为什么有三AI从来不追热点，信息越多学的越慢
周一又到了，大家又开始紧张的工作和学习。前面有三已经说过我们的作死三原则中的“不接广告”，“不转文章只做原创”，今天来谈谈最后一个问题，“不追热点”。
文/编辑 | 言有三
1 技术人员不应该只做一个看客
曾经GitHub上面的一个996项目+马云马老师“修来的福报”论，知乎两天突破2千万阅读量，公众号火了将近半个月，几乎人人转发，可是热闹过后你收获了什么？有什么东西改变了吗？技术圈虽然没有娱乐圈玩的溜，每隔一段时间还是会有热点发生，可惜对于提升技术有用的很少。
几年前我曾经仔仔细细去翻阅了一个月的机器之心/新智元等公众号的文章，试图跟上它的节奏(技术+工业界发展)，后来发现存在两个问题。
第一个，覆盖范围太广了，就算每天只是看这几个号的文章，也根本不可能跟上，就像猴子下山摘玉米那个故事，看到了新的又想去关注一下，最后都是一场空。
第二个，东西太散乱，终究还是只能当作信息媒体来阅读，如果较真反受其乱影响学习。
媒体写文章的套路就是xx机构xx大神取得了xx牛皮的效果，大部分订阅者先被xx机构吸引，再被xx大神吸引，然后去文章里看两张xx图，看一下评论，开始讨论。
它给人一个错觉，学到了很多东西，涨了很多见识，但是可惜，往往并没有，信息不等于知识，浏览不等于学会。
一个初学者，很容易就被媒体制造的各种“重大突破”带节奏，中了“信息毒品”。建议刚开始的时候尽量少看，不然往往过了很长的一段时间后，还作为一个看客在圈外游荡，没有真正学习到系统性的知识。
2 信息越多学的越慢
程序员查一个bug，可能下意识点开很多回答，然后去匹配答案，总想最快解决问题，有时候没有认真思考bug后面的深层原因，下一次依旧会踩坑。
还有一种现象，同样的一个问题可能有多个开源项目解答，但是每一个跑起来都会有点小问题，一个跑不通就想着换下一个，最终发现一个都没搞成，还不如老老实实解决一个项目中的问题。
一方面选择太多了，人的思维惰性就容易发作，解决问题采取匹配答案式而不是思考。另一方面信息太多产生了浮躁，看到送1000G学习资料的就想去收集，然后这些就成为了“收藏但是不看”系列。
有三现在每天顶多看5个公众号的文章，大部分非技术文章都只看一下标题，只有深入技术本身，才有足够的评判能力。
3 有三AI平台定位
其实我跟大家解释过，有三AI不是媒体，也不是论坛，而是正经的教育平台，我们一年几百篇文章，全部都是原创，而且是成套的系列原创，每一篇文章都是仔细推敲过的。
可以参考文章：【杂谈】怎么使用有三AI完成系统性学习并赚钱
我们的目标群体就是真正要学习这一行知识的局内人，不是看客。有三离职如果只是做一个媒体，那就是以己之短搏人之长了。
为什么要做各种各样的技术专栏从简到难讲述问题，既花掉了很多的时间，阅读量又不讨喜，就是希望大家根基要稳。有些东西其实你现在看起来落后了，以后追赶起来举一反三快得很。
最近很多朋友都在忙于秋招，作为线上面试官也面试了一些同学，关注了一些消息，发现大家的思维还在面经上。这也没什么问题，面试本来也是应试，套路依旧在。
但在这个过程中许多同学忘记了去夯实自己的基础，而是发力于多跑几个项目，每一个深度都不够，华而不实。
其实不管是老师还是好的技术boss，更看重的是知识根基是否扎实，潜力如何。而不是当下了解了多少东西，能够侃侃而谈多少东西。
因为你的天花板，由代表内功的知识基础决定，静下心来学习吧。
转载文章请后台联系
侵权必究
【完结】深度学习CV算法工程师从入门到初级面试有多远，大概是25篇文章的距离
【完结】优秀的深度学习从业者都有哪些优秀的习惯
【完结】给新手的12大深度学习开源框架快速入门项目
【完结】总结12大CNN主流模型架构设计思想
【知乎直播】千奇百怪的CNN网络架构等你来
【AI不惑境】数据压榨有多狠，人工智能就有多成功
【AI不惑境】网络深度对深度学习模型性能有什么影响？
【AI不惑境】网络的宽度如何影响深度学习模型的性能？
【AI不惑境】学习率和batchsize如何影响模型的性能？
【AI不惑境】残差网络的前世今生与原理
【AI不惑境】移动端高效网络，卷积拆分和分组的精髓
【AI不惑境】深度学习中的多尺度模型设计
【AI不惑境】计算机视觉中注意力机制原理及其模型发展和应用