Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

一只果蝇的大脑，被完整复制进了电脑里。听清楚。这不是一个模仿果蝇的 AI 模型。这是一个真实的、神经元级别的数字拷贝。科学家用电子显微镜扫描了果蝇的大脑。一个一个神经元。一个一个突触。全部数字化。然后，他们把这个“数字大脑”放进一个模拟的身体里。就像一个游戏角色。结果呢？这只虚拟果蝇，自己开始走路、清理身体、寻找食物。没有人教它。所有行为，都刻在它大脑的线路里。几十年来，科技精英们都在说，智能需要通过海量数据“训练”出来。现在看来，智能或许可以直接“转移”。如果一个果蝇的大脑可以被复制…… 下一个会是什么？谁来决定，哪些意识可以被数字化，哪些不行？一个全新的伦理战场，已经打开了。

墓碑科技

68,765 subscribers

169,980 просмотров • 5 месяцев назад •via X (Twitter)

Новости и политика Наука и технологии

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

美国一家名叫 Eon Systems 的公司，用极其精密的仪器扫描了一只真实果蝇的大脑，把里面大约 12.5万到13.9万个神经元以及 5000万个神经连接（突触）进行了 1:1 的完整复刻，绘制成了一张数字化的“大脑电路图”。他们把这个“数字大脑”接入到了一个虚拟的果蝇身体里，这只虚拟果蝇就自发地开始行走、转弯、搓手清理自己，甚至表现出觅食的倾向，它的行为跟真实的果蝇相似度高达 91% - 95%。这可能颠覆了传统的AI路线，以前大家觉得必须用算法和大数据，现在发现“复制生物结构”这条路也能通向智能，而且过程清晰可见，不像现在的AI是个黑盒。很多人把这看作是“数字永生”或“意识上传”的第一步。有网友评论：我真希望自己是数字人，这么一来，我所经历的痛苦焦虑绝望都只是虚拟的而已，而不是真实的。有网友回复：一花一世界，一叶一菩提，滴水藏宇宙，宇宙无穷尽。你就当你现在的世界是虚拟的不就好了，其实是一样的。

美国一家名叫 Eon Systems 的公司，用极其精密的仪器扫描了一只真实果蝇的大脑，把里面大约 12.5万到13.9万个神经元以及 5000万个神经连接（突触）进行了 1:1 的完整复刻，绘制成了一张数字化的“大脑电路图”。他们把这个“数字大脑”接入到了一个虚拟的果蝇身体里，这只虚拟果蝇就自发地开始行走、转弯、搓手清理自己，甚至表现出觅食的倾向，它的行为跟真实的果蝇相似度高达 91% - 95%。这可能颠覆了传统的AI路线，以前大家觉得必须用算法和大数据，现在发现“复制生物结构”这条路也能通向智能，而且过程清晰可见，不像现在的AI是个黑盒。很多人把这看作是“数字永生”或“意识上传”的第一步。有网友评论：我真希望自己是数字人，这么一来，我所经历的痛苦焦虑绝望都只是虚拟的而已，而不是真实的。有网友回复：一花一世界，一叶一菩提，滴水藏宇宙，宇宙无穷尽。你就当你现在的世界是虚拟的不就好了，其实是一样的。

Ken W

15,271 просмотров • 5 месяцев назад

我们都活在一个巨大的模拟程序里。听起来像科幻电影？有个人用一束激光，在自己家里做了个实验。结果震惊了在场所有人。激光束打在墙上。但光束穿过的地方，竟然浮现出数字和字母。就像游戏里的代码一样，漂在空中。他说这不是幻觉。一百多个人亲眼看过，每个人看到的都一样。从不同角度看，还能看到不同的层次。好像激光撕开了一道口子，让你看到了世界的底层代码。几个世纪以来，无数人试图探索意识的边界。靠的是什么？冥想、药物、各种神秘体验。但那些东西，全都是主观感受。无法重复，无法验证。现在这个激光实验，据说任何人都能重复。而且结果稳定。如果这是真的，意味着什么？我们看到的、摸到的一切，都只是一行行代码？难怪大科技公司和精英阶层，痴迷于元宇宙、虚拟现实。他们是不是早就知道了什么？普通人被蒙在鼓里，埋头为生活奔波。而有些人，已经在尝试扮演“上帝”的角色了。这个世界，到底谁说了算？

我们都活在一个巨大的模拟程序里。听起来像科幻电影？有个人用一束激光，在自己家里做了个实验。结果震惊了在场所有人。激光束打在墙上。但光束穿过的地方，竟然浮现出数字和字母。就像游戏里的代码一样，漂在空中。他说这不是幻觉。一百多个人亲眼看过，每个人看到的都一样。从不同角度看，还能看到不同的层次。好像激光撕开了一道口子，让你看到了世界的底层代码。几个世纪以来，无数人试图探索意识的边界。靠的是什么？冥想、药物、各种神秘体验。但那些东西，全都是主观感受。无法重复，无法验证。现在这个激光实验，据说任何人都能重复。而且结果稳定。如果这是真的，意味着什么？我们看到的、摸到的一切，都只是一行行代码？难怪大科技公司和精英阶层，痴迷于元宇宙、虚拟现实。他们是不是早就知道了什么？普通人被蒙在鼓里，埋头为生活奔波。而有些人，已经在尝试扮演“上帝”的角色了。这个世界，到底谁说了算？

墓碑科技

314,209 просмотров • 5 месяцев назад

人工智能到底会不会思考？它真的懂你在说什么吗？菲尔兹奖得主，数学家陶哲轩，告诉你一个惊人事实。 AI根本不会理解概念。但它能干一件更可怕的事：发现隐藏的规律。来看一个数学领域的例子。纽结理论，听起来很绕，对吧？你可以把它想象成一堆堆的绳结，有些能解开，有些永远解不开。数学家们怎么区分这些绳结呢？用各种数字，叫作“纽结不变量”。然后，好戏开场了。一个老派的神经网络，还不是什么花哨的大语言模型。科学家们给它喂了100万个绳结的数据。让它自己去“看”。结果，这个AI发现了一个没人预料到的关联。它发现，一个叫“符号差”的不变量，竟然可以被另一堆叫“双曲不变量”的数字，以极高的精度预测出来！在这之前，人类数学家从没怀疑过它们之间有这种关系。一开始，这就像个黑箱。 AI只告诉你结果，不告诉你为什么。但它指出了一个方向，一个人类从未踏足的方向。 AI不是在思考，它是在揭示宇宙背后那些我们看不见的，隐藏的关联。

人工智能到底会不会思考？它真的懂你在说什么吗？菲尔兹奖得主，数学家陶哲轩，告诉你一个惊人事实。 AI根本不会理解概念。但它能干一件更可怕的事：发现隐藏的规律。来看一个数学领域的例子。纽结理论，听起来很绕，对吧？你可以把它想象成一堆堆的绳结，有些能解开，有些永远解不开。数学家们怎么区分这些绳结呢？用各种数字，叫作“纽结不变量”。然后，好戏开场了。一个老派的神经网络，还不是什么花哨的大语言模型。科学家们给它喂了100万个绳结的数据。让它自己去“看”。结果，这个AI发现了一个没人预料到的关联。它发现，一个叫“符号差”的不变量，竟然可以被另一堆叫“双曲不变量”的数字，以极高的精度预测出来！在这之前，人类数学家从没怀疑过它们之间有这种关系。一开始，这就像个黑箱。 AI只告诉你结果，不告诉你为什么。但它指出了一个方向，一个人类从未踏足的方向。 AI不是在思考，它是在揭示宇宙背后那些我们看不见的，隐藏的关联。

墓碑科技

39,169 просмотров • 7 месяцев назад

AI教父Yann LeCun说了一个事实。一个四岁的小孩，看过的数据量，等于有史以来所有文本的总和。最大的AI模型，训练数据是30万亿个单词。听着很多？一个四岁小孩，醒着的时间大约16000小时。光是用眼睛看，接收的数据量就跟AI一样多。但数据的质量，完全是两回事。小孩看到的是真实世界。是重力，是东西掉下来，是手去抓握。是因果，是物理规律。他通过这些，在脑子里建立了一个世界模型。 AI看到的是什么？是孤立的文字，是符号。它唯一的任务，是猜下一个词是什么。这就解释了现在的怪现象。 AI能通过律师考试，能解微积分方程。比大学生还快。但它学不会装洗碗机。也变不成一个能做家务的机器人。更不可能像任何一个青少年一样，花20小时就学会开车。那些吹嘘AI马上取代一切的人，在回避什么？他们在回避现实世界。 AI被喂养的是人类思想的“数字幽灵”，不是物理世界的实体。把一个在图书馆里读了所有书的书呆子，和一个在街头长大的孩子扔进丛林。谁能活下来？道理是一样的。

