立正把 unlearn 说成用好 AI 的前提:先放下旧习惯,尤其是程序员对“过程确定性”的执念,转向结果确定性和管理者角色。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
unlearn 是学 AI 的前置动作,不是附加技巧
材料里的观点立正把用好 AI 分成四层:工具、方法、习惯、mindset,并说课程从 mindset 入手。他的判断是,工具谁都能有,方法也能问 AI 得到,但缺少底层理解就选不定、也坚持不下去。因此要先接受“通过 build 学 AI”“用不好是我的问题”这类前提,才改得动习惯,方法才适用。他明确说,这中间“要 unlearn 一些东西,然后再学习一些东西”1。
程序员最该 unlearn 的是只盯过程确定性
材料里的观点立正举翻译为例:程序员习惯控制中间过程,出现幻觉或不一致再去修;而结果确定性是先定义想要的结果,再构造反馈回路和有状态的系统,让 AI 自己迭代到位。他认为这种思路对程序员并不自然,看不到它,就很难放大 AI 的杠杆。与之配套的角色转变,是从划桨的操作员变成让蒸汽机稳定运行、设计流程的管理者。他也区分了人群:程序员要 unlearn,但熟悉部署、版本管理等落地环节;非程序员各有各的挑战1。
unlearn 之后要保留的是自己的判断
材料里的观点在立正看来,模型智力普遍提高后,人与人的差别落在 context,以及脑中难以被观测的隐性知识。他主张有意识地沉淀这些知识,形成有 conviction 的观点,而不是 AI 说什么就是什么。他把有价值的东西的必要条件说成“正确的非共识”,并认为 AI 给不出它,因为非共识一给出,大多数人就会判它错;人能做的是坚持自己的非共识,再靠 build 把它变成现实。这是他的观点,不是对课程效果的独立验证2。
提供的片段里,unlearn 主要出现在谈课程设计和程序员转变的语境中,没有单独展开成一节系统论述;《课代表立正》3讲的是下水实践和自然语言调度算力,未直接使用 unlearn 一词,因此未纳入。
出处
- 1课代表立正:AI 课卖 2000 刀,偏偏坚持古法手搓
集中说明四层能力、unlearn 的位置,以及过程确定性与结果确定性的对比。
- 2课代表立正:AI 课卖 2000 刀,偏偏坚持古法手搓
说明 unlearn 之后要沉淀 context 和隐性知识,并提出“正确的非共识”。
- 3课代表立正: 知识内容大v分享6个你不知道的涨粉秘诀
可回到原文核对这部分判断
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。