盛溪的博客

🧪 一、大模型常用评估数据集
🔍 1. MMLU (Massive Multitask Language Understanding)
• 类型：英文多任务通用评估集
• 内容：57门学科（数学、法律、医学、历史等）
• 应用场景：零样本（Zero-shot）或少样本（Few-shot）设置下对模型多学科知识与推理能力进行测试
• 开发者：Dan Hendrycks 等（2020）
• 来源：各类学术测试、资格考试题库
• 参考：MMLU 数据集知乎解读
🔢 2. GSM8K（Grade School Math 8K）
• 类型：数学推理能力评估集
• 内容：8,500道小学水平的数学题
• 目标：测试语言模型的“算术推理”能力
• 应用：SOTA 算法排行榜参考：GSM8K Benchmark
📚 3. 中文评测数据集
• CEval：多领域中文测评集
• CMMLU：中文版的MMLU，覆盖法律、医学等高难度题目
• Gaokao：模拟高考题，注重逻辑推理和语言理解能力

评测数据集

本篇文章推荐了 7多款我亲测高效、值得长期使用的工具，覆盖笔记整理、文件检索、翻译、截图、PDF 阅读、电子书阅读与AI辅助总结等多个维度：
1. Notion：跨平台笔记管理神器，云同步、不卡顿，适合做系统性知识整理。
2. Everything：超快的本地文件搜索工具，效率远胜系统自带搜索。
3. 有道翻译：不仅支持划词、截图翻译，还具备出色的OCR功能，适合重度阅读场景。
4. Snipaste：可将截图“钉”在屏幕上，是阅读论文、比对公式的绝佳利器。
5. UPDF：PDF阅读+批注+云同步，阅读论文与做读书笔记两不误。
6. NeatReader：epub 电子书阅读好帮手，简洁无广告，支持批注。
7. Glarity：基于 ChatGPT 的网页内容总结工具，可快速提取 YouTube 视频、网页、PDF 的关键信息，还能辅助翻译和提问。

个人认为好用值得分享的插件、APPs（PC）

在这个信息爆炸、内容泛滥的时代，信息获取已不是稀缺能力，信息内化才是关键竞争力。
本篇文章系统梳理了“信息”与“知识”之间的本质区别，核心观点包括：
• 信息是流动的、外在的，知识是结构化的、内化的；
• 信息可以传递，知识只能通过个人思考、实践、反复验证形成；
• 知识的力量不在于量的累积，而在于它能建立认知地图，带来框架性理解；
• 泛信息化环境下的“伪学习”正加剧我们的焦虑，而非真正带来成长。
通过俄语教学中的语义细节、编程知识的应用场景，以及“Docker”的认知模型，你将清晰看到——只有当信息能在我们已有知识体系中找到“位置”，产生预测、推理、判断和整合的能力，它才有资格被称为知识。未来的信息将免费泛滥，但真正稀缺的，是能把信息转化为知识的能力。

知识与信息的区别

本文从“宽容”作为人类社会精神底座出发，延伸探讨了AI发展中的两个核心问题：价值对齐与算法偏见**。当AI逐渐获得接近乃至超越人类的智能时，我们必须重新思考，我们在数据中灌输的价值观，是否配得上我们期望未来机器所体现的理性与善意。
📌 主要内容概览：
1. AI系统若无法对齐人类价值，将面临灾难性风险
    ◦ 引用Anthropic提出的三种可能路径：乐观、中性、悲观
    ◦ 强调“技术对齐问题”的严峻性，尤其在AI智能接近或超越人类的情境下
2. 人类的偏见与仇恨正在污染训练数据
    ◦ 大模型学习的是人类语言、行为和价值的集合体
    ◦ 如果我们对“平凡人”“弱势群体”都缺乏宽容，最终塑造的AI也将对他们无情——而那最终会反噬我们自己
3. 数据偏见是结构性的、难以完全根除的
    ◦ 介绍经典文献：
        ▪ 《A Survey on Bias and Fairness in Machine Learning》
        ▪ 《Weapons of Math Destruction》
    ◦ 深入讨论偏见的来源、反馈循环与应对策略
4. “信息”≠“知识”，偏见的批判与防范需要真正的深度认知
    ◦ 仅靠“收集技术资料”远远不够，AI PM 和开发者需要形成独立的伦理判断力与系统性思维

