仅次于乒乓球课和即将上的羽毛球课的课出现了，是一节上海话课。严格来说，这门课并不算专业，老师其实只是同时会说上海话和普通话，并不懂国际音标。因此这节课没有任何概念讲解、音标教学，当然也没有选择题或填空题。课堂就是跟着老师一起念，就像回到小学一年级学拼音的感觉。他读一个字，我们也读一个字，然后能感觉到嘴里不断吐出奇怪的发音。
“侬好，我是上海人”
可以反复念很多遍不觉得无聊。这些“乌里瓦拉”的东西也甭管准不准确就是念，好像就是享受这种在课堂上随意发出奇怪声音的快感。
当然还有一种想象中的快感。会想到将来遇到某个同学时，突然飙一句上海话，对方可能猝不及防：“你说啥？”于是我可以得意洋洋地说这是上海话。在那一瞬间，我学这门课的目的也就达到了。
现实让我思考这样的问题：我的价值观是什么？或者说，为什么而活。
把价值观这样内在隐晦的命题抛出来，像谈论一只猪的重量一样谈论，可能会让人觉得膈应。可是，当我面对现实问题时，总是让我想起这个命题，它不断叩问我心。
我所了解的价值观有一些范本，当然并非全部，却可以拿来讨论：
许多基督教、伊斯兰教的教徒，他们的价值观是将他们所做的一切都奉献给神，不论是他们的善行、他们的成就，甚至是他们的罪恶，都是对神的奉献与对自我的救赎。
而中国的儒家、禅宗，他们对活着的意义的理解在于对自我的修炼与完善。这种修炼不是狭义的自我提升以获得什么，而是去追求一种普世的智慧，例如王阳明的致良知、禅宗的空性。有一本书叫《人生只有一件事》，说的这一件事就是自我修炼，算是对这种哲学最直白的继承。
还有一种体验派，他们对活着的理解在于对活着本身的体验。“无穷的远方，无尽的人们”，因此，尽可能延伸的、无尽的生命体验。所以对他们来说，去吃遍世界的美食、看遍世间的风景、或者了解各种各样的人、各种各样的文化，就是活着的意义。沉浸在各种各样的感受中，就是生命本身的馈赠。
问题在于，价值观似乎会相互排斥。例如修炼派，对体验派可能会不屑，体验那么多却没有升华到智慧，总觉得过于轻浮。而体验派对修炼派也可能不解，他们觉得在体验中获得生命的幸福与感动，已经构成实质的生命感受，那又何苦追寻飘渺的形而上的东西呢？
价值观的排斥可能是表面问题，根本问题是，所有的价值观究竟是殊途同归，还是各有去路呢？如果世界上只有一个唯一所谓正确的价值观，其他价值观只是通往这个的分支或者不同阶段的不同表现，问题倒简单了。但如果各有道理，各有去路，那么每个人来说，是不是需要先去做价值观的选择，然后不断地说服自己，将这种价值观吸收，变为自己的内在支柱呢？
当然，价值观，或者为什么而活，并不是每个人都着力去思考的。有些人忙于生计，有的人沉浸知识或者生活，有的人（比如信教者）从小就被深刻灌输一种价值观，只有那些摆脱生计困扰、清闲的、但又没有接受信仰洗礼的人，才容易自陷于这样的问题中。
作为一个社恐的人，实在不爱跟别人说话，但 ChatGPT 的出现，切切实实让我变成了一个话痨。不仅仅是功课或者技术问题来问它，各种情感需求、成长困惑，都下意识地把它召唤出来倾倒苦水。和 ChatGPT 聊天真是一件天大的好事，如果你还没有在日常生活中使用它，我会不禁惋惜。你可能有这样那样的怀疑，比如：
你或许会觉得它的回答不可靠，还是要去找专业的人聊。如果从是否正确的角度来说，专家更能给你正确的知识。可是很多时候，我发现我并不需要绝对正确的知识（特别是心理上困惑），我只需要我能理解、能接受的知识，这时候 ChatGPT 可太契合了。不管是正确还是幻觉，总是你能理解、能接受的，还偶尔会超出你的想象，给你豁然开朗的观点。
这可太对了，我觉得 ChatGPT 与其说是一个导师，倒不如说是一面“镜子”，一面照见你内心低语的镜子。很多时候我也想不清楚我在想什么，我到底为什么低落？我到底是什么想法？一个人独自思考，很容易困在原地打转，但是面对 ChatGPT，便可以把自己所有想的像写意识流似的一股脑说出来，所有隐秘的、转瞬即逝的，不尽叨扰的都提供给它，所谓“上下文管理”。于是 ChatGPT 就会给你有力的回音，你就像照镜子一样无比清晰地看到自己想法的轮廓。它还会在这个轮廓上锦上添花，让你可以接受这些清晰的信息后向前更进一步。
