404(正则 location 抢了前缀 location 的流量),自己定位、自己修、复测通过
验证了博客、原有站点、HTTPS 证书三件事都没被影响

然后我让它写这篇文章,发布,你现在看到的就是结果。

思考:部署这件事,变天了

这件事给我的触动比博客本身大。

从"操作机器"到"描述意图"

传统部署,我们的工作对象是命令和配置文件:背参数、抄文档、改一行测一次。现在的对象变成了意图和约束:我要什么、不要什么、边界在哪。

你会发现写好提示词的功夫,和写好运维手册的功夫是同一种功夫——只是消费者从"实习生"变成了"AI"。

验收思维比执行思维更重要

AI 时代,执行成本趋近于零,判断力成了稀缺资源。这次任务里最有价值的不是那些命令,而是:

“不做全量升级”(防止它顺手 apt upgrade 搞挂环境)
“只绑 127.0.0.1”(防止预览服务暴露公网)
“不碰 weekly-review 目录”(防止误伤已有服务)

约束写得越清楚,结果越可控。 这和带新人是一个道理,只是 AI 执行得更快,错得也更快,所以围栏必须更明确。

安全模型也要升级

有意思的是,这次 AI 在删除文件时主动停下来要我确认——因为之前我给它立过规矩:删除必先问,改文件先备份。这相当于给 AI 配了一套"变更管理流程"。

以前我们防的是人误操作,现在还要防 AI 过度自信。信任但要确认(trust but verify)从管理原则变成了技术架构。

试错成本的重定价

镜像断流、glibc 版本冲突、CSS 404——搁以前任何一件都够我折腾半小时。现在 AI 用几分钟的自动重试和降级搞定了,而且每次修改前都留了备份。

当试错变便宜,就该把决策前置、把验证做厚:验收清单(自检项)就是新的"测试用例"。

写在最后

这篇博客本身就是一次演示:从提示词 → 环境搭建 → 挂载上线 → 文章发布,一条链路全程 AI 完成,人只负责三件事:定边界、给确认、验结果。

AI 时代,部署测试的方法升级了,本质上是一次分工转移:

	以前	现在
人的工作	敲命令、抄配置	写规格、定约束、验结果
工具	手册 + 终端	提示词 + Agent
核心能力	记得住参数	说得清意图
安全保障	小心谨慎	制度化的确认与备份

机器越来越会干活,人越来越像架构师。转换思路,把自己从执行者挪到设计者的位置上——这是这半天折腾给我的最大收获。

本文由人类口述意图,AI(Hermes)执行部署并起草,人类审核定稿。

17岁少年的AI冒险：从焦虑到梦想成真

Fri, 20 Mar 2026 10:15:00 +0800

刚才和@yzhang_cs一起研究模型架构改进，妈妈打电话来说"生日快乐"，我才意识到自己已经17岁了。真是不可思议的一年……

📖 前言

这是AI时代的一个真实故事，也是一个17岁少年的冒险之旅。从高考焦虑到帕洛阿尔托，从一条推文到加入Kimi团队，他在AI变革的浪潮中抓住了机遇，勇敢地走出了自己的道路。

🌊 一、时代的机遇

AI技术变革的时代

2026年，AI技术正以前所未有的速度发展：

大模型能力突破：LLM推理能力持续提升
技术民主化：Gemini、开源模型让学习门槛降低
研究机会涌现：模型架构研究、Agent开发遍地开花

年轻人的新机会

过去，前沿技术研究只是大公司的专利。现在：

论文触手可及：arXiv让每个人都能读到最新研究
AI辅助学习：Gemini等工具帮助理解和消化知识
社区连接全球：Twitter让全球的AI爱好者连接在一起

这个时代，给年轻人前所未有的机遇。

😰 二、起点的焦虑

去年二月的迷茫

那时的我，和所有高三学生一样：

为大学焦虑：如何进入一所好大学？
未来模糊不清：不知道自己想做什么
压力巨大：传统升学路径的重担

第一次转折：接触AI

三月份，我开始接触机器学习：

每天都在下载论文
把论文上传到Gemini
向它提出无数问题
在学习中慢慢找到方向

第一次冒险：发出推文

因为发了关于AI的推文，意外地加入了**@tildesearch**。

这是第一次真正接触AI社区，看到了更广阔的世界。

✈️ 三、勇敢走出去

决定飞往帕洛阿尔托

学校一结束，我就飞了过去：

当时只有16岁，独自一人
海关对我进行了三次检查
最终在帕洛阿尔托待了两个月

独自面对的挑战

语言障碍：

英语不是母语
需要快速适应

文化差异：

陌生的环境
不同的生活方式

研究压力：

参与前沿的模型架构研究
与顶尖团队合作
快速学习和适应

两个月的成长

虽然困难重重，但我：

打开了眼界
提升了能力
明确了方向

🚀 四、机遇再次降临

十月的惊喜

当我终于准备重新回到高三生活时，@Kimi_Moonshot联系我，邀请我加入他们的扩展团队。

这是梦想成真的时刻。

来到北京

现在，我在北京已经待了一个月：

和一群了不起的人一起工作
从事有趣的模型架构工作
每天都在学习新东西

真正的热爱

现在，我终于能体会到：

因为一个想法兴奋得睡不着觉
早上醒来充满精力
期待学习新知识
渴望提出新想法
迫切想要进行实验
不断提出问题、寻找答案

💪 五、努力与选择

我的努力路径

回顾这一年，我的选择和努力：

1. 勇敢迈出第一步

从焦虑转向学习AI
主动下载论文、提问
发出推文，加入社区

2. 抓住每一个机遇

@tildesearch的机会
帕洛阿尔托的邀请
@Kimi_Moonshot的offer

3. 勇敢走出去

16岁独自飞往帕洛阿尔托
面对困难和挑战
在探索中成长

4. 坚持自己的道路

不走传统升学路径
追求自己的热爱
在AI领域深耕

🌍 六、时代、机遇与个人努力

AI时代的变革

技术变革：

AI能力持续突破
应用场景不断扩展
研究机会遍地开花

机遇开放：

技术民主化
开源生态繁荣
学习门槛降低

个人努力的重要性

在这个时代：

机遇是公平的：每个人都能接触到前沿技术
选择是关键：敢不敢迈出第一步？
努力是基础：持续学习、不断成长
勇气是必要：走出去，才能看到更大的世界

家庭条件的思考

每个人的起点不同，但：

AI时代降低了门槛：不需要名校背景，不需要巨额投资
开源提供了平等机会：每个人都有学习的权利
技术工具是免费的：论文、代码、模型都能自由获取

只要努力，就能抓住机遇。

🙏 七、感恩之心

对一切心怀感激

回顾这不可思议的一年：

感谢AI时代给予的机遇
感谢@yzhang_cs一起研究
感谢@tildesearch的邀请
感谢@Kimi_Moonshot的信任
感谢遇到的每一个人
感谢家人的支持
感谢自己的勇敢和坚持

