今天我们来讲清楚
为什么Jev不值得那么关注
以及更重要的问题
就是每当有这样一个新技术的时候
我们怎么样子判断
它究竟是下一个技术范式
是值得我们关注和重点投入的
还是它其实只不过是一个泡沫
或者说只是一个hype(炒作,过度热议)
一个过度的关注
大家如果回忆的话
过去两三年
AI圈有各种各样这样的概念
比如说上一个小龙虾
MCP、RAG、LangChain、fine-tune等等等等
所有的这些概念
我们都是带着时间戳去旗帜鲜明地
在它刚出的时候就直接反对它
说它们虽然现在得到那么多关注
那么多大佬去说
这个东西是多么多么重要
但是我们断定它一定会凉
大家不值得关注
而像Agent、Claude Code、Skill这样的技术范式
我们也是在第一时间
就呼吁大家去紧密关注它
因为它真的很重要
比如说在2025年的2月份
那个时候Anthropic内部还没有关注Claude Code
所有人注意力都是集中在3.7那个模型上的时候
我们就跟大家说
Claude Code其实是一个非常非常值得关注的
技术范式
那之后的发展也看到了
可能过了半年
大家开始疯狂地吹捧Claude Code
很多自媒体博主
也因为去讲Claude Code而蹿红
但如果你一直关注我们的文章
关注我们的社区的话
你早就看到了这一点
你既不会在错误的技术上
浪费时间和注意力
你也会在正确的技术上去加大投入
那这期视频
我就想把这套方法完整地教给大家
以及跟大家讲清楚
为什么会产生这样的hype(炒作,过度热议)和以后
你在看到了这种类似的叙事框架之后
你一眼就能看出来
它的这个hype(炒作,过度热议)的机制
到底是怎么产生的
也非常有助于你提升判断力
在这里边我还有一个请求啊
就是如果你只是想来杠一下
然后你不打算看我的视频
就直接杠的话
请你直接离开
我不需要你带来的流量
不需要你带来的关注
我也懒得去跟你解释
如果你看完了视频
觉得我哪里说得不对的话
非常愿意跟你讨论
那好我们先说最重点
就是怎么样子用一件事情去判断
这个新技术好还是不好
最重要的那件事
就是看它到底应该跟什么去进行比较
比如说Jev这个技术
它自己的叙事框架里边呢
它是跟现在的大语言模型去进行比较
就是跟这个frontier(前沿)大语言模型进行比较
然后再通过比较去得出来了
它的速度更快
它的成本更低
这就好像邵艾伦去跟马斯克比较
有没有薄肌一样
对吧
就是你找一个维度当然是可以比的
但问题是Jev
它的竞争对手是GPT-6吗
不是
因为Jev
它其实你如果看它的机制
和它要做的事情呢
它是一个prefill(预填充)的这样的模型
它是没有autoregressive(自回归)的机制的
你不需要关注这个技术点
那应该去比较吗
不应该
我在这里就不说技术语言了啊
像以前一样
我的这个文章
其实已经早就发到社区了
社区里边是有专门的技术语言
和技术讨论的
在视频面前呢
我就尽量不用技术语言
在这里呢
你就知道
就是Jev本身是一个非常简单的
非常小的东西
然后你这些东西呢
如果你用本地的小模型
可以做到比Jev的精度更高
比Jev的一致性更好
然后比Jev的速度更快
比Jev的成本更低
当然可能你不能同时在四个维度
同时满足啊
但是你这样一放的话
你就会去发现
Jev虽然不错
但是它没有一个特别突出的亮点
它也没有吊打其他的替代方案
它就是一个泯然众人的解决方案而已
可是它的这个技术叙事
把它拿去跟大语言模型去比较
它最擅长的事情
大家就觉得它好像很厉害
这事听起来其实并不难对吧
但是为什么它会引起很多
哪怕看上去很懂技术的人的错判呢
这就涉及到
我们判断一个新技术的五层叙事
然后我必须要把这个五层叙事给拆解出来
我们大家才能看清楚
这种叙事框架的陷阱到底在什么(地方)
和为什么
大家会陷入这个叙事陷阱里边
好
这五层呢
分别是你看到一个新技术
你先要理解这个新技术是什么
第二你要知道
它适用的范围和不适用的范围是什么
第三你要有一个自己的比较框架
就是你要在什么维度上衡量它好还是不好
第四也是最重要的
就是
它到底应该跟什么技术去进行对标
因为这个技术出现
总是为了做一件事嘛
然后你做一件事
你让邵艾伦去跟马斯克比较薄肌
当然是不合适的
就哪怕我们认为薄肌很重要
在薄肌这个维度下
邵艾伦也可以去跟另外一个薄肌博主
