Announcing the Public Launch of SolveIt
TL;DR · AI 摘要
Announcing the Public Launch of SolveIt – fast.ai At Answer.AI, we built a tool that lets us learn, explore, and develop...
核心要点
- 主题聚焦:Announcing the Public Launch of SolveIt
- 来源:fast.ai Blog,建议结合原文判断细节。
- AI 分析暂不可用,本条为保底评分与摘要。
宣布 SolveIt 的正式发布 – fast.ai
在 Answer.AI,我们开发了一款工具,它能帮助我们借助人工智能学习、探索并掌握技能。我们将其命名为 SolveIt。与我们开发的其他工具一样,我们的目标并不是将人类从流程中自动化掉,而是帮助他们成长。过去几年中,这款工具帮助我们的团队取得了如此显著的进步,以至于我们的联合创始人 Eric Ries(《精益创业》和《不可腐蚀》的作者)表示,我们有“道德责任”将它更广泛地分享出去。今天,我们正式开始这样做。加入 SolveIt 完全免费,您只需为您使用的功能付费:solve.it.com
在 SolveIt 中,人类、人工智能、代码、笔记、文档和输出结果可以协同工作。我们几乎在所有工作中都使用它,包括软件开发、研究实验、教学和学习。过去两年中,我们邀请了 3000 名预览用户与我们一同测试它,并与他们共享一个活跃的 Discord 服务器。我们一直在花大量时间共同学习,现在是时候邀请更多人加入这个社区了。
许多人感到被人工智能的使用方式压得喘不过气来,这种使用方式往往迫使我们为了最大化产出而牺牲人类的理解。应对这种压力的最佳方式之一,就是加入一个朝着相反方向前进的社区。
你无法外包理解
在 Answer.AI,我们有一个核心理论:有一件事你永远无法外包,那就是你自己的人类理解。我们并不热衷于仅仅为了完成任务而创建一堆任务产物(报告、分析、计算机程序)。我们的目标是在工作过程中,为自己创造更深入的理解和更好的工具与抽象概念。否则,我们会觉得是在浪费时间。
像 Bret Victor、Donald Knuth、Ivan Sutherland 和 Kenneth Iverson 这样的杰出先驱者表明,当人们能够在一个地方直接操作代码、文档和数据,并实时看到结果时,他们的思维表现最佳。我们意识到人工智能也需要处于这个环境中。
Claude 和 ChatGPT 这样的系统只有一种工作方式:你在文本框中输入内容,你的信息会被添加到对话的底部。你和人工智能之间没有真正意义上的共享工作空间。而在 SolveIt 中,你们确实共享。你的文档、代码和人工智能共同存在于专用服务器上,人工智能使用与你相同的解释器运行代码。
案例研究:理解色彩理论
作为示例,让我们看看我们的同事 Jack Hogan(Answer.AI 的研究员,他博士研究方向是多模态机器学习)最近在 SolveIt 中创建的一次对话。作为我们正在构建的新 GUI 框架的一部分,他希望创建一个系统,能够从任何选定的色相自动生成完整的色彩调色板。
他与团队分享了一次引人入胜的对话,展示了他探索的过程。你可以在这里亲自查看。
Jack 从一些简单的演示开始,说明保持亮度恒定的好处:
来自 SolveIt 对话的视图
Jack 逐步讲解了他的设计原理、必要的工具、创建色域边界、梯度设计、梯度优化和 CSS 生成。虽然他提前对想要涵盖的内容有一个粗略的想法,但只有通过他的探索,他才完全理清了思路,过程中也出现了一些有趣的转折(包括傅里叶变换)。
这项工作是通过迭代的方式逐步构建的,每一步都井井有条。Markdown笔记解释了他希望调色板和生成器本身具备的特性。代码实现了所需的计算。LaTeX渲染了公式,例如相对亮度和感知色差度量。
使用SolveIt时,我只需点击两次即可导入Jack对话的副本进行尝试。当我看到不理解的图表或代码片段时,我会插入提示并在困惑部分下方直接向我选择的LLM提问。下方我想要更详细地了解他的图表含义。
你可以在对话中以任何顺序插入AI提示(AI只能看到之前的对话内容)
