与「職場」相关的搜索结果

其实一年时间足够让你改变命运了 和大家说件开心的事， 离职3个月了。 收入达到了之前的10倍以上 去年一月份，我开始做自媒体账号 到现在全网已经积累了不少AI垂类粉丝 下面这篇文章是我离职的日子写的， 跟X上的朋友们分享下： 和大家说个喜讯， 我终于把辞职申请交出去了。 一年以前，我刚开始做个人账号。 一年后的今天，我终于提交了那封在草稿箱里躺了无数次的离职申请。 和大家一样。 过去这一年里的每一天， 坐在工位上对我来说都是极其痛苦的煎熬。 促使我自媒体的起因很简单。 勤恳工作三年，公司给我升了职， 但工资单上的数字连一块钱都没有变。 从那时起， 我心里就憋着一股极其强烈的闷气。 我意识到打工人永远是职场里被单方面压榨的群体。 哪怕你取得的成果再好也没有用。 老板会觉得你离不了公司， 离不开你就得接受。 为了给自己找条出路， 我开始把日常对AI的思考直接发在网上。 在那之前我已经跑通过两个小红书万粉账号， 也做成了公众号百万粉丝的账号。 但这次切入 AI 赛道， 正好赶上了DeepSeek的流量大潮。 我花了 15 天时间，粉丝量就直接突破了两万。 我把这段经历全盘托出， 是想和你分享几个打工人自救策略。 第一，强制自己公开学习 不要关起门来死磕。 把你摸索新工具、尝试新流程的日常， 直接发在公众平台上。 把你踩过的坑和跑通的小闭环变成公开的表达。 把你个人的成长轨迹转化为可以被别人看见的数字资产。 真的不用担心大家会嘲讽， 你越不装，越诚恳地分享，大家反而会越包容。 第二，动手解决自己的极小需求 利用现成的 AI 工具， 给自己做一个极其简单的小东西。 哪怕只是帮你整理行业简报或者处理表格。 这能让你最快地触碰到当下社会最前沿的生产力。 第三，建一个属于自己的发声账号 不管你现在的行业是什么。 我都极其建议你去弄一个完全属于你个人的账号。 当你每天下班后都会有让你开心的事情发生。 当你在公司之外拥有了获取流量和正向反馈的能力。 你再面对那些职场画饼时， 心里就会多出几分底气。 一年时间听起来很漫长。 但在一个高潜力的方向上持续发力， 它绝对足够让你彻底翻盘。 永远去关注那些最新科技趋势的动向。 这才是普通打工人唯一能拿到手里的筹码。

马斯克当年入主推特（Twitter）等公司时，二话不说先把以印度的阿格拉瓦尔（Parag Agrawal）为首的高层团队集体扫地出门。这看似是新官上任的任性，实则是技术狂人对职场严嵩式寄生虫的一场精准清洗。 他们最擅长玩的不是提高生产力，而是信息截流与权力人治。他们习惯在老板和基层之间筑起一面墙，把所有的汇报渠道垄断在自己手里。对上糊弄放权，对下严禁越级，硬生生把自己变成了组织里唯一的传声筒。 在这种窒息的架构下，你只有依附他、成为他的党羽，才能分到一点干活的信息；如果你不服，他根本不用整你，只要不给你信息，就能让你的kpi直接归零。而他们为了巩固地位，会疯狂引入更弱、更容易控制的同胞，用人生依附的奴役链条，把原本健全的现代企业退化成封建帮派。 西方老牌高层因为懒政、追求短期分红，往往和这种糊弄学大师双向奔赴。但马斯克是个精力充沛的疯子，他是真的要下一线抓生产、搞研发。 狂人眼里的管理只有两件事：用什么材料，出什么产品。当马斯克亲自卷起袖子走向一线时，这种靠信息不对称编织的权力谎言瞬间就被戳出了大窟窿。 马斯克推崇的是干脆利落的扁平化管理——只要真干活的硬核工程师，砍掉所有传声筒和僵尸项目经理。当那些在底层抬轿子、凑人头的平庸同胞被一刀切掉后，势单力孤的印度裔高层立刻就露出了不会干实事的底色。 说白了，职场上位者只要不瞎、肯动脑，严嵩就得死。你以为他们是在职场上无往不利的管理天才，其实在动真格的硬核清洗面前，他们只是第一波被清理掉的PPT包装大师。