或者说是一个健身博主去比较薄肌
它去跟马斯克比较薄肌
这个行为我们都知道是碰瓷
但是落到技术上呢
我们就看不出来这一点了
一会儿我会去讲
为什么大家会看不出来这一点
这还涉及到一个很重要的点
就是脑补
尤其在中文圈啊
就是我们中文的这些科技博主们
特别喜欢脑补
然后我们似乎观众也特别吃这一套
我也不知道为什么
但是我会把这个现象给大家分析清楚
那第五步就是
在你前四步都做完了以后
你去决定一下
这个东西对你到底有没有用
到底需不需要关注
那我们回到Jev本身
我先用Jev做案例
然后我回头还可以用一些别的东西
来做案例
去帮大家看清楚
这五步分别是怎么做的
Jev本身
Again(再说一次)不用技术语言呢
它做的事情是什么
就是把你现在的状态给到这个模型
然后你给它几个选项
它帮你生成这几个选项对应的概率
然后你就可以直接去做了
那这个技术本身的抽象是什么呢
它其实是个if else(条件分支)对吧
或者说一个case when(条件判断)
如果你就用SQL(数据库查询语言)的话就是
我给你一个input(输入)
然后你给我输出一些output(输出)
然后你也可以输出一些
针对这些output(输出)不同概率
你想做到这一个计算
其实有很多个方法
比如说在最近的这个autoregressive(自回归)模型
之前的BERT
比如说我们GPT
加上一个JSON mode
比如说我们可以用一些本地小模型
直接去读logits(模型归一化之前的原始分数)
然后去进行归一化
全都可以做到这件事情
Jev是这些手段的其中之一
就是我们理解它的这个技术本质
然后我们去看它的适用方式
Jev在本身呢
也去讲了
就是它有什么地方是适用
什么地方不适用的
它会在这种很短的
然后你需要直接回答的地方
用得比较好
那第三就是你针对这样一个技术
你应该在什么维度上去衡量它
对于这样一个
我们可以把它叫做AI referee(给选项打分、做裁判的模型)吧
的这样的一个技术
我们一般是从四个角度去衡量的
分别是你的判断质量
就是你判断准不准
precision(精确率)、recall(召回率)这些东西
一个是你的延迟
你快不快
第三一致性
也就是每次给你一个相同的东西
你是不是稳定
然后你是不是每次同样的输入
你能得到同样的输出
因为我们要判断工单嘛
在它的使用场景下
我们是需要这个东西可复现的
最后呢你是需要可以校准
就是
当这个东西不像我们想象的那样的话
我能不能很有效地去进行校准
当然在这个技术之外
我们还可以去评估成本
但是成本这件事你知道
它是在不断下降的
所以说
我们经常会先去评估这个技术好不好
然后成本再单独去看
如果我们订立好这个标准之后呢
我们再去看它的alternative(替代方案)
Jev去跟GPT比较
但是我们这里就看到了
就是完成这个任务
我们真正有的alternative(替代方案)是什么
我们会发现有好多个不同的alternative(替代方案)
甚至网上有段子嘛
就是说我其实是有一个类似的
Python自带的这样的Jev叫random(Python自带的随机函数)
就是我生成一个随机数
然后去直接分布
那其实做得和Jev差不多
这个时候
我们去
在这个质量和一致性上去比较的话
会发现Jev其实在很多任务上
和这个random(Python自带的随机函数)其实没有一个质变
就是它的质量上其实没有吊打random(Python自带的随机函数)
那就和猜差不多
那在这种情况下它到底有多有用
我们就非常值得商榷了
而我们去看
就是在这么多种不同的技术路径里边
也能看到啊
就是我用一个
本地的小模型去读logits(模型归一化之前的原始分数)
然后去进行归一化的处理
其实在我刚刚说的那个四个维度下
都是很好的
而且它还有一个额外的好处
就是Jev它是自己的服务
有的时候你要用云端
而且它是一个网络服务
就是你给你自己的系统啊
平添了一个外部的组件
而且这个外部组件你还打不开
你还不可以调
但是你本地的小模型呢
既是自己的
然后你还可以调
所以说很多地方
Jev都是被其他的solution(解决方案)吊打
而且它也没有什么新意
那这个时候我们就可以得出判断
就是说Jev不值得我们学习
不值得我们去花这么多时间去关注它
可为什么中文网络
