John Carmack 最近也在推特上说过: “Coding” was never the source of value, and people shouldn’t get overly attached to it. Problem solving is the core skill. The discipline and precision demanded by traditional programming will remain valuable transferable attributes, but they won’t be a barrier to entry. 虽然是在说编程，但对其他学科都适用：首先是有一个不变的core skill，即是这个学科的支点，另一个是非core skill不再是barrier，外行要进来变得前所未有地简单。
I would like to give you a special thumb-up. 👍 I stomped into your UA-cam space by accident, watched through the dialogue/interview with the ex-Tesla engineer. Very inspiring. Then I followed your recommendations of the two books(The Little book of Common Sense Investing & Millionaire Teacher), finished one and now on the second. Really appreciated. Well, it didn’t stop here. I’ve been enthusiastically recommending to some teens. This is truly a relay effect. 授人以渔，其乐无穷啊。Thank you very much indeed! 🙏🙏
推薦使用Interactive Broker投資, 請點擊: www.interactivebrokers.com/mkt/?src=mxyzPY&url=%2Fcn%2Fwhyib%2Foverview.php
您的點擊會給我帶來收益(不會對您産生費用)，也是對我的支持。這些收益會幫助我爲大家持續産出優質的內容。
歡迎加入我會員網站，認識志同道合的朋友! onenewbite.com/
會員網站現階段有1700名左右會員, 計劃2500名會員時提升價格限制人數(人數太多會超過我的精力負荷)。
视频推荐的书籍: amzn.to/3Vmk9DH
相關視頻:
ua-cam.com/video/KoT08Kno10A/v-deo.html
ua-cam.com/video/zWk69IPsMQs/v-deo.html
請問能不能開啟字幕功能 謝謝
请刷新一下。现在有了。
感謝您@@MoneyXYZ
interactive broker大陆可以用吗？
請教一下作者，用的思維導圖工具是哪一款呢？
非常赞同，未来真正比拼的是你的想法，你的审美，你的认知，你的预见性，你的品味，AI更多的是替代打工人的一个高级工具，真正能把AI用好的，一定是各个领域里面原来就很厉害的大师们，AI有效的帮助他们提高了效率，降低了成本💰
大內卷時代開始
你和本视频作者一样都完全错误理解了AI的本质。AI真正厉害的正是在于想法，审美，认知，预见性等等，最容易被取代的正是这些所谓的大师。反过来，蓝领工人 才是真正在AI时代能够生存的物种。
不一定，因为大师没这么多时间去学AI
前几分钟有点走神，直到博主讲到了一个我一直深以为然的观点：懂得讲故事的人比懂得使用高级工具的人更容易做出好的视频作品。而博主能通过一个视频来讲明白这个观点，同时也印证了我有这个观点，但只是一个 Cheap Idea. 向你学习！
Part 1):
任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）, 以便對一些事件做出精准智能的預測。
所謂自我學習或機器學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的杈重或係數參數而已。
而深度學習也只是處理巨量變數時，為了避免僅用單層機器學習進行巨量變數而需要解大矩陣導致對巨量平行計算的需求，進而變換設計成每層適量變數，建立多層次的機器學習修正。
40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。
在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。
近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。
因此也不用太誇大眼下的AI , 這些早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。
”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。
何謂知識？ 由經驗總結後（ 抽象具體化） ，就形成知識（用數字分析的表達方式就是去建構知識模型）。 形成知識後就可複製/ 傳承/ 預測/ 擴展。因此目前的AI 發展，就是在循人類文明發展至為重要的其中的一𠆤過程-只是採用了數位化的方式，將經驗知識化了。
目前的AI 只是以數理統計為手段及方法論，以資訊及計算機工程為工具，進行數位型的經驗知識化的過程。
人類有許多其他不同型態非常複雜的知慧，這種僅止於知識數位化的智慧， 其實離人類多型態的智慧還有非常巨大的距離。
另外， 眼下AI 服務於大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組( 行列式計算）， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。
其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。
只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。
此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。
而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。
好奇問問您現在工作是幹什麼的😮
所有對AI的評論我只服你
不是一般的牛
沒想到看完一段影片之後
馬上又能再讀到一篇文本
兄弟，part 2 去哪看啊?
