卷首语 AI 的热潮已经持续了近两年，AI 发展得很快，也让我产生了很多焦虑。面对每天铺天盖地的信息，总感觉错过了什么，尤其是在开始写周刊之后，需要阅读和关注更多的信息，这种焦虑和害怕错过的感觉也越来越严重了
ping++ CEO 金亦冶每年都会发布一篇当年“胡思乱想”的集合，本周周刊标题就来自 2023 年的“胡思乱想”
我们常常会对未来或遥远的地方抱有好奇或担忧，但这种关注可能会分散我们的注意力，让我们忽视了当下的重要性。我们总是追求“海的那一边”，却忘记了当前的“这片海”
所以即使远方充满了诱惑和未知，也只有踏实地走好每一步，才能真正接近自己的目标
Prompt: As the sun dips below the horizon, a solitary sailboat is captured in a perfect moment of tranquillity. The water is so still it mirrors the sky, blurring the line between sea and air. Pastel shades of orange, pink, and blue paint an ethereal scene, while the sailboat's gentle passage sends delicate ripples across the water's surface. This peaceful image evokes a sense of solitude and contemplation, inviting the viewer to imagine themselves gliding effortlessly through the serene expanse.
内容推荐 【产品】Unix 设计哲学
哲学一：一个应用只关注一个目标，并且将它做到最好
按照 Unix 哲学，什么都做的应用，就是什么都做不好的应用 与其追求「大而全」，不如关注「小而美」，专注一个核心目标，并且努力做到极致 哲学二：组合大于单干
Unix 哲学是「面向实现」的哲学，首先承认每个应用都是有“弱点”的，所以需要组合完成任务 通过结合每个应用的长处，能够发挥出 1 + 1 > 2 的效果 每个参与组合的应用都可以替换，避免了集中的“系统性风险” 哲学三：一切皆文件
Unix 认为「文件」是一种信息输入输出的高度抽象 ，可以把一个文档，一个程序，甚至一条内存，一个显示器都看成同一类东西 基于统一的文件，我们可以设计统一的对接格式，从而更好地实现“组合大于单干”的协作效果 相关链接
【案例】渐入佳境：斜杠程序员的数字游民转型之旅 吉光卡片 的作者张小吉成为数字游民的过程分享，半年的时间里，他能够开发出三个产生收益的产品，确实非常厉害。下面是对我有启发的一些经验
提前设计好商业模式 ：张小吉最初开发 Table To Figma 时并未考虑商业化，但随着用户需求的增加，再设计商业模式的时候已经浪费了几个月的时间有付费意愿的用户不会在乎是不是收费，在乎的是能不能解决他的问题 所以从第一个版本就考虑付费模式，避免后期突然收费带来的用户反感 只要产品能够满足一定用户群的需求，并且他们愿意为这些服务 / 产品支付 ROI 为正的费用，这样的商业模式才是健康可持续的 收集用户需求 ，而不是只靠直觉 / 想法开发 Table To Figma 的时候，全是凭直觉行事，最初的目的只是为了方便公司的同事快速作图。但在后续和用户的沟通中，才发现多数用户需要的，只是生成简单表格的功能 在开发吉光卡片的时候，提前使用 figma 设计出效果图，获取到首批潜在用户，然后针对潜在用户的核心痛点进行设计和开发 build in public ：边开发边运营在社交媒体更新产品的进度、对产品的构思、经验教训等等，能够获取用户的即时反馈，确保正在开发的产品真正满足用户需求 build in public 的另一个好处是：可以扩大自己的影响力，吸引潜在用户，在开发下一个产品的时候，为产品带来早期裂变流量 顺势而为 ：大平台、大趋势选择处于上升期的平台或市场进行产品开发，利用平台的增长趋势获得优势 张小吉选择的 Figma 平台和苹果生态，都是具有较高的用户付费意愿和能力的平台 原文链接
