Wenn man sich jetzt die Ergebnisse des Teams ansieht, wird der gut gemachte Teil nicht danach gefragt, ob du oder AI es geschrieben hat. Die Fähigkeit, gut mit AI zusammenzuarbeiten, ist tatsächlich die Kernkompetenz; im Gegensatz dazu, wenn jemand nicht einmal in der Lage ist, gut mit AI zusammenzuarbeiten, ist das im Grunde genommen gleichbedeutend mit Unfähigkeit zu lehren.

Zhang Xiaojun stellte Yang Zhilin in einem Interview eine Frage: Ihr wollt also letztendlich ein allgemeines großes Modell und kein Coding-Modell, richtig? Diese Frage spiegelt tiefergehend wider, dass die Grenzen für die Nutzung, Migration und Gewöhnung an ein neues KI-Produkt, einschließlich aller großen Modelle und Agenten oder anderer Produktformen, für die Nutzer tatsächlich sehr verschwommen sind. Oft zieht eine herausragende Leistung in einem speziellen Bereich die Nutzer an, während eine Generalisierungs-/Allgemeinfähigkeit von 60 Punkten die Nutzer bindet. Das ist mir besonders aufgefallen, als ich perplexity und GPT verwendet habe: Perplexity ist in der Marktforschung (in Bezug auf Geschwindigkeit) besser als chatGPT; und in der praktischen Leistung bei der Suche/Verfassen in Google Mail besser als Googles eigenes Gemini. Gerade in den wiederholten vergleichenden Aufgaben hat perplexity besser abgeschnitten als andere allgemeine große Modelle, was meine Nutzungshäufigkeit immer wieder erhöht hat. Das gilt auch für andere KI-Produkte: Die Diskussion über Modelle oder Nicht-Modelle erscheint mir etwas veraltet, oder zumindest nicht das, worüber die führenden Entwickler nachdenken. Was wirklich überlegt wird, sind die Einstiegspunkte und Bindepunkte. Kleine Probleme und kleine Szenarien einzeln angehen, das Land um die Stadt herum, perplexity kann auch besser sein als GPT und Gemini.

Hoffe, bald unsere guten Nachrichten zur Kommerzialisierung von AI teilen zu können 🤌