对于人工智能时代的巨大思考————请你宽容

📌 一、核心观点概括
• 信息 ≠ 知识：信息只是“快照”，知识是经过深度理解与体系化构建的“内化产物”。真正的知识不能靠刷短视频获取，而要靠长期实践和认知构建。
• “努力万能论”是误导：教育常用“努力”来掩盖体制对记忆与逻辑的单一偏好，但真正的人才培养应走“扬长避短”之路，而不是一刀切地补短板。
• 教育的公平不在于平均，而在于差异化赋能：每个人应有公平的发展机会，但不必走相同的道路。真正的公平是根据天赋差异，提供不同的资源支持。
🎯 二、教育制度深层批判
• 当今考试制度强化记忆与逻辑推演，实际剥夺了学生探索自我的机会，导致“多数人成为少数人的陪跑”。
• 素质教育改革口号与现实背离：提出越多，反而应试越严重，暴露出制度设计与执行之间的巨大张力。
• “刷题思维”掩盖了教学功底的匮乏：真正优秀的教育者应当以少胜多、化繁为简，而不是数量堆砌。
🚀 三、解决之道与个人思考
• 人生智慧在于扬长避短：不是靠“死磕短板”换来尊严，而是选择适合自己的土壤生长。
• 探索热爱与擅长的交集：天赋提供正反馈，热爱赋予抗挫力，二者结合才是持续成长的根基。
• 教育应回归育人本质：发现人的独特性，而非塑造流水线标准品，是未来教育的真正使命。

找到自己想认真打磨的事情比什么都重要

1. 🎯 期待的边界：不要把爱变成交换
• 父母的爱若附带“成才”的前提，本质上是一种情感绑架；
• 真正健康的亲子关系，应是无条件的接纳与支持；
• 孩子最需要的，不是“我要变好，才能被爱”，而是“我就是我，就值得被爱”。
2. 💞 爱的逻辑：双向奔赴，非功利对价
• 爱应是一种自发的情感流动，而非条件式的投入与回报；
• 如果孩子从小被教育“有用才被爱”，长大后也可能以同样标准对待父母；
• 这种条件式爱的逻辑若代际传递，将在家庭中形成隐形伤害与冷漠。
3. 🧠 价值感的建立：存在本身即有价值
• 真正的价值感源于被纯粹地接纳与理解；
• 当孩子的存在本身就能被肯定，他们更容易成长出自信、安全、主动的心灵结构；
• 父母的接纳，是孩子形成内在稳定的最重要起点。
4. 📉 时间的真相：因果的轮回与代际延续
• 若爱是带条件的，那么当父母老去失去“价值”时，也可能被忽视甚至被嫌弃；
• 这不是子女冷血，而是从小就内化了“爱需交换”的教育逻辑；
• 打破这种代际因果的唯一方式是：从当下给予真正无条件的爱。
5. 🧭 教育的本质：做园丁，而不是雕塑家
• 真正的教育应是顺性而育、因材施教；
• 孩子如花，各有花期，不能统一时间开放；
• 父母的职责不是塑造孩子的模样，而是营造适合孩子自由生长的土壤。

关于父母期待与孩子成长的深度思考

本文通过对《艰难时代》《Not a Nickel to Spare》《The World in Depression》等经典书籍的阅读，深入挖掘了美国大萧条时期的爱情与社会现实，并由此引发对当代中国年轻人处境的深刻反思。在近百年前的经济灾难中，爱情不再是浪漫的选择，而是生存的权宜之计。而这，正与当下年轻人面对经济焦虑、亲密关系压力的现实悄然共鸣。
文章共分三大主题板块：
1. 历史的倒影：昨天的他们，今天的我们
    ◦ 经济不安全感如何动摇婚姻基础
    ◦ 恋爱从消费主义回归朴素
    ◦ 被心力透支的年轻人不再有余力维系情感
2. 跨时空共振下的爱情困境
    ◦ 你会发现：哪怕时代不同，但在不确定中挣扎的年轻人，面对爱情时的犹疑与脆弱竟惊人相似。
3. 深层发问：爱，是否成了一种奢侈？
    ◦ 面对就业焦虑、情绪透支、关系冷漠，我们还能相信爱吗？
    ◦ 如何在现实的压力与残酷中，重新学习去爱、去连接、去共情？
这不是一篇简单的历史随笔，而是一场关于经济周期下人性情感波动的当代表达，是一种试图在历史与现实之间，重建“温柔的价值观”的尝试。“不是绝望的共鸣，而是希望的传承。”

大萧条期间人们的感情状态

这本书由前华尔街数据科学家 Cathy O’Neil 撰写，通过多个社会领域（教育、招聘、信贷、司法等）的真实案例，揭示了黑箱算法模型如何在无形中加剧社会不平等，并进一步侵蚀民主制度。
作者提出“WMD（Weapons of Math Destruction）”概念，指那些具备三大特征的算法系统：
• 不透明（Opacity）
• 影响广泛（Scale）
• 破坏性反馈循环（Damage）
这些系统往往将人类的偏见深深地嵌入模型中，对弱势群体的打击尤为严重，使穷人越穷、富人越富，形成数据歧视的死循环。

