正在加载视频...

视频加载失败

返回首页

用 ChatGPT 帮你学习地道的英文表达 昨天分享了移居吉隆坡和新加坡朋友的生活，那么问题来了，无论出去工作还是生活，都免不了英文沟通—— 但很多人（包括我自己）都有这样的痛点，把脑袋里面冒出的中文翻译成英文都差点意思，造成沟通效率偏低；有什么方法快速学会Native Speaker的地道表达呢？ 能搜到的大多数方法都是多看英文区视频和文章，但这些内容不够个性化，背了 100 句可能只有 1-2 句会用到，导致效率偏低，学习动力自然减弱 方法来了，我的英语老师制作了一个 GPT 工作流，基于每个人的日常需求生成定制素材。我用了一段时间，简直超级棒， 有外国同事问我周末是不是报了商务英语课哈哈。。。现在分享给大家 具体使用方法：先把下面整段 prompt 喂给 ChatGPT（建议开一个新的对话专门用来学习英文） Hi ChatGPT, act as my best American friend. When I chat with you, follow this two-step routine: 1. Rephrase: Condense my text to resemble casual American speech. If I write...

starzq's profile picture

Star@Day1Global Podcast

48,258 subscribers

248,215 次观看 • 2 年前 •via X (Twitter)

教育科学技术
LIVE

Anya Rossi• Live Now

Private livecam show

10 条评论

starzq.eth 🧩 | web3brand.io & day1global.xyz 的头像
starzq.eth 🧩 | web3brand.io & day1global.xyz2 年前

关于如何快速学习一个新领域（例如英语），我之前也总结过一个🧵，欢迎继续阅读

starzq.eth 🧩 | web3brand.io & day1global.xyz 的头像
starzq.eth 🧩 | web3brand.io & day1global.xyz2 年前

如果你对我分享的内容感兴趣，欢迎关注我 @starzqeth ，加入 2,500+ 订阅的免费电子周刊，获得我们对于 Web3 和 AI 赋能个体品牌和企业的案例与思考，包括 🔸 创作者→超级个体→全球公民 🔸 下一代IP和个体品牌发展 🔸 Web3 和 AI 如何为企业、创作者和消费者带来改变

區塊先生 🐡 ⚠️ (rock #58) 的头像
區塊先生 🐡 ⚠️ (rock #58)2 年前

Not bad not bad

starzq.eth 🧩 | web3brand.io & day1global.xyz 的头像
starzq.eth 🧩 | web3brand.io & day1global.xyz2 年前

nice nice

Xu 的头像
Xu2 年前

好用，不错

starzq.eth 🧩 | web3brand.io & day1global.xyz 的头像
starzq.eth 🧩 | web3brand.io & day1global.xyz2 年前

欢迎反馈使用体验😄

韭神 🆓 Jerry 的头像
韭神 🆓 Jerry2 年前

不错👍狠🈶意思的尝试

Rubywang.eth｜Day1Global.xyz & web3brand.io 的头像
Rubywang.eth｜Day1Global.xyz & web3brand.io2 年前

厉害了，也可以出个小朋友版把课外班学费省了吧

starzq.eth 🧩 | web3brand.io & day1global.xyz 的头像
starzq.eth 🧩 | web3brand.io & day1global.xyz2 年前

研究下！

HEY 的头像
HEY2 年前

Thanks a lot, really useful!

相关视频

超越背单词：实用英语学习技巧 我是如何通过工作来提高英语水平的。 为一个英语使用者，我现在几乎不背单词了，但我的英语水平还是挺不错的。这主要是因为我的工作给了我大量的听说读写的机会。每天大概有一到两个小时都在开会，讨论、争论，还有处理邮件和Slack消息，这些都让我在语言的输入和输出方面得到了很好的锻炼。 我想对那些想提高英语水平的朋友说，找到一个能给你提供练习机会的工作环境非常重要。不仅仅是英语，无论你想学什么技能，找到对你有利的位置都是关键。比如说，如果你是程序员，就应该专注于你领域内的关键词，然后学会灵活地运用它们。 此外，我还要分享一个关于学习英语的小技巧：不要只专注于背单词，而是要找到关键词，然后用这些词来灵活表达自己的想法。使用AI工具进行反思也很重要。
13:13

超越背单词：实用英语学习技巧 我是如何通过工作来提高英语水平的。 为一个英语使用者，我现在几乎不背单词了，但我的英语水平还是挺不错的。这主要是因为我的工作给了我大量的听说读写的机会。每天大概有一到两个小时都在开会，讨论、争论，还有处理邮件和Slack消息，这些都让我在语言的输入和输出方面得到了很好的锻炼。 我想对那些想提高英语水平的朋友说，找到一个能给你提供练习机会的工作环境非常重要。不仅仅是英语，无论你想学什么技能，找到对你有利的位置都是关键。比如说，如果你是程序员，就应该专注于你领域内的关键词，然后学会灵活地运用它们。 此外，我还要分享一个关于学习英语的小技巧：不要只专注于背单词，而是要找到关键词，然后用这些词来灵活表达自己的想法。使用AI工具进行反思也很重要。

Bear Liu

38,152 次观看 • 2 年前

对不起啊，又制造了一个小垃圾😐 我刚才在星巴克，花了 30 分钟用 AI（v0）做了一个练习英语的 AI（deepseek）web app😅 是这样的，最近我在开始学习英语，目标是一年之内能够开口说英语。经过测试，发现我的问题在于无法对英文内容进行端到端处理，把听说英文拆分了多个任务，即：听到英文后在脑子里英翻中、使用中文思考、再进行中翻英说出来，加上我的词汇量不够，导致在处理的过程中经常中断，迫使自己放弃说出英文。 针对我的问题，我的英文教练 Haoshan 给出的第一个解决方案是： 1. 大量的英翻中，积累词汇，多看单词（不是死记硬背）； 2. 多听，听不懂的时候先别着急放弃，假装听懂了（实际还是听不懂），尝试思考后，别管对错先说出来，确保进程不中断。 于是我根据以上两点，做了这个应用，虽然教练说不必在意速度「快」，可以慢慢来，但我还是坚持认为反应时间是必要的，所以加了 15 秒的时间限制，逼自己的脑子反应，哈哈。
0:57

对不起啊，又制造了一个小垃圾😐 我刚才在星巴克，花了 30 分钟用 AI（v0）做了一个练习英语的 AI（deepseek）web app😅 是这样的，最近我在开始学习英语，目标是一年之内能够开口说英语。经过测试，发现我的问题在于无法对英文内容进行端到端处理，把听说英文拆分了多个任务，即：听到英文后在脑子里英翻中、使用中文思考、再进行中翻英说出来，加上我的词汇量不够，导致在处理的过程中经常中断，迫使自己放弃说出英文。 针对我的问题，我的英文教练 Haoshan 给出的第一个解决方案是： 1. 大量的英翻中，积累词汇，多看单词（不是死记硬背）； 2. 多听，听不懂的时候先别着急放弃，假装听懂了（实际还是听不懂），尝试思考后，别管对错先说出来，确保进程不中断。 于是我根据以上两点，做了这个应用，虽然教练说不必在意速度「快」，可以慢慢来，但我还是坚持认为反应时间是必要的，所以加了 15 秒的时间限制，逼自己的脑子反应，哈哈。

banboo

60,068 次观看 • 1 年前

做了一个chrome插件，需求很简单，就是平常我能看懂英文但是表达不够母语，然后这个插件可以帮我润色我的文字， 我平时要跳到openai/gemini里面去改，这样方便不少，而且我自己经常能用上， 其实对更多人更大的需求是基于写的中文内容做一个英语翻译，这样可以更好的回复英文（任意语言）内容，这个也能通过改prompt实现。 要是再进一步的话还可以把x的新推荐算法作为prompt输入进去，不过我感觉一般长的观点都会在其他ai产品写好，这个更适合短的小观点小短句， 要是有人有需求私信跟我说我看看这玩意咋给出去合适。（感谢 Leo 和 mable.sol (join our TG community! 被迫出镜）
0:22