就产生了这样的热潮呢
这就是我们视频第二个点了
就是一个hype(炒作,过度热议)到底是怎么产生的
大家注意啊
就是去看Jev本身的网站呢
它其实做的是非常好的
它的marketing(营销)那些东西我们都不说
那些都是tactics(手法)
我们要关键研究它这个hype(炒作,过度热议)产生的本质的机制
和过去为什么很多东西
它都会产生这样的事儿
首先呢Jev很聪明
它把自己跟GPT去进行比较
而且它比较的这个维度是大家需要的
比如说成本
比如说速度
因为大家现在很多人开始用agents了以后
就发现自己需要在这方面去优化
而很多人是不知道怎么样子提升速度
和降低成本的方法的
比如说我们说
用本地小模型的logits(模型归一化之前的原始分数)加归一化
这个东西大家是不知道的
所以说
它告诉了大家一个新的不知道的东西
然后呢它还有一个不一样的范式
它的叙事框架打开
它去用了一个很聪明的做法
就是说大语言模型是针对人类去进行
RLHF的
reinforcement learning with human feedback
(基于人类反馈的强化学习)
然后它自己说呢
它自己是针对机器去进行优化的
然后这个叙事呢
就打开了大家的想象力是吧
然后大家马上就开始脑补了
大家脑补的就是说
这是一个新的技术范式
确实针对人好像不行
然后我们未来就会有一个
AI对AI的世界了
就不需要说什么让人看得懂的东西了
注意啊这都是大家脑补出来的
那这个叙事为什么不成立
因为所谓的machine native(面向机器,按机器来优化)的世界
就是我们不针对人进行优化
而针对机器进行优化
是整个过去二三十年
所有的软件
所有的程序所做的事嘛
就是你那个程序不就是跟机器说的吗
你那程序不就是给机器看的吗
你的所有的函数都是对着机器的
不是对着人的
只是人要去写这个东西
然后机器和机器之间的交流
本身就是通过这个数据
通过所谓的machine native(面向机器,按机器来优化)
最优化的方式
已经在进行交流了
然后把大语言模型和机器进行结合
所有的Agent不都是在做这件事吗
包括我们说的各种的替代方案
其实也都是在做这件事
Jev并没有在这件事情上
往前多做那么多
或者说它没有提出来一个什么所谓的全新的技术范式
可是因为它的这个叙事
大家就直接掉进去了
大家就对它的这个叙事的框架本身
没有再进行质疑
那绝大多数的技术博主
在这里边
起到了什么样的推波助澜的作用呢
就是
他们其实没有第三层和第四层的能力
就是他们没有办法找到一个
它的best alternative(最好的替代方案)
因为他们见得不够多嘛
就是他们有能力去看到Jev以后呢
去读论文
然后可能去看原文
然后甚至自己implement(动手实现)一下
去把这个Jev试用一下
他们能做好第一步和第二步
首先这已经很难了啊
就是大多数人是做不到这一步的
可问题是当你做了第一步第二步
但是你没有第三步第四步的时候
你就陷入了它的叙事陷阱
因为你觉得哦
它说的东西是真的
或者说
它说的东西有一定的夸大成分在
但是总体来说呢
它说的东西是成立的
而且你是顺着它的这个叙事逻辑
再往下说是吧
你是在它的这个叙事框架里边
而且这个时候你还会产生一个虚妄
就是它说的这个技术范式
别人没有去看
我去看了
然后我看懂了
所以说你变成了它整个的这个叙事框架的一个传播者
那再叠加一层
就是我们过去其实有那么多的AI技术
能传播到我们面前的
一定是它符合一定的时代特征
符合一定的人性
就是我们需要这个叙事框架
所以说这种叙事框架天然就有利于传播
所以说
当一个技术博主去讲这件事情的时候
他的内容就天然会被流量放大
所以说我们在一段时间内
就会看到所有的人都在吹小龙虾
就是那些不吹小龙虾的人
可能都已经看不见了
或者说我吹一个别的技术的东西
大家也看不见
但是一段时间吹小龙虾
因为大家可能那个时候
就想听一个这种小龙虾的叙事
或者想听一个Jev这样的叙事
那这样的内容
叠加上这个流量的分发机制
就会不断地轰炸我们
那这是hype(炒作,过度热议)怎么产生的
第二点
就是这个叙事天然就是有利于传播的
以及它会被这些所谓懂技术的博主
去进一步地强化
那第三点呢
就是你做了第三层第四层
和你没做第一层第二层所得到的结论
很有可能是一样的
就是你是一个完全不学习固执的人