AI教父Yann LeCun说了一个事实。一个四岁的小孩，看过的数据量，等于有史以来所有文本的总和。最大的AI模型，训练数据是30万亿个单词。听着很多？一个四岁小孩，醒着的时间大约16000小时。光是用眼睛看，接收的数据量就跟AI一样多。但数据的质量，完全是两回事。小孩看到的是真实世界。是重力，是东西掉下来，是手去抓握。是因果，是物理规律。他通过这些，在脑子里建立了一个世界模型。 AI看到的是什么？是孤立的文字，是符号。它唯一的任务，是猜下一个词是什么。这就解释了现在的怪现象。 AI能通过律师考试，能解微积分方程。比大学生还快。但它学不会装洗碗机。也变不成一个能做家务的机器人。更不可能像任何一个青少年一样，花20小时就学会开车。那些吹嘘AI马上取代一切的人，在回避什么？他们在回避现实世界。 AI被喂养的是人类思想的“数字幽灵”，不是物理世界的实体。把一个在图书馆里读了所有书的书呆子，和一个在街头长大的孩子扔进丛林。谁能活下来？道理是一样的。

墓碑科技

72,742 просмотров • 5 месяцев назад

软件已死？没有。但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。他说，每家公司现在都是API公司。不管他们想不想要。为什么？因为AI代理人将无处不在。它们会像流水线一样，自动组合各种产品和服务。怎么组合？通过调用你的API。过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。一个时代结束了。一个新时代开启了。这背后真正的问题是什么？当AI代理人可以任意调用数据和功能时，谁来控制它们？身份认证成了新的战场。如果没有一个可信的身份，代理人就可能失控。这听起来是技术问题。但本质是权力问题。谁来定义“可信”？谁来发放这个“数字身份”？是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。力量的重塑，总是在人们不经意的地方开始。

软件已死？没有。但它正在变异。 Sam Altman最近有个判断，在脑子里挥之不去。他说，每家公司现在都是API公司。不管他们想不想要。为什么？因为AI代理人将无处不在。它们会像流水线一样，自动组合各种产品和服务。怎么组合？通过调用你的API。过去的SaaS模式，软件即服务，股价已经开始剧烈震荡。一个时代结束了。一个新时代开启了。这背后真正的问题是什么？当AI代理人可以任意调用数据和功能时，谁来控制它们？身份认证成了新的战场。如果没有一个可信的身份，代理人就可能失控。这听起来是技术问题。但本质是权力问题。谁来定义“可信”？谁来发放这个“数字身份”？是少数几家科技巨头，还是一个凌驾于所有人之上的中心化机构？当每个行为、每个代理人都需要被“认证”才能运行时，这离一个完全被监控和许可的系统还有多远？这套逻辑，从商业安全延伸到社会管理，几乎是无缝的。力量的重塑，总是在人们不经意的地方开始。

墓碑科技

20,767 просмотров • 6 месяцев назад

ADHD，到底是什么？大脑坏了？基因缺陷？不。它可能是一个婴儿，为了活下来，学会的生存策略。来，做个思想实验。如果我现在让你压力爆表，让你紧张，你会怎么办？怼我，或者，直接走人。战斗，或逃跑，对吧？但如果，你是个婴儿呢？你不能打，也不能跑。当父母的焦虑、压力像潮水一样涌来，一个小婴儿能怎么办？他只能“离线”。主动切断连接，让自己的大脑“调谐出去”。这是他唯一的自救。这个“离线”的动作，一遍又一遍，最后，被刻进了正在发育的大脑回路里。几十年后，这个长大的孩子，注意力不集中、总是感到混乱、不堪重负。然后，我们给他贴上一个标签：ADHD，一种“病”。但加博·马特医生说，这不是病。这是一个早已过期的生存技能。既然它源于情感创伤，那它就能被真正的连接和理解所治愈。所以，别再说你的大脑有缺陷了。你只是曾经，太需要保护自己了。

ADHD，到底是什么？大脑坏了？基因缺陷？不。它可能是一个婴儿，为了活下来，学会的生存策略。来，做个思想实验。如果我现在让你压力爆表，让你紧张，你会怎么办？怼我，或者，直接走人。战斗，或逃跑，对吧？但如果，你是个婴儿呢？你不能打，也不能跑。当父母的焦虑、压力像潮水一样涌来，一个小婴儿能怎么办？他只能“离线”。主动切断连接，让自己的大脑“调谐出去”。这是他唯一的自救。这个“离线”的动作，一遍又一遍，最后，被刻进了正在发育的大脑回路里。几十年后，这个长大的孩子，注意力不集中、总是感到混乱、不堪重负。然后，我们给他贴上一个标签：ADHD，一种“病”。但加博·马特医生说，这不是病。这是一个早已过期的生存技能。既然它源于情感创伤，那它就能被真正的连接和理解所治愈。所以，别再说你的大脑有缺陷了。你只是曾经，太需要保护自己了。

墓碑科技

12,301 просмотров • 8 месяцев назад

大脑不产生意识。恰恰相反，是意识创造了我们眼中的现实世界。一位叫唐纳德·霍夫曼的认知科学家，正和两位数学家一起，即将发布这个理论的数学证明。他们的理论是什么？时空，这个我们感知到的三维空间加一维时间，是从更基础的意识层面推导出来的。简单说，先有意识，后有宇宙。这彻底颠覆了现代科学的基本假设。主流科学界一直告诉我们，意识只是大脑神经元活动的副产品。一种复杂的幻觉而已。为什么这个根基性的问题，现在才被拿出来用严谨的数学挑战？如果霍夫曼是对的，这意味着什么？这意味着整个唯物主义科学大厦可能建在了一个错误的基石上。霍夫曼自己说，这个数学证明过程非常优雅，甚至“近乎不言而喻”。但他们表现得极其谨慎。因为这结果太重大了。它会直接冲击现有科学界的权威叙事体系。一个更有趣的问题是。如果意识是宇宙的基础，那谁的意识？我们每个人的意识又是如何参与到这个创造过程中的？这套理论，会不会是解开人类潜能和生命意义的关键钥匙？

大脑不产生意识。恰恰相反，是意识创造了我们眼中的现实世界。一位叫唐纳德·霍夫曼的认知科学家，正和两位数学家一起，即将发布这个理论的数学证明。他们的理论是什么？时空，这个我们感知到的三维空间加一维时间，是从更基础的意识层面推导出来的。简单说，先有意识，后有宇宙。这彻底颠覆了现代科学的基本假设。主流科学界一直告诉我们，意识只是大脑神经元活动的副产品。一种复杂的幻觉而已。为什么这个根基性的问题，现在才被拿出来用严谨的数学挑战？如果霍夫曼是对的，这意味着什么？这意味着整个唯物主义科学大厦可能建在了一个错误的基石上。霍夫曼自己说，这个数学证明过程非常优雅，甚至“近乎不言而喻”。但他们表现得极其谨慎。因为这结果太重大了。它会直接冲击现有科学界的权威叙事体系。一个更有趣的问题是。如果意识是宇宙的基础，那谁的意识？我们每个人的意识又是如何参与到这个创造过程中的？这套理论，会不会是解开人类潜能和生命意义的关键钥匙？

