现在刷AI消息，很容易产生一种错觉：上午没看新闻，下午职业生涯就过期了。这个模型又突破了，那个工具又颠覆了，有人已经一个人开公司，有人号称靠AI收入翻十倍。低头看看自己，邮件还没回完，会议又要开始，连新冒出来的几个缩写都没认全。别人像在参加工业革命，我们像在补交寒假作业。
但对大多数有本职工作的人来说，学习AI，没必要把自己训练成全天候科技记者。我们需要的是：知道哪些变化值得关注，能迅速弄懂一个陌生概念，再判断它跟自己的工作、收入和生活有什么关系。否则，你只是用新技术，升级了旧焦虑。
这篇就分享一套普通人可以搭起来的AI信息获取方法：不同的问题去哪里看，哪些博客值得读，哪些YouTube频道适合入门，以及怎样把看过的信息变成自己的判断。渠道按用途选，比按名气关注更有效。
先弄清楚什么才算第一手信息
官方发布、研究团队的论文、开发者自己的实验记录，以及当事人讲述自己工作的完整访谈，都可能是一手材料。但“一手”不等于“客观”，更不等于“已经证实”。公司会强调产品优点，研究有实验条件，创始人讲未来也可能顺便讲自己的商业故事。
新闻简报、科普视频和媒体分析，则主要帮我们筛选和理解材料。它们很有价值，但不能跟原始证据混在一起。一个博主说“AI马上替代整个部门”，往回找，可能原文只说某项任务完成得更快。中间几次转述，技术进步就被加工成了你的失业通知书。
我的建议是：用整理好的内容发现线索，遇到会影响自己判断的结论，再去找原文。下面这些渠道，就是分别承担这两种功能的。
先找几个愿意看下去的创作者
如果一看见论文和官方文档就犯困，完全可以先从视频博主入手。有人帮你试玩，有人带你操作，也有人把技术变化讲成一个有趣的故事。先知道它跟自己有什么关系，才有动力继续学。上来就给自己排一整套大学课程，很容易学着学着，把自己学退学了。
中文频道里，我会先推荐林亦LYi。他有技术背景，但内容有很强的个人风格，常常从有趣的项目或实验切入。例如《我让六个AI合租，居然出了个海王？》，拿AI角色互动做故事；YouTube上还有《我后悔让AI看B站了……》。这类视频适合先激发兴趣，让你看到AI除了回答问题，还有哪些玩法。看完可以再追问：演示里哪些是模型完成的，哪些依赖作者事先设计？有趣的项目能打开想象力，但不能仅凭一个效果惊艳的片段判断技术已经成熟。
如果你更关心“明天上班能用在哪里”，可以看泛科学院。这是团队运营的中文频道，重点是AI工具的生活与工作应用。比如《2025年最强AI简报制作大全》，围绕没思路、缺内容、需要美化等简报制作问题介绍AI技巧。适合带着自己的一份简报边看边试。不过，视频发布较早时，界面和功能可能已经变化，重点学习拆解任务的方法，再核对当前工具的操作。
想了解个人使用经验和商业判断，可以看李自然说。例如《ChatGPT、Claude、Gemini 什么任务该交给谁？每月600刀经验总结》，从日常对话、编程和不同工具的特殊能力谈使用分工；在频道内搜索标题即可，也有作者发布的B站版本。值得参考的是他怎样按任务选择工具，不必照搬订阅清单。人家买几个会员是人家的需求，你的目标是解决自己的问题，不是给所有AI公司凑一份年终奖。
如果愿意看英文，了解新工具可以看Matt Wolfe，办公效率可以看Jeff Su，想跟着做工具练习可以看The AI Advantage，喜欢新模型和图像视频试玩可以看MattVidPro AI。这几个承担的作用不同，挑一个符合当下需要的就够了。视频里的个人实测可以提供一手经验，但博主转述的行业新闻，仍然需要沿着原始链接核对。
看这类内容，我建议特别留意有没有展示输入、操作和修改过程。只看最后的漂亮成品，你不知道它是一次成功，还是重试二十次留下来的幸运儿。还有，教程里用到了哪些付费功能、有没有提供配套材料，也会影响你能否跟着做成。跟一次完整过程，通常比收藏二十条“颠覆认知”更有用。
想知道产品发生了什么变化先看官方
OpenAI News、Anthropic News和Google DeepMind Blog，可以作为三个基础入口。前两个适合追踪各自的产品与研究发布；DeepMind还适合沿着科学应用、机器人、世界模型等方向继续找资料。你主要用哪家产品，就优先关注哪家，不必每天三家巡逻。