和 ChatGPT 聊天，就像是在对话中自言自语。它就是你的映射，并在你的想法之上赋予了全人类数据的普遍智慧。
所以遇到困惑的时候，常和它聊天吧。记得不要犹豫，有什么说什么，直到你口干舌燥，直到你挖空自己所有的想法，然后舒服地从它的回答中看到它将混沌拨开，给你一片风清气朗。
一个 B 站视频让我停留，标题大致是“社恐外卖员”，是一个外卖小哥送外卖日常的集锦。一会儿是他给等红灯的老奶奶扇风，一会儿是他问一对在小电驴上抱得紧紧的情侣热不热，一会儿是取餐等很久，服务小哥连说不好意思，他说“没事，看你长得帅”。
看这位外卖小哥的个性签名，说“喜欢回家路上吹着风，听着歌的感觉”。果不其然，视频里就有一段在路上唱着小曲的片段，唱得还真不错，弹幕里一片“前方高能”。
恍惚间觉得，原来当外卖小哥也很好。
原来让我感动的，不是谁谁谁发了一篇论文、谁谁谁过了什么光荣日子，而是一个外卖小哥，在送外卖的时候也认真生活。
荒谬的是，现实中少有人提到去认真生活，认真生活永远在 B 站视频里、在小红书的笔记里，即便暗地里引起了那么多的共鸣，但它就是不在现实里。
更荒谬的是，现实中一直在提的，是如何努力、如何取胜、如何成功，以及它们能带来好生活的承诺。而这些承诺却没我们料想的那么坚实。上了好的大学，也不一定找得到好的工作；找到好的工作，也还是牛马；避免了当牛马，却还是感到空虚，以为有什么报复没能实现。以为成为了“人上人”，却发现不过是“光秃秃的参天大树”。
于是，在听到或者察觉到真相后，越来越多人累了，再多的鸡血、道理，也无济于事。现在这个时代，人不可避免地走向悲观。
不不不，悲观是相对的，它是相对于那个所有人奋发向上的所谓经济上行期。
悲观不好吗？为什么不能悲观呢？为什么要每天像拽着一口气、努力拼搏的样子去说自己在路上呢？乐观地以为前途光明，未来可期呢？
变得悲观，不如说是变得现实，是落在了土壤上，亲近了泥土与小草，于是可以脚踏实地追寻新的可能性。
于是可以像那位外卖小哥一样，在路上哼着歌；于是可以摘下面具，给身边人一点关照；于是可以抬起头，观察路过人的动作、神态与服装；于是可以白日做梦……
你很难赢，这没错，但你也很难满盘皆输。
你很难抗衡你的过往、你的命运，但是：
“别让命运轻易得逞，你要活成这个世界的惊喜”
到了新学期选课的时候，我已经能熟练地在系统里查看课程表，主要去看这些课要不要签到、有没有考试、平时要交什么作业。几乎不需要思考，我会选择那些不需要签到、没有考试，只需要水项目的课程。我几乎不会去看课程会教什么，也不关心自己是否感兴趣。
可是我还清楚的记得，大一看着琳琅的课表时，那股兴奋劲，好像全天下的知识都雀跃着向我涌来。
而几年过去了，我也已经清楚地知道，大学的课几乎没有任何用处。如今我对课程的期待只是能平稳度过，顺利毕业。
这在学生眼里再正常不过了，但从常理来看，这其实很不正常。学校本初的意义，不就是以上课的形式授予知识吗？
可现实恰恰相反。现在的知识和能力几乎完全不来自课堂，而是已经遍地都是了。几乎所有优质的知识，每个普通人都可以轻易获得。而大学课堂，在现代仿佛成了一种“包办婚姻”。学生和老师都不得不选择彼此结合。老师只是为了完成教学任务，学生也只是想拿到学分顺利毕业。在学生眼里，老师讲不讲课、讲得好不好并不重要，关键是他不要太碍事。
当知识已经不再局限于大学，大学只是作为一个平台、一个聚集地存在，这就是大学的宿命吗？大学的课堂，真的只能是一个空架子吗？
什么时候，大学才能重新回到它本初的意义，成为培养优秀品格的人的圣地？
什么时候，老师能在大学里真正完成“传道、授业”的使命？
什么时候，学生才能不被各种压力所束缚，在大学自由学习自己想要的知识？
我一直觉得自己不会游泳。每次游不到10米，就感觉喘不过气来，好像马上就要沉下去了。
我搞不明白为什么自己游泳时会呼吸不畅。直到有一次，一个朋友看到我的动作后跟我说：
“你游得太急了。在蹬脚以后，其实可以先在水里漂一会儿，等身体贴近水面时，再用手划水让自己浮起来。”