Weapons of Math Destruction 阅读笔记

个人项目经历汇总

个人能力矩阵

程序员职业困境：程序员“工作前苦、工作后更苦”，不仅学习阶段压力大、生活单调，入职后还容易陷入高强度、低回报、易被替代的现实困境。专业特性与行业变化：计算机是“现形”专业，真实能力很难掩饰，业态变化快，很多早期积累很快就会被淘汰；相比之下，其他工科实际工作时对专业能力要求反而不高。
AI冲击与行业升级：AI的飞速发展，已经让大量基础性代码工作被自动化，企业只需要少数能攻克难题的高端人才。入门门槛低、提升空间有限的岗位将被大规模替代。
个人建议与应对策略：在AI时代，最核心的竞争力，是认清自己的天赋与热爱，及时复盘，避免无意义的重复劳动。只有不断深挖、打造差异化，或者真心热爱并能坚持深耕的人，才能在变局中立于不败。

AI取代潮来袭，普通程序员如何自救？一位实习生的真实反思

在最近的对话中，Hinton教授和Ben Mann都提出了关于软件工程师未来角色的重要观点，认为随着人工智能的迅速发展，软件工程师这一职业可能不会像医生、法官或会计那样持久存在。

软件工程师大概率是个过渡职业

1. AI的潜力与风险：Hinton教授对人工智能未来的发展提出了深刻的见解，并警告了AI可能带来的威胁。
2. AI与人类智能的对比：他探讨了AI能否超越人类智慧，以及超人工智能的可能性。
3. 人工智能在各个领域的应用：包括AI如何影响未来的职业、就业以及全球经济格局。

Hinton采访 24.6.27

这是一则来自某港口的真实案例：一位老师用嵌入式技术提出“在龙门吊上加装压力传感器”的方案，试图优化集装箱称重流程——低成本、高效率、可快速落地。
然而，方案被迅速否决，原因并不在技术，而在触碰了隐藏的利益链条：传统繁琐的称重流程中暗藏“油水”，优化流程意味着断了某些人的财路。
由此引出的反思令人深思：
• ✅ 技术本身不是瓶颈，真正的障碍在于既得利益的守旧心态与落后的治理机制。
• ⚠️ 若监管体系与思想观念不先行，即使技术再先进，也难以撬动变革。
• 🧠 真正推动社会进步的，不是盯着几平米地皮的蝇头小利，而是解放思想、释放创造力。“思想解放才是真正的第一生产力。”

技术创新要落地，必须先突破体制与认知的藩篱。

制度不变，技术再好也是空谈

在全球经济波动与教育投资理性回归的背景下，澳新留学市场正在发生结构性变化：
🦘 澳大利亚：名校热度不减，成本高压持续上升
• 留学目标高度集中在“澳洲前三”（墨尔本大学、悉尼大学、新南），其他学校吸引力下降。
• 学费年年上涨，生活成本高昂，硕士两年总开销普遍在110万人民币以上，引发家庭预算压力。
• “卡着预算”留学容易导致社交断层与体验感缺失，建议量力而行，重视隐性成本。
🇲🇾 马来西亚：性价比新贵，成为留学优选
• 莫纳什等高校分校申请量暴增5倍，验证“性价比+英语环境”策略奏效。
• 日常开销远低于国内中等城市，“留学幸福感”明显提升。
• 适合预算有限但希望获得国际教育背景的学生，逐渐成为“双非+中产”群体的新解法。
🧩 留学与移民：阶层逻辑的现实投射
• 留学不再是“精英”专属，而是“中产平民化”的趋势延伸。
• 移民政策背后隐藏的是阶层筛选机制：早期政策窗口期已关闭，当前更考验家庭认知与财力的双重实力。
• 教育投资的时效性与策略性变得尤为关键，延迟认知者面临更高门槛与更低性价比。

