谷歌科学家万字长文，利用AI改变职业生涯！

今日推荐

>> 自动翻译网页工具

translate.js两行 js 实现 html 全自动翻译。无需改动页面、无语言配置文件、无 API Key、对 SEO 友好！

• 在线体验

http://res.zvo.cn/translate/demo.html

• 快速使用

在你的网页最末尾，</html> 之前，加入以下代码，会在页面的最底部出现选择语言的标签：

<script src="https://cdn.staticfile.net/translate.js/3.7.0/translate.js"></script>
<script> translate.language.setLocal('chinese_simplified'); //设置本地语种（当前网页的语种）。如果不设置，默认就是 'chinese_simplified' 简体中文。可填写如 'english'、'chinese_simplified' 等，具体参见文档下方关于此的说明。translate.service.use('client.edge'); //设置机器翻译服务通道，直接客户端本身，不依赖服务端 。相关说明参考 http://translate.zvo.cn/43086.html translate.execute(); //进行翻译  </script>

>> 开源思维导图软件

除了常用的 drawio、my-mind，还有一款值得使用的思维导图软件，就是 excalidraw，以下是他的特色：

• 💯 免费且开源
• 🎨 无限的、基于画布的白板
• ✍️ 手绘风格
• 🌓 暗黑模式
• 🏗️ 可定制
• 📷 图像支持
• 😀 形状库支持
• 👅 本地化（i18n）支持
• 🖼️ 导出为 PNG、SVG 和剪贴板。
• 💾 开放格式——将绘图导出为.excalidrawjson 文件。
• ⚒️ 广泛的工具——矩形、圆形、菱形、箭头、线条、自由绘制、橡皮擦……
• ➡️ 箭头绑定和标记箭头。
• 🔙 撤消/重做。
• 🔍 支持缩放和平移。

仓库地址：

https://github.com/excalidraw/excalidraw

在线地址：

https://excalidraw.com/

我觉得相比drawio，除了手绘风格，还有很多的比较新的图标库以及素材库可以选择，所以也是绘制思维导图的一个不错的选择。尤其是对于思维内容UI风格有追求的同学。

>> 1Panel应用推荐：KubePi 开源 Kubernetes 管理面板

KubePi 是一个现代化的 K8s 面板。KubePi 允许管理员导入多个 Kubernetes 集群，并且通过权限控制，将不同 cluster、namespace 的权限分配给指定用户；允许开发人员管理 Kubernetes 集群中运行的应用程序并对其进行故障排查，供开发人员更好地处理 Kubernetes 集群中的复杂性。

官方网站

https://github.com/1Panel-dev/KubePi

Docker快速开始

docker run --privileged -d --restart=unless-stopped -p 80:80 1panel/kubepi

# 用户名: admin
# 密码: kubepi

谷歌科学家对于AI的看法

今日看到一位在谷歌任职的研究科学家Nicholas Carlini发表的一篇我如何使用AI的文章，觉得收获不小，在这里分享给大家我的一些读后收获。

原文链接：https://nicholas.carlini.com/writing/2024/how-i-use-ai.htmlhttps://nicholas.carlini.com/writing/2024/how-i-use-ai.html

先来介绍下这位谷歌科学家 Nicholas Carlini

Nicholas Carlini是 Google DeepMind（以前在 Google Brain 任职）的一名研究科学家，研究机器学习和计算机安全的交叉领域。最近的工作是从对抗的角度研究神经网络的特性。于 2018 年获得加州大学伯克利分校的博士学位，并于 2013 年获得计算机科学和数学学士学位（也是加州大学伯克利分校的）。对开发针对机器学习系统的攻击很感兴趣；大部分工作都是开发能够展示这些系统的安全和隐私风险的攻击。凭借这项工作，获得了 IEEE S&P（一次1）、USENIX Security（两次1、2）和 ICML（三次1、2、3）的最佳论文奖。他的作品已在公共媒体上发表，包括 《纽约时报》、 《BBC》、 《自然》杂志、 《科学》杂志、 《连线》和 《大众科学》等。当不忙于研究时，会编写大量无用的代码，从通过 一次printf调用编写的混淆井字游戏（赢得了 IOCCC 2020 最佳展示奖）、到用 13k WebGL + JavaScript 编写的Doom 克隆版，再到在康威生命游戏之上构建的功能齐全的CPU 。