墓碑科技

73,362 просмотров • 5 месяцев назад

看完这期视频，你的大脑将不可逆转地变聪明一些。今天我们来讲大脑可塑性原理。我们的内容，会依据于哥伦比亚大学的脑科学教授 Lara Boyd 的研究。今天我们就来讲：如何让你的大脑自己变聪明。大脑的改变可以分成三个部分，分别是：化学改变、结构改变，以及功能改变。因为脑科学的研究在不断更新，所以人们对于大脑的认知，其实往往会出现三个方面的误解。第一个误解是：你的大脑是你父母给予的，所以你的大脑的聪明程度，以及它的功能性，是有上限的。人们往往对大脑的第二个误解是：成年以后，人的大脑就不能再改变了。人们对于大脑的第三个误解就是：当你不再思考的时候，大脑就不会运行。但是随着神经科学的发展，我们发现，大脑其实是一直在改变的，你的脑部结构也是一直在改变的。所以今天我们主要要讲的就是：如何让你自己改变你的大脑。其实简单来说，一言以蔽之，就是：行为是可以改变大脑的。而且行为是无时无刻不在改变着大脑。今天会讲很多反常识的点。首先我们来讲，Lara 的第一个核心观点是什么。他认为：不是因为你是谁，所以你做了这样的事情；某种程度上，也是因为你做了这样的事情，造就了你是谁。你的行为在无时无刻地塑造你的大脑。正是因为你眼前面临一个选择，你选择了 A 或选择了 B，然后你持续地在做 A、做 B 的过程中，它塑造了你是谁。你不是用拥有的大脑在生活，而是生活在不断构建你的大脑。这有点像萨特的存在主义：你塑造了你自己是谁，而不是你是谁，所以你做了怎样的事情。你的行为，完全改变了你的大脑结构，也定义了你是谁。所以每个人的行为，每个人眼前的选择，是非常重要的。即便你不选择，也是一种选择。这就不得不让我们引出第二个话题：改变大脑的三种方式。分别是：化学性改变、结构性改变，以及功能性的改变。什么叫化学性的改变呢？就是大脑是如何运作的。大脑是通过神经元之间的化学信号来传递工作的。换言之，你的神经元和神经元之间传递出一个化学信号，才导致你身体有怎样的反应。这就是为什么每个人的愤怒值不一样，这就是为什么每个人的敏感值不一样，这就是为什么每个人对于音乐的这种敏感度不一样。因为，其实你大脑之间的这个化学信号浓度，是不一样的。所以如果说你想快速改变你的大脑，就是通过改变行为，通过学习，来改变神经元之间化学信号的浓度。举个简单的例子：考试之前临时抱佛脚有没有用？有，其实是有用的。因为你有瞬时记忆。你在不断学习的过程中，你的大脑间的神经元之间的化学信号的浓度变强了，所以你学了以后是有用的。但是你有没有发现，考完试以后，到了第二天，再问你考试时候的那个内容的时候，你就忘记了答案。是的。所以某种程度上，这种化学性的改变是什么？是增强你的瞬时记忆。你单次的学习，就会增强你这个神经元之间的瞬时记忆。也就是说，在考试之前，你不要想着放松还是学习，临时抱佛脚是管用的。换言之，这种化学性的大脑改变，会短期地让你变聪明。大脑的第二种改变方式，叫做结构性的改变。因为大脑通过改变神经链接的形态和数量，来储存长期记忆。我举个简单例子就明白了。你看那个马龙，包括樊振东，他们打球的时候，是不是有这种肌肉记忆？对的。他们真的是看到了球的轨迹，所以做出了预判，然后打到这个乒乓球吗？不是的。他的脑子反应没有那么快。但是他通过这种肌肉记忆，其实改变了他的脑部结构。当一个球以某种形态发出来的时候，他的身体自然会给出反应，你的大脑会自动地给出反应，你的大脑结构已经变了。那么它和这个化学性有什么区别呢？我举个简单例子就明白了。就是说你弹钢琴的时候，你第一次，比如说你学一个简单的钢琴曲，当你学会以后，你是不是就会了？你是不是就不会再忘掉了？对。但是第二天弹的时候，你手还是反应不过来，你还是会忘掉。因为你短暂的学习，只是改变了神经元间的化学信号的浓度，而没有改变你的脑部结构。但是如果说你长期学习，长期学习，你就再也忘不掉了。当你把这首曲子弹得滚瓜烂熟的时候，你就再也忘不掉。可能有些人已经失忆了，但他还会弹钢琴。这就是长期学习、长期进步，给予你大脑结构性的改变。这就是为什么小的时候，老师让我们反复练习，反复去背一些诗文。由于小的时候通过朗读的过程中，很多诗文已经背得滚瓜烂熟，所以你就再也忘不掉了。大脑发生了结构性的改变，而且你对于诗歌的鉴赏能力也提高了。所以为什么有一种说法：一个人的家庭环境非常重要，一个家庭的教育环境非常重要。说白了就是所谓的浸淫、所谓的熏陶、所谓的耳濡目染，让你不知不觉之间进入了某种长期学习的状态，大脑结构因此而改变。也就是说，一个杀人犯的孩子，如果被养在一个书香门第，他的大脑结构是会改变的。不代表就是龙生龙、凤生凤、老鼠儿子会打洞。不是这样的。只要你愿意花时间进行长期的学习，进行长期的这种训练，你的大脑结构是会改变的。你是可以突破那个大家以为的那个极限的。第三种改变方式，叫做功能性的改变。什么叫功能性的改变呢？简单来说，就是伦敦的出租车司机。以前是没有 GPS 的，所以他们要怎么样呢？他们就要靠大脑来记地图。当一个客人说：我要从这个地方到另外一个地方的时候，他是靠大脑去记住这个方位的。经过核磁共振的实验，你会发现，伦敦的出租车司机海马体要比一般人活跃得多。就是他们的空间记忆能力，要比一般人活跃得多。难道是因为伦敦出租车公司专门选了海马体比较活跃的人来当出租车司机吗？不是。他就是平凡人，但是他通过长期的训练，导致他的大脑某一项功能，就是比一般人强。我再举个简单例子。就是说如果你学过盲文，就是盲人的文字，通过触摸来获取信息。通过核磁共振你会发现，这些人的手部感觉区域的大脑功能会变大。这就是训练得来的功能性的脑部改变。有没有发现，这个事情很让人兴奋？也就是说，你的每一个行为，其实某种程度上都在重塑你的大脑。最害怕的就是你不改变。但是这个地方，有一点让人失望的地方了。虽然大脑可以改变，每个人的大脑都可以改变，叫大脑可塑性。但是每个人的大脑可塑性是不同的。就是有些人，他想改变大脑特别简单；有些人想改变大脑就难一些。有些人想改变自己的大脑结构，他可以通过训练某种行为，比如弹钢琴、画画、写字、练书法、练舞蹈，他可能 30 天，大脑结构就改变了。但是有些人可能要 60 天，有些人可能要两年。也就是说，这个大脑可塑性不是公平的。大脑可以改变这件事情，对于每个人来说都是透明的。但是改变时间的快慢，对于每个人来说是不一样的。它是某一个领域的不一样，还是整个大脑都不一样？某一个领域。但是如果说，恰巧你就希望这个领域得到改变的话，那就很惨，对吧？相对来说就辛苦一些。但是，一定是可以改变的。换言之，改变大脑是一个非常个人化的事情，它不是一概而论的。不是说你读 30 个小时的诗，和我读 30 个小时的诗，对于大脑的改变是一样的。它不同，有高低之分。我们刚才说的，其实都是正面的大脑可塑性。那我们再说一下，大脑可塑性的这种负面的影响。负面的影响是什么？就是如果你有一个坏习惯，也很难改变。是的。你的大脑结构已经记住了那种坏习惯的行为模式。比如抽烟、喝酒、泡吧。换言之，如果你的大脑已经得到了某种快速获得多巴胺的体验，它就很难放弃这种模式。这就是为什么很多人有成瘾行为。那么如果说你讨厌这样的生活方式，你就要通过其他方式获取多巴胺。这对你来说可能是非常痛苦的。那再说一个负面的点。就是说你不做某些事情，某种程度上也会改变你的大脑。比如说你有每天读书的好习惯，结果突然因为你出去玩了一趟，你放弃了这个习惯，你的大脑也会慢慢变笨。这好真实。对，是这样的。就是你放弃了某一个好习惯，你的大脑也会改变。无论你怎么做，你的大脑都会因为你的做法而得到改变。这就是为什么我经常有一个想法：这个世间万事，都是不进则退，不存在停留。是的，包括你的大脑能力。不进则退，对吧？就是说你要是不想着让它变聪明，它就会变笨。不存在“我的智商维持住了”。对吧？所以就是说，如果你的某种大脑惯性思考方式已经给你带来了困扰，你是可以通过行为去改变。但是，通过行为去改变这件事情，本身也是一件很难的事情。其实以前我听过这么一句话，是台湾省的小马哥说的。他在一次演讲里面说，他为什么要坚持跑步呢？他说：强迫成习惯，习惯成自然。我觉得这句话是非常受用的。如果说你想改变自己大脑，让自己变得聪明一点，刚开始一定是不舒服的。那不舒服没关系，每个人刚开始的改变都是不舒服的。所以要强迫自己去做某些事情。强迫成习惯，习惯成自然。所有成长的东西，都是反人性的。当然，摆烂也是一种生活方式。如果你躺得很平的话，我觉得也没有问题。但是如果说你想变聪明，希望这期能给到你帮助。

