Zayn's Notes

Ch01-L02 模块1中文 如何学习AI

118 min read

Module #1：如何学习 AI？｜理解 AI 的技术本质与机会

我的理解

本课系统阐释了「如何学习 AI」这一问题的深层逻辑。核心论点是：AI 的技术本质是继编程、GUI 之后的第三种算力调度方式——用自然语言控制计算机——其量级与 GUI 当年的革命相当，这正是比尔·盖茨所指的「一生仅见两次」的范式转变。学习难点体现在三重挑战上：需要「去学」旧范式的隐性假设（如习惯先学框架）、目标模糊（大公司也不知道如何评估 AI 能力），以及情感层面对「变得无关紧要」的潜意识抗拒。破局之道是建立 builder 心态并持续动手：以比尔·盖茨从初中就编程、高中就创业为例，说明只有长期 building 才能在新范式到来时敏锐捕捉机会。AI 开启的核心市场机会是 UGS（用户生成软件），即以自然语言解锁长尾生产力需求，这是继 GUI 之后最大的算力民主化浪潮。

相关链接

原文

Lesson 2 of 68 视频（中文） - Module #1：如何学习 AI？｜理解 AI 的技术本质与机会 大家好 Hide transcript Transcript 00:01 大家好 00:02 欢迎来到我们 build with AI 的第一课 00:05 这是这门课的中文讲解 00:06 全新制作的中文讲解 00:08 在第一节课里 00:10 我们会跟大家讲清楚如何学习 AI 00:13 如何学习 AI 其实是一个 00:15 有很多层的东西 00:18 所以说很多人到现在还 00:19 不知道怎么样学 AI 00:21 这是因为背后它其实知识是很深的 00:24 我们想要知道怎么样学好 AI 的话 00:27 我们先要知道 AI 的技术本质是什么 00:29 但是我们想要知道 AI 的 00:31 技术本质是什么的话 00:32 我们又需要知道什么 00:33 是技术本质这个概念 00:35 所以说在这里 00:36 在这节课里 00:36 我们都会给大家讲解清楚 00:38 并且跟大家讲一下 00:39 我们现在的 AI 发展会是它的 00:42 这个技术发展曲线的哪一步 00:44 我们在当下应该如何学习 00:46 更重要的是我们如何有一个 00:48 面向未来的这样的一个 vision 00:50 这样一个对未来的图景 00:52 所以说我们不仅要 00:53 不光知道当下我们应该如何学习 00:55 更重要的是我们知道我们 00:57 这个学习它的目标到底是什么 00:59 这是我们第一节课的内容 01:01 在第一节课开始之前 01:03 我稍稍给大家介绍一下怎么 01:04 样去打开我们的课程啊 01:06 就是怎么样去进行最有效的学习 01:09 我们的社区里是有 4 节课的 01:11 你现在是 AI builders 这门课程的学员的话 01:14 你应该已经有了 authentic AI 和 AI 01:16 时代的编程基础这两门课程 01:18 这两门课程都是主课赠送的 01:20 AI architect 呢 01:21 它是着重于教大家怎么架构 01:25 并且是有一个专门的 01:28 讲的一个比较 sophisticated Pro project 吧 01:30 它其实是完整的 01:32 非常大的一个 project based 01:34 这么一个应用课程 01:35 啊 01:36 所以说就是如果你上 build with AI 的话 01:38 这个 01:39 AI builder 01:40 就这门课程啊 01:41 我们现在上的这门课程是教大家 01:42 怎么样可以在工作中把 AI 用好 01:45 然后很多 build AI 的具体技巧 01:48 那那 build with AI 的具体技巧 01:51 AI architect 那门课程就更多的是怎么 01:53 样子运用我们学到的这些技巧 01:55 去做一个属于你自己的 sophisticated APP 01:58 甚至是 system 02:00 那 AI builder 这门课程 02:02 我建议大家的学习 02:03 学习顺序是是这样的 02:05 无论你有没有编程基础 02:06 你都可以先看一下 AI 时代的编程基础 02:09 如果你是一个资深程序员 02:10 很多资深程序员跟我们也反馈啊 02:12 就是他们看了以后就可以把 02:14 自己的脑子的知识讲得更清楚了 02:16 反正一个小时 02:17 啊 02:18 很快 02:18 啊 02:19 大家可以去看一下 02:20 我觉得里边的就是 02:21 哪怕对于资深程序员 02:23 他的两个模板都是很好用的 02:26 接下来呢 02:27 你如果说想 02:28 你不太熟悉 cursor 02:29 然后你想去把 cursor 用好的话 02:31 你可以去打开 authentic AI 02:33 的原理与实践看一下 02:34 如果你已经很熟悉 cursor 了 02:36 那你直接去看这门课就好了 02:38 呃 02:38 这门课呢 02:38 我建议大家的学习方式是先把 02:40 我们这里边的这些视频看了 02:42 就是先看 02:43 啊 02:44 module one 02:44 module two 的视频 02:46 然后接下来呢 02:46 你就可以开始做这些 projects 了 02:51 咦 02:51 我们的 projects 02:54 接下来呢 02:55 你你 02:56 接下来你就可以去做这个 projects 了 02:59 这 5 个 projects 其实都是 specifically designed 03:03 如果说你第一次看的话 03:04 你会觉得它还挺复杂 03:05 但是其实你在 AI 的帮助下 03:07 每一个 project 只需要花 03:08 10 分钟就可以做好 03:09 如果你做了超过 10 分钟的话 03:11 那就说明 03:12 那可能是你的这个方法有一些问题 03:14 回到呃 module one module two 的那些方法 03:17 然后去想一想怎么做 03:19 当你就是做完了 03:20 或者说你想看答案的话 03:22 这里有一个专门的视频去教 03:24 大家这几个 projects 是怎么回事 03:26 注意啊 03:27 就是这个视频是我们从 Maven 03:29 的 office hours 直接拿下来的 03:31 所以说有的时候里边说 03:32 的一些就是 Stolen PORTAL 啊 03:34 是关于 Maven 的和这个 03:36 我们现在这里的内容不完全一样 03:39 啊 03:39 但是其实地方不一样 03:40 内容是一样的 03:41 就是你在 03:42 如果说你要交作业 03:43 比如说进入这个 projects 03:45 然后在这个 comments 里边去交作业就行了 03:50 我们课程有很多个 04:01 我们的课程我们的课程其实是有很多 04:06 节课的 04:06 就是应该是有 70 多节课 04:08 然后有 200 多页的东西 04:11 那我们希望大家是先看视频 04:14 看完视频了以后 04:15 你如果 04:16 但是你起码也要 04:16 看一下这里边的一些标题 04:19 知道你 04:20 遇到的问题的时候 04:21 啊 04:21 有这些知识库 04:22 你把它当成一个图书馆吧 04:24 就是当你在看我们视频之后 04:26 我们就希望你直接动手去做项目 04:28 在做项目的过程中遇到问题的话 04:29 就可以回来去看一下这些 04:31 就比如说我们的 AI 偷懒了怎么办 04:33 我们 AI 忘东西了怎么办 04:35 可以回来看一下对应的章节 04:37 去帮你解决具体的问题 04:39 那好 04:39 我们就直接进入第一章的学习 04:41 如何学习 AI 04:46 那简单 overview 一下的话 04:49 像我刚刚说的 04:49 就是首先我们是要需要有 04:51 一个对 AI 这个技术的 understanding 04:53 为什么 AI 这么难学 04:55 以及为什么我们现在 04:57 的生成式 AI 这么重要 04:59 然后我们去呃直接上手 05:01 在 build 的过程中去看一下 05:03 把这些 05:04 就是所谓的抽象的价值具体化 05:08 好 05:09 所以说核心的问题就是 05:11 为什么 AI 其实非常容易开始 05:13 我们每个人都可以 05:14 打开 chatgpt 跟 AI 聊一下天 05:15 就是在使用 AI 了 05:17 easy to start 05:18 但是想要用好其实很不容易 05:20 我们都可以看到身边有 05:21 很多人用 AI 用的各种好 05:23 但是我们自己去上手用的时候 05:24 就会发现很难发挥 AI 的真正潜力 05:27 所以说现在 AI 的工具已经很强大了 05:29 但是能不能发挥 AI 的潜力是 05:31 其实每个人的差别是非常大 05:33 那为什么呢 05:34 呃 05:35 我们常见的症状就是我 05:38 基本上只能跟 AI 聊天 05:39 对吧 05:40 i chat with AI every day 05:41 but it’s hard to move beyond chat 05:43 我很难就是在 CHAT 之外去做一些事情 05:46 如果说很多人已经开始使用 CURSOR 了 05:48 我们还会发现在 AI 界 05:50 有各种各样的新闻 05:52 你是很难就是把信号 05:55 和噪音给区分开来 05:56 然后找到那个真正的机会的 05:58 机会正好 05:59 正正是机会太多了 06:00 然后每一个都需要我们的判断 06:02 所以说这种就是 06:05 啊 06:05 hype 是很难真正的嗯 cut through 06:08 唉 06:08 这个怎么翻译呢 06:09 哈哈 06:10 就是反正就是很难把 06:11 信号和和噪音给区分开 06:13 然后我们会发现哪怕 06:15 我们开始使用 AI 了 06:16 我们也很难把 AI 和我们现在的这些 06:19 非常复杂的 workflow 给真正结合好 06:21 并且真正的提高我们自己的效率 06:23 就是可能我们在一件事情上 06:25 我们之前做不好 06:25 然后 AI 能做好 06:27 但是我们会发现我们整体 06:28 的工作效率没有提高太多 06:30 然后我们也会发现啊 06:30 就是 AI 在 production 里边其实是不 reliable 的 06:34 起码对一个不会使用 AI 06:36 的人是这个样子的 06:37 如果你会使用 AI 06:38 这是我们课程到后面 06:39 我相信大家可以达到的一个效果 06:41 就是你会让 AI 变得非常靠谱 06:43 你能在工作中和 06:45 production 中真正的应用它 06:47 但是对于一个新手 06:48 或者说是他没有掌握 06:49 学习方法的人来说 06:51 和使用方法的人来说 06:52 他的 AI 06:53 他在 AI 在 production 中就使用的各种不靠谱 06:57 那背后的原因是因为我们 06:59 现在正在经历一个范式变化 07:03 一个 paradigm shift 07:04 是一个技术的范式变化 07:06 在这里呢 07:07 我就先打开 07:08 比尔盖比尔盖茨在 2023 年 2023 年 3 月份 07:12 这是 GPT4 刚刚出来的时候 07:14 他写的一个文章 07:16 这篇文章我觉得是非常好的总结 07:18 了这个是一个什么样的范式变化 07:20 以及范式变化这件事情啊 07:22 其实对于普通人来说 07:23 我们是不会直接接触的 07:25 因为它其实是一个抽象层的东西 07:27 就是我们看到的是电脑 07:28 我们看到的是手机 07:29 但是我们很难真正想好 07:31 背后的技术范式是什么 07:33 所以说比尔盖茨作为 07:35 一个活了 70 多岁的这个 07:36 就是科技一线的人嘛 07:37 前世界首富 07:39 他看到的 AI 的范式到底是什么东西 07:42 然后他发的这篇文章是在 GPT4 之后 07:44 他说 the age of AI has begun 07:47 那然后他第一句话就说 07:50 在比尔盖茨 07:51 in my lifetime 07:52 在我这辈子 07:53 i have seen two demonstrations of 07:55 technology that struck me as revolutionary 07:57 就是有两个颠覆式的科技 07:59 比尔盖茨的 70 多年啊 08:01 那第二个很明显是 AI 08:02 the age of AI has begun 08:04 第二个是 AI 08:05 第一个大家不妨猜一下是什么 08:08 是 PC 吗 08:09 是软件吗 08:10 是手机吗 08:11 是互联网吗 08:12 这些都是非常大的技术 08:14 但是在比尔盖茨看来啊 08:16 第一个 revolutionary technology 是 GUI 08:20 它代表了一个全新的技术范式 08:23 而 AI 是一个像 GUI 那么大的技术范式 08:27 是有 GUI 的存在 08:28 所以说电脑软件互联网手机这些 08:32 东西才能被广大的消费者接受和使用 08:35 人们才可以通过这些技术 08:37 去调度背后的广大算力 08:40 AI 是一个新的 08:42 像 GUI 同等级别的技术范式 08:45 这个我一会在后面举具体更 08:47 具体的例子就可以理解了 08:49 我在这里用这篇文章是要告诉大家 08:52 提醒大家理解技术范式 08:53 是一个多么重要的事 08:56 那我们知道 AI 