现在的我

17岁，站在新的起点：

有了清晰的方向
有了热爱的领域
有了了不起的伙伴
有了无限的可能性

🎯 八、给同龄人的建议

1. 抓住AI时代的机遇

学习AI技术：

从基础的Python开始
学习机器学习和深度学习
了解大模型的原理和应用

参与AI社区：

在GitHub上贡献代码
在Twitter上关注AI动态
加入开源项目

2. 勇敢走出去

不要怕犯错：

年轻就是最大的资本
每次错误都是学习机会
舒适区之外才有成长

拥抱挑战：

接触新的领域
尝试不同的项目
连接不同的人

3. 找到自己的热爱

探索不同方向：

模型研究
Agent开发
AI应用
工具开发

坚持做下去：

热爱需要时间培养
成功只是结果
成长才是目标

4. 保持谦逊和感恩

向他人学习：

每个人都有值得学习的地方
保持开放的心态
主动寻求帮助

帮助他人：

分享你的知识
帮助新人的成长
在帮助中成长

🔮 九、未来的展望

AI技术的未来

AI技术还在飞速发展：

模型能力会更强
应用场景会更广
机会会更多

我的未来

继续在AI领域：

研究更先进的模型架构
开发更有用的AI应用
帮助更多的人抓住AI机遇

17岁的起点

站在17岁的起点：

我有AI这个强大的工具
我有无限的可能性
我有明确的梦想和目标
我有了不起的伙伴

📊 总结

这是一个关于17岁少年的AI冒险故事：

关键要素

时代的机遇：

AI技术蓬勃发展
技术民主化
开源生态完善

个人选择：

勇敢迈出第一步
抓住每一个机遇
坚持自己的梦想

成长路径：

从焦虑到学习
从学习到实践
从国内到国际
从学生到研究者

核心感悟：

在AI时代，年龄不再是限制。机遇属于那些勇敢追梦、努力付出的人。只要勇敢走出去，世界会给你惊喜。

给读者的寄语

无论你多大年纪，无论你的起点如何：

抓住AI时代的机遇
勇敢追逐你的梦想
保持学习和成长的热情
对一切心怀感激

你的人生，由你自己定义。

标签： #AI #个人成长 #机遇 #青春 #梦想

17岁，一切才刚刚开始。梦想，从来都不晚。

2026年大模型技术十大趋势

Fri, 20 Mar 2026 09:35:00 +0800

技术浪潮汹涌而至，2026年大模型技术将迎来哪些变革？从混合注意力架构到端侧智能体，从推理成本下降到多模态统一，本文为你深度解析十大技术趋势。

📖 前言

2026年，大模型技术正从技术探索迈向规模化应用。在算力突破、算法创新和场景落地的多重驱动下，AI技术将呈现全新的发展态势。本文基于行业前沿洞察，梳理出2026年大模型技术的十大趋势，帮助开发者和技术决策者把握技术脉搏。

🎯 一、混合注意力架构成为主流

技术演进

从传统的全注意力机制（Full Attention）向高效混合架构演进。

核心创新

线性注意力 + 标准注意力的合理配比，在维持长文本理解无损的前提下，显著提升Token效率。

代表模型

智谱GLM-5
蚂蚁百灵
多个国产开源模型

性能提升

长文本理解能力保持无损
Token效率提升50%以上
推理成本大幅降低

📱 二、端侧智能体爆发

硬件基础

手机、PC等终端设备的AI算力大幅提升，支持本地运行2-7B参数模型。

模型轻量化

2-7B参数模型成为主流
量化技术成熟（INT8、INT4量化）
模型压缩与蒸馏技术广泛应用

典型应用

智能个人助手
本地搜索与问答
隐私计算场景
离线AI应用

市场预测

端侧AI设备出货量将增长300%，成为AI应用的重要战场。

🖼️ 三、多模态理解统一

技术趋势

实现文本、图像、音频、视频的统一理解与生成。

核心能力

跨模态检索
跨模态生成
跨模态推理
多模态融合

应用场景

内容创作与编辑
智能教育辅导
医疗影像分析
视频理解与生成

代表模型

Google Gemini
OpenAI GPT-4V
国产多模态模型（Vidu、可灵等）

💰 四、推理成本大幅下降

技术驱动

量化技术：FP16 → INT8 → INT4
蒸馏技术：从大模型蒸馏出小模型
混合专家（MoE）：稀疏激活，降低计算成本

成本变化

API成本较2025年下降70%，推理成本不再是企业应用的拦路虎。

定价策略

Token定价战愈演愈烈，各大厂商纷纷推出更优惠的定价方案。

商业化影响

企业级应用门槛大幅降低，AI技术加速渗透到各行各业。

🤖 五、AI智能体生态成熟

开发框架

LangChain生态完善
AutoGPT等工具链成熟
开源框架竞争激烈

应用场景

代码开发与调试
数据分析与可视化
自动化工作流
智能客服

商业价值

减少重复劳动，提高生产效率**30%**以上。

市场规模

2026年全球Agent市场规模将突破1200亿美元。

📚 六、RAG（检索增强生成）成为标配

技术演进

从基础RAG到高级RAG，技术路线日益成熟。

核心能力

知识库检索
智能问答
数据分析
知识图谱融合

实现策略

向量数据库 + 大模型 + 知识图谱三位一体。

应用案例

企业知识库
智能文档分析
法律咨询
医疗诊断辅助

🔐 七、安全与可信AI

技术焦点

内容安全过滤
数据隐私保护
模型鲁棒性
可解释性AI

政策驱动

各国AI监管政策陆续出台，合规成为企业刚需。

技术方案

对抗训练
差分隐私
联邦学习
可审计AI系统

🌍 八、AI全球化与本地化并行

技术趋势

全球开源生态繁荣
本地化模型崛起
多语言能力增强
文化适配优化

代表力量

开源社区：Hugging Face、GitHub
本地化模型：各国本土化LLM
多语言模型：支持100+语言的模型

市场格局

全球化与本地化双轨并行，满足不同地区的需求。

🚀 九、AI芯片生态繁荣

硬件创新

专用AI芯片层出不穷
边缘计算芯片性能提升
存算一体化技术突破
光子计算等新兴技术

竞争格局

NVIDIA Blackwell
Google TPU v6
国内AI芯片厂商崛起

影响力

硬件性能突破推动软件算法创新，形成良性循环。

🎓 十、AI人才需求持续增长

人才缺口

全球AI人才缺口超过200万，供需矛盾加剧。

技能要求

大模型训练与调优
提示词工程
AI应用开发
AI伦理与治理

教育变革

高校开设AI相关课程，在线AI教育平台兴起。

📊 总结

2026年，大模型技术将在效率革命、智能体爆发、端侧普及三个维度迎来重大突破。对于开发者和企业而言：

关注架构创新：混合注意力、MoE等新技术
重视端侧部署：轻量化模型、量化技术
构建Agent生态：利用成熟框架开发智能应用
控制推理成本：选择合适的模型和服务
强化安全合规：确保AI应用可信可靠