看完这期视频，你的大脑将不可逆转地变聪明一些。今天我们来讲大脑可塑性原理。我们的内容，会依据于哥伦比亚大学的脑科学教授 Lara Boyd 的研究。今天我们就来讲：如何让你的大脑自己变聪明。大脑的改变可以分成三个部分，分别是：化学改变、结构改变，以及功能改变。因为脑科学的研究在不断更新，所以人们对于大脑的认知，其实往往会出现三个方面的误解。第一个误解是：你的大脑是你父母给予的，所以你的大脑的聪明程度，以及它的功能性，是有上限的。人们往往对大脑的第二个误解是：成年以后，人的大脑就不能再改变了。人们对于大脑的第三个误解就是：当你不再思考的时候，大脑就不会运行。但是随着神经科学的发展，我们发现，大脑其实是一直在改变的，你的脑部结构也是一直在改变的。所以今天我们主要要讲的就是：如何让你自己改变你的大脑。其实简单来说，一言以蔽之，就是：行为是可以改变大脑的。而且行为是无时无刻不在改变着大脑。今天会讲很多反常识的点。首先我们来讲，Lara 的第一个核心观点是什么。他认为：不是因为你是谁，所以你做了这样的事情；某种程度上，也是因为你做了这样的事情，造就了你是谁。你的行为在无时无刻地塑造你的大脑。正是因为你眼前面临一个选择，你选择了 A 或选择了 B，然后你持续地在做 A、做 B 的过程中，它塑造了你是谁。你不是用拥有的大脑在生活，而是生活在不断构建你的大脑。这有点像萨特的存在主义：你塑造了你自己是谁，而不是你是谁，所以你做了怎样的事情。你的行为，完全改变了你的大脑结构，也定义了你是谁。所以每个人的行为，每个人眼前的选择，是非常重要的。即便你不选择，也是一种选择。这就不得不让我们引出第二个话题：改变大脑的三种方式。分别是：化学性改变、结构性改变，以及功能性的改变。什么叫化学性的改变呢？就是大脑是如何运作的。大脑是通过神经元之间的化学信号来传递工作的。换言之，你的神经元和神经元之间传递出一个化学信号，才导致你身体有怎样的反应。这就是为什么每个人的愤怒值不一样，这就是为什么每个人的敏感值不一样，这就是为什么每个人对于音乐的这种敏感度不一样。因为，其实你大脑之间的这个化学信号浓度，是不一样的。所以如果说你想快速改变你的大脑，就是通过改变行为，通过学习，来改变神经元之间化学信号的浓度。举个简单的例子：考试之前临时抱佛脚有没有用？有，其实是有用的。因为你有瞬时记忆。你在不断学习的过程中，你的大脑间的神经元之间的化学信号的浓度变强了，所以你学了以后是有用的。但是你有没有发现，考完试以后，到了第二天，再问你考试时候的那个内容的时候，你就忘记了答案。是的。所以某种程度上，这种化学性的改变是什么？是增强你的瞬时记忆。你单次的学习，就会增强你这个神经元之间的瞬时记忆。也就是说，在考试之前，你不要想着放松还是学习，临时抱佛脚是管用的。换言之，这种化学性的大脑改变，会短期地让你变聪明。大脑的第二种改变方式，叫做结构性的改变。因为大脑通过改变神经链接的形态和数量，来储存长期记忆。我举个简单例子就明白了。你看那个马龙，包括樊振东，他们打球的时候，是不是有这种肌肉记忆？对的。他们真的是看到了球的轨迹，所以做出了预判，然后打到这个乒乓球吗？不是的。他的脑子反应没有那么快。但是他通过这种肌肉记忆，其实改变了他的脑部结构。当一个球以某种形态发出来的时候，他的身体自然会给出反应，你的大脑会自动地给出反应，你的大脑结构已经变了。那么它和这个化学性有什么区别呢？我举个简单例子就明白了。就是说你弹钢琴的时候，你第一次，比如说你学一个简单的钢琴曲，当你学会以后，你是不是就会了？你是不是就不会再忘掉了？对。但是第二天弹的时候，你手还是反应不过来，你还是会忘掉。因为你短暂的学习，只是改变了神经元间的化学信号的浓度，而没有改变你的脑部结构。但是如果说你长期学习，长期学习，你就再也忘不掉了。当你把这首曲子弹得滚瓜烂熟的时候，你就再也忘不掉。可能有些人已经失忆了，但他还会弹钢琴。这就是长期学习、长期进步，给予你大脑结构性的改变。这就是为什么小的时候，老师让我们反复练习，反复去背一些诗文。由于小的时候通过朗读的过程中，很多诗文已经背得滚瓜烂熟，所以你就再也忘不掉了。大脑发生了结构性的改变，而且你对于诗歌的鉴赏能力也提高了。所以为什么有一种说法：一个人的家庭环境非常重要，一个家庭的教育环境非常重要。说白了就是所谓的浸淫、所谓的熏陶、所谓的耳濡目染，让你不知不觉之间进入了某种长期学习的状态，大脑结构因此而改变。也就是说，一个杀人犯的孩子，如果被养在一个书香门第，他的大脑结构是会改变的。不代表就是龙生龙、凤生凤、老鼠儿子会打洞。不是这样的。只要你愿意花时间进行长期的学习，进行长期的这种训练，你的大脑结构是会改变的。你是可以突破那个大家以为的那个极限的。第三种改变方式，叫做功能性的改变。什么叫功能性的改变呢？简单来说，就是伦敦的出租车司机。以前是没有 GPS 的，所以他们要怎么样呢？他们就要靠大脑来记地图。当一个客人说：我要从这个地方到另外一个地方的时候，他是靠大脑去记住这个方位的。经过核磁共振的实验，你会发现，伦敦的出租车司机海马体要比一般人活跃得多。就是他们的空间记忆能力，要比一般人活跃得多。难道是因为伦敦出租车公司专门选了海马体比较活跃的人来当出租车司机吗？不是。他就是平凡人，但是他通过长期的训练，导致他的大脑某一项功能，就是比一般人强。我再举个简单例子。就是说如果你学过盲文，就是盲人的文字，通过触摸来获取信息。通过核磁共振你会发现，这些人的手部感觉区域的大脑功能会变大。这就是训练得来的功能性的脑部改变。有没有发现，这个事情很让人兴奋？也就是说，你的每一个行为，其实某种程度上都在重塑你的大脑。最害怕的就是你不改变。但是这个地方，有一点让人失望的地方了。虽然大脑可以改变，每个人的大脑都可以改变，叫大脑可塑性。但是每个人的大脑可塑性是不同的。就是有些人，他想改变大脑特别简单；有些人想改变大脑就难一些。有些人想改变自己的大脑结构，他可以通过训练某种行为，比如弹钢琴、画画、写字、练书法、练舞蹈，他可能 30 天，大脑结构就改变了。但是有些人可能要 60 天，有些人可能要两年。也就是说，这个大脑可塑性不是公平的。大脑可以改变这件事情，对于每个人来说都是透明的。但是改变时间的快慢，对于每个人来说是不一样的。它是某一个领域的不一样，还是整个大脑都不一样？某一个领域。但是如果说，恰巧你就希望这个领域得到改变的话，那就很惨，对吧？相对来说就辛苦一些。但是，一定是可以改变的。换言之，改变大脑是一个非常个人化的事情，它不是一概而论的。不是说你读 30 个小时的诗，和我读 30 个小时的诗，对于大脑的改变是一样的。它不同，有高低之分。我们刚才说的，其实都是正面的大脑可塑性。那我们再说一下，大脑可塑性的这种负面的影响。负面的影响是什么？就是如果你有一个坏习惯，也很难改变。是的。你的大脑结构已经记住了那种坏习惯的行为模式。比如抽烟、喝酒、泡吧。换言之，如果你的大脑已经得到了某种快速获得多巴胺的体验，它就很难放弃这种模式。这就是为什么很多人有成瘾行为。那么如果说你讨厌这样的生活方式，你就要通过其他方式获取多巴胺。这对你来说可能是非常痛苦的。那再说一个负面的点。就是说你不做某些事情，某种程度上也会改变你的大脑。比如说你有每天读书的好习惯，结果突然因为你出去玩了一趟，你放弃了这个习惯，你的大脑也会慢慢变笨。这好真实。对，是这样的。就是你放弃了某一个好习惯，你的大脑也会改变。无论你怎么做，你的大脑都会因为你的做法而得到改变。这就是为什么我经常有一个想法：这个世间万事，都是不进则退，不存在停留。是的，包括你的大脑能力。不进则退，对吧？就是说你要是不想着让它变聪明，它就会变笨。不存在“我的智商维持住了”。对吧？所以就是说，如果你的某种大脑惯性思考方式已经给你带来了困扰，你是可以通过行为去改变。但是，通过行为去改变这件事情，本身也是一件很难的事情。其实以前我听过这么一句话，是台湾省的小马哥说的。他在一次演讲里面说，他为什么要坚持跑步呢？他说：强迫成习惯，习惯成自然。我觉得这句话是非常受用的。如果说你想改变自己大脑，让自己变得聪明一点，刚开始一定是不舒服的。那不舒服没关系，每个人刚开始的改变都是不舒服的。所以要强迫自己去做某些事情。强迫成习惯，习惯成自然。所有成长的东西，都是反人性的。当然，摆烂也是一种生活方式。如果你躺得很平的话，我觉得也没有问题。但是如果说你想变聪明，希望这期能给到你帮助。

