@coefuqin #25
你根本就不了解机器人这块的进展吧？机器人训练为什么不如文本和视频训练，这是明摆着的事实，因为数据量不够！你看过相关的报道，就会知道，现在机器人训练有 2 种方法，1 是通过实际的机器人训练，然后收集数据，2 是通过使用虚拟仿真的物理世界，在这个世界里面训练然后移植到真实世界，然而是有些差别的。


@catazshadow
看来看去，你的推理逻辑，始终是：
1. 因为 LLM 有概率输出，所以它是统计模型，所以它无法做到人类能做的事，不具备真正的智能；
2. 因为 LLM 神经元没有人类的多，所以它无法做到人类能做的事；

说实话，这种逻辑思维，就连 ChatGPT3.5 也比你强啊。能不能来点真才实料？

1. 杨立昆说，因为 LLM 的输出 token 是一个接一个的，又因为每个 token 都有一定的概率出错，所以最后出错的概率是指数级别上升的，比如每个 token 的可靠性是 0.99 ，那么输出 1000 个 token 正确的概率就要到 0 了。为什么这种情况没有发生？怎么用统计学解释？
2. 为什么通过列出步骤，可以显著增强模型的推理能力？
3. 为什么训练时间和推理时间，有替代作用？也就是说一个使用更大数据训练的大模型的立即响应能力，可以通过与一个小模型经过较长时间的推理而得到？

你不去搞清楚这些问题，而是专门在这里招摇撞骗，使用连 LLM 都不屑于使用的推理逻辑去你那宣传可笑的观点。

@catazshadow 你想通过它说明什么，神经元数量决定一切？你的数据什么也说明不了。
你要反驳，先要解释一下为什么你所谓的统计学没做到的事情，被 LLM 解决了。你不是说 LLM 是拟合、统计吗？你去搞一个统计学模型，把它的水平做到 LLM 一样。或者你可以求助全世界的统计学家，看看能不能做到。

我非常认同#6 楼 @neteroster 的观点，事实胜于雄辩，现在的事实是 LLM 能够做到任何其他方法都没能做到的事，而且它还是通过模仿人脑做到的，这就说明了它有非常大的可能是真正的智能。这就是统计学里面的贝叶斯定理告诉我们的。你连这基本的概率论的道理都不懂，还想别人怎么跟你讨论，讨论神经学，就凭你？

Hinton 是多学科的专家，你不妨先看看他怎么想的。不要像个顽固的无法学习的神经网络一样。

@catazshadow 拜托大哥，是你说现在的 AI 就是「统计鹦鹉」。你这是恶人先告状。你凭什么说 LLM 是统计学鹦鹉！谁给你的自信。就因为懂两个统计学的名词？
不要拿 YunLeCun 的话来背书你的观点：他说的很多话都已经被证伪了。包括什么 LLM 无法做到什么事，包括视频这种连续空间，不能用像文字这种离散的方式来做。
你根本就没有任何知识储备，就断言 LLM 是统计学鹦鹉，不学无术信口雌黄的是你才对。
你看下辛顿 Hinton 的观点，LLM 到底有没有理解能力： https://www.youtube.com/watch?v=N1TEjTeQeg0

是什么行业啊？

@starrys 在回复中 at 多个人，不一定都是对他们的回复，还可能是在引用某个人的话，比如我当前的这个回复就是。我觉得你可以用一下 #14 楼 @Pipecraft 提到的那个插件。

一直用 DigitalOcean 自建的梯子，2 年前吧，记不清了，反正不久，imgur 的图就都看不了了，之后会用 Tor Browser 来看它的图 😂。
感谢#7 楼的方案。

花 2 分钟领失业金，都可以支付宝里面直接办：
1. 打开支付宝，搜索“失业登记”，登记身份信息，提交；
2. 支付宝搜索“失业金申领”，简单登记失业情况(可选上传附件)，提交；

我觉得自动编程不是因为「复杂度刚好」、「 PMF 」，而是在这个领域，本身试错成本很小，AI 发生了错误，可以以非常低的成本得到反馈——只需要在测试环境编译、运行即可。任何其他的领域，都不具备这个领域这样的优势！有了反馈，AI 一是可以根据反馈来修复（即使是强如人类也必须依赖实际的反馈，而不能一口气写正确），二是可以借助这个积累训练材料，类似于现实强化学习！

