学好C++可以采取以下几个步骤：
- 掌握基本语法：C++的语法对于初学者来说可能是一件比较难的事情，所以需要花时间掌握C++的语言基础和语法规则，例如数据类型、流程控制、函数等。
- 学会面向对象编程(OOP)：C++是一种面向对象的编程语言，因此理解OOP是很重要的。需要掌握OOP的概念、继承、多态、抽象类等，以便更好地利用C++的优势。
- 编写代码并调试：C++是一种强类型语言，它需要程序员深入了解数据类型的底层实现，能够更细致地参阅自己的代码，并排除错误。需要学习调试技巧和如何使用调试工具，以确保代码的正确性。
- 使用标准库：C++ Standard Library中包含了许多已经定义好的数据结构和函数，使用这些工具可以极大地提高开发效率。因此，了解C++ STL是非常有意义的。
- 成为C++社区的一员：参加一些在线的编程社区，不断地新开发C++项目，与其他代码师沟通交流，就可以更好地发广义娱乐热情和技能。
- 学习实战知识：将所学知识运用到实际项目中，可以巩固所学的语法和概念，并提高自己对C++应用的熟练程度。
总之，想要学好C++编程，需要投入一定的时间和精力，从基础获取学习，积累实践经验，多策略学习，以此才能更快进步。
生活的忙碌可以分成七个层次。
大家可以对照一下，自己属于哪个层次？
第 1 级：一点不忙。
时间很自由，怎么安排都可以，没有一定要去完成的事项，周末想睡多久就多久。
第 2 级：有一些小事。
你记得有一些事要做。这些事情是合理的事项，没有截止期，但是你知道这些事迟早要做。
第 3 级：有一些重要的事。
你有必须要做的事情，需要及时跟踪，不能拖延，你会时刻提醒自己这些事情。
第 4 级：日程排满了。
你的日程排满了，不得不经常问自己"什么事情更重要？"，以便决定先做哪些事，后做哪些事。
你没有计划外的时间，不过你还能控制日程。
第 5 级：生活出现混乱。
你的事情在工作时间做不完，你开始加班了。
你经常因为事情来不及，而对别人说"对不起"。那些事情并没有被你放弃，只是你不得不赶时间，有些事情执行变得草率。
第 6 级：任务做不完。
你需要做的事情，超过了你安排日程的能力。即使放弃某些事情，你依然做不完剩下的事情。
你的工作时间大大延长，影响到正常生活。你感到非常疲劳。
第 7 级：日子过不下去。
各种任务塞满了你醒着的每一分钟。吃饭和其他生活必需的事情，都是抽时间来做。你忙起来的时候，甚至饭也没时间吃。
你不写日程安排了，因为根本没有时间做计划，每个小时情况都在发生变化。
你走路也心不在焉，常常觉得要崩溃，日子过不下去了。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6oKSoiS3-1685034390886)(2023-05-02-12-05-55.png)]
科技爱好者周刊（第 252 期）：互联网创业变难了
https://www.ruanyifeng.com/blog/2023/04/weekly-issue-252.html
新事物的诞生初期，是机会最多的时候。 因为没有竞争对手，而市场却在指数式增长，你简简单单做一个东西，都能吸引到大量用户。你可以探索各个方向，只要有一个方向对了，你就是那个方向的领导者，有的是做大的机会。
等到行业逐渐成熟，各个方向都被先行者占据了，后来者再想做大就难了，主要有下面几个原因。
（1）现有市场接近饱和，参与的公司林立，竞品众多。
（2）大众对互联网已经习惯了，新产品越来越难让用户兴奋。
（3）创业的技术门槛高了，各种成本都提高了，程序员也变得很贵，项目没有那么容易赚钱了。
总之，后来者想从先行者手中抢到市场份额，取而代之，谈何容易。创业难度变大后，即使是前期已经成功的创业者，后期的许多项目也失败了。
现状就是，互联网创业到了2023年，跟一般的创业已经难度相仿了，机会不是那么多了，毕竟还没被互联网改造的领域越来越少。
