在这里分享一下我在学到的比较好的几个思维模型,利用这些思维模型或者叫方法论,我在秋招的时候斩获了13个offer,并且在入职之后的工作汇报、文档复盘、绩效沟通等给我提供了很多的帮助。相信我,如果你能去熟练掌握这些技巧,无论是在之后的求职跳槽还是工作汇报都会无往不利。
5W1H问题分析法
第一个思维模型叫做5w1h问题分析法,利用好这个法则可以让你深入去了解一个陌生场景的全貌,同时也能间接的提升你独立思考的能力。举个例子,假如有人突然问你AI是什么?你该怎么回答,也许你知道AI是人工智能,可以用来解决各种各样的问题,但是你没办法一时去组织语言将它表达出来,5w1h问题分析法这个时候就能很好的帮助到你。
What (是什么)
AI,即Artificial Intelligence,中文翻译过来叫人工智能。 如果要用一句话来讲清楚什么是AI的话,那就是让机器像人类一样思考或解决问题。具体的原理概括起来就是通过不断地投喂数据、训练模型,让机器有能力来模拟人类的思考过程,比如学习、推理、决策、感知等。
Why (为什么存在)
无论是第一次工业革命中蒸汽机的发明与应用,还是第二次工业革命中电力的广泛应用,又或是后面互联网技术的出现其实核心解决的问题都是通过技术不断打破人类的极限,极大的提高社会的生产效率。人工智能的出现也不例外,我个人认为人工智能的出现主要作用在于一下三个方面
- 提升效率:替代低端的重复性工作,进一步提升社会的生产效率。比如说工厂的流水线、人工客服等
- 解决复杂问题:处理人类难以快速完成的任务,比如海量的数据分析。
- 突破人类的能力边界:在医疗、科研、新能源等领域进行疾病预测、宇宙探索等。
Who (谁在开发/使用)
- 科学家、工程师(比如Deepseek、OpenAI)
- 使用者:各行各业的普通人(语音助手、自动驾驶、智能翻译等)、企业(通过AI优化供应链等)、政府(通过AI管理城市交通)
When (发展时间线)
AI的发展实际上有两个版本,分别是代表早期阶段的AI1.0版本和现代阶段的AI2.0版本。
AI1.0阶段的人工智能主要是基于早期的机器学习算法和一些基于规则的系统,比如
- 图像识别系统:应用场景主要是人脸识别
- 语音识别系统:各个手机厂商的语音助手。
- 推荐系统:抖音、今日头条等app的推荐算法。
而到了AI2.0阶段的人工智能主要以深度学习、⼤数据和云计算的兴起为标志。代表产品包括:
- ChatGPT:由OpenAI开发的⽣成式预训练模型,能够进⾏⾃然语⾔对话和⽂本⽣成。
- ⾃动驾驶系统:如特斯拉的全⾃动驾驶(FSD),利⽤深度学习和⼤规模数据实现⻋辆的⾃动驾驶功能。
大致的发展时间线如下
- 1950年代:AI概念诞生(图灵提出"机器能否思考")。
- 1956年:达特茅斯会议正式确立"AI"学科。
- 1990s-2000s:机器学习兴起(如垃圾邮件过滤)。
- 2010s至今:深度学习爆发(AlphaGo、GPT、自动驾驶)。
如果想要更深入的了解发展历程,可以参考这篇文章, 人工智能发展史1900~2023。
Where(应用场景)
当下AI的应用场景涉及到各行各业,比如:
- 生活:智能家居、手机语音助手、美颜滤镜。
- 行业 :
- 医疗:AI诊断疾病、药物研发。
- 金融:风险评估、股票预测。
- 教育:个性化学习推荐、自动批改作业。
- 前沿领域:太空探索、脑机接口、量子计算结合AI。
** How(如何实现)**
AI的技术实现有三个不得不谈的基石以及学习方法。具体是如何做的会在下面的篇幅中展开。
- 技术基础 :
- 数据:AI的"食物",需大量标注数据训练(如百万张猫图)。
- 算法:机器学习(如线性回归)、深度学习(如神经网络)。
- 算力:GPU/超级计算机提供计算能力。
- 学习方式 :
