https://www.candobear.com/detail/l_692cec7fe4b0694c5b5a5b06/4阅读路径:先读第三组,把「学 AI」落到自己反复做的一件事上;再读第二组,理解为什么不同环节不能盲用同一个模型。第一组解释人机关系,第四组说明如何把信息变成自己的能力,第五组约束效率追求。只看一组就看第三组:它能区分你是在追新品,还是在改造工作。
一句话结论:如果 AI 只增加了你的信息摄入和笔记数量,没有改变工作步骤、交付物与反馈方式,那么模型再强,也不会自动变成你的生产力。
howie 反对把 AI 包装成「雇几个员工,自己躺着挣钱」。他的反对对象不是任务委派本身,而是隐去目标、流程、人的投入与资源条件,承诺廉价工具能独立交付收益的营销话术。
他更喜欢「第四层大脑」:AI 不替掉原来的自己,而是在已有认知能力之外形成增强层。钢铁侠的比喻更直白——战甲强,人才能借它做更多事,但整个系统仍然需要一个能驾驭战甲的人。这里的大脑分层与脑机接口叙述都服务于比喻,不能把它当成已经证明的神经科学模型。
Ben哥可以把 tasks.md 中适合 AI 协作的任务描述拆为拟新增的「人的判断」「AI 承接环节」「最终交付」三个字段。例如一篇深蒸馏,人的判断是选题与应用取舍,AI 承接整理概念和组织结构,交付是有来源、有边界的正文。不要把「交给 AI」本身当作任务已经有了执行方案。这里只提出字段方案,本次不修改该文件。
他对「永远不要用 AI 总结」持相反意见:既然模型擅长提取语言中的概念、语义与结构,就没有必要把大量精力继续耗在初步整理上。节约的不是思考,而是他所说的「非创造性的认知负荷」,目的是给更高层的思考腾位置。
他也区分了两种阅读:为获取信息,可以先借 AI 建立框架;为享受内容本身,仍然可以慢读。他后来谈重读经典、把时间留给家人,正是在说明效率不是终点。至于「人类不该与 Transformer 比语言理解」这样的强判断,原文没有给出系统测试,不能延伸为所有任务都可以免核对。
Ben哥可为 reading.py 拟增 build_reading_brief(text),输出「文章问题、论证结构、关键概念、需回看原段」四项。函数产物只是阅读入口,不直接作为定稿。在 kb/STANDARD.md 的拟增「阅读用途」字段中区分「获取信息」和「体验作品」:前者允许先看结构,后者不以压缩率评好坏。这样才是卸载,而不是把机器摘要误当作自己已经理解。
howie 用「锯齿状」形容 AI:同一个模型在不同任务上参差不齐,不同厂商的长短板也不同。数不清单词里的字母、比较小数出错,曾经被拿来证明 AI 只是玩具;而数学、编程与视觉生成的进步,又让这种整体否定失去解释力。
他的另一面提醒同样重要:会做数学题,不意味着会写出有个人特色的幽默文案;会生成图,也不意味着每一种画法都擅长。因此,他主张使用多个模型,按任务取长,而不是宣布一家模型对所有工作全面胜出。直播里关于 Claude、ChatGPT、Gemini 的比较,是当场使用判断,不是永久排名。
| 原文中的对照 | 不能推出什么 | 更合适的判断方式 |
|---|---|---|
| 字母计数或小数比较曾出错 | 所有语言、推理任务都无用 | 看目标任务能否完成 |
| 数学、编程表现显著提升 | 写作、幽默、审美同样成熟 | 分开检查不同任务 |
| 不同厂商各有强项 | 永远固定只用一个厂商 | 按工作环节比较结果 |
| 某个视觉案例令人震撼 | 所有视觉工作都可免验收 | 仍看文字、内容与表达是否成立 |
Ben哥可给 knowledge.py 设计 select_model_for_task(task_type, candidates),但选择依据应是同一类输入的实际结果记录,不是把直播排名写死。拟记录 task_type、model、failure_reason、usable_output,先区分「提纲提取」「正文组织」「图像表达」。原文未展开模型路由算法和评分权重,这里也不擅自填一个看似精确的分数。
他把预训练理解为语言能力和世界知识的基础,把后训练中的强化学习理解为特定任务能力的强化。数学、编程之所以容易形成明确训练反馈,是因为结果相对容易判定;而好文章是什么,很难压成同样清晰的奖励信号。这是在解释专业能力为何分化,并非给出训练技术的完整说明。
多模态部分,他用「token in,token out」概括文字、图片、音频、视频在模型中的处理,强调原生多模态与外挂 OCR、生图模块的体验差异。他尤其看重知识漫画、信息图和 PPT:不是多一个娱乐滤镜,而是改变知识表达的生产方式。具体架构、训练数据和文字渲染机制,原文未展开可核实的技术细节。
