轻抚你的心跳
轻抚你的心跳
关注数: 9
粉丝数: 7
发帖数: 911
关注贴吧数: 15
一个关于精确映射的脑洞 精确映射的本质在于与自然界形成的事物势阱实现一致性，这可能是自由能最小化最核心的作用，浮点数运算总是存在误差，也许可以通过引入物理意义上的能量涨落模型进行势阱映射，然后通过观察模型结果得到相应信息，类似于观察原子震动得到时间信息、从照相机感光片获取光影信息。
这都没击败99%吗 错了几个简单题，不然就80+了，这套数资阅读量计算量挺大的，没想到资料正确率还挺高的，言语判断政治难度偏低，一拖五和加强削弱就是在送分，图推也简单了不少，言语真题不可能这么简单看来数资熟练度还得拉起来，不然不能没法稳定80+
终于上了一次70了😭 上70真不容易，接下来把熟练度拉起来，把政治理论和常识系统学下，争取能稳定75+那些考90+不知道是什么超人，p神都没这实力稳定90+更别说95+了
切尔西中卫出球一坨 下次踢切尔西不要高位抢太凶，最多一两个人去抢对面中卫，这样不容易被打身后并且中场也不容易失控，就等对面中卫出球出失误，前场拿到球直接就能传进球门，桑切斯就算有六只手也扑不过来切尔西打阵地战配合一坨，中场创造力很差，就是能跑能对抗，中后场脚下糙汉好几个，利用好对面的传球失误能把切尔西按在地上摩擦还有就是扎巴尔尼和帕乔提供足够的对抗对面前锋干不了啥，佩德罗对抗能力很差，一碰就倒，帕尔默动作僵硬，没有空间就是一坨，可以说下次再碰到切尔西随便吊打
恩嗨又隔这整活了 上四个前锋流畅度掉完了本来就少了一个中场，还不上法比安，这下中前场的配合乱完了恩嗨估计觉得世俱杯就是法比安防守和多多出球的问题导致输球，现在记恨上了，不过这么玩迟早出事，调整不过来就等着下课吧
夏窗引援重点是中卫中场和右后卫 中卫扎巴尔尼传了很久了，硬度够，速度还行，高度可以补充巴黎后场高空球争顶能力，和马基打轮换，这样中卫有帕乔、扎巴尔尼和马基三个主要轮换，卢卡斯主要替补，贝拉尔多就作为联赛替补用用，关键比赛板凳席坐穿。 中场推荐巴莱巴，顶级b2b，有巴黎中场最缺的硬度，还能推进传球，把法比安放去替补或者打中场硬度一般的球队看情况首发，只要能把球传到前场三人组脚下，巴黎的攻击力就是足坛t0。另外埃梅里要确定下发展方向了，不能再到处补位，往b2b或者往克罗斯的方向发展都可以。 右后卫找一个防守能力强一点的能传球的即战力，人选还没找到，给阿什拉夫休息用的。 其他位置：前场补一个类似切尔西佩德罗这种的不错，能跑位有配合有传球，射术也可以，不过可能不太好找，说是要补多面手，不知道有什么人选。还有就是一些小年轻练级可以多租出去，放在巴黎比赛机会太少很难踢出来。 下赛季巴黎丰富下战术选择，前场提升下把握机会的能力，尤其是巴尔科拉的射术、杜埃处理球的选择、凳子学下梅西的中路盘带出球还有kk和杜埃的兜射能力，这几个技能点有一半能点出来巴黎前场的攻击力还能上升一个台阶。这赛季已经很成功了，但是考虑到巴黎整体很年轻加上补齐位置短板和丰富战术选择，接下来几年是有机会成为真正的宇宙队的，希望巴黎能把握住历史机遇，不辜负这群天赋异禀的球员
一系列非平凡观点的阐述 非平凡性可以定义为在认知模型里没有建立联系的两类对象间建立的映射桥梁，两类对象距离越远、映射越精确，就越非平凡，典型例子如勾股定理的边角关系，相对论里的能量与质量间的转换关系，黎曼猜想里的非平凡零点集中在一条线上等等。另外，非平凡结构包括耦合结构，因为耦合的属性本质上是一种桥梁，这种桥梁具备非平凡性，在围棋或者象棋或者所有棋类里面的妙手基本都是耦合结构，也即一箭多雕的结构。量变引发的质变如涌现等现象本质是突破阈值引发的一种认知相变，只是对于认知模型来说的一种两类对象间的转变，不过由于也涉及认知模型中的不同类别对象间的转变，也具备一般意义上的非平凡性。 人脑看到大模型生成的图像有一种违和感的本质是人脑学到了真实世界图像的防伪标识或者说防伪特征。当然，不是说一定要形成和人类一样的理解，能很好的抓住不变结构并搭建系统性的理解体系用于推理预测或者构建新工具的大模型都是可以的。 因果推理的直觉来源的本质就是结构化图像，这种结构化图像的截面就是序列，可以用符号文本来映射表示。