韩红这次帮冯小刚电影《抓特务》站台，一句北京爷们娘们走个面，把票房带起来，咱就有了，之所以直接把全网观众给恶心到了，是因为她把职场上位者最鸡贼的权力话术，理直气壮地搬到了大庭广众之下。 这番话狠狠刺痛普通人的是：需要你自掏腰包时，她跟你套近乎说咱是一家人；等电影大卖、数钱分红时，大别墅却全是冯小刚们的。 电影本是商业行为，好看就买单，不好看就拉倒。韩红却硬要用“北京老乡”的江湖人情债来绑架两千万普通人，把买票看戏变成了一种变相的道德施压。 这种话术的本质就是一场情感PUA：用模糊的共同叙事道德绑架你付出，再用清晰的阶层规则独占所有收益。 时代变了，老百姓兜里都不宽裕，没人愿意再拿自己的血汗钱，去给大导演的大局当垫脚石，更不想沦为资本收割情怀的廉价筹码。

置身钉内一下火了，看了个开头就看不下去了，一股奇怪迂腐的文风，各种黑话，大词，初心，宏大叙事，武侠小说的缝合怪，打了百分百的阿里钢印，一百字能说清楚的，非要废话一千字，啰嗦的不得了，简洁能懂富含真实感情的人话已经不会说了。 感觉自由职业久了已经完全无法理解职场上那些屁事了，当然还是被工作时间震惊了，这么高强度的工作，人还会好吗？

最近不拍劇情片了，在思考要做自己的頻道 還是變普通人回去職場當社畜，你們覺得呢？ 底下留言，私訊你一張射照❤️。 破50則我會認真考慮開自己的頻道 讓各位性福🤝，不想照片又想留言的請 「不要照片」。 Ps:（節目效果~我沒這麼愛打手槍） 在此勸大家有槍的少打微秒 佛祖保佑你/妳們🙏

