近日，X 知名博主、Hyperbolic 联创 & CEO Yuchen Jin 发帖称，如果在他读博士的时候就有 Claude Code、Gemini 和 ChatGPT 等各类 AI 工具出现，那么也许只要一年就能毕业，而不是用了 5.5 年。
而他之所以发出这个感慨，缘由是最近一些硅谷 AI 大厂工程师表示，在用了 AI 工具后，项目完成时长被大幅压缩……
先是谷歌首席工程师、Gemini API 负责人 Jaana Dogan 在 X 上发文称：「我不是在开玩笑，这也不好笑。从去年开始，我们就在谷歌内部尝试构建分布式 Agent 编排器。有多种选择，大家并没有完全认同…… 我只是向 Claude Code 描述了问题，它就在一小时内生成了一个东西，而这几乎就是我们去年一年所做的东西。」
随后，她又发文补充，提示内容不算详细，也没有具体细节，只是一段三段式的描述。但由于不能分享任何东西，也不好具体展示出来，总结来说就是在现有一些想法基础上构建一个玩具版本，用以评估 Claude Code。
帖子一经发布，迅速引起网友讨论，有人感慨没想到当前的 AI 编码工具已经发展到如此强大的地步，也有人惊叹，原来即便是强大如谷歌这样的 AI 大厂，也会使用 AI 编码工具，更意外的是，居然允许员工使用其他公司产品，而非强制大家使用自家旗下的 Gemini、Gemini CLI 或 Antigravity……
其中，一位名为 Rohan Anil 的 X 网友评论道：自己以前也是谷歌工程师，在职期间一路晋升，但如果当时就有 Agent coding 的话，尤其是 Opus，也许就能把前六年的工作压缩在几个月内完成。
随后此推文获得了上百次的浏览，而该网友也发文认真做起了自我介绍，原来 Rohan Anil 曾是前谷歌和 Meta 杰出工程师，在 Google Brain 期间从事基础研究，重点包括训练算法和基础设施方面的工作。例如谷歌 Google 内部首个 Transformer 推理系统，以及首批大规模 TPU 训练与推理系统的落地与上线。
之后他在 Google DeepMind 负责领导 Gemini 模型相关工作，且因在 Gemini 预训练方面的贡献，获得杰出工程师称号。去年一月，他从谷歌离职，目前在 Anthropic 工作。
而谈及帖文中所说的「Opus 这项技术可以把我六年的工作压缩到几个月」时，他表示，这主要指的是工程层面：性能优化、在真实约束条件下拼装分布式系统等。
也正是这些内容，让 Yuchen Jin 有感而发：「这与我的亲身经历完全一致。」
他认为，当前 AI 正在显著压缩学习曲线，并以惊人的速度把初级工程师「拉升」为高级工程师。在大型代码库中的新员工入职熟悉周期，已经从过去的几个月缩短到现在的几天。曾经需要花上数小时在 Google 和 Stack Overflow 上查资料的问题，如今往往只需要一个 Prompt 就能解决。同时，AI 也正在成为一位优秀的导师和结对编程伙伴。
「现在真正稀缺的，只剩下主动性。」
更进一步地，他认为不仅是在工作中，如果再早一些，在读博期间就会各种 AI 工具出现的话，那么，可能毕业时间也会大大缩短，也就是在文章开头所发的帖子。
在他看来，「当前的教育模式还处于人工智能出现之前，需要根本性的更新。」
不过，不同于对 AI 工具在工作中所带来影响的积极认可，关于 AI 工具在教育中的作用，大家开始出现了分歧。
有网友认为，就像 Yuchen Jin 所言，博士期间约有 25% 的时间是用来阅读大量论文的，但 AI 的出现让这一部分变得不一样了。「我以前需要花几个小时来解析晦涩的论文，而现在只要请 Claude 帮忙解释关键见解，并对照实际论文进行验证就可以了。」
当然，他也坦言，虽然现在还不能算是完美，但这只是时间的问题。
网友 Thierry Laurent 也持相似看法，他说自己目前正在攻读遥感硕士学位，以往需要几个月才能积累的脚本素材，现在在 Codex/CC 里只需要几天时间就可以了。「我们目前正处于一个转折点，但大学尚未准备好。」
但一位名为 alyxya 的网友并不这样认为。在他看来，对于学生来说，仍然需要花费时间来学习批判性思维、推理行业理解能力。「AI 就像个人导师一样，我可以不断地向他提问，但 TA 不能强迫我立刻内化这些知识。」
网友 Palmi 也有类似的看法，他认为，也许 AI 工具的接入会让毕业时间加快，但是，「你会像现在这样优秀吗？」AI 确实加快了工作、学习进程，但对于个人来说，并不会获得任何（处理过程中）的知识。
网友 Burhan 甚至觉得那些曾经「浪费」的时间让自己成长了。他内心深处开始思考一个问题：这「5 年半的挣扎」是否真的在我们身上构建了一些「1 年冲刺」所无法带来的东西。换句话说，这种用「笨办法」死磕硬磨所带来的阻力，是否反而锻造出了一种更深层的专业造诣？
还有网友调侃称，「兄弟，不过别忘了，你不是唯一有AI工具的人，也许你的导师很快就会把研究生要求定为：需要50篇第一作者论文。」
最新信息是，Yuchen Jin 又发了一个案例，说他一位从事 AI 研究的朋友正在教自己 8 岁的孩子用 Claude Code 写 PyTorch 代码。
他表示，自己对这种虎妈式的做法感到震惊。但真正的信号是：当一个 8 岁的孩子能建造出需要多年学校和训练的东西时，「高等教育」就变得过时了。
「经验年限现在远不如品味、好奇心、主动性，以及与人工智能合作的能力重要。」
目前，关于这一观点的争论还在继续，各路网友都在基于自身的经验或认知来阐述自己的立场，帖子热度也在继续高涨。
那么你呢，你如何看待持续快速发展的 AI 对教育带来的影响？
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
