用AI給人生開掛的正確方式: AI比人进化快的时代，學什麼才不落伍?

推薦使用Interactive Broker投資, 請點擊: www.interactivebrokers.com/mkt/?src=mxyzPY&url=%2F… 您的點擊會給我帶來收益(不會對您産生費用)，也是對我的支持。這些收益會幫助我爲大家持續産出優質的內容。 歡迎加入我會員網站，認識志同道合的朋友! onenewbite.com/ 會員網站現階段有1700名左右會員, 計劃2500名會員時提升價格限制人數(人數太多會超過我的精力負荷)。 视频推荐的书籍: amzn.to/3Vmk9DH 相關視頻: https://youtu.be/KoT08Kno10A https://youtu.be/zWk69IPsMQs

非常赞同，未来真正比拼的是你的想法，你的审美，你的认知，你的预见性，你的品味，AI更多的是替代打工人的一个高级工具，真正能把AI用好的，一定是各个领域里面原来就很厉害的大师们，AI有效的帮助他们提高了效率，降低了成本💰

看到大約8分鐘半左右，我的想法是，果然能否發揮工具得最大價值，始終還是在於 人 ，使用工具的這個人本身的思維、閱歷、技能，對特定領域的理解才能最大化激發任何 ai 工具或者是其他生產力工具、資產工具，而在過去時代我上述所說，依然套用，任何時代無論工具如何進化，決定其工具最大價值的，還是在於 【人】

講得太好，一直以來你的影片都是我在想的事情，從GPT那片開始到時間管理如何超過99%的人那部，還有這部，都是我一直在思索如何讓其他人獲得的觀念。

Part 1): 任何一條神經網路也是一個多變數廻歸分析，也是統計學迴歸分析的一環。我在40年前攻讀數理統計就涉及這些人工智能及多變量（含時間變量）的廻歸分析（向量/ 矩陣/ 線性代數/ 機率/ 取様….）, 以便對一些事件做出精准智能的預測。 所謂自我學習或機器學習也只是用後面收集或模擬出的更新的資料去修正原先迥歸分析的杈重或係數參數而已。 而深度學習也只是處理巨量變數時，為了避免僅用單層機器學習進行巨量變數而需要解大矩陣導致對巨量平行計算的需求，進而變換設計成每層適量變數，建立多層次的機器學習修正。 40 年前人工智慧就是數理統計的一大課題。馬斯克說得一點都沒錯-目前的人工智慧全部建立在數理統計的基礎上。從那時開始就不斷有各行各業的數據分析專業人士來我們數理統計這參與並學習迥歸分析。他們回去後就不斷建立了屬於他們行業內的多條神經網絡（行業內的迥歸模型）。 在那時從事這類研究工作的數理統計的博士生全部被限制在晚上12 時過後才能使用國家級的超級計算機，否則我們兩三𠆤人一上線全部就大當機。我們那時也發展出一套類似挖礦機的方式，利用所有大量閒置的𠆤人電腦來提供其微小的算力，進而整合這些龐大的所謂分散型算力，但受限那時網路的不發達，很難把規模擴大。 近幾十年隨計算機能力不斷提升，目前市面AI 所謂大模型，主要是著力於面對”服務大衆需要”的所謂生成式/ 語言等等的智能協作服務。就是把百行百業各個領域等等數以千萬千億計資料進行迥歸模型的建立及修正（所謂自我深度學習）而形成龐大的神經網絡。 因此也不用太誇大眼下的AI , 這些早在40 年以前都已建構了理論基礎，而智能恊作早在各專業領域都已發展的非常完善，只是因過去算力不足只能在各自專業領域進行中小規模（變量數較少）的神經網絡建構。例如氣象預報就是早期最明顯的利用氣象專用超高速大電腦發展為成熟預測能力（AI)的例子，股票買賣決策也是智能恊作(AI/CIC)的典型。 ”把簡單數學上使用即存的規模資料或電腦模擬資料進行所謂的㢠歸分析/模型建構並藉此模型做可行的智能預判或恊作，包裝成醫學上複雜尚未完全掌握的神經網路的機制及作用原理”，不但瓢竊了數理統計在AI 發展的絕對地位，實在也是在誤導整𠆤AI 的發展。也會造成眼下一般人的過度期待和焦慮。應將AI 改稱作” CIC:Computer Intelligent Collaboration , 電腦智能恊作， 更為恰當。 何謂知識？ 由經驗總結後（ 抽象具體化） ，就形成知識（用數字分析的表達方式就是去建構知識模型）。 形成知識後就可複製/ 傳承/ 預測/ 擴展。因此目前的AI 發展，就是在循人類文明發展至為重要的其中的一𠆤過程-只是採用了數位化的方式，將經驗知識化了。 目前的AI 只是以數理統計為手段及方法論，以資訊及計算機工程為工具，進行數位型的經驗知識化的過程。 人類有許多其他不同型態非常複雜的知慧，這種僅止於知識數位化的智慧， 其實離人類多型態的智慧還有非常巨大的距離。 另外， 眼下AI 服務於大衆的大模型的各種數學理論及所謂的機器學習（參數修正）及深度學習（參數及變數的多層次增加及修正）。 早在40 年前相應的數學理論都已完備（但落實到實際應用上，如何解1 億 by 1 億的聯立方程組( 行列式計算）， 這需要極其龐大的平行計算能力，在那時期是完全不可能的） 。 其實AI 最重要最關鍵的是各行各業各領域的專家組，而不是這些AI 編程的公司（ 他們只是依需求用已完善的數學統計理論加以電腦編程後，利用巨大算力去幫忙找出合適的模型並不斷予以完善）。 只有各行各業各領域的專家組才知道在茫茫大海中的資料及訊息中，那些因素才是其所涉領域的関鍵變數，那些變數資料才是可做為他們收集分析建立模型的。例如氣象學/經濟學/股票買賣智能決策/ 醫學/ 藥學/ 農業生產/ 基因工程/ 化學工程/自動駕駛/飛彈防空系統/圖像識別及處理/ 建築結構力學/小樣品模擬模型（核爆/飛機失事）………..等等。 此外服務大衆的語言學也是極度複雜的一門學課，其可能的變量變因會高達幾千萬𠆤， 再加上多層級過濾學習修正的模式，因此其涉及的變數算力就以億計， 所以才稱做大模型。 要取那些因素進行那一層分析，主要都是語言學家在主導。 而這些眼下的AI 應用的公司， 只是利用已發展完備的數學統計理論在不同領域專家組的指導下，去有效的進行數拈收集整理分析並進而建立一個特定領域的模型，作為該特定領域的電腦智能恊作工具。