是一个新的技术范式 09:01 我们也会发现 09:02 每当出现一个新的技术范式的时候 09:04 人们其实是会遇到很多挑战的 09:06 这就是为什么我们其实学很多 09:08 其他东西没有遇到这么大的挑战 09:09 但是学 AI 遇到这么大的挑战 09:12 是因为我们 AI 是一个全新的技术范式 09:15 那这个全新的技术 09:16 范式有这么多个挑战啊 09:18 大家感兴趣自己看一下 09:19 但是我觉得三个挑战是非常重要的 09:22 就第一呢 09:22 你需要 unlearn 09:24 因为它是一个全新的技术范式 09:25 你在上一个技术范式里边学到 09:27 的很多东西是已经不适用的 09:30 更关键的是 09:31 你脑子中的很多隐含 09:33 隐含知识和隐含假设 09:35 比如说啊 09:36 我们要开发一个 ios APP 09:38 我们第一步要先学 framework 09:40 就比如说今天 ios 09:42 就这两天 ios 进行了更新 09:44 然后我因为 09:45 就是因为一些 APP 是用 09:46 这个 ios 的框架去开发的 09:48 所以说它直接就有了 09:50 那个 Liquid glass 的效果 09:52 就包括我们的社区的网站 09:54 大家如果看一下的话 09:55 就会看到底下的那个侧边栏啊 09:58 直接就更新了 09:59 是因为它是用 ios 的 framework 开发的 10:01 所以说在上一个时代 10:04 学习 framework 是最有效的学习方式 10:07 这个东西是一个上 10:09 一个时代非常适用的点 10:10 但是我们在 AI 的时候 10:12 所以说很多人就会带着这个习惯去说 10:15 啊 10:15 我要学 AI 了 10:16 那我应该学什么 framework 嘛 10:18 然后网上一搜 10:18 lang chain 什么东西去学 10:19 然后就掉进坑里边了 10:21 这就是因为上一个时代的这个一些 10:23 隐含假设在下一个时代已经是不适用 10:25 的 10:26 如果你感兴趣的话 10:27 鸭哥在我们的就是 Superdina 10:29 里边也有一篇专门的文章 10:31 比如说就在这个 knowledge bank 10:33 呃 10:34 我帮大家搜出来吧 10:38 或者我这样搜一下 10:57 到这篇文章 10:58 为什么学习 agentic AI 的 10:59 第一步是忘记所有框架 11:02 它就会讲 11:03 清楚上一个时代和下一个 11:05 时代具体的区别是什么 11:06 如果大家感兴趣的话也可以去读一下 11:08 就意识到了很多东西 11:10 为什么我们需要 unlearn 11:11 然后我们提供了一个很大 11:12 价值是帮大家 identify 这些 11:15 隐性知识和隐性假设是什么 11:16 然后帮助大家去更好的 11:18 unlearn 上一个时代不适用的 11:20 甚至包括很多工作方式啊 11:21 就是我们会觉得 11:23 嗯 11:23 我们现在的工作是天经地义的 11:25 但是其实就是当一个 11:27 新的生产力出来以后 11:28 生产关系也会发生改变 11:30 这些我们回头可以再多呃讲 11:33 但是总之就是 11:34 其实一个新的技术范式 11:36 它带来的变革是深远 11:38 和这个隐性的 11:41 我们要专观 11:42 看到这个隐性的变化 11:43 然后才能更好的去适应新的技术范式 11:46 那第二个呢 11:47 就是我们 target 是 unknown 的 11:48 在上一个时代 11:49 你说程序员 11:50 什么是好的程序员 11:51 能刷力扣的人 11:52 啊 11:52 可以吧 11:53 啊 11:53 能写好 Java 的人是好的程序员 11:55 什么是好的数据科学家 11:56 大家都是有一个大概的这么一个标准 11:58 呃 11:58 新的时代 11:59 你说一个什么是很好的 12:00 会使用 AI 的数据科学家 12:02 几乎没有人可以提出来这么 12:04 一个就是有效的评判框架 12:06 包括我知道绝大多数的大公司里边 12:08 其实他们根本就不知道怎么 12:09 样子在一个新的时时代的技术 12:11 框架去 evaluate 一个人的这样的素质 12:15 我提出来了很多啊 12:15 但是我人微言轻 12:17 所以说我觉得呵 12:18 就是很难去影响到 12:20 这些大公司们的决定 12:22 可是 12:23 这就是说明了这个时代的问题嘛 12:25 就是大家不知道什么是好坏的标准 12:28 所以说我们也不知道 12:29 应该朝什么方向去努力 12:30 第三个是我们每个人也是 12:32 一个特别需要关注的点 12:34 我觉得其实这个是最重要的 12:36 因为这是情感层面的 12:38 就是 fear of failure or irrelevance 12:41 我们担心失败 12:42 我们担心自己变得不重要 12:44 所以说我们潜意识 12:46 里边会抗拒这个新技术 12:49 就比如说我去打出租车 12:51 出租车就会就会说滴滴司机开车 12:54 真的是不讲不讲公德等等等等 12:56 他们会给滴滴司机贴这样一个标签 12:59 是因为滴滴司机抢了他们的饭碗 13:01 我们担心 AI 的到来会 13:03 让我们的价值不就 13:05 让我们变得没有价值 13:06 我们担心 AI 取代我们的工作 13:08 然后我们这时候可能是 13:10 一个潜意识里的更新 13:11 这个时候我们就会拒绝去看那些 AI 13:14 啊 13:14 真正有效的案例 13:16 就是大家面对的同样的信息啊 13:18 其实大家得出来的结论是不一样 13:20 很多时候不是因为就是一个人更聪明 13:23 或者说一个人就是呃对 13:26 同样的东西得出来的结论 13:27 它本身就会导致不同的结论 13:29 而是因为我们的感情想让 13:31 我们得到什么样的结论 13:32 然后我们用理性去 justify 13:34 我们这个感性的结论 13:36 啊 13:36 我看到同样的一个信息 13:38 有的人解读啊这是一个好事 13:40 这说明了 AI 啊可以更有效的工作 13:44 有的人看到就是一个坏事 13:45 就说 AI 现在是不行的 13:46 AI 13:48 未来也是有各种各样问题的 13:49 很多人这个又又有有成本问题 13:51 又有环境问题 13:52 又有安全问题等等等等 13:54 大家会选择看到不一样的东西 13:56 然后选择得出来不一样的结论 13:57 所以说关注到自己的情感 13:59 然后关注去问一下 14:00 自己到底是担心 AI 吗 14:02 排斥 AI 吗 14:03 这样的话才能帮助我们更好的 14:05 得出来一个比较客观的建议 14:08 就是客观的结结论 14:10 那好 14:11 这是三条 14:12 我觉得一个新的技术范式 14:14 下非常重要的嗯 challenge 14:17 那 14:18 所有的想要 overcome 这些 challenge 14:21 想要克服这些挑战的根基就是 14:24 我们需要对新的技术 14:25 范式有一个 true understanding 14:28 就不是一个表面上的理解 14:29 而是一个基于原理的 14:31 非常底层的真实的理解 14:35 因为我们嘴上都可以说 14:37 啊 14:37 AI 是个新的技术范式 14:39 然后这种东西 14:40 你你说了以后其实没有理解 14:41 对吧 14:42 那我今天就跟大家讲一下 14:43 到底是个什么样的技术范式 14:46 好 14:47 我们要讲 AI 是一个什么样的技术范式 14:49 我们要先讲什么是技术范式 14:51 那什么是技术范式 14:52 我们可以看手机 14:54 iphone 是一个很典型的新的技术范式 14:57 在 iphone 之前 14:58 市面上摩托罗拉诺基亚索爱 15:00 等等有很多很多的功能机 15:02 但是 iphone 出来以后 15:03 智能机就统一江湖了 15:05 然后我们大家也知道 15:06 智能机和之前的功能机 15:08 是很不一样的技术范式 15:10 对吧 15:12 iPhone 15:13 那我请大家现在暂停下来思考一下 15:16 iphone 和之前的功能机 15:17 就智能机和之前的功能机区别 15:20 它的本质区别是什么 15:22 它的新的技术范式到底是什么 15:26 这里边一个常见的陷阱 15:28 就是我们去 compare 它们的 feature 15:32 就是有的人会说 iphone 有更好的 mobile 连接 15:35 其实不是的 15:36 你看诺基亚 N95 15:37 它是第一个支持 3G 网络的 15:40 然后 iphone 那个时候 15:40 还没有支持 3G 网络的时候 15:42 是诺基亚先支持了在手机上 3G 网络 15:46 然后包括触屏啊 15:48 然后包括就是各种丝滑的这个体验啊 15:52 其实别的东西都可以 15:53 别的别的功能机都可以仿制 15:55 然后你如果看当时 2007 年的时候 15:57 大家去比较 iphone 和诺基亚 15:59 然后 feature by feature 16:01 其实啊 16:01 包括这个 Processor 16:02 就是这个诺基亚 16:04 他们会觉得这个 16:04 呃诺基亚的 Processor 是更快的 16:06 啊 16:07 包括 video capture 16:08 手机的相机和这个视频 16:10 都是诺基亚当时的功能更好 16:13 所以说你如果去比较功能的话 16:14 你会发现 iphone 其实好像有的好有的坏 16:18 没有那么本质的不同 16:19 就是如果我们去比较功能的话 16:22 是比较不出来技术的本质的 16:24 真正的技术本质 16:25 真正的这个 paradigm shift 16:28 真正的 iphone 的不同范式 16:30 是两点 16:31 第一点呢 16:32 iphone 不再纠结于功能 16:34 它是我们一个 16:36 它是想方设法的把这个手机 16:38 做成我们身体的一个自然延伸 16:40 所以说它会有陀螺仪 16:42 然后它会有 16:43 就是你这种各种各样的 sensor 16:45 然后包括相机 16:46 你打开就可以看到 16:47 它作为我们 16:48 就是为什么它又不要 keyboard 16:50 因为 keyboard 是适配任务的 16:53 keyboard 不是一个我们 16:55 就不是一个最 natural 16:57 最 native 的这种交互方式 16:59 所以说他在硬件上呢 17:00 他想方设法的就是让这个 iphone 17:03 和我们人的人体是一部分 17:05 是我们人体的自然延伸 17:07 那在软件上这个是更重要的 17:09 他提供了一个 platform for 17:11 Mobile connection and compute 17:13 他提供了给其他的软件的一个平台 17:17 所以说 17:19 在之前的功能期 17:20 你想要完成一个功能 17:21 基本上都是要第一方或者第一方 17:23 非常 close 的 partner 去把这个东西开发出来 17:27 而 iphone 说 17:28 我这个平台提供在这里的 17:30 你在上面想要做的是 17:31 呃呃想要开发的东西 17:33 我来想帮设法 enable 你去开发 17:35 然后大家在我这上面开发 17:36 然后就可以建立一个万亿级的公司 17:38 所以说像滴滴啊 17:40 tinder 啊 17:41 微信啊 17:42 抖音啊 17:42 这些东西不是苹果做的 17:44 是其他公司做的 17:45 那在第一年的时候 17:47 我们 iphone 和诺基亚可以 17:48 feature by feature 做 comparison 17:50 但是在第十年的时候 17:52 iphone 和诺基亚的比较是 iphone 17:54 整个背后的这些巨大的 ecosystem 17:57 和诺基亚去做比较 17:59 那当然诺基亚它就没有办法打赢 iphone 18:02 那不是 18:03 就是这个新的技术范式它是 18:06 可以最 universally 18:08 就是这个硬件可以最 universally 18:10 地去适配世界上最多的 APP 18:12 然后最大的发挥这些所有 APP 的效果 18:15 并且它给这些 APP 提供了这么 18:17 软件上提供了这么一个平台 18:19 那这就是 iphone 和 18:21 诺基亚不同的技术范式 18:23 在这里我就是想通过 18:25 这个例子告诉大家啊 18:26 就是我们要去思考技术范式 18:28 然后技术范式确实 18:29 不是一个简单的东西 18:31 我们人大家如果说平时 18:33 没有这样的思考习惯的话 18:34 我们看到的是功能 18:36 我们要去进入那个抽象层才能看到 18:39 它的这个范式到底是什么东西 18:42 然后哪怕我们十年过去了 18:44 十十十年过去了 18:46 20 年 18:46 哈哈 18:47 哪怕我们 20 年过去了 18:48 就是 iphone 已经出来这么久了 18:51 很多人其实对 iphone 到底是什么技术 18:53 范式也没有一个非常深层次的思考的 18:56 那所以我们现在 AI 出来了 18:59 对 AI 的技术范式有一个深层次 19:01 的思考也是一件很难的事 19:04 但是你如果思考清楚了之后 19:06 你其实就比别人 19:08 有一个很大的竞争优势 19:09 大家可以想象一下啊 19:10 就是当 iphone 