做了一个chrome插件，需求很简单，就是平常我能看懂英文但是表达不够母语，然后这个插件可以帮我润色我的文字， 我平时要跳到openai/gemini里面去改，这样方便不少，而且我自己经常能用上， 其实对更多人更大的需求是基于写的中文内容做一个英语翻译，这样可以更好的回复英文（任意语言）内容，这个也能通过改prompt实现。 要是再进一步的话还可以把x的新推荐算法作为prompt输入进去，不过我感觉一般长的观点都会在其他ai产品写好，这个更适合短的小观点小短句， 要是有人有需求私信跟我说我看看这玩意咋给出去合适。（感谢 Leo 和 mable.sol (join our TG community! 被迫出镜）

Tykoo

10,765 次观看 • 4 个月前

我刚才发现自己有了ChatGPT昨天发布的GPTs联动的功能，试了一下确实强大。 下面用一个例子看一下如何使用和具体能力，还有一个对简中用户比较重要的操作。 我自己看论文会先下载下来让ChatGPT总结，然后会用宝玉的科技文章翻译GPTs对总结的内容进行精细的翻译，以前完成这两步起码需要我切两个窗口，然后复制粘贴一次。 现在我只需要在总结完成后输入“@”找到需要的GPTs，输入要求就可以在一次对话中完成，甚至我还可以再搞一个自动发推的GPTs在ChatGPT直接将翻译内容发到推特上。 最后一个对简中用户不太友好的BUG：拉起GPTs选择的时候你输入的“@”符号需要在英文输入法下才能调用这个功能，中文输入法下面没办法拉起GPTs选择，OpenAI做产品是真的糙。
1:04

我刚才发现自己有了ChatGPT昨天发布的GPTs联动的功能，试了一下确实强大。 下面用一个例子看一下如何使用和具体能力，还有一个对简中用户比较重要的操作。 我自己看论文会先下载下来让ChatGPT总结，然后会用宝玉的科技文章翻译GPTs对总结的内容进行精细的翻译，以前完成这两步起码需要我切两个窗口，然后复制粘贴一次。 现在我只需要在总结完成后输入“@”找到需要的GPTs，输入要求就可以在一次对话中完成，甚至我还可以再搞一个自动发推的GPTs在ChatGPT直接将翻译内容发到推特上。 最后一个对简中用户不太友好的BUG：拉起GPTs选择的时候你输入的“@”符号需要在英文输入法下才能调用这个功能，中文输入法下面没办法拉起GPTs选择，OpenAI做产品是真的糙。

歸藏(guizang.ai)

49,750 次观看 • 2 年前

今天一上午都在用新的ChatGPT练口语。GPT的中文发音有时候南洋风。但是很不错了。然后在会员网站更新了一个bonus 视频分享我改进后的口语练习快捷指令和Prompt.
1:29

今天一上午都在用新的ChatGPT练口语。GPT的中文发音有时候南洋风。但是很不错了。然后在会员网站更新了一个bonus 视频分享我改进后的口语练习快捷指令和Prompt.

一口新饭

177,634 次观看 • 2 年前

终于等到了 GPT 的拐点，人人都可以创建自己的 ChatGPT #设计AI 今天 OpenAI Dev Day 上的高光时刻，Sam Altman 发布了 GPTs 功能，即允许普通人创建自定义的 GPT 工具 随即他就现场演示，用官方 Builder 创建一个创业导师 GPT 工具。他付出的劳动包括： - 定义工具的基本概念（一句话） - 对 GPT 行为的基本指导（一句话） - 提供一个基础的知识库（一个文本文件） - 花费 3、4 分钟 voila，这个创业导师 GPT 工具就创建完毕可以使用了！ 从产品设计角度而言，GPTs 帮助有想法、有资源、有需求的普通人跳过开发者和漫长的产品开发过程，直接把想法和 GPT-4 提供的人类知识库对接，直接输出立刻可用的个性化 ChatGPT。而且这些个性化 ChatGPT 还支持自然语言交互，跳过了提供界面和人机交互设计的设计师 这就给很多自认为“创造者”的开发者、设计师们提出了一个新问题，如果人人都能创建自己的 ChatGPT，那么你作为“专业人士”、作为一个“创造者”，你脑子里有什么东西，可以拿出来创造一个你自己的 ChatGPT？ 嘿嘿……
4:23

终于等到了 GPT 的拐点，人人都可以创建自己的 ChatGPT #设计AI 今天 OpenAI Dev Day 上的高光时刻，Sam Altman 发布了 GPTs 功能，即允许普通人创建自定义的 GPT 工具 随即他就现场演示，用官方 Builder 创建一个创业导师 GPT 工具。他付出的劳动包括： - 定义工具的基本概念（一句话） - 对 GPT 行为的基本指导（一句话） - 提供一个基础的知识库（一个文本文件） - 花费 3、4 分钟 voila，这个创业导师 GPT 工具就创建完毕可以使用了！ 从产品设计角度而言，GPTs 帮助有想法、有资源、有需求的普通人跳过开发者和漫长的产品开发过程，直接把想法和 GPT-4 提供的人类知识库对接，直接输出立刻可用的个性化 ChatGPT。而且这些个性化 ChatGPT 还支持自然语言交互，跳过了提供界面和人机交互设计的设计师 这就给很多自认为“创造者”的开发者、设计师们提出了一个新问题，如果人人都能创建自己的 ChatGPT，那么你作为“专业人士”、作为一个“创造者”，你脑子里有什么东西，可以拿出来创造一个你自己的 ChatGPT？ 嘿嘿……

倪爽

348,264 次观看 • 2 年前

👼 神级Prompt多到用不完，我用Claude将它们重构了一遍 Anthropic Anthropic 将自家的提示语生成升级成了提示语优化之后，并把整个过程拆成了五步： 1️⃣ 前三步是了解用户想要什么、生成执行的流程图、从样本里学习生成规则、这时候会生成第一版提示语。我都没有输入样本，Claude 就会主动去分析预期的样本会长什么样。 2️⃣ 后面两步就更有意思了，值得单独讲讲： - 补充执行步骤的细节：这次我优化的是长文摘要的提示语，最终生成的执行步骤从阅读文本、确定信息点、列出要素、确定目标受众、分析原文语气和风格，给出合适的hook以及原因，还限制了句子数量。说实话这比我自己写推文的思路都详细。 - 动态调整输入文本、样本、输出模块在整个提示语的顺序：打个比方，Claude 会主动推测用于总结的文章内容可能会比较长，这一part就会被移动到更前面。 我把优化的过程都录制下来了👇：
0:56

👼 神级Prompt多到用不完，我用Claude将它们重构了一遍 Anthropic Anthropic 将自家的提示语生成升级成了提示语优化之后，并把整个过程拆成了五步： 1️⃣ 前三步是了解用户想要什么、生成执行的流程图、从样本里学习生成规则、这时候会生成第一版提示语。我都没有输入样本，Claude 就会主动去分析预期的样本会长什么样。 2️⃣ 后面两步就更有意思了，值得单独讲讲： - 补充执行步骤的细节：这次我优化的是长文摘要的提示语，最终生成的执行步骤从阅读文本、确定信息点、列出要素、确定目标受众、分析原文语气和风格，给出合适的hook以及原因，还限制了句子数量。说实话这比我自己写推文的思路都详细。 - 动态调整输入文本、样本、输出模块在整个提示语的顺序：打个比方，Claude 会主动推测用于总结的文章内容可能会比较长，这一part就会被移动到更前面。 我把优化的过程都录制下来了👇：

卡尔的AI沃茨

49,294 次观看 • 1 年前

这个视频是讲了一下中英文口语发音的区别，有兴趣可以看一下😬（因为是一镜到底，也是即兴录的这么一个视频，有些措辞表达上有点问题，能听懂就行哈哈哈） 再说一下怎么练习你的英语口语发音，如果真的很闲的话，可以去看看英语的影视作品，或者听听英文歌；但是你想速成，建议从拼多多上买一套人教版四五年级的英语教材听力，夸张的跟读并模仿录音中的发音，再纠正一下自己的方音问题，相信我，不出半个月你就会标准很多很多😬
5:00

