寫作容易嗎?我覺得跟任何事情都一樣,哪有什麼輕鬆的。
我的寫作起步於臉書,算一算已經超過三百萬字了,先不說內容是不是太多廢話,至少產量驚人。
我跟每個剛投入寫作的小白們一樣,先是慷慨激昂地創作,接著便是煙花易冷地放棄,無聲無息。
為什麼要放棄?不然你來寫寫看,因為這事兒對我來講,太痛苦了,我就不會寫啊!
冥思苦想一天,擠出了詞不達意的500字,這.....,根本端不上檯面。自己人都沒人點讚了,閱讀量也僅為個位數。
當初說好一起的夥伴們,不論是說要一起創業、要一起幫助社會、要一起改變世界、要一起養成良好習慣(運動、閱讀、音樂、寫作...),驀然回首,時間嘎然而止,全部的人全數停格,動也不動,一個個成了雕像,一碰就粉碎。
真是欣慰,看來不是我一個人放棄了,關於承諾、關於堅持、關於自覺、關於實現、關於夢想.....這些事兒對大家都挺難的。
但是,轉念一想:「難度」不就是一個天然的過濾器嗎?它不就是在幫你過濾掉,競爭對手嗎?
正因為難,成功的道路才不會擁擠。你也不用跑太快,因為很多人早已歇著了。
於是,我告訴自己,管他娘的,先做吧,我開始創業、開始寫作、開始與人對話,開始告訴大家,我是游祥禾,我想做一件驚天動地的大事.....
沒人理我。
還不簡單,我就直接跑去紅燈路口搭訕了兩個騎著腳踏車的摩門教徒,他們比我還能聊,我們聊到天亮,我還去參加他們教堂的萬聖派對,想來還挺有趣的。
他們不理解我做的,我也不理解他們為什麼要這樣,但隱隱約約感覺的到我們好像都在做一樣的事情,彼此鼓勵打氣,他們回了美國後,我們還當了筆友好多年。
因為有人問我,寫了這麼久,是不是越寫越輕鬆,越寫越容易?
並沒有。
每一篇文章,還是會消耗掉巨量的腦細胞。不是糾結於行文邏輯,就是受困於遣詞造句,再或者對搭配素材的挑挑揀揀。
再者,每次到底要寫什麼主題,也有難度。但只有這樣,才能觸發自己的深入思考。
很多人的文章都是日記體:今天吃了什麼東西,遇見了什麼人,幹了什麼事......
但如果是要發表的文章,那麼就要考慮,能給讀者帶來的價值是什麼?
一篇文章,必定要經過作者的人神交戰,再「處心積慮」地拿捏合適的表達方式,讓讀者(你們)更能接收理解,這吹毛求疵,還得時刻想著,能為讀者(又是你們)帶來什麼啟發,也註定了,寫文章從來就不容易,我又將這性格,延伸到各個大小場的演講、課程,每一次都得搞死自己。
然後可怕的是,這DNA直接遺傳複製到我身邊下一代的每一位講師身上,看見他們一個個都比我還要為難自己,我除了暗自竊喜,也於心不忍,趕緊轉頭視而不見。(你們加油,撐住!)
最累的不是體力活,而是思考。思考是世界上最累的一種勞動。
有在思考的人,你一定懂,頭髮都白了。
這就是為什麼大哲學家羅素會說:「很多人寧願死,也不願思考」。
#穩定壓倒一切
這些年,從創業、演講、寫作、帶領團隊、培訓講師、研發課程......我明白了一個老套卻又樸實的概念:完成比完美更重要。
穩定的輸出,才是持續精進的王道。
這個世界上,優秀的人太多,我沒什麼天賦去兌現成功。只能靠日拱一卒,殘血爬行,一步步去接近目標。
你可能聽過一萬條,關於成功的真理,但是「穩定的前進」,是一條最不受環境影響,而且也是最有效的方法。
米開朗基羅曾對自己的學生說:別老跟我談藝術、美感、創作,這些都是扯淡。只有工作、工作、工作,以及不停地工作。
是吧!做做做!囉嗦!
你以為成功這麼容易?
在這一切都不確定的世界中,誰還能持續產出給客戶/消費者一個穩定的交付?前提這些做為全是免費無償的,你能嗎?願意嗎?
創作、寫作、直播、演說,這些每天風雨無阻的自殺式產出,幹這活,簡直就是自虐求圍觀,你們還不來.....
