Leo的笔记本

研路炼钢 | 和一位延毕师兄吃了顿饭，他把读研踩过的坑全讲了（四）——比赛到底有没有用篇 接上三篇。这一篇聊的是我自己最受刺激的话题。我花了两年时间在各种竞赛上拼命，拿了好几个奖，一度觉得这就是我在导师不给资源的情况下能走的唯一一条路。直到N师兄给我看了他做的东西。 先说结论：比赛有用，但它不是终局。它更像一张入场券，能帮你被看见、练表达、认识人；但真正决定你能走多远的，还是你能不能做出一个离开比赛也成立的东西。 01｜真正好的项目，不一定需要靠比赛证明 那天下午，N师兄给我看了他之前做的一个仿真系统演示。 我当时的反应就两个字：震惊。 那是一个真正把虚拟世界模拟出来的东西——不是PPT，不是只为答辩准备的 Demo，而是一个可运行的完整系统。背后有长期开发记录、模块迭代和真实交付压力。 看完之后我脑子里第一个念头是：我之前为几个比赛作品沾沾自喜，现在看起来还是太轻了。 N师兄跟我说了一句话，大意是：真正有明确需求方、真实交付场景的项目，不一定需要靠比赛证明价值。客户看的是能不能解决问题，不是奖状有几张。 02｜有些比赛的问题：验证场景太轻 说实话，这句话刺痛了我。 因为...

研路炼钢 | 和一位延毕师兄吃了顿饭，他把读研踩过的坑全讲了（三）——AI到底能干什么篇 接上两篇。吃饭聊到最后，我和N师兄聊到了AI。我们俩都是高强度AI用户，都花了真金白银买会员。但聊完之后我发现，我们对AI的判断出奇地一致——好用，但没那么神。 如果只用一句话概括：AI 最适合帮你加速确定性任务，不适合替你承担不确定性决策。 这个边界一旦想清楚，很多焦虑会少一半。 01｜我的AI全家桶 先交代一下我自己的使用情况。 我现在同时在用Claude、ChatGPT、Kimi，全部付费开了会员。GitHub Copilot也在用。国内的几个模型也都试过。 为什么花这么多钱？因为它是生产力。 我的判断标准很简单：它能不能帮我转化出我要的结果。花一块钱做出小学生水平的东西，不值；花一万块做出博士水平的东西，值。这不是钱多钱少的问题，是效率和结果的问题。 N师兄也认同这个判断：”你花了钱，提升了效率，获得了结果，就完事了。” 说实话，有一天AI平台宕机了，我坐在电脑前都不知道该干嘛。不夸张。 02｜AI 最适合接管哪类编程任务 这是我们聊得最深的一个话题。 他做了快两年的商业项目...

研路炼钢 | 和一位延毕师兄吃了顿饭，他把读研路上的体会全讲了（二）——研究生创业篇 接上篇。N师兄不仅延毕了一年，还在研二的时候注册了公司，做了一款游戏，已经上线。听他讲创业的过程，我才意识到——做事和做生意之间，隔着一整套不一样的认知体系。 这篇同样只保留对我有启发的部分。涉及具体公司、股权和个人身份的细节，没有必要展开到可识别程度。真正值得写的是：一个研究生从”我能做东西”走到”我要对产品和商业负责”，中间到底差了什么。 01｜”我一开始没想着要创业” N师兄说他并不是从一开始就计划开公司的。 “是机缘巧合碰到了几个朋友，大家都有想法。先把事情做起来，后面才慢慢变成公司。” 他的合伙人有游戏行业和产品经验，也有资源和资金。最初对方是想把他招进去做正式员工。但N师兄想了想—— “不如自己先拼一把。先把事情做起来，做起来之后再谈合作的形式。” 后来几个人成了合伙人。具体比例不重要，重要的是他们把权责先说清楚：谁出钱，谁拍板，谁负责技术和产品，谁负责策划和内容。产品后来也确实上线了。 这件事给我的第一个提醒是：合伙不是”大家关系好，所以一起干”。合伙是先把钱、权、责、风险说...