他的开源仓库地址： https://github.com/carlini

我对于作者文章How I Use "AI"的读后收获如下：

通读全文，作者用自己的亲身经历，给我们一个独特的视角，通过作者文章，也让我们读者认识到大语言模型在实际生活工作中的强大能力，作者在过去一年的时间里，每周花费几个小时和各种大语言模型交互，并且随着交给这些大模型解决越来越困难的任务留给作者深刻印象，并且为作者研究项目和业余项目编写代码提升至少一半的效率。他给出一系列具体的例子证明了LLMs在提高工作效率方面的实际效用。这些详细的举例，让我们读者对大语言模型（LLMs）的实用性和发展前景有了更多的了解。对于未来科技如何重新塑造我们生活得到了更多的探索。以下的文章总结，我也是使用了ChatGPT 4o-mini模型能力辅助我阅读和理解作者这篇文章，我觉得读长篇文章的能力和效率明显提升了。

大语言模型：真的有用，不只是噱头

1. 新技术总有泡沫，但 LLMs 不只是泡沫

• 任何新技术都会引来各种炒作，LLMs 也不例外。确实，有很多公司喜欢说自己在用“AI”，就像之前他们说用“区块链”一样，很多时候都是跟风的噱头。
• 但作者觉得，尽管可能存在泡沫，LLMs 已经在改变他的工作方式。就像互联网在2000年泡沫破裂后，仍然发展出了我们今天离不开的应用一样，LLMs 的潜力也是实打实的。

2. 亲身体验到的效率提升

• 作者过去一年每周花几个小时与 LLMs 互动，结果让他惊喜连连。他发现自己写代码的速度提高了至少50%，无论是做研究还是处理个人项目，LLMs 都帮了大忙。
• 举几个例子：他用 LLMs 构建了从未接触过的 web 应用，学会了新框架，把代码从其他语言转换成 C 或 Rust 提高10-100倍的性能，简化了复杂的代码库，还让 LLMs 帮忙写了一堆实验代码和小工具。

3. 网络上的两极化讨论

• 在网上讨论 LLMs 的人，要么非常乐观，认为所有工作三年内都能自动化，要么极度悲观，觉得 LLMs 一无是处，将来也不会有用。
• 作者站在中间立场，认为虽然 LLMs 不是万能的，但它们在实际工作中已经非常有用了。他并不打算预测未来，只是想通过自己的一些实际例子，说明现在的 LLMs 已经可以做很多事情了。

4. LLMs 的两个主要用途：学习和自动化

• 作者发现 LLMs 在两个方面特别有用：“帮我学习”和“自动化琐碎任务”。
• 通过 LLMs，他学会了很多新技能，能够做以前觉得困难的事情。而自动化那些繁琐的任务让他能把精力集中在最有挑战性的工作上，这两方面对他同样重要。

5. 背景：从怀疑到信服

• 作者自称是个不容易轻信新事物的人。比如，当区块链很火的时候，他完全没有参与，因为他觉得那东西没什么用，只是炒作而已。
• 对于 LLMs，他一开始也是持怀疑态度，毕竟他作为安全研究人员，花了很多年时间研究如何让 AI 模型在各种情况下失败。但经过一年的使用，他不得不承认，LLMs 确实让他的工作效率提高了很多。

6. 实际使用场景：这些事 LLMs 真能帮到我

• 作者分享了很多他用 LLMs 完成的实际任务，比如让 LLMs 帮他从零开始写了一个受欢迎的在线测验应用，还让 LLMs 写了他最近几篇研究论文的实验代码。虽然这些任务不是很炫酷，但它们确实帮他完成了大量实际工作。

