最近这段时间深度体验了一波大模型应用，老实说给我带来的震撼，远超预期。
以前有很多同学咨询我，如何提高自己的技术能力。我的建议是短期学习那些能快速变现的技术，比如16-18年时候自动化测试很火，你就去学习Python Selenium那一套，学会了最起码跳槽涨薪没问题。而技术的底层几十年没变了，比如网络协议、操作系统、数据库等，长期应该坚持学习这些技术知识。
而现在，自从体验过大模型的能力之后，我之前的建议也许要稍微修正一下了。大部分人是不具备技术天赋的，IT行业的技术岗位，大部分还是用着工作前几年学到的技术，日复一日的虚掷光阴。真正对技术有天赋又有兴趣的人，要么去做了研究，要么在大厂担任核心岗位。
于普通人而言，技术只不过是满足温饱和改善生活品质的工具罢了，工具从创造之初的目的就是辅助人完成一系列复杂的事，它最大的价值就是提高生产效率，创造更高的单位价值。既然如此，普通人更应该做的是及时学习和利用最新的效率更高的技术工具，来帮助自己完成物质获取这一目的，如果幸运能获得机会，这个过程也许还能收获一些个人成就感。
人类社会历史上有四次重大的技术变革，都带来了极大的生产力飞跃和社会进步。这四次工业革命分别是：
- 第一次工业革命：以蒸汽机为代表，机器替代手工作业。
- 第二次工业革命：以电力和内燃机为代表，机器的单位效率获得极大增强。
- 第三次工业革命：以计算机半导体和通信技术为代表，提高了信息处理能力，让信息更快更广地传播。
- 第四次工业革命：以物联网大数据和人工智能为代表，使生产过程更加高效，降低成本同时推动社会数字化转型。
技术革命的出现和发展受到多种因素影响，如科技进步、市场需求和社会环境等。一般来说，技术革命可以划分为以下几个阶段：
- 酝酿阶段：一些关键的技术创新和发现开始积累，为技术革命的发生奠定基础。
- 爆发阶段：技术革命的正式开始，新技术和创新得到广泛的应用和推广，带来显著的经济和社会变革。
- 高峰阶段：技术革命发展最为迅速和繁荣的阶段，新技术不断涌现和完善，社会经济结构发生重大调整。
- 平稳阶段：这个阶段技术革命的势头有所减缓，但新技术已经深入人心，成为社会生产和生活的基础设施。
- 衰退阶段：随着新技术的普及应用，红利逐渐消失，技术革命进入衰退期，社会开始对新的技术进行探索追求。
眼下我们正好处在第四次工业革命浪潮中，以通用的对技术革命阶段划分，我们当下正处于第四次人工智能革命的爆发阶段，这个阶段蕴藏着很多的变革，以及机会。
变革其实大家都能感受得到，比如这两年越发艰难的求职和就业。表面上是经济下行导致很多公司开始提倡降本增效，降本短期内最有效的手段就是裁员。增效如果只看字面意思，就是提高单位的生产效率，原来4个人的活儿，现在扔给2个人干，本来以为2个人的产出和质量可能会大打折扣，结果2个人好像干的也不比四个人差。为什么？
以IT技术岗位为例，日常工作都是和代码打交道。正常的逻辑是分析需求，设计方案然后开始写代码，提交测试，遇到问题再修改BUG，来回重复。但现在写代码这件事，最基本的业务代码，大模型已经可以快速生成，甚至对已有的代码进行优化，这让那些几年来重复写业务代码的低端码农(非嘲讽)情何以堪？
和某大厂的一位高P同学聊起这事，讨论的结论就是：以后技术岗位会更加的两极分化。一个技术团队只需要几个有丰富经验和优秀技术能力的工程师负责整体的系统设计和全局技术优化，写代码这件事，稍有几年经验的低端位工程师就能搞定(不就是提示词嘛，甚至招几个计算机专业的大学生稍加培养就能胜任)。
当然类似的变革还有很多，比如自从我体验大模型上瘾后，搜索引擎已经被我置之高阁，以前的“百度一下，你就知道”，现在是遇事不懂问大模型，简单粗暴还精准快捷。比如号称年轻人的宝藏聚居地小红书，现在很多文案、图片、视频都是几个提示词，其他都是大模型生成的。
种种变革稍加观察就能发现，甚至这篇文章的部分内容，都是大模型通过我的提示词告诉我的。
当然，不能事事都靠大模型，毕竟大模型目前还处于初级阶段，只能根据特定的提示词辅助你做一些事情，市场上目前也没有很好的基于大模型的应用，而提示词，来自于每一个普通个体。我们将某些现象梳理成需求，将需求转化为具体可执行的想法，然后借助大模型提供快速的实现路径，并对其进行加工处理，才能得到最终的产物。
至于标题说的是潮汐效应，该怎么理解呢？
潮汐效应原指海洋水位受到月球和太阳引力影响而出现的潮涨潮落现象，映射到当下，小则基础的工程师大面积失业和人工智能岗位的爆火，大则“BAT”中的B早已日暮西山。
前几天看到一则报道，字节跳动的收入已经超过了腾讯和阿里，而字节最出名的两款产品，都是基于大数据和推荐算法的内容分发领域，这其实也是大模型的一种雏形。
有句话我挺认同的：“AI 不会取代你，会用 AI 的人会取代你”！放到此刻，则是大模型不会取代你，但不会利用大模型提高效率和产出价值的人，一定会被取代。
质疑大模型，理解大模型，加入大模型。
