我从@chipro那里得到的最大收获： 1. 对于你的AI产品来说，最大的改进来自于与用户交谈和理解他们的反馈，而不是采用最新的模型或紧跟AI新闻。许多公司浪费时间争论使用哪种技术，而真正的成功来自于更好的用户体验和数据准备。 2. 大多数AI产品问题并不是AI问题。当公司认为他们有AI性能问题时，通常是用户体验问题、组织沟通差距或数据质量问题。一家公司认为他们的AI潜在客户评分系统坏了，但真正的问题是市场团队没有提出正确的问题以获取有用的数据。 3. 数据准备的重要性超过你选择哪个数据库。公司在更好地组织和准备信息方面看到最大的AI性能提升——将内容分成合适大小的块，添加摘要，将内容转换为问答格式——而不是纠结于使用哪种技术基础设施。 4. 你的最佳表现者最能从AI工具中受益。在一项受控实验中，表现最好的工程师从AI编码助手中获得了最大的生产力提升，而不是表现最差的工程师。已经知道如何解决问题的高级工程师利用AI更快地工作，而表现不佳的工程师往往只是复制和粘贴他们不理解的代码。 5. 微调应该是你的最后手段。在投资微调模型之前，先尝试更简单的解决方案：改善你的提示，添加基本的后处理脚本，或修复你的数据管道。一家公司通过一个简单的脚本捕捉到了90%的模型错误。微调会带来持续的维护麻烦，只有在其他所有方法都用尽时才应使用。 6. 你不需要完美才能获胜。许多成功的公司在实施AI系统时选择“足够好”而不是完美。他们计算投资两名工程师将准确率从80%提高到85%是否比使用这两名工程师推出一个全新功能更好。通常，新功能提供更多价值。 7. AI生产力几乎无法衡量。公司在AI编码工具上投入巨资，但无法清楚地证明它们有效。当被迫在为团队选择昂贵的AI订阅或雇用一名额外人员之间做出选择时，许多经理选择人，而不一定是因为AI没有帮助，而是因为人员数量感觉更具体。 8. 系统思维比编码更重要。随着AI自动化更多编码任务，理解不同组件如何协同工作成为最有价值的技能。根据斯坦福大学计算机科学课程主任的说法，编码只是一个工具——真正的技能是理解系统如何工作并设计逐步解决问题的方案。 9. 我们正在耗尽用于训练的互联网文本。世界基本上已经耗尽了可用于训练AI模型的公开文本数据。这意味着未来的改进将更少依赖于向模型提供更多数据，而更多依赖于更好的训练技术、人类反馈和寻找新的数据源，如音频和视频。 10. 尽管拥有强大的工具，许多人不知道该构建什么。即使有可以构建几乎任何东西的AI工具，许多员工面临“创意危机”——他们根本不知道该创造什么。最佳方法是：花一周时间注意你日常工作中让你感到沮丧的事情，然后构建小工具来解决这些具体的痛点。