近期看到最有营养的内容，让我一个视频制作从业者重新审视了自己，也看到了如何让“不可能变为可能”的方式,赞！！！

前几分钟有点走神，直到博主讲到了一个我一直深以为然的观点：懂得讲故事的人比懂得使用高级工具的人更容易做出好的视频作品。而博主能通过一个视频来讲明白这个观点，同时也印证了我有这个观点，但只是一个 Cheap Idea. 向你学习！

说的太好了，就好像人人都能摄影，但不是人人都是摄影师，摄影家就更少了。

很喜歡你說話的速度跟內容 很舒服～

I would like to give you a special thumb-up. 👍 I stomped into your YouTube space by accident, watched through the dialogue/interview with the ex-Tesla engineer. Very inspiring. Then I followed your recommendations of the two books(The Little book of Common Sense Investing & Millionaire Teacher), finished one and now on the second. Really appreciated. Well, it didn’t stop here. I’ve been enthusiastically recommending to some teens. This is truly a relay effect. 授人以渔，其乐无穷啊。Thank you very much indeed! 🙏🙏

賺錢的方法其實就是提供價值，隨著時代的變遷這個價值也隨之改變，在互聯網之後我們又迎來了另一個變革，很喜歡這個影片的內容，啟發了我要如何準備自己應對這個變革，感謝！

博主的歸納總結能力很強，點讚！

真的很喜歡你的影片，講的話都超級實在

赞同， 我自己这一年来的感觉也是， 普通人对AI最好的利用方式就是赶紧用它提升自己。不要急着用AI去变现，根据浪潮获益延迟原则，在第i波浪潮加入，在i+1波浪潮才可能获益。

讲得太棒了，提纲挈领，有相当强的指导意义，解决了我学AI这段时间以来的大部分困惑，同时也指明了方向，感谢您！

讲的太好了，一下子对于自己应该做什么清晰了，感谢博主！

您解说的特别好，有深度有想法，给我很多启发。谢谢！

感謝，極大緩解AI浪潮帶給我的焦慮

谢谢你的讲解 真的特别特别有启发！

谢谢博主的观点，果断关注❤