关于“ai” 的思想｜chatgpt 三周年，6000 字干货笔记总结

魔幻三年，科幻三年。

魔幻三年后，也就是现在的 3 年前，ChatGPT 发布。

科幻三年后，我们都生活在一个完全不同的、甚至没有想象过的世界。

借着ChatGPT发布三周年的特殊契机，聊聊关于ai的、那些平时几乎不会去谈、但又特别重要的idea。回顾、总结这三年的 ai 发展，在理解的基础上，思考后面如何用好 ai。

这场直播起名叫《the idea of ai》，因为书架上刚好放着一本《大脑传》，英文名就叫“the idea of the brain”。这本书讲的是人类历史上关于大脑的各种 idea，人类对“大脑”的认识如何一点点进步直到成为科学，直到成为 ai 的模仿对象和启发来源。

而本场主题直播分为 3 大模块：ai 与你，ai，你；用十几个关键词把所有这些 idea 串起来。所以，“the idea of ai”，确实是是非常恰当的名称。

ai 与你

ai与你的故事。

sci-fi (科幻)

ai 对于你，到底算不算“科幻”？

3 年前，仍然是“gpt-3时代”。当时我们震惊于ai竟然能写出顺畅的句子；能写故事写诗，能解释概念讲解知识，能做翻译。

当时，chatgpt的界面，是相当简陋的。

简陋的界面，背后是现在来看也非常“简陋”的能力：只能生成下一个 token，别的什么也做不到。连时间都不知道。

3 年后的现在，人们对 ai 的态度依然发生了巨大的分化：有人一直激动，因为事实就是，我们就是活在 3 年前的科幻世界。但有人早已麻木，内心 os 如同电影里的吴孟达，“娘子呀，跟牛魔王出来看上帝啊”。

体感与情绪：Feel the AGI

• 两类人的分化：一类仍然感到惊奇、觉得"给ai跪了"；另一类已经麻木、"跟牛魔王出来看上帝”；
• “feel the agi”：openai创始成员 ilya 的名言——不是过于理性，而是要真正切身感受这种科技的颠覆和震撼；
• Transformer架构的神奇：把一切东西都变成Token——音频、视频、文本、代码，Token In, Token Out；Gemini 3.0 Pro生图的本质不同，生成的不是Pixel（像素），而是Visual Token；图片里的汉字、文本的汉字、声音里的汉字，在语义空间里是同一个Token；
• “任何足够先进的技术，近乎于魔法"——当你真正体会这一点，对理解和应用ai技术特别重要。

analogy (打比方)

ai，是你的什么？打一个比方。

ai 的比喻

• 反对"ai员工"的比喻：把ai比喻成"躺着帮你干活"的员工是割韭菜、装神弄鬼
• Neural Mesh（神经织网）：2017年Elon Musk创办Neuralink时提出——ai作为大脑之外的另一个神经层；
• ai 不是取代你的一二三层大脑，而是一个增强层；钢铁侠盔甲的比喻：盔甲越行，人越行；整个系统很行的前提是这个人得特别行；
• ai不是蒸汽机、电这种普通技术进步，毫无疑问是"火"这个级别的发现——整个文明层面的总跃迁。

capabilities (ai能力)

你如何理解当前 ai 的能力？

ai 的能力：Jagged（犬牙交错）

• Jagged：锯齿状的、犬牙交错、参差不齐；
• 一年前人类嘲笑ChatGPT是"文科生"、数不清草莓里有几个R、不知道9.1和9.9哪个大；一年后在国际数学奥林匹克竞赛拿到金牌；
• ai的能力不是360度全面开花的滚圆，不是六边形全能战士；
• 例子：ai文科再强，真的不会讲笑话；youtube 频道“阿星探店”那种荒诞抽象的文案是"防ChatGPT”的；

两个层面的锯齿状：

• 单个模型：在文科、理科、编程语言上是锯齿状的；
• 不同厂商：Claude编程能力最强，ChatGPT综合能力强，Gemini 3.0 Pro在特定领域断档式领先；

为什么会这样？

• 预训练（Pre-training）：为了获取世界知识、掌握语言工具，是智能的基座；
• 后训练（Post-training/RL）：在基座之上，通过特定领域的强化学习进行专业精进；
• 每个厂商选择了不同的后训练领域，导致能力配置差异化；

use-case (ai实战派)

ai 在现实中到底能不能打？你如何“ai 落地”？

ai 的落地：Use Case（使用案例）导向

• Use Case是核心单位：真正有价值的东西是真实工作、学习和生活场景中的使用案例；
• 一个真正有突破的模型，都会带来”only xxx can do"的事情；
• ai Adoption Rate（ai采用率）：真正把ai用起来、拿到真正价值的人，可能只占前5%；