新兴领域才有最大的机会。现在最热门的新兴领域就是人工智能，我大胆预言，未来的人工智能巨头，很可能就是最近成立的，或者即将成立。
使用 ChatGPT 辅助学习——为自己找一个老师
https://blog.csdn.net/2301_77531618/article/details/130565436
**而 ChatGPT 的强大是在于对个人需求的定制化回复。**在过往遇到问题时通常使用 Google 搜索答案，在接受答案之前需要花上一点时间阅读答案所针对的问题细节、背景是否与自己的相同，否则答案可能对自己无效。例如同样是学习编程，不同的人、不同的目标所采用的学习方法都会不同，使用 ChatGPT 就可以得到更加个性化的答案。利用这一特性 ChatGPT 对我的学习产生了很大的帮助，下面从学习的不同阶段展开分享。
————————————————
版权声明：本文为CSDN博主「ChatGPT4.0」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/2301_77531618/article/details/130565436
GPT-4的免费使用方法分享
https://blog.csdn.net/qiuweichen1215/article/details/130566160
【Linux】进程信号“疑问？坤叫算信号吗？“
https://blog.csdn.net/Sxy_wspsby/article/details/130448654
用 10 万条微信聊天记录和 280 篇博客文章，我克隆了一个数字版自己
很有意思的一篇文章，数字生命的发展（作者隐私有的暴露了 hhh）
我在微信上和很多人聊天，有的人聊得多，有的人聊的少，我在群里也会说话，我还会写博客和公众号，我会在很多地方留下评论，我也会发微博，这些是我在网络世界留下的痕迹，某种程度上这些东西构成了世界对我的认知，从这个角度上，也就构成了我。将这些数据——我对不同消息的回复，我写的每一篇文章，每一句话，我发过的每一条微博等，全部汇入一个神经网络模型之中，去更新其中的参数，理论上就可以获得一个我的数字拷贝。
从原理上，这和对 ChatGPT 说「请扮演一个叫小王的人，他的经历是XXX」不同，虽然以 ChatGPT 的智慧，这样的扮演毫不费力且可能以假乱真，但其实 ChatGPT 的参数并没有改变，这更像是「扮演」而非「重塑」，ChatGPT 的上千亿个参数并没有改变一个，它从你之前的文本中获取一些信息，然后用它的智慧来应对你。
我喜欢在文章里写一些没有太大用处的比喻，并喜欢在最后做一些总结，跟人聊天的时候，我喜欢用「可以的」来敷衍，同时用卧槽来表示惊讶，我某些时候少言寡语，另一些时候则滔滔不绝，这是我自己能够感知的一些特点，此外还有更多我自己都无法察觉的固定习惯，但这些微妙又模糊的东西，我无法告诉 ChatGPT，这就像你做自我介绍，可以介绍的很丰富，但和真正的你，依然差之千里，甚至有时候截然相反，因为当我们意识到自己的存在的时候，我们其实是在表演自己，只有在我们没有意识到自己的存在，而融入生活的时候，我们才是真正的自己。
在 ChatGPT 发布之后基于兴趣去学习文本大模型的技术原理，有一种 49 年入国军的感觉，因为对个人爱好者来说，做出在任何方面或再细小的垂直领域超越 ChatGPT 的可能性已经不存在了，同时它又不开源，除了使用，没有别的可打的主意。
但最近 2 个月出现的一些开源文本预训练模型，例如大名鼎鼎的 llama 和 chatglm6b，让我那个克隆自己的想法又开始蠢蠢欲动起来，上周，我准备试试看。
