一、好好学习
▍1.1 来自AI 领域从业者的志愿填报建议
本期好好学习志愿填报建议特辑，想从一个 AI 行业从业者的角度，给各位一些跟选专业有关的信息。另外，本期是免费推送，你可以将这篇推送，转发给有需要的朋友。
首先，我认为选专业的决策核心有以下几个：
你是否真的喜欢？如果你心中已经有一个愿意为之付出一生的专业，那就直接选，不用管我后面说的话。不过这里要特别提醒各位同学，如果你对这个专业的了解只是通过所谓的视频或者别人的介绍，而不是自己曾经深入研究过，甚至从事过，那你的这个「喜欢」并不一定是真的。比如你看到读计算机系的可以开发各种软件，亦或者觉得未来收入会高，就觉得自己会喜欢计算机系，那我估计你真的就读之后，很有可能会后悔。
你毕业后想要做什么？如果你不一定能确定自己喜欢什么，那么就先幻想下自己 4 年后，想要什么。通过这个倒推出可选的专业，甚至学校。比如你希望毕业后能获得相对稳定的工作，那就从工作倒推。
考虑时间和风险维度。4 年对行业的影响是很大的，现在火的专业，4 年后不一定会火，另外还需要考虑不确定性，比如前段时间的教培行业。所以在倒推什么专业比较合适，也需要考虑所谓的历史进程。
前两个决策点，我没什么好说的，但我可以给大家一些关于第三点的建议。
1）关注 AI 对各领域的影响
坦率说来，AI 领域还在早期阶段，一年后对各专业的影响我很难估计，但四年后，我认为影响应该是颇大的，我的理解是这样的：
数据越公开的专业受 AI 的影响就越大。比如计算机专业，我现在已经用 AI 协助写代码了，效果挺不错的。另外设计专业也是，已经有不少设计师在用 AI 生图。而像一些偏隐性知识的专业，影响就比较小，比如金工，很多操作上的知识就没有在网上公开。所以目前 AI 对蓝领的影响远没有白领的大。
AI是否会取代人，关键要看 AI 有没有令整个蛋糕变大。供给和需求是会相互影响的，继续拿计算机专业为例，大多数人认为，既然 AI 可以协助写代码，那可能很多人都会进入到研发岗位，如果岗位数不变，那研发岗位肯定会供给过剩，并导致计算机专业的学生很难找到工作。但我并不那么认为，企业需求不是静态的，企业对研发岗位的需求也会增加，因为会有更多地方用到编程技术，比如小微企业也能雇佣研发来开发内部系统。但有些行业需求很难受供给影响，比如翻译，需要对外交流的业务就那么多，如果 AI 的翻译效果还不错，那就很可能被 AI 替代。
AI 不仅影响需求量，还会提高岗位要求。前面提到的计算机专业的例子，虽然需求会变多，但并不一定都是好事，受 AI 影响企业未来对研发人员的技术能力要求一定会变高。举个例子，我认为设计师现在就能在 AI 的辅助下，完成一些 UI 界面开发，而这些工作以前都是初级研发做的事情，但现在如果你的研发能力比较弱，无法适应高要求岗位要求，那你就有可能被淘汰。
AI 相关专业未来不一定会是个香饽饽。你可能会觉得现在 AI 比较火，那是不是应该读 AI 相关的专业？坦率说来，我并不那么认为。AI 相关的研发，更偏精英主义，人多并不能提升特别多的效率，并且仅有头部的研发能在这个领域有比较大的话语权，那就意味着你的晋升会很难。
如果你很担心 AI 的影响，那我的建议是尽量考虑 AI 替代率低的专业。并且不管选什么专业都要尽快拥抱 AI。未来 AI 不一定能替代你，但会用 AI 的人肯定能替代你。
2）关注地缘政治
你可能会好奇，为何读大学还要考虑地缘政治？坦率说来，我认为未来 4、5 年地缘政治问题可能会越来越严重，那就意味着：
你就读的学校可能会被外国政府划到一些特别的名单里，从而影响你未来出国读书（如果你未来有计划出国的话）。
部分行业可能会受到影响，比如航运物流、出口贸易。不过凡事有弊也有利，部分专业需求可能会更旺盛，比如芯片相关专业。
