持续学习

标签「持续学习」下的文章

共 2 篇文章

2026年8月20日

每天花30分钟研究行业趋势是保持技术敏锐度的最简单方法之一，据Forward Deployed Engineer (FDE) Drew所说。FDEs弥合了前沿AI产品（如我们的Gemini模型）与生产现实之间的差距，在客户环境内部直接编写自定义代码。

本文介绍了Google Forward Deployed Engineer (FDE) Drew 的日常工作与持续学习方法。Drew 每天花费30分钟学习行业趋势以保持技术敏锐度，随后进入2小时深度工程块，编写编排代码(orchestration code)、微调提示词模板(prompt templates)、调试复杂语音代理(voice agent)边缘案例。FDE 的核心职责在于桥接前沿AI产品（如Google的Gemini模型）与生产现实，直接在客户环境中编写自定义代码。通过并肩部署，FDE 能够获取第一手的产品摩擦信息，将客户反馈直接传递给产品经理，从而解决实际问题并塑造核心AI工具。Drew 认为FDE 角色的最大吸引力在于多变性：既作为客户信赖的顾问设计系统架构，又深入编写解决复杂AI问题的核心代码。文章强调持续学习与客户反馈循环是FDE创造价值的关键。该内容属于Google的LinkedIn推广，配有多条行业评论，探讨了AI落地从实验室到生产环境的挑战，以及将学习融入工作日的必要性。

阅读全文 →

2026年8月6日

Deep|LLM: RSI是最重要的变量，计算是最深的护城河

本文发表于2026年8月6日，由FUNDA发布，深入剖析了2026年7月AI板块遭遇本周期最大幅度回调（半导体月跌幅创2002年来新高，相关市值蒸发超1万亿美元）背后的认知错位。核心论点是，市场仍在用应用层视角寻找下一个杀手级用例，而行业真正的核心驱动力是迈向AGI的递归自我改进（RSI）。文章将AI进展重新定义为一个能力序列：已变现的编程能力、即将解锁企业市场的持续学习，以及决定终极格局的完全RSI。持续学习能解决模型积累隐性组织知识的“上下文问题”，将可寻址市场从千亿软件预算拓宽至十万亿级劳动力市场。文章用数据论证RSI的加速信号：模型迭代周期从年度缩短至月度（如GPT-5.5仅用一个月从预训练完成到发布），OpenAI在GPT-5.6出货三周后降价达80%，AI对内部研发速度的贡献半年内从5%升至15%-20%。当RSI跨过阈值，基于蒸馏的跟随策略将失效，算力会成为最不可压缩的终极护城河。因此，当前的AI资本支出是确保未来竞争入场券的战略必需，而非泡沫。这一观点也与面临显著算力瓶颈的中国领先实验室的处境相印证。

阅读全文 →