首先我需要数据，足够多且全部都由我产生的数据，最简单的数据来源是我的微信聊天记录和博客，因为没有完全清空微信聊天记录，从 2018 年到现在，我手机里的微信占了 80G 的储存空间，对此我一直有一种家里被人强占一块地儿的感觉，现在如果能把这里的数据利用起来，我会和这 80G 冰释前嫌。
王川: 从 chatGPT 看人工智能的投资机会和风险
https://mp.weixin.qq.com/s/8laaKxCjPMdaHyNVqFNXfg
chatgpt 的出现是一种"涌现"的现象和数学的必然。理解此机制后，就会意识到下面将有一长串的不断涌现的新的 AI 的强大功能，而且这也是数学的必然。(涌现可以定义为：某个系统的某种能力，在某个维度的参数超过某个临界点后，突然开始迅速增长。而这种能力在未突破临界点之前不存在)
LLM的关键点在于模型大小和数据量达到了一个临界值，过去认为机器不可能的有的推理能力，突然有了。大模型迎来了人工智能的顿悟时刻。人的一生，时刻都在对各种情况，建立模型，做出分析判断，现在人工智能拥有自己的推理能力，而且将不断规模化，自动化，成本不断降低，等于是触及了人类活动本质，对未来的冲击，不可限量。
GPT 里面的 T，是 Transformer 的缩写。这个技术对于自然语言处理上的核心改进，是在训练 AI 理解力时，把距离相对远的词语建立起相关性。比如说这句话 “我对花生过敏，每次吃到它，身体就不舒服”. Transformer 能够通过所谓 “注意力”的机制，把 “花生”和“它”两个词建立起相关性，相对于传统 AI 语言模型而言，其理解力大大提高。把这个概念推而广之，要提升对这个世界的理解力，也应当不断训练自己把各种看似距离较远，但实际上强相关的事物关系，能够迅速提取出来的能力。
Gpt 的技术，相当于可以让极少数人具有"超大规模处理非结构化数据信息"的能力，这个能力层层叠加爆发出的生产力，看不到上限。以前是机器无法处理“非结构化数据”，现在不一样了。软件开发中大量人力密集型的比较繁琐的工作 (比如写胶水代码)，将很容易被替代。
有些人狂妄的以为自己某个单项技能比 AI 强，就不会被超越替代。但 LLM 和各种插件链接上后，想获得新技能是个非常轻松的事情。然后自然会涌现出各种前所未有的超人的能力。
AI 会最终把现在所有人能干的活，慢慢全部自动化，边际成本压到无限接近于零。整个社会结构会有现在无法想象的变化，很多传统概念要么消失，要么彻底重构。而且这个变化已经无法逆转。
科技爱好者周刊（第 253 期）：训练材料用完之日
https://www.ruanyifeng.com/blog/2023/05/weekly-issue-253.html
论文给出了三个时间点。
2026年：用完一般的语言数据
2030年～2050年：用完所有的语言数据
2030年～2060年：用完所有的视觉数据
也就是说，根据他们的预测，大概三四年后，新的训练材料就会很难找。最迟三十年后，全世界所有材料都不够 AI 的训练。
上图是作者给的趋势图，虚线是训练材料的增长速度，红线和蓝线是模型增长速度的不同预测。到了2035年以后，这三根线就合在一起了，曲线变得越来越平。
作者认为，到了那时，由于没有足够的训练材料，AI 模型的发展速度可能就会显著放缓。
如果他的预测是正确的，就意味着，跟大家想的不一样，AI 飞速发展不会持续很久。现在也许就是发展最快的阶段，然后就会开始放慢，等到本世纪中叶就会显著放慢，接近停滞，跟量子物理学的现状差不多。
我问了GPT4 以下是它的看法
确保未来有足够的数据支撑AI模型训练是一个复杂的挑战。以下是一些建议和看法：
数据共享和开放访问：鼓励跨组织和跨行业的数据共享，以便更多的训练数据可供AI模型使用。同时，支持开放访问的数据集，让研究者和开发者能够更容易地获取到训练所需的数据。
多模态数据和迁移学习：通过利用多模态数据（如文本、图像、音频和视频等），可以让AI模型在更丰富的数据源中学习。此外，迁移学习技术可以让模型从一个任务或领域中学到的知识应用到其他相关任务，从而减少对新训练数据的需求。