这个视频是讲了一下中英文口语发音的区别，有兴趣可以看一下😬（因为是一镜到底，也是即兴录的这么一个视频，有些措辞表达上有点问题，能听懂就行哈哈哈） 再说一下怎么练习你的英语口语发音，如果真的很闲的话，可以去看看英语的影视作品，或者听听英文歌；但是你想速成，建议从拼多多上买一套人教版四五年级的英语教材听力，夸张的跟读并模仿录音中的发音，再纠正一下自己的方音问题，相信我，不出半个月你就会标准很多很多😬

Jenarry（不互推，不接广，不骗人）

41,267 次观看 • 9 个月前

我经常看一些英文技术文档，但因为英语不够好，加上专业名词晦涩难懂，读起来很吃力。 之前我一直用 NotebookLM 转成播客听，但它生成的中文播客有个致命问题：听起来很别扭，有时候中文用词也不准确。 最近发现扣子上线了 Skills 功能，我就想着试用它做一个“转播客”的工具。 操作方式也很简单，直接打开 扣子编程网站： 然后选择技能，在输入框里面说了一下我的需求 我会输入一个英文博客文章，你帮我做成一个两人的播客，两个主持人对谈探讨播客内容，目的是用通俗易懂的方式说清楚这个文章的内容，你要使用api生成语音做成一个播客 它很快就为我生成了一个 Skill。然后生成以后点击右上角的部署 接下来回到扣子编程页面，在对话框选择更多技能，就看到了我的skill 我用 Claude 的《Skills explained》文档测试了一下，效果出乎意料地好，讲得通俗易懂。比如： 说话人1：你就把 Skills 当成是 Claude 的专业训练手册。 说话人2：那它跟平时发的 Prompt 有啥不一样？ 说话人1：Prompt 就像临时问“这个菜咋做”，Skills 就是把整个菜谱都存下来，下次直接照着做就行。 7 分钟听完，还真全懂了(效果看视频)。 关键是，制作这个 Skill 我一行代码没写，只是描述了需求，扣子就把“如何通俗易懂讲技术”这个方法论固化成了 Skill。 接下来，我只需要把英文博客粘贴进去，它就会： 自动设计双人对话节奏，像听真播客一样自然； 识别晦涩概念，用类比解释（比如菜谱、咖啡店）； 保留技术准确性，但绝不堆砌术语。 现在我读每篇文档，几分钟就能吸收核心内容，每天能省出大量时间用于深度思考。 我觉得这才是 AI 该有的样子：不是把所有人拉到同一个平庸水平，而是把少数人的方法论，沉淀成人人可用的能力。 录了个实际效果视频，大家可以感受一下这种“自然度”和“通俗度”。推荐大家去试一下，用来做一些基础办公的 Skill 非常好使！
1:57

我经常看一些英文技术文档，但因为英语不够好，加上专业名词晦涩难懂，读起来很吃力。 之前我一直用 NotebookLM 转成播客听，但它生成的中文播客有个致命问题：听起来很别扭，有时候中文用词也不准确。 最近发现扣子上线了 Skills 功能，我就想着试用它做一个“转播客”的工具。 操作方式也很简单，直接打开 扣子编程网站： 然后选择技能，在输入框里面说了一下我的需求 我会输入一个英文博客文章，你帮我做成一个两人的播客，两个主持人对谈探讨播客内容，目的是用通俗易懂的方式说清楚这个文章的内容，你要使用api生成语音做成一个播客 它很快就为我生成了一个 Skill。然后生成以后点击右上角的部署 接下来回到扣子编程页面，在对话框选择更多技能，就看到了我的skill 我用 Claude 的《Skills explained》文档测试了一下，效果出乎意料地好，讲得通俗易懂。比如： 说话人1：你就把 Skills 当成是 Claude 的专业训练手册。 说话人2：那它跟平时发的 Prompt 有啥不一样？ 说话人1：Prompt 就像临时问“这个菜咋做”，Skills 就是把整个菜谱都存下来，下次直接照着做就行。 7 分钟听完，还真全懂了(效果看视频)。 关键是，制作这个 Skill 我一行代码没写，只是描述了需求，扣子就把“如何通俗易懂讲技术”这个方法论固化成了 Skill。 接下来，我只需要把英文博客粘贴进去，它就会： 自动设计双人对话节奏，像听真播客一样自然； 识别晦涩概念，用类比解释（比如菜谱、咖啡店）； 保留技术准确性，但绝不堆砌术语。 现在我读每篇文档，几分钟就能吸收核心内容，每天能省出大量时间用于深度思考。 我觉得这才是 AI 该有的样子：不是把所有人拉到同一个平庸水平，而是把少数人的方法论，沉淀成人人可用的能力。 录了个实际效果视频，大家可以感受一下这种“自然度”和“通俗度”。推荐大家去试一下，用来做一些基础办公的 Skill 非常好使！

泊舟

37,881 次观看 • 4 个月前

微软2023年Build大会演讲：如何训练和应用GPT（中英文字幕） 这是本次微软2023年Build大会来自OpenAI的AI 研究员和创始成员Andrej Karpathy的一个主题为State of GPT的演讲。 演讲主要有两部分内容： 1. OpenAI是如何训练GPT的 2. 我们如何有效应用GPT 都是非常有价值的分享。 首先对于如何训练GPT，通常来说是四个阶段预训练（Pretraining），有监督的微调（Supervised Finetuning），奖励建模（Reward Modeling）和强化学习（Reinforcement Learning），这几个阶段通常是依次进行，每个阶段都有不同的数据集。 预训练（Pretraining）： 这个阶段的目标是让模型学习一种语言模型，用于预测文本序列中的下一个单词。训练数据通常是互联网上的大量文本。模型从这些文本中学习词汇、语法、事实以及某种程度的推理能力。这个阶段结束后，模型可以生成一些有意义且语法正确的文本，但可能无法理解具体任务的需求。 有监督的微调（Supervised Finetuning）： 在预训练后，模型会进入微调阶段。在这个阶段，人类评估员将参与并给出指导，他们会给模型提供对话样本，样本中包含了输入和期望的输出。这使得模型能更好地适应特定任务或应用，例如回答问题或编写文章。 奖励建模（Reward Modeling）： 评估员将对模型生成的不同输出进行排名，以表示它们的质量。这个排名将被用作奖励函数，指导模型优化其生成的输出。 强化学习（Reinforcement Learning）： 强化学习阶段是一个迭代的过程，模型会试图优化其行为以获得最大的奖励。在这个阶段，模型会产生新的输出，评估员会对这些输出进行排名，然后模型根据这个反馈调整其行为。 然后是如何有效应用GPT 在演讲中Andrej举了一个非常好的例子：人类和大语言模型（LLM）都是如何写作的？从这个例子中你能明显感觉到人类和GPT之间的差异。 假设你要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口，你的写作的过程中可能是像这样的： - 我需要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口 - 我需要去获取两个州的人口数据 - 我不知道这两个周的人口数据 - 去维基百科找到加利福尼亚州的人口是39.2M - 去维基百科找到阿拉斯加州的人口是0.74M - 现在我需要计算一下两个州人口数相差多少倍，但是可能需要计算机帮忙 - 用计算器算出来39.2除以0.74约等于53 - 快速的检查一下53倍这个数字是不是符合常识，嗯，这是一个相当大的比值，但加利福尼亚州毕竟是人口最多的州，所以这个结果或许是合理的，可以继续 - 好了，我现在有了我需要的所有信息 - 写下：“加利福尼亚州的人口比53倍的……” - 觉得好像不太好，删除重写成：“加利福尼亚州的人口是阿拉斯加州的53倍。” - 嗯，觉得还不错 也就是说，当人类写作时，哪怕是这样一个简单的句子，可能内心实际上进行了大量的运算的。 但当我们用GPT进行写作这样的句子看起来会是什么样呢？ 从GPT的角度看，这只是一系列的标记（Tokens）。当GPT在接收到一个输入，比如你给出的主题。它会生成一段与输入相关的文本，GPT的目标是预测下一个词，所以它会连续生成一串词，形成一段连贯的文本。 从本质上看，Transformer只是标记模拟器，它不知道自己知道什么不知道什么，它不知道自己擅长什么或不擅长什么，它只是尽力生成下一个标记，它也不会进行反思，也不会不进行任何合理性检查。它不会纠正自己的错误，它只是产生抽样的标记序列，它没有像人类那样的内心独白流。 但是，GPT有一些优势，如它们拥有大量的基于事实的知识，并且拥有相对大的并且完美的工作记忆。GPT通过自我注意力机制，能立即获取到上下文窗口中的信息，从而进行无损记忆。然而，GPT在推理和判断方面的能力相对较弱，如果提出的问题需要更复杂的推理，单凭一个标记的信息，GPT往往无法给出正确的答案。 一些技巧可以提升GPT的表现，比如Cot（Chain of Though）设定步骤来引导GPT展示其工作过程，或者通过多次抽样然后选择最佳结果等，或者可以让GPT检查自己的输出，比如询问它是否完成了任务，最好是在Prompt中明确的要求它检查自己的输出。 后面还介绍了目前比较流行的GPT应用，比如Agent、Plugin、CoT、Embedding等 最后他用GPT-4写了一个结尾： “女士们，先生们，2023年Microsoft Build的创新者和先驱者们，欢迎来到这个独一无二的卓越人才的集结地。你们是未来的架构师，是塑造数字领域的视野家，在那里人类繁荣发展。拥抱科技的无限可能，让你的想法飞得和你的想象力一样高。让我们一起创造一个更连通，更出色，更包容的世界，为未来的世代留下。准备好释放你的创造力，探索未知，把梦想变成现实。你的旅程今天开始。” 原始视频地址： YouTube地址：
42:39

