AI 演进中的个人成长战略

刘嘉教授堪称良师，善于循循善诱、层层深入。他讲人话、举实例，整篇论述并非东拉西扯，而是有机融合了历史、心理学、语言学等大量增量知识，令人受益匪浅。

阅读此书的过程，既让人欣喜若狂、拍案叫绝，合卷之时又不禁长叹。

第一章和第二章最令我震撼的是，我此前未曾意识到“人脑”神经网络的复杂度远超如今诸如 GPT 之类的人工神经网络。

你知道人脑拥有多少神经元吗？高达 860 亿个。神经元之间的互动依赖突触——好比光头上长的头发，有人多有人少。神经元突触数量各异，总计超过 100 万亿个。相比之下，GPT-3 的 1750 亿参数仅为此数量的千分之一。

此外，人脑神经元是鲜活的生命体，具有动态结构变化。形态各异、结构丰富，导致信号传递在时序和强度上存在差异，从而增添了额外的信息维度。

而在当前的人工神经网络（如 GPT 的基础架构）中，神经元常被粗暴简化为“点模型”。它们仅被视为接收输入、加权求和并输出信号的数学节点，完全剥离了真实的生物形态。

因此，在基础设施层面，人脑比人工神经网络强出千万倍。

未曾想一本讲述通用人工智能历史与发展的著作，竟能引发如此深刻的人生战略共鸣。

若有人问人工智能发展历程对个人发展有何启示，我会回答有两个层面：宏观与微观。

先谈宏观。机器学习领域有个关键术语叫“目标函数”，即训练模型所要达成的目标。如今大模型之所以成就卓越，与研究者当初设定的宏大目标密不可分，因为所有训练都在朝此方向努力。

但这并非意味着目标定得稍高、努力付出，成就就会更大。

人类永远无法规划所有成功路径，路径往往是随机碰撞出来的。目标定得越高，碰撞的方向就越趋向高远。训练服务器全天候 24 小时运转，若目标普通，可能实现；若目标超级宏大，终究也会达成。

其核心启示在于：人应志存高远。

那么在 AI 时代，志向远大者的目标应为何？用刘嘉教授的话说，是打造一个独一无二的个人知识系统。

依我之见，即每个人应将属于自己的独特神经网络升级至尽可能高的版本。这网络源于你所遇之人、所经之事、所览之景、所读之书。

生命尽头，我们能否无愧地说：此生已竭尽全力，当前版本已是极限？

再谈微观启示。机器学习中有一算法叫“随机梯度下降”，意指模型优化是循序渐进、逐步累积的过程。研究者只能在当下节点，从若干下一步方向中选出较优者，迈出微小一步。

该算法在数学上证明：无论起点高低、家境优劣、智商强弱，是名校精英还是草根豪杰，只要遵循此法前行，无论途中选择左右，最终结果差异不大。

这对个人的启示有三点。

第一，别再当人生精算师了，无人能算准。当前困境并不关键，出路或许有三四条，无需过度纠结。只需依据当下认知，选择最正确、最有希望、胜率最高的那条路，果断前行。选不到完美，选足够好即可，然后迈出步伐。

第二，选择不止一两次。虽常说人生重大选择不过三四次，但算法指引我们：每一秒都在做选择，每次选择都潜移默化影响后续。因此关键在于坚持。一两次选择并非决定性，持续前行、长期积累才至关重要。

第三，既然我们总是在当下选择感觉更正确的方向，必然伴随随机探索。这意味着难免碰壁犯错，这太好了！首先，随机性才能助我们跳出“人生局部优化”——即误以为已至顶峰，实则潜力远未释放。通过有依据的随机探索，结识不同的人、见识不同的世界、阅读不同领域的书，即为人生注入随机性。同时，不必畏惧犯错。在机器学习中，无错误便无法优化，无法缩小与目标的误差。越早犯错，越早修正，越易逼近目标函数。

我们欢迎错误，拥抱错误。错误让我们反思认知不足，调整自身参数。

但明知是错仍执意而行，则违背了随机梯度下降原则。那一秒，你本可多读几篇文章，却选择刷剧或吃甜食。

天奈你何？

书中有趣的故事与信息众多，作者娓娓道来。但若时间有限，仅能读一章，我推荐第六章。