生成模型和数据增强：利用生成模型（如GANs）创造逼真的训练数据。同时，数据增强技术可以通过对现有数据进行变换（如图像旋转、翻转等）来增加数据量，从而提高模型的泛化能力。
有效利用现有数据：开发更高效的训练方法，以便在有限的数据下实现更好的模型性能。例如，使用半监督学习、自监督学习和强化学习等技术来减少对大量标注数据的依赖。
模型压缩和参数优化：通过模型压缩技术（如知识蒸馏和网络剪枝）减小模型的规模，降低对参数数量的需求。同时，开发更优化的参数算法，使模型在较少的参数下仍能保持良好的性能。
伦理和法律框架：制定合适的伦理和法律框架，以确保数据的收集、存储和处理过程符合隐私保护和数据安全的要求。
虽然确保未来有足够的数据支撑AI模型训练是一个长期挑战，但通过采取这些措施，我们可以朝着更可持续的AI发展方向努力。
2023年5月 5日 22:28 | # | 引用
面向开发人员的 ChatGPT 提示工程
https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/
## 言论
我离开谷歌，是为了呼吁 AI 的风险，在谷歌任职不方便谈论这些事情。
– "深度学习之父"杰弗里·欣顿（Geoffrey Hinton），宣布从谷歌辞职
大多数人都认为，手下的人比自己聪明，是没有问题的。一般来说，领导人都要聘请比自己聪明的顾问和幕僚。
那么，当你的手下变成了比你聪明的 AI 模型时，人们为什么会感到受威胁呢？
– Yann LeCun，Meta 首席 AI 科学家
要成为优秀程序员，请编写大量代码；要成为顶级程序员，请阅读大量代码。
–《请编写 CRISP 代码》
严乐春的问题很好回答啊。「那么，当你的手下变成了比你聪明的 AI 模型时，人们为什么会感到受威胁呢？」 因为手下是人，当产生威胁时可以解雇掉他甚至可以解决掉他，他的工作也可以交给其他人来负责。而手下是AI模型的话，产生依赖后再不用的话无法把工作交接给人类，而且也无法解决掉AI,而且AI也没有家人孩子这些软肋。
案例告诉你 ChatGPT 最有可能取代哪些职业
https://blog.csdn.net/weixin_53072519/article/details/130639736?spm=1001.2014.3001.5501
科技爱好者周刊（第 254 期）：人生是一个长板问题
它的意思是，某些系统的关键，不在于发展最强点，而在于避免最弱点。99%的地方都没有问题，只要1%的地方出现问题，整个系统就会失败。
人体健康就是这样，有一个器官出现严重问题，哪怕其他器官完全正常，生活甚至生命就会受到影响。
这类由短板决定的问题，统称为"短板问题"。日常生活有很多这样的例子，除了人体健康，还有食品安全，只要有一样成份不干净，你可能就会食物中毒。
汽车、电视机、手机等消费品也是这样，只要有一个部件不合格，这个产品就有质量问题。
但是，这不是今天的主题。我最近读到一篇文章，才意识到除了短板问题，还有长板问题。
"长板问题"指的是，问题的关键不在于最弱点，而在于最强点。 只要有一个点特别出色，这件事情就成功了，其他点的好坏无所谓。
文艺作品就属于这种情况。你购买了一张专辑，其他的歌曲都不爱听，但是有一首歌你特别喜欢，这张专辑就值得了。电影和小说只要有一个角色或情节特别打动人，作品就成功了。
风险投资也是这样，只要投了一个特别成功的项目，就能把所有损失补回来。
最重要的是，人生就是一个"长板问题"。 一生中，失败和挫折其实不重要，多少次都不重要，只要有一次大的成功，人生就成功了。
最大的那一次成功，决定了你一生的成就和高度。很多诺贝尔奖得主，一生就做出了一个重要的科学发现，就足够成为伟大科学家了。