在对话后期,Jack输出了展示他设计和优化的颜色阶梯的卡片:
接近理想的颜色阶梯
这与其他AI编码助手有何不同?事实上,Jack最初是在Claude Code中尝试了这项探索。在长时间的来回讨论中,他探讨了大量色彩理论资源,查看了现有框架,并让Claude运行了实验,最终得到了一组生成的调色板。他告诉我们,讨论起初感觉是协作的,但当他回顾导出的项目时,却无法认同这个结果。生成器似乎能工作,但过于复杂,由于它汇集了数百万个标记的实验,这些实验探索了各种不同方向,他无法解释其方法的原理,也无法说明为什么更简单的方案不够。Jack进行了第二次尝试:在新的Claude Code会话中,他着手修正难以理解的文本并澄清未解释的假设。然而,在试图建立一个逻辑连贯的思路时,他很快意识到自己只是在为Claude生成的虚假产物进行事后合理化。
在第三次尝试中,Jack在SolveIt中从零开始。他仅在对话顶部设置了一个目标和需求声明,从此之后,以小步骤逐步构建变得更容易且更令人满意。每个选择都有其原因,包括为什么更简单的选项不足。工作仍然出现了他未预料到的转折,例如需要使用傅里叶级数,但他可以解释每一个转折,这一次他也能坚定地支持最终结果。
SolveIt是一款强大工具
上面Jack的对话就像他的研究实验记录本,其他人也可以阅读并看到他的思考过程。当我们想要深入理解正在做的事情(这比我们想象的更常见)时,我们会转向SolveIt。我们用它来阅读论文、研究数学、审查合同、分析数据、撰写书籍和开发软件。我们甚至能够在SolveIt中开始编写SolveIt本身,这使我们的工作速度大幅提升。
我们之所以能在 SolveIt 中完成如此多的操作,是因为它是一款功能强大的工具,为我们提供了大量自定义、控制和引导工作方向的功能。在 SolveIt 中的工作是在一个对话框中进行的:一个代码、注释、标题层级、探索和 AI 讨论交织发生的地方。如颜色色域理论示例所示,你可以编辑这个对话框。你可以自由移动内容,删除内容,修改内容,然后在对话框的任何位置添加提示或问题。它不一定要放在底部。AI 只能看到当前对话框中的内容,因此你对 AI 所见的内容拥有完全的控制权。
你可以直接编辑 AI 的响应内容。在其他产品中,与 AI 争论可能会令人非常沮丧,因为你会来回反复,最终导致上下文被整个争论污染,而你又不希望 AI 回答提示。
自行修改 AI 的响应内容
每个 SolveIt 实例都是一个持久化服务器,包含终端、文件系统、Git 以及你选择安装的任何其他工具。你可以创建任意数量的实例:一个用于个人项目,另一个用于协作,第三个用于实验。你可以克隆一个仓库,用 AI 探索它,并推送更改,所有操作都可以在你进行思考的同一环境中完成。
SolveIt 同时也是一个托管 Web 应用的 Web 应用。你可以在实例上运行的任何应用都可以通过其公共 URL 或你自己的域名进行访问。你可以在对话框中编写一个应用,修改路由,实时查看更改,无需任何部署步骤。将对话框放入 AUTORUN 文件夹中,它会在实例启动时自动运行并持续运行。我们正是通过这种方式运行生产服务。我们的课程学生使用的 AI Discord 机器人就运行在 SolveIt 的对话框中,当我们编辑对话框时,机器人会自动更新。我们甚至在 SolveIt 内部构建并运行了托管 SolveIt 的服务器。
你可以从 SolveIt 本身扩展其功能。你编写的任何 Python 函数都可以成为 AI 调用的工具。AI 可以读取和编辑其正在工作的对话框,运行其他对话框中的提示,并通过我们的 Chrome 扩展操作浏览器。文件夹中的 CRAFT 文件可以为该文件夹中的每个对话框提供共享的 AI 上下文、初始化代码,甚至自己的 CSS 和 JavaScript,使界面本身能够根据项目需求进行调整。
你可以与同事共享一个实例,并实时协作编辑同一个对话框。当工作完成后,对话框可以转化为文档。我们的兄弟律所 Virgil 使用 SolveIt 的 Markdown 系统(这几乎可以肯定是世界上最强大的 Markdown 系统)来起草客户合同,包括模板和实时交叉引用。
从对话框转换为文档,支持交叉引用
当你刚开始使用时,这些功能不会成为阻碍。新用户可以打开一个对话框并开始提问。但 SolveIt 的上限远高于任何简化界面,你投入学习 SolveIt 的时间越多,它能为你做的事情就越多。