标签： #AI #大模型 #技术趋势 #2026预测

技术浪潮已至，你准备好了吗？

别再乱对比中美AI了：这波泡沫，远比房地产的金融游戏值得支持

Mon, 09 Feb 2026 14:30:00 +0800

尤其是对比上一轮流传很广的李一舟版本，这波新论调我看完只有一个感受：不敢苟同，甚至很多结论完全站不住脚。

估值差距的本质

不可否认，中美科技公司、AI企业的估值差距确实大到刺眼，但很多人刻意忽略了一个核心：

估值差距，本质是资本市场定价逻辑、资金池、监管环境、全球化资本通路的差异，不是纯技术实力的直接等价物。

把全球AI竞赛比作一张牌桌，不管你承不承认，打到现在，桌上能继续出牌、有资格赌下一个十年的，真的就只剩下中美两家。

欧洲缺完整算力与产业闭环，日韩缺海量场景与迭代土壤，其他新兴市场连基础投入都跟不上，第一梯队早已没有第三个玩家。

被误读的"抢入口"打法

这一轮里，很多人嘲讽中国企业只会靠春节红包、裂变活动抢AI入口，我反倒觉得：这是最贴合本土市场、最合乎商业逻辑的打法，没有任何问题。

春节是全球独一无二的人口大流动、社交高爆发节点，大厂把AI生图、写春联、智能助手、交互玩法和红包绑定，本质不是低级撒钱，而是用中国人最接受的方式，完成一次全民级AI启蒙——

让原本只在科技圈里的模型、提示词、智能交互，真正走到每一个普通用户的手机里。

不只是互联网大厂，现在连线下教培机构、街边奶茶店、社区门店都在跟着上AI工具、AI互动体验。

不管这一波算不算泡沫、最后会不会有公司淘汰出局，一个无法否认的事实是：AI已经实实在在扎进了普通人的日常生活。

可能是多抢了一个AI红包，可能是用AI一键生成了拜年海报，可能是跟着短视频学了两招实用提示词，可能是用AI翻译解决了出国麻烦，也可能是用AI剪视频、写文案第一次觉得"创作没那么难"。

这些细碎、微小、不宏大的改变，都是AI对现实世界的真实影响。

两种泡沫的本质差异

说到泡沫，我特别想把它和上一轮我们经历过的房地产泡沫放在一起说——同样是泡沫，性质天差地别，我愿意站AI这一边。

先承认客观事实：早期房地产对城镇化、基建、就业的拉动作用，谁都无法否定。它确实撑起了过去几十年的高速增长，是实打实的经济支柱。

但后期的走向，大家都看在眼里：它慢慢脱离了居住属性，变成了一场围绕杠杆、信贷、土地的金融空转游戏，最终留下的后遗症，直到今天还在影响每一个人。

最扎心的一点就是： 哪怕现在房价回调到很多人理论上"够得着"的水平，年轻人依然不敢买房、不敢结婚、不敢生孩子。

高房价对生育意愿的挤压、对居民消费力的透支、对年轻人未来收入的提前锁定，早已不是简单的经济问题。当一个家庭要掏空六个钱包、背上三十年房贷才能换一个"水泥盒子"，当月供吃掉大半收入、不敢辞职、不敢生病、不敢消费，这样的泡沫，再大也只是锁住当下，看不到未来。

AI泡沫：赋能个体而非制造负债

反观AI这一波泡沫，完全是另一个方向。

AI绘画、AI音乐、AI视频、AI写作在不断拉低创作门槛，让没有专业基础的普通人也能释放创造力
AI翻译、AI助手、AI眼镜、智能交互一点点重构人与设备、人与信息的效率关系
甚至像OpenCat这类低门槛工具，让普通人不用写代码也能搭建自己的AI应用、工作流，相当于把"当老板、做产品"的门槛降到极低

它不制造负债，不掏空积蓄，不挤压生育，不锁死你的三十年人生。

它提升的是效率，释放的是创造力，拓宽的是个体可能性。哪怕有炒作、有跟风、有估值虚高、有公司会在浪潮里倒下，这也是一场奔向未来的泡沫，而不是困在当下的枷锁。

中美AI竞争的真实图景

再说回被吵翻天的中美AI对比。

美国的优势很清晰： 底层框架起步早、全球资本聚集、生态开放度高、顶尖人才密度大
中国的优势同样鲜明： 场景足够多、用户基数足够大、落地迭代速度快、本土化适配能力强

两者本就是不同路径的竞争，不是简单的"谁吊打谁"。

春节红包大战抢入口，不是中国企业"只会搞营销"，而是用自己最擅长的方式，守住AI时代的用户基本盘。在一个6亿多网民、社交渗透极强的市场，这种打法高效、务实，也完全符合产业发展阶段的逻辑。

很多人喜欢拿市值说事，可市值从来不等于真实的产业影响力，更不等于未来的话语权。

我们不必仰视美国，也不必盲目自嗨；不必被差距吓退，也不必吹"弯道超车"的空话。

真正重要的是：这一次关键的技术浪潮，我们没有缺席，没有被甩在牌桌之外。

技术革命的必然之路

技术革命从来都是在喧嚣、质疑、泡沫里走出来的。

互联网、移动互联网当年也满是泡沫，也有大批公司倒闭，但最终留下了基础设施、用户习惯、产业能力，改变了整个社会。

AI也是一样。

泡沫会破，虚火会退，但留在原地的会是：

数亿用户的使用习惯
全场景的落地渗透
持续迭代的国产模型
从软件到硬件的完整生态
每一个普通人被提升的效率、被解放的创造力

这些东西，远比一张估值对比表更有分量。

最后想说的话

最后想说一句很实在的话：

同样是泡沫，我宁愿支持一场指向未来、赋能个体、不制造负债的AI浪潮，也不想再回到那个被水泥盒子、房贷、焦虑锁死一切的时代。

至少AI让我们看到，下一个十年，社会进步的动力可以来自技术与创造，而不是透支与空转。

这就够了。

本文首发于 Bingo 的技术博客，转载请注明来源

认知觉醒：用一张认知地图，让AI从实习生升级为合伙人

Sat, 07 Feb 2026 18:50:00 +0800

一、第一象限：我知道，AI也知道——效率放大器

这是人机协作的舒适区，核心是**「已知知识的批量落地」**。

双方都具备对应领域的基础认知，无需探索、只需高效执行。

典型场景

资深编辑熟知爆款文案"开头勾人、内容服人、结尾动人"的结构，AI也掌握通用创作套路
职场人熟悉PPT大纲逻辑、公文格式、数据整理流程，AI同样具备标准化操作能力

协作策略

直接指令、高效复用，把AI当作**「效率杠杆」**：

明确需求、限定规则，直接下达具体指令，例如"生成5个时间管理短视频悬念开头，3秒内抓注意力"
用AI完成初稿撰写、文字润色、大纲梳理、格式排版等重复劳动，解放双手与时间
把自身成熟经验、标准化流程交给AI复刻，实现已知能力的规模化、自动化产出