- 监督学习:用带标签的数据训练(老师教学生)。
- 无监督学习:机器自己发现规律(自学成才)。
- 强化学习:通过试错和奖励机制学习(像训练小狗)。
将思路整理一下,你可以这样回答:AI全称叫人工智能,如果要用一句话讲清楚AI的话,那就是让机器可以像人类一样思考与解决问题。AI出现于1950年代,起源于图灵提出的机器是否能思考,在互联网高度发展的今天集中爆发,背后的原因主要是,AI能够帮助人类进一步提升生产效率,不断突破人类已知的能力边界。目前AI在医疗、金融、教育等各个领域被科学家、工程师甚至普通人应用于解决各种各样的问题,比如语音识别、辅助诊断疾病、自动批改作业等。AI目前主要的工作原理通过不断地投喂数据、训练模型,让机器有能力来模拟人类来进行思考。
时间管理四象限
其实这个时间管理方法论是我从大学就一直沿用至今的思维模型,因为每天要处理的各种杂事都太多了,如果不能很好的将这些事情给分类,定级的话,就会先入瞎忙的状态。比如之前我在宇宙厂会遇到短期内会遇到
- 有近期就要交付的开发任务
- 组长要求的技术复盘文档
- 月底之前要完成的绩效文档
- 下个需求的技术调研工作
- 组内的技术分享文档
- 临时的业务长期发展的头脑风暴会议
- ....
但是我们每天的精力是有限的,不可能同时将所有事情同时完成,这时候就要将问题进行拆解,分为重要且紧急、重要不紧急、紧急不重要、不重要也不紧急。
重要且紧急的事情优先完成:比如近期就要交付的开发任务,因为一旦delay整个开发周期就要重新变化,其他同事的时间也需要调整,成本会很高。
重要不紧急:比如下个需求的技术调研工作和组长要求的技术复盘文档,这些事情很重要,但是可以适当的往后放一放,优先保证当前生产任务的完成。
紧急不重要:比如临时的业务头脑风暴会议,这种会议如果不是组织者或者分享者,建议可以事后看录播,没必要全称参与,优先完成手头的工作先。
不紧急不重要:组内的技术分享文档,技术分享的目的是提升整体组内技术实力,让大家可以共同成长,但是前提是大家都有时间和精力的情况下,所以优先级没那么高。
关于时间管理我这里还有一点小心得就是要跟着自己的节奏来,比如我早上不那么精神,所以早上会处理邮件、文档等不那么费脑的事情,下午精力比较好会集中精力去开发。还有就是如果有临时插入的事情,如果可以花比较少的事情完成我会处理一下,如果不是的话我一般能拒绝就拒绝,等我完成手头的事情再说。
Star法则
Star法则主要用于将事情讲清楚,可以应用在工作汇报,撰写简历上面,这是我在秋招的时候学到的,当时我也是靠这个法则将简历润色的还不错,拿到了很多公司的面试机会。S指的是Situation(场景),T指的是Task(任务),A指的四Action(行动),R指的是Result(结果)。总结起来就是你要合理的去描述你在什么场景下完成了什么任务,采取了哪些行动,得到了什么结果。比如
在2022年公司推进数字化转型,原有OA系统无法满足移动端支持、审批流僵化等定制化需求的情况下,作为前端负责人,我在3个月内完成移动端系统的全面支持,全面重构响应式架构的工作,采用了微前端架构(qiankun基座+React子应用), 封装通用业务组件库(复用率达78%),建立UI走查checklist(规避87%的视觉误差)等方式,最后使得性能数据FCP从8.4s→1.2s,FID从320ms→52ms,报销审批时效提升65%。
通过Star法则我们可以将一个复杂的事情讲得有条理有脉络,当然也有人可以认为这是向上管理,吹NB,但是我见过的很多牛人由于不会去系统化的描述事情导致工作得不到晋升,也见过有一些可能技术能力一般的人很多去沟通结果职场拿到了不错的结果,所以这个事情见仁见智,我只能说哪些优秀的人正是因为不断地将别人优秀的习惯不断地转变成自己的才变得优秀的,而弱者只会不断地批评与贬低。