本文首發於微信公眾號：大遷世界, 我的微信：qq449245884，我會第一時間和你分享前端行業趨勢，學習途徑等等。
更多開源作品請看 GitHub https://github.com/qq449245884/xiaozhi ，包含一線大廠面試完整考點、資料以及我的系列文章。
快來免費體驗ChatGpt plus版本的，我們出的錢
體驗地址:https://chat.waixingyun.cn/#/home
可以加入網站底部技術群，一起找bug.
Latent.space的文章“不老”是一個很有趣的探討關於我們如何看待年齡的話題。作者指出，人們普遍將年齡視為固定的概念，但實際上年齡只是一個數值，與身體和思維的狀態並沒有直接的關係。因此，我們應該嘗試去消除對年齡的刻板印象和歧視，擺脫對自己或他人年齡的過分關注，以及對自己或他人的未來做出不必要的限制。
作者透過引用許多有趣的研究，包括長壽村的案例，證明了人們可以在不同年齡段保持強健的身體和靈活的思維。此外，他還談到了像經驗、智慧和生活經歷這樣的因素，這些因素不一定與年齡相關，卻是我們所應該關注的。因此，我們需要嘗試看待年齡問題的不同角度，並學會從年齡的束縛中解脫出來。
總的來說，這篇文章非常值得一讀。它提供了一種新的思考年齡的方式，讓我們能夠更好地認識自己和他人。我們應該嘗試去消除對年齡的刻板印象和歧視，擺脫對自己或他人年齡的過分關注，以及對自己或他人的未來做出不必要的限制。
正文開始~~~
最近，一位開發者朋友說：“如果我現在20歲，我會放下一切，投身於人工智慧。”但他已經花費了十多年的時間來建立專業知識、人脈和聲譽，成為了他所在領域的頂尖人物。因此，他現在選擇留在原地。
另一個年長的大學朋友是一家現在已公開上市的科技初創公司的高管。他擅長他所做的事情，擁有完美的簡歷，他的職業生涯的其餘部分可以輕鬆地推斷出令人羨慕的職位。然而，他正在轉向，因為正如他告訴我的那樣，“生命很短暫”，他不想在結束時想“如果呢？”
最近幾天，我與技術和非技術背景的朋友進行了許多類似的對話。儘管我希望這封通訊能夠關注具體的技術發展和令人振奮的SOTA進展，但我認為值得花一期的時間來探討模糊的職業轉型主題，因為這是一個我恰巧獨具評論資格的話題。
在我三十多歲時轉變
我記得我第一次職業轉型時的恐懼感，那時我已經30歲了。我已經在金融行業工作了6-7年，這是我從16歲起就想要的職業，環遊世界，審問CEO，並在全球頂尖對沖基金之一幫助管理10億美元。外表上我很厲害，但我深知這並不令人滿意，也不是我的終極目標。讓一些捐贈和養老金變得更加豐厚，與從無到有創造出一些東西相比，顯得微不足道。我決定從金融轉向軟體工程（和開發者關係）。其餘的就是歷史了。
6-7年後，我再次轉變了我的職業。我認為從軟體工程師到人工智慧的轉變幾乎與從金融到軟體工程師的轉變一樣，只是在表面上相似，同時需要大量的新知識和實踐經驗才能變得相當有生產力。我的轉變策略與上次相同；儘可能在晚上和週末學習6個月，以獲得信心，這是一個持久的興趣:
- 在我能夠取得有意義的進展的地方，然後切斷聯絡/燒掉橋樑/全力以赴並在公開場合學習它。
- 但這只是適合我個人的方法；你的情況可能會有所不同。我相信如果你願意，你可以找到如何做到這一點；我寫作的物件是那些希望獲得足夠自信的人，讓他們真正決定邁出這一步。
我認為在技術職業決策中存在很多內在的年齡歧視和沉沒成本謬誤。因此，這裡是一個快速的理由列表，說明為什麼你不會太老來轉行。
你應該進入人工智慧領域的原因
人工智慧的廣泛潛力/增長速度
- 傑夫·貝佐斯在30歲時著名地放棄了金融行業，開始創辦亞馬遜。
- 他這樣做是因為1994年網際網路使用量每年增長了2300%。
- 通用技術的推廣
- 想象一下，如果你在2000年或2010年才開始接觸科技，並得出結論認為已經“太晚了”，無法進入網際網路業務。
- 自1月份以來的3個月中，ChatGPT在工作中的使用量增長了1000%。
上升時間比你想象的要短。
- 傳統的非博士學位機器學習路徑是參加 Andrew Ng 在 Coursera 上的課程，學習三個月後意識到你仍需要多年的自學和實踐經驗才能做出有趣的事情。
- 但是我們正在變得更加擅長簡化通往尖端生成式人工智慧的路徑。
- Jeremy Howard的fast.ai課程於2016年開始，透過7周的課程讓開發者進入人工智慧領域。到了2022年，他已經透過十個90分鐘的課程帶領人們重新實現了穩定擴散。Suhail Doshi在2022年6月參加了這門課程，並在11月份推出了Playground.ai。
- 這在一定程度上是由Transformer架構驅動的，該架構於2017年推出，但自那以後幾乎佔據了AI的每個領域，提供了一個強大/靈活的基線，使得先前架構的知識變得可選。因此，沒有幾十年的研究需要追趕；只需要追趕過去的5年即可。