刚出来的时候 19:12 你如果想清楚了它的 19:13 技术范式是什么的话 19:15 你如果去做很多这个 Mobile 19:17 connection 和 compute 的东西 19:18 你在这个新兴的 platform 19:20 上去做一个移动 APP 的话 19:22 你有可能现在已经财富自由了 19:23 对吧 19:23 就是你不需要做一个特别大的东西 19:25 但是你去做一个不大不小的东西 19:27 你可能也可以赚很多钱 19:29 那就是 19:29 可是如果那个时候你 19:31 就是在基于这种理解的话 19:33 你就会 miss out 很多东西 19:34 你就会 19:35 亏很多钱 19:35 投入错很多东西 19:37 所以说对于一个新技术的范式理解 19:40 我觉得是非常重要的 19:42 那我们讲一下这个 19:44 新技术 AI 的范式是什么 19:50 要把它放到一个正确的理解框架里边 19:54 我们回过头来看一下所有的科技公司 19:56 他们的价值是什么 19:58 所有的科技科技公司 20:00 如果我做一个最高层次的抽象的话 20:02 他们的价值在于给人类算力 20:06 对吧 20:06 就是让人类可以调度算力 20:10 那人类之前调度算力有两种方法 20:13 第一个是通过编程的方式 20:15 第二个是通过 GUI graphical user 20:18 INTERFACE 图形交互界面的方式 20:21 其实就是为什么比尔盖茨会说 20:23 GUI 是他第一个 revolutionary technology 20:27 因为什么 20:28 因为大多数人是没有办法编程的 20:29 但是大多数人是可以 20:30 通过 GUI 去调度算力的 20:33 这个 GUI 所代表的整个 20:35 市场或者生产力的释放 20:37 肯定是这个 programming 20:39 的几万倍 20:40 几千万倍 20:41 甚至上亿倍 20:42 因为它就让更多的人 20:44 更简单更快捷更具备 20:45 确定性的可以去调度算力了 20:48 今天 AI 带来了第三条路 20:51 用自然语言去调度算力 20:55 那 GUI programming 20:57 的这个优劣太明显 20:59 大家都了了了了解 21:00 GUI 它只能在一些特定的任务上 21:03 就是你要去做任何事情 21:04 就要有人先把这个 button 给你 build 出来 21:06 对吧 21:06 就是有人先把这个按钮给你做好 21:09 啊 21:09 你没有人给你做按钮 21:10 比如说我今天说 21:11 你帮我把这个视频给 transcribe 一下 21:14 然后发布 21:14 这件事情如果没有一个按钮的话 21:16 我就没法做 21:17 但是我可以编程去实现这件事 21:19 可是问题是编程是一个很难学 21:21 并且不确定性非常高的 21:23 可是自然语言呢 21:24 它就是一个啊可以适配所有任务 21:27 我今天给 AI 说 21:28 你帮我做这件事 21:29 AI 可能今天还做不到 21:31 但是我们可以想象在五年之后 21:33 AI 基本上就可以做到这件事了 21:35 所以说它可以让我们 21:36 去做很多 general task 21:38 并且它看似是一个容易去学习的东西 21:42 只要我们会说话 21:43 我们就可以命令电脑去帮我们做事情 21:47 那这个是理论上就是 AI 它 21:50 的真正的主航道是什么 21:53 也就是我们如果回归 21:55 科技的本质 21:56 我们会看到科技的本质是调度算力 21:58 那我们这里边调度 22:00 算力的第三个 INTERFACE 22:02 第三个交互界面 22:04 这个是 AI 的主航道 22:05 用自然语言作为 INTERFACE 22:08 作为作为这个交互界面去调度算力 22:10 这个是主航道 22:12 然后我们去 22:13 继续拆解一下啊 22:14 就是我说的这个东西很概 22:16 呃 22:16 就是很概念 22:17 很抽象 22:17 那我们把它拆解一下 22:19 拆解到一个具体的任务上 22:21 然后让大家看一下 22:22 就是它在一个具体的小任务上 22:24 这个价值是如何体现的 22:27 好 22:28 然后在那之前我就再引入一个概念 22:30 就是我们要作为一个 builder’s mindset 22:34 呃 22:34 为什么要有一个 builder’s mindset 22:36 在我们学习中会常见的误区是什么 22:38 我们真正有效的学习啊 22:40 就是大家想到学习先想到的是学校 22:43 然后想到学校那个场景呢 22:44 就是想到我们坐在课堂上 22:45 然后听老师讲课 22:46 然后做作业 22:47 是吧 22:48 可是学校的学习其实 22:49 不是一个有效的学习方式 22:51 学校的学习可以帮助 22:52 我们学那些课本上的知识 22:53 然后帮我们答题 22:54 但是我们在日常的工作 22:56 生活和任何做任何事情 22:58 有效的学习从来都不是 22:59 学校里的那种学习方式 23:01 比如说我们要学网球 23:02 我们要学滑雪 23:04 比如说我们要学怎么修水管 23:06 比如说我们要学编程 23:07 我们要学做数据分析 23:09 我们是看书就能学会的吗 23:10 从来都不是 23:11 对吧 23:12 我们真正有效的学习方式是 23:13 我们先要接受知识 knowledgeintaking 23:16 然后我们要思考 23:16 然后我们要行动 23:18 然后在这个过程中不断 23:19 的知道我们要去学什么 23:20 然后最后去有效的学习 23:22 所以说学校的学习给我们学习习惯 23:25 带来了一个非常大的误解和这个 23:27 就是不良习惯 23:28 就是我们只坐在那里看 23:30 啊 23:30 然后也不想也不做 23:31 绝大多数的人 23:32 尤其是在做方面 23:33 做的实在是太少了 23:35 我们来 23:35 那我们就用做这件事 23:37 来给大家来一个 example 23:40 这是一个我们在 Maven 的课程上的 live demo 23:43 因为在 Maven 它是 cohort 嘛 23:45 就是有专门的学生 23:47 然后他们就在现场我 23:48 就可以 demo 这件事情 23:50 啊 23:50 但是这个 self pace 我就 23:52 没有办法做这件事了啊 23:53 但是我给大家形容一下我们在 Maven 23:55 上的时候做的是一个什么东西 23:57 叫 23:58 我我想给大家把这个 24:00 doc 实时发送给大家 24:02 然后我就说 24:04 我就 24:05 这这是这段话 24:06 就是 i have a Google spreadsheet with two columns 24:09 prefer name and email 24:10 how can i write a Google APP script to send that email 24:12 这个 24:14 呃 24:14 write a Google apps 24:15 script 24:16 也是我们在跟 AI 聊天的时候 24:18 呃 24:18 就是他告诉我们可以这样做 24:20 然后内容就是大概这样 24:22 啊 24:22 就是 hello 24:23 然后这样 24:24 然后 24:29 chatgpt 就告诉我去怎么做 24:32 那我接下来做的事情呢 24:33 就是去 copy 这个 code 24:35 然后 24:39 去 Google sheets 24:42 然后去这个 cohort 24:44 然后去发 24:46 然后到这个 APP script 24:50 然后把这个东西给复制粘贴下来 24:53 好 24:54 然后我 run 一下 24:56 然后所有大家就会 24:57 收到一个这种个性化的 24:59 有自己名字的 25:00 一个很漂亮的有 HTML formatting 25:02 大家看到吗 25:03 就是这些东西其实是有一些 format 25:06 对 25:06 这些就代表了他的 25:08 就是就是 style 啊 25:09 或者说是就是那个嗯层级 hierarchy 25:14 就很漂亮的这么一个 Email 25:19 然后通过这个例子呢 25:20 我们就可以去对比 25:22 我们上三个 25:24 关于呃算力的交互方式 25:28 它的区别和具体的价值 25:30 AI 的价值是什么 25:31 回过头来 25:32 编程 25:33 然后 GUI 25:34 然后我们 natural language 25:36 所以刚才我做的那件事啊 25:38 就是去发送这么一个个性化的邮件 25:42 如果我们假设我们要发 1,000 个邮件 25:45 我们有大概在 AI 之前有三条路 25:48 第一条呢 25:48 就是我们可以去手工做 25:50 就是我可以打开 Gmail 25:51 然后手工 copy 呃 copy paste1,000 次 25:54 第二呢 25:54 我就可以像 25:56 这个一样 25:57 就是手打这些呃 code 25:59 然后把这个东 26:00 呃 26:00 这些 code 给呃打出来 26:02 然后就可以发 26:02 这是第二条路 26:04 啊 26:04 不用 AI 嘛 26:05 就是手 26:05 你程序员理论上是可以做到这件事的 26:08 那第三个呢 26:09 就是我要去买一个这样的 service 26:12 比如说 mailchimp 26:14 啊 26:14 mailchimp 这样这样的一个 service 26:16 它就是一个自动化的这个 26:17 发邮件的这样的一个服务 26:20 我可以去买一个 GUI 的这样 26:22 一个软件去帮我做到这件事 26:25 那 GUI 我们看一下 26:27 它是一个 simple 26:29 啊 26:30 就是它是一个简约的方式 26:33 然后它可以去帮助我们用确定性的 26:38 这样的一个确定性的哦确定性的 26:41 outcome 确定性的结果来 control compute 26:44 什么意思就是我 GUI 它给我们的东西 26:47 就是我知道我买了这个 service 26:49 基本上一定可以达到我的目标 26:51 对吧 26:51 因为这个 path 已经被设定好了 26:53 它是 highly rigid 26:55 但是它非常 26:56 就是它是不可 26:58 不不是那么不是那么 flexible 27:00 不是那么就是灵活的 27:02 它是非常固定的 27:03 但是我知道通过这个 27:05 软件我就能达成我的目的 27:08 然后是这这些 button 背后是什么 27:11 这个 button 背后就是类似于这样的代码 27:13 对吧 27:13 就是我通过这些 button 27:15 然后我就可以 configure 这些参数 27:17 最后去帮我把邮件自动化的给发出去 27:21 但是我们要看到 GUI 是 27:23 多贵的一个东西啊 27:24 呃 27:24 正好 Mailchimp 这家公司 27:26 我选取它是为什么呢 27:27 是因为它被收购了 27:29 它在 2021 年的时候被 Intuit 收购了 27:32 是 120 亿美元 27:34 用 120 亿的美元收购价 27:37 呃 27:37 收购了 27:37 就是这么一个围绕着这样 27:40 的一个 script build 这些 button 27:42 它为什么价值 120 亿美元呢 27:46 首先当然买的是他的业务 27:47 但是我们去看一下就是 27:49 那那这个业务之所以值钱 27:52 还是来于来源于这个技术本身是值钱 27:54 然后这个技术本身呢 27:55 又为什么值钱 27:56 是因为 compute 这件事是值钱的 28:00 回到我们的任务这个本身啊 28:02 如果我们要发 1,000 个邮件的话 28:04 copy paste 1,000 次是要花时间的 28:07 然后这个时间呢 28:08 也是有成本的 28:09 我找一个人 28:10 然后这个人就首先他的时间不算 28:12 他去做 1,000 次这样重复任务 28:14 他有精神伤害 28:15 对吧 28:16 这个就是时间加精神伤害 28:18 是这件事本身的 28:19 就是时间上的价值吧 28:21 或者说是财务上的价值 28:23 那第二种方式呢 28:24 就是写写代码 28:26 嗯 28:26 写这个代码就可以搞定 28:27 第三种方式呢 28:28 是由 GUI 28:29 那所以说 28:31 做这个任务本身的 28:32 价值就是在于一一花 28:35 你可以折算成时间和精神伤害 28:37 那就是它的价值 28:39 那所以说你如果能解决它 28:41 理论上就可以带来这么多的价值 28:43 所以说 28:45 这个 GUI 的方式啊 28:46 他只收你一部分的月费 28:48 其实是把绝大多数的价值给了你 28:50 就是为什么你愿意去使用它 28:52 为什么这个 service 本身它能创造价值 28:55 因为它创造了这么多价值 28:57 然后它中间只只取了 28:58 很少的一部分的月费 28:59 但是它可以卖给很多的人 29:01 所以说它自己就有价值了 29:03 所以 29:05 solving 第一种 29:07 solving 这个 1,000 次是有价值的 29:09 可是 programming 在之前是 29:13 这怎么说呢 29:14 就是我前面说的那句话 29:15 GUI 是 programming 的几千几千倍 