看到大約8分鐘半左右，我的想法是，果然能否發揮工具得最大價值，始終還是在於 人 ，使用工具的這個人本身的思維、閱歷、技能，對特定領域的理解才能最大化激發任何 ai 工具或者是其他生產力工具、資產工具，而在過去時代我上述所說，依然套用，任何時代無論工具如何進化，決定其工具最大價值的，還是在於 【人】
近期看到最有营养的内容，让我一个视频制作从业者重新审视了自己，也看到了如何让“不可能变为可能”的方式,赞！！！
賺錢的方法其實就是提供價值，隨著時代的變遷這個價值也隨之改變，在互聯網之後我們又迎來了另一個變革，很喜歡這個影片的內容，啟發了我要如何準備自己應對這個變革，感謝！
赞同， 我自己这一年来的感觉也是， 普通人对AI最好的利用方式就是赶紧用它提升自己。不要急着用AI去变现，根据浪潮获益延迟原则，在第i波浪潮加入，在i+1波浪潮才可能获益。
大受启发
講得太好，一直以來你的影片都是我在想的事情，從GPT那片開始到時間管理如何超過99%的人那部，還有這部，都是我一直在思索如何讓其他人獲得的觀念。
说的太好了，就好像人人都能摄影，但不是人人都是摄影师，摄影家就更少了。
雖然人手都有一隻可以拍照的相機
但攝影師還是要有的存在
❤對😊
未来只会有普通人和摄影家 摄影师的概念会被模糊掉，如今随随便便一个中低端智能手机的拍照功能都远强大于以前的专业相机，再加上现在有各种各样的强大的，使用简单的后期工具，任何普通人只需要稍微掌握一点拍照➕后期的知识 你能做到的最终效果并不会亚于大部分的“摄影师”，，我个人亲身案例，大学暑假时 为了能给女朋友拍照更好看 去摄影店当学徒（本意是想学点东西，奈何摄影师把我当牛马，并没有教过我，全是自学） 一个月的工资➕自己存的一点钱 买了个二手单反（佳能6d） 然后学习了一些后期软件 ，第二个月我就自己开始接摄影单了（因为自己养狗 当时专注做宠物摄影），我很厉害吗？谈不上 我很有经验吗？更谈不上 但是事实就是 隔行如隔山已经成为过去式，如今信息爆炸的时代，各行各业各个领域，你都能在网上找到经验分享和教程，信息爆炸的时代不缺少信息 更需要做的是筛选优质信息。如果你还有动力去接受新知识，想快速入门一个全新的领域并不困难，更何况还有视频主提到的 利用ai为杠杆加速学习的过程（这方面我完全是小白，并且对chatgpt有莫名的恐惧而一直没有去使用） 但是看了视频之后我决定鼓起勇气再去拥抱一个全新的事物，与大家共勉。
John Carmack 最近也在推特上说过: “Coding” was never the source of value, and people shouldn’t get overly attached to it. Problem solving is the core skill. The discipline and precision demanded by traditional programming will remain valuable transferable attributes, but they won’t be a barrier to entry.
虽然是在说编程，但对其他学科都适用：首先是有一个不变的core skill，即是这个学科的支点，另一个是非core skill不再是barrier，外行要进来变得前所未有地简单。
ChatGPT寫出來的東西比 jr dev寫的還爛。如果只靠ChatGPT 想要變成電腦工程師，也是只會是三角貓的結果。
@@janeping12 遇到这种情况我一般都会先问几个问题：1. 你用的是免费ChatGPT还是付费GPT4？2. 你用的试GPT网页版还是API？OpenAI在前者加了个巨烂的system prompt导致GPT变蠢。3. 你是否有试过Claude AI？4. 你是否有看过Cogination的Devin demo？
@@xiangshi460 最后一个不知道是真假。这个真是完全ai自己干的么？还是有人工干预
不尽同意。从现有水平来看，AI让人惊艳的是出人意外的结果，而“创作”过程是无法确定的：即神来一笔的创造力。因此，很难推断出一个普通人如何保证可以把故事说的比智力和创造力远高于个人的数据中心和算法好。这次浪潮不再是简单的ideas和execution的比拼。Sora表面上看起来是图像工具，但是后台的框架才是实力之所在：今天是图像，明年此时就不知道是什么了。未来的新兴事物，现在真的难以预测，应该是真正颠覆性的。
谢谢你的视频，成功缓解了我的焦虑。AI是1后面的无数个零，而作为核心竞争力的人才是前面的那个1
1一定存在
看1 自己会放到这些0的哪里
看到结尾最后一句话了吗？
好想陆涛
我認為「可堪用」這詞足可以代表這新時代的學習方針！
而「可堪用」方案，會隨著科技成長，品質也越來越好。
例如：人類發現火，但能將火這項工具運用到極致的人，就是最有想像力及能力的人。
I would like to give you a special thumb-up. 👍 I stomped into your UA-cam space by accident, watched through the dialogue/interview with the ex-Tesla engineer. Very inspiring. Then I followed your recommendations of the two books(The Little book of Common Sense Investing & Millionaire Teacher), finished one and now on the second. Really appreciated. Well, it didn’t stop here. I’ve been enthusiastically recommending to some teens. This is truly a relay effect. 授人以渔，其乐无穷啊。Thank you very much indeed! 🙏🙏
我理解的就是，如果你和AI讨论的是初阶知识，那么AI给你输出的也是初阶知识下所能形成的结果，相对应的，如果你和AI谈论的是高阶知识，那么AI输出的也将会反映出更多的深度和细节。说到底在AI还没有产生自我意识之前都还只是一个非常非常非常高级的工具。
你说的就只是广泛被定义的知识 这就是ai擅长的 可以由浅入深的展开。但是那些未被广泛定义的知识 ai可不擅长呀
@@qingxian3870 也许现在是的，但AI的超强学习能力决定了其在未来不长的时间里肯定会超越大多数领域的专家。
@@qingxian3870 所以現階段LLM就是個高級搜尋引擎
很喜歡你說話的速度跟內容 很舒服～
看過很多視頻論AI, 這應該是我看過最清醒, 且有良心, 和坦誠的youtuber了.
