重新看了一下这篇关于英伟达的管理风格的内容，感觉其中部分的思路虽然和传统管理方式相左，但确实能理解背后隐含的逻辑。或者说管理可能就是没有“定式”，还是要匹配公司具体情况。

英伟达 (Nvidia) CEO 黄仁勋的独特管理方式：

40个直接下属，无一对一会谈

- 他认为最扁平化的组织结构最能赋予员工权力，这一理念从最高层开始贯彻；

- 不举行一对一会谈，所有事情都在团队环境中讨论；

- 非常重视持续学习，紧跟行业最新趋势和创新。为此，他的一个方法是与那些知识渊博、愿意分享专业见解的人密切交流；

译者按：硅谷创业教父Paul Graham的最新essay精翻，后续计划做个系列。这篇依然是推荐高中生/大学生或者是相关家长们都可以看看，尤其孩子本身就对创业感兴趣的（也可以同时参考之前发过的另外一篇“如果早知道这些就好了！硅谷风投教父Paul Graham给高中生们的建议”）。

(这是我给 14 - 15 岁的学生们做的演讲，主题是如果他们将来想创业，现在应该做些什么。许多学校认为他们应该告诉学生一些关于创业的事情。以下是我认为他们应该告诉学生的内容。)

创业：避免朝九晚五的另一条路

你们中的大多数人可能认为，当你们进入所谓的“现实世界”时，最终必须找份工作。但事实并非如此，今天我要分享一个让你避免找工作的秘诀。

这个秘诀就是创办自己的公司。当然，这并不意味着你可以逃避工作，因为创办自己的公司通常会比打工更加辛苦。但你可以避免打工带来的许多烦恼，包括老板对你的指手画脚。

做自己的项目比为别人打工更令人兴奋。而且，如果成功，你也能赚到更多的钱。事实上，这是成为超级富豪的标准途径。看看媒体不时发布的富豪榜就会发现，他们几乎都是通过创办自己的公司实现财富积累的。

生成式AI在2023年以惊人的速度席卷了消费者市场，创下了超过十亿美元的消费支出记录。展望 2024 年，我们预计企业领域的收入潜力将会数倍增长。

去年，消费者们热衷于与AI情感陪伴机器人交流，或是利用diffusion模型来创作图像和视频，而企业对生成式AI的应用似乎还停留在一些显而易见的场景，以及推出一些简单的“GPT套壳”产品。一些悲观者质疑生成式 AI 是否真的能够在企业中大规模应用。我们是不是只能局限在那几个用例中？这些初创公司真的能盈利吗？这一切会不会只是炒作？

在过去几个月里，我们与众多财富500强和顶尖企业的领导者进行了对话，调查了70多家企业，以了解他们如何使用、采购和为生成式 AI 制定预算。我们惊讶地发现，在过去六个月里，这些领导者对生成式 AI 的资源投入和态度发生了巨大变化。尽管他们对部署生成式 AI 仍持谨慎态度，但他们的预算几乎翻了三倍，用例数量也在增加，更多的实验性工作负载开始转向生产环境。

对于创业者来说，这是一个巨大的机遇。我们认为，那些能够围绕企业以 AI 为中心的战略需求进行构建，并预见到潜在挑战的 AI 初创公司，以及那些从侧重服务的模式转向开发可扩展产品的公司，将能够抓住这一波新的投资浪潮，占据显著的市场份额。

如果你浏览各种提示语/prompt，你会注意到它们在风格和方式上各不相同，而不是固守某一个特定模板。要理解这背后的原因，我想先问你一个问题：要怎样才能最有效地引导Meta的开源Llama 2准确完成数学题呢？请你花点时间猜一猜。

不管你怎么猜，我可以很有信心地告诉你答案是错的。正确的答案居然是 - 根据你想让AI解答的数学题数量，你需要假装成正在《星际迷航》的剧集里或者是在一部政治惊悚片中…

我由于一直在密切跟进大模型领域的发展，因此每次看到有新的大模型发布号称“超越GPT4”的时候都会去试一下，但是基本都是以失望告终（包括寄予了厚望的Gemini Ultra） - 直到使用了上周的Claude 3 Opus。虽然依然不能说Opus全面超越GPT4，但是从个人的实际试用上发现确实在不少方面体现了不弱于甚至超过GPT4的智商。

那么，我们能如何更好地使用Claude 3呢？Anthropic编写了一本非常详尽的Prompt操作指南（依然，我查了一下目前网上现有的少量翻译，感觉质量还不够高，因此重新翻译整理了下面的内容）。如果你仍旧采用与GPT4相同的prompt技巧，那么你可能还没能充分发挥Claude3的全部潜力！

译者按：这是一篇硅谷创业教父Paul Graham在2005年的好文，名字叫做“What you’ll wish you’d known - 有什么是你会希望在年轻的时候就知道的事情“？是他原本计划在一个高中毕业典礼上使用的演讲稿，内容还是挺不错的，推荐高中生/大学生或者是相关家长们都可以看看（想看英文原版的也可以点击这里）。

我查了一些网上现有的翻译感觉质量都还不太行，所以就重新翻译了一次，并且将原来附在末尾的一些批注也整合到了正文中。尤其是在“保持上风位/Stay Upwind”这段给年轻人建议应该如何选择未来发展方向的话是个人印象最深刻的，确实属于只有过来人才能给能给出的建言。我将其总结如下：

interviewing.io是一家专门提供在线模拟技术面试的网站，他们最近做了一个有趣的研究 - 面试者使用ChatGPT的话，是否能在面试中获得更好成绩？以及是否会被面试官轻松发现？

先说结论：

• 根据测试结果，能熟练使用ChatGPT的面试者确实在技术面试中会取得更好成绩，而且几乎很难被面试官发现；
• 这里引发的思考是：大家在做研发招聘的时候的面试题要考虑更新一轮了，而不能像过往一样直接从LeetCode中取现成的问题；
  阅读全文 »

由于自己最近在HR这个领域上做了更多的一些工作和思考，推荐一下本文，内容翻译+整理自一家名为Contrarian Thinking（逆向思维）的市场营销初创公司负责人的发帖，觉得写得还不错。我印象比较深刻的是：

1、建立一套符合自己公司特色的通用面试评价体系（或者至少在HR面的时候的通用体系）+ 高质量的面试问题库；

2、一定要重视招聘工作，用类似市场营销增长漏斗的模式来不断吸引优秀面试者（例如岗位描述如何更有吸引力来增加前端引流？过往创业者们会对自己的市场营销团队做严格的漏斗考核，为什么在更重要的人才招募上不也同样精益求精？）

最出色的创业者在一件事情上表现出色…

那就是招聘。

这听起来很简单，其实远不止于此。

在如今这个快速发展的AI时代，大语言模型（LLM）的研究论文数量呈指数级增长，几乎到了人力无法一一阅读和消化的地步。然而，对这些研究成果的归纳和总结至关重要，因为它们描绘了LLM领域的未来发展轮廓。在近期的LLM研究中，有三个趋势尤为引人注目：

合成训练数据：

利用LLM生成它们自己的训练数据一直是一个热门话题。目前这个话题在AI研究界引发了极大的关注，一些重点研究如下：

随着人工智能技术的进步，智能聊天机器人已经成为许多企业提供客户服务的有力工具。然而，一家位于加州的雪佛兰车行的近期经历却揭示了一个错误使用这些看似智能的AI的鲜活案例。