效率

AI笔记的新范式 传统笔记：记录→分类→检索 AI笔记：记录→理解→关联→问答 核心能力 自动摘要：长文变要点 语义检索：问上周关于某事的想法直接命中 知识关联：自动连接相关笔记 主动提问：基于你的笔记提出你没想过的问题 工具推荐 NotebookLM（谷歌）：最惊艳 Obsidian+AI：最灵活 飞书/印象笔记AI版：最实用 建议 笔记的价值不在存，在想。AI让想变得容易。

快速流程 1. 大纲生成 用大模型生成PPT大纲（标题+要点+逻辑） 2. 工具选择 Gamma：AI自动生成+排版 豆包/AI PPT：国内中文友好 传统PPT+AI辅助：最灵活 3. 内容填充 每页用AI生成要点文字，配图用AI生成 4. 美化 统一配色、字体、版式 技巧 大纲是核心，逻辑清晰比美观重要 每页只说一件事 图表大于文字 留白大于堆砌 注意 AI生成的PPT容易空——没有数据支撑的漂亮话。商业汇报务必补充真实数据。

固定深度的问题 标准 Transformer 的每一层都要处理每一个 token。无论是简单的"the"还是复杂的数学推导，都要经过全部 N 层的计算。 这合理吗？ 研究表明：不同 token 需要的计算量差异巨大。简单 token 在前几层就已经"完成"了表示学习，后面的层只是冗余计算。 Token "the" → Layer 1 ✓ → Layer 2 (冗余) → ... → Layer 32 (冗余) Token "integral" → Layer 1 → Layer 2 → ... → Layer 32 ✓ (需要全部层) 实验证据： 移除 50% 的浅层 token 处理，性能几乎不变（Elhoushi et al., 2024） 不同 token 的"最优层数"分布从 4 到 32 不等 约 40% 的前向计算是冗余的 Mixture of Depths 原理 核心思想 MoD（Raposo et al., 2024）借鉴了 Mixture of Experts（MoE）的思路，但不是在"专家"间路由，而是在层间路由： ...