本文首发于微信公众号：大迁世界, 我的微信：qq449245884，我会第一时间和你分享前端行业趋势，学习途径等等。
更多开源作品请看 GitHub https://github.com/qq449245884/xiaozhi ，包含一线大厂面试完整考点、资料以及我的系列文章。
快来免费体验ChatGpt plus版本的，我们出的钱
体验地址:https://chat.waixingyun.cn/#/home
可以加入网站底部技术群，一起找bug.
Latent.space的文章“不老”是一个很有趣的探讨关于我们如何看待年龄的话题。作者指出，人们普遍将年龄视为固定的概念，但实际上年龄只是一个数值，与身体和思维的状态并没有直接的关系。因此，我们应该尝试去消除对年龄的刻板印象和歧视，摆脱对自己或他人年龄的过分关注，以及对自己或他人的未来做出不必要的限制。
作者通过引用许多有趣的研究，包括长寿村的案例，证明了人们可以在不同年龄段保持强健的身体和灵活的思维。此外，他还谈到了像经验、智慧和生活经历这样的因素，这些因素不一定与年龄相关，却是我们所应该关注的。因此，我们需要尝试看待年龄问题的不同角度，并学会从年龄的束缚中解脱出来。
总的来说，这篇文章非常值得一读。它提供了一种新的思考年龄的方式，让我们能够更好地认识自己和他人。我们应该尝试去消除对年龄的刻板印象和歧视，摆脱对自己或他人年龄的过分关注，以及对自己或他人的未来做出不必要的限制。
正文开始~~~
最近，一位开发者朋友说：“如果我现在20岁，我会放下一切，投身于人工智能。”但他已经花费了十多年的时间来建立专业知识、人脉和声誉，成为了他所在领域的顶尖人物。因此，他现在选择留在原地。
另一个年长的大学朋友是一家现在已公开上市的科技初创公司的高管。他擅长他所做的事情，拥有完美的简历，他的职业生涯的其余部分可以轻松地推断出令人羡慕的职位。然而，他正在转向，因为正如他告诉我的那样，“生命很短暂”，他不想在结束时想“如果呢？”
最近几天，我与技术和非技术背景的朋友进行了许多类似的对话。尽管我希望这封通讯能够关注具体的技术发展和令人振奋的SOTA进展，但我认为值得花一期的时间来探讨模糊的职业转型主题，因为这是一个我恰巧独具评论资格的话题。
在我三十多岁时转变
我记得我第一次职业转型时的恐惧感，那时我已经30岁了。我已经在金融行业工作了6-7年，这是我从16岁起就想要的职业，环游世界，审问CEO，并在全球顶尖对冲基金之一帮助管理10亿美元。外表上我很厉害，但我深知这并不令人满意，也不是我的终极目标。让一些捐赠和养老金变得更加丰厚，与从无到有创造出一些东西相比，显得微不足道。我决定从金融转向软件工程（和开发者关系）。其余的就是历史了。
6-7年后，我再次转变了我的职业。我认为从软件工程师到人工智能的转变几乎与从金融到软件工程师的转变一样，只是在表面上相似，同时需要大量的新知识和实践经验才能变得相当有生产力。我的转变策略与上次相同；尽可能在晚上和周末学习6个月，以获得信心，这是一个持久的兴趣:
- 在我能够取得有意义的进展的地方，然后切断联系/烧掉桥梁/全力以赴并在公开场合学习它。
- 但这只是适合我个人的方法；你的情况可能会有所不同。我相信如果你愿意，你可以找到如何做到这一点；我写作的对象是那些希望获得足够自信的人，让他们真正决定迈出这一步。
我认为在技术职业决策中存在很多内在的年龄歧视和沉没成本谬误。因此，这里是一个快速的理由列表，说明为什么你不会太老来转行。
你应该进入人工智能领域的原因
-
人工智能的广泛潜力/增长速度
- 杰夫·贝佐斯在30岁时著名地放弃了金融行业，开始创办亚马逊。
- 他这样做是因为1994年互联网使用量每年增长了2300%。
- 通用技术的推广
- 想象一下，如果你在2000年或2010年才开始接触科技，并得出结论认为已经“太晚了”，无法进入互联网业务。
- 自1月份以来的3个月中，ChatGPT在工作中的使用量增长了1000%。
-
上升时间比你想象的要短。
- 传统的非博士学位机器学习路径是参加 Andrew Ng 在 Coursera 上的课程，学习三个月后意识到你仍需要多年的自学和实践经验才能做出有趣的事情。
- 但是我们正在变得更加擅长简化通往尖端生成式人工智能的路径。
- Jeremy Howard的fast.ai课程于2016年开始，通过7周的课程让开发者进入人工智能领域。到了2022年，他已经通过十个90分钟的课程带领人们重新实现了稳定扩散。Suhail Doshi在2022年6月参加了这门课程，并在11月份推出了Playground.ai。
- 这在一定程度上是由Transformer架构驱动的，该架构于2017年推出，但自那以后几乎占据了AI的每个领域，提供了一个强大/灵活的基线，使得先前架构的知识变得可选。因此，没有几十年的研究需要追赶；只需要追赶过去的5年即可。
