掘友等级
获得徽章 0
“深度工作的假设：能够进行深度工作的能力，正变得越来越稀缺，而与此同时，它在我们的经济中却变得越来越有价值。”——《深度工作：如何有效使用每一点脑力》
在一个充满干扰的时代，专注已成为稀缺资源。真正的竞争力，不在于做得多，而在于能否进入深度专注状态，创造出高价值的成果。
这两年，大家都在卷“更大的模型、更强的算力、更夸张的参数量”。但越来越多的迹象表明——“越大越好”正在接近天花板。
当行业共识过于集中在“规模”上时，真正的创新往往被忽略。算法效率、模型结构、数据质量、可解释性，这些才可能成为下一轮竞争的关键。
AI的发展不应只是“堆料比赛”，而要回归科学与工程的本质：用最优的算法解决最核心的问题。
拖延症的核心不是拖，而是逃。
逃避不确定，逃避失败，逃避那个“可能不够好”的自己。
每一次拖延，都是和焦虑的一场拉锯。
当你能允许不完美地开始，事情反而会轻盈起来。
“Your job as a leader is not to make every decision, but to create an environment where the right decisions get made.”
—— Claire Hughes Johnson，《Scaling People》（2023）
“作为领导者，你的职责不是亲自做出每一个决定，而是营造一个能让正确决策自然发生的环境。”
在这个技术发展比我们思考还快的时代，真正重要的不是追逐每一个新工具，而是学会问对问题。
最近读了 Kate O’Neill 的《What Matters Next》，书中一句话让我印象深刻：
“Technology should serve our purpose, not become our purpose.”
技术应服务于人，而不是让人沦为技术的附属。
时间管理不是让一切按计划走，而是在混乱中保持节奏。
最近看到 MIT 提出的递归语言模型（RLM）突破了LLM 的上下文瓶颈。核心思路并不是扩大模型窗口，而是像程序一样，把超长上下文拆分成片段，递归调用子模型处理与总结，再合并结果，有点像 LSTM 的“记忆”升级版。这让模型具备了“分段思考 + 记忆回溯”的能力，看起来就像能读懂“无限上下文”。
清晨5点半，城市还没完全醒，我已经跑完了五公里。
呼吸的节奏像代码的循环，平稳又充满反馈。
跑步的时候不想算法、不想架构，但思路反而更清晰——
很多复杂问题，其实只是在“心率过高”的状态下被放大了。
晨跑像一次系统重启，汗水清空缓存，让新的一天有更干净的输入。
写代码靠逻辑，生活靠节奏。
日常的稳定迭代，比任何灵光乍现都更重要。
今天一个网友问：
AI都能写代码了，人还学技术干嘛？
工具懂逻辑，人要懂方向。
技术的尽头不是机器，而是对世界的理解。
研究表明：对大语言模型（LLM）说话别太客气，语气越直接甚至粗鲁，模型反而回答得更准。