关键认识：

• 你不能像资本家一样，让ai直接"变"出一个最终结果；
• 一切产出都要基于你自己的Workflow（工作流）；理解 ai 的 what、why 和 how，然后选择把不完美的 ai 纳入到自己的工作流；
• pro 的本质，就是 workflow；个人 workflow 的重要性，在 ai 时代前所未有。
• ai 实战派：向 ai 要价值  100% 的个人和组织知道 ai，用过 ai；但只有 5% 的个人和组织从 ai 拿到了经济价值；
• **实战派最好的用法是"取其所长"**——把做事流程梳理清晰，在需要ai的环节引入ai；
• 案例：公众号增长：今年春节开始用ai辅助写公众号，10个月增加3万关注；对比此前，十年才积累2万关注；用了1/10的时间，实现了过去150倍的增长效能。

认知负荷的卸载：

• ai极大地卸载非创造性的认知负荷（如获取信息）；
• 除非是为了娱乐或享受内容本身，几乎不会为了获取信息去逐字逐句看任何文章、视频或Podcast；
• 省下来的时间和注意力，更多用来思考；

age of intelligence 智能时代

农业时代-工业时代-信息时代-智能时代

时代背景：Age of Abundant Intelligence（智能富足时代）

• Sam Altman博客文章的主题：最顶级的智能，用20美金包月，无限量供应；
• 过去"智能"只能从"人"那里获取，现在任何人只要会用，都能获得富足的智能资源；
• 未来80亿人的大量脑力活动可能都要转由GPU/TPU执行；
• 科幻电影的影子：整个世界由几家最庞大的科技公司驱动，力量比国家还大；

ai

ai 是如何运作的？

一些关键idea

pre-training (预训练)

与我何干？

Pre-training（预训练）与学习革命

• Scaling的两种类型：Scaling Pre-training（扩展预训练）、Scaling RL（扩展强化学习/后训练）；

**预训练对应人类学习的"通识积累"**：

• 在进大学之前，人类应该进行海量阅读；
• 人大附中早培班：小学五年级要求一年阅读500万字（约二三十本书）；
• 预训练只做一件事：Predict Next Token（预测下一个词）；
• 目的：掌握语言工具，积累世界知识，构建理解能力；

后训练对应"专业精进"：

• 18岁以后选择专业，进行疯狂的强化学习；
• 不再是简单预测下一个词，而是Think Step-by-Step（CoT）；
• 后训练带来超强的推理能力和逻辑能力；

对教育的启示：

• 如果在ai时代还用工业时代的"应试教培刷题"思维培养孩子，会发现没有意义；
• 成年后想努力学习却感到痛苦的原因：Pre-training阶段欠账了；
• 在一个很弱的基座上，想训练出最强的专业模型，是不可能的；
• 好的预训练是趋同的（语言能力和世界知识）；好的后训练是各具特色的（"好看的皮囊千篇一律，有趣的灵魂万里挑一”）；

RL(强化学习)

与我何干？

Reward Modeling（奖励建模）的重要性：

• 为什么ai在数学和编程上特别强？因为结果确定，容易定义奖励函数；
• 为什么没有顶级的"写作Agent"？因为“什么是好文章”很难定义客观奖励函数；

对家庭教育的启发：

• 父母作为孩子的后训练工程师：每一个小孩的兴趣、内驱力、求知欲，其实都是家长一手"塑造"出来的；
• 传统打压式教育（像贾政对贾宝玉）训练出的是被动、应试、厌学的孩子——这是奖励函数设反了或设错了；
• 日常生活的每一个微小反应、每一句话，都是一次有效的RL；
• 思考：我们在对孩子进行什么样的奖励建模？奖励好奇心和探索欲，还是顺从和应试技巧？

multi-modal (多模态)

token in，token out

群里有人说，希望国产模型尽快迭代，实现 nano banana pro 的效果。我：这不是很容易。

原生多模态 vs 拼接式：

• 拼接式：后台调用开源的"文生图"模块，或挂载OCR模型把图片转文字；
• 原生多模态：文本Token、音频Token、图片Token、视频Token本质上都是一样的语义Token；

