Django

坏了，最近学 AI 学的，我的黄推刷不到了😂

交叉 AI 的起点，是一条可验证的问题链：要解释什么、手里有什么数据、结果怎样被证伪。 AI 扩大了可用方法，却没有改变研究的地基。若先把工具学满，再回头找问题，模型很容易变成技能库存；问题与证据先明确，才知道哪些算法值得学、学到多深。 工具会快速更新，研究责任不会外包。先定义证据缺口，再让算法按需进入。

所谓自信，先说清对象：在什么条件下，能处理哪类问题。 科锐国际轮值总经理曾诚在访谈中，把信心与处理具体问题相连。个案回看不等于晋升因果。 2013年一项自我效能元分析发现，过去表现与之后信心的关系，强于信心与未来表现的关系。 一段经历可以更新相邻任务的预测，不能替整个人估值。

等到截止日期逼近，很多人突然能动起来。这不一定是自律增强，常常只是延迟的代价终于超过了启动摩擦。 一项汇总研究发现，与拖延更稳定相关的因素还包括任务厌恶感、结果延迟和低自我效能。任务既遥远又模糊时，卡住人的常是一串尚未做出的决定。 所以别只把日期往前挪。把启动条件写清：何时开始、先做哪个可见动作、做到哪里算一轮。时间表只是外壳，启动条件才是开关。

真正有用的经济学阅读，先看每套理论的观察高度。 分工解释生产率怎样提高；微观模型观察个人和企业如何选择；凯恩斯框架研究总需求怎样影响短期产出与就业。它们切的是不同系统截面，彼此不能自动替代。 先判断问题发生在哪一层，再调用理论。层级错了，理论越熟，结论越偏。