唐杰 @jietang 是清华大学教授、智谱（GLM 系列模型出自他们家）AI 首席科学家，也是国内最懂大模型的人之一。他刚发了长微博（见评论），谈 2025 年对大模型的感悟。 有意思的是，唐杰和 Andrej Karpathy 的观察有不少共鸣，但也有一些不同的侧重点。两个顶级专家的视角放在一起看，能看出更完整的图景。 内容比较长，但有句话我要特别放在前面高亮一下： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 如果你是在做 AI 应用开发，应该反复思考一下这句话：AI 应用的第一性原理不是创造新产品，而是替代人类工作。想清楚这一点，很多事情的优先级就清楚了。 唐杰的核心观点有七层逻辑。 --- 第一层：预训练没死，只是不再是唯一主角 预训练仍然是让模型掌握世界知识和基础推理能力的根基。 更多的数据、更大的参数、更饱和的计算，依然是提升模型智商最高效的办法。这就像还在长身体的孩子，饭量（算力）和营养（数据）必须管够，这是物理规律，没法绕弯。 但光有智商不行，现在的模型有个毛病：容易“偏科”。为了刷榜单（Benchmark），很多模型都在针对性地做题，导致在真实复杂的场景下反而不好用。这好比孩子上完九年义务教育（预训练）后，必须把他扔到真实的职场里去实习，去处理那些书本上没有的烂摊子，这才是真本事。 所以接下来的重点是“中后训练”（Mid and Post training）。中后训练这两个阶段负责「激活」模型的能力，尤其是长尾场景的对齐能力。 什么是长尾场景？就是那些不常见但真实存在的需求。比如帮律师整理某类特殊合同、帮医生分析某种罕见病的影像。这些场景在通用测试集里占比很小，但在真实应用中至关重要。 通用 benchmark 一方面评测了模型效果，但也可能让很多模型过拟合。这和 Karpathy 说的「训练在测试集上是一门新艺术」观点一致。大家都在刷榜，但榜单刷了高分不等于能解决真实问题。 --- 第二层：Agent 是从「学生」到「打工人」的跨越 唐杰用了个形象的比喻： > 如果没有 Agent 能力，大模型就是个“理论博士”。一个人书读得再多，读到了博士后，如果不能动手解决问题，那也只是知识的容器，产生不了生产力。 这个比喻精准。预训练是上课，强化学习是刷题，但这些都还在「学习阶段」。Agent 是让模型真正「干活」的关键，是进入真实世界、产生实际价值的门槛。 不同 Agent 环境的泛化和迁移并不容易。你在一个代码环境里训出来的能力，换到浏览器环境就不一定好使。现在最简单的办法，还是不断堆更多环境的数据，针对不同环境做强化学习。 以前我们做 Agent，是给模型外挂各种工具。现在的趋势是，直接把使用工具的数据写进模型的“DNA”里去训练。 这听起来有点笨，但确实是当下最有效的路径。 Karpathy 也把 Agent 列为今年最重要的变化之一，他以 Claude Code 为例，强调 Agent 要能「住在你电脑里」，调用工具、循环执行、解决复杂问题。 --- 第三层：记忆是刚需，但怎么做还没想清楚 唐杰花了不少篇幅讲记忆。他认为，模型要在真实环境中落地，记忆能力是必须的。 他把人类记忆分成四层： - 短期记忆，对应前额叶 - 中期记忆，对应海马体 - 长期记忆，分布在大脑皮层 - 人类历史记忆，对应维基百科和史书 AI 也要模仿这个机制，大模型对应的可能是： - Context 窗口 → 短期记忆 - RAG 检索 → 中期记忆 - 模型参数 → 长期记忆 一个思路是「压缩记忆」，把重要信息精简后存在 context 里。目前的“超长上下文”只是解决了短期记忆，相当于把它能用的“便签纸”变长了。如果未来 context 窗口足够长，短中长期记忆都有可能实现。 但有个更难的问题：怎么更新模型自身的知识？怎么改参数？这还是个未解难题。 --- 第四层：在线学习和自我评估，可能是下一个 Scaling 范式 这一段是唐杰观点里最前瞻的部分。 现在的模型是“离线”的，训练好就不变了。这有几个问题：模型不能真正自我迭代，重新训练浪费资源，还会丢掉很多交互数据。 理想情况是什么？模型能在线学习，边用边学，越用越聪明。 但要实现这一点，有个前置条件：模型要知道自己对不对。这就是「自我评估」。如果模型能判断自己的输出质量，哪怕是概率性地判断，它就知道了优化目标，就能自我改进。 唐杰认为，构建模型的自我评价机制是个难题，但也可能是下一个 scaling 范式的方向。他用了几个词：continual learning、real time learning、online learning。 