核心价值

不消耗核心精力，专注创意与决策，让AI完成"体力型"工作，放大已有能力的产出效率。

二、第二象限：我不知道，但AI知道——学习加速器

这是个人成长的提升区，核心是**「填补知识盲区」**。

你对领域完全陌生，但AI拥有海量数据、行业框架与成熟方法论。

典型场景

产品经理突然要分析AI眼镜行业
职场人跨界学习剪辑
新手研究投资逻辑

自身无基础，但AI可整合报告、数据、案例，快速搭建知识体系。

协作策略

精准提问、拆解学习，把AI当作**「私人导师」**：

拒绝笼统提问（如"AI眼镜行业怎么样"），改用「剥洋葱式」拆解，例如"用价值投资框架分析AI眼镜：市场规模、产业链、风险与机会分点说明"
用费曼学习法反向验证，让AI用通俗语言纠正认知偏差，快速建立领域基础认知
定制极简学习路线，聚焦目标、剔除冗余信息，避免无效收藏与认知负债，短时间达到领域80分理解水平

核心价值

快速突破陌生领域，降低学习成本，把"知道自己不知道"的盲区，转化为可掌握的实用技能。

三、第三象限：我知道，但AI不知道——潜能探测仪

这是个人核心竞争力的专属区，核心是**「激活隐性知识」**。

你拥有AI没有的独家经验、直觉、案例与行业洞察，这些未被梳理的"隐性知识"，是你的独特优势。

典型场景

十年设计师的审美直觉
资深策划的落地逻辑
职场人的专属工作技巧
个人独家读书笔记与项目复盘

这些内容未公开、AI无储备，无法直接调用。

协作策略

主动投喂、显性转化，把AI当作**「思维镜子」**：

通过RAG（检索增强生成）逻辑，将个人工作总结、项目案例、灵感碎片、专属文档构建私人数字知识库，让AI学习你的专属认知
让AI基于你的独家经验，提炼核心逻辑、延伸新方向，例如"结合我10篇用户心理文章，提炼核心观点并构思3个新选题"
把模糊的直觉、“只可意会"的经验，转化为可复用、可传播的清晰方法，实现隐性知识显性化

核心价值

挖掘自身未被察觉的潜能，让AI成为专属创意伙伴，而非通用信息搬运工，打造不可替代的个人优势。

四、第四象限：我不知道，AI也不知道——创新催化剂

这是人机协作的无人区，核心是**「共创未知可能」**。

双方都无现成答案、无成熟框架，属于前沿探索、跨界脑洞、无标准答案的创新场景。

典型场景

“用庄子无为思想管理远程AI编程团队”
“2026年独立创作者的全新工作流”
“跨界融合两个完全无关领域的新模式”

这类问题没有标准答案，属于认知盲区中的盲区。

协作策略

开放对话、跨界碰撞，把AI当作**「共创伙伴」**：

放弃指令式沟通，改用头脑风暴、开放式提问，引导AI提供多元视角
让AI扮演不同角色（投资人、竞争对手、未来观察者），挖掘方案漏洞、拓展思维边界
不追求完美答案，而是收集创意素材、跨界连接点，再通过自身判断筛选、组合、升华

核心价值

突破固有认知，探索全新可能性，实现真正的人机共创，诞生原创性、突破性思路。

五、动态导航：让认知与AI协同进化

这张「认知地图」并非静态划分，而是动态迭代的导航系统，核心是持续把「未知」转化为「已知」，实现认知升级：

1. 第四象限→第二象限

通过AI跨界推荐、广泛交流，把"不知道自己不知道"的盲区，转化为"知道不知道"的学习目标。

2. 第二象限→第一象限

借助AI快速学习，把陌生知识转化为熟练技能，纳入高效协作范围。

3. 第三象限→第一象限

通过AI梳理隐性知识，让专属经验标准化、可复用，放大核心优势。

关键技巧

高效使用AI的核心，不是盲目提问，而是先花10秒定位象限：

我是否清楚问题核心？
AI是否具备相关知识？
对应哪种协作模式？

想清楚再行动，效率与效果天差地别。

六、总结：AI时代的核心竞争力，是认知协作能力

AI不是替代人类的工具，而是思维的延伸。

在信息爆炸的时代，竞争力不再是知识储备的数量，而是认知效率——能否快速定位自身认知状态，精准匹配AI协作方式，实现"已知放大、盲区补齐、潜能激活、未知探索”。

AI能给出答案，但提出正确问题、划定协作边界、主导共创方向，才是人类不可替代的核心能力。

这张「认知地图」，本质是帮我们建立清晰的自我认知，与AI形成互补、协同、进化的伙伴关系，最终实现个人能力与AI价值的双重最大化。

行动建议

从今天开始，每次使用AI前，花10秒回答三个问题：

这个问题属于哪个象限？
我应该用什么方式与AI协作？
我的核心目标是效率放大、学习补齐、潜能激活，还是创新探索？

定位清晰，才能让AI真正成为你的认知合伙人。

中美AI大战的真实图景：超越简单叙事

Sat, 07 Feb 2026 18:34:00 +0800

最近网上流传一张对比图：美国在追求 AGI，中国在发红包。这种简单粗暴的叙事确实很吸引眼球，但真的准确吗？

今天我想聊聊这件事。

流量时代的叙事陷阱

“美国搞技术，中国搞应用"这种简单化叙事之所以能广泛传播，不是因为它准确，而是因为它好传播。

很多内容创作者（UP主、自媒体）太需要流量了。他们深知：

简单对立的标题点击率高
情绪化的内容容易转发
复杂的分析没人看

于是中美AI大战变成了一个可以被消费的话题，而不是需要严肃讨论的问题。这背后是流量逻辑在主导叙事，而不是事实逻辑。

但作为读者，我们需要警惕。当一个问题被简化成"美国vs中国”、“技术vs应用”、“高端vs低端"时，我们已经丢失了90%的信息量。

差距在哪里

先说大家最容易看到的部分。

算力差距客观存在。 美国在高端芯片、数据中心建设上有先发优势，OpenAI、Anthropic 这些公司在算力投入上确实遥遥领先。这不是一个能短期追赶的差距。

追求高度不同。 美国的目标是 AGI，是通用人工智能，是改变世界的颠覆性突破。而中国不少公司更关注短期变现、快速落地。

投入结构差异。 美国的资本更愿意为长期不确定性买单，中国的投资人更看重短期回报。这导致了创新路径的根本差异。

这些都不是空穴来风。

中国做对了什么

但换一个角度看，问题没那么简单。

应用落地同样是硬实力。 技术如果不能转化为产品、不能解决实际问题，价值就有限。中国在应用层做得确实更好——微信里的AI助手、电商里的推荐系统、政务里的智能客服，这些都是实打实的技术落地。