提问的方向就是消除不确定性的方向，大模型具备识别不确定性的能力，尤其是引入图像大模型后，模型对于不确定性与确定性的把握将达到极高的可信度。模型自主提问的功能可以通过cot引导实现，提问能力则需要通过大量提问解决反思的流程来提升。 手指的控制机制需要有颗粒化控制能力的算法机制介入，这与空间想象力需要的结构化对象处理能力是一致的，并且巧合的是，人脑的顶叶正好也是手部控制区，而这个区域也是实现空间想像的脑区。 目前的大模型算法用于建模的关联空间都是连续的，虽然可以在局部逼近离散的结构对象，但是逼近效率很低，并且很容易被迭代破坏，需要结合具身智能拥有的空间想象力以及与真实环境交互获取的确定性高效发掘不变结构并在模型中形成不易更改的离散结构。注意到空间想象力需要有专门的容器直接用来形成离散的结构模块，比如人脑对于数字概念的理解就是直接用容器映射的，一般5-7个对象可以直接得出数量而不用数数，fsd可以同时形成上百个容器进行模块组合，其空间想象力远超人类，就是容器的映射精度太低，这与道路数据缺少近距离观察以及缺少触觉用于确定边界有关。
关于ai大模型还缺少的几个关键机制 在去年初我就强调多模态尤其是视觉触觉文本融合的重要性，直到今天依然有很多人没有意识到多模态融合对于认知能力的关键性，这个帖子将会补充几个功能机制进一步论证多模态的关键性，具体会围绕长期记忆、确定性获取及判定能力、结构化对象的处理能力来展开。 首先是长期记忆。为什么大模型容易灾难性遗忘？就是因为文本格式下的信息非常容易被篡改，这与现实中word文档容易被篡改是一致的，所以经常要转化为pdf格式让信息锁定。人脑则可以通过照相式记忆将信息锁定，在联想到相关信息时直接呈现照片信息准确度提升很多，幻觉减少很多，不过前提是视觉感知能力要足够强，这个又和结构化能力（即空间想象力）有关。当然，如果让大模型对某些文本产生类似于信条式的信仰时也不容易被篡改，这种就类似于思想钢印了，强化学习可以做到这点，现在的大模型有时候就会将错误的信息当信条来信仰，并且难以改正。 其次是确定性获取及判定能力。什么信息最具有确定性？当然是图像。所谓眼见为实，人脑的奖励模型对视觉感知的信息给出了极高的信任倾向。去年初我批评过ilya认为图像没那么重要，光文本就能实现agi的想法，我给出的理由是人类不是造物主，不可能找到（至少目前不可能）对于自然界的完备精确的描述，那么基于人类创造的文本信息就不可能实现agi，应该说连人类都无法完全超过，即使大模型拥有碾压人类的记忆力和处理速度，因为缺少视觉触觉等信息的感知处理能力，很多概念都无法完整形成，尤其是涉及几何向的概念几乎等于白痴。那么图像触觉等模态的信息处理能力对于形成完整概念、消除幻觉并获取确定性判定的能力至关重要。 最后是结构化对象的处理能力。目前业界很困恼怎么进行多模态融合，或者说统一表示空间怎么搭建。我去年初写的帖子里提到要通过生读一体并结合环境交互反馈来实现图像处理能力以及图像文本融合处理能力的飞跃。但是当时我对扩散模型的生成能力并不满意，觉得扩散模型生成的内容更像在做梦，或者说像映像派画家的作品，并且很大程度上像一缕烟，缺少结构固化的能力，现在依然觉得如此，扩散模型只能用来辅助生成氛围式的内容，涉及结构化的对象还是要用自回归结合图像素材捕捉的模式来进行。如何捕捉素材呢？那就需要类似于fsd的三维重建能力以及空间图像推理能力，并且这种能力可以泛化成一切结构化对象的处理能力，通过具身智能结合触觉、动觉、视觉融合来从简单对象到复杂对象的捕捉，类似于婴儿的成长过程。注意到触觉对理解边界和体积碰撞至关重要，目前对于触觉的研究还太少。 总之，agi的实现还有很多难点需要处理。硅基系统将会帮助人类的认知能力上升一个档次，并摘到高垂果实，但是很快又会被透支，维持高水平认知能力是不容易的，如果没有竞争压力和自然选择压力，生命不会去选择这么难的路，也许出现一个绝对强者或者一些绝对强者让竞争失去意义，大家更容易获得好的人生体验吧。