微软2023年Build大会演讲：如何训练和应用GPT（中英文字幕） 这是本次微软2023年Build大会来自OpenAI的AI 研究员和创始成员Andrej Karpathy的一个主题为State of GPT的演讲。 演讲主要有两部分内容： 1. OpenAI是如何训练GPT的 2. 我们如何有效应用GPT 都是非常有价值的分享。 首先对于如何训练GPT，通常来说是四个阶段预训练（Pretraining），有监督的微调（Supervised Finetuning），奖励建模（Reward Modeling）和强化学习（Reinforcement Learning），这几个阶段通常是依次进行，每个阶段都有不同的数据集。 预训练（Pretraining）： 这个阶段的目标是让模型学习一种语言模型，用于预测文本序列中的下一个单词。训练数据通常是互联网上的大量文本。模型从这些文本中学习词汇、语法、事实以及某种程度的推理能力。这个阶段结束后，模型可以生成一些有意义且语法正确的文本，但可能无法理解具体任务的需求。 有监督的微调（Supervised Finetuning）： 在预训练后，模型会进入微调阶段。在这个阶段，人类评估员将参与并给出指导，他们会给模型提供对话样本，样本中包含了输入和期望的输出。这使得模型能更好地适应特定任务或应用，例如回答问题或编写文章。 奖励建模（Reward Modeling）： 评估员将对模型生成的不同输出进行排名，以表示它们的质量。这个排名将被用作奖励函数，指导模型优化其生成的输出。 强化学习（Reinforcement Learning）： 强化学习阶段是一个迭代的过程，模型会试图优化其行为以获得最大的奖励。在这个阶段，模型会产生新的输出，评估员会对这些输出进行排名，然后模型根据这个反馈调整其行为。 然后是如何有效应用GPT 在演讲中Andrej举了一个非常好的例子：人类和大语言模型（LLM）都是如何写作的？从这个例子中你能明显感觉到人类和GPT之间的差异。 假设你要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口，你的写作的过程中可能是像这样的： - 我需要写一篇文章去比较加利福尼亚州和阿拉斯加州的人口 - 我需要去获取两个州的人口数据 - 我不知道这两个周的人口数据 - 去维基百科找到加利福尼亚州的人口是39.2M - 去维基百科找到阿拉斯加州的人口是0.74M - 现在我需要计算一下两个州人口数相差多少倍，但是可能需要计算机帮忙 - 用计算器算出来39.2除以0.74约等于53 - 快速的检查一下53倍这个数字是不是符合常识，嗯，这是一个相当大的比值，但加利福尼亚州毕竟是人口最多的州，所以这个结果或许是合理的，可以继续 - 好了，我现在有了我需要的所有信息 - 写下：“加利福尼亚州的人口比53倍的……” - 觉得好像不太好，删除重写成：“加利福尼亚州的人口是阿拉斯加州的53倍。” - 嗯，觉得还不错 也就是说，当人类写作时，哪怕是这样一个简单的句子，可能内心实际上进行了大量的运算的。 但当我们用GPT进行写作这样的句子看起来会是什么样呢？ 从GPT的角度看，这只是一系列的标记（Tokens）。当GPT在接收到一个输入，比如你给出的主题。它会生成一段与输入相关的文本，GPT的目标是预测下一个词，所以它会连续生成一串词，形成一段连贯的文本。 从本质上看，Transformer只是标记模拟器，它不知道自己知道什么不知道什么，它不知道自己擅长什么或不擅长什么，它只是尽力生成下一个标记，它也不会进行反思，也不会不进行任何合理性检查。它不会纠正自己的错误，它只是产生抽样的标记序列，它没有像人类那样的内心独白流。 但是，GPT有一些优势，如它们拥有大量的基于事实的知识，并且拥有相对大的并且完美的工作记忆。GPT通过自我注意力机制，能立即获取到上下文窗口中的信息，从而进行无损记忆。然而，GPT在推理和判断方面的能力相对较弱，如果提出的问题需要更复杂的推理，单凭一个标记的信息，GPT往往无法给出正确的答案。 一些技巧可以提升GPT的表现，比如Cot（Chain of Though）设定步骤来引导GPT展示其工作过程，或者通过多次抽样然后选择最佳结果等，或者可以让GPT检查自己的输出，比如询问它是否完成了任务，最好是在Prompt中明确的要求它检查自己的输出。 后面还介绍了目前比较流行的GPT应用，比如Agent、Plugin、CoT、Embedding等 最后他用GPT-4写了一个结尾： “女士们，先生们，2023年Microsoft Build的创新者和先驱者们，欢迎来到这个独一无二的卓越人才的集结地。你们是未来的架构师，是塑造数字领域的视野家，在那里人类繁荣发展。拥抱科技的无限可能，让你的想法飞得和你的想象力一样高。让我们一起创造一个更连通，更出色，更包容的世界，为未来的世代留下。准备好释放你的创造力，探索未知，把梦想变成现实。你的旅程今天开始。” 原始视频地址： YouTube地址：

宝玉

298,723 次观看 • 3 年前

收到了100多份简历后，发现大家很多人还是不太会争取机会！ 所以我决定录制一条关于Web3如何找工作的口播 Web3是一个极其浮躁的行业，很多人是没办法沉下心去做一些事情的，无论是找工作还是做项目 好多小伙伴，上来就是问在么，然后干巴巴的等着回复 看得我急死了 其实我要求和联系方式都留了，你既然都私聊了，就多说几句能咋滴呢 还有的哥们，一个简历+写了一大段AI水文表达自己对这个岗位感兴趣 我给他五个问题，让他好好回答一下，如果回答的不错，我们再约电话会议，结果又是回复了我一大段AI水文，现在的孩子是咋了，没有AI连自己表达观点的能力都丧失了么 我说的道理大部分大家都懂，但你会发现，咱们整个行业最稀缺的竟然是耐心和执行力，妈的 前几天身体抱恙，好多回复没看完，今天会接着看完的哈
6:45

收到了100多份简历后，发现大家很多人还是不太会争取机会！ 所以我决定录制一条关于Web3如何找工作的口播 Web3是一个极其浮躁的行业，很多人是没办法沉下心去做一些事情的，无论是找工作还是做项目 好多小伙伴，上来就是问在么，然后干巴巴的等着回复 看得我急死了 其实我要求和联系方式都留了，你既然都私聊了，就多说几句能咋滴呢 还有的哥们，一个简历+写了一大段AI水文表达自己对这个岗位感兴趣 我给他五个问题，让他好好回答一下，如果回答的不错，我们再约电话会议，结果又是回复了我一大段AI水文，现在的孩子是咋了，没有AI连自己表达观点的能力都丧失了么 我说的道理大部分大家都懂，但你会发现，咱们整个行业最稀缺的竟然是耐心和执行力，妈的 前几天身体抱恙，好多回复没看完，今天会接着看完的哈