研路炼钢 | 和一位延毕师兄吃了顿饭，他把读研踩过的坑全讲了（一）——导师关系篇 前两天和一位即将毕业的师兄吃饭，聊了整整一个小时。他讲了自己读研期间和导师、项目、论文之间的几段经历。里面有很多具体细节，我不适合也没必要展开到可识别的程度。这里更想记录的是：一个研究生在资源、署名、沟通和边界上踩过的坑。 先说清楚边界：这是一段个人口述和我的个人理解，不代表所有导师，也不代表所有课题组。读研关系高度依赖具体人和具体环境，不能拿一个案例去推导全部结论。 01｜”我是奔着产学研合作来的，不是来当执行工具的” N师兄本科就做过大量商业项目，来读研的时候，心里想的是和导师建立一种合作伙伴关系。 “我不喜欢那种模式——老师拍脑门说’这个好像可以做’，然后你去做完来找他汇报。我喜欢的是大家一起去做一件事。” 他甚至直接说：”我很讨厌向人汇报事情。因为以前都是我听别人汇报的。” 这话听着有点冲，但放在他的经历里，我能理解。他入组之后参与了一个新方向的系统搭建，很多技术细节都是自己一点点摸出来的。问题在于—— 他遇到技术难题去找导师，导师说：”我不会，你自己做。” N师兄当时跟我说了一句让我...

AI时代，你的带宽够用吗？ 读吴军《格局》有感 前几天重读吴军老师的《格局》，有一段话把我锤醒了。 他说，一个人的成就，不取决于他做了多少事，而取决于他在最重要的事上投入了多少。听起来是老生常谈对吧？但他接着用了一个很工程化的比喻——带宽。 你的注意力就像一条网线，总带宽是固定的。你同时开10个视频，每个都在缓冲；你只开1个，4K高清流畅播放。 这个比喻让我一下子想到了自己。 我的”高并发崩溃”说来惭愧，作为一个学计算机的研究生，我对”并发”这个概念再熟悉不过了。多线程处理、异步调度、负载均衡——这些我都能给你讲得头头是道。 但轮到管理自己的时候，我却一直在犯最低级的错误：无限制地开线程。 论文要写、比赛要打、小程序要改、公众号要更、论文要读、博客要搭、Claude Code要学、还有每天的散步打卡和喝水任务……有一天晚上我躺在床上，数了一下手头在推进的事情，两只手数不过来。 结果呢？每件事都在”进行中”，每件事都没有”已完成”。 吴军老师在书里说：做事的多少不取决于你想做多少，而取决于你的带宽能承载多少。 超出带宽的部分，不是在推进，是在制造焦虑。 这句话我读了三遍。...

我发现一个现象：很多人用AI用得很勤，每天和大模型聊几十轮，生成PPT、写文案、做总结，但聊完就关了，什么都没留下。 Token花了，结果没攒下来。 最近和朋友聊了一整晚，从AI工具怎么用，聊到怎么靠AI建立自己的长期壁垒。聊完之后我越来越确信一件事： 在AI时代，最值钱的不是你会用什么工具，而是你积累了多少数字资产。 01 AI最大的价值，不是帮你干活 很多人对AI的理解停留在”效率工具”——帮我写个文案、做个PPT、总结个文档。 这些当然有用，但这只是AI价值的表层。 我朋友说了一句话让我印象很深：”你脑子里想法很多的时候，就去跟大模型对话。不用管它回答得对不对，聊完你就知道自己想要什么了。” 这其实是AI的一个隐藏功能：它是一面镜子，帮你把模糊的想法变成清晰的结构。 我自己也有这个习惯。很多时候不是真的要AI给我答案，而是在对话过程中，我的思路自己就理清了。AI做了什么？它只是逼着你把想法说出来、写下来、结构化。 学习也是同样的道理。我之前让Claude读完一整份专业文档，分析重点，然后出题给我做。出题、做题、出题、做题，循环下来，效率比自己啃书快了好几倍。 但关键不是...

研二下学期，我突然意识到自己在干一件很蠢的事。 我的 AI 工具全家桶 我手上有多少个 AI 工具？数一下：Claude Code、Kimi Code、Qwen Code、Codex、OpenClaw、MiniMax——光命令行工具就六个。再加上各种 API key：Anthropic、智谱、豪卓云、MiniMax……每个月订阅费加起来不是小数目。 每出一个新工具，我第一时间注册、配置环境、跑通 demo、写个使用心得、发个朋友圈。 然后呢？ 然后就没有然后了。 我的论文还是那个论文，草稿还是那个草稿，该画的图一张没画完。 我以为我在提效，其实我在逛街 回过头看，我使用 AI 的方式，本质上跟逛淘宝没有区别。 逛淘宝的人觉得自己在”挑选最好的商品”，实际上大部分时间花在了浏览、比较、加购物车上，最后真正需要的东西可能一件都没买。 我也是。我觉得自己在”寻找最高效的工具”，实际上大部分时间花在了安装、配置、测评、切换上，最后真正用工具完成的成果可能一个都没有。 更讽刺的是，我还专门写了一篇公众号文章来对比这六个工具的优劣——那篇文章本身花了三个小时。三个小时，够我把论文结论...