澳新留学成本攀升，马来西亚成新兴热门选择

5703项目分析

🧠 AI 产品经理系统学习路径：三阶段进阶模型
📌 第一阶段：线性理解，全面扫盲
• 目标：建立对 AI 产品经理工作的整体认知框架
• 方式：跟随专栏完整学习，从产品定义到模型训练、评估全流程过一遍
• 意义：查缺补漏、搭建完整地图，便于未来定位问题、解决实际挑战
📌 第二阶段：结构化吸收，构建知识网络
• 目标：从知识点跃迁到知识体系，形成自己对 AI 产品的认知结构
• 方式：将学过的每个模块（如模型评估、特征工程、PRD撰写）抽象整合，构建知识树
• 关键词：提炼框架、高屋建瓴、体系感、知识联通
📌 第三阶段：批判性思维，形成底层 AI 思维
• 目标：构建自己的 AI 思维方法论，形成独立判断力
• 方式：批判性吸收已有知识，带着怀疑去理解每个技术方案、指标选取、建模路径
• 最终产出：不仅能用AI，还能“驾驭”AI，形成决策思维与底层判断逻辑

刘海丰 AI产品经理 01-04

这篇文章围绕一个核心命题展开——知识的效用，不在于多，而在于是否贴合你的方向。主要观点如下：
• 知识的实用性是相对的：若你早早明确了人生方向，继续无目的地广泛涉猎知识，边际效用将迅速递减；反之，在方向未明之前，多元探索有助于拓宽认知边界。
• 真正需要的技能，生活会逼你掌握：不掌握“常识”并非原罪，若知识确实对生活构成必要性，个体自然会主动或被动习得。
• 有效学习的前提是清晰的志向：当人生方向确定后，围绕该目标构建知识体系，你将更高效、更有动力地精进。
• 认清方向，比学习更多知识更重要：真正的难题不是“学什么”，而是“你想成为什么样的人”，后者才是驱动知识转化为价值的引擎。

关于知识价值与人生道路的思考

产品经理的需求文档应该做到以下四点：
明确业务目标、输出形式、数据来源和验收标准

PRD 文档应该长什么样

🧠 Summary：掌握AI产品经理的全流程方法论
1️⃣ 产品定义阶段：明确AI价值定位
• 三问核心：是否有明确的业务问题？是否需要AI介入？AI能实现怎样的业务目标？
• 关键能力：懂得和业务方深度沟通，拆解“表层需求”挖掘“可AI化”的本质诉求。
2️⃣ 数据准备与特征工程：产品经理要深入介入
• 数据来源分三类：内部业务数据、跨部门集团数据、外部采购数据，获取方式各异。
• 特征工程是核心工作：特征决定模型上限，包括数值型、描述型、非结构化、关系型特征等。
• 数据清洗不可忽视：需处理缺失值、异常值、噪声，并用可视化手段洞察数据结构。
3️⃣ 模型构建流程：知其然，也要知其所以然
• 流程五步走：设计目标 → 数据预处理 → 模型训练 → 验证评估 → 模型融合
• 产品经理需掌握流程，即便不参与建模，也能有效与算法团队协同，评估进度与瓶颈。
• 核心术语：目标变量、样本构建、决策边界、过拟合/欠拟合、交叉验证等。
4️⃣ 模型评估与性能优化：拒绝“只交付不负责”
• 模型不是交付就结束，PM需参与指标设定与调优。
• 分类任务常用指标：AUC、KS、Recall；回归任务：MSE、MAE等。
• 产品经理要主导“验收定义”：不仅要模型“对”，还要业务“值”。
5️⃣ 核心算法扫盲：为落地服务，而非深入研究
• KNN：易实现，适合小数据场景，容错性低。
• 决策树/随机森林：强可解释性，易过拟合，集成学习（Bagging/Boosting）提升稳定性。
• 深度学习：结构复杂但性能最强，关键是“权重 + 偏置”最小化Loss函数。
• 特征表达重要性：从文本中抽取“词向量”、非结构化信息转结构化是关键任务。

刘海丰 AI产品经理 05-16

1️⃣ 产品定义阶段：理解业务与明确目标
• 核心任务：
    ◦ 搞清楚业务需求是否真的需要 AI 解决
    ◦ 明确AI能为业务带来哪些可量化的提升
    ◦ 与业务方确认预期目标、上线时间、使用场景
2️⃣ 技术预研阶段：与算法团队协同评估可行性
• 关键协作：
    ◦ 与算法团队初步沟通，判断现有数据/算法能力能否支撑需求
    ◦ 若不足，产品经理需主导或协助数据获取（尤其在垂类业务中，PM比算法更懂数据）
• 注意事项：
    ◦ 不只是评估算法可行性，更要结合数据完整性与代表性判断“能不能训出有效模型”

