补个碎碎念：
昨晚几乎没怎么睡，除了头疼、胃痛还有些感冒发热。顶着头疼想事情有两种体验，一种是剧痛之下集中精力但体验到的是一种虚无，什么都没法想，或者说只能想象脑子在发出一种类似贝壳的空洞的声音。另一种是相对没那么疼的时候开始冒出想法，但想法、脉动、疼痛是同频的，一阵又一阵。后面一种其实还不错，反正睡不着，反正头痛不会消失，能想点儿事也不错。
关于“我觉得”与“实际上”的思考，后面想明白也算是一种求不得苦。缓解的办法能想到的有几种。比如某些目标导向的“我觉得”可以修订成概率导向；比如在预期的时候预留容错(其实可以和前一项合并)；比如把每一次的“实际上”当成新的起点。
对我来说，否定自己的评判出现得有些频繁了，需要有意识地去抑制一下。但“不去想什么”确实比较困难。
﹥
后面刷到了纯银在凌晨发的微博，也在思考AI浪潮下的“效率陷阱”。据我观察，不少“AI提效”的场景都比较符合Jevons悖论。但在AI赋能的语境下，除了“效率提升”外，“质量提升”是容易被人忽视的。
“效率提升”实际上是对已知问题的优化，引发企业成本的削减与人头的缩减。从应用层面看，最常见的就是工作流的提速与自动化。但竞争优势其实不明显，他人很容易在短期内跟随，显得有点“短视”。每次大模型能力的提升后，大家跟随着“头部”，效率差距很快就被抹平。“效率提升”并不一定指向“胜率的提升”，只是一些已知的流程运转更加快而已。从相对速度的角度去看，你变快我也变快，或许等于都没有变快。趋同就会导致平庸。
而“质量提升”是对未知的探索，引发的是模式的重构甚至能带来营收的增长。比如在某个领域实现端到端的转型。因为是模式或者说结构性的变化，这种影响是相对更加长期而且难以迁移复刻的。“质量提升”是很有可能指向“胜率的提升”，但具体怎么做才是“质量提升”可能有些见仁见智。
我自己想到的一方面是多尝试一些不可模拟/复制的东西。如果一个有价值的东西被生产出来后无法被逆向成简单的提示词，那么在AI浪潮下就是“特别珍贵”的。
另一方面是多利用跨领域的能力。有人可能会说AI什么领域似乎都擅长，所以跨领域AI也擅长，对此我不完全认同。大模型输出是基于概率的，问什么领域的事情就输出什么领域的答案，这相对来说是可以预测的。想要得到跨领域的答案首先问题就得先跨领域。如果把每个细分领域都类比成化学物质，大模型训练的时候是缺乏这些物质之间发生反应的公式。去“做实验”的只能是依赖人的“想法”。(或许以后模型训练的思路会覆盖掉人类的这种优势)
我觉得在AI浪潮下，人类的“偏见”与“灵感”或许是“质量提升”的催化剂。