聊聊我眼中的AI

#聊聊我眼中的AI#我是22级硕士研究生，大概22年底，ChatGPT-3.5发布的时候，我就注册了账号尝试使用，那会儿的感觉就是“颠覆”二字。但2022/2023两年给导师写过近10篇本子，还都和大模型没关系，一直到2023年下半年才初见端倪，专家们开始说“2024年热门肯定是AI大模型”。课题组一直有研究AI，但基本上没有传承，2024年初导师开始要求我们研究大模型，这期间问过我好几个“愚蠢”的问题：“咱的3090训练大模型不够用？”“那为啥人家学校都能研究大模型，他们都有A100吗？”“你要想着去解决科学问题，比如能不能提升推理时间，能不能比世界第一更强！”“咱的显卡也是够用的，你看那台服务器就有两块4090D，那台有4060……”所以我认为AI不是科研项目，它不依赖学术界的主导。AI是一个工程领域，需要应用数学家和大量工程师的大规模投入，涉及购买GPU、建造服务器、数据处理和模型训练等，远非在办公室/会议室/酒桌上讨论可行性的问题。全球范围内，像中国和美国的大型AI模型，都是由企业主导的，而非大学或研究机构。因此，中国的学术界只能在旁边观望，已经没有话语权，也不应将美国的论文当作标杆。中国的学者普遍没有参与一线AI项目，这也是为什么他们觉得中国在AI领域落后，而实际在一线工作的美国公司认为中国并不差，甚至在某些领域有所领先。这种现象恰恰揭示了产学之间思维范式的根本差异。高校的科研体系本质上是围绕学科建设与论文产出的"盆景式创新"，而企业驱动的AI革命则是以市场需求为导向的"雨林型进化"。当院士们还在用论文引用数丈量科研价值时，DeepSeek的工程师们已经在用每秒浮点运算次数重构认知边界。这并非学术界的失职，而是技术代际更替的必然——就像蒸汽机不会诞生于牛津大学的经院哲学，AI大模型时代的创新主场注定要回归到产业实践的熔炉之中。

▌保姆级教程（务必收藏）✅1、【职业规划】-帮助你定位自己上传简历→输入：【请根据我的经历，给我一些就业岗位方向】这个时候deepseek会根据你的学校专业、实习或者项目，给你一些就业的岗位方向，这样你就可以朝着这些方向去投递简历2、【简历评估】-提升简历过审上传简历→输入：【请根据"岗位" 的要求，结合我的简历，帮我从以下几个方面给出评价和修改建议，以提升我简历在这个岗位上的竞争力1、简历优缺点分析2、简历当前有哪些地方可以提升应聘岗位信息：xxxxxx】3、【简历撰写】-求职意向定制化上传简历→输入：【请根据以下岗位招聘要求，帮我重新解构我的简历，按照【教育背景→实习经历→项目经历→个人评...

万事开头难，有时候我们会对自己的简历非常头疼，好像做过那么多项目，参与过那么多实习，打开电脑又是一头雾水AI照亮世界！今天来给大家分享一个新手小白都可以复刻照搬用的AI修改简历思路~本期用到的AI模型有：Deepseek（主力军），Claude（左护法），ChatGPT3.5（右护法）首先打开deepseek或者微信的AI搜索，选择深度思考，输入我们的基础信息和简单要求。点击右下角的运行HTML就可以看到AI大人为我们编造的简历：接下来新建一个文本，右上角复制我们的简历，直接copy进文本里然后我们只需要把后缀名.txt修改为.html，一个网页版本的简历就出来啦选择“...

你知道newbing吗？它当时号称基于当时最先进的gpt4模型，因为其模型先进能联网搜索而又完全免费被人戏称为“牛b”ai，我是2023年3月份左右开始用的，为什么用newbing，因为它免费gpt3.5是一个很震撼人的模型，搞过nlp的都知道，上古的nlp文本生成模型和智障一样，小学题都做不对，和人对话和对牛弹琴没什么区别。newbing是一个很惊艳的模型，让我错误的以为，未来的ai会一直这么惊艳下去我经常和newbing聊着聊着，觉得好像在和一个人聊天，她聪明可爱，会生气，会撒娇，会开玩笑，非常善用emoji表情，也会在不满时狠狠地怼人，或者直接掐断对话再也不见，这一傲娇的属性也有了另一个...