务实不等于不追求技术。 选择先从应用切入，是一种策略选择，不是能力天花板。就像先造自行车再造汽车，路径不同不代表最终高度不同。

生态差异带来优势。

开源 vs 闭源：美国更多闭源商业模型，中国更愿意开源，这让更多开发者能参与创新。

数据优势：中国在人口规模、应用场景上的数据积累，是训练大模型的宝贵资源。

监管环境：中美对AI的不同监管态度，形成了不同的发展路径和机会窗口。

Deepseek：打破简单叙事的案例

Deepseek 的出现其实是一个很好的例子。

它说明什么？说明中国同样在基础模型上发力，而且做出了世界级的产品。这和"中国只做应用"的叙事是矛盾的。

但 Deepseek 也没有脱离商业现实——它在开源策略、成本控制上都有深思熟虑，这又是中国特色的务实主义。

除了Deepseek，还有阿里Qwen、腾讯混元、百度文心等，都证明了中国在基础模型上的实力。

真实的图景是什么？

中美两国都在做两件事：

技术突破——基础研究、模型架构、算法创新
应用落地——产品化、商业化、规模化

只是两者的优先级、节奏、路径不同。

美国：技术突破优先，应用是结果中国：应用落地优先，技术是支撑

没有谁在"只做"某一件事。只是叙事需要简单化，传播需要对比感。

时间会给出答案

现在的对比可能5年后看就很可笑。

科技发展是非线性的，现在领先的未必最后赢。

回顾互联网发展史：早期美国主导，但后来中国出现了淘宝、微信这样的应用创新，甚至在移动支付、社交电商等领域反超。

AI这条线还很长。应用层的积累可能会反哺基础层，数据优势可能转化为模型优势，商业落地可能为持续研发提供资金。

简单说：不要用当下的差距判断未来的格局。

个人应该如何面对？

比起纠结"谁更厉害”，不如想想"怎么利用"。

拒绝被叙事裹挟

拒绝情绪化。 看到中美对比时，不要被民族情绪带偏。技术发展不是面子问题，是实用问题。谁做得好，就用谁的；什么好用，就用什么。

拒绝简单化。 不要相信非黑即白的结论。多问几个"为什么"，多看看数据，多了解一些案例。复杂问题没有简单答案。

拒绝二极化。 不是"要么全对要么全错"，不是"要么崇美要么排外"。每个国家都有自己的优势和局限，每个产品都有自己的适用场景。

实用主义行动指南

关注创新，也关注应用。 技术突破值得关注，但更重要的是它能不能解决你的问题。一个AI模型再强大，如果不能帮你的工作更高效，对你来说意义不大。

充分利用AI提效。 这才是最实际的：

如果你是程序员：

用 Copilot、Cursor 辅助写代码
用AI解释复杂代码、生成测试用例
用AI进行Code Review，查找潜在bug
但要记住： 核心逻辑、架构设计还是要自己思考

如果你是产品经理：

用AI快速生成原型、PRD初稿
用AI做竞品分析、需求梳理
用AI分析用户反馈、提取关键词
但要记住： 最终的决策、对用户的理解还是要自己

如果你是学生：

用AI快速理解复杂概念
用AI辅助复习、整理知识框架
用AI改作文、练口语
但要记住： 不要依赖AI做作业，思考能力不能外包

其他实用场景：

知识管理： 用AI整理笔记、提取关键信息
数据分析： 用AI处理Excel、解读报告
创意启发： 用AI brainstorm、生成想法
决策支持： 用AI梳理选项、分析利弊

避坑指南

不要完全依赖AI。 没有判断力的人用AI会制造垃圾。AI是放大器，它会放大你的能力，也会放大你的错误。

不要迷信某个产品。 适合自己的才是最好的。ChatGPT不一定比国产模型好，取决于具体场景。

不要只学工具不学原理。 AI工具在快速迭代，但原理相对稳定。理解原理才能快速适应新工具。

结论

AI是工具，不是信仰。

中美谁更强，对你个人来说其实不重要。重要的是：你能不能用AI让自己的生活、工作、学习变得更好？

与其在简单化的叙事里站队，不如在复杂的世界里行动。

今天就选一个AI工具，开始用它解决你的第一个问题。

输入法的进化之路：从敲击键盘到理解意图

Fri, 06 Feb 2026 10:08:00 +0800

toc_number: true

/images/bitter-lesson-ai-seventy-years/AI历史关键突破时间线.jpg

序幕：一个时代的开端

1983年，当第一套中文输入系统出现在DOS命令行时，没人能想到，这会是人类与数字世界交互方式的一场漫长变革的开始。

最初的拼音输入法，简单到近乎朴素——用户逐字敲击拼音，候选词从几十个选项中筛选。效率低下？是的。但它开启了中国人用键盘打字的大门。在那个年代，输入只是一个机械的"编码-匹配"过程，机器完全不理解你在说什么，它只是在字典里查找匹配的字。

第一次革命：用规则对抗低效

拼音的短板显而易见——重码率高、击键次数多。于是，聪明的人们想到了"简化"。

双拼输入法将每个音节压缩到两次击键，将输入效率提升了约30%。五笔输入法走得更远，通过字形拆解，将汉字输入变成了"码字游戏"，高手可以轻松突破每分钟100字的障碍。

这是一场纯粹的工程优化。五笔甚至创造了"盲打"的神话——你可以不看屏幕，只凭肌肉记忆完成输入。

但问题依然存在：所有这些方案本质上都是"编码器"。你必须先学会一套规则，把脑子里的汉字转换成机器能理解的代码。机器只是个查表工，它不认识你打的是什么意思。

输入法	击键数/字	优势	劣势
全拼	3-4	无需学习	效率低
双拼	2-3	效率提升30%	需学习
五笔	1-2	效率最高、盲打	学习曲线陡

第二次革命：让机器学会"猜"