今天读了OpenAI的经典论文《Scaling Laws for Neural Language Models》。 读完第一反应是：就这？跑了一堆实验，拟合了几条幂律曲线，也没什么高级的数学推导，凭什么成为大模型领域的奠基之作？ 但仔细想想，这篇论文的经典之处恰恰在于——它用一个简单的规律，改变了整个AI行业的方向。 论文到底说了什么？ 一句话概括： 语言模型的性能，与模型规模、数据量、计算量呈幂律关系。规模越大，效果越好，而且是可以预测的。 三个核心公式： 关系 公式 意思 参数规模 L(N) ∝ N^-0.076 参数翻倍，损失降5% 数据规模 L(D) ∝ D^-0.095 数据翻倍，损失降6.6% 计算预算 L(C) ∝ C^-0.050 计算翻倍，损失降3.4% 看起来很朴素对吧？但就是这些简单的幂律关系，回答了一个所有人都想知道的问题： “扩大规模到底值不值？” 在这篇论文之前，没人敢确定。在这篇论文之后，整个行业开始疯狂卷规模——GPT-3、GPT-4、LLaMA、PaLM……所有大模型的训练策略，都直接或间接基于这篇论文的发现。 ...

最近和一个朋友聊了很久，关于AI技能怎么变现的问题。 他在一家公司做技术，我在学校搞研究，两个人的视角不一样，但聊到最后得出了一个共同的结论： 大部分人搞反了方向。 01 一个很朴素的商业逻辑 我朋友提了一个链条： 你有一项技能 → 把它写进代码和Prompt里 → 封装成一个应用 → 用户订阅你的服务，按年付费。 听起来很完美，对吧？ 传统SaaS是”你付钱用我的软件，但活还是你自己干”。AI时代的SaaS进化了——“你付钱，活直接给你干完”。 他举了个例子：以前做财务系统，用户付了钱还得自己登录、勾选、确认，操作一大堆。现在呢？理论上用户付完钱，AI把活全干了，用户甚至不需要打开软件。 这就是AI带来的质变。 但问题来了——这条链路上最难的环节是什么？ 不是写代码，不是调Prompt，不是封装应用。 是找到愿意付钱的人。 02 豆浆鸡蛋的困境 我跟他说了一个比喻：你发现人人都吃早餐，于是你做了豆浆鸡蛋。但人人都吃早餐，不代表人人都会买你的豆浆。 Skill变现难，本质上不是技术问题，是分发问题。 第一，需求太分散。 我自己写了不少Skill，比如一套公众号配图+小红...

少烧 token，多出 completion 研二的某个周六，我坐在电脑前画论文的架构图，不到一个小时就累得不行。不是身体累，是脑子被掏空了。图也没画好。 我开始反思一个问题：为什么我明明一直在努力，却总感觉什么都没做成？ 我的”多线程”人生 我的桌面永远开着十几个软件。浏览器永远有三四十个标签页。微信、论文PDF、代码编辑器、公众号后台、抖音——全都同时开着，好像它们同时跑着我就在同时进步。 我跟 Claude 聊起这个习惯，它说了一句让我沉默了几秒的话： 不是你的电脑扛不住，是你的注意力扛不住。 仔细一想，确实是这样。我的 CPU 看着没满载，但上下文切换的开销已经把我拖垮了。每切换一次任务，大脑就要重新加载一遍上下文——论文写到哪了？代码跑到哪步了？那个表格填了没？这些隐性消耗，比任何一个任务本身都耗能。 “什么都培养了，就等于什么都没有培养” 这是我跟 AI 聊到一半时脱口而出的一句话。说完之后自己愣了一下——因为我知道，这句话精准地戳中了我的核心问题。 我不是不知道要专注。我是怕停下来。 同时推进五件事，会给我一种”我很高效”的错觉。而只做一件事的时候，会有一种隐...