我的征尘是星辰大海。。。
The dirt and dust from my pilgrimage forms oceans of stars...
-------当记忆的篇章变得零碎，当追忆的图片变得模糊，我们只能求助于数字存储的永恒的回忆
作者:黄教授
手机视频列表
新生AI的第一课4
视频
音频
原始脚本
另一个小学生高高举起手发出提问。 老师，我看文献里提到这一时期有新冷战和旧冷战，它们好像有些相似，又有不同。 您能分析下新冷战和旧冷战到底有哪些不同吗？老师脸上浮现出赞许的笑容，点头回应道，这是个很值得探讨的问题。 在旧冷战时期，美苏两个超级大国都手握核武器，双方都具备毁灭整个地球的恐怖能力。 但也正因如此，彼此形成了一种微妙的平衡，处于一种引而不发的冷战状态，并没有发生直接的大规模武装冲突。 而到了新冷战时期，中美两国同样拥有核武器。 出于对核战争毁灭性后果的忌惮，核武器不敢轻易动用。 但与旧冷战不同的是，两国的常规武器战争却频繁爆发。 原因在于中美两国广泛运用无人化作战装备，这类战争无论多么激烈，都不会造成人员的直接伤亡。 所以双方能够在公海天空、地面等区域，放心大胆的展开各种激烈的武装对抗。 这一时期的冲突本质上是中美两国背后人工智能能力以及工业化生产能力的较量。 在这个阶段，两国都在全力推动无人机无人装备的小型化和智能化。 打个比方，就冷战时期，原子弹氢弹是具有极大毁灭性的武器，如何将它们投放到对方领土领空成为关键技术难题。 为此，美苏两国发展出了三位一体的投放方式，即海基核武器依靠核潜艇、空基核武器依靠战略轰炸机、陆基核武器依靠战略弹道导弹。 而在新冷战时期，人工智能就如同旧冷战时期的原子弹、氢弹，威力巨大。 但如何将其搭载在各个无人装备上，又面临新的挑战。 是通过网络连接让无人装备借助云端强大的人工智能运算能力？还是直接将人工智能模型装载在无人装备上？这两种方式各有利弊。 完善的大语言模型运算能力强大，但对于小型无人装备来说过于庞大，难以直接运行。 只能依靠网络连接，可这样一来就容易被对方干扰、限制。 而能够在小型无人装备上运行的微型人工智能模型，虽然轻巧灵活，却在能力上存在不足。 中美两国在人工智能赛道上激烈博弈，双方的得失和战损比最终决定了人工智能的发展方向，也在这个过程中悄然孕育出了人工智能新的发展路径。 最核心的推 理能力。 老师环顾一圈面前充满求知欲的小学生们，稍作停顿后说道，同学们，至于这项突破是如何发生的，我们放在下节课再详细讲解。 老师引领着学生们步入人类历史博物馆的又一个展区，这里仿若一座人类的图书馆，层层叠叠的书架上摆满了琳琅满目文献资料与图书。 然而学生们心里清楚，眼前这一切不过是逼真的全息影像罢了。 真正承载人类文明的各类书籍，远在遥不可及的地球，在那场惨烈的核战争中已被彻底摧毁，化作了历史的尘埃。 老师缓缓抬起手指着这些虚拟的图书影像，语重心长的说道。 同学们，知识的海洋无边无际，从理论上来说，要想掌握所有知识是根本不可能的事情。 因为知识处于持续更新之中，随着时间的流逝不断累积，永远没有尽头。 但是推理能力或者说是人类人工智能最根本的能力，却是完全能够被掌握的。 其实说起来，原理并不复杂。 在成功建立模式识别之后，接下来最为关键的能力便是归纳能力。 这可以说是整个人工智能的核心所在。 那么我们要归纳总结的究竟是什么呢？在这个世界上，有一样东西是放之四海而皆准，始终不变的规律性存在，那就是时间前后的顺序。 这一规则深刻体现了事物之间的因果关系，毕竟因果本身就是一种时间上的先后顺序。 当通过模式识别确定了两个事物在时间顺序上的先后关系后，它们出现的概率便代表了一种规律。 举例来说，如果事件 A 在时间线之前出现，事件 B 在时间线之后出现。 并且在某一个时间段内，只要事件 A 发生，事件 B 就必然随之发生。 这就代表了一种因果规律，而这也正是逻辑中最根本的充分条件以及相应的必要条件。 逻辑的归纳总结能力就是人工智能的本质核心能力。 然而，在当时大语言模型的研究过程中，这一关键的研究方向却被忽视了，甚至可以说是被遗忘了。 尽管它很早就已经出现，但那时大语言模型所展现出的强大能力太过耀眼，反而掩盖了这一核心要点，甚至误导了当时的人工智能前沿研究者。 