然后你会说Jev这种东西不值得关注
然后做了第一层第二层的人
就说你这个人没有学习
然后你就去否定这个技术
然后你没有看懂这个叙事
你就去否定这个叙事
这是不合理的对吧你是一个草包
但是看懂第三层第四层的人呢
会说我既懂了它的技术
我又看懂了它的叙事
我得出来了一个结论
说它不值得关注
第一层第二层的人呢
可能听到你的结论
就已经不想听你说的话了
对吧他没有注意力
去听你为什么这么觉得
第三层第四层的人
也很容易在这样的一个传播中
成为一个被攻击的对象
比如说我在去年发的关于剖析MCP是什么
MCP的短板
和MCP
为什么它不是一个稳定的技术框架
和一定会有一个新的技术框架的
那个视频里边
下面就有人直接说
我想把你收藏进傻逼list(名单)里面
然后去给了一堆似是而非的这样的攻击
就是因为他觉得他是第一层第二层
然后觉得我是第0层
他在这种情况下
他根本就拒绝承认
我可能是知道第一层第二层的东西
然后我是从第三层
第四层的角度去否定这件事的
那这就是hype(炒作,过度热议)的第三个成因
也就会导致很多懂的人啊
比如说田渊栋
他明知道Jev不好
但是他会站出来去说嘛
没必要
就是他说了以后还会受很多误解
他又没有时间像我一样
跟大家把这个事给完全解释清楚
就会导致很长一段时间
大家听到的都是对Jev的肯定声音
然后你本来心智不坚的人
你在看到这些东西
你又不知道为什么
你不应该关注的时候
你就无脑地跟进去了
就像你之前无脑地跟小龙虾一样
就像你之前无脑地可能采用
RAG、LangChain、fine-tune
这样投入很多错误的时间精力
这对企业的管理层
尤其是致命的
那好这段希望讲清楚了
hype(炒作,过度热议)的成因
那我们再讲一下
就是怎么样子去运用这样的一个逻辑
最重要的就是
你要去找到那个它真正的
应该比较的对象
比如说我们在MCP的那个视频里边
我们先讲清楚了
它的机制
和它机制的短板
就是把你所有该确定性的东西
pass in(传进去)到这个context(上下文)里边
其实是非常不利于debug(调试,排查问题)
然后也非常不利于
我们稳定地去操纵电脑的
这个东西就应该确定性地去调用
所以说Skill
最后就很好地弥补了这一点
我们就说Skill
是可以很好地取代MCP的
比如说LangChain
我们的文章里边就去讲清楚了
为什么我们过去在学习计算机的时候
先学习framework(框架)
但是为什么在AI里边
不应该先学习framework(框架)
和这背后它其实是有一个
design philosophy(设计哲学)
我们不应该直接无脑地去继承
和因为AI变得太快
它底层是不稳的
你用一个framework(框架)在上面的话
其实是把一个简单的东西搞得变复杂
是非常不有利于我们开发的
然后小龙虾我们会说
是因为它的这个黑盒机制
和它的对话窗口
会天然导致它在这个复杂的任务
或者长线任务
或者说我们想去调用它的memory(记忆)的时候
一定会有各种各样的问题
并且它的那种养法
也非常不适合普通人
就是它该有的脚手架其实是没有的
而且在每次我们讲的时候
我们都提出来了真正有效的alternative(替代方案)
比如小龙虾
当时鸭哥就直接开发了一个OpenCode
还开发了这个OpenCode
对应的iOS客户端和安卓客户端
就是说你用我们OpenCode
就是一个比小龙虾更好的alternative(替代方案)
而且那个开发
其实也不是一个很复杂的开发
那在MCP
在LangChain和在RAG
在fine-tune的过程中
我们都是深度地使用了这个技术
尝试了这个技术
拿出来了评价框架
然后拿出来了更好的alternative(替代方案)
而且我们还要给大家讲清楚
为什么大家天然地会觉得
这个东西是好的
就是它们自带的那个叙事框架
为什么吸引人
和为什么这个叙事框架其实是错误的
如果大家感兴趣
我们当时做的具体的技术判断
和我们怎么样子去使用这五层的方法
去看每一个技术的话
我在社区的文章里边都写得非常清楚
当时的文章也都贴在那里边
欢迎大家直接去社区的文章去看
那最后呢
我也想跟大家讲一下
就是想清楚这些事了以后
我发现有两件事
其实是我们很难去弥补的
但是我们想要尽可能弥补的
就是你的第四层啊
非常非常吃功力
