如何理解好团队

如何理解好团队，好友的分享：

  • 我玩乐队20多年了，一直是3-4人小团队的状态，如果人合适，是能碰撞出远大于每一个人能力的作品的

  • 一个人的时候不仅容易“中断”，还很容易保守

  • 音乐界也有一种模式，是一个人跟各种其他人或者团体合作，不固定的。我觉得这种一般都很平庸，做得久了都不知道自己想做什么了

  • 反而是固定的乐队，成员固定，在一起时就成了一个合体状态，这个合体是有自己的风格的

我的理解，长期的磨合，很多时候就容易达到一种独特的默契的状态。这种默契，会因为没有内耗，而极大的增加优秀创意、创新的可能。

听书的时候，也刚好听到一个相关的一个总结：单打独斗的时代早就过去了。以前爱因斯坦那个年代，天才科学家可以独自工作，而过去这二十年间，团队合作写出来的论文水平已经高于个人。现在最优秀的专利也是团队的成果你得找到队伍才好。

这里的关键，就是和最优秀的人，一起组成一个最优秀的团队，这样会极大的提升整体的成果。

在AI时代，团队规模无需大，但需要每人都独当一面，都在那一面的佼佼者，都是在那一面里最顶级的人。

这应该就是一种好的团队效应，它带来的好处：

  • 优秀的固定团队能产生”1+1>3”的效果

  • 长期磨合产生的默契能大幅提升效率和创造力

  • 稳定的团队更容易形成独特的风格和优势

最近又认识了一位新朋友，他说他在选择创业伙伴的时候，选择的标准，也是去找业界顶尖的高手，这样的团队会比较有意思。关键不是堆人，而是找到最强的互补型专家

聊聊o3

OpenAI发布会的最后一天，终于来了一个大招，发布了o3

看到的一个性能总结：

  • o3 在 Codeforces 编程竞技中击败了 99.9% 的程序员，在 168076 名程序员中排名 175 名

  • o3 在编程解决真实世界需求方面也比 o1 有明显提升，在 SWE-Bench 软件开发测试中，之前发布的 o1-preview 是 41.3%，o3 是 71.7%，也就是 70% 的真实世界需求，o3 可以直接做对，并通过单元测试。也就意味着只有剩下 30% 的工作需要人类程序员去编码完成了，而这部分工作 AI 也可以帮助人类程序员大大提升效率。

  • 在 AIME 2024 数学测试中做对了 96.7%，相当于在美国数学奥林匹克竞赛上只答错了一道题。

  • 在博士级别科学问题测试的 GPQA Diamond 中超过 o1 10 个百分点，而 o1 已经基本上是人类博士生的平均水平。

  • 图形逻辑推理的 ARC-AGI，o3 经过微调后，达到 87.5%，超过人类平均水平（85%）。

Codeforces，一个全球著名的编码竞赛平台。o3的得分是2727，这个得分，相当于整个榜单的第175名，已经超越了99.99%的人类了。

o3的编程能力、数学能力、逻辑推理和一些科学问题上，其智力水平已经吊打普通人类了

对普通人或普通创业者来说，o3的发布，意义还是很大的，尤其是在获取知识、获取一些启发性思考和解决一些与逻辑有关的问题时，AI是一个非常高水平的助理甚至导师级别，我们完全可以借助AI去挑战更有难度的事情

另外无论是否有编程基础，通过AI去实现一些编程任务甚至复杂一些的编程项目时，不再变得困难，我在用AI进行一些代码编写的时候，确实能感觉到它的惊艳，AI在工程能力和具体的应用场景设计，还需要人的深入思考，这就是人的价值

其实当前更重要的是，还是要尽快养成用AI去解决实际场景的问题的思维习惯，这种思维习惯的建立，是更难的

向顶尖的人学习

看到一篇资料，来自几位Claude工程师关于Prompt Engineering的访谈节目，一看完就觉得很惊艳

看了好几遍，发给了一位好友，我们一致认为这是目前最好的一篇关于Prompt Engineering的资料

这种直击本质的分享，正是我们想要的

这也是顶尖人才的特征之一,他们往往能把复杂问题简化到核心本质。

我的感触是，于学习而言，最重要的当然是选择学什么，确定了这个之后，最重要的是，选择跟谁学

如果你所接触的信息，是平庸的，那给自己带来的认知提升也显然就是平庸的

所以主动寻找学习资料，一个最重要的原则，就是去找到世界上最顶尖的人，找到他对于这个方向的分享，然后去学习

这个道理显而易见，这个领域最顶尖的人、最优秀的人，那么他对于这个领域的认知、思考也往往是最顶尖的

如果要学习一个新领域，应该遵循的逻辑:

  • 先识别这个领域最具影响力的人物

  • 找到他们的原创分享

  • 深入理解他们的思维模式

  • 系统性地消化吸收

  • 转化为自己的知识结构

几个关键点:

  1. 在学习时要注重”源头思维” - 直接向领域内最顶尖的人学习,汲取最原创、最深刻的思想。
  2. 优质内容的特征是”直击本质” - 真正的专家能把复杂问题简化到核心,提供独到的见解。
  3. 学习效率的关键在于内容质量 - 与其花时间在平庸的内容上,不如集中精力学习最优质的材料。
  4. 主动加工很重要 - 就像你的朋友一样,要把获得的知识系统化整理,转化为自己的认知体系。

朋友很快速的把它做了一个系统的整理，包括总结、翻译等，形成一个文档： 深入探讨Al prompt engineering: A deep dive

路径依赖原则

晚上和两位朋友喝酒，朋友问到一个问题：在目前的这个方案下，是否还有更好的选择？

于是我想了想，我的回答是，更好的选择，如果是适用于自己，那么应该是各个要素的交集。

也就是，自己擅长、自己又喜欢、又有市场需求、又有一定的增长潜力，这样组合下来，就是最好的选择。

进一步总结，选择做一个事或者一个项目，最佳的策略，还是要有70%的路径依赖+30%的新策略，才有可能实现一定水平的突破，否则要么是原地踏步，要么就是不知者无畏的壮烈牺牲。

这一个原则，和看书学习有点相似，最佳的学习效果，是70%的内容是熟悉的，30%的内容是不熟悉的。

在AI时代，也是这个逻辑，任何场景都值得用AI再重新做一遍

AI的能力就是那30%，场景原有的解决方案就是那70%

在有些场景下，用AI来解决的比例甚至可以更高，比如50%，甚至70%

这可以有效的培养自己的AI思维

和年轻的聪明人学习

晚上请了两个AI大神吃饭，一个是我的项目合伙人，一个是刚认识的清华学霸

这位清华学霸，之前在OpenAI实习过，目前是国内一家AI公司的联合创始人，他因为看我的飞书文档，添加了我的微信。

然后发现他和我的项目合伙人也认识，且关系不错，于是就邀请他们俩一起喝茶加晚餐

和年轻的聪明人交流的好处，就是你总能很轻易的发现他们身上的闪光点，并且很欣赏

比如这位朋友，每周要看四五篇AI相关的论文，对AI相关的复杂性工具的认知很高，聊起创业时富有激情，一直保持着深度的学习习惯和深度思考等

尤其是在微信做自我介绍时，提及：要做一家颠覆字节跳动的公司。这让我很是吃惊，这年头，已经很少有人有这样的激情了

比较难能可贵的是，他所做的工具，恰好是我目前一直在寻找但还没有发现的，晚上给我看了下他们的DEMO，我就强烈要求，赶紧给我开API，我需要马上应用测试

又回到一个充满机遇和激情的时代了

道理有用

有用的道理，对人的成长、应对挫折，其实是有用的

至于这类观点：听了很多道理，仍然过不好这一生。这里的核心区别是，你是否真的听进去了

道理的背后，是认知水平，你对道理的理解程度，对自己的认知水平起到了很大的作用

看过一个实验，两组同学，一组在考试前给他们讲一下关于考试的道理，另一组不讲，讲了道理的同学考试平均成绩要高出70分，这证明了道理的有效性。

当我们在面对一个挫折或者困难的时候，压力就会显现

这是因为人的基因决定，在面对风险时，基因会自主的通过焦虑、压力来释放紧张的情绪，从而提升应对水平

所以才有这样一句话：有压力才会有动力

但实际上，压力过大对人的健康损害很大

压力带来的焦虑是原始人时代人为了应对自然的各种不确定风险而产生的应急反应

现代社会无需有这样的问题，我们不用担心猛兽什么的

所以在面对压力时，我们可以通过认知调节，来改善大脑对于压力时的反应

比如，面对每一次压力和挑战，对于个人而言，都是一次非常好的成长机会。