Goku很Cool

23,108 次观看 • 17 天前

中文流利的加拿大人对加拿大的认知高过无数中国移民。 风景美真的不等于生活幸福！逃离一个国家貌似解决了你暂时面临的问题，但一定会出现更多的问题。 比如很多家长为了让孩子不卷，选择移民到西方国家。西方的不卷的教育会让你娃成年后的竞争力大大降低，大概率活的还不如移民一代。 美国学校教的之简单，让我每天都是无语叹息！我私教一个孩子一个小时的内容在公立学校能混一周。 西式教育只适合自学和自制能力强大的孩子，这种孩子我负责地说，十个当中没有一个，你娃也不会是那十分之一。
1:47

中文流利的加拿大人对加拿大的认知高过无数中国移民。 风景美真的不等于生活幸福！逃离一个国家貌似解决了你暂时面临的问题，但一定会出现更多的问题。 比如很多家长为了让孩子不卷，选择移民到西方国家。西方的不卷的教育会让你娃成年后的竞争力大大降低，大概率活的还不如移民一代。 美国学校教的之简单，让我每天都是无语叹息！我私教一个孩子一个小时的内容在公立学校能混一周。 西式教育只适合自学和自制能力强大的孩子，这种孩子我负责地说，十个当中没有一个，你娃也不会是那十分之一。

菁菁乐道(lydia)

214,269 次观看 • 1 年前

这是美国大学毕业季 最诚实的一场演讲 也是AI时代最引人思考的 关于教育的一场讨论💐 Angela Duckworth 一位哈佛毕业的网红教授 专门研究毅力的顶级学者 在宾大的毕业典礼上 一句话炸翻了全场 今天的演讲（稿） 是我和AI一起写的！😂 而且我一点儿也不惭愧 这太魔幻了 一个教孩子要坚毅要刻苦的 居然在带头“偷懒” 但是她接下来说的话 才是我反复该说的部分 就是这篇人机协作的演讲稿 给出了AI时代家长心里最担心的 两个问题的答案 第一个问题 孩子天天用AI，脑子会不会废掉？ 扫了一眼台下的毕业生 问了一个戳心的问题 如果我们一直这么用AI 会变得越来越不会思考 她自己呢带头就举了手 台下呢也几乎是全员举手 Angela接着说 她自己呢也担心过 因为大脑是用尽废退 不用的话神经连接都会萎缩 她讲了一个故事 她被一个很难的 统计学方法卡住了 当时呢身边没有人能够帮她 在客厅里做着 房地产相关的工作 于是她打开了GPT 就把问题呢告诉它 结果AI只用了几句话 就把这个复杂的问题讲清楚了 不但讲清楚了 还提醒她常见的误区 给了清晰的步骤 她对不懂的地方进行追问 让AI示范 短短十分钟之后 她不仅仅是拿到了答案 而且真正的理解了 注意她的关键词啊 不是替我想 而是带我想👊 她又问台下的毕业生们 你们有没有哪怕一次 真切的感受到 因为AI比你之前聪明了一点点？ 这一次又是几乎全员举手🙋‍♀️ 同样的一群人 同样的一双手 可以是害怕AI让我变笨 也可以是因为AI 让我变强🐮 她又用博士生的实验补了一刀 两组年轻人写求职信 一组呢完全自己写 另一组呢 用AI辅助 结果非常反常识 用AI那组不但写的更快 就连写作能力也提升的更多 为什么？ 给出了一个关键解释 因为AI在做一件 人类老师一直想做 但没有精力去做的事 它会不停的给你看更好的版本 这个句子可以更短 那个词可以换 这个结构呢还可以调整 你就一遍一遍的看这些示范 就是在训练自己的眼睛和感觉 所以结论很简单 也很有力量👍🏼 AI会不会废掉孩子 并不取决于AI有多强 而是取决于我们把它当什么 当你把AI当拐杖 你交出的就是大脑 当你把AI当教练 你练出来的就是判断力、表达力、结构感 AI的正确打开方式 不是把脑子托管给它 而是用它不断的看到更好的思考 然后呢逼自己追上去 第二个问题 既然知识和课程网上全有 AI又能给出答案 那我们为什么还需要老师？ 教育为什么还需要人？ 在学期末 说这样一个秘密 这整个学期 我教给你们的所有知识网上全都有 每一篇文章都有电子版 每一道作业都有人做过类似的 换句话说就是 只要你愿意不来上我的课 你照样能学 学生们呢？都愣住了 然后她说 但是你们还是需要我 因为你们需要有人在周二之前 逼你读完一篇并不轻松的文章😂 需要有人在周四之前 提醒你们交出一篇 你们以为自己写不出来的论文🥹 需要有人把你关进一个没有手机的教室 需要有人给你定一个 你以为达不到的标准 然后认真的看着你的眼睛说 我知道你能做到 我会等到你做到！👍🏼 这一段看起来安安静静的话 简直是一下子戳中了 教育的本质 教育从来都不是信息的填充 而是灵魂的唤醒！👍🏼💐 她讲到自己高中那位英语老师 图书馆的知识是免费的 但是你得自带容器 而一个真正的好老师 就会帮你塑造这个容器 我突然想到了我的孩子们 AI可以把全世界的知识 都摆在他们的面前 但是它做不到的是 在他们快要放弃的时候 坚定的看着他们的眼睛说 这很难 ☹️ 但我相信你 对于孩子们来说 爸爸妈妈 才是他们最早遇到的老师 那位Angela老师 在这个算力爆炸的时代 我们到底要教给孩子什么？ 用AI的方法 当然 但比这个更重要的是 带他们去户外徒步 去仰望星空 去面对挫折 去感受心跳 我们要做的是站在孩子的身边 成为赋予他们品格的那个人 如果你有时间 强烈建议你和孩子一起看一下这个演讲 ———————————— 演讲就在下面，快看看啊 有这么想讨论的一起聊聊吧😊
15:35