如果选择国防相关专业或院校，那你一定要有觉悟，因为我认为未来和平解决台海问题的概率很低。
3）尽量选择反馈短的专业
最后一个建议，我是有点纠结的。原因是我从事的行业（如编程、设计等）大概率是这样的，但像医科或者建筑业可能不是这样，各位要谨慎。反馈短意味着如果你懂学习，你的进步速度会更快，比如前端编程，写完代码你能看到结果，反馈很快，你就能马上改进自己的代码。但如果你是学法律，那你获得反馈的路径就比较长，你需要通过实习才能提升你的专业能力。另外，进步更快，也意味着你能更快地以这个专业谋生。
最后推荐一个产品：大学生活质量指北
▍1.2 每日一记
(176/365) 最近调研了几个 AI 用户，我认为现在大多数用户的使用习惯应该都是这样。如果你在做 AI 套壳的应用，可能对你会有一些用。首先用户会经历的是自由阶段，因为大多数 AI 产品，用户只需要会打字就能用；接着用户简单地输入指令，却发现无法获得满意的答案，有一小部分人就会放弃使用（比如觉得 AI 笨），目前很多产品都不太 care 这部分的流失，引导做得一般；另一部分人会去学习如何更好地使用，此时就会进入标准阶段，用户找到合适的 prompt，或者产品提供 prompt 模板，目前大多数的 AI 套壳产品，都在优化这个阶段的体验（另外，我再说下非 IM 类型的 AI 套壳产品，他们在这个阶段做得就很好，因为输入强模版，所以前期才能有那么多用户使用和分享）；但接着用户用着用着就会到非标阶段，想在标准的 prompt 基础上，自己修改一些指令，而且这个阶段还有一个特点，标准到非标的转变非常快，这个是有点出乎我意料的，目前大多数产品的解决方案是提供自定义 prompt 能力，但仍然需要用户去学习 PE，我认为暂时没有哪个产品能很好地解决这个非标问题。
(177/365) 本以为是改变世界的一刻，但谁知道，最后如此虎头蛇尾。越来越觉得这个世界就是一群草台班子组成的了。
(178/365) 弘一法师的一段 quote：人生最不幸处，是偶一失言而祸不及；偶一失谋而事幸成；偶一恣行而获小利；后乃视为常故，而恬不为意。则莫大之患，由此生矣。
(179/365) 避免愚蠢比努力变得聪明更容易。不应该问「我怎样才能帮助我的公司?」，而应该问「什么对我的公司伤害最大，我怎样才能避免它？」找出明显的失败点，避开它们。
(180/365) 你相信什么是真实的，是受你多么希望它是真实的影响。有些事情越能帮助你处理不确定性，你就越相信它是真的。比如越困难的时刻，人们反而越相信占星术、易经占卜。
(181/365) 在生活中，最好是能做到既谨慎又大胆。足够谨慎，以避免愚蠢的错误，防止倦怠。敢于大胆冒险，做你会后悔的事情，并愿意在短期内感到不舒服，这样你就可以长期学习和成长。
(182/365) 好久没看过纸质的报纸了，今天周六看了下羊城晚报，发现整份报纸真的好薄好薄，我记得小的时候，最期待的就是每周六的羊城晚报，里面会有一份厚厚的娱乐版，除了娱乐圈的内容外，还包含各种有意思的趣闻，亦或者科技新闻。现在已经变成薄薄的宣传报纸了。
二、小信号
最近听完了一个 AI 相关的播客，说得很好，推荐给大家。本期小信号主要是分享这期播客的 highlight：
反思：
在 iPhone 刚出来的时候，大家在缓慢的 3G 网速面前，创业者与巨头是平等。巨头也在摸索。当年有很多新的巨头公司出现，比如快手。现在 AI 领域的本地之于云端，就像是 2010 年前后 App 领域的手机之于 PC。
To C 可以关注 on-device（本地运行），比如之前很火的 rewind.ai；To B 可以关注 on-premise（私有化部署？），在国内挺值得做的事情。国内企业关注信创指标，在特定 workflow 下，国产可提代。
