如何向大模型学习提升自己算力

如何向大模型学习提升自己算力

01｜我们不是太笨，而是“算力”太低

你现在想象一个人正在拼命分析一个需求，他翻出Kano模型，试图将用户反馈归为“期望型”“无差异型”“魅力型”。

但你有没有想过：

为什么是这五类？
为什么不是七类？

再比如鲍格达斯的社会距离量表——你愿意让某群人做邻居？当同事？结婚对象？这些问题看似科学，实则粗糙。

这些模型，并不是为了“还原真实世界”，而是为了解决一个根本问题：

我们算不过来。

我们的大脑，就是一台生物算力机。它每秒能处理的信息，大约只有 60比特。

它没法像超级计算机一样对万物精准建模，只能靠“**压缩世界”的方式活下去：

• 用标签代替理解；
• 用刻板印象做判断；
• 用情绪当作权衡；
• 用故事取代逻辑。

甚至，语言本身就是压缩。一句“我难过”，远比一个拥抱更笨拙。

维特根斯坦说过一句话：

语言的边界，就是思想的边界。

归根结底，其实就是算力不足。

这会带来什么影响？

社会层面会带来《乌合之众》效应，会在一些重大决策，甚至政治决策中，出现群体极化效应。看看美国大选。

经济市场上会出现非理性行为，比如：追涨杀跌。

个人层面会带来拖延症，情绪化决策。

那么我们怎么办？如何解决算力问题呢？

02｜向AI学习

首先我们要明白，算力总有穷尽。

我们核心目标不是解决算力本身，而是如何提升解决问题的能力。

AI的世界给了我们一套答案：

解决问题，不一定靠更聪明，而是靠更好的“三件套”：算法、算力、数据。

1. 算法：不是智商高，而是方法对

算法并不神秘，它本质是“解决问题的一套步骤”。

算法的价值在于提升算力的投产比，在算力不变的情况下，有更好的效率，达成更好效果。

比如前面提到的kano模型，并不让你的智商变高，但可以让你在分析需求上更“聪明”更准确。

在算法维度，我们有三点可以优化的空间：

• 广度：掌握更多算法（模型、框架），以求在面对不同问题上可以有更好的算法覆盖度；尽量解决任何问题的时候都有模型可以运用。

• 深度：对自己的关键领域的模型使用能力足够精深，甚至根据自己的场景，对模型加以优化改造。

• 链接：有足够好的链接意识和能力，时刻想着使用模型（系统2问题，少受系统1（情绪系统）左右），能在大多数场景下使用正确的算法。

巴菲特的合伙人查理芒格式就是采用的这种策略，他拥有上百个框架（算法），对自己关键领域的框架使用的及其熟练。

AI大模型中的混和专家模型（Mixture of Experts，MoE）原理也是类似，将模型划分为多个“专家”子网络动态选择激活的专家，来提升模型容量和性能，同时优化算力需求。

面对一个问题，调用这个问题适合的专家(链接)，专家根据情况进行处理(深度)，需要有更多的专家面对更广阔的问题(广度)，以此来相对节省算力。

2. 算力：绝对算力与相对算力

算力虽有穷尽，但也可以适当提升。

人的算力，有两个维度：绝对算力和相对算力。

绝对算力的提升：主要就是智商的提升。

一方面智商来自于遗传，一方面智商是可以改变的。

遗传与环境影响大约占50%-80%，儿童期的高可塑性，可以提升5-10分。成年期通过持续学习、特定认知训练（记忆、逻辑）、良好生活方式（运动、睡眠）可以保持和小范围提升。

但更重要的是，在解决问题上，智商只占一部分要素。

解决问题的算力提升主要取决于：专业知识、创造力、思维体系、理性。

相对算力的提升：人不是机器，人是吃状态的。所以珍惜自己的优质决策资源，每天做有限关键决策。尤其不要在情绪化和状态不好的时候做决策。

请记住：

算力不是用来“耗”的，是用来“省”的。

3. 数据：人也需要优质训练数据

大模型之所以能成为大模型，除了有好的算法，和强大的算力，很重要的就在于“吃了”足够多足够优质的数据。

大模型的聪明，靠的是“喂进去大量优质数据”+“针对性微调”。

对于我们人类来说，也需要优质的数据：优秀的书、优秀的内容、好的对话。

• 你读的书，是你认知的底座；
• 你对话的对象，是你思维的镜子；
• 你关注的内容，是你大脑的微调数据。

我们需要专业领域内容的输入，建立好的反馈机制来对自己大脑做微调。

小结

单纯提升绝对算力其实是很难的，更多的保持算力不衰减。

提升解决问题的方法是有明确路径的，用好的框架和方法做覆盖，用思维建立场景和框架的链接，通过足够多高质量的数据给自己做微调，通过行业知识输入建立自己的RAG。

我们有些方面不如机器，比如你给机器知识，它是真学。

但我们有些方面却可以超越机器：人可以建立信念。

愿高算力的大家相会在高算力的未来！