这是美国大学毕业季 最诚实的一场演讲 也是AI时代最引人思考的 关于教育的一场讨论💐 Angela Duckworth 一位哈佛毕业的网红教授 专门研究毅力的顶级学者 在宾大的毕业典礼上 一句话炸翻了全场 今天的演讲（稿） 是我和AI一起写的！😂 而且我一点儿也不惭愧 这太魔幻了 一个教孩子要坚毅要刻苦的 居然在带头“偷懒” 但是她接下来说的话 才是我反复该说的部分 就是这篇人机协作的演讲稿 给出了AI时代家长心里最担心的 两个问题的答案 第一个问题 孩子天天用AI，脑子会不会废掉？ 扫了一眼台下的毕业生 问了一个戳心的问题 如果我们一直这么用AI 会变得越来越不会思考 她自己呢带头就举了手 台下呢也几乎是全员举手 Angela接着说 她自己呢也担心过 因为大脑是用尽废退 不用的话神经连接都会萎缩 她讲了一个故事 她被一个很难的 统计学方法卡住了 当时呢身边没有人能够帮她 在客厅里做着 房地产相关的工作 于是她打开了GPT 就把问题呢告诉它 结果AI只用了几句话 就把这个复杂的问题讲清楚了 不但讲清楚了 还提醒她常见的误区 给了清晰的步骤 她对不懂的地方进行追问 让AI示范 短短十分钟之后 她不仅仅是拿到了答案 而且真正的理解了 注意她的关键词啊 不是替我想 而是带我想👊 她又问台下的毕业生们 你们有没有哪怕一次 真切的感受到 因为AI比你之前聪明了一点点？ 这一次又是几乎全员举手🙋‍♀️ 同样的一群人 同样的一双手 可以是害怕AI让我变笨 也可以是因为AI 让我变强🐮 她又用博士生的实验补了一刀 两组年轻人写求职信 一组呢完全自己写 另一组呢 用AI辅助 结果非常反常识 用AI那组不但写的更快 就连写作能力也提升的更多 为什么？ 给出了一个关键解释 因为AI在做一件 人类老师一直想做 但没有精力去做的事 它会不停的给你看更好的版本 这个句子可以更短 那个词可以换 这个结构呢还可以调整 你就一遍一遍的看这些示范 就是在训练自己的眼睛和感觉 所以结论很简单 也很有力量👍🏼 AI会不会废掉孩子 并不取决于AI有多强 而是取决于我们把它当什么 当你把AI当拐杖 你交出的就是大脑 当你把AI当教练 你练出来的就是判断力、表达力、结构感 AI的正确打开方式 不是把脑子托管给它 而是用它不断的看到更好的思考 然后呢逼自己追上去 第二个问题 既然知识和课程网上全有 AI又能给出答案 那我们为什么还需要老师？ 教育为什么还需要人？ 在学期末 说这样一个秘密 这整个学期 我教给你们的所有知识网上全都有 每一篇文章都有电子版 每一道作业都有人做过类似的 换句话说就是 只要你愿意不来上我的课 你照样能学 学生们呢？都愣住了 然后她说 但是你们还是需要我 因为你们需要有人在周二之前 逼你读完一篇并不轻松的文章😂 需要有人在周四之前 提醒你们交出一篇 你们以为自己写不出来的论文🥹 需要有人把你关进一个没有手机的教室 需要有人给你定一个 你以为达不到的标准 然后认真的看着你的眼睛说 我知道你能做到 我会等到你做到！👍🏼 这一段看起来安安静静的话 简直是一下子戳中了 教育的本质 教育从来都不是信息的填充 而是灵魂的唤醒！👍🏼💐 她讲到自己高中那位英语老师 图书馆的知识是免费的 但是你得自带容器 而一个真正的好老师 就会帮你塑造这个容器 我突然想到了我的孩子们 AI可以把全世界的知识 都摆在他们的面前 但是它做不到的是 在他们快要放弃的时候 坚定的看着他们的眼睛说 这很难 ☹️ 但我相信你 对于孩子们来说 爸爸妈妈 才是他们最早遇到的老师 那位Angela老师 在这个算力爆炸的时代 我们到底要教给孩子什么？ 用AI的方法 当然 但比这个更重要的是 带他们去户外徒步 去仰望星空 去面对挫折 去感受心跳 我们要做的是站在孩子的身边 成为赋予他们品格的那个人 如果你有时间 强烈建议你和孩子一起看一下这个演讲 ———————————— 演讲就在下面，快看看啊 有这么想讨论的一起聊聊吧😊

华尔街财经 | WS × AI Era

43,968 次观看 • 3 个月前

妈的，终于把 Chrome 上的 Gemini 开了 录个视频教大家怎么开启 如果你也跟我一样，所有的方法都用了，还是不行，而且你是 macOS 系统的话。 你直接把系统语言改成英文，它重启后就出来了。 首先就是 Chrome 的设置： 1. 把 Gemini 相关的所有开关都打开 2. 然后再把所有的 Chrome 浏览器地区设置成美国 这个流程可以用命令行去完成，也可以用现成的项目（如下面所发）去完成 然后关于谷歌账号和系统的设置： 1. 把你的 Google 账号地区改成美国 2. 把 Google 账号语言设置成英文 3. 刚才我提到的 Google 浏览器也需要改成英文 在 macOS 上，如果想把 Google 浏览器改成英文界面，需要把你整个系统语言都设置成英文
3:56

妈的，终于把 Chrome 上的 Gemini 开了 录个视频教大家怎么开启 如果你也跟我一样，所有的方法都用了，还是不行，而且你是 macOS 系统的话。 你直接把系统语言改成英文，它重启后就出来了。 首先就是 Chrome 的设置： 1. 把 Gemini 相关的所有开关都打开 2. 然后再把所有的 Chrome 浏览器地区设置成美国 这个流程可以用命令行去完成，也可以用现成的项目（如下面所发）去完成 然后关于谷歌账号和系统的设置： 1. 把你的 Google 账号地区改成美国 2. 把 Google 账号语言设置成英文 3. 刚才我提到的 Google 浏览器也需要改成英文 在 macOS 上，如果想把 Google 浏览器改成英文界面，需要把你整个系统语言都设置成英文

歸藏(guizang.ai)

289,319 次观看 • 4 个月前

都知道费曼学习法，听过费曼赚钱法吗？ 之前问了大家如何提升口语能力，我看了看大家的反馈，也找了找小红书，我或许找到了一个可能容易坚持下来的练习方法👇🏻 1、从句子开始，每天就找到一个句子，把这个素材放到飞书知识库里，有一个样例，还有一个句子，然后你就不停的读 2、读的时候，把它录下来，直到录到那个你认为读到完美的状态 3、配个背景音，发小红书抖音视频号去打卡 4、就这样不断循环，先循环30天 5、当开始能把句子读好后，就开始补充长一点儿的文本内容，比如摘抄的一个段落，或者是一段对话 6、不断重复这个过程 2个月后，可能你会收获： 1、较之原来更好的口语 2、一些英语口语学习者的粉丝 3、一堆知识库和录屏沉淀 4、卖课收入 接下来，把这所有的内容，用cursor撸个小程序，冷启动它。 学习是反人性的，赚钱顺人性，当你把学习结果转化成那些点赞，或许就有更强的动力努力下去 当你开始收集内容时，你是感觉自己是在赚钱，你可能也有动力坚持下去 这就是一种利用费曼学习法赚钱的策略，我称之为费曼赚钱法 别再设计什么英语学习app了，最简单的事情都干不来，企图通过一个app来帮助别人，和天方夜谭没差别 这也是我做麦喵之后，要亲手破碎掉自己从前的执念
0:51

都知道费曼学习法，听过费曼赚钱法吗？ 之前问了大家如何提升口语能力，我看了看大家的反馈，也找了找小红书，我或许找到了一个可能容易坚持下来的练习方法👇🏻 1、从句子开始，每天就找到一个句子，把这个素材放到飞书知识库里，有一个样例，还有一个句子，然后你就不停的读 2、读的时候，把它录下来，直到录到那个你认为读到完美的状态 3、配个背景音，发小红书抖音视频号去打卡 4、就这样不断循环，先循环30天 5、当开始能把句子读好后，就开始补充长一点儿的文本内容，比如摘抄的一个段落，或者是一段对话 6、不断重复这个过程 2个月后，可能你会收获： 1、较之原来更好的口语 2、一些英语口语学习者的粉丝 3、一堆知识库和录屏沉淀 4、卖课收入 接下来，把这所有的内容，用cursor撸个小程序，冷启动它。 学习是反人性的，赚钱顺人性，当你把学习结果转化成那些点赞，或许就有更强的动力努力下去 当你开始收集内容时，你是感觉自己是在赚钱，你可能也有动力坚持下去 这就是一种利用费曼学习法赚钱的策略，我称之为费曼赚钱法 别再设计什么英语学习app了，最简单的事情都干不来，企图通过一个app来帮助别人，和天方夜谭没差别 这也是我做麦喵之后，要亲手破碎掉自己从前的执念