29:18 几万倍 29:18 几甚至上亿倍的价值 29:20 那为什么 programming 是不 work 的 29:22 如果这件事这么有价值 29:23 120 亿美元的价值 29:24 为什么 programming 本身不 work 29:26 这是因为 29:28 coding 啊 29:28 学 coding 本身是难的 29:30 而且哪怕你对于一个非常 29:32 资深的这样的一个程序员来说 29:35 你的 outcome 也是充满不确定性的 29:39 这个是一个针对程序员的漫画 29:41 而且它是一个非常老的漫画 29:43 可能是 10 年以上的历史吧 29:45 就是它描述的是一个什么现象呢 29:47 我心中啊 29:48 以为 Automation 是干 29:50 是这样 29:51 就是我的工作 29:52 然后我的时间 29:53 然后我的工作量呢 29:55 就是我要去这个 29:57 原来我的工作是一个这么多的工作 29:59 然后我去自动化 30:01 那我就需要在一开始 30:02 花一些时间去写代码 30:05 然后之后呢 30:05 我就可以自动化了 30:06 自动化之后呢 30:07 我就可以啊省时省下很多时间 30:10 我就得到了很多自由时间 30:13 但实际上呢 30:14 是我要花时间写代码 30:16 结果写了代码以后 30:17 我发现我要 debug 30:18 然后我需要 30:19 我要重新考虑我的 solution 30:20 然后我发现我这个 30:22 就是整个这个代码还 30:23 需要我的 ongoing development 30:25 结果最后就是原来想要做的时间 30:27 想要做事 30:28 做的事情都没有时间了 30:30 这个其实是程序员经常遇到的 reality 30:33 因为编程它是一个不确定性的东西 30:37 而且写代码这件事是贵的 30:39 程序员的时间是贵的 30:41 所以说你没有办法就是 30:43 把这这个就是这个成本实在是太高了 30:45 对于程序员来说 30:46 它就是一个非常不合算的事 30:48 我们很多人在学编程 30:49 也会遇到这样的问题 30:50 就是同样一件事情我们解决起来 30:52 我们发现不合算 30:53 然后我们就不不学了 30:54 不是我们不想学代码 30:55 是因为这件事对我们来说就是不合算 30:59 那再重复一遍 31:01 AI 的范式变化 31:03 这个自然语言调度算力的意义是什么 31:05 在这件事情里面就 31:07 可以显现的比较清楚了 31:09 我们去 31:11 看到就是原来需要编程解决的事情 31:13 现在可以用自然语言去解决了 31:15 那它解决的具体是什么样的需求呢 31:18 我们如果把所有的需求 31:19 分成一个 two by two 的这叫 metrics 31:21 一种呢是生产力的需求 31:23 一种是娱乐的需求 31:25 那一种是集中的需求 31:26 一种是长尾的需求 31:27 那集中的生产力需求是被邮件解决的 31:31 比如说这是第一代 Windows 31:33 比如说我们刚刚看到的那个例子 31:35 mailchimp 这种自动化邮件系统 31:38 如果集中的娱乐需求呢 31:40 门户网站在之前就解决得很好 31:42 后来长尾的需求就可以 31:45 长尾的娱乐需求就可以被 31:46 抖音这样的平台给取代 31:49 呃 31:49 给给解决 31:50 抖音之前是很 31:51 抖音之前是很难发生的 31:53 因为我们没有手机这么样子 31:54 每个人都可以创作的工具 31:56 后来手机出现了 31:57 然后每个人都可以创作 31:59 然后移动互联网让分发 32:01 信息的分发成本变得很低 32:03 然后再叠加 AI 的这种 32:06 推荐引擎变得很好 32:07 让就是 32:09 长尾内容找到长尾 32:10 消费者这件事得到了解决 32:12 所以说是三个要素啊 32:14 长尾内容创作 32:16 长尾内容分发和长尾内容的匹配 32:18 这三件事都解决了之后 32:20 抖音才出现 32:22 这也就是为什么在移动 32:23 互联网的后期抖音才出现 32:24 但是我们会发现抖音的出现 32:26 其实这个长尾需求比这种集中的 32:29 这种娱乐需求要重要很多 32:31 或者说市场要大很多 32:34 那现在我们 32:36 AI 可以解决的是什么 32:38 可以解决的是长尾的生产力需求 32:40 这是 Andrej Karpathy 所说的 software three point o 32:44 这是我刚刚说的 32:45 就是这个 Milchamp 32:46 就用 three point o 32:47 software three point o 去取代像这种 32:50 老的 GUI 的这样的一个软件 32:53 那就比如说我们刚刚 32:54 面对 chatgpt 所说的那一句话 32:56 那一段话 32:57 就可以去取代像 Mailchimp 这样的 service 32:59 当然不是说现在立立马 100%的取代 33:02 但是对于我的一个这种 33:04 个性化的长尾的需求的话 33:05 其实它可以比这个 Mailchimp 做得更好 33:09 这也就是生产力的需求被 AI 所解决 33:13 如果说我们用一些具体的词来 33:17 帮助大家记忆的话就是 professionally 33:19 professionally generated software professionally generated 33:22 content PGC 33:24 user generated content 和 user generated software 33:28 我们接下来的时代机会和我们 33:31 接下来就是 AI 真正能解锁的市场 33:35 就是 user generated software 33:37 UGS 33:38 大家记住这个词 33:39 然后当你不确定 AI 的价值是什么时候 33:42 回来想一下 UGS 33:44 你就会想到在这里 33:45 其实有一个巨大的市场的 33:48 那我们在理解了这个市场以后 33:51 我们再去对比 programming 和 33:53 natural language 作为 interface 33:55 它的区别或者说的新机会是什么 33:58 这个就是我们认为的 AI 的主航道 34:01 或者主要的呃主要的机会了 34:03 那我们左边是一个旧世界 34:06 旧世界是你需要用手去写代码 34:10 to 你的这个用自然语言去调度代码 34:14 这就是 34:15 变化 34:16 我希望大家记住这个图 34:17 这就是我们现在的 34:18 这个所谓的范式变化 34:20 或者 software three point o 34:23 然后怎么样在这个 34:25 新范式里边学习呢 34:26 如果我们理解清楚了这个新范式之后 34:29 在一个新范式之下 34:31 其实在我们过去的新 34:32 呃 34:33 旧范式 34:33 就是回到 GUI 34:34 就是在旧的新范式之下 34:36 真正的那些找到机会的人是谁 34:38 比尔盖茨贝佐斯 34:40 啊 34:40 这个是黄仁勋 34:42 小扎 34:43 Steve JOBS 34:44 Elon Musk 34:45 他们 34:46 我们现在知道的是他们是 billionaire 34:47 但是他们在年轻的时候 34:49 在他们 34:49 就是还是在一个这个 34:52 呃 34:52 起于微末的时候 34:53 对吧 34:54 他们在干嘛 34:55 他们每个人都在 build 34:56 他们每一个人都是在亲手的做东西 34:59 对吧 34:59 在这个 office 里边 35:00 他们每个人都是辛辛苦苦的在做东西 35:04 那 35:05 为什么做东西是可以抓到机会的 35:09 我们当我在说这些的时候啊 35:11 我们想到的是 35:12 就是他今天 35:13 贝佐斯今天在 35:14 我们很难想象一个 35:15 就是贝佐斯他 35:17 刚开始做亚马逊的时候 35:19 他的前十年是怎么过的 35:22 我们想的都是贝佐斯开始做亚马逊 35:25 贝佐斯成功了 35:26 黄仁勋开始做 Nvidia 35:27 黄仁勋成功了 35:28 对吧 35:29 我们很难想到他 35:30 一开始真正在 build 的十年 35:33 所以说代入到我们身上 35:34 我们就希望我们今天在 build 35:36 然后明天就成功 35:37 或者说起码今年就成功 35:38 或者说明年就成功 35:39 我们很难去真正做下来去 build10 年 35:42 然后去 35:43 capture 这里的成功 35:44 所以说我想回到就是我们的历史 35:46 回到就是当年的 PC 的历史 35:49 去 deep dive 比尔盖茨的那个案例 35:51 去帮大家打开 35:52 比尔盖茨他是如何积累的 35:54 然后他到后来他是 35:55 如何 capture 他的 opportunity 的 35:58 我们现在 AI 的时代啊 36:00 我把它类比成一个 PDP ten 的时代 36:03 就是左边呢 36:03 是 IBM 的 mainframe 36:05 这是一个就是一个真正 36:07 的商用的就是电脑吧 36:09 然后它有这么一个 36:11 一个大房间这么多的呃 wire 36:13 如果大家去看的话 36:14 这些 wire 是很可怕的 36:15 对吧 36:16 坏了一个什么东西 36:16 我们这么多 boards 36:18 这么多 wire 36:18 是很可怕的 36:19 然后我们基本上我是 36:21 不敢去使用这种东西 36:22 或者说我一看我就觉得头疼 36:24 右边的这个是一个 36:25 就是所谓的个人电脑 PDP ten 36:28 它是一个 closet 那么大 36:29 啊 36:30 它基本上是一个可用的状态 36:33 有很多人在使用它 36:34 比尔盖茨他在学校 36:37 就是在西雅图这边 36:38 lake side 还是什么一个学校嘛 36:39 他 Lakeview 之类的一个学校 36:41 他们学校是有一个 terminal 去可以连接到 36:45 一个这个 PDP tenant 36:46 不在他们学校啊 36:47 但是就是他可以有 access 36:49 through a terminal 去连接到他的 36:52 比尔盖茨在初中的时候呢 36:54 他已经就是很善于在 36:56 这个电脑上编程了 36:58 我们大家众所周知的故事 37:00 就是听到比尔盖茨听到的 37:02 就是可能最早他的故事是 37:04 他从 Harvard drop off 37:05 然后去开创了微软 37:07 然后抓到抓到了 PC 时代的呃红利 37:11 但是我这里边反而要提醒大家的是 37:13 比尔盖茨在初中的时候 37:15 就已经是一个 coder 了 37:18 他在初中的时候就已经去在 37:20 这样一个台电脑上去编程了 37:22 然后他在高中的时候呢 37:24 还被 37:24 就是当时有一个叫 37:26 computer center corporation CCC 37:28 是在 u Dub 那边的一个公司啊 37:30 就是他是给大家 time share 这种机器 37:33 就是大家可以租这种机器的时间 37:36 通过这个公司 37:37 就有点像那个时代的 AWS 吧 37:39 去租这个时间 37:39 然后去使用 37:41 他在那个时候就被这个公司雇佣 37:43 然后去帮这个公司写 professional 的程序 37:45 他在高中的时候还创立 37:47 了一家公司叫 traffic data 37:49 用计计算机帮政府去 analyze 啊 traffic 37:53 所以说 37:54 就是哪怕他在上高中之前 37:56 他已经是那个时代 37:57 非常先行的先行者了 37:58 大家可以想象吧 37:59 就比尔盖茨他不 38:00 如果不创立微软的时候 38:02 他一定也会有很大的成功 38:04 因为他已经抓到了那个时代 38:06 最重要的这种 building 的技能 38:07 他就能干很多别人干不了的事情 38:10 他对整个市场的嗅觉也是最灵敏的 38:13 而创立创立这个微软的前提 38:17 就是他已经 build 了这么久 38:19 所以说他当时啊就跟这个 Paul 38:21 Allen 就说呃我发现了软件和 38:25 电脑是一个 exponentially growth 的东西 38:29 艾伦说 38:29 oh oh yeah 38:29 of course 38:30 然后比尔盖茨说 38:31 不 38:31 你没有真正的内化 exponential 38:34 growth 这件事情有多么的可怕 38:36 我能内化 38:37 然后他就说 38:38 我们需要等待一个机会 38:39 这个机会就是当这个真正的 38:43 个人可以去使用属于个人的机器 38:46 计呃计算机出现的那一刻 38:48 然后他们在呃哈弗里面就等 38:51 等到了第一个这个 38:53 所谓的当时叫 microcomputer 38:55 Altair 38:56 这样这这样一个电脑出现 38:58 然后他们马上就去找到这个 39:00 他们马上就看到了这个机会 39:01 他们等待的那个时机出现了 39:03 因为他们之前一直在 build 39:04 然后找到了这家公司说 39:06 我们要去给你做软件 39:07 我们要去给你做一个 basic interpreter 39:10 据后来这家公司的创始人说啊 39:12 其实当时有十几家 39:13 