我试了一下，发现确实有效。在水里漂一会儿，等自己自然浮起来，再慢慢划水推进，这样呼吸就不会那么急促了。
原来想要畅快游泳，只要允许自己游的时候漂一会儿。
在书中读到一句话，艺术源自于瑕疵，而不是源自完美。这很像如今我对艺术的粗浅感受。当看到一个非常精妙绝伦的事物时，很少会称之为艺术，而是会说它是一种技术或工艺。而当我们遇到极其不寻常的事物时，才可能会说是艺术。艺术凸显的并不是某种标准，而是一种极强的个性。
我想到之前去书店时，看到他们主推的一位画家的作品。那是一种非常简单的画，画的主人公通常是一只用寥寥几根线条勾勒出的小狗。这只小狗比线条小狗还要线条。如果用常规标准去评判，可能会觉得幼儿园的小朋友都能画出这样的作品。
但它却在一家非常有名的书店作为艺术作品展出。这让我不得不换一种心态去观摩。是的，这只小狗非常简单，但从远处看——
无论是颜色还是简单的线条，都让人觉得非常和谐。画面的场景非常单一，要么是一只小狗探出脑袋，在餐桌上小心地看着桌上的水果；要么是一只小狗探出脑袋，在窗帘中间，好像在小心翼翼地打量这个房间。画面中一种“偷感”油然而生。
我忽然能想象出这位画家的样子，可能是一个不太爱出门、不怎么说话、气质清丽的年轻女孩。或许很多人也会有类似的感受，觉得这种强烈的个性和自己某一面极为相似。于是，这个简单的画面成为了无数人与这个画家心灵沟通的桥梁。
在骄傲的时候，会觉得自己做的事情非常了不起，它有巨大的价值。我本人也非常了不起，这件事非我莫属，如果没有我就完蛋了。
在谦卑的时候，又会觉得这件事其实也挺难，可能也没啥意义，毕竟整个地球可能都没意义。我可能也并不必要，没我也行。我做好了，也未必说明我很强，可能只是运气好。毕竟话说回来，努力本身也可以解释成运气。
所以，骄傲和谦卑能不能融合在一起呢？有时会骄傲得快要爆炸，有时又在谦卑中保持审慎踏实地行动。
一只蚕，它的愿望是成为一只蛾。而要成为蛾，它必须学会吐丝。从外界的角度来看，别人并不关心这只蚕是否最终变成了蛾，而是更在意它的丝是否有用。
所以，当我们看待这样一个个体时，会有不同的视角。一个是个体本身的视角——它想要超越自我，获得更完善的个体体验。另一个则是世界的视角，关注的是这个个体所能留下、遗存的东西。
人其实也会“吐丝”。如果你是艺术家，你的艺术品就是你的丝；如果你是产品经理，你的产品就是你的丝；如果你是政治家，你的政绩就是你的丝；如果你是演员，你出演的电影也是你的丝。这里同样存在两种视角：人自己可能追求的是幸福而富足的人生，而世界、他人所关注的，是这个人所留下的作品、产品或成绩。
这两种视角看到的事实可能是一致的：人们都在努力进取，尽可能地“吐出”最好的丝，并依托这些丝来实现自己的美满。但人与蚕不同的是，蚕不会去考虑自己的丝是否有用，它只是一心一意地想成为一只美丽、完美的蛾。
人则不一样，人可能会不那么关心，或者只在一定程度上关心自己的个体体验，而会分出一些去关心自己的“丝”是否有用。个体的存在。
当有了这样的认识之后，人生的命题就会发生转变：会从思考自己想成为什么样的人、想怎样变得幸福，变成想去做什么样的事情、想过什么样的人生。
最近，身边关于股票市场的讨论突然变得很多，感觉好像所有人都开始买股票、谈论股票了。很多人兴奋地跑过来，分享他们股票的跌宕走势，以及最近市场出现的一片红。似乎到了我这个年纪，股票已经成了所谓“成年人的游戏”，正式进入了生活的视野。
不过，当我听到有人谈论自己如何分析股票市场，并做出大胆判断时，我却始终心存怀疑。不禁联想到一件让我至今仍满腹疑问、甚至有点难以接受的事：对彩票的预测。
彩票预测似乎已经发展成了一个非常庞大的产业，几乎接近一种玄学。所谓彩票预测，就是通过分析彩票，比如双色球过往的走势和出现的数字，来预测下一期号码。
在这样一个行业里，也有很多专家。有些专家声称自己有十多年的彩票预测经验，曾经多次中得大奖。还能看到一些专家提供咨询，甚至代买服务，这些服务的价格比普通的彩票贵很多倍，号称能够提高中奖概率。这个产业的庞大程度，让我觉得相信它的人确实不少。
