有了 AI 加持，学习新技术效率提升很明显

[albin504]

几点体会：

1 、有了大模型后，大家花在编程语言学习上的时间肯定是少了很多。 我在闲鱼上挂了 java 编程思想（最新版）上下册，两本 30 块钱很新，没人问。 我想这个也说明了问题。

2 、今天在结合 AI 的能力，帮助我学习 cuda C 编程。

（ 1 ）利用豆包的 AI 阅读功能，阅读 GPU 高性能编程 CUDA 实战.pdf 书籍。遇到不懂的，直接复制段落（ OCR 技术，pdf 是影印版的豆包也能复制），然后问 AI

（ 2 ）边阅读边和 AI 交流，扩展知识，举一反三

（ 3 ） github 下载了这本书的源码，然后利用 cursor 帮我一键编译源码、自动下载缺失的依赖。以及帮我解读源码，实现我好奇的一些代码（如写一个代码比较 cpu 、GPU 执行向量点积运算的效率）

总之之前学习新技术过程中经常遇到的困难，现在基本都能解决了。而这些困难往往导致学习半途而废。

现在是晚上 11 点半了，学的很开心，现在下班了。

两个维度为 33,554,432 (3200 万) 的向量相乘，结果如下：

Vector size: 33554432 elements (128.00 MB per vector)
CPU Result: 67108864.00
CPU Time: 45.00 ms
GPU Result: 67108864.00
GPU Time (Total including Init on GPU): 2.48 ms

GPU 快 19 倍，牛吧。

[ttdx]

是这样的，我目前在通过官方文档学 cmake,不会的就直接问 ai,很方便。而且它还能鼓励我，给我正向反馈，这样就更有动力学下去了。

[dearmymy]

有 ai 后，是利好全栈的。现在就是缺一个能更方便 ai 生成 ui 切图的工具。

[sojourner]

以前学习一个新的东西，初步掌握大概需要一周左右，其中 2-3 天查资料，1-3 天上手验证。现在 1 天问 AI ，然后就可以上手做了。

[macha]

深有同感

[Hilong]

最近在做一个物联网的项目,之前完全没接触过 HJ212 协议,完全让 AI 帮我处理了这个逻辑,一点问题没有

[fyq]

是的，感觉再也不需要自己 Google 了，什么不会问什么，一家问完换一家继续问，尤其是很多命令行的参数，以前还要记笔记，现在懒得翻了直接说诉求，然后复制粘贴就完事了。

[liuzimin]

我感觉 AI 在服务器配置方面是真菜。。。按 AI 给的配置，我基本没有配置成功的，只会不断把我往沟里带。

[albin504]

@liuzimin 是的。举例，前几天我在手动编译 ffmpeg ，打 dockfile 。
中间遇到问题问 AI ，折腾了一天还没搞好。

后来发现 github 上有现成的 dockerfile ，拿来直接用了。

还有一次，利用 Mongodb_restore 命令在不同库之间导数据，遇到报错问 AI ，尝试各种参数都不解决。后来执行 Mongodb_restore --help ， 一看就知道该用哪个参数了。

我想根因在于，大模型核心里面还是概率预测 token ，那么它预测出来的答案，和我遇到的问题的背景信息很难匹配（比如我的 Mongodb_restore 是特定的版本，有特定的参数）。

AI 很容易张冠李戴

[fitme]

@liuzimin 那可能 AI 读取的 CSDN 的

[albin504]

@liuzimin 这其实也给我们程序员提了个醒：在遇到问题的时候，先初步判断下这个问题是否适合用 AI 来找答案。如果一股脑地找 AI ，问题解决不了不说，还会丧失咱们本有的技能

[crocoBaby]

原来学习之前需要先提供权威文件给 ai 啊?!怪不得我的 ai 一直在胡说八道,虚构一些不存在的知识误导我学习

[YanSeven]

是的，至少 LLM 在 Coding 领域的落地已经是非常可观的了。相当于有个耐心的老师傅时时刻刻陪着你学，帮你扫清小障碍。

真的感恩技术带来的便利。

但是，估计也会带来内卷和竞争。就看谁在 llm 帮助下学的快，学的多。

[liuzimin]

@albin504 是的。感觉只能靠 AI 提供个思路，不能完全依赖它。真正分析问题还是要靠自己。

[albin504]

@YanSeven 我理解，至少现在来看，即使有了大模型，程序员也得学习新技术，只是侧重点不同。现在需要学的是原理性的、框架性的、需要具备技术选型、优劣判断的能力。

举例，我最近在学习 nvidia GPU 编程的技术。 我如果不系统学习的话，遇到一个特定的问题，AI 是不会提供 GPU 解决思路的，即使提供的，我也可能因为拿捏不准不敢用到生产环境。 我需要具备评判 AI 给出的方案的优劣、是否适配业务的能力。

[albin504]

@YanSeven Coding 是很牛。 这里有个前提，方案还是得靠程序员设计。设计好了合适的方案，AI 来执行实施（ coding ）。

[xctcc]

@crocoBaby #11 之前我让 ai 直接启动一个项目，他写的代码全是上个版本的很多不兼容也处理不了，后来每次启动新项目都先把最新版本的 repo 直接 clone 到本地，然后出现问题让他直接阅读源代码，比 context7 好用一点，就是 token 可能有点爆炸

[crocoBaby]

@xctcc 你相当于把源码写进 prompt 了,肯定 token 爆炸,这种情况我建议你本地部署 LLM 做,无限 token

[albin504]

@crocoBaby 给 AI 喂权威资料，现在已经成为 AI 训练的一个难题了。 以公司内部的知识库资料训练为例，假如我们要高很多一个公司内部的行政小助理，训练会遇到以下问题：
（ 1 ）公司内部的知识库上有多篇文章提到公司的考勤制度，其中一些文章写的制度已经过时了，这时候 AI 就需要去判断该采信哪个信息源。
（ 2 ）有些政策和特定的毕竟信息强相关（类似于不同的软件版本不同的参数），在提问时如果没给出很具体的背景信息，AI 只是根据概率给出了概率较大的答案，这时候很可能是错误的答案
（ 3 ）有些知识库的内容本身就是错误的（就是你提到的不权威）

[crocoBaby]

@albin504 我昨晚 youtube 刚好刷到一个 RAG 的教程,应该可以解决你现在遇到这个问题,把你公司的知识库转向量存 db,然后每次推理的时候在 prompt 带上 db 的向量

[wwhontheway]

同样的感受，ai 加速了学习和吸收知识的速度