现在公认 ChatGPT 已通过了图灵测试，但没有见过的数学题，现在的 AI (GPT) 还是不会解。这是 AI 还不会思考，还是 AI 已经达到了大多数人类的思维水平，即能通过图灵测试，但不会解初中或高中数学题？ （像姜萍一样）

[shyangs]

如下的高中數學題，AI 會用向量法解. 這道題我第一次在別的論壇發帖時 AI 還不會，但現在 ChatGPT 學會了，我懷疑是我發帖後，友壇壇友反覆地問，導致 OpenAI 背後的智能工人注意到了這一題，讓 ChatGPT 背會了.

https://chatgpt.com/share/d4fe9bc6-f62f-408f-b188-4a2fa333e57b

降低難度到初中數學題(如下)，ChatGPT 不會了，讓人懷疑 AI 還不會思考，但這樣考慮的話，能通過圖靈測試但不會初中高中數學題的人類(如姜萍)都不會思考?

https://chatgpt.com/share/67451648-ae74-8003-b6ef-332c10d43a12

[vishun]

我看到过一篇非常好的文章，可以参考：[当我谈 RAG 时我谈些什么]( https://fatescript.github.io/blog/2024/LLM-RAG/)，里面提到一个工具可以可视化展示下一个字的概率。

[kw8023cn]

@a570295535 有没有可能，人脑的运作机制也是类似，只是运算能力更强，所谓的真正拥有，也不过只是数据存储，脑震荡也会导致丢失数据而失忆，或许目前 AI 的处理逻辑和人类不同，但是也是模拟了人类的神经网络算法，我们人类的大脑何尝不是在做索引，现在 AI 的运作已经黑盒了，只要算力足够，能产生出什么样的智能尚未可知，但肯定不是简单的接龙游戏。

[kw8023cn]

@glacer 有没有可能，人脑的运作机制也是类似，只是运算能力更强，所谓的真正理解，也不过只是数据存储，脑震荡也会导致丢失数据而失忆，或许目前 AI 的处理逻辑和人类不同，但是也是模拟了人类的神经网络算法，我们人类的大脑何尝不是在做索引，现在 AI 的运作已经黑盒了，只要算力足够，能产生出什么样的智能尚未可知，但肯定不是简单的接龙游戏。

[pursuer]

定义思考很困难。数学方面，现在其实是有机器证明的，还有证明逻辑严谨性的 LEAN4 。而且有些数学定理证明过程其实就是倾向于枚举的。总不能让 AI 学习去如何"注意到"。
不过做机器数学证明的性价比很低，大概也没多少资源愿意投入这个项目中。

[huangsijun17]

现在的生成式语言模型的核心能力是“能说会道”。他的模型本体所擅长的，也是唯一擅长的是往后接话。无论对错，My 逻辑，只考虑往后可以说什么，最应该说什么，然后继续往后堆话。

[huangsijun17]

@shyangs #2 小学生都知道 3.8 比 3.11 大，但 GPT 会搞错。没些可能是小学肄业的人不做讨论。

[billlee]

怎么就公认通过图灵测试了呢？图灵测试又没有限制问数学题，这一问数学题不就暴露了？

[FireKey]

如果 AI 会思考,人类就没什么存在价值了

[zt5b79527]

@kw8023cn #23 有没有可能，硅基“生命”再怎么堆量也无法产生近似生化大脑的智慧？有没有可能 “只要算力足够” 的程度我们人类永远达不到，就跟质能转换公式我们早就知道了，但是至今无法用能量制造物质一样。chatgpt 让我们知道了大力出奇迹， 但是究竟要多大的力，才能产生真正的奇迹呢，有没有可能再大的力也出不了奇迹，有没有可能是人类永远达不到的大力

[shyangs]

@billlee


你會把大量的姜萍們問倒(50%人上不了高中)，難道姜萍們不算人 doge

[summerLast]

Ilya Sutskever 说过 压缩即智能，把 llm 当作一个压缩后的算法和数据的模型，其中蕴含的信息，很难超过其原始输入的压缩前的数据，前段时间的涌现即是模型蕴含了原始数据外的一些知识，这个是一个可以关注的点或者就是拟合松一些就是所谓的涌现？

作为 chat 是基于 llm 的模型进行微调后的（风味不通的冰淇淋）

所谓的数学背后更多的是抽象和推理，而不是单纯的文字预测，llm 在文字预测方面能力很强，也许尺寸在大几个层级，我们初高中的数学题目都被涵盖进原始数据集中去就会解了，但数据有没有这么多，在堆尺寸性能是否在有较大的提升都存疑，成了一个经济是否合算的问题，因此需要进行新模式探索与发现，这是一个最好的时代，这是一个最坏的时代

llm scaling laws 还可以指导后续 llm 发展吗?

[lovestudykid]

就没一个人尝试解一下这个题吗，o1-mini 可以给出正确答案

[summerLast]

llm 代码能力强也是有 github 之类的免费质量不错且量大的数据源的存在，一个信息不流通未有共享的领域，llm 也难为无米之炊

后面大概率很长一段时间 llm 也很难有较大的性能提升，如将 llm 和生产力软件或机器人结合是下一个阶段的发展方向，从追求用户规模，变成谁可以用更低成本生产物质资料和信息，也就所谓的降低成本的同时提高生产力，工厂将不在有工人，信息分发的生产源头将不在有不依赖 AI 的创作者

[squarefong17]

@zt5b79527 首先，智慧是什么、智慧如何产生，目前来讲各种研究依然不够科学，证伪证明都太难，最多是一部分人的公式。第二，现在的算力远远不够，就像你现在几万买个线程撕裂者，能干翻 20 多年前的超算集群，二十年后看今天也一样。二十多年前的算力，也跑不出今天 GPT 的效果。第三，当前计算机架构并不是最适合大模型的架构，大量电力和时间其实浪费在数据的搬运上，现在讨论能不能达到那个“大力”还为时尚早，更别谈“有没有可能再大的力也出不了奇迹”这种，现在想有点闲得。讨论大力奇迹，等一次存算一体的架构革命再说，现在建议思考中午吃点啥

[pkoukk]

@huangsijun17 #26 那是分词器的错误，不是 AI 的错误。通过合适的语法，让分词器不要分错，AI 就不会错。

[pkoukk]

@summerLast #33 在一个信息不流通未有共享的领域，一个人类能比 AI 的表现更好么？

[pandaPapa]

前一阵有个项目要适配 IE7, gpt 给的前端 css 基本都不对. 估计这种数据太少了,或者没有人工干预下 gpt 也不知道哪些数据是对的

[renzhe8102]

怎么就公认了?

[huangsijun17]

@pkoukk #35 我说的不是他回复的内容错误，而是他没有理解你说的说什么。他只是分析你这个词是什么话题，这个话题下怎么回答。

[pkoukk]

@huangsijun17 #39 那我们人类不是么？我们难道不是根据话题加载不同的模式么？