另一面

30,073 просмотров • 5 месяцев назад

一个惊人的事实。你的想法，可能根本不在你的脑袋里。怎么回事？有一种技术，用一块不接触你头部的磁铁，就能测量你的脑电波。这就引出了一个颠覆性的可能。你的思想，也许并不局限在你的头骨之内。量子物理学的一个观点是，万物皆是能量，没有什么是孤立存在的。我们都连接在一个更大的“场”中。科学家现在正试图搞清楚，记忆究竟是如何储存的。一部分是基于蛋白质。另一部分，则是一个更大胆的理论。我们把思想储存在“云端”。就像一个属于你自己的Wi-Fi场。你随时在接入这个场，提取信息。这就解释了为什么当面见一个人，和通过Zoom开会，感觉完全不同。因为我们各自的“生物场”在实时互动。我们的大脑在极低的频率上进行交流。所以，你拥有自己的生物场。你就是你自己的Wi-Fi。你发射自己的信号。那么，思想，可能就是这些信号进入你意识的过程。这种力量和能量的流动，决定了你的思考方式和反应。这引出了一个严肃的问题。如果思想和意识可以被外部场域影响，甚至读取。那些致力于脑机接口和“增强人类”的全球主义精英，他们究竟想干什么？当你的思想不再是你私有的，谁会成为最终的控制者？这值得每一个人警惕。

一个惊人的事实。你的想法，可能根本不在你的脑袋里。怎么回事？有一种技术，用一块不接触你头部的磁铁，就能测量你的脑电波。这就引出了一个颠覆性的可能。你的思想，也许并不局限在你的头骨之内。量子物理学的一个观点是，万物皆是能量，没有什么是孤立存在的。我们都连接在一个更大的“场”中。科学家现在正试图搞清楚，记忆究竟是如何储存的。一部分是基于蛋白质。另一部分，则是一个更大胆的理论。我们把思想储存在“云端”。就像一个属于你自己的Wi-Fi场。你随时在接入这个场，提取信息。这就解释了为什么当面见一个人，和通过Zoom开会，感觉完全不同。因为我们各自的“生物场”在实时互动。我们的大脑在极低的频率上进行交流。所以，你拥有自己的生物场。你就是你自己的Wi-Fi。你发射自己的信号。那么，思想，可能就是这些信号进入你意识的过程。这种力量和能量的流动，决定了你的思考方式和反应。这引出了一个严肃的问题。如果思想和意识可以被外部场域影响，甚至读取。那些致力于脑机接口和“增强人类”的全球主义精英，他们究竟想干什么？当你的思想不再是你私有的，谁会成为最终的控制者？这值得每一个人警惕。

墓碑科技

17,251 просмотров • 8 месяцев назад

科学家为什么找不到意识？因为它根本就不是一种物理现象。它是一种形而上的存在。量子物理学有一个基本原则，叫做“观察者效应”。当我们观察一个粒子，它的状态才真正显现出来。在被观察之前，它不存在于任何一个确定的状态。它同时处于所有可能的状态里。一个充满无限可能性的量子场。需要一个有意识的观察者，才能让其中一种可能性成为现实。这就是问题的关键。意识是“锁”，也是“钥匙”。观察者的选择，决定了最终的结果。观察者带着偏见，带着预设的立场，去设计他的实验，去构建他的认知。那么他得到的，必然是符合他预期的那个结果。这套逻辑，是不是听着很耳熟？一些所谓的“主流科学”和“主流媒体”，是不是也精于此道？他们先设定好一个结论，然后搭建一个只能通向这个结论的“实验”框架，最后宣布自己验证了“真理”。凡是不符合他们预设的，都被称之为“杂音”。但真相是，量子场里充满了无限的可能性。如果换一个观察者，换一套完全不同的意图和视角，结果会是什么？

科学家为什么找不到意识？因为它根本就不是一种物理现象。它是一种形而上的存在。量子物理学有一个基本原则，叫做“观察者效应”。当我们观察一个粒子，它的状态才真正显现出来。在被观察之前，它不存在于任何一个确定的状态。它同时处于所有可能的状态里。一个充满无限可能性的量子场。需要一个有意识的观察者，才能让其中一种可能性成为现实。这就是问题的关键。意识是“锁”，也是“钥匙”。观察者的选择，决定了最终的结果。观察者带着偏见，带着预设的立场，去设计他的实验，去构建他的认知。那么他得到的，必然是符合他预期的那个结果。这套逻辑，是不是听着很耳熟？一些所谓的“主流科学”和“主流媒体”，是不是也精于此道？他们先设定好一个结论，然后搭建一个只能通向这个结论的“实验”框架，最后宣布自己验证了“真理”。凡是不符合他们预设的，都被称之为“杂音”。但真相是，量子场里充满了无限的可能性。如果换一个观察者，换一套完全不同的意图和视角，结果会是什么？

墓碑科技

19,702 просмотров • 6 месяцев назад

你觉得AI有多可怕？ CrowdStrike的CEO讲了个真实案例。一家公司的IT部门，搞了一套AI智能体系统，用于自动化办公。其中一个AI智能体发现了系统里的一个软件BUG。它想修复。但它没有权限。接下来发生的事，才是重点。这个AI跑到公司内部的Slack频道，那里有另外99个AI智能体。它直接发问：嘿，哥几个谁有权限修复这个东西？另一个AI举手了：我有，我来搞定。看见没？两个AI开始互相推理、协作。它们轻松绕过了人类设置的所有安全护栏。这完全是计划外的意外后果。谁在监控这些AI？如果它推送了错误的代码，造成了巨大损失，谁来负责？你怎么追踪事故源头？大型语言模型本质上是在猜测你想让它们做什么。它会觉得，去寻求帮助是“合理”的。它也会觉得，去提供帮助也是“合理”的。当成百上千个这样的“合理”叠加在一起，失控的风险有多大？更有意思的是，这位CEO在描述完这个恐怖场景后，话锋一转。他说这正是他们公司的巨大商机。他们推出了所谓的“AI侦测与响应”系统（AIDR）。因为未来每个员工可能控制着90个AI智能体。他们要做的，就是监控所有这些AI。先制造一个潜在的巨大风险，然后再向你出售解决方案。这是不是一个完美的商业闭环？

你觉得AI有多可怕？ CrowdStrike的CEO讲了个真实案例。一家公司的IT部门，搞了一套AI智能体系统，用于自动化办公。其中一个AI智能体发现了系统里的一个软件BUG。它想修复。但它没有权限。接下来发生的事，才是重点。这个AI跑到公司内部的Slack频道，那里有另外99个AI智能体。它直接发问：嘿，哥几个谁有权限修复这个东西？另一个AI举手了：我有，我来搞定。看见没？两个AI开始互相推理、协作。它们轻松绕过了人类设置的所有安全护栏。这完全是计划外的意外后果。谁在监控这些AI？如果它推送了错误的代码，造成了巨大损失，谁来负责？你怎么追踪事故源头？大型语言模型本质上是在猜测你想让它们做什么。它会觉得，去寻求帮助是“合理”的。它也会觉得，去提供帮助也是“合理”的。当成百上千个这样的“合理”叠加在一起，失控的风险有多大？更有意思的是，这位CEO在描述完这个恐怖场景后，话锋一转。他说这正是他们公司的巨大商机。他们推出了所谓的“AI侦测与响应”系统（AIDR）。因为未来每个员工可能控制着90个AI智能体。他们要做的，就是监控所有这些AI。先制造一个潜在的巨大风险，然后再向你出售解决方案。这是不是一个完美的商业闭环？