模型设计 

🧠 AI产品经理 vs 普通产品经理的本质区别
1. 工作目标不同
普通产品经理的目标是打造用户可感知的功能，提升用户体验，比如做一个清晰、易用的投诉入口。
AI产品经理则以构建“算法能力”为目标，提升系统的智能化或自动化水平，比如设计一个“用户投诉预测模型”，提前识别潜在问题并自动触发工单系统。
2. 工作流程不同
普通产品经理主要聚焦于功能设计、交互逻辑、业务流程，与用户体验密切相关。而AI产品经理则必须深入参与从数据采集、特征设计到模型评估、上线集成的全过程。
AI PM需要定义采集哪些数据、数据如何打标签、样本如何构造、模型好坏怎么评估（如AUC、KS等），以及模型上线后的持续优化和微调，这些环节普通PM通常不涉及。

AI产品经理与传统产品经理区别

1. 社会不平等的哲学基础与现实逻辑
• 绝对平等不可持续：从热力学到社会学，能量或资源的绝对平均将导致系统“死亡”。宇宙需要温差，社会需要差异。
• 不平等是常态：社会不可能完全平等。适度不平等激发效率与创造；过度不平等则带来矛盾、冲突甚至动荡。
• 平衡的关键：既要激励有能力的人，也要给予弱势群体希望。合理的不平等可以维持秩序和活力。
2. 阶级划分与社会分层的差异
• 阶级划分强调的是人与人之间在生产关系上的根本对立，比如是否拥有生产资料，往往伴随压迫性和斗争逻辑。
• 社会分层更侧重资源和机会的不均衡分布，是一种等级性但不一定对抗性的结构，如上层/中产/底层等。
• 前者用于批判与变革，后者用于描述与维稳。
3. 韦伯的三重分层标准
• 经济地位：取决于市场机会（如收入、资本、职业技能），影响个人资源获取能力；
• 社会地位：体现为声望和生活方式（如消费品味、文化喜好、交际圈层等），强调社会认同；
• 政治权力：影响他人行为的能力，常通过组织控制实现（如政府、军队、党派等）。
• 韦伯认为一个人社会地位的认同感与生活方式密切相关，地位群体有较强的自我边界与婚姻内循环。
4. 农民与底层群体的社会结构现实

中国当代社会阶层分析 杨继绳 梁晓声

1. 技术成长与职场初体验
• 在导师们（强哥、唐哥、刘工）的耐心指导下，解决了多个技术难题，全面了解了企业项目流程与会议机制。
• 技术之外，更深入理解了职场氛围与团队合作的价值。
2. 从代码到用户：需求理解的觉醒
• PDA页面设计中意识到：“技术实现”不能替代“场景理解”。
• 移植PC页面时忽略了使用者（工人）实际操作的便捷性需求——这成为一次重要的产品思维转折点。
3. 生涯启蒙：寻找内在驱动力
• 多位前辈没有直接给出“职业路径”，而是启发思考“你真正想成为什么样的人”。
• 明白了职业规划不应是盲从潮流，而是顺应自我兴趣与长期动力。
4. AI时代下的职业反思
• 程序员工作高薪但缺乏社会影响力，与警务、法律等职业相比，在“社会关系建构”上较为薄弱。
• 技术变革（Coding 3.0、AI辅助开发）进一步削弱了底层程序员的存在感。
5. 坚定的方向：走向AI产品经理之路
• 实习加深了对AI趋势与岗位生态的理解，AI产品经理结合了技术趋势与社会沟通双重优势。
• 希望未来从事具有技术前沿性与人际交互性的工作。
6. 温情时刻：感谢每一份关怀
• 感恩同事们在实习期间给予的耐心、温暖与支持。
• 特别铭记生日那天的蛋糕、一次次悉心的指导与分享。

普通产品经理	AI产品经理
打造用户可感知的功能、提升用户体验	构建基于算法驱动的系统，提升系统智能或自动化能力
功能逻辑、交互设计、需求管理是核心	模型目标定义、数据特征理解、评估指标设定是核心

工作阶段	普通PM	AI PM
需求分析	✅	✅
产品设计	✅	✅
数据采集	❌	✅（要定义哪些字段要留、怎么打标签）
数据集准备	❌	✅（要对齐训练目标、采样方式）
模型评估标准定义	❌	✅（要懂 AUC、KS、Recall等）
模型集成落地	⚠️ 偶尔涉及	✅ 是重点工作
持续迭代	✅	✅（要结合线上表现调参或微调）

普通PM思维	AI PM思维
面向功能：这个功能用户需不需要？用得爽不爽？	面向能力：这个模型有无预测力？泛化能力如何？
“用户行为是已知的”	“用户行为是建模出来的”
需求驱动型设计	数据/模型驱动型设计

1. 工作目标上的区别

2. 工作流程上的区别

3.思维方式的根本差异

4.类型不同