slackerman

@TUCANA
@MajestySolor
@kkwa56188
说的不错，技术与工具的进步，本质上是在放大人类的能力；同时往往也在放大个体间的差距。其随之而来的不平等与不稳定，通常需要通过政治治理来缓解

标配不是大疆 Mic mini 吗？后来我发现，显示器上的海康 2K 摄像头麦克也够用了，不用每天把麦别在领子上。效果没啥区别

@zgsi 追觅的 S50 / X50 Pro 版本带有机械臂辅助的，6 厘米都可以上

大概是网络问题吧。为什么说“大概”？因为我好久没遇到过了。

本质是个同位竞争还是错位互补的问题。
如果能意识到 ai 和人的强项和短板是不同的，那么和 ai 合作无疑是变强了。
如果感受到的是自己会的 ai 大部分都会，ai 干不好的自己也不擅长，那么说明不适合做程序员了

就像通过问模型“你是谁”，来判断模型是否套壳注水一样

怎么还有人纠结这个问题？所谓“洗车问题”，本质是语义冲突、信息不完备情况下的决策问题。整段题目的表达拆分开来是由四段语义组成。1. 我想去洗车
2. 洗车店离我 50 米
3. 可选择走路去还是开车去
4. 我应该怎么去？日常情景下，这个问题是：我想去洗车，应该怎么去？

第一段其实不用管。第四段我该怎么去？去洗车肯定得开车去吧。这时候再插入第二段：洗车店离我 50 米，其实对这个题目也没有什么影响。因为洗车店无论离我多远，我都得开车去，对吧？最后再插入第三段形成完整的题目：是走路去还是开车去？

这时候就出现了一个语义冲突了。提问题的人提供了一个选择，一个隐含假设：你是可以走路去，也可以开车去。

提问人提出了一组冲突的信息，那回答的人怎么办呢？

两个选择：要么猜，要么要求提问人澄清。
我们先说人怎么办：

1. 凭直觉回答完全忽略隐含的冲突信息
2. 敏锐地捕捉到了冲突信息，去猜到底是哪句话说错了造成的冲突
3. 向提问者要求澄清 LLM 怎么做呢？

在这样的一种陈述句下，LLM 通常倾向于自行去补全上下语境。所以，LLM 其实大概率是走到了 2 的路径。

至于它是怎么猜的，我们不能保证，也是一个概率问题。比如说：
1. 它猜你是不是“50 米”打错了，其实是一个“50 公里”
2. 或者是猜你要洗的车已经在洗车店了
很多人觉得 LLM 回答的答案和自己的预期不一样，是因为人聪明、LLM 弱智，其实根本不是这样。热衷于用这个问题去评判 LLM 的智能程度，反而是因为本身对语言不够敏感，且对 LLM 的运行机制不够了解。

语言的学习，使用/暴露强度是核心因素，语言学习的效果最终效果要内化到潜意识层面（包括肌肉记忆），工具和方法论可以使你更方便地提升使用/暴露强度，但是不花时间上强度一切还是白搭。
这种学习类型跟骑车、游泳、轮滑、滑雪类似

@slackerman 还有拖布加湿漏水，反正是体验高开低走。反倒是最早的那台石头代工的小米 1s ，不是很智能，发挥却非常稳定