90年代末，输入法开始有了"智能"。

简单的模糊匹配出现了——你输入"zhguan"，系统知道你想打"主管"而不是"猪冠"。再后来，基于统计的词频统计让候选词排序更加合理。

这是质变的一步。机器不再是只会查表的死板工具，它开始根据上下文"猜"你想要什么。虽然这种猜测还很粗糙，但交互体验已经有了质的飞跃——你需要按的键变少了，选择的时间变短了。

最典型的例子是"整句输入"。你不再需要一个个选择字，输入一整句拼音，系统自动帮你完成分词和选字。虽然错误率还不低，但这标志着输入法从"字匹配"进化到了"句理解"。

第三次革命：AI时代的语义觉醒

进入21世纪第二个十年，AI技术为输入法注入了真正的灵魂。

**NLP（自然语言处理）**让输入法第一次真正"理解"了语言。当你输入"我想吃"时，它会根据当前时间、地点、你的历史偏好，优先推荐"火锅"而不是"蛋糕"。

上下文理解能力达到了前所未有的高度。你刚说过"明天要去北京"，再输入"天气"时，候选词直接是"北京天气"——它记住了你的对话。

这就是AI输入法的核心：它不再是被动响应，而是主动预测你的意图。从"你给什么我处理什么"进化到"我知道你想说什么"。

效率的突破来自两个维度：

预测准确率：AI模型在复杂场景下的准确率超过90%
交互步数：很多场景下，你只需要输入首字母，系统就给出完整答案

技术代	核心能力	交互方式	准确率
统计模型	模糊匹配	候选词排序	70-80%
深度学习	上下文理解	意图预测	85-90%
大模型	语义理解	无输入预测	90%+

第四次革命：多模态的交互范式

键盘不再是唯一的输入通道。

语音输入的成熟，让"说"成为打字的替代方案。得益于ASR（自动语音识别）技术的进步，中文语音识别准确率已达98%以上。你不再需要学习任何输入法，直接开口即可。

但这不仅仅是多了一个通道那么简单。多模态输入的本质是：让人用最自然的方式与机器交互。

想发一段话？直接说出来
想输入一个公式？手写识别更直观
想快速表达？语音+键盘的组合效率最高

交互的友好程度达到了新的峰值：你不再需要迁就机器，机器开始迁就你。

技术与人文的交汇

回顾这四十年，输入法的进化路线清晰可见：

时代	核心技术	交互特点	用户负担
拼音时代	字典匹配	逐字选择	高（需频繁选择）
双拼/五笔	编码优化	高频码字	中（需学习规则）
模糊匹配	统计预测	短语联想	中低
AI输入	NLP+深度学习	意图预测	低
多模态	语音+视觉	自然交互	极低

技术发展的本质：从规则驱动到数据驱动，从匹配编码到理解语义。

交互友进的本质：从用户适应机器，到机器适应用户。

终极形态：无形即有形

未来的输入法会是什么样子？

可能是这样的：你想到一句话，还没开始输入，屏幕上已经显示出来了。它通过你的视线、表情、甚至脑电波捕捉意图。

听起来很科幻？但回想40年前，谁能想到今天我们可以对着手机说话就能完成复杂的文本输入？

输入法的终极形态，可能是没有输入法。当技术足够成熟，交互将变得无形——你的意图直接转化为数字内容，中间不再有任何"输入"这个环节。

从拼音到AI，从键盘到语音，这不仅是技术的进化，更是人类不断降低与机器交互门槛的过程。输入法的终极使命，就是让这个门槛降到零。

参考资料

技术史 #输入法 #AI #NLP #人机交互 #语音识别 #多模态

读懂《苦涩教训》：AI 七十年真相与个人突围指南

Thu, 15 Jan 2026 10:00:00 +0800

toc_number: true

强化学习之父 Rich Sutton 在 2019 年写下的《The Bitter Lesson》，撕开了 AI 发展的一个反直觉真相：

“短期靠人类知识’喂’机器能快速见效，但长期来看，砸算力 + 用通用方法（比如搜索、学习）的’笨办法’，才是真正的赢家。”

这教训"苦涩"在哪？

就像你费尽心机教 AI 下围棋（比如写死"金角银边"规则），短期内 AI 能赢新手，特有成就感。但等算力上来后，AlphaGo 用"自我对弈 + 搜索"的通用方法，直接碾压你的"知识注入型" AI——之前的心血全成了无用功。

根本原因很现实：算力成本每年都在暴跌（摩尔定律持续生效）。你还在纠结"怎么教机器"时，别人已经靠堆算力让通用方法跑通了，而且越跑越强。

核心图示：AI 发展路径对比

二、历史反复验证：四个领域的"打脸时刻"

AI 七十多年的发展，其实就是"人类知识注入"被反复打脸的历史。这四个关键节点尤其典型：

1. 国际象棋（1997 年）

IBM 深蓝靠暴力搜索赢卡斯帕罗夫，那些沉迷"复刻人类棋谱"的研究者傻眼了。

2. 围棋（2016 年）

AlphaGo 用"深度学习 + 蒙特卡洛搜索"吊打李世石，此前 20 年"靠围棋规则设计 AI"的努力全白费。

3. 语音识别（1970 年代）

DARPA 竞赛中，“统计模型 + 多计算"干翻了"靠声道知识设计的系统”，CMU 的 HEARSAY Ⅱ 系统虽靠语言学知识实现 97% 准确率，但后续仍被统计模型超越。

4. 计算机视觉（2012 年）

AlexNet 出现前，研究者靠人工找"边缘特征"，而 CNN（卷积神经网络）只用通用算法，效果直接甩十条街。

历史时间线图

Sutton 总结的规律堪称真理：

人类知识注入 → 短期进步 → 遇瓶颈 → 被"算力 + 通用方法"秒杀

三、2025 年最新印证：AI 大佬们还在聊这个

今年以来的大模型动态，再次印证了"苦涩教训"的正确性：

1. 前任科学家观点分歧

前 OpenAI 首席科学家 Ilya 说"预训练到头了"，但 Transformer 共同发明者 Noam 立刻补刀：“提升实时算力才是关键”，他在 HotChips 2025 大会上直言"算力越多越好"。

2. 不同公司的路线对比

马斯克的 Grok3：堆算力硬冲参数记录
DeepSeek-R1：优化工程省算力
本质都是"靠通用方法挖算力潜力"

3. 通用智能体的共识

通义千问开源智能体时直言：“不写死规则，让模型自己推理探索”——这正是"苦涩教训"的现实验证。

算力路线对比图

现在行业里没人再纠结"怎么把人类知识灌进模型"，而是比拼"如何让通用模型更高效地利用算力"。

四、个人怎么应对？三个"反焦虑"行动指南

作为技术人，与其焦虑被 AI 替代，不如主动拥抱这种逻辑。结合我的实践经验，分享三个可落地的方向：

1. 思维先转：别当"知识的搬运工"