这一切的基础就是实时、低成本的反馈。试想一下，其他哪个领域可以做到这样呢？医疗？教育？机器人？工业？建筑？这些领域任何实际的测试和反馈都需要不小的成本，甚至成本无法承受。

所以作为程序员，我感觉……不知道怎么说。

还有一个证据：量子世界的坍缩。

熟悉计算机技术的，一眼就能看出来，这不就是明显的 lazy compute 吗？一项计算不需要随时计算出结果，等到最终需要的时候才计算出来。一个东西只有被观测，才会坍缩到某个状态，在这之前都是概率的计算。

量子计算就是利用这个机制，去偷取主世界的计算能力。

感谢分享，非常翔实的分享！

@sentinelK
@Livid
这个主题确实是我移动的，但不是故意移动错的。鬼使神差的跟另外一个本应移动到推广的帖子（就是 sentineIK 说的推广的那个帖子）搞混了，后来才发现。我也不知道为啥会这样。

@Livid
@johnwayne
@sciel
对的，上次是从“程序员”节点，移动到的“分享发现”。因为我感觉它不太属于技术话题，同时它又包含了一些有意思的信息量，不是单纯的推广。当然，节点之间的界限有重叠，导致每个人的看法也会不同。而且我确实也顾不上每个都深入研究，只能像非 thinking 类型的大语言模型一样，凭模式识别快速判断😂。

感觉心理剖析的很准，至少我就是这样。
上次为了在 macOS 上跑一个 Windows 软件，去折腾开源的方案。如果是普通人，可能稍微查查，就直接用付费方案了。

很多逻辑没有理清楚：「美国作为“世界货币发行国”，必须持续输出美元（即从他国买买买），以满足全球美元需求。」

比如上面的，看起来似乎是美国主动搞动作输出美元，其实因果链条是：全球对美元都有需求（交易过程需要、为了交易预留的储备也需要），这种需求导致美元升值，从而使得美国进口的外国货便宜，导致美国本土制造没有竞争力，导致美国制造业都迁移到国外从而空心化。

但是按理说，如果美国一直进口大于出口，那么美元又应该贬值，从而抵消之前的升值，最终达到一个平衡，从而阻止制造业的持续空心化。那么为什么没有呢？

这些逻辑自己都理解，而且都讲清楚了才算明白了。

@sastar 是骡子是马拉出来溜溜，别在那儿口嗨，看你能不能在我手下过一回合。

@catazshadow
你可以这么理解：
1. 假如有人搞出来一套东西，比其他的任何方法，在实际上都更有效果，甚至通过了图灵测试；
2. 然后有人质疑，它只不过是「中文屋子」，只不过是「鹦鹉学舌」，很可能是巧合；
3. 但是人们会告诉质疑的人，这套东西，恰恰是模仿真正有智能的系统搭建的，也就是神经网络；

你跟#4 楼似乎很熟悉统计学，有没有发现上面的 3 点很熟悉呢？上面的就是概率论里面的「贝叶斯定理」，恰恰说明了现在的 AI 就是正确的方向，就是真正的智能。
反观你和#4 楼，懂个「统计学」的名词，就要定义现在 LLM 的本质了，AI 专家都说了 AI 是黑盒，你们就敢定义 AI 的本质，也太不知天高地厚了。

@InkStone 「你不能拿 GPT3.5 出来以后的革命性成果，去反驳之前的评价」，这句话其实暗含的一个关键就是时间。即使 AI 「当时」不能做某些事情，也不意味着后续不能做。就像现在的情况一样：OP 提到的这个投资人既不懂过去，也不懂将来，只拿现在的静态眼光来看一些事情，说什么“市场会教育他们”，思维不是一样的吗。

AI 在编程领域，现状是最好的，而且也是未来最具发展能力的。为啥这么说？我就不说了，但我肯定这个投资人不知道。

@sentinelK #11
我已经说了，AI 内部是如何做到的，谁都没有搞清楚。只拿一个「统计学」的名字，说这就是 AI 的本质，去试图定义 AI 的边界，或者说 LLM 的边界，太不自量力了吧。我还会说这世界都是熵增都是符合牛顿力学的呢，这能否定生命的神奇吗？什么“足够的既有经验+随机发散 = 智能”，感觉你又在臆想造词了。
至于 mod 权限，更反映了你一如既往的逻辑混乱：给我的 mod 权限只是移动主题，跟我的技术水平有什么关系呢？再说从这句话反映出的你的逻辑思维能力，够得着质疑谁吗？