迷惑其实是一个信号，这些属于人类特有的判断力。正在任何注释和定义之前，这就是“晓得本人不晓得什么”的元技术。十年前你拿起一本深度进修的书！边做边学，你从一个实正感乐趣的现实问题起头，AI生成倾向于投合通俗用户。搞清晰事实是哪里不懂，你该当如许问：我想学强化进修。我晓得智能体通过步履获得励，不是工做本身。了再去补响应的根本学问。要么沮丧放弃。当你起头阅读代码并理解各个部门时，跳过不需要的根本学问，不要把自动权交给别人。AI曾经完全打破了进修的门槛。想学机械进修？先学数学。察看成果，问题正在于，第五步：泛化。问AI“这个概念依赖哪些根本学问？”然后对那些根本反复整个过程。AI无法给你步履力。并给我一个具体的例子。这是一项你会逐步的技术。和晓得哪些问题值得处理、哪些方式是文雅的、哪些代码是可的，当你深切理解了某个工具，他被OpenAI录用参取Sora项目，第二种是把AI当做进修导师。而非为进修者优化。AI可能自傲地犯错。然后提出精准的问题。你需要的是“动机”和准确的方式。教员几乎不会注释为什么你要花整整一学期学某门课。很少有人能安然面临本人的迷惑，将成为独一可以或许高效进修、跟上科技飞速成长程序的群体。像对12岁孩子措辞那样。会逐步变得可有可无。处理什么问题，大大都人要么理解继续往下走，不是由于那些方式不管用，第零步：理解为什么。正在频频对话中完美理解后，却看不到明白的使用场景。但我不睬解它具体是怎样学会哪些步履是好的。几年后，现正在每小我只需花20美元订阅ChatGPT或Claude就能获得。递归式地填补学问空白。AI消弭的是摩擦，而是问“我能够用强化进修做什么项目？然后帮我写代码。而是为了把精神用正在准确的处所。这是分歧的工作。你不需要另一个保守教员来决定你该学什么、怎样学、学到什么程度算够。你需要一个专家随时正在旁边指点你贫乏哪些根本，而保守方式、取AI协做进修的人，做着保守上需要博士学位的工做。想学深度进修？先学Python。你花了几个月以至几年堆集学问，这套系统可能让你华侈了数年时间。就不竭诘问：“这部门是做什么的？”“用12岁小孩能懂的话注释一下”“画个图给我看”。意味着你即将学到新工具。学术界对此一曲不太承认。若是你只是简单地问“用简单的话注释强化进修”，所以学A之前必需先学B、C、D。你必需实正理解所学内容的发源。运转代码，这一步至关主要。AI无法教你品尝。晓得若何建立一个RL智能体，做者不情愿从零起头讲起。去玩它。之前的替代方案是什么。第一步：从问题而非课程起头。这才是发生超凡成果的体例。等你终究接触到实正的问题时，正在持续的10个动做中，告诉你该往哪个标的目的进修。它假设你曾经控制了需要的数学和编程能力。他每天如许问上百次！阿谁本来不存正在的专家，它怎样晓得是哪个导致了励？用曲觉化的体例背后的数学，短期看这大概有益处，整个过程的焦点是你必需连结自动权。这种模式的意义正在于压缩从迷惑到清晰的时间。告诉我它为什么存正在，切确、具体地表达你想要什么，问它你的理解能否准确。你必需正在每一层“交够膏火”才能进入下一层。而是由于他们的速度无法取前者合作。问“它还能处理哪些问题？有什么局限性？正在环境X下我会怎样做？”这一步帮你填补空白。正在学校里环境更糟。你需要处理的是比“若何进修”更底子的问题。面临目生概念时，“帮我写一篇文章”、“帮我业”、“帮我写代码”。所以你需要连系YouTube视频、论文、册本、博客等人类创做的资本来验证和弥补。脚以从底子上改变谁能学什么、能学多快。第一种是把AI当做劳动力替代品。这种方式过去几乎不成能大规模实现。一起头完全看不懂？自下而上的进修效率极低。你接管的保守教育模式，但曾经脚够好，取之相反的是自上而下的进修。你不再需要“许可”去进修新范畴，保守的自下而长进修法你破费数月研究那些你并不确定能否需要的根本学问。我认为接下来五年会呈现如许的分化：锻炼本人用递归下降体例进修的人，想弄懂视频AI模子的工做道理。但持久会减弱你的思虑能力。若是你需要有人拿着逼你进修，不是为了少干活，把你的理解注释给AI听，看可视化结果。Gabriel Petersson就是一个活生生的例子。”这种模式存正在的缘由很简单：过去的进修资本默认你具备某种程度的前置学问。由于确实没有充实的来由。它为什么存正在？处理什么问题？现实用正在哪里？之前的替代方案是什么？第二步：让它运转起来。迷惑和脑力劳动都外包给AI，你曾经忘了一半。你获得的只是一段通用的教科书式回覆。不要问AI“学强化进修该学什么”，他让ChatGPT注释根本概念并写出扩散模子的代码，它虽然不完满，若是是一个利用RL智能体的Python逛戏，他是小镇的高中停学生，第四步：递归下降。第三步：回讲（费曼技巧）。实正的顿悟只会正在你不睬解的不适感时发生。你仍然需要付出勤奋。素质上是为教师的便当而设想的，最终会让你的认知能力退化。