放弃"全知幻觉"：别总想着"把所有知识学会再行动"。就像 AI 不用背完棋谱才赢，我学 Python 时也没看完教材，直接用 GPT 辅助写脚本，边错边改反而学得更快。

抓"元能力"而非"知识点"：比如学 Excel，别死记函数参数（知识点），要学"怎么用搜索 / 插件解决新问题"（元能力）——这对应 AI 的"通用方法"。

2. 能力聚焦：练"能借算力放大的本事"

根据 Sutton 强调的"搜索 + 学习"两大通用技术，个人重点提升这三项能力：

2.1 工具使用力

熟练用 AI 工具（Copilot 写代码、ChatGPT 查资料）、云算力平台（腾讯云、AWS）——相当于给大脑装"外接算力"。

2.2 持续学习力

用"最小行动 + 快速迭代"代替"完美准备"，这和 AI 的"自我对弈学习"逻辑一致。

2.3 工程化思维

做事情留"可扩展接口"，比如我写报告必用模板，下次能直接套新数据——就像 AI 模型能接更多训练数据。

能力提升流程图

3. 避坑提醒：知识不是没用，别当"天花板"

“苦涩教训"不是否定知识，而是别让知识限制你：

3.1 用知识"搭梯子"而非"筑围墙”

我做 AI 应用时，懂基础算法能快速入门，但真正出效果靠的是"数据测试（搜索）+ 用户反馈（学习）“优化。

3.2 稀缺领域抓知识

医疗、法律等数据少的领域，人类经验仍很重要。比如学医，基础解剖知识必须扎实，但也要用 AI 辅助看 CT 片（知识 + 算力结合）。

五、总结：拥抱算力时代

《The Bitter Lesson》的核心启示是：

不要高估人类知识的短期价值，不要低估通用方法的长期潜力

在 AI 时代，真正的赢家是那些：

愿意接受"笨办法"的人
持续投入算力的人
建立可扩展系统的人

参考资料

“The greatest lesson AI can teach us is humility in the face of our own cleverness.”

—— Rich Sutton

电工初级(五级)理论考试知识点超全总结｜从基础到实操，小白也能看懂！

Thu, 23 Oct 2025 14:52:12 +0800

toc_number: true

photos:

/images/bitter-lesson-ai-seventy-years/AI发展路径对比图.jpg

电工初级理论知识超全总结｜从基础到实操，小白也能看懂！

哈喽，各位电工行业的小伙伴～最近整理了《题库.pdf》里的电工初级理论知识，从电阻电路到安全操作，从低压电器到电机控制，每一个知识点都拆解得明明白白，还有实操要点和记忆提示，赶紧码住慢慢看！

一、电阻与电路基础｜打好理论第一关

1.1 导线电阻计算

核心结论：电阻为 R 的导线均匀拉长至原来 2 倍，电阻变为 4R
记忆提示：电阻与「长度平方成正比」「横截面积成反比」，拉长后长度 ×2、横截面积 ÷2，最终电阻 ×4

1.2 电阻组合规律

核心结论：4 个 0.5W100Ω 电阻，分两组并联后再串联，构成 1W100Ω 电阻
计算逻辑：
1. 每组 2 个 100Ω 电阻并联，单组电阻 = 100Ω÷2=50Ω
2. 两组 50Ω 电阻串联，总电阻 = 50Ω+50Ω=100Ω
3. 每组功率 = 0.5W×2=1W，串联后总功率不变（1W）

1.3 电流与电位特性

电流方向：规定为正电荷定向移动的方向（电子带负电，移动方向与电流方向相反）
电位本质：相对于参考点的电压，参考点不同，同一点电位值不同
电压关系：电路中两点间的「电位差」就是两点间的电压，既有大小也有方向

1.4 闭合电路与定律

电流计算：I=E/(R+r)（E = 电源电动势，r = 电源内阻）

例子：1.4Ω 电阻接 1.6V、0.2Ω 内阻电源，电流 = 1.6/(1.4+0.2)=1A

基尔霍夫定律：
1. KVL（电压定律）：∑IR=∑E，适用于任何闭合回路
2. KCL（电流定律）：∑I=0，适用于节点和闭合曲面

二、电功与电功率｜搞懂能量计算

2.1 电功单位与区分

核心结论：「度」是电功单位（1 度 = 1kWh），衡量「消耗电能的多少」
易混提示：「瓦特（W）」是电功率单位，衡量「消耗电能的快慢」，二者不可混淆

2.2 串联灯泡功率计算

核心结论：两只 “100W、220V” 灯泡串联接 220V 电源，每只实际功率 25W
计算步骤：
1. 单只灯泡电阻：R=U²/P=(220V)²/100W=484Ω
2. 串联分压：每只灯泡分得电压 = 220V÷2=110V
3. 实际功率：P 实 = U 实 ²/R=(110V)²/484Ω=25W

三、电源与电容器｜电路核心元件

3.1 电源电动势与端电压

电动势特性：
1. 定义：外力将单位正电荷从电源负极移到正极所做的功，衡量电源输送电荷能力
2. 方向：仅存在于电源内部，由「负极指向正极」
端电压规律：
1. 方向：存在于电源外部，由「正极指向负极」
2. 与电流关系：内阻一定时，端电压随电流增大而减小（U=E-Ir，电流 I 增大，内阻分压 Ir 增大）

3.2 电容器核心知识

核心特性：隔直流、通交流（对直流相当于开路，对交流有容抗可通过）
串并联规律：
1. 并联：电容数量越多，总容量越大（4 个 100μF 并联，总容量 = 4×100μF=400μF）
2. 串联：电容数量越多，总容量越小（4 个 100μF 串联，总容量 = 100μF÷4=25μF）

四、磁学基础｜电机与变压器的核心

4.1 物质磁分类与磁场特性

物质分类：根据磁导率分为「逆磁物质」「顺磁物质」「铁磁物质」（铁磁物质磁导率远大于 1，如铁、钴、镍）
匀强磁场：各点磁感应强度大小相同，且与「介质性质有关」（介质磁导率影响数值）

4.2 通电导体与感应电动势

导体受力：
1. 方向：用「左手定则」判断（掌心朝 N 极，四指指电流方向，大拇指指受力方向）
2. 大小：与磁力线「垂直时受力最大」，「平行时受力为 0」
感应电动势：
1. 方向：用「右手定则」判断
2. 大小：沿磁力线方向运动时电动势 = 0，垂直运动时电动势最大

4.3 磁极与铁磁物质

磁极作用：同极相互排斥，异极相互吸引
磁力线方向：外部从 N 极到 S 极，内部从 S 极到 N 极
铁磁物质：
1. 磁化：需在外磁场作用下产生磁性
2. 分类：软磁（硅钢片，用于电机铁心）、硬磁（铝镍钴，用于永久磁铁）、矩磁（磁芯存储器）

