【外评】作为全栈开发人员如何跟上 AI/ML 的发展？
内容提要
文章讨论了人工智能和机器学习的炒作周期，强调对技术的怀疑态度。作者认为，尽管人工智能有潜力，但过度炒作可能导致泡沫破裂，影响投资者信心。研究人员应关注实用性，避免将人工智能强行应用于不需要的领域。技术的成功依赖于解决实际问题，而非盲目跟随趋势。
延伸解读
炒作周期中的信任危机
文章指出，AI/ML 正处于类似 VR 和加密货币的炒作周期。过度炒作可能导致泡沫破裂，投资者信心受损。更严重的是，炒作让骗子和诚实研究者难以区分，骗子会从一个热点跳到另一个热点，而诚实研究者则长期深耕。这种信任危机可能使整个领域失去资金支持，因此研究者应主动抵制过度炒作，维护领域声誉。
LLM 编程的实用性与局限
多位开发者分享了使用 LLM 编程的经验：有人用 ChatGPT 在 60 分钟内完成 Chrome 插件，有人用 Claude 3.5 快速生成代码。但 LLM 也存在局限，如对不常见 API 或特定版本库支持不佳，可能产生“黄金路径”效应，且会自信地给出错误答案。因此，LLM 适合快速原型和重复性任务，但需谨慎验证，不能完全替代传统开发。
全栈开发者的学习策略
对于全栈开发者，文章建议不要盲目追逐所有新趋势，而应关注与自身相关的工具。学习 pgvector 和文本嵌入模型是一个实用起点，也可从 OpenAI 或 Anthropic 的 API 示例入手构建小项目。ML 研究员提醒，架构创新与领域应用不同，不必实时跟进，让时间过滤噪音。重点是将 AI 作为工具，解决实际问题，而非为用而用。
AI 应用的适用场景与风险
文章强调，AI 并非万能，应避免强行应用。适合的场景包括：处理复杂规则、拥有大量数据、且错误可容忍。例如，用 ML 过滤鼠标幽灵事件、识别野猪家族、植物识别应用等。相反，若问题不需要 AI，强行加入会令用户反感。开发者应识别问题，再选择工具，而不是为了证明技术而寻找问题。
Q&A
人工智能和机器学习目前处于什么样的周期？
人工智能和机器学习正处于一个炒作周期，类似于之前的虚拟现实和加密货币。
过度炒作对人工智能领域有什么影响？
过度炒作可能导致泡沫破裂，影响投资者信心，并使人们难以区分诚实的研究者和投机者。
研究人员在人工智能应用中应该关注什么？
研究人员应关注技术的实用性，确保人工智能能够真正解决实际问题，而不是盲目跟随趋势。
如何避免在人工智能领域的投资泡沫？
应避免过度炒作，关注技术的实际应用和解决问题的能力，以防止泡沫破裂。
人工智能的成功依赖于什么？
技术的成功依赖于解决实际问题，而非盲目跟随趋势。
在应用人工智能时需要注意哪些问题？
必须确保人工智能能够真正解决问题，而不是为了证明技术的合理性而强行应用。