十几个人去找到他们 39:15 然后比尔盖茨和保罗艾伦是 39:16 唯一一个真的把 Manus 给读下来 39:18 然后真的去开发的人 39:20 而且就是有一个故事就是 39:22 Allen 他们当时做好了以后 39:24 飞飞过去去给他们做嘛 39:25 结果发现给他们做的这个 39:27 basic interpreter 没有做 boot loader 39:29 就是软件做好了 39:30 但是没有办法放到电脑上使用 39:32 然后他就在电的飞机上用纸和笔 39:35 把这个 bootloader 的程序给写下来 39:36 然后下下下飞机 39:38 编译一下运行 39:39 然后就直接运行好了 39:40 这就是你没有这样的准备 39:43 你是看不到这样机会的 39:44 你也抓不到这样机会的 39:45 这是你作为一个 builder 是多么重要 39:47 然后我们今天如果去做一个 builder 39:49 不是为了说今天我们 39:50 马上 build 一个东西 39:51 然后我就 39:51 明天就可以赚大钱 39:52 是因为你只有是个 builder 39:54 你才有可能抓到这样的机会 39:56 build 是一个 not sufficient but necessary condition 40:00 你如果不是一个 builder 的话 40:01 你是肯定抓不到这样的机会的 40:05 而且 40:06 build 不光是一个所谓的 necessary condition 40:09 build 还是一个很重要的 40:11 推力 40:12 它可以帮助你形成一个飞轮 40:14 成长的飞轮 40:15 为什么呢 40:15 比如说我们刚刚所讲 40:17 的学 AI 的那些痛点 40:19 我们不知道什么东西 reliable 40:21 不知道什么样的 prompt reliable 40:23 我们很难把呃 g 呃呃 GNI 40:25 integrate 到我们的的 existing workflow 40:27 然后我们不知道什么东西是 signal 40:29 什么东西是 noise 40:31 然后我们觉得这个地方是 40:33 要学的东西实在太多了 40:34 可是你如果去 build 的话 40:35 这些问题就迎刃而解了 40:37 因为刚才的所有的判断 40:39 只要你看能不能给你带来更好的结果 40:41 能带来更好的结果你就去多学 40:43 就这么简单 40:44 而且带来更好的结果 40:46 这件事还能给你产生多巴胺 40:48 还能给你产生 energy 40:49 这个 energy 可以 propel 你去学习 40:51 今天大家花了学费来上我们的课 40:53 然后是一个很强的学习动力 40:55 可是其实就是你上完课了以后 40:57 你真的能持续不停的学习吗 40:59 很难 41:00 如果你在 build 的时候 41:01 你就自然而然想把这个东西做好 41:03 然后再做好了 41:04 自然而然就能产生一些能量 41:06 它就可以帮助你 41:07 naturally 的去啊做的更好 41:10 而且你要知道 41:11 就是这个 41:11 你想要成成功的话 41:12 你是需要去尝试 41:14 你需要去做一千次 41:15 迭代一千次的 41:16 你是需要建立一个系统 41:17 去帮助你去做这 1,000 次 41:19 而不是去说怎么样做一次和做 10 次 41:23 好 41:23 这是 build 的重要性 41:25 那 build 之外 41:27 在学习 AI 的过程中 41:28 还有一个我们觉得非常重要的点 41:30 就是 stay foolish 41:31 要有一个 beginners’mindset 41:34 为什么要 stay foolish 和有 41:36 一个 beginner’s mindset 呢 41:37 这又回到了我们 AI 它的这个 41:40 就是现状 41:41 或者说它的 41:45 发展过程中将会遇到的困难 41:49 还是我们用一个例子啊 41:51 就是说 AI 大家可能很难想象 41:53 但是我们回头看一个例子就会很清晰 41:56 第一个汽车是 1885 年到 41:59 1886 年的时候发明的 42:01 这是奔驰发明的第一辆汽车 42:02 就是反正组装起来第一辆汽车 42:04 引擎其实在那之前就已经做好了 42:07 然后大家看这个汽车 42:08 其实我觉得就是很很容易想象是吧 42:10 引擎轮子 42:11 然后座位 42:12 然后控制器 42:13 很容易想象这是一个汽车 42:15 然后它其实和今天 42:17 虽然每年引擎技术都在变好 42:20 可能大概都有 20%的这样 42:22 就是一个增幅吧 42:23 今天这个引擎和我们今 42:26 这个引擎和我们今天 42:27 引擎已经天差地别了 42:28 但是其实引擎的技术 42:30 范式是同一个技术范式 42:31 就是引擎的技术范式并 42:33 就是或者说整个汽车的 42:34 技术范式没有特别大的变化 42:36 可如果我们 42:38 看 42:38 就是在美国汽车和这个马 42:41 的数量的这样一个图的话 42:43 我们会发会发现 42:45 一直到 1920 年马的数量几乎没有变化 42:48 到 1920 年 42:49 PIU 42:49 断崖式下降 42:50 然后我们真的就是在美国汽车普及 42:53 呃普及开来大概是 1950 年 1960 年的事情 42:56 19 就是 1960 42:57 就大概花了 100 年吧 42:59 就是 9 十年到 80 年到 100 年的样子 43:01 汽车才真正大规模普及开来 43:03 那这过程中的挑战是什么 43:06 就是首先我们要修路 43:07 这是一个一战的 43:09 然后我们这个视频呃 43:10 一战的一战的就是呃照片 43:13 那一战我们那个时候 43:15 已经有坦克出现了 43:16 对吧 43:16 引擎其实已经够发达了 43:18 但是我们为什么还是在 43:20 他们 43:20 列强们为什么还是在用马车把 43:23 这些资料呃呃东西运送到前前线呢 43:25 为什么他们在战争中最需要使用 43:27 新技术的地方没有使用新技术呢 43:29 因为没有路 43:30 就这么简单 43:31 因为没有适合汽车走的路 43:33 在我们的城市中也是这个样子 43:35 城市的路是给行人和马车修建的 43:37 你要重新去设计这个城市 43:39 重新去铺路 43:40 但是市面上又没有多少汽车 43:42 那城市的建设者说 43:44 我们要为这 100 辆汽车去重新修路吗 43:47 没有 43:47 对吧 43:47 我们 1 万辆汽车的时候 43:48 我们都不一定要去考虑重新修路 43:50 那 43:51 没有修路的话 43:52 你的这个汽车的真正的这种 43:55 范式的新新范式所带来的 43:58 这个有效性就凸显不出来 44:00 那除了 44:02 路以外 44:02 我们还有造汽车的流水线 44:04 我们还有驾校 44:05 我们还有加油站 44:07 我们还有各种各样的汽车的服务 44:09 修车店 44:10 修 44:11 卖车行 44:12 然后这些都具备了以后 44:13 我们还需要有高速公路 44:15 等真正的流水线配套设施 44:17 和高速公路都建设了以后 44:19 汽车的新范式才真正的 44:22 显示出了它的碾压性的优势 44:25 那这里边这个过程中 44:27 这 100 年 44:28 不是说引擎的技术不够好 44:30 而是真正的挑战在于 44:32 这个 ECOSYSTEM development 44:35 在于这个整个生态和环境 44:37 今天 AI 是一个新技术 44:39 但是我们今天整个的 trillion 44:41 dollar software industry 是旧技术 44:44 他们是为这个旧的 software 去准备的 44:46 不是为这个新的 software 去准备的 44:48 我们在 module four 的时候可以 44:50 就是进一步的去探讨 44:51 就是这到底是什么意思 44:52 但是我要说的就是 44:54 我们新技术它的 ECOSYSTEM 44:56 development 是需要时间的 44:58 我们在这个过程中就一定 44:59 会遇到各种各样的挑战 45:02 那我们要做的事情就是我们要 use AI 45:06 coding as an interface to build user generated software 45:11 在汽车里边我们需要去学习 45:13 driving fixing cars swap parts pave roads 45:15 这是因为我们 45:17 就是 45:19 这句话的意思是 45:21 我们理想的状态是我们用 natural language 45:23 就可以直接得到我们想要得到的结果 45:26 但是今天是不行的 45:27 那我们今天的路径是什么 45:29 我们今天要用 natural language 去 45:31 调度编程得到我们想要的结果 45:33 因为整个 trillion dollar 45:34 这个 ecosystem 都是编程 45:37 都是通过编 45:38 就是 API 和编程 45:40 可以最好的去调度算力 45:42 我们今天想用自然语言直接调度算力 45:45 但是那它能做的事情一定是少的 45:48 它就像这样的一个汽车是 45:51 能跑的路是非常少的 45:53 可是如果我们学会了怎么样把这么 45:56 一个非常厉害的汽车新技术范式和 45:59 现有的生态做一个很好的结合的话 46:01 我们就可以去更多的地方 46:03 做更多别人做不到的事情 46:05 这就是我们所谓的要学怎么开车 46:07 怎么修车 46:08 怎么样换零件 46:11 那具体到我们 46:13 刚才是个比方嘛 46:15 那具体到我们要做的事情就是 46:17 build on top of the existing programming ecosystem 46:20 就是我们要利用好 46:21 现有的这个软件生态 46:22 然后在这之上 incrementally 的去 develop AI 46:25 那最重要的其一点就是我们要 46:27 需要是学会怎么样去使用 46:30 API 46:30 然后因为 46:32 比如说我们刚刚看 46:33 就是我用 AI 写的那个自动 46:35 发邮件的啊这样的一个例子 46:37 其实这些都是 API 46:38 就是这个绿框里边都是 API 46:41 然后我自己是很难记住这些 API 的 46:43 啊 46:43 可是 AI 都能记住 46:45 然后我也很难知道怎么样去 46:47 把它放到一个 program 里边去调用 46:49 这对于一个程序员来说 46:50 其实是一个麻烦的事 46:51 他也要去看文档 46:52 然后他要理解 46:52 然后他要去放 46:53 然后今天呢 46:54 他都可以 46:54 就是我不需要去记这些东西了 46:56 AI 直接就可以帮我写好 46:58 这就是 AI 它对 existing ecosystem 其实 47:01 就是可以有一个很好的结合的嘛 47:04 然后 AI 可以去帮我们 remember 47:06 可以去 automate usage 47:08 可以去 put in a complete program 47:10 然后这个 program 还能 run 成功 47:11 然后还可以告诉我们怎么样去使用 47:13 这其实是一个今天的非常的好的甜点 47:18 sweet spot 甜的点啊 47:20 哈 47:20 不是那个 dessert 47:21 就是 AI 它已经学会了这么多 API 47:25 它已经学会了怎么样编程 47:27 那 47:28 那么大的编程的能力 47:30 我们之前是很难去调度的 47:31 对于我们来说 47:32 尤其这种非 coder 来说 47:34 是很难去调度的 47:35 今天我们可以去使用 AI 调度了 47:37 那我们就应该去学好怎么样 47:39 使用 AI 去调度这个现有的软件生态 47:42 去做那些很难 47:43 之前我们做不到 47:44 但是现在可以做到的事情 47:47 而且在这里我再提醒大家啊 47:48 就是我们的价值其实是 47:51 来自于我们克服的困难的 47:52 如果我们不克服困难 47:54 我们今天说一句话 47:55 AI 就可以帮我们做了 47:55 那这件事情别人都可以做 47:57 那我们独特的价值是什么呢 47:59 我们独特的价值就是在这个 build 48:00 的过程中所克服的那些挑战 48:02 我在这里的一个呃 48:04 内容就是也在社区里有 48:05 就是我其实当时使用 Manus 48:08 去做一个简单的事情 48:09 花了 12 次 48:10 啊 48:11 但是在这 12 次里边我也有一些学习 48:13 我是觉得这件事情 48:16 没那么大价值 48:17 但是就是有一点价值的话 48:18 不是在于我一次使用 48:20 Mindspace 把它做成了 48:20 而是在于我真的去做了 12 次 48:22 然后去啊做成它 48:25 这里边一个很重要的 48:27 mindset 就是 the beginner’s mindset 48:30 啊 48:30 或者说是 Zen mind 48:31 啊 48:31 我后面那本书就有 48:33 就是呃 the beginner’s 呃 the Zen mind 48:37 the beginner’s mind the Zen mind 是这本书吧 48:39 然后他这里边说的是铃木 48:42 呃 48:42 铃木俊隆吧 