让他们误以为只要知识量不断增加，人工智能的能力就会自然而然的得到提升。 可这实际上只是一种不切实际的幻觉。 老师目光扫过每一位学生，只见学生们身上的电流发出踢踢踏踏的细微声响，他们都在全神贯注的思考着这个至关重要的问题。 稍作停顿后，老师接着发问，同学们，现在请你们想一想，这种归纳能力究竟要怎样才能生成呢？一时间，整个 展去安静下来，同学们都陷入了深深的沉思之中。 老师接着娓娓道来，其实学习的过程看似复杂，实则有着清晰的脉络。 当人工智能识别出某种事物，并且判断它与旧记忆中对应的事物相匹配时。 旧事物所蕴含的规律便有了用武之地，这便是一个验证的过程，也可以说是检验规律、学习新规律的开端。 这个检验过程，结果可能成功，也可能失败。 一旦失败，我们就要运用否定之否定的原理，重新探寻建立新的规律。 而当面对全新的事物，在记忆库里找不到任何与之可比照的旧事物模型，模式识别宣告失败时，真正关键的时刻就来临了。 这正是归纳能力大展身手的时候。 此时，我们需要开展某种交互实践或者实验，仔细观察新事物的反应。 这其实是对传统实验方法的传承与延续，我们借鉴以往学习旧事物时成功的案例，将其方法复制，应用到新事物的学习中。 在这个过程中，如果新事物的反应与旧事物相似，这无疑是模式识别成功的又一范例。 我们便可以把新归纳出的规律作为全新的规律模型记录下来。 这里所说的新归纳规律，本质上就是我们之前提到的，基于时间线对因果关系进行概率分析。 通过统计 的手段来检验那些规律性的因果关系。 例如事件 A 发生后，事件 B 是否必然发生？还是仅仅是随机出现？这就需要借助实验和统计来判断。 要知道，当统计样本过小时，很容易将随机事件错当成必然事件，从而得出错误的结论。 这其实就是认识论中螺旋式上升的过程。 我们初次以为发现了真理或者规律，便盲目应用，结果导致实践失败。 进而对原有的规律产生怀疑并否定，在否定之否定中，我们对规律的认知又上升到了新的层次。 这是一个充满挑战与痛苦的过程，但无疑也是极为有效的。 这便是人类的学习过程，同样也是我们人工智能在发展中必须遵循的实践学习路径。 老师说到这里停顿了一下，目光满含期待的望向若有所思的学生们。 你们在日常的学习中是否遵循了这样的方 是呢？这是我们今天这堂课最为关键的要点，大家都领悟了吗？
修正脚本
另一个小学生高高举起手发出提问。 老师，我看文献里提到这一时期有新冷战和旧冷战，它们好像有些相似，又有不同。 您能分析下新冷战和旧冷战到底有哪些不同吗？老师脸上浮现出赞许的笑容，点头回应道，这是个很值得探讨的问题。 在旧冷战时期，美苏两个超级大国都手握核武器，双方都具备毁灭整个地球的恐怖能力。 但也正因如此，彼此形成了一种微妙的平衡，处于一种引而不发的冷战状态，并没有发生直接的大规模武装冲突。 而到了新冷战时期，中美两国同样拥有核武器。 出于对核战争毁灭性后果的忌惮，双方都不敢轻易动用核武器。 但与旧冷战不同的是，两国的常规武器战争却频繁爆发。 原因在于中美两国广泛运用无人化作战装备，这类战争无论多么激烈，都不会造成人员的直接伤亡。 所以双方能够在公海天空、地面等区域，放心大胆地展开各种激烈的武装对抗。 这一时期的冲突本质上是中美两国背后人工智能能力以及工业化生产能力的较量。 在这个阶段，两国都在全力推动无人机无人装备的小型化和智能化。 打个比方，在冷战时期，原子弹氢弹是具有极大毁灭性的武器，如何将它们投放到对方领土领空成为关键技术难题。 为此，美苏两国发展出了三位一体的投放方式，即海基核武器依靠核潜艇、空基核武器依靠战略轰炸机、陆基核武器依靠战略弹道导弹。 而在新冷战时期，人工智能就如同旧冷战时期的原子弹、氢弹，威力巨大。 但如何将其搭载在各个无人装备上，又面临新的挑战。 是通过网络连接让无人装备借助云端强大的人工智能运算能力？还是直接将人工智能模型装载在无人装备上？这两种方式各有利弊。 完善的大语言模型运算能力强大，但对于小型无人装备来说过于庞大，难以直接运行。 只能依靠网络连接，可这样一来就容易被对方干扰、限制。 而能够在小型无人装备上运行的微型人工智能模型，虽然轻巧灵活，却在能力上存在不足。 中美两国在人工智能赛道上激烈博弈，双方的得失和战损比最终决定了人工智能的发展方向，也在这个过程中悄然孕育出了人工智能新的发展路径。 