我也特別喜歡Up主的真誠！
非常感謝你的啟發，我住在英國倫敦遙遠的千里之外之，反覆反覆在思考相同的問題，謝謝你辛苦做這麼精緻的內容 ，小小心意請你喝一杯咖啡 🎉😊
感謝！
我在利用ai學習其它跨領域的知識，ai是一個好用的"工具"，跟當初電腦發明出來一樣，是用來協助人類的一種工具!
从来都是做好自己事情，其他的外行的知识都是辅助自己现在的行业
博主的歸納總結能力很強，點讚！
看完視頻，讓我想到自己的專業領域，實質上還有跨領域到很多的商品需要學習，腦子出現了很多大膽的想法，除了利用AI這項工具縮短查閱資料時間以及縮短學習成效，並且可以快速得到核心知識，即時的輔助我
最大的幫助就是可以讓我省下專注力的浪費，我可以擁有更多去處理未解決的項目
對我來說會是最棒的工具
謝謝Ray的分享
真的很喜歡你的影片，講的話都超級實在
博主表达能力没得说！视频也很有营养。思考力👍👍👍
Part 3)
另外希能進一步說明為何這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆？
除在Part 2) 談及眼前這些所謂台面頂流AI 專家或團隊，粘粘自喜於眼前所謂模型誤失率16% ， 殊不知在很多專業領域，16% 的誤失率，那可能帶來災難（ 金錢損失， 人員傷亡， 大自然破壞） ！ 例如，自動駕駛，氣象預報，股票期貨買賣決策等等。即便生成式模型，其誤失也可能帶給人們直接或間接的損失或傷害。
若不是由領域產業專家參與並主導的建模，要突破10% 誤失率，是極其困難的。
我說𠆤故事（不是在炫耀自己的賭技），大家也就明白領域產業專家的重要性。
我2000 年在香港公司上班， 每兩周回深圳家一趟， 每雙周末回深圳前，我會帶2 萬港幣去澳門葡京玩輪盤，每回我嬴到10 萬就走人，由珠海回深圳， 我次次去次次嬴，從沒輸過。
這就是有專業領域人員恊助的建模，誤失率很低，回報很高（投入少收益高）。
機率論是認為發生機率的事件是背後有些不明的隱變數，如果把這些隱變數儘可能的説明白，讓機率性的發生現象就會變得越來越小。
簡單的說，一個銅板正反面，前十次都開正面，第十一次開正還是反，數學家據於機率論的真蒂，告訴你一定開正面。因為從前十次已看出存在開出正面的未知隱變量。但一般人仍會認為正反各一半機率，甚至有人會錯誤認為連開那麽多次正面，這次肯定會開反面。
我玩輪盤下注前，一定會找現場的賭友看一下他們記錄卡上先前及近期是否有某𠆤特定數字常開出，若沒有，我會忍住不下注。一旦出現連續常開數字，我就立刻下注押這常開數字，以及輪盤面靠這數字左右各兩組數字，共5𠆤數字， 基本中率非常高， 可達到20% 押中率， 20% x35（賠率）/ 5( 押注數）, 我每玩五次總投入是25 中一次賠35。 賺10 。 基本上2-4 小時達標10 萬港幣走人。
1）其實在現場賭友記錄卡上先前中球的數字就是領域產業專家去掌握數據的過程。
2） 我會解讀機率論，因此也是玩輪盤的專家。
因此我玩輪盤，就是具專業知識參與的領域產業專家， 另外我的投注策略，就是我建的模。
而眼前台面以算力為主導的AI專家，因為他們手上握有大量的算力籌碼，因此他們是次次都36 𠆤號碼全押， 所以次次都中， 但是每次總輸一𠆤籌碼。 這種暴力的押法， 就是沒有引入產業專家的結果。大量浪費算力在無味的押注上。基本上不是大力出奇蹟， 而是大力出爛成績。
另外眼前生成式大模型，最大的資料來源是取自提供搜索引擎服務的大型公司的資料庫。
而這些資料庫的data base 早已經過各行各業領域產業專家幾十年投入，進行維護梳理，並進行了多維度的數位標記。
因此目前生成式大模型真正的主要貢獻者是，各行各業領域產業專家幾十年的投入，進行維護梳理，並進行了多維度的數位標記。
所以缺乏產業領域專家主導，而由算力提供方來主導的AI 發展，可預見的是將會走得很偏，而且會很快撞牆!