Open accessible 数据不值得一提，大家能爬的数据都不值一提。甚至有一些 curated 的数据也不再安全。什么数据最值钱？不属于你但与你共生的数据是你的壁垒，比如为企业搞了一个信息化系统，你给客户建的模型是你的，客户的数据不属于你，但这些数据未来会变成客户的迁移成本。现在 90% 场景用 in-context learning就能解决（换句话说用 prompt 就能解决），无需再像以前那样给客户 fine-tune 一个模型。在 in-context learning 搭建过程中，就是跟客户一起共建。
那能共建的数据在哪里？企业在协同工具，个人数据在终端设备。很多硬件厂商希望在手机上拥有类似 Siri 的功能，甚至希望能做得比 Siri 更好，比如通过语音方式让 AI 对手机进行一些设置操作。
当前的 Limitation 预言着下一个 Innovation Trigger。预测 next big thing 是什么很难，但预测它会解决什么问题却相对简单。因为你现在看 LLM 的发展，其实是后浪解决前浪问题，而逐步发展的。
别把解决最显眼的 Limitation 作为自己的唯一护城河，Peak 提到当年他们解决了一个学术难题，但后来 OpenAI 出现了，大家其实都知道 Limitation 是什么，很多人都在找解决方案，说不定就有人有一个能超过你的解决方案。所以技术型创业者不要只有一个 Limitation 护城河，还要找别的。
监管和合规对于创业公司来说，是个可利用的竞争维度。监管如果不是准入门槛，那基本是一视同仁的事情，就没有什么好抱怨的。另外，合规是动态的问题，没有一劳永逸方案。注意将 moderation（审查）与核心业务解耦（举了 OpenAI 的 moderation 服务）。另外要将合规看成一个工程问题，提早做规划。
观察：
超过 65% 的场景可归纳为信息检索、汇总、再⽣成。约 20% 的需求是流程⾃动化和决策辅助相关（类似 BI），文生图和写代码在客户那需求反而很低。
主流厂商方案同质化严重，已经进入价格战。但 LLM 没有解决 AI 落地难的问题。举个例子，LLM 的随机性限制了落地场景，比如一些央企对准确性就要求很高，很难落地，且优化周期更长。
有了 ChatGPT 之后，把客户期望拔高了。如何解决？拼的是运营兜底能力。那能否用非 AI 功能来兜底。
创业者不要过度关注模型本身，产品规划可以乐观一点，默认自己可以 access 已知最好的模型。LLM 输入输出都很标准，后续要换都很简单。
低代码 LLM 平台目前是伪需求。低代码解决的是标准问题下的复杂问题呈现，以 Airtable 为例，Airtable 上游是标准的 SQL 数据库，中间我们要从 0 搭建一个业务系统是非常非常繁琐的，但后台系统要长啥样，是非常标准的，比如需要一个业务看板。整个过程是标准 -> 繁琐 -> 标准。而 LLM 是不一样的，LLM 上游是标准模型，调用很简单就是一些 prompt，但其下游是创新，创新是非标准的。整个流程是标准 -> 简单 -> 非标准。
向量数据没法让模型突破自身的 context limit，Embedding 并不能直接输入给 LLM，只是用来召回相关文本。
AI 产品经理要考虑如何在产品里构建数据飞轮，比如 Midjourney 四宫格，让用户 4 选 1 就是一个天然的标注系统，而 ChatGPT 的给消息点赞或者踩就很少人会用。
现在任何的产品都要考虑如何应对 AI 的冲击，比如小红书下半年可能就要考虑文生图技术对社区的影响，因为下半年可能人已经无法辨别哪些是 AI 生成的内容了。
