最近，我沉迷于一本名为《浪潮将至》的书，由人工智能领域专家和专业作家联手打造。这本书不仅深挖了AI、生物技术和量子计算等尖端科技的最新动态，还剖析了它们如何重塑我们的世界。书中不仅清晰描绘了技术变革的冲击波，还提供了一套应对策略，帮助我们驾驭技术风险，优化社会治理。比尔·盖茨都说好，把它列入了2024年必读清单。读完这本书，你将对技术浪潮有全新认识，找到在这波浪潮中乘风破浪的秘诀。
这本书信息量密度大，读着读着，我就从AI的发展中感悟到了自我成长的启发。书中有个例子让我印象深刻：
【优步的成功离不开智能手机，智能手机又依赖GPS，GPS离不开卫星，卫星发射靠火箭，火箭技术又源自燃烧技术，而这一切的起点，竟然是语言和火的发现。这个例子告诉我们，技术的发展是站在巨人肩膀上的。只有打好基础，才能在技术的道路上越走越远。】
这个道理听起来简单，但实际操作中，很多人还是会忽略。比如，家长辅导孩子作业时，常常感到挫败：“为啥孩子就是学不会？”其实，问题可能出在沟通方式上。心理学家皮亚杰发现，儿童成长分为四个阶段，每个阶段都有其独特的认知特点。比如，2到7岁的孩子很难理解他人视角，也缺乏逆向思维。所以，想让这个年龄段的孩子理解复杂概念，简直是“鸡同鸭讲”。
所以，想要取得好效果，就得先搞清楚当下的实际情况，然后在此基础上再追求进步。
成人学习也一样。许多人梦想成为领域专家，这就需要在已有知识的基础上不断拓展，逐步掌握该领域的所有知识。而不是无视自己的实际情况，一头扎进去苦学，结果往往是事倍功半。
人工智能这个概念在1956年就被提出，但几十年来发展缓慢，直到近几年大语言模型的诞生才迎来拐点。大语言模型的实现依赖于深度学习技术。深度学习是机器学习的一个子领域，其核心思想是通过构建多层神经网络模型来模拟人脑神经元的工作方式，让计算机能够自主学习并提取数据中的高级特征。简单来说，就是模仿人类大脑的学习方式。书中用AlexNet的案例来说明什么是深度学习：
【AlexNet的训练数据主要由图像构成。图像中的每个像素都会被赋予一个数值，这些数值组成的数组被输入神经网络。在神经网络内部，“神经元”通过一系列带有权重的连接相互关联，这些权重大致反映了信息输入之间的关联强度。神经网络的每一层都会将其接收的信息传递给下一层，创建出越来越抽象的表征形式。然后，一种称为反向传播的技术介入，负责调整网络连接的权重以优化神经网络。当系统发现错误时，这种调整会反向传播回网络，帮助网络在未来纠正相同的错误。通过不断重复这个过程并微调权重，神经网络的性能会逐渐提高。最终，它将从接收的单个像素开始学习，识别出线条、边缘和形状，最终理解场景中的整个物体。】
深度学习就是模仿人类大脑学习的过程，所以这个方式也适合于人类学习，也就是先将要学习的东西消化理解，然后去实践，或是做练习题，或直接在现实中应用，最后根据得到的反馈不断地去调整自己的行为，直到解决问题。
人工智能之所以能成为新浪潮的核心，是因为它能够与其他技术结合，形成“AI+”。书中描述了一个场景：【通过将算力与人工智能和制造技术相结合，我们将能够以前所未有的速度、精度和创造力设计、操纵和制造产品。】
一项核心技术的价值不仅在于其本身，还在于它能够与其他技术结合，产生“1+1＞2”的效果。作为一个领域的专家，仅有知识是不够的，还需要能够将这些专业知识与其他领域相结合。麦肯锡的咨询顾问就是这样的专家。他们能够将自己的专业知识与其他行业的业务相结合，提出创新性的建议，实现突破性增长。所以，想要成为有价值的专家，除了专业知识，还要善于与其他领域的知识相结合，让自己成为“专业+”。
总结一下，初读之下我得到的启发是：自我提升时首先要了解自己当下的基础是什么，在自己的基础上规划学习计划；其次，采用深度学习的方式进行学习；最后，思考如何将自己的专业知识与其他领域相结合，形成“专业+”。