AI 的良性發展， 不是靠蠻力的大力出的爛成績。（把算力浪費在一些関聯性不高的變數上，不當不專業的取定變數）
而是要靠產業專家的巧力進而形成的大力出的好成績（奇蹟）。
AI的健康發展是以各領域專業專家組為主導，數理統計為核心，編程及算力只是工具，否則用提供算力及工具的這些人來leading AI 發展，會形成外行領導内行，並為AI 發展種下低效偏差甚至高風險的發展。
譬如新藥開發/氣象預報/各種不同語言等等都是以領域專家為核心，否則就亂套了。
更可行的作法， 各國加緊立法，用國家特准许可的方式，來認證並核准各領域不同應用AI 的開發許可及成效認證，譬如目前自動駕駛這領域，不能僅憑廠家自行認證，必需由國家相關單位認證，納入國家法規制約。其實其他領域也應該如此，即便服務大眾的生成式大模型也要納入規範管理，絕對不能任由AI 公司自行任意發佈，一個小電器產品都需有関認證，才能上市銷售，目前AI 大模型實在是太無序了，AI 公司任意上市推出由市場決定其優劣，客戶當白老鼠，完全沒有任何管理約束機制。
任何AI 應用開發的公司，必須有相關該應用領域專業專家為主導，及數理統計的人員的參與，如果沒有通過這些人員資質審核要求的公司或團隊，一律不得從事AI 開發及應用工作。否則視為違法。如同醫師證照，沒證照的醫師坐診，診所如何能執業？！
建立政府職能的審核監管制度，才能防止並追蹤AI 的錯誤使用/ 違規使用/違法使用， 也進而能排除人們對AI 發展造成危害人類的擔憂。
另外這也和在Part 2) AI 產業發展形成呼應。
AI 發展的3 大組成； 各產業領域的專家，建模數理理論，算力編程的提供及組織。
此外，最讓人擔心的應該是產業領域專家組主導的AI 開發， 他們開發AI的效率及精度都是最高的，而且他們非常淸楚如何使用及駕馭它，也因此容易造成有心人藉此做出違法犯罪甚至傷害人類的事。
而算力提供者主導的AI 開發，往往效率及精度都比較差，頂多只是多浪費點資源，失誤率高點，但傷害性不強。
大家思考一下，我們該擔心AI 算力提供者弄出來的作戰機器人，還是該擔心軍方專業人士主導開發的作戰機器人？！
特別是在敏感的專業領域，如核暴/氣象/大気動力/海洋動力/基因工程等等，我記得40 多年前，這些參與CIC(AI)建模的產業專家組人員，基本都被政府列管登記在冊。
因此整𠆤AI 產業的發展， 政府必須義無反顧的出面建立審核/ 監管機制，這樣才能確保有序/ 健康的發展。 而眼前無序的亂象也得以解決。
没找到 part2 的评论
@@yuqiang8633 Part 2):
另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。
其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。
其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。
因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。
但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。
其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。
這些搞編程所謂AI 專家，其看待事物的内容實在令人啼笑皆非。
譬如： 看到報導某AI 頂流科學家，其模型在AI 大賽中，以16%失誤率， 遠勝於另 一AI 大佬的23% 失誤率，而得到冠軍。
a)殊不知數理統計迥歸分析的誤差要求是5% 甚至到3% ， 一個誤差率高達16% 的模型，居然可以拿出來比賽甚至取得冠軍， 真不知這羣頂流AI 的外星兼外行的科學家在玩什麼遊戲？！
b)人類智慧的誤失率基本都趨近於零。
任何事務的成果，都不是線性的。 這群AI 科學家居然誤導性的告知世人，宣稱他們現在誤差率已達16 % ， 他們離成功不遠了。
殊不知任何人學習或做事務的成果，達到90 分是很容易的，只要多付出就可輕易達成，但90-100 分，那完全不是和努力付出成正比的，那是和天份及其他綜合因素有関，90 分後要再成長其難度是巨大非線性的。
人工智慧的誤失率16% 要成長到 人類智慧的0% 誤失率，給其500 年都難以達到。
另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式或進行矩陣相乘。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積或是乘積和。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。
GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片, 或是Tesla 的針對矩陣暴力運算的NPU 。英偉達的GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 算力工作，則晶片設計可採用其他非常簡化有效率的方式，而且成本便宜很多。
未來可能的發展模式：
1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。
