你是否曾经立下宏大的目标，却在实现的过程中感到力不从心？你是否因为无法坚持新年目标而感到沮丧？ 想象一下，如果有一种方法可以轻松实现你的目标，不需要意志力的较量，也不会让你感到沮丧和挫败。听起来像是科幻小说？实际上，这就是”微小步骤”的魔力。科学研究已经证实:只需要通过做出非常小的改变，你有能力改变你的生活。
什么是微小步骤（Microsteps）？
微小步骤是一种行为改变策略，它强调通过极小的、可行的行动来逐步建立新的习惯。最终帮助人们改善生活质量，提高工作效率，并最终实现更大的目标。
微小步骤的核心理念是:通过将改变分解成小到不可能失败的步骤，我们可以克服改变的阻力，逐步建立新的、更健康的习惯。
在人工智能迅速发展的今天，教育领域正面临着前所未有的变革机遇。Salman Khan的新书《勇敢新词：人工智能将如何革新教育》无疑是探讨这一主题的重要之作。那么，为什么这本书如此值得一读呢？
Andrej Karpathy最近在Berkeley的AI Hackathon上发表了一场20分钟的演讲，分享了他对AI发展的独特见解和对未来的展望。以下是演讲的主要观点总结：
15年前，AI还只是几百位学者在研讨会中讨论数学细节，而现在AI的热度已经使得NVIDIA成为美国市值最大的公司。
“我们似乎正在步入一个新的计算范式，这种情况极其罕见。我有种感觉好像回到了80年代刚出现计算机的时候。”Karpathy说。不同的是目前我们所运用的不再是执行字节指令的中央处理器/CPU，而是处理字符串片段的大语言模型/LLM。这种由大模型构成的新型的计算架构，可以将其称为大语言模型操作系统/LLM OS。
引言：最近围绕着到底什么才是Agent/智能体这个话题有很多争议，很认同吴恩达老师提出的“与其争论某个东西是不是智能体（agent），不如讨论其是不是具有智能体特征（agentic）”，或者进一步来说，纯讨论智能体的定义就是浪费时间，不如将时间花在打造出有智能体特征的系统上，真正解决某个问题。
多智能体系统，顾名思义，由多个agent/智能体组成，它们之间能够相互交流、协作，共同完成复杂的任务。这种系统在处理复杂问题时具有明显优势，因为它可以模拟人类组织的分工协作模式，每个智能体能一方面专注于特定任务，另一方面又能相互协同。
来看看一篇最近的论文是如何利用多智能体协作模式来解决文学翻译这一复杂任务的。
这份来自2008年Airbnb的融资商业计划书，虽然只有短短14页，但是个挺好的BP范例，因此为要写BP的朋友们提供了简单的分页解析，希望能有所帮助：
P1: 标题 一句话说明公司做什么 - “与其预订酒店，不如选择当地人的房间”，吸引注意力，激发兴趣。
最近由于重新研究了一下科技公司的长期激励模式，专门针对OpenAI这个特殊案例做了些分析：
总体的点评是：虽然OpenAI的这套公司架构和薪酬激励模式很可能并不适合绝大部分公司，但是依然是个能作为底层思路参考的创新模式案例；
4o的重点是作为一个端到端的原生多模态大模型，所有的输入和输出都由同一个神经网络来处理（不同于例如过往的GPT需要调用另外的语音-文字转换模型来辅助实现语音对话模式）
我印象深刻的亮点是：
原文 - The “it” in AI models is the dataset
我在 OpenAI 工作已近一年。在这段时间里，我训练了大量的生成式模型，数量之多恐怕无人能及。在我花费无数时间观察调整各种模型配置和超参数带来的效果时，有一点让我印象深刻，那就是所有训练过程之间的相似性。
我越来越清楚地认识到，这些模型在以一种令人难以置信的程度逼近它们的训练数据集。这不仅意味着它们学会了什么是狗或猫，还学习到了分布之间那些看似无关紧要的间隙频率，比如人类可能拍摄的照片或经常写下的词语。
作者：Paul Graham
译者：richchat+GPT，部分内容也参考了科技岛读-周钦华的一稿翻译
引言：本文来自硅谷创业教父Paul Graham（YC的创始人）在2023年7月发布的一篇长文博客，我试读过网上好几个不同的翻译版本，感觉都有很多不通顺的地方，同时整体结构上也不利于阅读。去看了英文原文后发现确实原文的行文上就比较灵动，对于习惯看逻辑框架清晰文字的强迫症人士确实是个挑战。由于这篇文章的内容确实很能引发思考，而且隔一段时间重新读一次甚至还会有新的感悟，所以我重新精翻和整理了一轮供大家参考。
