以下是关于如何正规系统地学习 AI 应用技能并找到好工作的相关内容：
在 WayToAGI 有众多垂直板块，可针对您想学习的 AI 应用技能找到对应板块和社群进行学习。这里并非系统性学习之地，而是一起做有趣之事的场所。解决问题时学习对应技能更高效。
我们做事的动机常落在有用和有趣两点。多数时候我们用 AI 做对自己有用之事，如用 LLM 学习、用 Midjourney 做公众号头图等。若能对他人有用，可能打造出成功产品。
那些改变世界的创新往往始于有趣的想法。整活区就是让您无需证明想法有用，可尽情发挥对 AI 的天马行空想象，把 AI 玩出新花样。
为在医疗保健领域产生真正改变，应投资创建像优秀医生和药物开发者那样学习的“专家”AI 模型生态系统。成为领域顶尖人才通常从多年密集信息输入开始，如正规学校教育和学徒实践，从出色实践者处面对面学习获取教科书未写明的信息。
通过学校教育和经验获得复杂情况下确定最佳答案的直觉具挑战性，AI 因当前学习方式及技术人员对待方式使问题更严重。应通过堆叠模型训练 AI，而非仅靠大量数据和生成模型。如先训练生物学、化学模型，再添加医疗保健或药物设计数据点。
预医学生课程从基础开始，新疗法科学家也需多年学习和指导，这种方式培养处理细微差别决策的直觉很重要。
总之，学习 AI 应用技能需结合实践和基础学习，不断探索创新，提升自身能力，以找到好工作。
如果你想造艘船，不要老催人去采木，忙着分配工作和发号施令。而是要激起他们对浩瀚无垠的大海的向往。--- 「小王子」作者埃克苏佩“如果可以这样，是不是也可以那样？”在WayToAGI已经有非常多垂直板块，你想学习任何AI应用技能都能找到对应的板块和社群进行学习。我们相信，在解决问题时学习对应的技能，是更高效的方式。这里不是一个系统性学习的地方，而是一起做一些有趣的事的游乐场。我们不怕困难，我们害怕无聊。如果你想做一些有用的事，那你来错地方了，等等，别急着关掉，看下去伟大不能被计划我们做任何事的动机大概率会落在两个点有用有趣我们大部分时候会用AI做对自己有用的事，这是最天然的起点，比如用LLM学习，用Midjourney做公众号头图等。如果能做到对他人有用，那么就是成功打造了一个产品（或者是产品的雏形）。但是，有用真的是必须的吗？最终是否有用，是由起点决定的吗？看看历史：今天AI领域的王者英伟达，起步于看到了游戏市场的需求；做出toB领域头部产品Slack的公司，曾经是做游戏的；包括OpenAI，第一次出圈是因为做出了顶级Dota AI.那些改变世界的创新，往往始于一个简单的想法：这很有趣！整活区就是这样一个地方：在这里，你不用证明你的想法"有什么用"在这里，你可以尽情发挥你对AI最天马行空的想象在这里，我们鼓励你把AI玩出新花样，哪怕看起来很"沙雕"
delivering on the priorities of people across the UK.Better public services,high quality jobs andopportunities to learn the skills that will power our future – these are the priorities that will drive our goalto become a science and technology superpower by 2030.Artificial intelligence(AI)will play a central part in delivering and enabling these goals,and this whitepaper will ensure we are putting the UK on course to be the best place in the world to build,test anduse AI technology.But we are not starting from zero.Having invested over £2.5 billion in AI since 2014,this paper builds on our recent announcements of £110 million for our AI Tech Missions Fund,£900million to establish a new AI Research Resource and to develop an exascale supercomputer capable ofrunning large AI models – backed up by our new £8 million AI Global Talent Network and £117 millionof existing funding to create hundreds of new PhDs for AI researchers.Most of us are only now beginning to understand the transformative potential of AI as the technologyrapidly improves.But in many ways,AI is already delivering fantastic social and economic benefits forreal people – from improving NHS medical care to making transport safer.Recent advances in thingslike generative AI give us a glimpse into the enormous opportunities that await us in the near future ifwe are prepared to lead the world in the AI sector with our values of transparency,accountability andinnovation.My vision for an AI-enabled country is one where our NHS heroes are able to save lives using AItechnologies that were unimaginable just a few decades ago.I want our police,transport networks andclimate scientists and many more to be empowered by AI technologies that will make the UK thesmartest,healthiest,safest and happiest place to live and work.That is why AI is one of this
毫无疑问，AI将不可逆转地改变我们如何预防和治疗疾病。医生将把文档工作交给AI书记员；初级医疗服务提供者将依赖聊天机器人进行分诊；几乎无穷无尽的预测蛋白结构库将极大地加速药物开发。然而，为了真正改变这些领域，我们应该投资于创建一个模型生态系统——比如说，“专家” AI——它们像我们今天最优秀的医生和药物开发者那样学习。成为某个领域顶尖人才通常以多年的密集信息输入开始，通常是通过正规的学校教育，然后是某种形式的学徒实践；数年时间都致力于从该领域最出色的实践者那里学习，大多数情况下是面对面地学习。这是一个几乎不可替代的过程：例如，医学住院医生通过聆听和观察高水平的外科医生所获取的大部分信息，是任何教科书中都没有明确写出来的。通过学校教育和经验，获得有助于在复杂情况下确定最佳答案的直觉特别具有挑战性。这一点对于人工智能和人类都是如此，但对于AI来说，这个问题因其当前的学习方式以及技术人员当前对待这个机会和挑战的方式而变得更加严重。通过研究成千上万个标记过的数据点（“正确”和“错误”的例子）——当前的先进神经网络架构能够弄清楚什么使一个选择比另一个选择更好。我们应该通过使用彼此堆叠的模型来训练AI，而不是仅仅依靠大量的数据，并期望一个生成模型解决所有问题。例如，我们首先应该训练生物学的模型，然后是化学的模型，在这些基础上添加特定于医疗保健或药物设计的数据点。预医学生的目标是成为医生，但他们的课程从化学和生物学的基础开始，而不是诊断疾病的细微差别。如果没有这些基础课程，他们未来提供高质量医疗保健的能力将受到严重限制。同样，设计新疗法的科学家需要经历数年的化学和生物学学习，然后是博士研究，再然后是在经验丰富的药物设计师的指导下工作。这种学习方式可以帮助培养如何处理涉及细微差别的决策的直觉，特别是在分子层面，这些差别真的很重要。例如，雌激素和睾酮只有细微的差别，但它们对人类健康的影响截然不同。