有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。
2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦，各類雲,工作站甚至各𠆤大模型參與分散型算力的提供，恊作，整合，這也是需由資訊及硬體工程來實現的。
@@yuqiang8633 Part 2):
另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。
其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。
其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。
因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。
但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。
其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。
這些搞編程所謂AI 專家，其看待事物的内容實在令人啼笑皆非。
譬如： 看到報導某AI 頂流科學家，其模型在AI 大賽中，以16%失誤率， 遠勝於另 一AI 大佬的23% 失誤率，而得到冠軍。
a)殊不知數理統計迥歸分析的誤差要求是5% 甚至到3% ， 一個誤差率高達16% 的模型，居然可以拿出來比賽甚至取得冠軍， 真不知這羣頂流AI 的外星兼外行的科學家在玩什麼遊戲？！
b)人類智慧的誤失率基本都趨近於零。
任何事務的成果，都不是線性的。 這群AI 科學家居然誤導性的告知世人，宣稱他們現在誤差率已達16 % ， 他們離成功不遠了。
殊不知任何人學習或做事務的成果，達到90 分是很容易的，只要多付出就可輕易達成，但90-100 分，那完全不是和努力付出成正比的，那是和天份及其他綜合因素有関，90 分後要再成長其難度是巨大非線性的。
人工智慧的誤失率16% 要成長到 人類智慧的0% 誤失率，給其500 年都難以達到。
另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式或進行矩陣相乘。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積或是乘積和。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。
GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片, 或是Tesla 的針對矩陣暴力運算的NPU 。英偉達的GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 算力工作，則晶片設計可採用其他非常簡化有效率的方式，而且成本便宜很多。
未來可能的發展模式：
1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。
有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。
2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦，各類雲,工作站甚至各𠆤大模型參與分散型算力的提供，恊作，整合，這也是需由資訊及硬體工程來實現的。
@@yuqiang8633 你點擊他的頭像就找得到了
您解说的特别好，有深度有想法，给我很多启发。谢谢！
-課題-
1. 專注在Fundamental ：學習最基礎最有槓桿力的big ideas
2. 學習新領域：跨領域學習其他行業最有槓桿力的big ideas
3. 利用AI加速上面兩點
想法>技術（可由AI執行）
-建議-
📍思考自身行業的核心基礎，找到AI槓桿的支點
📍累積經驗與提高思考力有助於找到基礎知識
📍跨領域是為了利用別人的專業解決自己專業的問題，不是去盲目跨行：ex 業務為了賣更多商品學習心理學，而非為了成為心理學家
📍詢問ai 跨領域的big ideas，當個跨領域的創造者，守著單一的執行者只會被淘汰
你很优秀，对了书名是什么记得吗
基礎知識真的非常重要，
學生時代的物理艱澀難題解法都會忘記，
但是只要記得F=ma就可以搭配工具書在工作上重新領悟一次。
说得真对
感觉Go basic应该是Go fundamental更准确
基本 和 基礎
说的很好，干货！感觉AI就是降龙十八掌，只有萧峰将其发挥到了极致，究其原因，就是内功扎实。在当下，深挖行业的知识，把基础做好做牢，AI就会把内力发挥到极致。
哈！ 「降龙十八掌 」這個譬喻真有趣！🤣🤣🤣
這集又是一集聖經等級視頻，給人好多深層啟發。感謝money xzy 😊
感謝你的這影片 這讓我有這個想法 如果一直盲目追求學習新工具而不去思考或是學習背後的big idea 那只會變成工具人 容易被淘汰 就像那些以cheap idea為根基的AI工具
個人覺得這些東西只適合在chat gpt出現之前的線性成長，
比如上是個世代的，物理學>到發現電力>電磁>電子>邏輯陣列>mos積體電路>>>後面的軟體算力應用>AI
除GPT Ai之前的所有物理科技革命，都不具備深度學習辨識及自學的能力..