如何让语言模型成为你的开发好帮手

以下内容站在作者“我”的身份进行叙述，其中举例的与大模型的对话具体内容我这里就没有贴出来了，感兴趣的同学还是直接原文阅读查看：

作为一名软件工程师，作者一直在探索如何更高效地完成工作，尤其是在那些枯燥、重复的任务上。近几年来，语言模型（LLMs）成了作者工作中的重要伙伴，帮助作者加快开发速度、学习新技术、优化代码，甚至解决一些作者不愿意花时间去搞定的琐事。

1. 开发应用：从零开始到上线

去年我开发了一个有趣的小测验，目的是让人们测试他们预测对GPT-4的解决任务的能力。这个测验意外走红，页面浏览量超过了一千万！更令人惊讶的是，最初的版本几乎全靠GPT-4帮我写出来的。你可以想象，我只是向模型描述了我想要的功能，结果它就帮我生成了完整的代码！遇到问题时，我只需把错误信息粘贴进对话框，模型就会给我解决方案。这让我可以把更多精力放在创意上，而不是纠结于技术细节。

通过作者这个例子，我觉得在人工智能面前，我们自己的思路和想法才是最重要的，而语言模型就是我们得力的帮手，做出一个大家喜欢的应用，关键还在于内容，用户并不关注背后的技术，所以，有些无聊的编程部分就可以自动化，人工智能真的可以帮助我们专注进行创作和有意义的事情上。

2. 学习新技术：零门槛入门

随着技术更新的速度越来越快，我发现在跟上这些新东西上越来越吃力。以前，我会花很多时间阅读教程或文档来学习新技术，但效率总是不高。现在有了语言模型，我可以直接提问，让它一步步教我。例如，我最近不得不学Docker。完全不懂的情况下，我跟模型聊了一会儿，它就给了我一个快速上手的指南，还教我如何用它来完成特定任务。通过这种互动式学习，我能够更快地掌握新工具。

作者还说，如果换做以前还得买本书，然后阅读了前面几章内容，再跳到自己想做的事情上，还得上网搜索相关的docker教程，然后有报错还得再找，想起来当初自己学K8s的时候，没有大语言模型，全靠书籍和文章，一步一步摸索，报错解决的效率奇低，再看现在，想学一个新框架或者新的技术，真的不怕你学不会就怕你不学

3. 启动项目：让模型帮你开个头

对于一个新项目，特别是涉及我不熟悉的框架时，我总是有点怵头。比如最近我想写点CUDA代码，但对如何在GPU上执行任务完全没头绪。于是，我让模型给我写了一个基础的CUDA程序，虽然代码不是完美的，但给了我一个很好的起点。还有，我做个人项目时，用Raspberry Pi Pico W进行开发，让模型帮我写出第一个“Hello World”程序，确认一切设置和编译都正确后，我就可以安心开始我的项目了。

读到这段，我真的觉得没那么焦虑了，大神曾经也是菜鸟，因为作者学的第一门编程语言是Java，作者觉得可能是一个错误，哈哈哈，作者非常喜欢编程，但有一件事，就是面对一个新项目的空白，尤其java，即使只是编译一个 hello world 程序——这个“public static void main string args”在做什么。括号放在哪里？哪些字母又是大写的？为什么这里用花括号，那里用方括号？原来作者这样的科学家也经历了这段时光，我觉得自己突然又信心大增，有200%的动力去编程了。

4. 代码优化：告别繁琐的调试

在安全研究工作中，我常常需要分析和优化别人写的复杂代码，这不仅枯燥，还非常耗时。最近，我用Python调用了一个C++工具，但这个工具的命令行选项过于复杂。我把代码粘贴给模型，它帮我简化成了我需要的功能。接着，我让模型为简化后的代码编写了一个Python封装。这不仅让我省下了时间，还避免了许多烦人的调试工作。