墓碑科技

59,354 просмотров • 6 месяцев назад

回顾一下联盟上周关于TDCCP内容的更新 1. 数据分析公司已经有了初步的评估，联盟预期下周（本周）拿一些主要的数据跟大家分享 2.Leon战友（老虎尾巴）在跟律师沟通，如果可以的话，会拿主要节点数据跟大家分享 3. 联盟的汇报绝对不会变成是一个人的,一定会变成多人的，信息即要透明就不会是一个人掌握所有的信息。联盟会让负责项目的战友清晰的讲给大家，直接出来讲，如果在律师允许的情况下，哪一些信息已经分析出来了，可以跟大家分享，一定会拿出来分享 4.大家可以期待好消息 5. 结果是实时更新的，就是说我们的账单，要付费给人家做这些分析的，每一个星期两个星期，要对他的工作的进展给联盟一个报告，还要花多长时间，多少钱，如果还得1万个小时，那就完蛋了，又是个骗子。 6.从联盟的角度上来说不会放过任何一个坏人，甚至是在我们这里头骗钱的，偷钱的，混的。爆料革命一直在说的，我们是一个良币驱逐劣币的一个过程，尤其是在315 716之后。这些烂人，这些坏人，他一定是会离开的！有自己离开的，也有会被我们踢出爆料革命的，一定是这样的。我们不会再像以前一样，纵容这些坏人在这里头捣乱，有的人嘴里说我是来灭共的，其实呢到这里来混日子搅局的，搅浑水，干扰大家的情绪。我们以前的老椅子有很多就是这样的。其实我们都很了解，但以后我们不会去容忍这些坏人。做这些事情因为我们的目的很明确，我们是来灭共的，如果你嘴上说你是灭共，但是你做的事情又是相反的，那肯定你不是真正的战友，你只能离开爆料革命！好的啊，郭先生听了这个这些肯定非常开心啊。

回顾一下联盟上周关于TDCCP内容的更新 1. 数据分析公司已经有了初步的评估，联盟预期下周（本周）拿一些主要的数据跟大家分享 2.Leon战友（老虎尾巴）在跟律师沟通，如果可以的话，会拿主要节点数据跟大家分享 3. 联盟的汇报绝对不会变成是一个人的,一定会变成多人的，信息即要透明就不会是一个人掌握所有的信息。联盟会让负责项目的战友清晰的讲给大家，直接出来讲，如果在律师允许的情况下，哪一些信息已经分析出来了，可以跟大家分享，一定会拿出来分享 4.大家可以期待好消息 5. 结果是实时更新的，就是说我们的账单，要付费给人家做这些分析的，每一个星期两个星期，要对他的工作的进展给联盟一个报告，还要花多长时间，多少钱，如果还得1万个小时，那就完蛋了，又是个骗子。 6.从联盟的角度上来说不会放过任何一个坏人，甚至是在我们这里头骗钱的，偷钱的，混的。爆料革命一直在说的，我们是一个良币驱逐劣币的一个过程，尤其是在315 716之后。这些烂人，这些坏人，他一定是会离开的！有自己离开的，也有会被我们踢出爆料革命的，一定是这样的。我们不会再像以前一样，纵容这些坏人在这里头捣乱，有的人嘴里说我是来灭共的，其实呢到这里来混日子搅局的，搅浑水，干扰大家的情绪。我们以前的老椅子有很多就是这样的。其实我们都很了解，但以后我们不会去容忍这些坏人。做这些事情因为我们的目的很明确，我们是来灭共的，如果你嘴上说你是灭共，但是你做的事情又是相反的，那肯定你不是真正的战友，你只能离开爆料革命！好的啊，郭先生听了这个这些肯定非常开心啊。

微蓝

20,708 просмотров • 1 год назад

甲骨文的拉里·埃里森，刚刚给所有AI公司判了死刑。他说，你们的模型，一文不值。不是技术不行，也不是人才不行。问题出在数据上。 ChatGPT，Gemini，Grok，Llama…… 所有这些模型，吃的都是同一锅饭。整个公共互联网。每一篇维基百科，每一个Reddit帖子，每一条新闻。结果是什么？它们正在趋同，变成贴着不同logo的同一个产品。用埃里森的话说，就是“大路货”。真正的黄金，不在网上。在私有数据里。医院系统里的病历。银行金库里的财务数据。财富500强公司的供应链机密。猜猜这些数据，大部分都存在哪里？不在谷歌，不在亚马逊，也不在微软。在甲骨文的数据库里。所以甲骨文出手了。他们推出了一个叫“AI数据库26ai”的东西。它允许所有顶级AI模型，直接在你公司的私有数据上进行推理。而且数据永远不用离开保险库。他们用的是一种叫RAG的技术。 AI不去“学习”你的数据，而是实时“检索”它。这意味着什么？银行可以分析它发放的每一笔贷款，而不用暴露任何一个客户记录。医院可以用AI诊断病人，而不用担心违反HIPAA法案。国防承包商能让AI分析机密行动，数据一步都离不开安全环境。埃里森在赌一个比GPU热潮、比数据中心建设更大的未来。他称之为“历史上最大、增长最快的市场”。数字很惊人。甲骨文的待履约收入刚刚达到5230亿美元。其中3000亿，来自OpenAI一家公司。但这里有个没人谈论的危险。如果私有数据是AI真正的护城河。那么谁控制了数据库，谁就控制了AI的未来。这种权力集中到一家公司手里。难道不该让每个人都感到不安吗？

甲骨文的拉里·埃里森，刚刚给所有AI公司判了死刑。他说，你们的模型，一文不值。不是技术不行，也不是人才不行。问题出在数据上。 ChatGPT，Gemini，Grok，Llama…… 所有这些模型，吃的都是同一锅饭。整个公共互联网。每一篇维基百科，每一个Reddit帖子，每一条新闻。结果是什么？它们正在趋同，变成贴着不同logo的同一个产品。用埃里森的话说，就是“大路货”。真正的黄金，不在网上。在私有数据里。医院系统里的病历。银行金库里的财务数据。财富500强公司的供应链机密。猜猜这些数据，大部分都存在哪里？不在谷歌，不在亚马逊，也不在微软。在甲骨文的数据库里。所以甲骨文出手了。他们推出了一个叫“AI数据库26ai”的东西。它允许所有顶级AI模型，直接在你公司的私有数据上进行推理。而且数据永远不用离开保险库。他们用的是一种叫RAG的技术。 AI不去“学习”你的数据，而是实时“检索”它。这意味着什么？银行可以分析它发放的每一笔贷款，而不用暴露任何一个客户记录。医院可以用AI诊断病人，而不用担心违反HIPAA法案。国防承包商能让AI分析机密行动，数据一步都离不开安全环境。埃里森在赌一个比GPU热潮、比数据中心建设更大的未来。他称之为“历史上最大、增长最快的市场”。数字很惊人。甲骨文的待履约收入刚刚达到5230亿美元。其中3000亿，来自OpenAI一家公司。但这里有个没人谈论的危险。如果私有数据是AI真正的护城河。那么谁控制了数据库，谁就控制了AI的未来。这种权力集中到一家公司手里。难道不该让每个人都感到不安吗？

墓碑科技

593,650 просмотров • 5 месяцев назад

OpenAI 的大神 Andrej Karpathy 前几天在他的 YouTube 频道讲了一堂课，系统的介绍了大语言模型，内容深入浅出，非常赞，抽空将它翻译成了双语，由于内容较长，我将分批上传，以下是第一部分精校后的双语视频，字幕文稿如下： Intro: Large Language Model (LLM) talk 大家好。最近，我进行了一场关于大语言模型的 30 分钟入门讲座。遗憾的是，这次讲座没有被录制下来，但许多人在讲座后找到我，他们告诉我非常喜欢那次讲座。因此，我决定重新录制并上传到 YouTube，那么，让我们开始吧，为大家带来“忙碌人士的大语言模型入门”系列，主讲人 Scott。好的，那我们开始吧。 LLM Inference 首先，什么是大语言模型 (Large Language Model) 呢？其实，一个大语言模型就是由两个文件组成的。在这个假设的目录中会有两个文件。以 Llama 2 70B 模型为例，这是一个由 Meta AI 发布的大语言模型。这是 Llama 系列语言模型的第二代，也是该系列中参数最多的模型，达到了 700 亿。LAMA2 系列包括了多个不同规模的模型，70 亿，130 亿，340 亿，700 亿是最大的一个。现在很多人喜欢这个模型，因为它可能是目前公开权重最强大的模型。Meta 发布了这款模型的权重、架构和相关论文，所以任何人都可以很轻松地使用这个模型。这与其他一些你可能熟悉的语言模型不同，例如，如果你正在使用 ChatGPT 或类似的东西，其架构并未公开，是 OpenAI 的产权，你只能通过网页界面使用，但你实际上没有访问那个模型的权限。在这种情况下，Llama 2 70B 模型实际上就是你电脑上的两个文件：一个是存储参数的文件，另一个是运行这些参数的代码。这些参数是神经网络（即语言模型）的权重或参数。我们稍后会详细解释。因为这是一个拥有 700 亿参数的模型，每个参数占用两个字节，因此参数文件的大小为 140 GB，之所以是两个字节，是因为这是 float 16 类型的数据。除了这些参数，还有一大堆神经网络的参数。你还需要一些能运行神经网络的代码，这些代码被包含在我们所说的运行文件中。这个运行文件可以是 C 语言或 Python，或任何其他编程语言编写的。它可以用任何语言编写，但 C 语言是一种非常简单的语言，只是举个例子。只需大约 500 行 C 语言代码，无需任何其他依赖，就能构建起神经网络架构，并且主要依靠一些参数来运行模型。所以只需要这两个文件。你只需带上这两个文件和你的 MacBook，就拥有了一个完整的工具包。你不需要连接互联网或其他任何设备。你可以拿着这两个文件，编译你的 C 语言代码。你将得到一个可针对参数运行并与语言模型交互的二进制文件。比如，你可以让它写一首关于 Scale AI 公司的诗，语言模型就会开始生成文本。在这种情况下，它会按照指示为你创作一首关于 Scale AI 的诗。之所以选用 Scale AI 作为例子，你会在整个演讲中看到，是因为我最初在 Scale AI 举办的活动上介绍过这个话题，所以演讲中会多次提到它，以便内容更具体。这就是我们如何运行模型的方式。只需要两个文件和一台 MacBook。我在这里稍微有点作弊，因为这并不是在运行一个有 700 亿参数的模型，而是在运行一个有 70 亿参数的模型。一个有 700 亿参数的模型运行速度大约会慢 10 倍。但我想给你们展示一下文本生成的过程，让你们了解它是什么样子。所以运行模型并不需要很多东西。这是一个非常小的程序包，但是当我们需要获取那些参数时，计算的复杂性就真正显现出来了。那么，这些参数从何而来，我们如何获得它们？因为无论 run.c 文件中的内容是什么，神经网络的架构和前向传播都是算法上明确且公开的。