48:43 好像 48:44 in the beginner’s mind there are many 48:45 possibilities but in the experts there are few 48:48 什么意思呢 48:49 就是你可以两两边理解 48:51 就是在一个初学者的 48:52 心里边有很多个可能性 48:54 但是在一个专家里边 48:56 只有很少的可能性 48:58 那这个在一个新后旧的技术范式里边 49:00 我们就会说这是 expert 的价值 49:02 就是他知道那些东西是不可行的 49:04 然后他知道哪些东西是可行的 49:06 他可以帮助我们减少踩坑的成本 49:08 这是 expert 价值 49:09 但是在一个新范式里边 49:11 这种 expert 的这种 assumption 是不适用的 49:14 我们要注意 49:15 就是我们一定要具备一个 beginner’s mindset 49:19 然后去看到那么多的 possibility 49:21 然后才能去做好 49:22 亚哥其实举了一个例子啊 49:23 就是他许愿池的开发 49:24 什么意思 49:25 就是他 49:26 本来在想 49:27 他是用 nanobanana Pro 49:28 啊 49:29 generate text slice 49:30 然后他想做一个链接 49:32 他因为之前具备 49:33 程序员的这种 expert 思维 49:35 然后他觉得 ok 49:36 做一个这个链接呢 49:36 其实不是一个特别容易的事情 49:38 所以他就嗯在想应该教 49:41 AI 怎么去做好这件事 49:42 但是他后来想 49:43 嗯 49:44 这好像是一个 49:45 过去的呃方式 49:47 要不他就直接跟 AI 许愿 49:49 就是提这个需求 49:50 就是说我要在这上面加一个链接 49:52 然后他就直接提了 49:53 然后 AI 就直接做出来了 49:55 然后他就说 ok 49:56 我还是 49:57 就是哪怕我已经有具备 49:58 这么开放性的思维了 50:00 我还是会 implicitly 受我之 50:02 前的那些 curse of knowledge 50:05 受到我之前的知识诅咒 50:06 这个是我们需要不断地提醒 50:08 自己要具备这个 beginners’mindset 50:11 那最后把它总结起来的话就是 50:14 我们在 AI 时代想要抓到这个机会 50:16 然后想要有效学习的话 50:18 就是要 from users to builders 50:20 要记住这句话就行了 50:22 就是这是一个咒语吧 50:23 就是 when an APP isn’t doing exactly what we want 50:26 we improve it 50:28 when there is no APP available 50:29 we build one 50:30 就是就是当一个 APP 不能 50:34 实现我们的需求的时候 50:36 我们其实是现在有能力去做出来了 50:39 我们需要捕捉到自己的需求 50:41 然后去把这个需求实现的 50:45 然后我们的做这些东西的意义啊 50:48 不是在于我们今天就能 50:49 抓住这些 tenx opportunity 50:51 仍然是一个 two by two 的象限 50:53 就是这个机会它到底是 50:54 有价值还是没有价值 50:56 它是一个颠覆式的机呃机会 50:57 还是一个非颠覆式的机会 51:00 如果有价值 51:00 但是又非颠覆式 51:02 这肯定已经被 GUI 这些 51:03 公司已经做得很好了 51:04 如果它没有价值 51:05 然后也不颠覆的话 51:06 那可能是一个伪需求 51:08 如果它没有价值 51:09 但是没有那么大的价值 51:11 有点小价值啊 51:12 啊 51:12 但是比较颠覆 51:13 这其实是我们今天就可以做的事 51:15 它是一个小的 51:17 提升 51:18 啊 51:19 它其实就是我们这课程 51:21 包括我们这些 projects 呀 51:22 或者说我们提的 51:24 就是给大家的那些啊 51:29 这里边的绝大多数的 projects 51:32 就是我们学生所做的这个 projects 51:35 我觉得其实都是属于这两个象限里边 51:39 有的大有的小 51:40 真的有大有的小 51:41 包括 Manus 51:42 他发都是发在这里嘛 51:43 对吧 51:46 就是这是张涛本人发的 51:49 在 51:49 就发在这里 51:52 所以说真的是有大有小 51:53 真的是有 hundred x 的 51:55 opportunity 也是发在这里的 51:59 但是大家就去看吧 52:01 就是嗯 52:05 就这么多的东西 52:07 它的意义是什么 52:08 它的意义是有可能有一些东西会长大 52:11 但是更重要的是帮助我们 52:13 去建立一个真正 AI native 在 52:16 这个时代的 builders mindset 和 habit 52:18 builder builder 这这不是一个技术 52:21 builder 其实就两件事 52:22 这是个 identity 52:23 一个就是你的 mindset 52:24 你遇到一个事情你怎么反应 52:25 你是怎么想的 52:26 然后你的习惯就是你遇到 52:28 习以后第一习惯是上 APP store 搜一下 52:31 还是打开 cursor 去说一句 prompt 52:33 看看你能做到什么程度 52:34 这些 habits 其实是非常重要的 52:37 那就是我们去做这些项目的意义 52:40 是为了积累我们的 mindset 和 habit 52:42 然后随着时间 ecosystem development 更 52:45 成熟和我们自己的 creativity 52:47 我们是可以抓到那种 ten x opportunity 的 52:49 不然的话你看到一个机会 52:51 你也没有办法去实现它 52:52 更重要的是你还看不到这个机会 52:53 因为你就没有这个 mindset 和 habit 嘛 52:57 这不是画饼啊 52:59 这个是历史上都是这个样子的 53:01 我们如果去看 53:03 就是互联网的历史的话 53:04 我们会看到如下的这样的一个 pattern 53:07 就当有一个新科技的时候呢 53:09 人们是首先把旧的 use case 53:12 旧的 demand 53:12 用新科技去实现一下 53:14 比如说左边 mark Cuban 53:16 就是美国非常有名的一个 billionaire 53:17 他是把 broadcast Dot com 卖给了雅虎 53:21 然后赚到了他的呃 dig million 53:25 那这个 broadcast 是什么 53:26 你要 broadcast 点 com 是什么 53:28 就是把线线线下现有 53:29 的 video 放到互联网上 53:31 然后他后来好像还说啊 53:32 就是这个东西其实不是那么赚钱 53:34 他们真正的业务的收入来源是 53:36 来自于帮大家做 videoconferencing 53:37 就是做这个做这个就是那种呃 53:41 是 conference 53:43 或者这种集会的这个直播 53:45 啊 53:45 对 53:46 他们干的是这件事事事情 53:48 这些都是已经有的需求 53:50 然后用新技术实现一下 53:52 但是这种 new Tech native solution 53:54 比如说 Google 53:55 在互联网的一开始啊 53:57 是不太可能成功的 53:58 因为 Google 在一开始是没有 54:01 什么东西可以搜索的 54:02 那个时候大家要的是 54:03 雅虎这样的门户网站 54:04 或者说 category 54:05 对吧 54:05 是这种 54:06 就是这样的搜索方式 54:08 这样的 54:08 就是呃黄页 54:10 而不是像 Google 那样 54:11 我输一句话就去搜索 54:12 因为那个时候也没有什么东西 54:13 大家也没有这样的呃习惯 54:15 但是这确实是呃互联网最适合适合的 54:19 最 native 54:20 最有效的搜索方式 54:22 尤其当互联网的信息指数型爆价爆炸 54:25 几亿倍 54:26 几百亿倍 54:27 几万亿倍 54:27 是吧 54:28 在那个时候 54:29 只有这样的一个搜索方式 54:30 才是真正有可能去进行有效搜索的 54:32 但是这个是需要时间 54:34 就是整个 ECOSYSTEM develop 到了 54:36 一定程度才能出现的 54:38 今天我们所谓的 AI native 54:40 solution 或者 AI native 的 software 54:42 还早还早 54:44 还没有出现 54:45 未来一定会出现的 54:46 然后未来这个 54:47 当他们出现的时候 54:48 他们一定是一个非常巨大的机会 54:50 所以说今天我们见到 54:51 的仍然是大家去用 54:54 那就是新技术去实现老东西 54:56 但是新技术实现老东西也很大 54:58 它也是一个 billionare 54:59 对吧 54:59 就是我只是说大家要 pay attention to 这个 55:02 新技术 new technical 的这种 ten x opportunities 55:06 要准备好 55:08 而且我们是没有办法预预测 55:10 这个东西新新东西是什么的 55:13 我们人是有限制的 55:14 就是真的没有办法预测 55:15 比如说 55:17 但是我们可以通过自己双手去实现它 55:19 在没有逊色的情情况下 55:21 我们去可以去看过去的 55:22 所有的这个真正的这个大 APP 55:25 他们并不是 plan 出来的 55:26 他们是解决了一些具体的需求之后 55:29 然后再慢慢在这基础之上探索出来的 55:31 这就是叫做 greatness cannot be planned 55:34 啊 55:35 这本书里面讲得很清楚 55:36 包括 chatgpt 其实也是这样的 55:40 呃 55:40 就是它不是 plan 出来的 55:41 而是它是 stumble upon 55:43 包括我们飞机啊 55:44 就是我们之前在莱特兄弟之前 55:46 人都是模仿鸟去坐飞机 55:49 很明显嘛 55:49 就是天上飞的都是鸟 55:50 所以说我们要模仿鸟去坐飞机 55:52 然后莱特兄弟是做自行车的 55:54 他们知道 55:55 他们后来想到了用 55:56 自行车的方式去坐飞机 55:57 把飞机做出来 55:58 那这里举一个可能更 56:00 清楚的例子就是 Instagram 56:02 Instagram 我们现在去看说 56:04 就是是基于图片的 social network 56:07 然后 so make sense 56:08 对吧 56:08 就是这个啊基于图片的 social network 56:10 很明显就是一个价值 56:12 极大的这么一个社交平台 56:14 可是在一开始 Instagram 没有这样的 vision 56:16 Instagram 一开始做的就是要做一个 filter 56:18 就是那个时候手机有了 56:20 然后大家很多时候想要 filter 56:22 然后 Instagram 就是一个非常好的 filter APP 56:24 那时候上市面上有上千个 filter APP 56:26 然后 Instagram 是其中之一 56:28 徐老师也说 56:29 就是他第一反应看到 Google 的时候是 56:32 why do we need another search engine 56:34 因为市面上已经有了 56:35 几十个 search engine 了 56:36 最不需要的就是另外 56:37 一个新的 search engine 56:38 但是 Google 就是最好的那个 search engine 56:41 Instagram 就是最好的 filter APP 56:42 然后它加上了一些 56:43 就是和你 friends connect 56:45 然后可以 share 的这些功能 56:47 然后它在这个 filter APP 56:48 基础之上成为了一个 56:51 这么大的一个市场 56:52 那真正的区别是在于什么呢 56:54 真正区别是在于 Instagram 是 made it really good 56:59 所以在这里就再强调一下 57:02 我们这个课程教的东西是什么 57:03 我们强 57:04 我们认为我们认为在这个 57:05 时候我们教大家不是要去教 57:07 大家怎么做一个 large language models 57:10 当然这个可能在我们 2024 年 57:12 刚刚做这个课程的时候 57:13 很多人还有这个幻想 57:14 要去学怎么从头到尾训练一个 LLM 57:17 现在我相信大家大多数 57:18 人是没有这样幻想了 57:20 啊 57:20 但是为什么不是 57:22 就是大家可能没有是 57:24 不再有这样的幻想 57:25 但是没有想为什么 57:26 原因就是因为当你出现了一个 Browser 57:29 当 57:30 有出现了一个浏览器的时候 57:32 你的机会不在于去再做一个 browser 57:34 你在 57:34 机会在于赶紧去做网网站 57:36 对吧 57:37 然后当 iphone 出现的时候 57:39 你也不是说再去做一个 iphone 57:41 你的这个机会在于去 