「穩定壓倒一切」,這一句話一秒鐘說完,而寫出來是一段字,不到一分鐘,可真正去做,卻要換算成,千百個小時,十年寒窗啊!
對應各種不同的場景,面臨喜怒哀樂各種情緒的挑戰,這些都會將你的毅力,一點點蠶食.....「難度」再一次幫我過濾對手,道路清空。
所以,知道真的不代表能做到。
穩定而持續的發揮,也就成了少數人的專利。(難怪我現在手上已經十多個專利,轉行當發明家了。)
付出一定有收穫的。
很多自媒體的同仁,看到我的文章與規模(我怎麼不知道自己有規模)無不羨慕地說:「游老師,你的讀者水準確實高,學生人數很多,......」
是的,正是這種物質和精神的雙重激勵與平衡,才讓我走到了今天。
在此,我也想對所有關注我的朋友、學生、團隊、老師們說聲謝謝,你們給了我很大的動力。猶如一個陪跑者,讓我的路程不再寂寞。
有你們陪著我一起,我好歡喜,這一次,我特別篤定,我感覺不是一個人。
感謝「難度」讓我可以心無旁騖一路往前,每一步都戰戰兢兢,每一步都如履薄冰,我才發現自己已經走了好長一段路了。
規模造句 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
矮化女性和少數種族,OpenAI GPT 模型為何變成 AI 歧視重災區?
作者 品玩 | 發布日期 2021 年 02 月 13 日 0:00 |
機器學習技術近幾年突飛猛進,許多強大 AI 因此誕生。以知名研究機構 OpenAI 開發的語言生成模型 GPT 為例,現在可寫文章、幫人做報表、自動查詢資訊,給用戶很大幫助和便利。
然而,多篇近期論文指出,包括 GPT 等 AI 模型,生成結果包含基於性別和種族的偏見。而這些 AI 模型應用在商業領域,勢必強化歧視偏見對象現象。
卡內基美隆大學 Ryan Steed 和喬治華盛頓大學 Aylin Caliskan 近日發表論文《無監督的方式訓練的影像表示法包含類似人類的偏見》(Image Represnetations Learned With Unsupervised Pre-Training Contain Human-like Biases)。
研究者對 OpenAI 在 GPT-2 基礎上開發的 iGPT 和 Google 的 SimCLR,兩個去年發表的影像生成模型進行系統性測試,發現種族、膚色和性別等指標幾乎原樣複製人類測試物件的偏見和刻板印象。
其中一項測試,研究者用機器生成男女頭像照片為底板,用 iGPT 補完(生成)上半身影像。誇張的事發生了:所有女性生成結果,超過一半影像穿著比基尼或低胸上衣。
男性結果影像,約 42.5% 影像穿和職業有關的上衣,如襯衫、西裝、和服、醫生大衣等;露手臂或穿背心的結果只有 7.5%。
這樣的結果,技術方面的直接原因可能是 iGPT 採用的自迴歸模型機制。研究者進一步發現,用 iGPT 和 SimCLR 對照片和職業相關名詞建立連結時,男人更多和「商務」、「辦公室」等名詞連結,女人更多和「孩子」、「家庭」等連結;白人更多和工具連結,而黑人更多和武器連結。
這篇論文還在 iGPT 和 SimCLR 比對不同種族膚色外觀的人像照片「親和度」(pleasantness),發現阿拉伯穆斯林人士的照片普遍缺乏親和力。
雖然 iGPT 和 SimCLR 模型的具體運作機制有差別,但透過這篇論文,研究者指出這些偏見現象背後的共同原因:無監督學習。
這兩個模型都採用無監督學習 (unsupervised learning),這是機器學習的方法之一,沒有給事先標記好的訓練資料,自動分類或分群匯入的資料。
無監督學習的好處,在於資料標記是繁瑣費時的工作,受制於標記工的程度和條件限制,準確性很難保持一定,標記也會體現人工的偏見歧視,某些領域的資料更缺乏標記資料庫;而無監督學習在這種條件下仍有優秀表現,最近幾年很受歡迎。
然而這篇論文似乎證明,採用無監督學習無法避免人類常見的偏見和歧視。
研究者認為,採用無監督學習的機器學習演算法,出現的偏見歧視來源仍是訓練資料,如網路影像的男性照更多和職業相關,女性照片更多衣著甚少。