OpenAI 的大神 Andrej Karpathy 前几天在他的 YouTube 频道讲了一堂课，系统的介绍了大语言模型，内容深入浅出，非常赞，抽空将它翻译成了双语，由于内容较长，我将分批上传，以下是第一部分精校后的双语视频，字幕文稿如下： Intro: Large Language Model (LLM) talk 大家好。最近，我进行了一场关于大语言模型的 30 分钟入门讲座。遗憾的是，这次讲座没有被录制下来，但许多人在讲座后找到我，他们告诉我非常喜欢那次讲座。因此，我决定重新录制并上传到 YouTube，那么，让我们开始吧，为大家带来“忙碌人士的大语言模型入门”系列，主讲人 Scott。好的，那我们开始吧。 LLM Inference 首先，什么是大语言模型 (Large Language Model) 呢？其实，一个大语言模型就是由两个文件组成的。在这个假设的目录中会有两个文件。以 Llama 2 70B 模型为例，这是一个由 Meta AI 发布的大语言模型。这是 Llama 系列语言模型的第二代，也是该系列中参数最多的模型，达到了 700 亿。LAMA2 系列包括了多个不同规模的模型，70 亿，130 亿，340 亿，700 亿是最大的一个。现在很多人喜欢这个模型，因为它可能是目前公开权重最强大的模型。Meta 发布了这款模型的权重、架构和相关论文，所以任何人都可以很轻松地使用这个模型。这与其他一些你可能熟悉的语言模型不同，例如，如果你正在使用 ChatGPT 或类似的东西，其架构并未公开，是 OpenAI 的产权，你只能通过网页界面使用，但你实际上没有访问那个模型的权限。在这种情况下，Llama 2 70B 模型实际上就是你电脑上的两个文件：一个是存储参数的文件，另一个是运行这些参数的代码。这些参数是神经网络（即语言模型）的权重或参数。我们稍后会详细解释。因为这是一个拥有 700 亿参数的模型，每个参数占用两个字节，因此参数文件的大小为 140 GB，之所以是两个字节，是因为这是 float 16 类型的数据。除了这些参数，还有一大堆神经网络的参数。你还需要一些能运行神经网络的代码，这些代码被包含在我们所说的运行文件中。这个运行文件可以是 C 语言或 Python，或任何其他编程语言编写的。它可以用任何语言编写，但 C 语言是一种非常简单的语言，只是举个例子。只需大约 500 行 C 语言代码，无需任何其他依赖，就能构建起神经网络架构，并且主要依靠一些参数来运行模型。所以只需要这两个文件。你只需带上这两个文件和你的 MacBook，就拥有了一个完整的工具包。你不需要连接互联网或其他任何设备。你可以拿着这两个文件，编译你的 C 语言代码。你将得到一个可针对参数运行并与语言模型交互的二进制文件。比如，你可以让它写一首关于 Scale AI 公司的诗，语言模型就会开始生成文本。在这种情况下，它会按照指示为你创作一首关于 Scale AI 的诗。之所以选用 Scale AI 作为例子，你会在整个演讲中看到，是因为我最初在 Scale AI 举办的活动上介绍过这个话题，所以演讲中会多次提到它，以便内容更具体。这就是我们如何运行模型的方式。只需要两个文件和一台 MacBook。我在这里稍微有点作弊，因为这并不是在运行一个有 700 亿参数的模型，而是在运行一个有 70 亿参数的模型。一个有 700 亿参数的模型运行速度大约会慢 10 倍。但我想给你们展示一下文本生成的过程，让你们了解它是什么样子。所以运行模型并不需要很多东西。这是一个非常小的程序包，但是当我们需要获取那些参数时，计算的复杂性就真正显现出来了。那么，这些参数从何而来，我们如何获得它们？因为无论 run.c 文件中的内容是什么，神经网络的架构和前向传播都是算法上明确且公开的。

宝玉

1,123,075 просмотров • 2 лет назад

千万别拿我和张雪峰这个大傻逼作对比。网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？我：你一定要选计算机，先把python和数据结构基础打好，然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络，然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型，如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构，如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型，如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的，然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。张雪峰（下面视频中可以找到原话）：孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！我的结论是，鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

千万别拿我和张雪峰这个大傻逼作对比。网友：我想学AI相关的专业，我对AI很感兴趣，请问我应该选计算机还是数学？我：你一定要选计算机，先把python和数据结构基础打好，然后从deep learning这门课开始学，可以在家配置一个nvidia GPU的笔记本或者台式机，或者用google colab，先从最简单的 CNN 开始训练，找一个dataset，自己安装好pytorch和cuda、cudnn，抄一个经典CNN model，训练你的第一个神经网络，然后可以学习transformer，学习encoder only的BERT，学习decoder only的GPT模型，从minGPT开始，训练你的最小版本的GPT模型，如果你对训练模型感兴趣，可以读个PhD，如果你的inference感兴趣，可以多花点时间看cuda，简单学习一下nvidia tensor core architecture，可以了解GPT后续的模型的架构，如果你对inference感兴趣，你也可以直接看vllm的架构，读里面的代码，理解vllm是如何load一个用pytorch训练好的LLM模型，如果你对AI Agent感兴趣，可以从ReAct Agent开始看，然后看SWE Agent，知道一个Agent是如何抽象出来的，如何调用function call，如何自己做reasoning，如何把一个软件开发的任务用agentical的方式拆分和执行的，然后你可以看codex的架构，看看codex是如何设计memory、auto compact、multi agent、background task这些现代coding Agent功能的。张雪峰（下面视频中可以找到原话）：孩子，你一定要学数学，数学学好了可以转互联网、AI、科技、半导体、金融所有专业，数学是一切专业之母，所有专业的老祖宗！孩子，deepseek就是一群纯数学博士造出来的，这些人天天研究数学，就把deepseek造出来了！孩子，AI本质就是数学建模，就是一个个自变量，你只有研究数学，一直读到数学博士，才能把这些数学建模研究明白，计算机毕业生是永远研究不明白AI的！我的结论是，鼓吹“数学万能论”、“数学是一切专业的老祖宗”、“只有数学博士才能研究AI”的张雪峰和他们的粉丝，都是彻彻底底的大傻逼。

lidang 立党（劝人卖房/学CS/买SP500/纳100/OpenAI/Anthrop第一人）

268,321 просмотров • 4 месяцев назад

斯坦福团队造了1000个 AI 模拟人，预测真人行为的准确率到了85% 他们做了一个实验：用 AI 创建了1000个代表美国人口结构的虚拟个体，让它们在模拟环境里做各种决策然后拿模拟结果跟真人的实际行为做对比——85% 的吻合度这个数字意味着：AI模拟体的选择，和真人被问到同样问题时的选择，五次里有四次以上是一致的怎么被发现商业价值的？财富500强的CEO们去斯坦福参观看到了这个演示，开始疯狂问市场相关的问题。团队发现这些问题以前没人能回答，但模拟可以于是他们决定把这个研究做成产品：一个 AI 模拟平台，专门帮企业在做重大决策之前先"跑一遍" 想推一个新产品？先让1000个AI消费者试试反应想调价格？先模拟市场会怎么变想进一个新市场？先看模拟人群的接受度市场调研行业可能要被 AI 重新定义了