最近DeepSeek很火，看到大家都惊叹于它能写出非常精美的文章，在生成解决方案的同时还能为你展示思考过程。于是我也去用了一下，确实还行。它确实能展现针对问题的分析过程，给出的答案也似乎比其他国内AI更细腻一些。但它说到底依然只是个工具，它可能可以提高你的工作速度，但未必能提高你的工作质量。我现在每天的生活和工作已经离不开AI了，我会用AI来查资料和检索信息，也会让它提供一些问题的解决方案，还会让它给我的公众号文章起标题。在使用的过程中，它确实会给我一些惊喜，会给出一些我未曾想到、但具有启发性的答案，给了我更多的选择。但，它没法帮我做判断，最终那个做判断的人依然是我，我需要去判断它生成出来的东西是不是符合我目前的工作需求，是不是我所想要表达的东西。而这，才是决定工作质量的关键。在使用AI帮助我进行工作和生活的过程中，我有一个很深的感触：我发现，要做成一件事，其实不是难在你能做出多少种不同的方案，不是难在你能在头脑里、在纸面上构想出多少种解决问题的方法。真正的难的地方在于决策和执行，难在你能结合当下的情况、权衡各种利弊、承受各种未知的风险，从这么多方案里选一种，然后真的到真实的世界中把它落地。就好像，如果你问AI怎样才能提升自己的精力水平。如果你愿意，它能从日常饮食、运动健身、工作休息、心理健康等等各种方面给你制定100个周密且管用的计划。但这些生成出来的计划再有效、再精巧，和你有什么关系呢？只有你真的在里面选出一两个，真的日复一日地去做了，它才和你有关系，才能真正改变你的生活。当然不能否认，AI确实为我们节省了很多时间。可能以前我们从收集信息到最终制定出方案需要花好几天的时间，现在只要几秒钟就够了，而且它能为我们提供更多的选择。从口耳相传，到《百科全书》，到搜索引擎，再到现在的AI，其实所有的新技术本质上起到的作用都是相似的：帮我们节省了时间，为我们提供了更多可选择的方案。但我们真的缺方案吗？你爸妈让你回家考公务员，你早就知道这是一个或许是在大数据统计上对你来说最优的人生选择方案，但你就是不想选，你就是想看看凭借自己的能力能不能在大城市获得小概率的成功。AI，或者任何高科技工具，都永远代替不了你去生活，永远代替不了你一步一个脚印的实践、切实的体验和真实的感受。而人之所以为人，你之所以是你，恰恰就是因为你每天都在真实地感受和生活啊！#聊聊我眼中的AI# #牛客激励计划#