Gemini 3.0 Pro的突破：

• 能直接接收视频输入，像人一样"看"视频；
• 生成的图片中即使包含几百个汉字也能几乎不出错——因为图片里的汉字和文本汉字在语义空间里是同一个Token；
• Google近30年数据积累的优势爆发：YouTube、Google Books、Scholar、Earth；

Use Case：价值创造的引擎

• 所有与视觉画面相关的人类生产，都会被这类模型变革；
• PPT制作：从堆砌元素到直接一次性生成最终结果，降维打击；
• 知识漫画：一个Prompt生成整本漫画，相当于雇佣好几个专业画师；

alignment(对齐)

与我何干？

对齐不只是针对未来AGI的问题：

• 平台算法的Misalignment：宣传片里，送外卖实现人生理想，送外卖使人快乐，欣赏沿途的风景；现实是，平台工人算法将工人视为资源极致压榨，一个参数调整可能导致更多外卖员逆行闯红灯；
• 短视频算法：通过劣质多巴胺培养成瘾性，压榨用户注意力资源；xx短视频等信息成瘾算法/劣质多巴胺成瘾算法，本质上第一个恶意对齐的人工智能。
• 我们现在已经生活在被算法塑造的世界 里——让人成瘾的、剥削性的算法，本质上就是没有与人类福祉对齐的ai。

scaling law（扩展法则）

人类的学习，也必须符合扩展法则。我的这套学习系统，就是完全基于 scaling 法则的；

Logseq知识管理系统的逻辑：

• 1万条笔记，每条标准化结构；
• 笔记相互关联，1万个节点可能产生10万个联结；
• 每天线性增加几十条笔记，但网络效应带来指数级价值增长；
• 这套方法有效，是因为效法了ai的运作方式；

intelligence (智能)

重新认知智能

Andrej Karpathy的观点：LLM智能与动物智能不一样

• 人类大脑：生物智能，有身体、有情感，能在线学习（Online Learning），在真实世界中随时调整参数
• 大模型：没有身体，没有感受，不能在交互中实时学习，更像"计算型大脑"
• 但在原理层面（联结主义）是相似的——它就像我们的第四层大脑皮层；

你

ai 时代，一个人，包括成年人也包括孩子，如何学习与立足？

taste (品味)

ai 时代的品味，what、why和 how？

核心竞争力：Taste（品味）与 idea（想法） idea + taste + ai = 无法想象的梦想王国

未来五年（2026-2030）的关键：

• idea：你的思维，对问题的独特关注点。注意力投射在独特领域，思考别人没想过的问题，才会产生独特的idea
• Taste：你的审美和判断标准
• 如果在ai的"金线"之下，一个人既没有idea也没有Taste，在脑力劳动领域可能就很难立足了。

应试教育在ai时代是害了孩子：

• 应试能力在ai面前毫无价值；
• 在孩子需要海量阅读、培养兴趣、建立Taste的十几年里，时间被刷题占满，导致思想枯竭、灵魂贫乏；
• 很多人用ai生成的文章或图片，技术上很完美，但毫无Taste——俗气、贫乏、空洞；

Taste是ai时代的护城河。

process (过程)

ai 负责结果，人类负责过程

It’s Always the Process, Stupid!

• 2025 年的ai，证明了工作流的重要性
• 人类负责设计流程，ai负责在流程环节中增强
• 过程 => workflow => SOP：必须把脑力劳动变成清晰的Workflow和SOP
• 写文章的SOP示例：选题 → 大纲 → 素材检索 → 草稿 → 润色 → 配图；每个环节都有专门的Prompt和ai协作；

歌德："在限制中，大师得以施展。"

• 任何事情重复做三遍以上，就应该建立SOP；
• 只有愚蠢的人才会直接对ai说"帮我写个工作报告”；
• 如果你觉得ai不行，实际上可能是"人不行"——没有把任务拆解到ai能胜任的粒度；

agency (能动性)

ai 的 agency 越强，人类的 agency 越重要

• 今年是agent 元年：ai Agent能为了达成目标不停地拆解步骤、搜索信息、调用工具、自我反思；
• agency 稀缺的时代： ai的Agency越强，人类的Agency就越重要；
• high agency person：拥有强大agency的人；
• Lack of Agency（缺乏能动性）的危害： “伸手党"——明明搜一下就能解决的问题，非要等别人喂；
• 过去缺乏主动获取信息、主动思考的习惯，也能混日子；但在ai时代，Agency将是决定性因素；