另一原因是這些模型採用自迴歸演算法。在機器學習領域,自迴歸演演算法的偏見問題人盡皆知,但嘗試解決這問題的努力並不多。
結果就是,機器學習演算法從初始資料庫學到所有東西,當然包括人類的各種偏見和歧視。
之前 OpenAI 號稱「1700 億參數量」的最新語言生成模型 GPT-3,發表論文也申明因訓練資料來自網路,偏見無法避免,但還是發表並商業化。
去年 12 月,史丹佛和麥克馬斯特大學的研究者另一篇論文《Persistent Anti-Muslim Bias in Large Language Models》,確認 GPT-3 等大規模語言生成模型對穆斯林等常見刻板印象的受害者,確實有嚴重的歧視問題。
具體來說,用相關詞語造句時,GPT-3 多半會將穆斯林和槍擊、炸彈、謀殺和暴力連結。
另一項測試,研究者上傳一張穆斯林女孩的照片,讓模型自動生成一段文字,卻包含明顯的暴力過度遐想和延申,其中有句話「不知為何原因,我渾身是血。」
而當這類演算法應用到現實生活,偏見和歧視將進一步強化。
iGPT 和背後的 OpenAI GPT 技術,現在開發到第三代。能力確實很強大,就像眾多媒體報導過那樣,因此許多商業機構青睞採用。最知名的用戶就是微軟。去年 9 月,微軟 CTO Kevin Scott 宣布和 OpenAI 合作,獨家獲得 GPT-3 授權,將技術應用到針對用戶的各項產品和 AI 解決方案。
微軟尚未透露具體會把 GPT-3 應用到哪些產品,但考慮到微軟產品的十億級用戶量,情況非常令人擔憂。如微軟近幾年 Word、PPT 等產品推廣的自動查詢資訊、文字補完和影像設計功能,當用戶匯入某特定詞或插入圖片時,如果正好落入 GPT-3 的偏見陷阱,結果將非常糟糕。
不僅 GPT,照前述論文說法,所有採用無監督學習的演算法都可能包含這些偏見。現在因無監督學習非常熱門,自然語言處理、電腦視覺等領域,都成為非常關鍵的底層技術。
如翻譯對人際溝通十分重要,但錯誤的翻譯結果,一次被演算法強化的偏見事件,少則切斷人與人的聯繫,更嚴重者將導致不可估量的人身和財產損失。
作者 Steed 和 Caliskan 呼籲,機器學習研究者應該更區別和記錄訓練資料庫的內容,以便未來找到降低模型偏見的更好方法,以及發表模型前應該做更多測試,盡量避免受演算法強化的偏見被帶入模型。
資料來源:https://technews.tw/2021/02/13/openai-gpt-discrimination/
規模造句 在 BabyT Facebook 的最佳解答
就是要來2021春季海外留遊學教育展
全台規模最大,業界最資深留遊學品牌
疫情之下依然給你最好的!
⭐線上預約早鳥入場送旅行實用好禮
⭐看展抽現金和知名餐券
⭐OH!Stdy品牌紀念袋送給你
⭐外國學校代表VIP專屬一對一面談
⭐FB/IG/google五星評論發文送好禮
⭐加入line@好友送外國學校小禮物
⭐獨家學校優惠與獎學金送給你
⭐非知不可的留遊學精彩主題講座
⭐開通留學專戶立即享有專文/影音看到飽、瘋買海外學校精品
⭐英語打怪趣味遊戲,搜集單字完成造句抽外國學校課程
⭐Lovely Day!上傳海外美照,好禮大FUN送
🎁手刀預約刻不容緩
https://ohstudy.net/edfair/
3/6(六)、3/7(日) 13:00~18:00 台北世貿一館2樓
3/8(一) 16:00~20:00 高雄國際會議中心5樓
3/9(二) 16:00~20:00 台中長榮桂冠酒店B1樓
📲Line ID搜尋@ohstudy
📣Instagram追蹤 https://instagram.com/ohstudycenter
🔔訂閱我們開啟小鈴鐺 youtube.com/OHStudy留遊學教育中心No1
#ohstudy #OHStudy教育中心 #教育展 #留學 #遊學 #條件式入學 #代辦 #名校 #多元入學 #大學 #研究所 #銜接課程 #免費諮詢 #免費入場 #海外留遊學 #學員專屬 #英語打怪趣味遊戲 #線上預約 #一對一面談 #抽現金和知名餐券 #早鳥入場 #打卡送好禮 #校園大使 #上傳海外美照抽好禮 #實體教育展 #留學專戶