57:42 做一个 Mobile application 57:43 所以说呃 AI 出现了 57:45 然后我们花了这么多的篇幅去讲 57:47 AI 所带来的那些新技术新机会 57:49 你去做 57:50 你去利用它 57:51 然后去做那些新技术新机会 57:52 然后解决大家的真实需求 57:54 去 build Solutions 57:55 而不是去再去训练一个 57:57 呃大语言模型 57:58 然后去跟那些世界上最 57:59 顶级的公司们去竞争 58:00 你训练出来那个大 58:01 语言模型有什么意义吗 58:02 没有意义 58:03 在 2024 年初的时候 58:04 现在讲还是挺有意思的 58:05 就是 2024 年的时候 58:07 很多人那个时候还就是 58:08 基于上一个时代的错误理解 58:11 就上一个时代的 machine 58:12 learning 都是我翻译一个 model 58:13 或者说别人做了一个 model 58:14 然后我再做一个呃东西 58:16 或者说我在数据其他 58:18 的新数据上翻译一下 58:19 是有意义的 58:20 我相信在今年此时此刻 58:22 大多数人都能意识到是没有意义 58:24 可是其实也不是 58:25 就是我还是跟一些教授交流 58:27 他们也还想翻译一个 model 58:29 然后我就说 no 58:29 不要做这件事 58:31 唉 58:31 总之就是相信这件事的话 58:34 你就信 58:34 不信的话可以 58:35 欢迎去找我们退钱 58:36 就是你如果还想学怎么 58:38 train 一个 large language model 58:39 我们不教 58:40 你可以直接退钱 58:42 最后就是 58:43 啊 58:43 但是我们课程里边还是会教大家 58:45 比如说怎么样去 58:47 deploy 一个开源模型的 58:48 这些东西我们是会教的 58:54 就在这里 58:55 bonus module 里边 58:56 啊 58:57 我们是有非常清楚的 58:59 教大家怎么样去 59:03 open source 59:03 啊 59:04 啊 59:04 large language model 和 two chain 59:06 就是从头到尾去搭下这个开源的模型 59:09 这个我觉得还是在 59:10 一定程度上是有意义的 59:13 最后总结一下的话就是学习 59:15 生成式 AI 其实是一件难的事 59:17 确实 59:18 但是它是一个简约的事 59:19 它不简单 59:20 它是一个简约的事 59:21 要要学其实就是怎么说呢 59:24 第一 59:24 有一个 builder’s mindset 和 habit 59:27 有一个 beginner’s mindset 和 habit 59:29 我们要做的不是在学校里边听讲 59:31 我们要做的是像学游泳一样去建立 59:34 我们的新的 mindset 和对应的 habits 59:37 然后这个 recipe 是很简单的 59:39 make something people want 59:41 那其实就 5 步 59:42 首先你要发现一个问题 59:44 然后你要去 build 对应的 solution 59:46 然后你要去克服挑战 59:47 克服挑战过程中你就积累了价值 59:49 然后这个东西整个做 59:51 出来了之后去 go to market 59:52 找一个市场 59:53 这个市场可能是你自己 59:54 可能是你的同事 59:56 那你说不定就可以升职加薪了 59:58 啊 59:58 对吧老板公司 59:59 也可能就是对外的一个市场 01:00:00 那你就可能有自己的 01:00:01 副业或者自己的事业 01:00:02 或者说有一个别人需要使用的 APP 了 01:00:04 然后这个过程你要 01:00:06 不断的 repeat 去找到问题 01:00:08 解决问题 01:00:08 然后 go to market 01:00:10 这一定是就是可以帮助你 01:00:13 哪怕你的 goal 只是学好 AI 的话 01:00:14 这也是最有效的一个学习 AI 的方式 01:00:17 那在这个过程中 01:00:18 如果你需要去参考任何东西 01:00:20 得到灵感 01:00:21 就来到这个 share projects 里边 01:00:23 然后这里边我们会 knowledge bank 01:00:25 里边会有很多技术文章 01:00:27 那我们的课程本身 01:00:28 就是一个非常好的 library 01:00:30 遇到任何的挑战的话都欢迎过来 01:00:32 如果有什么问题的话就 01:00:33 来这个 questions and answers 01:00:35 或者说课程本身去问 01:00:36 就是这里边有这么多问题 01:00:38 我们都会非常详尽的去帮大家解读 01:00:41 你来上了这门课 01:00:42 我们是管到底的 01:00:43 我们是有这样一个终身社区的 01:00:45 就是一定大家 take advantage of 啊来问问题 01:00:48 我们都会答疑 01:00:50 最后再说一下啊 01:00:51 就是这门课的结束是你学习的开始 01:00:55 我们不觉得上完这门课以后 01:00:57 你今天 piu 就会变得更有钱 01:00:59 但是我们希望在你的 01:01:01 未来的每一个节点 01:01:02 你都因为你的 mindset 和 habit 不 01:01:04 不一样 01:01:05 所以做了一个不一样的选择 01:01:07 那随着时间的积累 01:01:08 十年之后我们每个人都会很不一样 01:01:10 这是为什么我们觉得这个 01:01:12 就是现在的这个课 01:01:13 可能未来还会改啊 01:01:14 就是 for the next twenty years 01:01:16 我们觉得学 AI 是一个 20 年的事儿 01:01:18 我们希望我们这个课给 01:01:19 了你正确的 mindset 和 habits 01:01:21 让你去在未来 20 年不断 01:01:23 的做出更好的选择 01:01:24 不断的抓到更好的机会 01:01:25 我们是 take it extremely seriously 01:01:28 所以说我们才会做了这么一个社区嘛 01:01:29 去陪伴大家和见证大家的成长 01:01:32 也 01:01:33 我也知道就是想要 01:01:34 做到这件事其实不容易 01:01:35 因为我们身边的环境并不支持这件事 01:01:38 就是你说用 AI 01:01:39 你会得到你很多同事的冷嘲热讽 01:01:41 因为他们是有这个 paradigm 下的这个 emotion 01:01:44 就是他们担心自己被 AI 取代 01:01:46 所以说他们会冷嘲热讽你去使用 AI 01:01:48 那在这个时候你来到这个 01:01:50 社区里跟大家进行讨论 01:01:52 进行交流 01:01:53 你就不像一个呃异类 01:01:55 你就像一个正常人 01:01:56 而这我在觉得才是在 AI 时代 01:01:58 真正要有的环境和这个心态 01:02:02 就是我说的这个 lifetime 01:02:04 community of like minded people 很重要 01:02:07 嗯 01:02:07 如果是这这 01:02:09 我们到时候会把这个变得更中文啊 01:02:11 因为我们其实鸭哥 01:02:13 已经在做了一个英文的 01:02:15 啊 01:02:15 可能我这个视频 01:02:16 到时候后来大家会发现 01:02:17 就是所有的英文我们 01:02:19 都是有一个 gentic flow 01:02:20 去把它翻译成英文 01:02:22 更 English original 01:02:24 所以说大家在里面发 01:02:25 中文也不用担心了 01:02:25 我之前还会担心 01:02:26 就是发中文的话会不会 01:02:27 英文的同学看着不舒服 01:02:29 最后 homework 就是你要去 post your projects 01:02:32 啊 01:02:33 当然我这个里边是 Maven 的 01:02:35 所以说你如果要去 post 01:02:36 刚刚就说了 01:02:37 是在你的这个 AI 课程 view course 01:02:44 然后在 01:02:47 这里边 01:02:48 对 01:02:49 去 post 自己的呃去 post 自己的课件 01:02:53 就在这个 comments 里边 01:02:55 对吧 01:02:55 交作业 01:02:56 就行 01:02:58 然后其他的 office hour 是梅文专有的啊 01:03:01 我们 self pace 就没有了 01:03:02 这个大家就不要管了 01:03:04 但是所有的问题都欢迎直接 01:03:06 如果你想讨论的话就在这里讨论 01:03:09 然后你如果想要发 01:03:10 分享自己的发现就在这里分享 01:03:12 然后你有问题的话在这里问就好 01:03:15 嗯 01:03:15 然后这个是我给 mm 同学准备的 01:03:19 捕捉自己需求的一个东西 01:03:22 呃 01:03:23 然后我们在社区里也有 01:03:26 就是激活自己捕捉需求的意识 01:03:29 因为我们刚刚说的这个 discover a problem 01:03:31 我们大家还是没有这样的习惯 01:03:33 所以说 01:03:35 大家可以去看一下这个帖子 01:03:37 啊 01:03:38 和为什么要做和怎么去做这件事 01:03:40 你就在这个帖子下面 01:03:41 嗯嗯 01:03:42 我给大家留的作业 01:03:43 就是你一个周的时间吧 01:03:45 在这一个周的时间 01:03:46 里边就打开这个帖子 01:03:47 然后去有什么东西 01:03:48 有什么想法就直接留下来 01:03:50 有什么想法就直接留下来 01:03:52 当你 01:03:53 养成了这个习惯以后 01:03:55 你就激活了自己捕捉需求的能力 01:03:57 我在这个帖子里边也有讲 01:03:58 就是为什么这个能力在 AI 时代很重要 01:04:00 这是给大家留的第二个作业 01:04:03 啊 01:04:03 第三个作业在这里就先不提了吧 01:04:06 我们未来啊 01:04:07 我们未来 01:04:08 当时我到时候我也会跟大家 announce 的吧 01:04:10 就是我们未来可能会帮 01:04:12 社区里的所有人去做一个 01:04:15 个人网页 01:04:15 然后这个人网页是 AI 眼中的你 01:04:17 就是 AI 会去搜网上关于你的所有信息 01:04:21 然后去出一个关 01:04:22 对于你的个人网页 01:04:23 那在这里 01:04:24 你可能就会加一个这个 01:04:26 what i want AI to know about me 01:04:28 我的 01:04:32 中文频频道是课代表立正 01:04:38 呃 01:04:38 中文名是孙玉正 01:04:41 这样的话他可能就把不同 01:04:43 的信息给这个联系起来 01:04:45 在你的这个社区里的 Edit my profile 01:04:49 edit profile 是有专门这一段这一段的 01:04:51 你欢迎加进来 01:04:52 呃 01:04:53 但是我们现在还没有 ship 这个网站啊 01:04:54 未来 01:04:55 就是哈哈有空了 01:04:57 或者说大家有这样需求的话 01:04:58 我们就可以帮大家做这么一个东西 01:05:01 好的 01:05:02 这就是我们的第一节课了 01:05:04 如果说我总结一下的话 01:05:05 就是 01:05:06 AI 为什么难呢 01:05:07 难难学呢 01:05:08 因为它是一个新的技术范式 01:05:10 然后这个新的技术范式是 01:05:11 natural language as an interface to compute 01:05:14 是调度算力的第三个 01:05:18 交互方式 01:05:19 自然语言自然语言调度算力 01:05:21 啊 01:05:22 第三条呢 01:05:22 是学习 AI 的最好方式是用 AI 去 build 01:05:26 去用 AI 构建 01:05:28 第四个是要注意我们现在 01:05:30 还是在 AI 的非常早期的时候 01:05:32 所以说我们需要呃 01:05:34 期待是有挑战的 01:05:36 但是这些挑战其实是机会 01:05:40 挑战是机会 01:05:42 第五个就是我们需要 01:05:45 就是我们想要成为一个 builder 01:05:47 我们需要获得的是 builder’s mindset 和 habit 01:05:50 是他的思维方式和他的习惯 01:05:52 第六个是要做这件事 01:05:54 你的这个 recipe 就是 make something people want 01:05:58 是要去从真实的需求去出发的 01:06:00 然后去把这个东西去学着做出来 01:06:03 在这个过程中学习 01:06:04 第七个 01:06:05 stay foolish 01:06:05 有一个 beginners’mindset 01:06:07 好的 01:06:07 那这节课就到这 01:06:09 我们下节课再见 01:06:10 拜拜 主题：如何学习 AI

