“好奇心”，这是最大的核心竞争力。

它会让你：

• 保持专注、提高时间投入度
• 增加思考时间，包括在吃饭、睡觉、娱乐的时候
• 提高点状信息的关联能力和信息敏感度
• 利用一切可用的工具和知识
• …

LLM 拥有近似无限的能力，本质上也是通过「指令微调」的方式「教会」了模型。 算是一种 scaling law，对于新技能的 scaling law。对于新增一个领域的业务，扩展他的成本极其低。 甚至是自动化的事情。

LLM 区别于其他 AI 技术点在于，它的 scaling 能力太强大了。 模型本身的「智力」、模型解决特定领域问题的能力等等。

它的训练方式（模型+数据）以及与世界的交互方式（文字），奠定了它的能力天花板非常非常高。

富士山的枫叶

Nothing in life is as important as you think it is when you are thinking about it.

— Daniel Kahneman

卡尼曼的这个洞见很深刻。当你想一件事的时候，不自觉地会放大它。同样，那有没有可能在不想它的时候会低估呢？

控制自己在想什么，我们可能需要这种能力。因为你在想一件事，它会影响你对它的重要性的判断。

Happiness is complicated, but if you simplify it into things like a loving family, health, friendship, eight hours of sleep, well-balanced children, and being part of something bigger than yourself, you realize how limited money’s role can be.

— The art of spending money by Morgan Housel

要做自己喜欢的事情，才能做出成绩来，这个倒是没问题。可是让我困惑的是，很多人在面临当下的局面时，并没有可选择的余地，甚至不知道自己其实可以选择。

在没有选择的前提下，他怎么能确保自己正在做的事情就是自己所热爱的呢？ 要么强迫自己爱上这件事，要么找个理由说服自己，要么就只是忍受。

所以，他不是不懂“去做自己热爱的事情”这个道理，而是很可能从一开始就没有这个选择。更可悲的是，他甚至不知道自己有做出选择的能力。

原因在于人的本性、惰性，或者说人自身的某些特性，本来就很难改变。

高纬度的祝福

深度神经网络的规模达到一定的程度的复杂度之后，最优的区域可能呈现出平坦的、大面积的区域，也意味着找到最优值的方式并没有随着网络规模的变大而变大，某种程度上反而变得简单了。

即使是用梯度下降这种只要求局部最优的算法，也能取得非常好的效果。

我读到上面内容的时候的第一个反应是面对复杂的局面，特别是超级复杂的局面，反而找到最优值的方法更为简单，而且也不是很高深的道理。

• 投资复杂不复杂？
• 创新复杂不复杂？
• 市场竞争复杂不复杂？
• 人际关系复杂不复杂？

我觉得应对它们的「算法」，可能是非常简单的。

People are not rational. They are rationalizing.

Once you understand this simple fact, all the oddest human behavior will suddenly make way more sense.

— Billy Markus

所以跟人争论一个观点是否正确，可能没有意义。因为你不确定你争论的是事实，还是只是在宣泄各自的情绪主张。

努力使自己处于熵增的环境，使自己在环境中沿熵减的方向努力。

要真正理解一个概念，你必须在某种程度上自己"发明"这个概念。理解并非源于被动的内容消费，而是源于一个主动的、自我导向的创建和调试过程。

– François Chollet