Ben哥可在 ~/.agent-autoloop/report_html.py 设计 build_visual_brief(report),先输出一张图要解释的问题、关键关系、必须保留的文字,再交给生图环节。拟增 required_text、concept_relations、source_limits 字段,避免直接把整篇报告丢给模型说「做漂亮一点」。本场没有提供完整生图提示词,不能把这几个字段冒充讲者的原版流程。
howie 把 use case 当作学习、研究和分享 AI 的基本单位。他关心某种能力是否让过去做不了的事情变得可做,而不是每天追着厂商发布会转述资料。「只有某模型能做」在这里是一种寻找突破性场景的视角,不宜读成排他性的长期事实。
他以自己与 AI 合作写公众号为例:不是放任工具经营账号,而是把 AI 放进写作流程。他自述十个月增加三万关注,之前十年积累两万;这些是个人经验材料,不能据此承诺别人也能增长,更不能把增长全部归因于模型。值得迁移的是合作方式,不是收益数字。
Ben哥可在 tasks.md 的场景描述中拟加「原做法」「AI 替换步骤」「可用结果」三栏,把「研究新模型」改写为「用同一篇转写比较概念提取是否漏掉关键限制」。后续若为 cron-jobs.json 设计任务说明,也应先写交付物与使用对象,而不是只写「定时运行 AI」。本场没有讲调度配置结构,具体键名原文未展开,不套写现有配置。
他给出的可执行规则是:一件事重复做三遍以上,就应该建 SOP 或 workflow,之后每做一次都迭代。读文章、写文章、起标题、配图、做知识漫画,都可以拆成工序。流程不会天然损害创造力;相反,把重复劳动固定下来,才能集中处理真正需要判断的部分。
这也解释了他为什么反对一句「帮我写报告」就等待最终答案。目标不清、步骤混在一起,任何一个薄弱环节都可能拖垮整份结果。把工作拆开以后,才知道某个提示词负责什么、哪一步需要人工判断,以及失败应该回到哪里修。
| 动作 | 本场给出的流程思路 | 对应的可检查结果 |
|---|---|---|
| 阅读长文 | 先提框架,再提概念与关联 | 能说清作者在回答什么 |
| 写作 | 多工序协作,不靠一句总提示 | 每一步有独立产物 |
| 起标题、配图 | 小动作也建立自己的 SOP | 能解释选择的理由 |
| 反复做同一件事 | 后续每一遍都迭代方法 | 上次问题改变了本次步骤 |
Ben哥可在 kb/STANDARD.md 拟增「深蒸馏工序」:确认原文范围、提取论点、区分事实与判断、映射工作、检查成稿。为 knowledge.py 设计 validate_distillation_structure(markdown),只检查标题、来源、分组与三段是否存在;内容是否忠于原文另行核对。不要把格式函数返回成功等同于文章已经合格,也不因一次失败重写全部流程。
他展示自己的 Logseq 笔记,用持续增加节点和连接解释知识系统的积累。他强调概念化笔记、概念之间的关联,以及反复用自己的语言做费曼解释。阅读不再只记录「看过」,而是从文章中提炼有价值的概念,放进已有知识网络。
他把这种积累类比 AI 的 scaling,认为连接会带来超过线性堆积的效果。但「笔记越多就指数增长」在本场只是方法论判断,没有测量依据。更可操作的部分是问:这篇材料能提取什么重要概念,它与已有问题有什么关系,我能否自己解释?提不出价值的材料,不必只为了阅读量继续消费。
Ben哥可为 knowledge.py 拟增 extract_concept_links(note),输出 concept、related_concept、relation_reason 和 source_passage;找不到关系理由就不生成连接。reading.py 可拟加 self_explanation 字段,单独保存 Ben哥自己的解释,不让生成摘要直接覆盖。是否真的理解,仍要看能否用它回答当前问题,而不是连线数量有没有增加。
他把 agent 的特征压缩成 agency,即面向目标的主动性:搜索、调用工具、分析、检查,都是为了实现目标。他随即把要求转向人——工具越主动,人越需要决定值得追求的目标,而不是退成只会伸手要答案的人。
落实到笔记,他在原来的概念模板之上,把行动放到前面:做一次费曼分享、写一篇文章、研究一个主题。目的不是让 AI 一口气填出海量静态笔记,而是让学习尽快产生看得见的结果,再用结果反馈改进。这里的「没有产出学它干什么」是强调行动的修辞,不必推成休闲阅读也必须交作业。