  1. 课程导航与学习路径

在正式开始之前，请明确本课程体系的构成及建议的学习顺序。

课程体系构成：

AI 时代的编程基础：核心必修。无论是否有编程经验，建议先花一小时看完，内含两个对资深程序员也极具价值的思维模板。

Authentic AI：侧重于原理与实践，特别是如何用好 Cursor 等工具。

Build with AI（当前课程）：核心目标是教你如何在工作中用好 AI，掌握具体的构建技巧。

AI Architect：进阶课程。教你如何将技巧整合，架构复杂的系统或应用。

高效学习方法建议：

先看视频：快速了解 Module 1 和 2 的核心方法论。

动手做项目（10-Minute Rule）：课程设计的 5 个项目应在 10 分钟内完成。如果耗时过长，说明方法有误，需返回回顾方法论。

文档即图书馆：70 多节课、200 多页文档不需要一次读完。带着项目中遇到的问题（如 AI 偷懒、遗忘等）回来检索。

参与社区：在评论区交作业、提问，利用好终身社区的答疑资源。

  1. 核心挑战：为什么 AI 易学难精？

AI 的门槛极低（会聊天就行），但发挥其真正潜力的上限极高。学习 AI 最大的障碍不是技术，而是范式转移（Paradigm Shift）。

学习 AI 的三大挑战：

Unlearn（忘却）：你必须忘记上一个时代的隐性假设。

案例：以前学开发第一步是学框架（Framework），但在 AI 时代，第一步往往是“忘记框架”，直接面对需求。

Unknown（未知标准）：行业尚无公认的评判标准，没人能确切定义什么是“优秀的 AI 数据科学家”。

Fear（恐惧）：潜意识里对被取代的恐惧会让你产生抗拒心理，导致你选择性忽视 AI 的真实价值，用理性去合理化感性的排斥。

  1. 技术本质：调度算力的第三次革命

要理解 AI，必须跳出功能层面，进入抽象层理解其技术范式。

科技公司的本质：提供调度算力的能力

历史上调度算力经历了三个阶段：

Programming（编程）：灵活但极难学，结果具有高度不确定性。

GUI（图形交互界面）：极简、确定，但死板。必须有人预先为你开发好“按钮”。

Natural Language（自然语言/AI）：这是 AI 的主航道。它让所有人都能通过自然语言调度复杂的算力，适配所有任务。

关键概念：UGS（User Generated Software）

PGC（Professionally Generated Content）：专业软件商开发的软件。

UGC（User Generated Content）：用户生成内容（如抖音）。

UGS（User Generated Software）：AI 时代的最大机会。用户根据自己的长尾需求，即时生成的专属软件工具。

  1. 深度洞察：汽车、PC 与生态系统

汽车普及的启示：

汽车发明后花了近 100 年才普及，阻碍因素不是引擎技术，而是生态系统（Ecosystem）。

没有路，汽车不如马车；没有加油站、驾驶学校、修车店，汽车无法运行。

现状：我们正处于 AI 时代的“修路”阶段。现有的软件生态是为旧范式准备的，AI 需要通过 API 去调度这些旧生态。

比尔·盖茨的启示：

比尔·盖茨抓住了 PC 时代的红利，不是因为他运气好，而是因为他从初中就开始 Build。在机会出现之前，他已经做了 10 年的准备。

结论：Build 不是成功的充分条件，但是必要条件。

  1. 核心思维：从用户转变为构建者（Builder）

AI 学习不是坐在教室里听课，而是像学游泳一样在水中练习。

Builder Mindset（构建者思维）：

当现有 App 不好用时，去改进它。

当没有现成 App 时，去构建一个。

Beginner’s Mindset（初心/禅心）：

“在初学者的头脑中，有很多可能性；在专家的头脑中，可能性很少。”

警惕知识的诅咒。不要因为你懂编程，就习惯性地认为某个功能很难实现。尝试直接向 AI “许愿”，往往会有惊喜。

  1. 行动指南：成功配方

Recipe: Make something people want.（做人们需要的东西）

发现问题：捕捉真实需求（自己或同事的痛点）。

构建方案：利用 AI 调度现有 API 和代码。

克服挑战：价值产生于克服困难的过程。

推向市场：哪怕市场只是你的部门或你自己。

循环往复：建立成长的飞轮。

  1. 课后作业（Homework）

作业一：捕捉需求。在社区指定帖子下记录你这一周发现的所有“不爽”或“需求”，激活你的需求捕捉雷达。

作业二：发布项目。完成 Module 1 的基础项目并在评论区提交。

作业三：完善 Profile。在社区个人资料中加入“我希望 AI 了解我什么”，为未来的 AI Native 网页做准备。

结语：这门课的结束，是你学习 AI 的开始。AI 学习是一个长达 20 年的旅程，希望这门课能给到你正确的习惯与思维模式。

Graph View

Backlinks