程序员写过多少代码不重要，只要创造过一个重大影响力的软件，职业生涯就成功了。
我们必须学会区分"短板问题"和"长板问题"，它们的解决方法完全不同。 短板问题的解决，需要盯着薄弱环节，补齐最短的那块板；长板问题的解决，只需要推进最强的环节，不要在乎别的。
人生不必在乎那些不重要的事情，没必要为了挫折和拒绝而沮丧，都会过去的。你要做的是向前看，拼命争取一次大的成功，让它足够大、更大，只要一次就够了。
言论
为什么 AI 最终将取代人类工作？因为当你是生产链条中最慢的那个部分时，取代你将提高整个链条的生产力。
金钱就像疫苗，它可以避免很多痛苦，但不一定会让你快乐。
"代码优先"程序员，后者为"产品优先"程序员。
https://thezbook.com/code-first-vs-product-first/
程序员可以分成两种：一种程序员更关心代码，另一种程序员更关心产品。
我称前者为"代码优先"程序员，后者为"产品优先"程序员。
"代码优先"程序员痴迷于代码的架构、关注使用什么工具、库和语言，有多少测试覆盖率，诸如此类的问题。
如果达到完美的代码抽象，或者使用了最新的语言功能，再或者删除了用不到的代码，"代码优先"程序员就会很兴奋。他们真的喜欢他们编写的代码，在他们眼里，代码本身就是目的。
"产品优先"程序员也关心代码，但只是把它作为达到目的的一种手段。对于他们来说，代码是建筑物的脚手架和钢梁，而不是最终产品。最终产品是产品本身，而不是代码。
他们认为，重要的是，产品是不是真正解决了问题？每样东西是否正常工作？人们喜欢用这个产品吗？"产品优先"程序员喜欢构建和发布，喜欢看到用户使用他们构建的东西。在他们眼中，产品才是目的。
大型软件公司里面，你会遇到很多"代码优先"程序员。他们看重代码是否合乎规范，有没有拼写错误，是不是意大利面条式的代码，会不会带来技术债务。如果达不到代码审核的严谨标准，就会要求重构代码。
我总是很惊讶地发现，有那么多程序员认为，"代码优先"就是他们追求的目标。对于项目原型，他们会问：“单元测试覆盖率怎么样？” 、“有没有用到热门的新技术 X？”、“会带来很多技术债务吗？”。
可是，我们现在做的只是项目的原型，迟早会重写所有代码，所以上面的这些问题，在这个阶段是无关紧要的。因为我们甚至还没有认定，现在的代码就是解决问题的正确方法。
"代码优先"程序员对编程有一个根本的误解。要知道，编程是为用户解决问题，而不是为了编写出漂亮的代码。重要的是代码能够工作，而不是代码的外观。
这是否意味着，我鼓励大家编写糟糕的代码？不在乎使用什么技术或软件？
绝对不是。
我很在乎代码！我只是认为，我们先要保证方向正确，因为我相信，只要保证代码能够解决问题，那么通过更好的产品，最终可以获得更好的代码。反过来就不成立，更好的代码未必会获得更好的产品。
我对代码的评判标准是： 如果产品不好用，代码也不会好。 好的代码只有在它产生了一个行得通的产品时才存在。
## 我们分析了 425，909 个收藏夹图标
为什么提示工程是无稽之谈
https://pavkam.dev/2023-04-19-work-with-ai-nonsense/
AI 时代，知识工作者的生存指南
以往的 AI ：
按照指定套路，在指定领域回答问题。（也就是所谓的「专家系统」）
和人类下下国际象棋，靠算力取胜。 （不讲武德）
生成海报，设计PPT， 让大家摆脱加班。（不，腾出时间加班做更多的事情）
下赢围棋，让人类选手哭。 （似乎剧情发展已经不太对劲）
最近此刻大火的 AI：
根据要求，生成惟妙惟肖的图像，似乎有干掉一些插画师的潜力。
归纳一下长篇报告，翻译一段文案，听写会议记录…… 似乎有干掉文员的潜力。
查询一些前人的知识，引经据典，提出观点，貌似有进行科学研究的潜力。（至少，玄学研究中，肯定可以用得上）
忽悠甲方，随便编些理由敷衍老板 ，小菜一碟