在gpt出來以後，所謂的程式跟人工智能的進步速度
建立在gpt演算法上的成長力應該會是之前的平方倍數..最後可能變成啟業有錢人壟斷資源，藉由ai把底層跟上層社會的人，
遠遠甩開，像一些電影演出的情形
我同事問我希望我的小孩大學念什麼
我的答案是: 這個世界變得太快了，追著風口走可能畢業了你的專業也準備完了，所以應該要去學那些內容幾乎不會改變的專業: 純數學或是理論物理。
然後在台灣畢業後ㄏㄏ
@@phone_____0770 還是可以出國 😂，這兩個學科拿全奬唸研究所還是相對容易
應該去學商管，少變化又能賺錢
如果把AI看成了人类的工具，那你总结的确实没错。历史上人类的所有发明也都是工具类的。但这次让人害怕的是AI很有可能指数级进化，成为超越人类的物种。当AI比人类的智慧创造力执行力强几倍几十倍的时候，我们那些引以为豪的ideas，对AI来说就好比我们看待家里的小猫小狗的可爱想法举动一样。未来我们能做的就是和AI的结合。我们要么成为那个新物种，要么就是被那个新物种所淘汰
AI 沒有基本權利那永遠只能當工具
ai会不会，能不能单独去突破和破解核武器使用系统，并发出指令。会不会突破核电站的使用权限发出错误指令。不需要自主意识，只要有野心家控制和演发了这样的破坏性的ai,人类就危险了。
最近因為4o關係才看了好幾個利用AI賺錢的影片，理論上應該是可行，但總覺得哪裡怪怪的，今天被推播到您的影片才豁然開朗。
讲的太好了，一下子对于自己应该做什么清晰了，感谢博主！
喜愛學習的人，可以生在這個時代真的是很過癮的事情！謝謝你的分享！非常受用。
非常感谢，这个视频总结的观点非常正确，强化了我的理解
讲得太棒了，提纲挈领，有相当强的指导意义，解决了我学AI这段时间以来的大部分困惑，同时也指明了方向，感谢您！
有句俗諺: " 一個人走得快，一群人走得遠。 " 有AI的出現之後，一個人可以走得快，同時比以前遠得多。個人能走得多遠似乎觀護其應用AI的創意能力，但是這又需要仰賴個人對手邊AI工具的了解程度。
😊
所以创作力、执行力、和价值呈现是关键❤😊
真的非常喜欢+反复观看作者的好几个视频，不仅说话的语音节奏都很好，观点更是非常实在+醍醐灌顶，希望作者在未来能创作出更多优质视频！
利用好AI，提升自己，加速学习，保持思考。
自己的大脑是永远无法被代替的，除非你不珍惜。
这期正是我对AI的观点和感觉，
面对如今的AI时代的开始，我完全没有恐惧，而是很兴奋，因为我发现我将能学习掌握比原计划多很多的东西
非常贊同您的見解！ 「自己的大脑是永远无法被代替的」。 💯🙆 ✅
言之有理，精闢~ 感謝分享 ~
感謝，極大緩解AI浪潮帶給我的焦慮
我认为主要是要学会如何写好AI提示词，因为它是最基础的知识。在跨行业方面，我觉得可以利用AI反推指令公式来执行很多不同的项目。因此，好的提示词才能让AI做出优秀的项目。提示词是最重要的，也是最基础的知识。😀
刷到这个视频，感觉这个博主表达水平很易懂，回头研究一下，主要是播啥的
每期都讓我收獲超多 真是謝謝！
請問 Ray, 您常在影片的用到 Mind set 流程圖，請問是哪一個平台？或軟體？使用費用是多少？ 感謝！
UP的思路和想法很好，就看怎么实施了
作为程序员，非常认同up的观点！idea才是最难产的部分。最近在尝试怎么用ai学习某个领域的big idea 还在摸索 信息量太多了，不知道怎么甄别出那20%😂
請問你用什麼方法學習BIG IDEA？
说得太好了！读心术的前提是你的心里真的有这些东西！
作為雜學不精的人看到這部影片好安慰🥹，在之前的時代裡通才型的人真的沒什麼好出路
Money老师说得很好，我也想跟着发挥一点自己的见解。
AI可以完成对现有知识的整合，废除掉大部分为了实现目的而制作的工具。但工具的进化过程中会有许多我们意想不到的新效果出现，比如在绘画层面上，板绘带来了新的上色方法以及全新的视觉效果，比如’厚涂‘。而这些技巧又会反过来反哺到行业本身的目标，推动行业上限提高。
我们必须学会如何使用AI，以把精力放在真正重要的部分。但基于上述的经验，成为推动行业进步的推动力，开发新的，尚未被AI学习过的知识，也会是未来被青睐的能力。而且这样的人因为其稀缺性，势必获得难以想象的回报。
当然现在说这些还太早了，我认为这些胡思乱想只有AGI出现后才值得被讨论。但即使AGI打了水漂，通过对现有AI的产品化，深挖应用潜力，我们在未来10年内至少也能获得个30%程度的AGI，那时的我们依旧要考虑这个问题。到底是被AI代替，还是和AI竞争，抑或是引领AI的前进？