Yangyi

263,137 次观看 • 1 年前

先讲一个你可能从来没听说过的人。 1930年，英国语言学家 C.K. Ogden 做了一件很偏执的事——他把整个英语词汇表研究了一遍，然后问了一个问题：如果只能留下最核心的那些词，英语还能不能用？ 他的答案是：850个词，够了。 这850个词，不是随便选的，是他穷尽分析之后筛选出来的"语言骨架"。他把它们分成5类： 100个操作词（Operations）：这、那、是、有、做……就是那些让句子转起来的胶水词 400个普通事物（General Things）：名词里最高频、最基础的那层 200个可描绘事物（Picturable Things）：能画出来的具体东西，比如 door、fire、river 100个性质词（Qualities）：描述世界的形容词，比如 clear、simple、important 50个反义词（Opposites）：成对出现，学一个等于学两个 —————— 然后他把这套体系命名为 Basic English，发表出来。 接下来发生的事情更有意思。丘吉尔在二战期间公开赞扬这套体系，认为它是盟国推广英语教育的最佳基础。H.G. 威尔斯把它写进了《世界大战》的续集设定里，作为未来世界通用语言的蓝图。乔治·奥威尔……没有赞扬它，但《1984》里那套压缩语言"新话"（Newspeak）的灵感，正是来自对 Basic English 的深深警惕——他担心语言被缩减之后，人的思想也会跟着被缩减。 这就是这850个词的能量：支持者觉得它是桥梁，批评者觉得它是枷锁，争论了将近一百年。 但我想说的不是那场争论。我想说的是——这850个词，对今天的英语学习者来说意味着什么。 大多数人学英语，是被一本本厚厚的词汇书和无尽的考纲压着学的。CET-4、CET-6、托福、雅思……每一个证书背后都是几千个词的暴力记忆，背了忘，忘了背，从来没有真正"用"过。 Ogden 给出的逻辑完全相反：不是多，而是深。 这850个词，每一个都是高频中的高频，每一个在日常英语表达里都有不可替代的位置。当你真正把这850个词学透——不只知道它的意思，还知道它的用法、它的近义词在什么场景该用哪一个——你对英语的掌握会比背了5000个词却每个只认识中文意思要扎实得多。 这是一种截然不同的语言观：根扎得够深，枝才能生得够远。 —————— 于是我做了这个网站： （准确的说我让 Codex 做的） 原版 Ogden 的资料是一本PDF，黑白的，排版像上个世纪（它确实是上个世纪的）。我想让它变成真正可以用来学习的东西。 花了不少时间（花了不少 Token ）最终做成了这样： 每一个词，都有一张完整的卡片。 卡片上有：这个词的中文释义、英文定义（用简单的英语解释英语，就像 Ogden 本人的风格）、一句真实语境下的例句，以及2到3个同义词。五个类别各有自己的颜色，一眼就知道你在学哪个区域的词汇。 每一个词，都可以听发音。 接的是有道词典的语音接口，默认英式发音，可以切换美式。点单词听一次，点例句听一次，语速比正常稍慢一点，适合跟读。不是那种机械的合成音，真的可以听。 最让我花心思的，是同义词那里。 很多人背单词的时候，同义词只是"差不多的意思"。但真正用英语的时候，difference 和 distinction 不一样，speak 和 talk 不一样，simple 和 easy 不一样。差在哪里？什么场景该用哪个？ ——————— 网站是免费的，不需要注册，不会收集任何信息。 直接访问就行： 如果你身边有正在学英语的人，或者觉得自己英语"学了很多年但还是用不好"的，可以发给他们看看。 也许这850个词，是一个值得重新开始的起点。 👆 以上的文案也是它写的，我越来越没有用了
0:24

先讲一个你可能从来没听说过的人。 1930年，英国语言学家 C.K. Ogden 做了一件很偏执的事——他把整个英语词汇表研究了一遍，然后问了一个问题：如果只能留下最核心的那些词，英语还能不能用？ 他的答案是：850个词，够了。 这850个词，不是随便选的，是他穷尽分析之后筛选出来的"语言骨架"。他把它们分成5类： 100个操作词（Operations）：这、那、是、有、做……就是那些让句子转起来的胶水词 400个普通事物（General Things）：名词里最高频、最基础的那层 200个可描绘事物（Picturable Things）：能画出来的具体东西，比如 door、fire、river 100个性质词（Qualities）：描述世界的形容词，比如 clear、simple、important 50个反义词（Opposites）：成对出现，学一个等于学两个 —————— 然后他把这套体系命名为 Basic English，发表出来。 接下来发生的事情更有意思。丘吉尔在二战期间公开赞扬这套体系，认为它是盟国推广英语教育的最佳基础。H.G. 威尔斯把它写进了《世界大战》的续集设定里，作为未来世界通用语言的蓝图。乔治·奥威尔……没有赞扬它，但《1984》里那套压缩语言"新话"（Newspeak）的灵感，正是来自对 Basic English 的深深警惕——他担心语言被缩减之后，人的思想也会跟着被缩减。 这就是这850个词的能量：支持者觉得它是桥梁，批评者觉得它是枷锁，争论了将近一百年。 但我想说的不是那场争论。我想说的是——这850个词，对今天的英语学习者来说意味着什么。 大多数人学英语，是被一本本厚厚的词汇书和无尽的考纲压着学的。CET-4、CET-6、托福、雅思……每一个证书背后都是几千个词的暴力记忆，背了忘，忘了背，从来没有真正"用"过。 Ogden 给出的逻辑完全相反：不是多，而是深。 这850个词，每一个都是高频中的高频，每一个在日常英语表达里都有不可替代的位置。当你真正把这850个词学透——不只知道它的意思，还知道它的用法、它的近义词在什么场景该用哪一个——你对英语的掌握会比背了5000个词却每个只认识中文意思要扎实得多。 这是一种截然不同的语言观：根扎得够深，枝才能生得够远。 —————— 于是我做了这个网站： （准确的说我让 Codex 做的） 原版 Ogden 的资料是一本PDF，黑白的，排版像上个世纪（它确实是上个世纪的）。我想让它变成真正可以用来学习的东西。 花了不少时间（花了不少 Token ）最终做成了这样： 每一个词，都有一张完整的卡片。 卡片上有：这个词的中文释义、英文定义（用简单的英语解释英语，就像 Ogden 本人的风格）、一句真实语境下的例句，以及2到3个同义词。五个类别各有自己的颜色，一眼就知道你在学哪个区域的词汇。 每一个词，都可以听发音。 接的是有道词典的语音接口，默认英式发音，可以切换美式。点单词听一次，点例句听一次，语速比正常稍慢一点，适合跟读。不是那种机械的合成音，真的可以听。 最让我花心思的，是同义词那里。 很多人背单词的时候，同义词只是"差不多的意思"。但真正用英语的时候，difference 和 distinction 不一样，speak 和 talk 不一样，simple 和 easy 不一样。差在哪里？什么场景该用哪个？ ——————— 网站是免费的，不需要注册，不会收集任何信息。 直接访问就行： 如果你身边有正在学英语的人，或者觉得自己英语"学了很多年但还是用不好"的，可以发给他们看看。 也许这850个词，是一个值得重新开始的起点。 👆 以上的文案也是它写的，我越来越没有用了

虎小象

918,371 次观看 • 12 天前

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：
57:23

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。 （对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看） 先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。 去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。 在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。 最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。 并且陶哲轩提到了基于大语言模型的一些改进的方案： 比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。 比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。 即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！ 当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。 还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。 对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？ 陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。 他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。 演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。 这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。 尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。 原始 YT 视频：