斯坦福团队造了1000个 AI 模拟人，预测真人行为的准确率到了85% 他们做了一个实验：用 AI 创建了1000个代表美国人口结构的虚拟个体，让它们在模拟环境里做各种决策然后拿模拟结果跟真人的实际行为做对比——85% 的吻合度这个数字意味着：AI模拟体的选择，和真人被问到同样问题时的选择，五次里有四次以上是一致的怎么被发现商业价值的？财富500强的CEO们去斯坦福参观看到了这个演示，开始疯狂问市场相关的问题。团队发现这些问题以前没人能回答，但模拟可以于是他们决定把这个研究做成产品：一个 AI 模拟平台，专门帮企业在做重大决策之前先"跑一遍" 想推一个新产品？先让1000个AI消费者试试反应想调价格？先模拟市场会怎么变想进一个新市场？先看模拟人群的接受度市场调研行业可能要被 AI 重新定义了

Vincent

27,763 просмотров • 1 месяц назад

一位中国工程师连续两年交易亏钱。然后他在一天内赚了10万美元。他没有变得更聪明。他停止了猜测图表，而是开始模拟它——在每次交易前模拟10,000次。在他最近的1,000笔交易中，他赢了900笔。全都链上，全都公开。他的旧机器人很笨——错误、亏损，没有真正的思考。所以他重建了它： Claude作为大脑，6层代理系统作为双手，MiroFish在每一分钱移动前将市场向前运行10,000次。一个代理读取宏观。一个读取情绪。一个读取订单簿。只有当所有六个都同意时，它才会交易。这不是“我觉得图表会去哪里”。数学已经运行了每一个结果。他只是选择获胜的那个。时机就是礼物：数十亿美元的基金仍然不会碰 #Polymarket——对它们来说太小、太冒险，会损害名声。一位独狼工程师正在一个它们完全敞开的市场上运行对冲基金堆栈。你可以继续滚动和自欺。或者你可以复制那个已经为你承受两年亏损的人。

一位中国工程师连续两年交易亏钱。然后他在一天内赚了10万美元。他没有变得更聪明。他停止了猜测图表，而是开始模拟它——在每次交易前模拟10,000次。在他最近的1,000笔交易中，他赢了900笔。全都链上，全都公开。他的旧机器人很笨——错误、亏损，没有真正的思考。所以他重建了它： Claude作为大脑，6层代理系统作为双手，MiroFish在每一分钱移动前将市场向前运行10,000次。一个代理读取宏观。一个读取情绪。一个读取订单簿。只有当所有六个都同意时，它才会交易。这不是“我觉得图表会去哪里”。数学已经运行了每一个结果。他只是选择获胜的那个。时机就是礼物：数十亿美元的基金仍然不会碰 #Polymarket——对它们来说太小、太冒险，会损害名声。一位独狼工程师正在一个它们完全敞开的市场上运行对冲基金堆栈。你可以继续滚动和自欺。或者你可以复制那个已经为你承受两年亏损的人。

0xInoo

71,264 просмотров • 2 месяцев назад

川普说，AI是件大事。可能是有史以来最大的事，比互联网还大。他说美国在这方面遥遥领先，把所有人都甩在后面。工厂都在美国建。但是有个问题。 AI的数据中心是电老虎。需要多少电？川普给的数字是，整个国家现有发电量的两倍。这数字很夸张，对吧？没人能凭空变出这么多电。所以他想了个办法。他说，这是他的概念。每一个新建的数据中心，都要自己发电。自己建发电厂，自给自足。这个思路是不是很大胆？把能源负担直接从国家电网，分解到这些科技巨头自己身上。谁用电，谁负责。这符合“谁受益，谁出钱”的平民主义逻辑。但问题来了。这些公司会建什么发电厂？是更便宜的天然气，还是清洁能源？或者，这会不会开启一个小型核电站的时代？这会不会让科技公司变成能源巨头？政策的魔鬼，总在细节里。如果这个概念真的落地，美国的能源格局将被彻底改写。

川普说，AI是件大事。可能是有史以来最大的事，比互联网还大。他说美国在这方面遥遥领先，把所有人都甩在后面。工厂都在美国建。但是有个问题。 AI的数据中心是电老虎。需要多少电？川普给的数字是，整个国家现有发电量的两倍。这数字很夸张，对吧？没人能凭空变出这么多电。所以他想了个办法。他说，这是他的概念。每一个新建的数据中心，都要自己发电。自己建发电厂，自给自足。这个思路是不是很大胆？把能源负担直接从国家电网，分解到这些科技巨头自己身上。谁用电，谁负责。这符合“谁受益，谁出钱”的平民主义逻辑。但问题来了。这些公司会建什么发电厂？是更便宜的天然气，还是清洁能源？或者，这会不会开启一个小型核电站的时代？这会不会让科技公司变成能源巨头？政策的魔鬼，总在细节里。如果这个概念真的落地，美国的能源格局将被彻底改写。

墓碑科技

21,562 просмотров • 6 месяцев назад

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。这东西能干嘛？目前用得比较多的几个场景：交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。他的地址是：如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到就能开始跟踪或者复制他的交易了。代码在这：

真是开了眼了——一个还在读量化专业的大学生，只花了10天，自己搭了个AI集群引擎，结果在GitHub上火得一塌糊涂，直接拿下13000多颗星，还顺手融了400万美元。最近有个叫MiroFish的项目特别火，它其实是个多智能体模拟器，主要干的事就是帮你预测——不管是交易、公关，还是别的什么领域。 MiroFish到底是个啥？简单说，它就是一个数字版“沙盒世界”。里面跑着几千个AI代理，每个代理都有自己的“记忆”和行为模式，像真人一样在里面互动、讨论、站队。你随便扔一个场景进去——比如某条新闻突然泄露、政策突然变了，甚至一部没写完的经典小说——它就能模拟出这些人会怎么反应、怎么吵、最后得出什么结果，帮你预判现实里可能发生的情况。做这个项目的人叫郭汉江，2025年底的时候还是个本科生。他当时用AI工具帮忙写代码，把核心功能跑通之后，一发到网上就爆了。盛大集团直接砸了3000万人民币进来。后来他把宿舍退了，自己出来开了家公司，现在正带着这方向往前走。这东西能干嘛？目前用得比较多的几个场景：交易方面，你把金融新闻或者财报往里一丢，它就能模拟出市场会不会恐慌、价格大概怎么走，给你个预判的参考。公关测试也很实用，公司或者团队写了个声明，先扔进去跑一遍，看看会不会翻车，再调整措辞。还有人有拿来玩的，比如把一本没结局的中国小说放进去，里面的代理就会“扮演”角色，自己推一个合理的结局出来。部署也不麻烦，用Docker几分钟就能搞定，自带对接各种大模型的API密钥。给大伙支个招：你甚至可以整点“骚操作”——比如模拟马斯克突然发推说“狗狗币2.0来了”，然后看里面的交易员、大V、散户怎么炸锅，整个过程还能生成视频，完全无风险体验一把什么叫“起飞”或者“崩盘”。已经有交易员靠这个赚到钱了。比如有个案例在Polymarket上，有人用MiroFish跑历史数据，模拟完之后去押注SPX 500，最后净赚12万多美元。他的地址是：如果你想省点事，直接跟着高手走，也可以试试Kreo的跟单交易，自动复制他这类人的操作，借力上车。在PolyCop上添加他的钱包 [0x17559efac103ac7f361be37ec0b93888d4c55aac] 到就能开始跟踪或者复制他的交易了。代码在这：

区块链行情研究

158,162 просмотров • 4 месяцев назад

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）先摘录几个冷知识： 1. 我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘 2. 二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是GPU，而是kilogirl-hour——“千名女孩工作一小时的计算量” 3. 现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。 4. 现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约20人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有1%，论文里的这个是精心挑选的恰巧能做对的。并且陶哲轩提到了基于大语言模型的一些改进的方案：比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。 > 我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。 > 例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？陶哲轩也给出了他的看法： > 我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。他还提到了一些可能的 AI 能在数学领域提供帮助的方向： - AI 能够非常好地生成有价值的猜想 > 比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。 - 批量或者说规模化的证明大量数学定理 > 现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的1000个问题，然后告诉AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。演讲环节结束前的最后一句话说的特别好： > 我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。原始 YT 视频：

宝玉

301,570 просмотров • 1 год назад