这和 Karpathy 提到的 RLVR 有一定呼应。RLVR 之所以有效，正是因为有「可验证的奖励」，模型能知道自己对不对。如果这个机制能泛化到更多场景，在线学习就有可能实现。 --- 第五层：AI 应用的第一性原理是「替代工种」 这是对我启发最大的一句话： > AI 模型应用的第一性原理不应该是创造新的 App，它的本质是 AGI 替代人类工作，因此研发替代不同工种的 AI 是应用的关键 AI 的本质不是创造新的 App，而是替代人类工作。 两条路： 1. 把以前需要人参与的软件 AI 化。 2. 创造对齐人类某个工种的 AI 软件，直接替代人类工作。 Chat 已经部分替代了搜索，同时还融合了情感交互，下一步就是替代客服、替代初级程序员、替代数据分析师。 所以，明年 2026 年的爆发点在于“AI 替代不同工种”。 创业者要思考的不是“我要开发个什么软件给用户用”，而是“我要造一个什么样的 AI 员工，去帮老板把某个岗位的人力成本砍掉”。 换句话说，别老想着做一个「AI+X」的新产品，先想想哪些人类工作可以被替代，再倒推产品形态。 这和 Karpathy 关于「Cursor for X」的观察遥相呼应。Cursor 本质上是「程序员这个工种的 AI 化」，那么各行各业都会出现类似的东西。 --- 第六层：领域大模型是个「伪命题」 这个观点可能会让一些人不舒服，但唐杰说得很直接：领域大模型就是个伪命题。都 AGI 了，哪有什么“领域专用（domain-specific）AGI”？ 之所以有领域大模型存在，是因为应用企业不愿意在 AI 模型公司面前认输，希望用领域 know-how 构建护城河，把 AI 驯化为工具。 但 AI 的本质是「海啸」，走到哪里都会把一切卷进去。一定会有领域公司主动走出护城河，被卷进 AGI 的世界。领域的数据、流程、Agent 数据，慢慢都会进入主模型。 当然 AGI 还没实现之前，领域模型会长时间存在。但这个时间窗口有多长？不好说，AI 发展实在太快了。 --- 第七层：多模态和具身智能，前景光明但道路艰难 多模态肯定是未来。但当下的问题是：它对提升 AGI 的智能上限帮助有限。 文本、多模态、多模态生成，可能还是分开发展更高效。当然，探索三者结合需要勇气和钱。 具身智能（机器人）更难。难点和 Agent 一样：通用性。你教会机器人在 A 场景干活，换个场景又不行了。怎么办？采数据、合成数据，都不容易，还贵。 怎么办？采数据，或者合成数据。都不容易，都贵。但反过来，一旦数据规模上去了，通用能力出来了，自然就形成门槛。 还有个问题往往被忽略：机器人本身也是个问题。不稳定、故障频繁，这些硬件问题也在限制具身智能的发展。 唐杰预判 2026 年这些都将取得长足进步。 --- 把唐杰这篇文章串起来，其实是一张相当清晰的路线图： 当下，预训练 scaling 依然有效，但要更重视对齐和长尾能力。 近期，Agent 是关键突破口，让模型从"会说"进化到"会做"。 中期，记忆系统和在线学习是必修课，模型要学会自我评估和迭代。 长期，工种替代是应用的本质，领域护城河会被 AGI 冲垮。 远景，多模态和具身各自发展，等待技术和数据的成熟。 --- 把唐杰和 Karpathy 的观点放在一起看，能看出几个共识： 第一，2025 年的核心变化是训练范式的升级，从「预训练为主」变成「多阶段协同」。 第二，Agent 是里程碑，是模型从学习走向干活的关键跨越。 第三，benchmark 刷分和真实能力之间有鸿沟，这个问题越来越被重视。 第四，AI 应用的本质是替代或增强人类工种，不是为了做 App 而做 App。 不同的侧重点也有意思。Karpathy 更关注「AI 是什么形状的智能」这个哲学问题，唐杰更关注「怎么让模型在真实场景落地」的工程问题。一个偏「理解」，一个偏「实现」。 两个视角都需要。理解清楚了，才知道方向对不对；工程跟上了，才能把想法变成现实。 2026 年，会很精彩。

二月蜜雅出沒行事曆 💜-圖奇直播 🧡-線下活動 2/04💜金探子手作台 2/07~09🧡圓山花博FF D1.2 U33 D3 F17 2/11💜FF44回顧&抽獎規則詳細 2/16💜睡衣舒眠ASMR 2/18💜蜜粉的職場雷事分享 2/23💜Cosplay ASMR 2/27💜看看大家的蜜雅收藏

「＃職場少女 Fighting!」公式MV公開！ ＃えなこ さんがイメージキャラクターとしてアイドル衣装を着て撮影！ 一度聴いたら忘れられない、キャッチーなメロディーと歌詞に注目♥ 社長のみなさん、えなこさんが歌う #主題歌# をいっぱい聴いて、エネルギーチャージをしてください～