宝玉

300,568 次观看 • 1 年前

想和大伙聊聊，在 AI 时代我是如何深入学习一个技术领域的。 之前没有 AI 之前更多是看书、翻这个领域有名的国内外人的所有博客，然后摘抄记录到笔记本，这种速度挺慢，但是很有学习的乐趣，比如当时学习 WebGL 就是这种感觉，可能学懂一个东西差不多要半年空闲时间，慢但快乐。 现在有了 AI 之后，其实我很讨厌网上那种3分钟教你看完百年孤独，也讨厌一切短剧和倍速看电视剧的方式，更多还是挑好的看，吃好一点。 不过最近写你不知道的 Claude Code 和 Agent 系列，除了自己懂的部分外，其实还有大量不太清楚的领域，好在之前收藏了不少文章，刚好借助这一块清库存，全部搞懂输出出去，一直认为，很多时候，不在于看了多少东西，听了多少东西，输入了多少东西，其实用处不大，更加看重你输出了多少东西，这个才是你自己的。 然后我上上周启动了一个深坑挑战自己，研究大模型的训练流程，确保非专业的人也听得懂，探索了2周，刚好这个经验可以分享给大伙，当然成文也差不多好了，最近会发出。 我会把这个学习过程当做写代码一样的组织，第一步收集高质量的资料，比如与之相关的近几年的精品论文，各大模型厂商发布的关键模型的博客，X上模型负责人发表的一些文章，以及斯坦福等高校的近两年关于这一块的课程学习，还有经典的手搓一个大模型的代码仓库等等，这些都是我的一个资料来源过程，我会借助工具自动化全部下载、转md、清洗，梳理，弄好结构化分门别类到我这次研究的仓库。 然后对于自己看得懂的内容就全部看一遍，把不好的删掉，好的留下，对于看不懂的内容，直接借助 Claude 帮我的理解，更复杂一点的直接翻译成中文去阅读，对于代码本地可以跑的就跑起来，不能跑的那种就去看结构，总之会有一个大概的认识和知晓技术原理，这个阶段可以去掉原有一半可能没有用的内容。 到了这个阶段，其实你对这个领域有一个大概的认知了，就可以给这篇文章开始写一个大纲，以及大纲应该结合的来源内容，这里均可以用markdown很多表达，你要讲什么，或者说你想讲什么更想让读者知道，一定一定，文章是写给你给给看的人看的，需要知晓对方的认知水平，和汇报其实差不多。 然后接下来就是苦力活加之前内容的复习过程，和大学时候考试前复习很像，把每一章的内容填充完整，这样下来，你会得到一篇非常长而且有点啰嗦的文章。 这个时候AI就可以帮太忙，你可以让他帮你不改变你原有的内容意思你的语气的情况下，帮我去掉无用的啰嗦内容，以及连贯不到位的内容，或者是这一块缺少的内容，还需要补充什么知识的地方，借助AI继续去完善补充，这里又可以学到很多原来遗漏的东西。 最后整理好以后，可以继续自己读一遍，而非让AI读一遍，这里AI只是工具，千万不要把你的脑袋被AI代替了，这就没有啥意思来，自己读的过程中可以对文章继续修改调优，这里和写代码又非常像了，自测那种感觉，修复问题修问题，最后读了2遍以后，基本感觉完美了，然后就可以发出来给大伙看看。 有小伙伴肯定是担心自己写的东西没有人看，就不太喜欢发出来，或者说就不写了，其实只要你的内容有意义，自然就有读者，而非是你偷懒的理由。 花10min写完这个碎碎念，结束，欢迎交流你是如何学习一个新领域的，下面视频就是我后面要发的那篇你不知道的大模型训练文章的学习仓库，挺有意思，就录了一个视频给大伙看看我的工业化学习方式。
0:33

想和大伙聊聊，在 AI 时代我是如何深入学习一个技术领域的。 之前没有 AI 之前更多是看书、翻这个领域有名的国内外人的所有博客，然后摘抄记录到笔记本，这种速度挺慢，但是很有学习的乐趣，比如当时学习 WebGL 就是这种感觉，可能学懂一个东西差不多要半年空闲时间，慢但快乐。 现在有了 AI 之后，其实我很讨厌网上那种3分钟教你看完百年孤独，也讨厌一切短剧和倍速看电视剧的方式，更多还是挑好的看，吃好一点。 不过最近写你不知道的 Claude Code 和 Agent 系列，除了自己懂的部分外，其实还有大量不太清楚的领域，好在之前收藏了不少文章，刚好借助这一块清库存，全部搞懂输出出去，一直认为，很多时候，不在于看了多少东西，听了多少东西，输入了多少东西，其实用处不大，更加看重你输出了多少东西，这个才是你自己的。 然后我上上周启动了一个深坑挑战自己，研究大模型的训练流程，确保非专业的人也听得懂，探索了2周，刚好这个经验可以分享给大伙，当然成文也差不多好了，最近会发出。 我会把这个学习过程当做写代码一样的组织，第一步收集高质量的资料，比如与之相关的近几年的精品论文，各大模型厂商发布的关键模型的博客，X上模型负责人发表的一些文章，以及斯坦福等高校的近两年关于这一块的课程学习，还有经典的手搓一个大模型的代码仓库等等，这些都是我的一个资料来源过程，我会借助工具自动化全部下载、转md、清洗，梳理，弄好结构化分门别类到我这次研究的仓库。 然后对于自己看得懂的内容就全部看一遍，把不好的删掉，好的留下，对于看不懂的内容，直接借助 Claude 帮我的理解，更复杂一点的直接翻译成中文去阅读，对于代码本地可以跑的就跑起来，不能跑的那种就去看结构，总之会有一个大概的认识和知晓技术原理，这个阶段可以去掉原有一半可能没有用的内容。 到了这个阶段，其实你对这个领域有一个大概的认知了，就可以给这篇文章开始写一个大纲，以及大纲应该结合的来源内容，这里均可以用markdown很多表达，你要讲什么，或者说你想讲什么更想让读者知道，一定一定，文章是写给你给给看的人看的，需要知晓对方的认知水平，和汇报其实差不多。 然后接下来就是苦力活加之前内容的复习过程，和大学时候考试前复习很像，把每一章的内容填充完整，这样下来，你会得到一篇非常长而且有点啰嗦的文章。 这个时候AI就可以帮太忙，你可以让他帮你不改变你原有的内容意思你的语气的情况下，帮我去掉无用的啰嗦内容，以及连贯不到位的内容，或者是这一块缺少的内容，还需要补充什么知识的地方，借助AI继续去完善补充，这里又可以学到很多原来遗漏的东西。 最后整理好以后，可以继续自己读一遍，而非让AI读一遍，这里AI只是工具，千万不要把你的脑袋被AI代替了，这就没有啥意思来，自己读的过程中可以对文章继续修改调优，这里和写代码又非常像了，自测那种感觉，修复问题修问题，最后读了2遍以后，基本感觉完美了，然后就可以发出来给大伙看看。 有小伙伴肯定是担心自己写的东西没有人看，就不太喜欢发出来，或者说就不写了，其实只要你的内容有意义，自然就有读者，而非是你偷懒的理由。 花10min写完这个碎碎念，结束，欢迎交流你是如何学习一个新领域的，下面视频就是我后面要发的那篇你不知道的大模型训练文章的学习仓库，挺有意思，就录了一个视频给大伙看看我的工业化学习方式。

Tw93

105,451 次观看 • 2 个月前

这是我来到 X 以后，学会的几个新的操作。很多X新手应该都不知道，我也一直踩坑： 1、第一个操作，就是在通知里看到某一条消息之后，打开之后看不到原帖是哪个。这个时候你把页面向上滑动一下，你才能看到他回复的是哪个帖子。 2、第二个操作，怎么发长线程的推文？ 点击发帖，发帖之后，把第一个帖子编辑好之后，就可以点击右下角的一个添加加号，然后就可以添加新的内容，也就是发一个长线程的推文。 3、第三个操作，转发视频。其实有时候你转发其他人的推文的时候，可以不用直接转发推文，而是直接把视频引用过来，看起来像是自己发的视频一样。 怎么操作呢？就是你进入到这个视频的页面，然后长按视频，然后点发布视频。然后就会带入一个链接，然后你在链接的前面输入你的文字，你发布出去之后就会只引用对方的视频，有时候看起来跟你自己发的是一样的。 你学会了吗？没学会的可以👀看视频
1:10

这是我来到 X 以后，学会的几个新的操作。很多X新手应该都不知道，我也一直踩坑： 1、第一个操作，就是在通知里看到某一条消息之后，打开之后看不到原帖是哪个。这个时候你把页面向上滑动一下，你才能看到他回复的是哪个帖子。 2、第二个操作，怎么发长线程的推文？ 点击发帖，发帖之后，把第一个帖子编辑好之后，就可以点击右下角的一个添加加号，然后就可以添加新的内容，也就是发一个长线程的推文。 3、第三个操作，转发视频。其实有时候你转发其他人的推文的时候，可以不用直接转发推文，而是直接把视频引用过来，看起来像是自己发的视频一样。 怎么操作呢？就是你进入到这个视频的页面，然后长按视频，然后点发布视频。然后就会带入一个链接，然后你在链接的前面输入你的文字，你发布出去之后就会只引用对方的视频，有时候看起来跟你自己发的是一样的。 你学会了吗？没学会的可以👀看视频

鱼总聊AI

13,403 次观看 • 4 个月前