【知识管理】从目标到工具再到方法，十年产品人的知识管理体系 我的知识管理启蒙文章，来自少楠在创建 flomo 时的思考，即使过去了四年，这些思考依旧对我有很大的启发
在知识管理之前，先设定你的母题
「知识管理」只是一种手段，而不是目的。如果你本身没有需要解决的问题（或者说专注研究的领域），那么知识管理只是个伪命题 所以我们需要管理的不是知识，而是自己的精力和想要了解的问题 。与其关注各种知识管理的工具，不如多问自己要解决的核心问题是什么 任何时候都应该自己给自己设定一些需要解决的问题，而不是机械地执行别人安排的任务，才能不断地提升思考的能力 输入要简单，方便积累
工作之后我们很少能够像在学校的时候有大块的时间学习 所以我们必须学会更好地利用碎片时间来学习，积累一个又一个的知识卡片，然后再找到整块的时间，将其整理成更完整的体系 但其实很多时候我们不是没有时间整理，而是没有积累足够的东西，值得被整理 所以记录要足够简单、方便，同时还需要让自己养成随时记录的习惯 输出目的是为了自己，无关文笔
输出的目的是为了做思维的「刻意练习」 ，而在「刻意练习」中，完成比完美重要 在不断地练习中，获得高质量的反馈也非常重要，最好能够发布到公开的地方，找到自己的观众 开始建立自己的体系的时候，你才真正开始掌握这些知识。不要试图一次搭建一个完美的框架，许多结构都是随着自己的认知慢慢长出来的 原文链接
【观点】如何在人工智能领域建立你的职业生涯 吴恩达曾经是谷歌大脑（Google Brain）项目的创始人之一，也曾是 Coursera 的联合创始人，在 AI 领域的影响力非常大，最近他发布的一本小册子《How to Build a Career in AI》，我摘录了其中关于学习和建立项目对我有启发的部分
小册的整体大纲：职业发展的三个关键步骤是学习基本技能、从事项目（加深你的技能、建立投资组合和创造影响力）和找工作（学习基础知识 -> 通过项目不断练习 -> 找到目标工作）
关于学习
在 AI 领域发展需要掌握的核心知识基本的机器学习技能：例如，理解线性回归、逻辑回归、神经网络、决策树、聚类和异常检测等模型，机器学习如何工作以及为什么工作的核心概念，例如偏差、方差、成本函数、正则化、优化算法和误差分析 深度学习：了解神经网络的基础知识、使它们工作的实用技能（例如超参数调整）、卷积网络、序列模型和变压器 机器学习相关的数学知识：线性代数（向量、矩阵及其各种操作）以及概率和统计（包括离散和连续概率、标准概率分布、独立性和贝叶斯规则等基本规则以及假设检验） 软件开发：编程基础知识、数据结构（尤其是与机器学习相关的数据结构，如数据帧）、算法（包括与数据库和数据操作相关的算法）、软件设计、熟悉 Python 以及熟悉 TensorFlow 或 PyTorch 等关键库和 scikit-learn 学习最好的方式还是好奇心驱动的学习 。如果你对某样东西感兴趣，那就去学习吧，不管它有多有用！这也许这会带来创造性的火花或技术突破 关于项目
如何找到合适的 AI 应用项目识别需要解决的问题 头脑风暴能够使用 AI 的解决方案 评估潜在解决方案的可行性和价值 设计完成项目的里程碑节点 确认完成项目需要的资源（数据、⼈员、时间等等） 如果还没有项目想法，可以从这几个角度思考申请加入正在进行的优秀项目 不断阅读、和其他人交流，不断思考和总结 专注自己感兴趣的领域 如果已经有了几个项目的想法，可以从以下几个角度来帮助自己选择最合适的项目这个项⽬会帮助你在技术上成⻓吗？ 这个项目能不能认识优秀的人？ 这个项目如果成功，里面用到的技术或者业务，能不能成为未来更复杂项目的垫脚石？ 相关链接
工具推荐 有点意思 Boss as a Service ：花钱买“老板”的网站，个人感觉这可能是“拖延症晚期患者”最有效的方式了你需要把你想要完成的事项量化出来（比如“我这个月要写 10 篇文章”） 还需要你不定期的向老板更新截图等证据，证明自己完成了量化的任务（这就是为什么要量化，这样老板才能从你的截图中确保你的任务进度） 如果你没有完成，老板就会不停地催你，直到你完成为止 awesome_twitter_CN ：一个记录优质中文 Twitter 用户的项目，可以发现很多优质的中文 twitter 博主本周刊由独立开发沉思录 运营