关于ai未来的展望 ai最好的角色就是许愿机、逻辑推理器和预言机。大模型就是给强化学习提供类似围棋的选择空间的，通过强化学习在关联性中提取确定性，这点在围棋ai中已经验证过了，可以学到定式乃至创造出新的定式。多模态则会进一步扩展选择空间，让模型拥有更多的视角和路径进行降维分析。agent就是一种不完全上传的意识体形态，关键的部分是自定义的层次化数据库，通过提供数据库模板让用户自定义虚拟的自己，在运行时大模型访问数据库来给予针对性回答，并不断根据和用户的交互对数据库进行重构。多模态最难的地方是场景理解，这点需要大量高质量数据和任务训练才能学到，另外视觉、触觉和动觉结合的模型才具有真正的场景理解能力，需要实现三维重构、动作感知和投射、矢量感知和推导。
强化学习is all you need 强化学习本质上就是一种引导/胁迫学习，也即通过奖励函数/损失函数施加一种引导/胁迫力驱动动力系统往某方向运动，从这个角度来看所有包含奖励/损失函数的学习系统都是强化学习，人也包括在内。 训练ai的目的是想获得对于自然界的结构有更好的映射，那么这种引导/胁迫力的构造就很重要了，一般就是通过简单的结果好坏评价进行引导/胁迫，但是过于粗糙，很难学到一些细腻的层次化结构，必须形成层次化的引导/胁迫力组合并结合过程奖励分发才能获得理想的结果，主要就是算力胁迫下的简化/理想化倾向、可信度估计及倾向、非平凡性估计及倾向、高价值估计及倾向、遇到无法解释的现象的解释获取倾向（好奇）等等。 如何实现？有一种高效的方法，即cot引导/胁迫，参考人类使用一些信条引导/胁迫自己的行为，ai一样可以，不过需要让ai先学会可信度估计和高价值估计，这样ai才能把高可信度高价值的cot放在学到的关联空间的重要位置。可信度估计和高价值估计本质上是一种思维方法/模式，通过大量任务训练并设计方案引导ai进行估计就能实现好的估计。不过要想实现低幻觉高质量的估计还得先有好的图像、触觉等其他模态直觉。 如何获得好的图像、触觉等模态直觉？这需要精确细腻的对齐和精确细腻的本模态层次化结构搭建。精确细腻的对齐需要大量高质量数据投喂，以及统一表示空间。本模态细腻精确的层次化结构搭建一样需要大量的数据投喂，另外就是算法设计，比如图像直觉需要通过三维重构和图像推理实现空间想象力，通过视觉感知模块收集图像素材和好的图像特征感知。 总的来看，目前算法数据算力三大要素最缺的就是数据，尤其是图像数据缺少大量层次化结构的数据（即一镜到底式的视角不断变化的等于视网膜分辨率的视频数据），算法主要是图像、触觉等模态缺一些。后续通过虚拟空间模拟和大量多样的高质量图像视频信息采集来获得图像数据。
未来社会的3种模式 共同基础有基于区块链技术搭建的高效可靠的信用系统、高效精准的价值评估系统（基于agi，绘制认知谱系和资源分布谱系确定价值坐标）、强有力的内控机制和出清机制。 1.多独立生存意识体系统模式：财产透明化，所有人的任何收入均收取50%的税，每年的财政收入的10%用于全民发钱，30%用于基础设施建设，60%用于基于价值评估的前置奖励和后置奖励；社会经济主体为市场经济，基础资源生产纳入市场经济调节但是具有共有属性。 2.大小寡头组建的赛博朋克模式：各寡头占据一方，形成多个寡头群；普通人沦为奴隶，生态位类似于实验室小白鼠和动物园观赏把玩的动物，主要价值是生理学实验耗材、器官培养皿、性玩具等。 3.终产者模式（agi诞生后，只要社会进入模式2，必然快速螺旋塌缩至模式3）：也即单独立生存意识体系统，人类文明最后的独立意识存在，也是自从地球上诞生生物以来最自由的存在。 高并发多独立指向性系统探索未知世界的效率、高效可靠的内控出清机制以及信用系统是维持模式1的关键。现阶段比较接近模式2，如果无法在agi诞生前后几年内切换到模式1，那么很快就会塌缩到模式3。
不要做无意义的争辩 最近看很多人在争什么左右，这种争辩没有意义，自己有什么利益诉求、有什么倾向用脚投票就完事了，这样自然会得到一个总和的社会方向打嘴炮赢了或者输了不会影响什么，只有行动矢量的叠加才能决定未来的方向 现阶段没有第二个地球，不同价值取向的人们挤在一起的矛盾会随着资源越来越不够分、信息交流越来越充分而急剧锐化，所以为了避免人类文明在这个历史的十字路口自爆了，快速推动ai技术成熟并触发技术奇点，进而实现火星大规模移民是唯一解，这样价值取向分歧最大的两派人：及时行乐派和走远派就能各走各的路，各自安好
1
下一页