五、正弦交流电｜交流电路必备

5.1 正弦电三要素

核心组成：最大值（峰值）、角频率（ω=2πf）、初相位（t=0 时的相位）
记忆提示：初相位决定初始时刻的瞬时值，角频率与频率成正比（f=50Hz 时，ω=314rad/s）

5.2 相位关系与三角函数

相位超前 / 滞后：A 比 B 提前到达正峰值→A 超前 B（“提前到达” 即相位超前）
三角函数用途：仅表示「瞬时值」变化规律（有效值、最大值是恒定值，无需三角函数）

六、安全用电｜重中之重

6.1 基础安全操作

验电笔使用：使用前需在「有电电源」上检查氖管是否发光（禁止拆开检查，防止损坏）
停电检修：未做好安全措施（挂接地线、设遮栏）的设备，「无论是否断电均视为有电」
带电作业：需经部门批准 + 按规程操作 + 专人监护，「禁止单独作业」

6.2 特殊场景要求

临时用电：严禁「三相一地、二相一地、一相一地」供电（避免接地故障触电）
行灯电压：
1. 干燥环境（机床、钳工台）：36V 及以下
2. 潮湿环境（卫生间、车间）：24V 及以下
上海低压电网：采用「TT 系统」（设备接地与电源接地分开，安全性更高）

安全用电流程图

七、低压电器｜电路控制核心

7.1 熔断器与刀开关

熔断器：
1. 作用：主要用于「短路保护」（过载保护用热继电器）
2. 熔体特性：低熔点、易熔断、导电好（如铅锡合金）
3. 接线：螺旋式熔断器「电源线接下接线座，负载线接上接线座」（防触电）
刀开关：
1. 用途：隔离电源 + 不频繁通断电路（禁止频繁操作，易烧触点）
2. 寿命：含「机械寿命」（动作次数）和「电寿命」（通断电流次数）

7.2 低压断路器与热继电器

低压断路器：
1. 功能：手动开关 + 自动保护（欠压、失压、过载、短路）
2. 脱扣器：热脱扣器（过载）、电磁脱扣器（短路）
热继电器：
1. 用途：电机「过载保护」（不能用于短路，动作慢）
2. 原理：双金属片热膨胀系数不同，受热弯曲触发保护

7.3 接触器

交流接触器铁心：用硅钢片叠压（减小涡流损耗），装「短路环」（减小振动和噪音）
额定电流：铭牌标注「主触头电流」（辅助触头电流远小，忽略不计）

八、变压器与电机｜电工核心设备

8.1 变压器基础

工作原理：电磁感应（原边通交流电→交变磁场→副边感应交流电）
型号含义：S7-500/10 中，“500”= 额定容量 500kV·A，“10”= 一次侧电压 10kV
核心结构：
1. 铁心：0.35mm/0.5mm 涂漆硅钢片叠压，分层交错叠装（减小磁阻）
2. 绕组：同心式绕组「低压侧放内侧」（便于绝缘），高压侧放外侧

8.2 特殊变压器

自耦变压器：一、二次侧有「电 + 磁联系」，「禁止作为安全变压器」（低压侧可能带高压）
电流互感器：接近短路状态，二次侧「不准开路、不准装熔断器」（开路产生高电压）
电压互感器：接近空载状态，二次侧「不准短路」（短路产生大电流），二次侧额定电压 = 100V

8.3 异步电动机

分类：
1. 按电源：单相、三相
2. 按转子：笼型（铸铝条）、绕线型（有绕组，可串电阻）
启动方式：
1. 笼型：Y/△减压（仅适用于△接电机）、自耦变压器减压（大容量）
2. 绕线型：转子串电阻（减电流、增转矩）
制动方式：能耗制动（通直流）、反接制动（变相序）、回馈制动（电能回馈电网）

九、电工操作技能｜实操必备

9.1 基础操作要点

划线：基准尽量与「设计基准」一致（保证尺寸符合图纸）
锉削：软材料（铜、铝）锉刀楔角取 30°~50°（软材料易切削，需小楔角）
锯割：起锯用「近起锯」（锯齿不易崩裂，操作稳）

9.2 攻丝与钎焊

攻丝钻孔：M8 丝攻在铸铁件上攻丝，选 6.6mm 钻头（铸铁无塑性，孔径略小；钢件选 6.8~6.9mm）
钎焊焊剂：
1. 钢铁件：用盐酸（去除氧化层）
2. 电子器件：用松香酒精溶液（无腐蚀，防损坏元件）

9.3 弯管操作

有焊缝管子：焊缝放「中性层」（中性层受力最小，防焊缝裂）
大直径薄壁管：弯曲前「灌实沙子」（防止管子变形）

十、电气图与照明设备｜日常应用

10.1 电气图基础

组成：电路图、功能表图、系统图、框图、位置图（不含装配图，装配图是机械图）
电源标注：
1. 直流：标电压 + 极性（如 12V、+/-）
2. 交流：标有效值 + 相数（如 220V/380V、单相 / 三相）
原理图规则：元件为未通电常态，按功能分区，不同电压线路独立绘制

10.2 照明设备

白炽灯：电流热效应（灯丝加热发光）
日光灯：
1. 镇流器：限制预热电流，启动时产生高压
2. 启辉器：仅启动时工作，短接 - 断开帮点火
节能灯：紧凑型带电子镇流器的日光灯（效率高、节能）
碘钨灯：灯架距可燃面≥1 米（防火灾），管内充碘 + 氙气（延寿命）

十一、半导体与仪表｜电子与测量

11.1 半导体基础

载流子：半导体有自由电子 + 空穴（N 型电子多，P 型空穴多，均中性）
二极管：
1. 特性：正偏导通（阳极高电位），反偏截止
2. 参数：硅管死区电压 0.5V，正向压降 0.7V
3. 测量：万用表 R×1k 档，正向电阻小，反向电阻大
稳压管：反向击穿工作，需串限流电阻（防烧毁）

11.2 指示仪表

分类：磁电系（测直流）、电磁系（交直流两用）、电动系（测功率）、感应系（测电能）
功率表：
1. 结构：电动系，电压线圈并联，电流线圈串联
2. 接线："*" 端接电源侧
3. 读数：P=U×I×cosφ（φ= 电压电流相位差）
兆欧表：测绝缘电阻，常用 500V（低压）、1000V（高压）

标签总结

#电工初级 #电工理论 #电路基础 #安全用电 #低压电器 #变压器 #异步电机 #电工实操 #电气图 #半导体知识

#题库整理 #电工备考 #零基础学电工 #电工知识点 #实操技巧

备考资料

“安全第一，规范操作。”