@Zien 嗯，所以 ai 到底是個工具而已，只是這個工具不光能幹活，還能補充知識儲備，完全跨領域的，的確迷茫。比如我完全不知道寵物醫院的專業性，後來瞭解默沙東獸醫手冊，家裏的寵物再去看病就心裏有譜了。從小白立刻到專家這種絕對是不可能的，但消除一定差距的確是當前的趨勢。AGI 未來能夠實現，那麽基本上就真的不需要自己親歷親爲了。

@yibo2018 很同意，現在更多的是在工具鏈整合上下功夫，定制更智能化的工作流。比如 Viggle + Noiz + Vozo 完成一個 vtuber 的宣傳視頻。對於大部分自媒體人來説，是完全不知道裏面的原理的，只是工作流的預設拿來就復用了。修修改改，直接能生產級別了。ai 太方便了。

以前要完成這些工作，非編工作者打 keyframe 都要按月來出產。周期縮短的不切實際。完全顛覆之前的工作方式。

@Lemonadeccc 不至于，那太庞大了。只掌握一些基础而已。
https://im.gurl.eu.org/file/AgACAgEAAxkDAAEBNT1oTlqKkTCtsfyOIKfKlgkeMpasDgACZ7IxG5mncUZ7zcqgbFZn_wEAAwIAA3cAAzYE.png
基本不花什么时间。没有 ai 辅助的话，我估计 ansible 和 terraform 都不会在学习列表内。k8s 是必须的，但不至于自建。我主要用 scaleway 的 k8s 。

@murmur 编曲的确很难，比作曲都难，一般万能和旋+鼻哼，我还能随便搞点 demo 出来，一旦上强度，需要扎实的乐理知识。特别当下音乐风格千千万，加点 rap 都是常态了。乐器也不局限于传统的，还有电音的，当年光收集 vsti ，就有好几个 tb 。我 kontakt 还有正版^^;
我特别崇拜梶浦由記，特地研究教堂技法，这些作为一个编曲来说，扒带，分析乐句是常态。
个人觉得音乐这块，编曲就是王者，作曲是个音大生，一般都会，即兴啥的是基操。但不是所有人都有编曲的天赋的，这个不光是阅历（听歌无数），而且还得有敏锐的洞察力，当然，吃 daw 这个饭的，都有万能公式的。

@netjacky 太多了，这等于让 op 主全栈了。他主要是 mastering 吧，也就是母带处理的环节。
硬件不多说，监听耳机就行了，或者来个白盆。去年刚把 hs7 卖了。
其他的把 waves 系列学一下就行了。daw 一般用 cubase ，我不太用，习惯 live ，用什么 daw 按自己喜好，没啥太大差别。

主要就是 eq ，要保障一下乐器和人声的中底高分布，避免细节缺失。
找一本 mastering 的书看一下就好了，或者 youtb 上也有很多教程。我喜欢 live 的另一个原因就是官方就提供很多教程。

mastering 对创作方面要求很低，主要是符合输出规范，技术性的。

声学知识要有一点，完全没有也没关系，干中学就性了。各种 vst 会让你了解到基础知识的。

@z7356995 谷歌裁了大部分的中级程序员，仅保留高精尖的人才。但这些中级程序员不管换到哪个 startup 都是 cto 般的存在，所以反推一下，ai 不能解决的问题，大部分都是技术革新本身，而不是竞品的开发，我们大部分人还是 copy 或者二开的范畴，很多东西都是市面上已经存在的，或者是融合怪的产品，并不具备技术革新的属性，所以对于大部分程序员来说，解决实际问题为主，而非理论研究以及规范的制定，AI 当前充当一个中级程序员的角色是当前的趋势，未来可能向更高级发展。

@renmu 离开 ai 干不了任何事情，这是肯定的。但历史不会回滚，只会越来越依赖 ai 。的确，不知道原理，可能多少有点架空的意思，往后也许我只是个提示词达人，对技术本身并没有多深入，甚至技术我都摸不到，完全通过 ai 的中间件操作底层逻辑。
这对技术发展没啥贡献，但对降低解决问题的门槛和提高效率有显著的作用。

@renmu 是的，ai 给人最大的感受就是，你的提问决定 ai 的质量。
提问得基于你对需求的确定性，以及对技术的可行性了解。
所以一般不了解的技术栈，先让 ai 明确是否能解决我的需求，其次就是对沉默成本进行对比，如果有多个 iac 的话，也就是第一步，选型。
然后就是找个入门文章或视频，掌握工作流程，5%的知识需要自己完整掌握的，这是唯一需要大脑记忆的。
第三步就是文档扫一遍，了解即可，为询问 ai 做知识储备。

然后就可以开干了。简单的工具，比如配置定义基于 json 或者 yaml 的，基本按照这个方式大体都能解决，ai 解决需求的关键就在于将需求细分。

但不得不说，ai 降低内卷难度，却增加了内卷的广度。对于 startup 来说，ai 辅助，ai first ，这些已经超过 cto ，成了必须品。再也不单一依赖某个大佬了。

重生之我在 xxx 系列吗？
意识基于大脑，最好的证明就是随着年龄的增长，灰质减少，白质提花，突触和神经递质也在减少。这些载体的消亡，导致意识无法完整保留。所以就算 copy 了这些数据，只是做了一个 status freeze ，就等于 fork 了一下，没有任何意义，当主分支被 block 或者 destroy 了，无数的 fork 到底也不是你自己，因为 github id 改变了。
所以保存当前 status 并没有意义，而是要形成意识之前做载体转移，或者说压根不需要转移，直接让机械生成意识，这样人类就永生了。