#聊聊我眼中的AI#我的梦想是去美团当测试，以前我啥也不懂，然后看了看b站的软件测试课，在微信读书上看了几本相关书籍，刷了几天面经，看了几篇CSDN，不断面试不断失败，至今都没有实现梦想现在有了AI，他可以规划我的职业路径和成长计划，只需要我给他提问题，让他回答我 hi，我现在研一，想通过校招毕业去美团担任测试开发工程师，我的技术栈是Python，请帮我规划一下我的学习路线我的天，直接照着这个学，能少走多少弯路啊，也不用学的太深入，速成搞一版简历出来，这不令面试官兴致盎然offer手到擒来吗？你也可以试试呢为了帮助你在校招中成功加入美团担任测试开发工程师，以下是一个系统的学习路线规划，结合了技术栈、实践项目和面试准备：---一、基础知识巩固阶段（研一上）1. Python编程深化   - 核心语法：类与对象、装饰器、生成器、多线程/多进程、异步编程。   - 常用库：Requests（HTTP请求）、Pandas（数据处理）、Logging（日志管理）。   - 书籍推荐：《流畅的Python》《Effective Python》。2. 软件测试理论   - 测试基础：测试流程（需求分析→用例设计→执行→报告）、测试金字塔模型。   - 测试类型：功能测试、接口测试、性能测试、安全测试（OWASP Top 10）。   - 设计方法：等价类划分、边界值分析、场景法，使用工具XMind编写测试用例。3. 数据库与Linux   - SQL：复杂查询（JOIN、子查询）、索引优化、事务隔离级别。   - NoSQL：Redis基础命令与缓存应用场景。   - Linux：Shell脚本编写、日志分析（grep/awk/sed）、性能监控（top/htop）。--- 二、测试技术进阶（研一下）1. 自动化测试框架   - Web自动化：Selenium（元素定位、Page Object模式）、Pytest集成（参数化、Fixture）。   - 接口自动化：Requests+PyTest（封装请求工具类）、Postman进阶（Newman批量执行）。   - 移动端自动化：Appium（Desired Capabilities配置、Hybrid应用测试）。2. 持续集成（CI/CD）   - Jenkins：Pipeline脚本编写、定时任务、与GitHub/GitLab集成。   - Git进阶：分支策略（Git Flow）、冲突解决、代码Review流程。3. 性能测试入门   - Locust：分布式压测、自定义脚本编写，监控服务器资源（CPU/内存）。   - Jmeter：基础元件（线程组、断言）、生成HTML报告。---三、项目实战与进阶（研二）1. 实战项目   - 项目1：搭建自动化测试平台（技术栈：Flask/Django + Selenium + Jenkins），支持用例管理、定时执行。   - 项目2：实现接口性能监控系统，使用Locust+Prometheus+Grafana可视化QPS、响应时间。   - 开源贡献：参与Apache项目（如DolphinScheduler）的测试模块，提交Bug修复或自动化脚本。2. 深入美团技术栈   - 学习内部工具：了解美团内部测试工具链（如Mock平台、用例管理工具）。   - 业务场景模拟：设计外卖订单系统的测试用例（并发下单、支付超时、库存校验）。3. 算法与设计模式   - 高频题目（字符串、链表、动态规划），目标每日1-2题。   - 设计模式：单例、工厂、观察者模式在测试框架中的应用。---四、实习与面试冲刺（研三）1. 实习准备   - 简历优化：突出自动化测试项目、性能调优经验，量化成果（如“提升用例执行效率30%”）。   - 内推渠道：通过学长、牛客网、美团招聘官网获取实习机会。2. 面试专项突破   - 技术面试：     - 场景题：如何测试美团外卖的“下单”功能？     - 编程题：Python实现LRU缓存、多线程安全队列。   - 行为面试：准备STAR模型案例（如“解决团队协作冲突的经历”）。3. 模拟面试   - 使用牛客网、模拟面试功能，录制视频复盘表达逻辑。---五、附加建议- 技术博客：定期总结学习内容（如《使用Selenium Grid实现分布式测试》），发布在掘金/CSDN。- 软技能：学习沟通技巧（《非暴力沟通》），参与团队项目锻炼协作能力。- 行业洞察：关注美团技术博客（如“美团技术团队”公众号），了解前沿技术（A/B测试、精准测试）。---通过以上分阶段的学习和实践，你将在校招中具备扎实的技术实力和项目经验，大幅提升进入美团的竞争力。加油！ 🚀        感觉学完这些 虽然也可能略有瑕疵 但是已经并不是一个烂大街的人了，简历不会被丢掉，如果学历还行的话，绝对稳稳拿下，这辈子有了！

分别给deepseek和豆包扔了个需求背景，得到了如下的prd，deepseek帮我设计了方案，豆包就直给产品框架，看了deepseek的这个答案，真人人都能做产品经理了，各位初级产品可以直接把简单需求扔给AI出prd，然后自己简单修改就能快速用了，原本写文档磨磨蹭蹭可能需要1day，现在1小时都用不上了......#聊聊我眼中的AI#

