还是大模型的话题，总结回顾下，整理记录下当前对大模型（其实特指的DeepSeek - r和ChatGPT - o这类生成式模型）的使用感受。
1.让信息整合效率提高（基于信息可获取到的前提下）
比如借助AI在线搜索，以前可能需要向相关专家了解，或者查阅较多资料来得到的信息，现在则变得相对容易。AI工具会基于其较高的"学识"和"逻辑推理"能力，检索在线资料并筛选出有效信息，然后做归纳总结和输出。我们则可以把精力放到"想要什么"。
比如问DS-r1联网版：李飞飞团队用50美元训练出s1-32B，以及其研究成果论文，背后的本质？AI就从研究背景、技术核心、成果与争议、研究本质等方面进行了整理归纳，并给出最后概括性总结------通过高效利用现有基座模型、精细化数据筛选及动态推理控制技术，探索低成本优化模型的可行性，但未颠覆基础模型训练的高资源依赖特性，并且附上了相应的来源参考。如果有疑问，还能继续追问。
2.让普通知识的学习成本降低
了解或自学一些即有的公开技术，以前资料分散、缺乏指导可能是个问题，而现在AI工具能补上这个缺。只要准备好基本的问题(清单)，通过不断向AI工具提问，就能较快速了解。再结合一定的实践和理解，也能逐步建立认知并去深入。那么，是否现在建立认知的成本更低了？好像是，但也不是。因为学这个步骤没有少，并且过程中的方法和技巧同样重要。
3.让对知识储备的依赖降低（具备基本认知的前提下）
这次CL在实现VS插件的时候，并没有去了解和学习VS插件相应的开发接口。直接向 Code Copilot（背后是调用DeepSeek和ChatGPT）描述期望实现的功能效果"点击后定位到原始的代码行位置"，自动就生成了可用的功能代码。
放在以前，肯定得先搜索并搭环境调试一番。而现在，这类主要依靠知识储备来实现的功能，交给AI就行了。我们则可以专注到想要的效果和创意上。
4.我们自身的思考能力仍然很重要
通用大模型的学识渊博，什么都知道，但它也做不到百分百的正确（多个不同类的通用/专用模型结合各自工具，相互去验证和纠偏，是否是进一步提升结果质量的方式？）。
推理大模型的思考能力看上去确实有点强，一些时候看去看它的思考链，感觉比自己考虑得更为全面。但它还做不到直接理解我们内心的想法，也不可能直接帮我们决策。并且其思考过程也并非百分百正确，仍然需要依靠我们自己做鉴别和判断。
所以，就目前而言，可以去参考大模型给出的结果、借鉴或借助其思考能力，但不能完全去依赖，仍需提升我们自己的思考和鉴别能力。
最后，额外记录两点：
1.有想法、具备特定的能力很重要，这些与用不用AI没直接关系。
2.AI和大模型并不只是DeepSeek-r和ChatGPT-o这类生成式模型，但感觉最近有点陷进去了（一想到AI，脑子就被直接定向过去了），需要跳出来了。