我赞同 ai 后时代就是人类灭亡，机械取代人类永生。

正好关注了下 AGI 进展，可能楼主才是对的。
现在 AI 发展迅速，根本没人关心大模型怎么调试，什么原理，而是关心哪个应用好用。大模型其实有一个好用就够了。围绕其展开应用，提升人类整体的工作效率，甚至解放劳动，才是全人类追求的。（不管愿不愿意，内卷就是一种追求更高效率的方式，这种追求也可以理解为被动）

就和当年我挖矿，还在搞集群设计，优化存储，降低延迟方面做努力时，资本家直接把机房给收购了，简单粗暴单机独立运行。抢占先机，挖更多的币才是关键。谁管背后的运行原理以及调优的辛苦。dp 也不过是能让大部分人低成本使用，但多少人部署 dp 是为了解决应用层的问题呢？还不是依托自己的硬件优势（本来就是开 idc 的）提供着 chat 型的 ai 呢。这都已经转向 agent 型了，大部分人还在研究大模型调优。

到底谁在固步自封不求上进呢。留一部分天才去弄大模型，大部分人还是要以应用层为中心去发展 ai 的。

一两个人说你配还是不配，不应该左右你的想法，你如果是心智健全的人，就应该明白，我们无法做到让所有人都喜欢。坚持做自己就行了，只需要保持一颗谦虚的心，懂得包容敌对势力，别人说什么话不重要，重要的是他说这话的理由是什么？依据是什么？以及他的阵营是什么？

模型研发和场景落地本来就不存在价值之争。

模型层也不是天选之人，fork 一份，半路出家，即便没看过很多论文，没接触过 api 调优以外的技术细节，干中学，涂涂改改，也能跌跌撞撞出来一个纵深市场。

应用层就相当于千万网红驻扎在 tk ，没有 tk 这个平台，网红也只能扫大街，只能说赶上好时代，除了 tk 还有其他平台，就有认为网红反向供给了平台。

在自己价值评价体系中，人总会去攻击他未曾涉足的领域。如果不懂数学和英语就不能学编程，那么在座的很多半路出家的 coder 都得失业。

但换句话说，AI 只是工具，解决问题的确比研究如何造车更能出成果。但这些人必须不断的解决问题，一旦 api 更换了规则，他们也只能适应。所以到底孰优孰劣，仁者见仁智者见智。

但可以肯定的是，模型层难度比应用层大太多了，类似后端可以吃老本，前端得学一辈子一样的局面。

op 主可以反问质疑者：
"你训练的模型，日均能服务多少真实用户？"

你说的不就是 AGI 吗？

@maximdx 最近对 win 还是 mac ，已经没太多纠结了。主要原因是大部分应用我已经基于浏览器。或者说给个 chromeos flex 都行。续航，轻便，的确是 win 的弱项。所以与其淘汰 win ，还不如说是 linux 系或者 arm 系里哪些系统能做到更轻便，续航更好，显然 mac 现在还是第一阶梯的。
现在除了专业软件，需要用电脑，比如 blender 等，往后都是云端服务后，几乎就没什么软件需要依赖操作系统了。生态统一为移动终端。最终可能是 ios 和 android 的天下。电脑端现在唯一能挣扎的也就剩下专业软件这个赛道了。

本地部署有一定的应用窄度，比如医疗，律师领域等，其次 AGI 的发展，也需要各个企业对模型进行差异化定制。所以本地部署和一般开发者的关系并不大。我个人觉得本地部署，应该是大厂或者说是资本家，以及国家层面的行为。

@jiangbingo 现在从 chat 型转为 agent 型，本地部署的意义就更小了。更多的精力会投放在多步骤的自动化流程上，而非模型本身部署训练上。因为中小型企业是无法负担这部分开支的，api 调用是最完美的开发环境。
本地部署，主要指生产环境，开销太大，基本都是 api 调用，而且现在模型竞争激烈，开源的也就 dp 等。如果接入 gpt 或者 gemini ，你一样需要 api 调用，也无法自主性，而且维护成本高。
只有上了规模的，才有考虑本地部署的价值，也只是考虑。
至少现在我看到的应用，排除大厂，几乎都是 agent 。调用的几乎都是 api 。而且更换 api 接口更灵活。
学会本地部署，提供给其他开发者，举个不恰当的例子，比如黄图，涉政等，本身投放的市场就有限。也没有必要。

第一 mapify 是 xmind 收购的，人家上架半年，就被 xmind 收购了。不是 xmind 的产品，后期他们整合到 xmind 也需要 1 年以上时间。
第二，mapify 是一个 ai agent ，现在有大量的 ai agent 应用出现。这并不是什么特别的话题，这东西你也可以实现。

这问题意义看似不大，实则一点没有，玩笑话，调侃了。回正题。
op 主担心的是，在不知道原理的情况下，我们会成为 AI 的组装工人。也就是最终会成为真正不带引号的码农。
因为不知道原理，只知道这么做可以 run 起来。其实问题并不大。大部分业务都是结果导向。如果不能 run 了，我们会找其他方法实现。直到大家都 run 不起来，才会去研究背后的原理。而对原理的研究，需要逆向学习知识结构，但凡 IQ120 正常人，不太可能看不懂，只是需要时间和精力消化。这对于当前的方法实现被广泛验证（ AI 也是基于已有数据进行输出的，所以和人为验证没太大区别）不需要自己复现是一个道理。没必要当论文来看待运行原理。直接用就行了。个人意见仅供参考。

主要是能自动化进行识别，特别是套壳这块，自动抓包看转发的 api 理论上也是可行的。

解决了，直接刷 xaa 就不会报错了，但代价是没有 5g 。