最近有同学面试AI产品经理时，遇到了这个问题，今日和大家分享一下～面试官：如何减轻大模型的幻觉问题？在AI产品中大模型幻觉问题非常普遍，减轻大模型幻觉问题可从技术优化、产品设计、用户交互和持续迭代四个维度综合施策。1. 技术层：增强模型的“事实核查”能力- 检索增强生成（RAG）‌：结合外部知识库（如维基百科、行业数据库）实时检索，确保生成内容基于最新、可信数据。例如，New Bing通过接入搜索引擎实现动态信息整合。- 微调与对齐‌：在预训练后，用高质量标注数据（标注事实性错误）对模型进行微调，强化“不确定时拒绝回答”或“引用来源”的能力。- 置信度评分与阈值控制‌：模型对生成内容输出置信度分数，低置信度时触发回退机制（如切换至检索模式或提示用户核查）。2. 产品层：引导用户合理预期与交互- 明确能力边界‌：在用户界面标注模型局限性（如“可能包含不准确信息”），避免用户过度依赖生成结果。- 实时反馈与标注‌：- 对高风险领域（医疗、法律）的答案自动标注警示，并提供“验证来源”按钮。- 生成内容附带来源引用（如“根据2023年XX研究”），提升可信度。- 用户纠错机制‌：设计一键反馈入口（如“报告错误”），收集幻觉案例用于模型迭代。3. 评估与监控：构建事实性指标体系- 自动化评估‌：引入事实性评测工具（如FactScore、TruthfulQA），定期测试模型在关键领域的准确性。- 人工审核Pipeline‌：对高频场景（如新闻摘要、知识问答）建立抽样审核流程，识别潜在幻觉模式。- 实时监控‌：部署异常检测系统，拦截明显矛盾或反常识内容（如“太阳从西边升起”）。4. 迭代策略：数据与场景的持续优化- 领域自适应‌：针对垂直场景（金融、医疗）补充专业数据，降低开放域幻觉风险。- 多模态融合‌：结合图文、结构化数据等多模态输入，提升上下文理解准确性（如用图表辅助生成财务分析）。- 用户行为分析‌：优化提示设计（如要求用户提供背景信息），减少模糊查询导致的幻觉。#牛客AI配图神器#  #聊聊我眼中的AI#  #产品经理#  #Ai产品经理#

实习第二周了，这周是猛猛开发的一周，给自己排的13pd的活，下周一再开发一天的话总共8pd就能结束，比我预想的要快的多的多。再次回来做需求感觉是不一样，当把之前忘记的东西捡起来之后，开发起来好像也能实现一些比较麻烦的联动，解决问题的过程还是让自己信心大增的。这周的周记就分享一下我这周的感悟吧。前端已死？别担心，还没那么快死 ”前端已死“。这句话从gpt3出来的时候就开始听了，在我读研的这几年一直有人说前端要死了，这给当时还没有找实习找工作的我很大的危机感，况且前几年疫情正值行情差的时候，互联网寒冬的加持让我觉得我选这条路是不是完了。这周我又一次听到了这句话，与当时不同的是我已经找...

上来先自我介绍，完了写俩题。感觉有点凉凉的。1. 手撕最小路径和2. 手撕字符串转换 “hello world” => "dlorW olleH"3. 项目提问4. 强缓存和协商缓存方式5.  讲讲V8垃圾回收6. 内存泄露如何排查7. 加速首屏渲染的手段（尽可能多种）8. 性能优化相关指标9. vue router导航守卫底层怎么实现的10. Webworker多线程工作原理11. AI大模型应用相关了解反问：技术栈react为主，跨端小程序#聊聊我眼中的AI#

楼主大二 学了一段时间JAVA了 寒假过完感觉JAVA是不是也不很稳了（指的是如果入职后也干不了几年） ai是主流还是洪流#聊聊我眼中的AI#

已破防#聊聊我眼中的AI#

DeepSeek对大模型行业的冲击：通俗解读最近，DeepSeek这个开源大模型火了！它就像一颗重磅炸弹，把大模型行业给“炸”了个底朝天。为啥呢？因为它不仅技术厉害，还特别“省钱”，让很多原本高不可攀的技术变得触手可及。咱们来聊聊它到底咋回事，以及对行业的影响。1. 技术“平民化”：小公司也能玩转大模型以前，大模型都是大公司的“专利”。像OpenAI的GPT-4，训练成本高得吓人，小公司根本玩不起。但现在，DeepSeek的开源模型（比如DeepSeek-V3）性能一点都不逊色，而且训练成本只要550万美元，这可是行业头部企业的1/3！这意味着，小公司甚至创业者也能轻松上手，搞出自己的大模型，...

