如何判断在 AI 领域该学什么

AI 领域发展如此迅速，要判断该学什么、什么重要、该聚焦哪里，确实不容易。这份 Newsletter 的一部分工作就是把这些信息连同学习资源一起分享给你，但我觉得不妨也分享一下，我自己是如何挖掘重要话题、确定学习方向的。

虽然我可以帮你过滤掉很多信息，但你自己掌握并实践这套方法，不仅能让你朝着重要方向学习，还能结合你真正感兴趣的内容，这本身就有巨大好处。

AI 领域的机会遍布整个技术栈，你很有可能将自己过往的经验和知识应用到 AI 中最重要的问题上。

下面就是我自己如何跟上 AI 领域最关键技能、并找到最佳学习资源的方法。

1. 我从哪里找到重要话题

招聘信息是了解哪些知识和技能最抢手的一座金矿。它还能帮你更实际地理解，当你掌握了这些技能后，实际工作会做什么。

多数招聘信息分为三部分：

• 公司介绍

• 职位描述

• 职位要求

用第一部分来了解这家公司是做什么的，以及他们的目标是什么。 你最好始终围绕这家公司试图解决的核心路径去工作。你还能更清楚地了解这家公司看重什么、为什么追求解决这些问题，以及他们的解决思路。

这些信息不仅有助于你把握整个行业的动向，也能确保你不会把自己陷入糟糕的工作环境。我认识的所有工程师都想解决有趣的问题。但我认识的所有工程师，在有毒的工作氛围中也解决不了这些问题。

用第二部分来了解日常工作内容。 一家公司可以把职位写成“软件工程师，基础设施”，但这可能涵盖很多方向。在 AI 领域，这可能指推理基础设施、训练基础设施等等。通过这部分了解你实际会做的事情。当你在多家公司、多个职位里观察这部分内容时，就能更清楚地了解行业在做什么。

这部分也很重要，能确保你申请的职位确实是你想做的。我在 Reddit 上看到过工程师被招去做跟工程毫不相关工作的惨痛案例。再次强调，所有工程师都想解决酷炫的问题，但只有在一个能支持他们的环境中才能做到。

第三部分是最重要的，也是我建议你即使不打算跳槽也要一直关注有趣机会的原因。 第三部分告诉你，公司希望候选人有怎样的具体经验来胜任某个职位。

这部分告诉你现在 AI 领域哪些东西值得学。太多人沉迷于社交媒体上的噱头，忙着理解这些噱头，却忽略了那些更持久、真正能让你获得回报的技能。

我最大的建议是：建立一个监控系统，追踪那些你觉得有趣或处于 AI 前沿的公司，然后找出你最感兴趣的职位类型中需求最高的技能。

2. 我如何找到学习这些技能的资源

找到高质量资源的最佳方式是跟随那些有能力识别它们的人。这是《AI for Software Engineers》的核心支柱之一，也是我试图在所有社交平台上为关注者提供的服务。对于我不太熟悉的 AI 话题（尤其是研究侧和商业侧），我会关注更有经验的人，查看他们分享的资源。

我的第一种方式是通过 RSS 订阅。 我保持订阅源很少，长期没有价值的我都删掉。我还精细调教了一个智能体，让它帮我过一遍 RSS 源，过滤出重要的信息，去除噪音。我每天都会收到一封邮件，告诉我当天的重要事项。

我的建议是花时间精心打理你的信息流。长期来看，这是会回报你的。我使用 Readwise Reader 来做这件事，强烈推荐。如果你用我的邀请码注册，可以获得两个月免费试用（这是联盟链接——但早在有这个链接之前，我就一直在推荐 Readwise Reader 了）。

第二种方式是通过社交媒体。 我喜欢的平台是 X 和 Substack。X 是目前线上技术讨论的主要阵地，正因如此它很有价值。即使你不喜欢 Elon，我仍然建议你留在上面。近期的变化让它的环境不再那么充满敌意。如果你不知道怎么开始用 X，可以在这里联系我。

Substack 日益完善，由于它专注于文章，内容非常深入。我发现 Substack Notes 对学习的帮助不算特别大，但可能是我用得不对。我觉得它仍然优先推送 pro-Substack 的内容，而不是用户的兴趣，但我想这个问题会随时间解决。

第三种也是最后一种找资源的方式是和别人聊天。 有些最好的资源是我通过私信某个领域的专家，问问他们推荐什么才找到的。即使一个人不主动在网上分享资源，那些领域的专家也知道去哪里找。

别担心私信会打扰别人。最坏的情况就是消息淹没在他们的收件箱里，没回复你而已。只要你不 spam，就没什么可担心的。

3. 关于学习的一点备注

刚接触这个领域时，很容易感到不知所措。我的建议是放轻松，先关注那些你自己感兴趣的内容。想想你过往的经验，看看怎么利用它们来入门。

有很多不同的参与方式。你可以在数据中心网络层、芯片设计的硬件层、改进模型的研究层、构建机器学习基础设施的系统层、将所有组件整合起来的工程层，以及将 AI 带给用户的应用程序层参与进来。

所有这些都可以通过特定角色以某种方式结合起来。很多研究人员也做一些工程工作。很多工程师也参与到他们要带向生产的研发工作中去。

找一个你真正感兴趣的方向，深入下去。不要觉得自己什么都要懂。这是我有时会陷入的陷阱，结果反而比真正钻研自己热爱的东西时效率更低。

如果有任何问题，欢迎联系我。

感谢阅读！

永远保持（机器）学习，

Logan