使用强大的软件不应仅限于天才。承认普通人能够使用复杂工具是对他人的尊重。杰里米在1999年创办FastMail(如今仍在运营的电子邮件服务)早期曾面临许多批评,人们认为普通用户无法通过IMAP和搜索功能使用如此强大的工具。他对此表示反对,认为FastMail是为那些愿意投入时间学习的人设计的,因为电子邮件非常重要,掌握其使用方法具有价值。事实证明,如今人们使用的每款电子邮件客户端(例如Gmail)都复杂且功能强大,这已成为常态。
我们在fast.ai上持有相同观点。我们工作的核心部分是尊重人们的能力和意愿,认为只要投入时间和精力,他们能够学习深度学习的细节。许多人对此表示怀疑,声称只有斯坦福大学的博士才能训练神经网络。我们要求学生从零开始创建并管理AWS服务器,因为这是2016年使用深度学习的必要条件。其中许多人此前从未接触过Unix,但他们有动力学习。fast.ai的影响远超当时声称能"民主化AI"的拖放式工具。
fast.ai与Answer.AI的人本使命
尽管SolveIt是在过去两年中构建的,但它延续了我们过去十年在fast.ai工作中所秉持的价值观和目标。2016年,我们创立fast.ai的使命是让AI的使用更加普及。我们深知深度学习可以帮助不同领域的人解决他们关心的问题,但当时只有少数学术实验室的研究人员才能使用它。我们对这种同质化、排他的群体成为唯一能使用AI的人感到担忧,这意味着他们将掌握AI的控制权。如果AI最终变得像我们预期的那样强大,这将意味着一个小型群体掌控着巨额资金和权力。
我们的学生证明了质疑者是错误的。他们付出巨大努力,取得了世界级的成果,并开展了前沿研究。我们在DawnBench竞赛中创造了世界纪录,fast.ai的校友后来加入了顶尖的AI研究机构并创办了自己的AI公司。AI确实实现了民主化,其中部分功劳归于fast.ai。
fast.ai后来演变为Answer.AI,使命也随之扩展。埃里克·莱斯作为Answer.AI的联合创始人加入,我们组建了一支小型团队,几乎都是fast.ai的校友。问题与之前类似,但以新的形式出现。如今不再只是少数人知道如何创建模型,而是少数人控制着重要的模型,并主导了相关叙事。
Answer.AI的使命是借助AI帮助社会繁荣发展,我们相信人类的繁荣必须以人为本。无论是fast.ai还是Answer.AI,从未试图创造人工超级智能(ASI)或人工通用智能(AGI)。相反,我们关注人类正在做的事情,以及如何通过AI帮助他们做得更好。这已成为我们鲜明的特色。所有大型实验室都专注于消除人类角色,创造一种不需要人类的社会。
许多来自 fast.ai 社区的成员现已加入 SolveIt 社区。过去两年中,我们聚集了3000名 beta 用户,在活跃的 Discord 服务器上协作。SolveIt 成员会分享他们的项目。我们中有很多人喜欢用 SolveIt 进行深度精读文章或书籍,以及学习新主题。我们因共同重视人类成长、人类学习、人类创造力和人类自主性而团结在一起。我们共同的需求是对工作的理解。
与我们一同学习
我们发现 SolveIt 对团队来说非常有用,既适用于自主学习,也适用于研发工作。事实上,我们注意到 SolveIt 特别适合将学习练习转化为研发工作的模式。例如,当我(Jeremy)在 SolveIt 中阅读《递归语言模型》论文时,我边读边穿插着重新实现了论文内容,最终得到了一个比原论文更简洁有效的实现方案。
这就是我们开发 SolveIt 的初衷——通过使用它,你能在会话结束后比开始时理解得更多,有时甚至能产出新的成果。如果你想以这种方式工作,最好的起点是我们《用代码解决问题》课程的第一课,我们将逐步介绍 SolveIt,并展示团队如何使用它:
如果你想了解我们为何采用这种工作方式,Jeremy 在 AI 工程师大会上的主题演讲《有意成长》详细阐述了我们方法背后几十年关于人类繁荣发展的研究:
你现在可以通过此链接亲自体验 SolveIt:solve.it.com
我们希望你们能发现我们开发的这款工具对支持真实的人类成长有所帮助。但即使只是加入我们的使命——将人类置于核心位置,并重视你自身的成长与学习——我们也会感到非常高兴。