看法跟你一样， 去读个导演编剧进修班，比去学提示词工程是更值得学习的事情。 任何高效的工具，都取决于人怎么指挥和评判。
把专注力放在基础知识上 也是我妈妈经常教导我的一句话
深入淺出，思考透徹，精彩🎉
說的真好。
悟空！懷念鳥山老師！😢
这也是我过去一周深度学习Midjourney的心得体验
老师的视频我反反复复看了几次，受益匪浅啊❤
這是我看過對於AI 運用的相關評論最中肯的立場，期待XYZ繼續開導大家，訂閱了！
谢谢博主的观点，果断关注❤
你背景布置是我见过最好的，小而精致！
真的很有幫助 打算繼續關注您的作品 繼續加油! 近期會感謝你
本質來說，你講的本行業的基礎知識和跨行業的知識學習，沒有ai的情況下也要去做，但ai出現以後可以成倍地提升這樣做的效率。因此，你沒有講到的真正的重點其實是要快速適應學習prompt engineering，來衝分運用ai的能力。
深入浅出，举重若轻，醍醐灌顶😀
非常同意，和我工作中使用ai工具得出的結論一樣。
謝謝博主說出真相。
AI真的超有用，至少我现在每天工作都离不开ChatGPT了😂
以前是人工的analyst，现在是AI的analyst，你是老板，你理解商业需求，你持续提出要求，持续iterate analyst给你的作品，直到达到你认可的“故事”质量。所以区别就是，成本降低了因为采用AI analyst
不，其實現在最重要的事是快速讓自己資產積累，你再怎樣也比拼不過ＡＩ的進化速度的，打不贏就加入，有錢的人才有資格享受ＡＩ
谢谢你的讲解 真的特别特别有启发！
XYZ视频质量太高了，用头脑又用心
感谢博主，确实已经讲明白了Ai时代该怎么做
其實現在核心能力培養難度是上升的，必須要有思考力(商業、政經軍事局勢、跨領域思維等)
到位！跟我的想法非常吻合！持续关注你的新观点
博主是我最喜欢的UA-cam 博主之一，唯一的缺点就是等更新太久了😢😢
哈哈，感谢支持！我只有在自己有内容分享的时候才能输出。我很难按照一个固定的频率创作。。
这个问题非常简单。AI想要学习一件事必须要数据，自动驾驶需要驾驶数据；LLM编程需要编程数据。只要能收集到数据的，AI都可以学习。所以理论上长期上绝对不会被AI代替的事情就是去做AI永远收集不到的数据的事。有一种数据是人工智能永远无法从活生生的人类那里获得的，就是我们的感官接触外界事物时产生的感觉。比如没有嗅觉和人类肉体的AI是永远无法只通过语言体会到冬天过后春天的阳光，暖风和花香给人带来的身心感受的。这种体验是超越语言，直接触及心灵，并且只能用肉体体才能体会到的。这些都是深刻的人类体验，它们与我们的意识和物理存在内在相关。很少有人有时间和耐心去挖掘自己内在的经历和感受。除了这个，学什么未来10年AGI都会替代，只要它能收集到数据。有了正确的数据，大多数工作迟早会被取代。这是时间问题，而不是可能性问题。
到底要学啥？
学收集自己的内在感受，有点像正念，其他所有能从网上和远程工作学到的AI肯定也可以学。至于学这个怎么赚钱我暂时还不知道@@jiefang11
我也曾经有你这样的想法，主要做AI 没有数据的工作就不会被代替。我当时想到比较*安全*的职业就是厨师或者按摩师，因为这两个职业需要味觉以及触觉。但是现在我认为味觉的本质就是分子的跟口水产生化学反应产生的一种化学信号，理论上是可以得到数据的。触觉的本质是压力和温度，理论上也是可以得到数据的。我目前还真想不出来有什么行业是绝对安全的。
@@wenhanzhou5826分子的反应和压力温度只是物理现象，抛开收集它们的复杂度不说，理论上AI是可以得到这些数据的。但感受是人体接触到这些物理现象后的苦乐感受。比如在夏天吃到口感好的冰西瓜给人带来的愉快感受。想要得到这些数据AI不光需要人造口腔收集物理现象，还需要模拟人全身精神上的各种复杂反应和勾起的回忆。我想象不到除了人自己还有什么可以体会到这样的微妙感受。就像人类永远无法想象做一个章鱼活着会是什么感觉一样。
@@wenhanzhou5826现在都有按摩椅了。机器人泡的咖啡更美味。所以这两个职业是绝对可以很容易被AI取代的。
“他们不工作的原因是...” "The reason why they won't work is that..."