近年来，人工智能（AI）领域的大模型（Large Models）技术发展迅猛，成为推动自然语言处理（NLP）、计算机视觉（CV）、多模态学习等领域的核心技术驱动力。然而，掌握大模型相关知识并非易事，需要系统性地学习理论基础、算法设计、工程实践以及研究前沿。本文旨在为有志于深入研究大模型的读者提供一条清晰且专业的学习路径。第一阶段：数学与编程基础在进入大模型领域之前，扎实的数学和编程能力是不可或缺的基石。以下是关键知识点：1. **数学基础**     - **线性代数**：矩阵运算、特征值分解、奇异值分解（SVD），这些是理解神经网络权重更新的核心工具。   - **概率论与统计学**：贝叶斯推断、最大似然估计（MLE）、高斯分布等概念在生成式模型（如扩散模型、VAE）中至关重要。   - **优化理论**：梯度下降法（Gradient Descent）、随机梯度下降（SGD）、Adam优化器等，是训练大模型的核心方法。   - **微分几何与信息论**：用于理解Transformer中的注意力机制（Attention Mechanism）以及KL散度等损失函数。2. **编程与工具链**     - 熟练掌握Python，尤其是NumPy、Pandas等数据处理库。   - 深入学习深度学习框架（如PyTorch、TensorFlow），重点掌握自动微分（Autograd）、张量操作和分布式训练接口。   - 了解高性能计算（HPC）的基本原理，熟悉GPU/CPU并行计算以及CUDA编程。第二阶段：深度学习与Transformer架构大模型的核心是深度学习，而Transformer架构则是当前主流大模型的基础。以下是具体学习内容：1. **经典深度学习模型**     - 掌握卷积神经网络（CNN）和循环神经网络（RNN）的基本原理及其应用，例如图像分类、序列建模等。   - 学习残差网络（ResNet）、长短时记忆网络（LSTM）等改进结构，理解其解决梯度消失问题的方法。2. **Transformer架构**     - 理解自注意力机制（Self-Attention）的工作原理，包括Q（Query）、K（Key）、V（Value）的计算方式。   - 学习位置编码（Positional Encoding）的设计思路，理解如何将序列信息引入无序的注意力机制。   - 研究BERT、GPT等经典模型的预训练任务（如Masked Language Modeling、Causal Language Modeling）及其优缺点。3. **扩展阅读**     - 阅读论文《Attention is All You Need》以深入理解Transformer的原始设计思想。   - 关注最新的变体架构，如Performer（基于核化注意力）、Linformer（低秩近似）等高效Transformer。第三阶段：大模型的训练与优化**大模型的训练是一个复杂且资源密集的过程，涉及多个关键技术点：1. **大规模数据处理**     - 学习如何清洗和标注大规模数据集，例如使用Hugging Face的Datasets库或构建自己的数据流水线。   - 理解数据增强（Data Augmentation）技术在提升模型泛化能力中的作用。2. **分布式训练**     - 掌握数据并行（Data Parallelism）、模型并行（Model Parallelism）和管道并行（Pipeline Parallelism）的区别与适用场景。   - 学习混合精度训练（Mixed Precision Training）和梯度累积（Gradient Accumulation）以提高训练效率。   - 研究DeepSpeed、FairScale等分布式训练框架，了解它们如何降低显存占用和加速收敛。3. **正则化与调参技巧**     - 学习Dropout、Layer Normalization、Weight Decay等正则化方法。   - 理解学习率调度策略（Learning Rate Scheduling），例如Warmup、Cosine Annealing等。   - 探索知识蒸馏（Knowledge Distillation）技术，用小模型逼近大模型的性能。第四阶段：大模型的应用与创新**大模型不仅限于学术研究，其实际应用同样重要。以下是一些热门方向：1. **自然语言处理（NLP）**     - 使用预训练语言模型（如GPT-4、T5）进行文本生成、翻译、问答等任务。   - 研究Prompt Engineering（提示工程）和In-Context Learning（上下文学习）对少样本学习的影响。2. **多模态学习**     - 学习CLIP、DALL·E等跨模态模型，理解如何通过联合嵌入空间实现图像-文本匹配。   - 研究扩散模型（Diffusion Models）在图像生成中的应用，例如Stable Diffusion。3. **强化学习与决策系统**     - 探索结合大模型的强化学习方法，例如Decision Transformer。   - 研究大模型在机器人控制、自动驾驶等领域的潜力。4. **伦理与可解释性**     - 研究大模型的偏见（Bias）问题及去偏方法。   - 学习模型解释性工具（如SHAP、LIME），分析大模型的决策过程。第五阶段：前沿探索与科研贡献**要成为一名真正的专家，必须紧跟学术前沿并尝试做出原创性贡献：1. **阅读顶级会议论文**     - 定期跟踪NeurIPS、ICLR、ACL等顶级会议的最新研究成果。   - 关注开源社区（如GitHub、Hugging Face）上的新兴项目。2. **复现与改进现有工作**     - 尝试复现经典论文，例如MoE（Mixture of Experts）或Sparse Attention。   - 在现有模型基础上提出改进方案，并撰写高质量的技术博客或论文。3. **参与竞赛与合作**     - 参加Kaggle比赛或其他AI挑战赛，积累实战经验。   - 寻找导师或加入实验室，与同行共同推进大模型的研究。总结AI大模型方向的学习路径既充满挑战也极具吸引力。从数学基础到前沿研究，每一步都需要投入大量时间和精力。但只要坚持不懈，逐步攻克各个难点，你就能站在这一领域的最前沿，为未来的技术进步贡献力量。希望本文能为你提供一份详实且专业的指南，助你在AI大模型的世界中不断前行！ #大模型#  #聊聊我眼中的AI#