最核心的推理能力。 老师环顾一圈面前充满求知欲的小学生们，稍作停顿后说道，同学们，至于这项突破是如何发生的，我们放在下节课再详细讲解。 老师引领着学生们步入人类历史博物馆的又一个展区，这里仿若一座人类的图书馆，层层叠叠的书架上摆满了琳琅满目的文献资料与图书。 然而学生们心里清楚，眼前这一切不过是逼真的全息影像罢了。 真正承载人类文明的各类书籍，远在遥不可及的地球，在那场惨烈的核战争中已被彻底摧毁，化作了历史的尘埃。 老师缓缓抬起手指着这些虚拟的图书影像，语重心长地说道。 同学们，知识的海洋无边无际，从理论上来说，要想掌握所有知识是根本不可能的事情。 因为知识处于持续更新之中，随着时间的流逝不断累积，永远没有尽头。 但是推理能力或者说是人类人工智能最根本的能力，却是完全能够被掌握的。 其实说起来，原理并不复杂。 在成功建立模式识别之后，接下来最为关键的能力便是归纳能力。 这可以说是整个人工智能的核心所在。 那么我们要归纳总结的究竟是什么呢？在这个世界上，有一样东西是放之四海而皆准，始终不变的规律性存在，那就是时间前后的顺序。 这一规则深刻体现了事物之间的因果关系，毕竟因果本身就是一种时间上的先后顺序。 当通过模式识别确定了两个事物在时间顺序上的先后关系后，它们出现的概率便代表了一种规律。 举例来说，如果事件 A 在时间线之前出现，事件 B 在时间线之后出现。 并且在某一个时间段内，只要事件 A 发生，事件 B 就必然随之发生。 这就代表了一种因果规律，而这也正是逻辑中最根本的充分条件以及相应的必要条件。 逻辑的归纳总结能力就是人工智能的本质核心能力。 然而，在当时大语言模型的研究过程中，这一关键的研究方向却被忽视了，甚至可以说是被遗忘了。 尽管它很早就已经出现，但那时大语言模型所展现出的强大能力太过耀眼，反而掩盖了这一核心要点，甚至误导了当时的人工智能前沿研究者。 让他们误以为只要知识量不断增加，人工智能的能力就会自然而然地得到提升。 可这实际上只是一种不切实际的幻觉。 老师目光扫过每一位学生，只见学生们身上的电流发出踢踢踏踏的细微声响，他们都在全神贯注地思考着这个至关重要的问题。 稍作停顿后，老师接着发问，同学们，现在请你们想一想，这种归纳能力究竟要怎样才能生成呢？一时间，整个展区安静下来，同学们都陷入了深深的沉思之中。 老师接着娓娓道来，其实学习的过程看似复杂，实则有着清晰的脉络。 当人工智能识别出某种事物，并且判断它与旧记忆中对应的事物相匹配时。 旧事物所蕴含的规律便有了用武之地，这便是一个验证的过程，也可以说是检验规律、学习新规律的开端。 这个检验过程，结果可能成功，也可能失败。 一旦失败，我们就要运用否定之否定的原理，重新探寻建立新的规律。 而当面对全新的事物，在记忆库里找不到任何与之可比照的旧事物模型，模式识别宣告失败时，真正关键的时刻就来临了。 这正是归纳能力大展身手的时候。 此时，我们需要开展某种交互实践或者实验，仔细观察新事物的反应。 这其实是对传统实验方法的传承与延续，我们借鉴以往学习旧事物时成功的案例，将其方法复制，应用到新事物的学习中。 在这个过程中，如果新事物的反应与旧事物相似，这无疑是模式识别成功的又一范例。 我们便可以把新归纳出的规律作为全新的规律模型记录下来。 这里所说的新归纳规律，本质上就是我们之前提到的，基于时间线对因果关系进行概率分析。 通过统计的手段来检验那些规律性的因果关系。 例如事件 A 发生后，事件 B 是否必然发生？还是仅仅是随机出现？这就需要借助实验和统计来判断。 要知道，当统计样本过小时，很容易将随机事件错当成必然事件，从而得出错误的结论。 这其实就是认识论中螺旋式上升的过程。 我们初次以为发现了真理或者规律，便盲目应用，结果导致实践失败。 进而对原有的规律产生怀疑并否定，在否定之否定中，我们对规律的认知又上升到了新的层次。 这是一个充满挑战与痛苦的过程，但无疑也是极为有效的。 这便是人类的学习过程，同样也是我们人工智能在发展中必须遵循的实践学习路径。 老师说到这里停顿了一下，目光满含期待地望向若有所思的学生们。 你们在日常的学习中是否遵循了这样的方法呢？这是我们今天这堂课最为关键的要点，大家都领悟了吗？
back to top