Ben哥可在 kb/STANDARD.md 的笔记模板开头拟加「本次要解决的问题」「最小产物」「使用后的反馈」;在 reading.py 拟增 build_action_card(note),把其中一个概念转成一项可完成动作。例如读完本篇,不是再抄一遍 agency 定义,而是挑一份重复生成的报告,写清它的一个工序与验收问题。未实际使用时,反馈字段应写「尚未实际使用」,不能自动生成成功故事。
howie 认为,当大量执行能力变得容易获得,人的 idea 和 taste 会更加重要。Idea 来自长期关心的问题、独特兴趣与注意力投入;taste 则体现在能否判断什么表达有内容、什么只是空洞的感官刺激。工具可以让生成更快,却不能保证使用者知道什么值得做。
他把这点延伸到教育:反对把孩子的时间完全塞满应试训练,主张阅读、兴趣和内驱力。与此同时,问答中谈到 Excel,他仍承认基础知识、概念与使用规范有必要掌握。因此,这不是「有 AI 就不学基础」,而是别让基础训练吞掉自己的问题意识和判断空间。
Ben哥可在 ~/.agent-autoloop/report_html.py 拟增 build_editorial_review(report),把「有没有回答核心问题」「表达是否空洞」「图文是否服务结论」列成编辑检查项,保留 human_selection_reason 记录最终取舍。函数只能整理供人判断的证据,不应伪造一个代表 Ben哥审美的自动分数。原文没有提供品味评分量表,不补一套权重冒充其方法。
对齐部分,他用外卖和短视频平台作批评性例子:如果系统只优化经济回报,就可能忽视劳动者的安全、人的注意力和生活质量。这里讨论的不是遥远的超级智能,而是目标函数当下就在影响谁受益、谁承担代价。具体事故数量和平台机制,原文没有给出证据,不当成调查结论。
订阅问答则把同一个务实原则放到成本上:没有具体场景,就不必因为档位更贵去买。他自述昂贵推理档的典型用途偏数学、科研,普通对话和写作未必受益。这是当时的个人使用经验,不是现行价格说明。智能富足也不意味着所有限制、费用和人的责任都消失了。
Ben哥可在 tasks.md 拟加「谁受益」「可能代价」「不能牺牲的条件」,避免知识库任务只追文章数。若后续评估 cron-jobs.json 对应任务,可在任务说明层记录「是否产生可用交付」「是否重复运行」「失败是否明确说明」;这里不推定现有配置支持这些字段。配额消耗是投入证据,不是价值证明;本次也不触碰 cron 或订阅。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| AI 是增强层,不是躺赚员工 | tasks.md | 拟区分人的判断、AI 环节与最终交付 |
| 先卸载信息整理 | reading.py | 拟增 build_reading_brief,保留需回看原段 |
| 能力锯齿状,按任务选型 | knowledge.py | 拟记录任务类型与失败原因,不写死品牌排名 |
| 多模态用于知识表达 | ~/.agent-autoloop/report_html.py | 拟增 build_visual_brief,先定概念关系和必留文字 |
| 重复工作沉淀 SOP | kb/STANDARD.md | 拟写工序与检查项,区分结构检查和内容核对 |
| 概念网络与费曼解释 | knowledge.py、reading.py | 拟保存关系理由、原段和自己的解释 |
| Agency-based learning | kb/STANDARD.md | 拟把问题、最小产物、使用反馈放到模板前面 |
| 成本和目标要对齐 | cron-jobs.json 对应的任务说明 | 评价可用交付与失败说明,不拿运行次数当成果 |
原文:howie《chatgpt 三周年专场》,场次日期按任务给定为 2025.12.05。讲者多次说每场两小时,结束时称已超时,因此仅标「约两小时」,不是精确媒体时长。
本篇依据:仅依据本次提供的完整机器转写稿,按人机关系、能力边界、工作流、学习与人的职责重组。公众号增长、笔记规模、家庭教育效果均属讲者自述;本文不把个人经验写成普遍收益承诺。编排序号按任务文件 q25 记为 25 / 53。
更正与边界:ChatGPT、Gemini、Claude、Logseq、预训练、强化学习等明显误识别已按上下文统一。场次日期不等于发布周年当天:转写明确提到发布日期为 2022 年 11 月 30 日,开场「整整三年」按纪念主题理解,不改动任务给定日期。模型优劣、价格、竞赛表现及公司前景均为直播当时的说法,未作外部核实;参数规模、神经演化分层、多模态架构和增长倍数不作为技术定论。三级笔记提示词、完整生图流程等原文未展开,不补写。应用段中的函数和字段均为针对 Ben哥文件的拟议映射,不是讲者原话;本次未检查这些脚本的现有实现,也未修改它们。
定位:中文深蒸馏,不是逐字摘要。