哈喽，大家好，我是笔杆。
自然语言理解分三个层次，第一层用数据集说话，任务表现良好即认为有理解能力。
第二层基于操作系统语义或本体定义的词典交流，第三层基于模型论和逻辑层面。
当前大模型在第一层做得不错，但第二层和第三层还有很大提升空间。
人工智能与脑科学的关系类似飞机和鸟，神经网络依赖人类研究积累，但和生物脑有差异，比如人类神经元数量多且是脉冲式，人工神经网络是数字式。
不过人脑仍有可借鉴之处，如分区结构，反向传播在生物脑中不存在却效果好，AI 不必完全模仿人脑。
推理模型如 DeepSeek R1 和 OpenAI 的 O1，与预训练模型不同。
预训练模型基于下一个词预测，推理模型则在固定训练模型后增强推理侧，如延长思考时间、按步骤推理。
推理模型是当前 AI 热门方向，可能意味着预训练模型时代快要结束。
AI 能完成复杂决策，1997 年 AI 用搜索加优化技术击败国际象棋冠军卡斯帕罗夫，有人认为是暴力搜索不算智能，但 AI 完成任务后人们常降低难度认知。
现在 AI 在知识抢答、辩论、德州扑克、麻将等领域表现良好，AlphaGeometry 达到人类水平并解决部分 IMO 题目，但技术到产品还有差距。
大模型让 AI 进入应用阶段，之前深度学习擅长感知任务，强化学习在棋类表现好但认知决策不足，大模型带来落地可能，标志智能时代和第四次工业革命开始。
当前应用特点是对可靠性要求不高或有人兜底，精确场景如工厂生产、医疗存在幻觉和可解释性问题。
行业应用需结合行业数据和符号系统，预计 5 到 10 年内从 toC 扩展到 toB 领域。
每个人应拥抱智能时代，AI 通识课重要，人工智能有两种做法，研究 AI 本身需要动手能力和批判性思维。
AI+X 需对 X 有兴趣，建议主修 X 兼修 AI，AlphaFold 获诺贝尔奖就是 AI+X 的典型案例，未来会有更多成果。
热门跟贴