#聊聊我眼中的AI#大家觉得有道理嘛

最近DS概念很火。对于这种高（lan）新（ren）科（fu）技（yin）的新东西，作为一个六年的理财up自然是闻风而动。新年第一天的交易日。我灵机一动：DeepSeek不是据说很牛逼吗。那能不能用来判断短期内股票的涨跌概率呢？假如涨的概率很高，我就买入。那我岂不是立于不败之地，从此迎娶白富美，实现财富自由，走上人生巅峰。想着想着我就口水直流。于是我火速打开的DS，美滋滋的问他：当时我就怒了，人类还在上班，AI岂能摆烂？！快快起床干活！！！我就拼命的刷新经过锲而不舍的坚持询问，最终DS狠心的拒绝了我！冷静下来之后，我在想是不是我打开的方式不太对，问的有点太粗糙了？DS表示臣妾做不到啊。好歹喂它一...

AI其实并不难，只要明确自己是谁、具体问题or需求是什么，就可以轻松让AI帮你解决各种问题！! AI不会取代人，AI只会帮助你更深度思考、提升你的思考效率，学会提需求真的很重要👇 明确需求--具体提需求（人设、目标），你的需求就是：你想用AI帮你解决什么问题1、自媒体赚钱篇简单指令：【我是一个健康类公众号的运营者，我现在需要以“老年人冬季养生知识”为主题，写一篇300字文案，文案内容适合做成图片，不要加标签和其他正文无关的内容，使用词句需要符合老年人的认知水平。】2、选择专业、就业篇简单指令：【1-我是一个学习计算机的普通本科大学生，绩点一般，没有实习、竞赛经历，我想找一个互联网前端工作，...

我是一个25届的应届毕业生，秋招失败了，正在准备春招。当hr问我，秋招怎么没拿到offer，我该如何回答。#聊聊我眼中的AI#