读发布文章时，建议只抓几个问题：到底新增了什么能力？谁能用？是演示、测试开放，还是已经能在自己的账户里使用？有没有使用条件和限制？如果准备实际采用，再沿着官方链接读帮助文档和更新记录。发布会负责告诉你它有多厉害，文档更接近告诉你这活到底怎么干。
想用更少时间扫一眼行业，可以加上DeepLearning.AI的The Batch。它是每周AI新闻与分析简报，适合作为发现线索的入口。选中一条跟自己相关的，再追到对应研究或官方发布。不要要求一份周报把整个行业替你消化完，也不用看到每条新闻都给自己新增一项学习任务。
想听懂AI在说什么找能建立概念的老师
很多人觉得自己学不会AI，其实是一直在看新闻，却没有补过最基础的概念。就像天天追财经快讯，却不知道收入和利润有什么区别，越努力刷，越觉得世界高深莫测。
英文视频可以从Andrej Karpathy的YouTube频道开始。他的个人网站明确区分了面向普通观众和偏技术的内容。普通读者可以先看Intro to Large Language Models，再按兴趣看《Deep Dive into LLMs like ChatGPT》或《How I use LLMs》。先建立整体认识，暂时不必一头扎进从零写神经网络的课程。听不懂编程细节，不代表你没有资格使用AI。
另一个是3Blue1Brown。它的神经网络系列用可视化解释神经网络、Transformer和注意力机制，适合需要“看见它怎么运转”的读者。我的建议是先抓直觉，数学推导可以以后回看。此时的目标，是知道模型大致怎么处理信息、为什么会犯错，而不是今晚就接管研究实验室。
更习惯中文，可以看李宏毅的YouTube频道，并从他的台大个人主页进入课程资料。按照自己要解决的问题挑生成式AI相关课程即可。中文授课也会有技术门槛，但至少不用同时跟英文和新概念进行混合双打。
这些课程适合搭知识骨架，未必适合追当天的产品变化。原理课可以看经典内容，具体工具的操作步骤则要核对日期和版本。别因为一篇文章不是昨天发的就认为它过时，也别因为一个视频刚发布就以为它有深度。
想真正动手把信息入口换成实践材料
知道Agent、RAG这些词，并不等于会用它们解决问题。想往实践走，可以看DeepLearning.AI课程目录，根据自己的需求选短课。挑课时先看先修要求和练习内容，有些需要编程基础；是否收费、是否包含实验环境，以课程当时的页面为准。不要还没做出一个小成果，先给自己攒了十几张结课截图。
Hugging Face Learn更适合愿意接触代码的人，里面有大语言模型、Agent、音频、视觉等不同方向的课程。它的价值在于可以沿着一个方向继续深入。如果只是想改善日常写作或整理会议记录，暂时不用把自己送进模型训练课程里闭关。
博客里，我会重点推荐Anthropic Engineering。这里有构建Agent、工具使用、上下文管理和评估等工程经验。可以从Building effective agents找入口。对管理者来说，读这类文章时可以重点关注：哪些环节需要事先规定流程，哪些可以交给模型判断，怎样检查结果，以及失败以后怎么办。代码可以看不懂，责任怎么落地最好看懂。
另一个是Simon Willison’s Weblog。这里既有作者自己的工具、实验和使用记录，也有外部文章的摘录与评论。读的时候注意区分：哪些是他亲自测试的，哪些是他引用别人的。它尤其适合帮助你学会观察一个工具：除了“能不能做”，还可以看用了什么条件、付出多少成本、哪里出错。个人实验是有价值的证据，但不能自动代表所有任务的表现。
实践路线最重要的一步，是给自己找个足够小的任务。比如用公开资料做一份带出处的行业简报，或者把自己的一篇文章整理成几个版本。记录完成时间、修改次数和错误。你亲手做过一次，才知道视频里轻轻松松的三分钟，落到自己身上究竟是三分钟，还是三小时外加一肚子气。
想判断AI会怎样影响工作多看工作与商业的分析
工具更强，和你能因此多赚钱、少加班，中间还隔着流程、组织和利益分配。我们做职场判断时，需要有人帮忙把技术能力接到这些现实问题上。
Ethan Mollick的One Useful Thing值得放进阅读清单。作者以研究为基础讨论AI的影响，也分享使用思路。普通职场读者可以带着自己的场景看：这项能力能帮我完成哪部分工作？哪些判断还需要自己做？文章里的研究发现和作者自己的推测，也要分开理解。
