- 降噪 | denoise
- Posts
- EP38 - 2025 學習 AI 的最佳實踐
歡迎來到降噪，一起消除雜訊洞察價值
OVERVIEW
本期重點
2025 學習 AI 的最佳實踐
我開了 AI 學習社群
SHARING
2025 學習 AI 的最佳實踐
2025 學習 AI 的最佳實踐
或許提到的人還不多，但我認為人類目前學習與適應 AI 速度，遠遠不及 AI 進步的速度。每一天，電腦科學領域都在刷新歷史，每周幾乎都會有新的模型、新的論文以及新的應用讓你剛學會的知識過時。
同時間，我們還要對抗許多外在的吸引力以及干擾，呵護所剩無幾的「專注力」，謹慎的挑選一個有興趣的領域，把珍貴的「專注力」投入其中。
時間、專注力以及選擇絕對是我們最珍貴的資源，我本身並不是什麼生產力專家，僅是一位對 AI 極有興趣的產品人，下面將以個人經驗分享我自己學習 AI 的過程。
弄懂生成式 AI 的底層邏輯 (基礎)
第一個也是最重要的一個，就是搞懂生成式 AI 的底層邏輯。為什麼 Transformer 的注意力機制比類神經網絡的機制更有效？Scaleing laws 是什麼？湧現是什麼？什麼是Embedding、Tokens、LoRa、RAG、Fine-tuning、Vetor database？
左邊的文字透過embedding處理後變成右方的向量格式
這些基礎知識真的超級重要，遇到很多人跳過基礎知識，對於 Tokens 是什麼還不清不楚。就如同使用電腦不知道 bit 是什麼，更遑論搞懂 5G ram 5G rom 跟 5G 通訊的差別。
更進階一點可以深入了解繪圖用的 Diffusion Model 是什麼？為什麼每一張圖都是從一張充滿雜訊的圖片開始？每個模型是用什麼原理把充滿雜訊的圖片「降噪」成清晰的圖片？為什麼 Transformer Model 可以跟 Diffusion Model 混用（ 多模態 ）？
現在學習這些知識也不需要花你太多的時間，你甚至可以把這些問題全部丟給 AI ，要求它把每個問題仔細的說明，或是用 Notbook LLM 生成 Podcast，通勤或運動時聆聽。
若有餘裕，可以把時間投入高價值的 event ，這些演說許多都蘊含未來發展的諭示。
找出低效率工作並自動化它 (實踐)
現在是時候審視你的日常工作流程了。花點時間列出那些占用大量時間卻效率低下的工作項目。也許是重複性的資料處理、例行性的報告製作、或是繁瑣的文件整理工作。選擇其中一項，開始研究如何運用 AI 工具來自動化它。
現在正是學習新程式語言和工具的最佳時機。不論是 Python、JavaScript 還是其他程式語言，有了 AI 輔助，學習曲線都變得更加平緩。只要每週撥出固定時間學習這些效率工具，你很快就會發現自己的生產力開始超越同儕。
分享成果建立正向循環 (擴散)
當你開始在 AI 應用上有了一定成果，別把它藏在心裡。把你的學習心得和成果分享給同事或朋友。也許是在社群媒體上展示你用 AI 生成的作品，或是分享你精心調校的 Prompt 提示詞，這些都是很好的實踐方式。
分享成果給更多人，將會得到更多
分享不僅能幫助他人，更重要的是能建立一個正向的外在激勵循環。當你看到他人對你的分享產生共鳴和回饋，這份成就感會激勵你繼續深入研究和創新。社群的力量往往能帶給你意想不到的靈感和動力。
放眼全局解決更大問題 (突破)
當你掌握了基本技能，是時候把視野拓展得更寬廣了。開始關注周遭人們面臨的問題，思考如何運用你的 AI 技能來創造更大的價值。不要侷限於小範圍的改善，而是要思考如何將解決方案擴大十倍、百倍，甚至千倍的規模。
也許你可以開發一個工具來解決整個行業都在苦惱的問題，或是設計一個系統來幫助更多人提升工作效率。重點是要培養一個更宏觀的思維方式，看見並抓住更大的機會。
你的行業獨特觀點將會為你帶來絕無僅有的機會。因為你走過這一連串的學習，才有機會領悟到新的 AI 工具與你的知識產生新的機會，這是屬於你的紅利，也是別人難以複製的不對稱優勢。
動手去試錯 (執行)
AI 領域仍然充滿著無限的可能性。不論是在流程優化、資訊安全、終端應用、企業導入，還是一般的學習探索領域，都還有大量待解決的問題和機會。我正在實踐這個學習路徑，一邊學習新知識，一邊協助他人解決問題。
但最重要的就是把自己的構想付諸執行，建立一個小專案來實現你的目標。不要被完美主義綁架，失敗是很正常的。重點是使用 AI 工具快速的迭代你的專案，你會在過程中發現人類從錯物中學習的能力比 LLM 強大許多。
期待每個人都能在自己的專業領域中，發現值得投入時間和精力去解決的問題。在 AI 時代，最重要的不是跟上所有的新技術，而是找到適合自己的切入點，並持續深耕。你的每一步積累，都可能成為推動整個領域進步的重要力量。
Reply