基本原理

Key Takeaway

• AI时代，大模型作为知识容器，人类在知识广度上无法胜出，唯一的解是“Go Fundamental”（深入基本原理）。
• 基本原理相对稳定且具有普遍性，能应对技术快速更新，并应用于多个领域。
• 人类在AI时代的独特优势在于抽象思考、跨领域联想和创造性思维。
• 将人类独特优势与对基本原理的掌握相结合，能带来巨大的创新和成就。
• 掌握基本原理能帮助个体在AI时代更具竞争力，将AI作为杠杆，撬动更大的价值。

Full Content

如果你知道在AI时代如何学习的话，那么大模型变得再牛逼，你也不会慌。

为什么大模型会让大家这么焦虑？

因为大模型的本质，是知识的容器。

大模型的训练过程，就是对知识的压缩过程。

大模型的使用过程，就是对知识的解压缩过程。

这个容器，容量大，使用难度低，而且谁都可以用。所以，在知识的广度上，咱们人类是不可能有胜算的。

我认为唯一的解是：Go Fundamental。

也就是说，在AI时代，如果你要学习，不管是哪个领域，一定一定要深入到基本原理层面。

为什么这么说？我总结了两个根本原因。

第一，技术的更新速度非常快，但基本原理相对稳定。而且，基本原理通常具有普遍性，可以应用到多个领域。

举个例子，计算机科学领域的算法复杂度分析，最早可以追溯到图灵那个年代。到了今天，这个这么老的理论依旧被用来评估模型的效率。

什么叫算法复杂度分析？

举个例子，一个客服中心，给50个客户打电话，需要3个人、一天的时间。当客户数量增加到5000的时候，又需要消耗多少人力资源和时间呢？

同样的道理，在大模型领域，当数据量增加的时候，训练时间会怎么变化？它所需要的计算资源会怎么变化？

所以，算法复杂度分析关注的就是，当任务规模增大的时候，完成任务所需时间或资源的增长速度。这个在今天的AI时代依然有效，而且特别重要。

我再举个例子：数学中的优化理论，是算法的核心。比如，训练神经网络本质上就是一个优化过程，目标是找到能最小化预测误差的网络参数。

那么你知道这个优化理论最早是从哪来的吗？

欧几里得在《几何原本》当中讨论了求两点间最短距离的问题，算是最早对优化问题的思考。不过那个时候只是开始思考，还没形成系统理论。

到了18世纪末到19世纪初，在物理问题驱动下，这个理论的基础开始形成。到了20世纪中后期，随着计算机科学的发展，优化理论成为一个独立且重要的数学分支。

这就是为什么说，基本原理基本不变，并且具有普遍性。

那些日新月异的变化，统统交给AI去学习。咱们就把握最基本的、最底层的理论，建立起最扎实的理解。

我相信大家应该都听过这样的话：当你在某个领域爬到山顶的时候就会发现，领域之间其实是相通的——你在这个山顶其实能看到那个山顶。这其实是一个意思，只不过，与其说是向上爬，不如说是向下深入，一直深入到基本原理层面，于是一通百通。

OK，这是第一个原因。第二个原因是，跟AI相比，人类的独特优势在于抽象思考、跨领域联想，以及创造性思维。当这种独特优势和对基本原理的掌握相结合，往往能带来意想不到的、极其巨大的结果。

我举几个牛逼的例子：

达芬奇结合艺术和解剖学知识，创作出精确而富有美感的人体绘画。

毕加索融合非洲艺术元素和欧洲绘画传统，开创了立体主义。

爱因斯坦将数学知识应用到物理学上，提出了相对论。

沃森和克里克结合生物学和化学知识，发现了DNA双螺旋结构。

在我看来，这些都属于把抽象思考、跨领域联想、创造性思维这些独特优势和基本原理结合的成功案例。

试想一下，如果真的能做到Go Fundamental，并且尝试将这些原理与其他领域的知识相结合，去碰撞、去延展、去发散，我相信，这样的个体在AI时代会非常有竞争力。他一定不会焦虑AI，反而能把AI当做杠杠——那么宽广的知识储备就是一根超级长的杠杠，而他自己就是那个支点。这样的超级个体和AI所组成的超级系统，肯定能撬动非常大的质量，取得很高的成就。

OK，以上就是本期内容。今天聊的有点虚，但是我觉得会比之前介绍某个具体的技术、工具都更有价值。大家想进一步交流的话，就来newtype找我，我都在。那咱们下期见！