我们现在接收到的信息，甚至是论文，都是在一定局限下妥协后的结果，比如很多学校都没有足够的 GPU ，就很难去做一些上规模的东西。
预测：
未来只有垂直应用，没有垂直模型。原因有两点，① 垂直模型没有解决通用模型存在的问题，比如可解释性、可溯源等。② 现在的垂直模型性能其实还不如 GPT-4，现在通用大模型，在数据上还没达到饱和，未来有用的垂直领域，肯定会整合进通用模型中，增加垂直领域知识，能让整个通用模型都受益。③ 垂直模型未来可能被更长的 Context 取代。
真正的多模态模型还没来。现在模型本质上是基于文本的。
更长的 Context 会带来质变。LLM + 向量数据方案，就像是一个硬盘很大，但内存很小的电脑。终极目标是能够高效利用原本面向人类的教学资源。比如一家企业有很多面向员工的资料，如果有更长的 Context ，那就可以通过 prompt 的方式「训练」一个企业垂直模型。
最终 AI 的创新可能诞生在看不见的地方。
三、惊叹时刻
▍3.1 Good Products
大学生活质量指北：如果你正在填报志愿，可以看看这所大学的「软实力」，比如宿舍是否有空调。
NewsAPI：最近研究 AI 相关的产品的时候，发现了这个产品，挺有意思的，专注做新闻的 API。
Questflow：AI native 的 IFTTT？感觉还挺有意思的，未来做这种胶水的产品会越来越多。
Voice Library：AI 声音 Library，里面有非常多种不同风格的人声。
▍3.2 Good Videos
带床去旅行：我不记得是否推荐过这个 UP 主，这个 UP 主是我每天必追的，每次看他的视频都觉得他好苦啊 😂
投资4亿的五星级酒店，荒废多年后杂草比人还高，真是太可惜了！：全中国估计有很多这样的地方，很好奇这些楼以后会如何处理。
【史里芬】巴黎输给广东佛山：这个 UP 主说话太溜了吧。
------分割线-------
最后做个小广告，我之前有介绍过我在研究 AI 相关的东西，也写了几个长的教程，但我知道单纯只有教程是不够的，还要尝试去真的开发一款 AI 产品。最近我们的产品终于可供大家使用了。简单说来它是一款 AI 套壳应用，但有亿点不一样😁：
你可以像使用其他 IM 软件一样，使用 @ 的方式快速调用 AI 指令，就像是在群聊里 @ 人一样便捷：
除了支持文本模型外，我们还支持文生图模型：
另外，我们还提供一些服务，帮助大家解决一些网络问题 🐶，你可以在输入框内输入我们的 key：v0.AAAAAGUCsOA=._8b4565iATw2EZJ-ZEfiZ7fSJgiGNLmJ6oP8BTXf0Es（你都可以通过我们的 key免费使用 GPT-3 模型以及文生图模型，但未来会失效，当正式的购买服务上线后，我会给各位订阅用户送一些福利😁）你可以在我们的 Github Page 上下载此应用。
最后，我想聊聊这个产品的愿景：
现在，你仍然需要通过 @ 的方式跟 AI 进行沟通，未来我们希望大家能像跟人聊天一样，沟通自然，甚至你还能邀请别人和你一起使用沟通交流，AI 时代下的 IM 或许可以很不一样。
现在，AI 返回的内容还只有文字，且数据也不是最新的，未来我们希望 AI 能访问各种各样的数据，同时还能自动化帮你处理一些工作。
现在，你还需要使用其他工具才能完成你的工作，未来我们希望大家可以在一个应用里完成工作，亦或者进行学习，无需在多个应用间进行切换，从而提高大家的工作效率。
现在，很多人觉得 AI 会替代人类，但我们并不这么认为。未来我们希望 PoleStar 能借助 AI 的能力，提升人类的智能。