我可能能做到第一层第二层也许我能做到第三层
在AI的帮助之下
但是我很难去做到第四层
因为你知道吃过见过
你才知道什么东西是重要的
你真的知道其他的alternative(替代方案)
你才能找到一个alternative(替代方案)
你真的知道Jev应该跟什么比较
小龙虾应该跟什么比较
你才能去找到那个东西
而且最好你还能把它实现出来
去证明你说的这个东西是真的
比如说鸭哥在对比小龙虾的时候
他就真的去做了一个OpenCode
然后大家用了以后会发现
就是比小龙虾好用
然后大家才知道你说的东西是真的
不然的话你空口无凭嘛
就是你可能想的也是错的
或者说你做出来以后发现
根本就不是那么一回事
可能你没有理解清楚
这个技术范式本身是什么对吧
所以说这件事呢
是鸭哥的功力
然后是我不具备的东西
然后我发现呢
我们想把这个东西交给学员的时候
也是很难的
因为其实背后它是很大的基本功
和很多的实践
鸭哥每当有一个新技术的时候
他就天然地想去尝试
然后天然地想去思考
然后天然地想去跟他之前脑子里的所有知识
去进行对比
这件事如果我们没教
我们直接教了一个结论
就是Jev不值得关注
反而会让我们的学员显得像个傻逼
就是当身边的所有人都说Jev好棒啊
Jev是下一个技术范式
然后他去说Jev不值得关注啊
我给你看鸭哥的文章吧
第一别人不会去看鸭哥的文章的
第二呢可能就会觉得
他是一个站在第0层的人
对吧
那怎么办呢
我们在今年的年底课程刷新的时候
鸭哥正好也gap(空档期)回来了嘛
他4月份到10月份正在gap(空档期)
我们会专门地把这部分
进行一个复杂化
就是之前我们是想方设法地简单化
我们告诉大家正确答案
我们告诉(大家)正确答案背后的原因
然后就行了
现在呢我们可能会先教大家
怎么样子做出来一个更好的Jev
其实鸭哥已经做了嘛
他已经用了很多本地的模型
然后去做了这个归一化
然后做了测试
你可以做
然后你做了以后呢
你可以先顺着这个叙事去讲
你不需要去站在一个非常清醒的角度
去告诉大家
说你们都是错的
你可以去说大家说得对
Jev确实很重要
但是我给你一个更好用的Jev
然后我告诉你
我们去比较
然后它就是更好用
这件事我们都可以教给大家
然后与此同时呢
当你通过这种方式取得信任了以后
你可以再说哦
其实这一件事呢
也不是那么重要
我们去做更重要的事吧
你因为有了前面
大家对你的技术的了解
和大家对你的技术的信任之后
你的说话也会更有分量
你在这个时候
再去想要做什么改变的话
也更容易做
而不是你是坐在那边去
批判大家的人
坐在旁边批判大家的人呢
一般在公司里边是不太受喜欢的
如果你对我们这样的教学方式的刷新
感兴趣的话
我们第一次尝试就是在10月12号
我们Maven的那场直播里边
那场Maven的直播
我们也会有一个非常大的重构
可能不是所有重构的内容
都会放到我们Superlinear的这个self-paced(录播课)里边
但是我们的Maven课
也是都送这个self-paced(录播课)的
所以说你想两门都学
就是既学我们实验性的东西
然后也学我们实验完之后稳定的东西
你报Maven课就两边都可以上
10月12号是我们的下一期
这门课是一个OpenAI、Anthropic、Google的一线程序员
一线工程师和科学家
都直接留下具名好评的课程
如果感兴趣的话
欢迎直接来我们这个网站去了解一下
去Maven上报名就好了
如果说你想等我们这些东西全都打磨好
去买录播课的话
现在其实也是一个买录播课的
很好的时间
因为我们的录播课在10月1号之后
就会涨价了嘛
因为我们会放这么多新东西进去
但是你如果现在买的话
我们的课也是终身迭代的
你既能看到现在的内容
也能看到到时候我们迭代好的内容
那好希望这期视频
就帮大家
把怎么样子去有效地分辨一个新技术
怎么样子破解它的这个叙事陷阱
怎么样子看清一个hype(炒作,过度热议)
到底是怎么产生的
都给大家讲清楚了
如果对我讲的东西有任何的反馈
或者说是不同意见的话
欢迎在视频下面留言
或者来社区的文章里面进行讨论
如果你想要看更多的技术细节的话
也欢迎来社区看我的文章
或者看鸭哥的技术文章
我们也会把我们Jev的alternative(替代方案)怎么做
放到社区里面
非常期待跟大家在社区的交流
我们下期见再见拜拜