喜欢长访谈，可以看Dwarkesh Podcast及其YouTube频道。我的建议是按问题选集，而不是从头补完所有节目。完整访谈能保留当事人的论证和上下文，但嘉宾的预测依然是预测。听一个聪明人把未来讲得头头是道，很容易产生“未来已经发生”的错觉；我们还是得问，他的判断依赖哪些条件。
更偏产品和工程实践，可以继续看Latent Space，它同时提供技术通讯、播客和视频，定位偏AI工程师，技术密度通常更高。对非技术读者，我更建议围绕一个明确问题选内容，比如Agent怎么进入真实业务，而不是拿它当背景音，听了两小时，只记住了十二个新缩写。
想核对宏观趋势，可以查Stanford HAI的AI Index。它覆盖技术表现、经济和社会影响等方向，适合查数据与趋势。它是一份汇总研究的报告，引用某个数字时，还应该看对应年份、定义和原始数据来源。某种任务的效率提高，不能直接推导出所有人的工资会同步提高。
想接触前沿研究沿着问题找论文
普通人没有必要每天刷几十篇论文。可以先用Hugging Face Daily Papers发现研究线索，再去对应论文和作者项目页。这个页面有社区提交与热度信息，但热门不等于可靠，也不等于适合你。对一篇研究，先问它想解决什么问题、在哪里测试、结果说明了什么、还有什么做不到，再决定要不要深读。
比如，你最近总听到“世界模型”，想迅速对它懂一点。不要一上来让AI“收集所有世界模型论文”。这个要求范围太大，连你自己都无法判断它漏了什么。可以先找一个具体问题：模型能否学习环境怎样变化，并利用这种预测帮助行动？再从一两个代表性项目认识这条路线。
一个可用的起点，是David Ha和Jürgen Schmidhuber在2018年发布的World Models项目页。页面连接了论文、演示和讲解，讨论学习环境的压缩表示，并让Agent在模型生成的环境里训练。它是了解这一方向的一个历史入口，不能代表后来所有“世界模型”研究。之后再去DeepMind等研究团队的官网搜索相关项目，比较它们的问题、能力和限制。
这时可以让AI帮你做阅读助手：“请基于我提供的这三份材料，用中文解释各自的问题、方法、证据和限制。保留关键术语的英文，给每个重要结论标注来源；材料没有说明的地方请写不知道。最后提出五个问题，检查我是否真的理解。”这里追求的是一张能回到证据的知识地图。
如果觉得读论文枯燥，还可以让AI把学习过程改写成故事，比如一个机器人怎样在模拟环境里练习，再回到真实环境中行动。但要让它把研究事实与故事设定分开，回到原文核对关键概念。小说可以帮助记忆，剧情合理可不代表科学结论成立。最终你应该能用自己的话解释这个领域在解决什么，而不只是把AI生成的三万字保存到硬盘里。
渠道选好以后给自己一个能坚持的节奏
如果现在从零开始，我建议先留四类入口：一份行业简报、一家你常用产品的官方更新、一个视频频道、一个工作应用博客。比如The Batch、常用产品官网、林亦或泛科学院，以及One Useful Thing。想补原理时，再选Karpathy或李宏毅的课程。遇到实际项目，再增加工程博客和课程；遇到具体研究问题，再找论文。不用一口气关注本文所有渠道。
可以试试每周两小时：二十分钟扫简报和官方更新，四十分钟弄懂一个问题，一小时动手试一次。这个分配是一个起步建议，忙的时候再缩小也没关系。每次只留下几句话：我新知道了什么，证据在哪，适用条件是什么，下次准备怎么试。笔记不必漂亮，但最好能影响下一次行动。
订阅邮件或使用网站提供的RSS，可以减少来回刷平台的时间。英文材料先借助翻译和摘要，但要保留原文链接；涉及重要结论，再回看原段落。让AI整理资料时，也要确认它真的读取了来源，不能把一段流畅回答直接当成已经完成的研究。
信息获取的价值，最后要落到自己的选择上。它可能让你更早发现职业机会，可能让你少交一笔智商税，也可能只是帮你把一个重复任务做快一点，早点关电脑。AI带来的好处，可以是同样的收入、更多自己的时间。人活着，又不是为了给效率指标上供。
你不需要成为每个领域的专家，但需要逐渐具备分辨证据、追问条件和亲手验证的能力。 看完这篇，挑一个渠道，带着一个问题，做一次小尝试就够了。比起每天围观别人改变世界，先让它给自己的生活带来一点实际变化。
我是叶子，一个用大白话讲明白职场背后的组织和商业逻辑的博主。
Leave a Reply