- 一些读者询问了涉及的数学问题。关于AI是否“只是矩阵乘法”的争论很多，如果你愿意，你可以在大学线性代数和微积分的一个学期内学习它，但我的主要答案是你不必这样做；现代框架如pytorch可以帮助你完成任何需要的反向传播和矩阵操作。
- 当然，走捷径并不能让你与传统的博士生相等，他们能够推动技术的最前沿。但是，即使是看一下顶级研究人员的职业生涯，也能让你了解到要达到最高水平需要多长时间。Yi Tay在谷歌贡献了/领导了许多最近的LLM进展，但你可能会惊讶地发现他自从获得博士学位以来只有大约3.3年的经验。Ashish Vaswani在发表Transformer论文时已经获得博士学位3年了，而Alec Radford在OpenAI发表GPT和GPT-2论文时已经从本科毕业2年了。
- 这样的职业轨迹在物理学、数学、医学等更成熟的领域不会发生，因为它们的“foom”年代已经过去了几个世纪。人工智能的“foom”显然正在发生。
- 这一切都是说; 这仍然是一个非常年轻的领域，20年后没有人可能会在意你感觉“晚”。
-
除了成为专业的机器学习研究员之外，还有许多贡献领域。
- 提示和能力研究：Riley Goodside的职业生涯在2022年爆发，从Grindr的数据科学家变成了世界上第一位员工提示工程师，通过推特GPT-3技巧，发现并普及“提示注入”作为LLM安全问题的主要关注点。许多人已经意识到，在社交媒体上找到GPT-3和-4的有趣用例很好，这是学术界进行正式能力研究的一个普通人的推论。
- 软件工程：最近，Whisper.cpp和LLaMA.cpp启发了许多人对在设备上运行大型模型的未来，但我很惊讶听到Georgi Gerganov在Changelog上的采访，并了解到他在2022年9月自称为“非AI信徒”，仅仅是为了好玩而将Whisper移植到C++。LLaMA.cpp本身的发展速度比Stable Diffusion更快，而Stable Diffusion本身是有史以来增长最快的开源项目之一。尽管没有进行模型训练，但Georgi的软件专业知识使这些基础模型更加易于访问。Harrison Chase的Langchain通过构建第一个开发人员友好的提示工程框架，将提示和预训练LLM模型的软件改进相结合，赢得了大量关注。从Guardrails到Nat.dev的一系列LLM工具也有助于将这些模型从论文转化为生产。ChatGPT本身是GPT 3提供的UX创新。5个模型系列，这对前端/UI开发人员来说是个好消息。
- 产品化：谈到稳定扩散，Emad Mostaque直到2019年都是对冲基金经理，似乎除了为他的儿子“自闭症文献综述和神经递质生物分子途径分析”之外，没有任何先前的人工智能专业知识。但他在2020年参与EleutherAI社区后意识到，像稳定扩散这样的东西是可能的，找到了海德堡大学CompVis小组的Patrick和Robin，并投入了大约60万美元来培训和交付2022年第二个最重要的人工智能版本。没有人想要交叉审问谁做了什么，但一位前对冲基金经理通过发现机会并将财务（和组织）杠杆应用于时机已到的想法中，可以增加很多价值。 更广泛地说，纳特·弗里德曼一直在大声疾呼，多年的研究积累的能力过剩没有在足够多的初创公司中得到实施，而像戴夫·罗根莫瑟这样愿意早早跳上这趟列车的创始人，在两年内将Jasper从0增长到7500万美元的年收入，将获得不成比例的回报。
更广泛地说，现有企业和各个垂直市场的初创企业都在采用人工智能，这表明未来是“人工智能渗透一切”的趋势。因此，理解基础模型更可能是达到目的（利用它们）而不是目的本身（训练它们或探讨安全和感知能力）。也许，更好的想法是将自己和潜在的未来方向看作是“学习如何在已经感兴趣或精通的领域中利用人工智能”，而不是“转向人工智能”。
我的最后一个与年龄相关的呼吁是通用的 – 挑战自己对大脑有好处。神经可塑性通常被认为在25岁后停止，但这是有争议的。更为一致的意见是，持续学习有助于建立认知储备，有助于延缓像痴呆症和阿尔茨海默病这样的神经退行性疾病。这位72岁的国会议员正在这样做，你的借口是什么？
原文：https://www.latent.space/p/not-old
代码部署后可能存在的BUG没法实时知道，事后为了解决这些BUG，花了大量的时间进行log 调试，这边顺便给大家推荐一个好用的BUG监控工具 Fundebug。
交流
有梦想，有干货，微信搜索 【大迁世界】 关注这个在凌晨还在刷碗的刷碗智。
本文 GitHub https://github.com/qq449245884/xiaozhi 已收录，有一线大厂面试完整考点、资料以及我的系列文章。
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