可能性1：XYZ的英语如此好，以至于他的思考方式都是英语优先，然后秒翻译成汉语。
可能性2：XYZ用ChatGPT润色，然后背稿或者读稿。
1
@@MoneyXYZ 只能说铁子太犀利了。你的思维方式简直棒极了。各方面都可以当教材给大学生讲。cheers!
您的这期节目干货满满
非常棒，講的很透徹
很喜欢博主的视频，希望出产更多来满足大家的需求
受教了，你这个idea不错。
说得有道理，但是抛去时间谈赚钱是不合理的，挣不到快钱是现在人非常焦虑的😊
说的很到位！我一个编程的现在都要开始学习3d建模了 唉 国内太卷了
确实是这样。现在虽说AI这么强大，我在工作中看到的更多还是fundamental 的知识如何运用在技术上，离开基础啥技术也不用谈😅
@SophiaCao-vg3yp：同意您的觀點 ！ fundamental 的知识永遠是 essential 的。 AI是工具，永遠只是工具。 它不具備人類的靈性、沒有心識的支撐，也沒有人類特有的感情和共情性，它不是perfect的，人類不能完全依賴AI來度過人生。 🙆
谢谢分享。综合各个学科在芒格的书里就特别强调😂帮我投资挣了不少钱。
就好像我想拍视频，拍出来后，不知道怎么把它剪成自己想要的样子，我也不打算花大量时间去学习这些相关知识去达到我的目的。以后用AI剪就好了，甚至可以达到每一帧都是我想要的样子。
10幾年前常常看到電腦補習班的廣告，就是那種用Painter繪畫的廣告，很多人報名之後才發現並不是靠電腦就能當畫家，原來還是要有一點繪畫的基礎功，現在的AI也是一樣丫，不是只靠AI就能當大導演，AI只是輔助工具，沒有相當的基礎實力AI也沒辦法幫你賺錢，但如果用AI騙人那就另當別論了
没有自动挡汽车的话
司机会少很多的
你还会觉得自动挡只是辅助么
@@待飞罗 本來就是輔助丫，像我不會開車，就算是自動擋我還是不會開，我一定要去駕訓班學會開車，自動擋才有意義，你沒有相關知識的基本功，再好的AI也沒用，舉個例子：相同的劇本，我用AI做出一部電影，跟李安用AI做出一部電影，做出來的效果會是一樣的嗎？
@@待飞罗 本來就是輔助丫，像我不會開車，就算是自動檔我還是不會開，我一定要先去駕訓班學會開車，自動擋才有意義，如果沒有相關知識的基本功，再好的AI都沒用，舉個例子：相同的劇本，我用AI做出一部電影跟李安用AI做出一部電影，你覺得做出來的效果會一樣嗎？
這個案例太好了！ 不管在哪個領域， 「 基本功」永遠是第一位的！ 🧑🎓
真的，最近都在考虑关于AI的问题。说到点子上了！
AI就是我們的神燈精靈
執行面門檻 AI多數都會搞定
以後比誰許願許得好
拼的是 想像力 審美 基本Sense
以及對人性的了解
说到点子上了！赞一个🀄
“从领域的执行者到跨领域的决策和创作者的身份转变”
@MoneyXYZ ， 请问一下，有没有一集是介绍播主的视频？我个人还挺好奇播主是如何培养出自己的思维模式，感觉播主思维特别清晰，而且学习能力特别强。
A I 产生的图，声音，动画，都是宝贝，他的价值，只有当它没有了，才会发现它的价值。你现在用到A I都是很幸运的人。如果你发现它的价值，它可以和你匹配的，人才的价值。如果你做的了，你就走好运了。每个国家都要人才。
外行人學AI 的路徑和懶人包, 是有興趣的
真的很好，非常感谢
说的很好，刷了2遍
讲的好棒！
很棒的内容