我觉得对AI的学习要根据我们的目的来定。
对于我而言，学习AI的目的很简单：不是为了成为这个领域的专家，也不是为了未来在这个领域谋生，而是单纯为了让自己了解这个领域的发展以便能在这个领域找到合适自己的投资机会。
奔着这个目的去学习，我认为最关键的就是理解AI的逻辑以便能对未来AI领域新出现的事物有一个大概的判断。
要理解AI的逻辑我觉得可以从一些介绍AI基本原理的书入手。
了解这些原理之后，我们就能知道为什么大语言模型的训练为什么需要GPU、数据和算法，并且能够知道GPU、数据和算法到底在大语言模型的训练过程中起什么作用、在哪方面起作用。
如果再进一步细想，我们就能知道为了提高大语言模型的训练效率英伟对GPU进行了什么样的优化，为什么英伟达为了那些优化在历史上收购过一些小公司，那些被收购的小公司到底是干什么的。
也正是顺着这个逻辑想下去，我大概明白了为什么现在市面上很多所谓的去中心化算力都是“伪项目”-不是说去中心化算力这个方向不对，而是说在英伟达框架下很难设计出理想的去中心化算力系统。
要真正实现这种系统，我认为必须重构GPU的设计。如果一定要用英伟达的这种框架构建这样的去中心化算力系统，那构建出来的系统顶多只能算是实验品或者展示品，很难真正成为中心化算力系统的强力竞争者。
当我们对AI有了基本原理方面的认识之后，就不需要在数学上继续深究了，接下来我会重点关注AI的应用场景和发展趋势。这方面我看了万维钢著的《拐点：站在AI颠覆世界的前夜》。
这本书好在想象力非常丰富并且又有基本的逻辑支撑，能够让我们理性的推测和想象未来AI遍布的世界大概会是什么样子。
除了这两本书以外，我就没有再专门看过什么书了，剩下的基本全部都是在网上（比如微信公众号、推特）看各种文章，然后关注各种新的动态。然后再根据这些文章和动态里面提供的新信息丰富和扩展我们对AI的理解。
比如我们知道现在的ChatGPT是大语言模型，它主要训练AI对语言的理解。但人类的智能是丰富多彩的。我们除了语言之外还有很多其它的方式去感知这个世界。AI领域的很多文章都会介绍其它类别AI的发展，比如行为模型、空间模型等。
这些知识能丰富我们对AI的横向理解，让我们知道AI的发展原来还横跨这么多领域。而这些横跨的诸多领域现在有些还在研究阶段，有些已经出现了可喜的苗头，接下来的几年很可能它们也会孕育出自己的“ChatGPT”。而当这些新的“ChatGPT”出现时，它们又需要多少云、多少算力、多少GPU？