Agency-based Learning（基于能动性的学习）

• 不为记笔记而记笔记（ai可以瞬间帮你生成一万条）；
• 以产出为导向：笔记最上方永远是To-Do（行动项）：“我要基于这个做一次费曼技巧”，“我要写一篇2000字的文章”，“我要解决一个具体问题”；
• 如果学了一个东西没有产出，没有改造现实世界，那你学它干什么？
• 没有结果的学习，在ai时代是无效的；

learning (学习)

ai的强大，让人类学习再次伟大

ai 与学习

• 核心结论：ai越强，学习越重要。
• 以前很多人觉得学不学无所谓，靠一点"针尖"大小的技能就能混一辈子；
• ai时代彻底改变了这种局面——ai让终身学习变得更有价值，让一个人的创造力和综合素质真正有了用武之地；
• 教育，是 ai 最重要的 use case。举例：notion ai vs 当前的教培和学校教育方案；人类的教育理想，今天已经实现！

brain (大脑)

ai 模仿人脑，就像飞机模仿鸟类的飞行

大脑的局限与ai的互补：

• 人类生物大脑有太多限制：记忆力有限、逻辑带宽有限、历史欠账、现实制约；
• 以前劝人终身学习、构建知识体系，有时感觉像在"害人"——对基础太差的人来说极度缓慢且充满挫败感；
• ai是直接改造你脑子的工具，作为外挂大脑，补足生物大脑的缺陷；
• ai 对人脑的影响：llm 极大拓宽了人脑输入输出的带宽；

"作弊"般的学习体验——知识蒸馏：

• ai领域的"知识蒸馏"技术：小模型不需要海量数据训练，而是直接学习大模型的输出来获得能力；
• 人类现在做同样的事：直接通过与大模型对话，从全人类知识体系中"蒸馏"出最相关、最优质的答案；

ai，把 ai 作为方法

今后 5 年最重要的事

3年总结：进入ai时代后，懂ai的人，和不懂ai的人，差距在快速拉大，指数级差异，越来越大。以nano banana pro为例。不懂ai的人，不能真正理解这样的工具。

三个核心支点

• 以学习作为方法（Learning as a Method）
• 以做到作为方法（Agency-based Learning）
• 以ai作为方法（ai as a Method）

把这三件事做到，你在未来五年会得到过去无法想象的结果。

结语

现场答疑

• 要花钱买$200一个月的高阶ai会员吗？：典型场景是数学家、科研工作者；普通人很难找到日常Use Case。20美金ChatGPT Plus + Gemini Advanced + Claude Pro（共60美金）已足够覆盖所有顶级需求；
• 可以用ai学Excel 吗？：需要掌握基本概念和规范，然后在实战中让ai帮你写公式、做分析。ai是最好的Excel导师；
• 预训练"欠账"的人，在 ai 时代还有救吗？：依然需要锻炼”元技能"（阅读、写作、费曼技巧），但学习路径变了——用ai高频互动加速弥补。不要学具体的死知识（ai都有），要练永远不过时的元技能；
• ai内容太多，学ai让人焦虑，怎么办？：那是学的方式不对。用Logseq每天组织idea，把学习、工作、生活与ai交融，体会到的应该是多巴胺的快乐，而不是焦虑。

社会化学习

Social Learning（社会化学习） 是最有效的。 人与人的联结触动行动，就像朋友喝酒时聊到的建议往往比网上的分析更能让你行动。

这三年，ai给了我巨大的希望。如果没有ai，我对未来可能会很悲观。但现在，我觉得在个人和家庭层面，ai就是那个Solution（解决方案）。

下一步行动：把今天听到的idea——无论是关于Taste、Agency还是Scaling——带回到你的Logseq里，带回到你的Workflow里，去实践，去"做中学"。

讲座回看&下期预告

加入”做中学·ai社群“，即可获得以下全部权益：

chatgpt发布三年来，我首次招募ai社群，就是因为现在是 ai 最可以也最应该落地的时刻。

首次招募，拼团只需365 元，还赠送 129 元《内驱式学习》签名书。数量有限，先到先得。

点击链接🔗，或者”阅读原文“，现在加入社群。

此外，本周五晚8点，继续本周份的 ai 主题学习。识别二维码，预约直播。