- 一些讀者詢問了涉及的數學問題。關於AI是否“只是矩陣乘法”的爭論很多，如果你願意，你可以在大學線性代數和微積分的一個學期內學習它，但我的主要答案是你不必這樣做；現代框架如pytorch可以幫助你完成任何需要的反向傳播和矩陣操作。
- 當然，走捷徑並不能讓你與傳統的博士生相等，他們能夠推動技術的最前沿。但是，即使是看一下頂級研究人員的職業生涯，也能讓你瞭解到要達到最高水平需要多長時間。Yi Tay在谷歌貢獻了/領導了許多最近的LLM進展，但你可能會驚訝地發現他自從獲得博士學位以來只有大約3.3年的經驗。Ashish Vaswani在發表Transformer論文時已經獲得博士學位3年了，而Alec Radford在OpenAI發表GPT和GPT-2論文時已經從本科畢業2年了。
- 這樣的職業軌跡在物理學、數學、醫學等更成熟的領域不會發生，因為它們的“foom”年代已經過去了幾個世紀。人工智慧的“foom”顯然正在發生。
- 這一切都是說; 這仍然是一個非常年輕的領域，20年後沒有人可能會在意你感覺“晚”。
除了成為專業的機器學習研究員之外，還有許多貢獻領域。
- 提示和能力研究：Riley Goodside的職業生涯在2022年爆發，從Grindr的資料科學家變成了世界上第一位員工提示工程師，透過推特GPT-3技巧，發現並普及“提示注入”作為LLM安全問題的主要關注點。許多人已經意識到，在社交媒體上找到GPT-3和-4的有趣用例很好，這是學術界進行正式能力研究的一個普通人的推論。
- 軟體工程：最近，Whisper.cpp和LLaMA.cpp啟發了許多人對在裝置上執行大型模型的未來，但我很驚訝聽到Georgi Gerganov在Changelog上的採訪，並瞭解到他在2022年9月自稱為“非AI信徒”，僅僅是為了好玩而將Whisper移植到C++。LLaMA.cpp本身的發展速度比Stable Diffusion更快，而Stable Diffusion本身是有史以來增長最快的開源專案之一。儘管沒有進行模型訓練，但Georgi的軟體專業知識使這些基礎模型更加易於訪問。Harrison Chase的Langchain透過構建第一個開發人員友好的提示工程框架，將提示和預訓練LLM模型的軟體改進相結合，贏得了大量關注。從Guardrails到Nat.dev的一系列LLM工具也有助於將這些模型從論文轉化為生產。ChatGPT本身是GPT 3提供的UX創新。5個模型系列，這對前端/UI開發人員來說是個好訊息。
- 產品化：談到穩定擴散，Emad Mostaque直到2019年都是對沖基金經理，似乎除了為他的兒子“自閉症文獻綜述和神經遞質生物分子途徑分析”之外，沒有任何先前的人工智慧專業知識。但他在2020年參與EleutherAI社群後意識到，像穩定擴散這樣的東西是可能的，找到了海德堡大學CompVis小組的Patrick和Robin，並投入了大約60萬美元來培訓和交付2022年第二個最重要的人工智慧版本。沒有人想要交叉審問誰做了什麼，但一位前對沖基金經理透過發現機會並將財務（和組織）槓桿應用於時機已到的想法中，可以增加很多價值。 更廣泛地說，納特·弗裡德曼一直在大聲疾呼，多年的研究積累的能力過剩沒有在足夠多的初創公司中得到實施，而像戴夫·羅根莫瑟這樣願意早早跳上這趟列車的創始人，在兩年內將Jasper從0增長到7500萬美元的年收入，將獲得不成比例的回報。
更廣泛地說，現有企業和各個垂直市場的初創企業都在採用人工智慧，這表明未來是“人工智慧滲透一切”的趨勢。因此，理解基礎模型更可能是達到目的（利用它們）而不是目的本身（訓練它們或探討安全和感知能力）。也許，更好的想法是將自己和潛在的未來方向看作是“學習如何在已經感興趣或精通的領域中利用人工智慧”，而不是“轉向人工智慧”。
我的最後一個與年齡相關的呼籲是通用的 - 挑戰自己對大腦有好處。神經可塑性通常被認為在25歲後停止，但這是有爭議的。更為一致的意見是，持續學習有助於建立認知儲備，有助於延緩像痴呆症和阿爾茨海默病這樣的神經退行性疾病。這位72歲的國會議員正在這樣做，你的藉口是什麼？
原文：https://www.latent.space/p/not-old
程式碼部署後可能存在的BUG沒法實時知道，事後為了解決這些BUG，花了大量的時間進行log 除錯，這邊順便給大家推薦一個好用的BUG監控工具 Fundebug。
交流
有夢想，有乾貨，微信搜尋 【大遷世界】 關注這個在凌晨還在刷碗的刷碗智。
本文 GitHub https://github.com/qq449245884/xiaozhi 已收錄，有一線大廠面試完整考點、資料以及我的系列文章。