代码仓库里面有其他人研究项目的数千行代码，作者必须弄清楚它是如何工作的，然后才能对其进行攻击。这听起来并不难，如果每个人都写出干净的代码，这其实也不难，但我们生活的世界并非如此。研究人员没有动力发布简洁的代码。所以人们经常会去发布他们能用的任何垃圾代码。（我也这么做。） 读到这里，我觉得真的好真实，哈哈哈，能鼓励到每一个读者

5. 重复性任务：让模型做你不想做的事

有些任务简单但非常重复，自己做起来又慢又无聊。过去，我会因为这些事情拖延不前。现在，我把这些工作交给语言模型，自己专注于更重要的部分。例如，反编译Python程序的操作码是一项既繁琐又容易出错的工作。我让模型来处理这些代码，结果不仅快而且准确。

说起这个，发现简单反复的工作真的很多，自己的工作我是否使用了自动化呢？从明天开始，让自动化去替代自己的人工操作

6. 提高效率：让每一位用户都成为“超级用户”

有时候，看别人手动做一些简单却费时的事，真的让人着急。最近，我遇到一个任务，需要将C代码中的键盘定义转换成Python字典。手动做虽然能搞定，但过程太麻烦了。我干脆让模型帮我自动转换这些代码，大大节省了时间和精力。

尽管已经有现成的自动化的程序，但使用大模型速效率更高，看到这里我觉得真的以前很多不会的，瞬间就有了超能力

7. 查阅API：即时参考资料

每当我编程时，总会需要查阅API文档。以前，我会花很多时间在网上搜索、阅读文档。现在，我只需要直接问模型，它会立刻给我答案。这种方式不仅更快捷，还能让我更专注于编写代码。

我觉得作为程序员，这种方式真的可以节约很多时间，不必一个一个对照文档去了解，只需要找出我们需要的功能和对应的api，然后直接去使用就行了

8. 解决已知解决方案的任务

几乎所有事情都已经被别人做过了。你想做的事情几乎没有什么真正新颖的。语言模型非常擅长为你提供它们以前见过的东西的解决方案。

这里深有体会，因为语言模型给出的基本都是已有的解决方案，我们要做的就是合理利用，比如像作者一样，直接输入

将其转换为 Python 中的请求函数。将内容作为参数


curl https://api.openai.com/v1/chat/completions \ -H “Content-Type：application/json” \ -H “Authorization：Bearer $OPENAI_API_KEY” \ -d '{

“model”：“gpt-3.5-turbo”，

“messages”：[{“role”：“user”， “content”：“说这是一个测试！”}]，

“temperature”：0.7

}'：

9.解决错误：模型是我的调试助手

处理编程错误曾经是我最头疼的事之一。过去，我会把错误信息复制到Google，然后一个个点击Stack Overflow的链接，寻找解决方案。现在，我直接把错误信息贴给模型，它会一步步引导我修复问题。这个过程不仅省去了大量时间，还让我从中学到了不少新知识。

这里已经是熟练使用了，我也是直接将错误信息贴给模型，虽然有时候不能立马解决，但起码给了很多解决思路，真的很方便

10. 还有上百万件其他的事情

我完全相信，我对这些模型的使用在未来会继续增长。作为参考，与 2023 年相比，我在 2024 年通过 Web 界面进行的 LLM 查询增加了 30%——我甚至无法计算 API 查询的增加，但我怀疑这至少是 2 或 3 倍。

总结

作者通过这些具体例子，表明 LLMs 在提高生产力方面已经发挥了巨大的作用，虽然它们并不能解决所有问题，但在很多场景下，它们的确让我们的工作事半功倍。未来，相信这些模型会越来越智能，帮助我们在更多领域提高效率。希望这些经验对你也有所启发，让我们一起在工作中更好地利用这些强大的工具吧！

作者还在结尾说，拭目以待未来五年将会发生什么。在作者下一篇文章中，将对此进行一些推测。但他不知道是该兴奋还是害怕。等作者更新了，我再来给大家分享，能读到这里的读者真的很有耐心，相信你也一定可以利用语言大模型帮助到自己做更多有意义的事情！