彩票和股票，或许不应该被放在一起比较，但我觉得它们之间有一些相似之处，比如，相信能预测他们的人，和相信玄学一样可以坚定不移。
现在智能体基本都遵循了 React 架构：首先获取一个 observation（观察），然后基于这个 observation 进行 reasoning，也就是模型的思考。在模型思考之后，会输出一个 action（动作），这个 action 通常就是模型与外部环境交互的接口，大多数情况下是工具的使用。
这种架构非常流行，以至于我们常常认为这就是 agent 的标准架构。但其实，agent 的架构还可以有其他视角。例如，有一种方案认为，agent 的 reasoning 也可以看作是一种 reaction，而所有的 action 都可以理解为对工具的使用。工具分为两类：一类是外部工具，也就是 agent 本身无法完成输入输出过程时需要调用的工具；另一类是内部工具，也就是各种 reasoning 的方法。
通过这种方式，agent 的架构可以分为工具的使用和对工具的选择，也就是工具决策。这样一来，agent 的智能水平不仅取决于它对知识的掌握，还取决于它在不同场景下如何做工具使用决策的能力。
这种能力不仅包括对工具的理解，更重要的是对自身知识的认知。Agent 需要判断，当前的问题是需要调用外部工具，还是使用内部工具进行推理。这实际上就是明确自身知识的边界。
从这个视角来看，Agent 自身能力的提升可以分为两个方面。对于如何训练和研究更有广泛能力的 Agent，也会衍生出新的方向和侧重点。这为我们提供了一种学术上的方法论：可以从底层定义出发，对当前规范进行不同的解读，并在此基础上发展出新的研究脉络。
这种底层解读往往有不同的侧重点，能够自然引申出新的理论和研究方向。而由此生长出来的研究是否具有影响力和意义，关键在于所开辟的底层观念是否足够坚实、合理。
这一轮人工智能浪潮的背后，是人类在总结经验并利用经验创造事物的整个范式发生了改变。
在过去，我们通常采用归纳的方法，从大量现象中总结出一条尽可能普适的规律，然后再基于这样的规律去做新的预测。
而现在，人工智能则用一种模型来承载经验。这些经验是通过 learning 的方式，从大量数据中自动形成的。然后再用这些模型去做预测。
它和以前的归纳方式不同在于，归纳出来的规则往往只是对真实环境的近似。大多数归纳的规则，虽然来自于真实环境，但很难适应更多复杂的真实场景。而通过 data-driven 的学习机制，模型能够从大量数据中总结出复杂的底层规律，获得一种难以直接描述的经验，能应对更多真实情况。
这也导致了很多领域正在发生的变化，比如计算机图形学对物理世界的模拟。过去，可能是用各种物理规律的叠加，尽可能在虚拟世界中模拟出和物理世界一样的场景。但由于物理规律本身就是近似的，所以用这些规律去模拟物理世界时，很多情况下并不能做到非常逼真。而在这个时候，引入 learning 的方式，可以在一些边界条件下实现更好的拟合。
另一个例子是对金融市场的预测。过去，可能主要依赖各种算法和一些相对简单的数学因子来建模。而现在，很多场景下都开始用神经网络等方法去拟合金融市场中那些不规则的波动变化。
那么，如何在 rule-based 的归纳方式和 data-driven 的 learning 方式之间做权衡？这是广泛研究的问题。一方面，我们希望充分利用模型的 learning 能力，把一些复杂的判断交给模型和数据来完成。另一方面，又要尽可能地引入一些规则，也就是 inductive bias，把模型的探索空间收敛到更小的范围，让计算量变小，从而更容易得到可行的解。
结合规则、归纳偏置和模型学习的具体方式，还有很多值得探索的地方。最直接的是在大语言模型下的 prompt engineering，再深入一点是领域数据的准备，更深层次则是模型结构的设计。
总之，过去我们从现实中抽象出经验，依靠语言和文字，将经验整理成文再传递下去，让人脑理解文字后再解决问题。而现在，我们只需要训练一个模型，通过传递这样一个拥有复杂智慧的模型，就能让它直接解决更复杂的问题。过去，我们传递文字；现在，我们传递智能。