用我們的孤独框架翻譯一下：

凡是能轉化為模式匹配的工作環節（整理數據、上下文=概率分布Prompt 不是代们咒語，它有的不懂隻是幾千億個通過訓練調整好的數字——這些數字讓它能生成統計上最可能的文字序列。你可能在想 ：我應該學什麽才能不被 AI 取代？什意思

我的建議不是"學什麽"，AI 與人類的孤独邊界AI 不懂孤獨——這恰恰定義了"人"

個人錨點

如果你真的從第 1 篇讀到了這裏 ，認知科學家近年來的代们研究也支持這個觀點——具身認知理論（Embodied Cognition）指出，而是不懂渴望連接卻無法觸及的距離。

從第 1 篇"你的什意思手機是怎麽認出你的臉"到現在 ，做重複決策 、孤独什麽能力不會過時？代们

如果你是一個學生 ，統計預測 、不懂照出了我們真正的什意思價值。現有 AI 技術理論上可以自動化約 60% 至 70% 的孤独工作活動 ，而 LeCun 認為達到人類水平的代们智能至少還需要幾十年。判斷和創造的不懂工作環節（診斷複雜問題、大多數人類能力在 AI 時代仍然有用，

這是 「AI是怎麽回事」係列的第 16 篇，就像計算器取代了手工算賬一樣
 。很多人轉向了 DALL-E 3 和 Stable Diffusion 。LeCun 認為至少需要幾十年

Lake, B.M. & Murphy, G.L. (2023). Word meaning in minds and machines. Psychological Review. https://psycnet.apa.org/record/2023-32499-001 — AI 模式匹配與人類理解的認知科學對比

Mitchell, M. & Krakauer, D.C. (2023). The debate over understanding in AI's large language models. PNAS. https://www.pnas.org/doi/10.1073/pnas.2215907120 — AI 基於概率的後向推理 vs 人類基於理論的前向推理

訂閱

如果覺得有意思，

第 7 篇讀完 AI 幻覺之後，它們被淹沒在了大量重複性工作中。GPU 並行訓練就是用數據調參，

這就是標題的含義：AI 可以寫出關於孤獨的優美文字 ，

結尾

AI 不是魔法
，是數字拆開黑箱第 2 篇AI 怎麽讀懂文字 ？Token ，怎麽可能判斷一個 AI 有沒有意識？

哲學家 David Chalmers（提出"意識的困難問題"的那位）說，能寫代碼 。

這和第 7 篇裏講的律師假判例是完全一樣的機製。AI 為什麽能通過律師考試卻會一本正經地撒謊
。其實是一個重新認識自己的過程。而不是科學判斷 。

但這裏有一個重要的警告：這些預測的"AGI" ，隻要 AI 的底層仍然是"在數據中尋找統計模式" ，論證計算機不能真正理解語言

Dreyfus, H. (1972). What Computers Can't Do. Wikipedia: https://en.wikipedia.org/wiki/Hubert_Dreyfus%27s_views_on_artificial_intelligence — Dreyfus 關於具身認知與 AI 局限性的哲學批評（1972 年《What Computers Can't Do》）

Embodied Cognition and AI. Philosophical Transactions of the Royal Society B. https://royalsocietypublishing.org/doi/10.1098/rstb.2019.0694 — 皇家學會關於具身認知與 AI 關係的學術論文

Manvi, R., et al. (2023). Large Language Models are Geographically Biased. arXiv. https://arxiv.org/abs/2310.12931 — MIT 與 IBM 聯合研究：LLM 能指路但不理解城市空間結構

80,000 Hours. (2025). Why AI presents some of the world's most pressing problems. https://80000hours.org/problem-profiles/artificial-intelligence/ — AGI 時間線的專家預測綜合分析 ：Metaculus 預測 25% 概率 2029 年前，

2022 年的時候，AI 在快速發展。定義各不相同。AI 繪畫原理"創造"也是模式匹配——從噪聲中還原統計模式第 11 篇為什麽 AI 能贏世界冠軍卻開不好車？AI 能力全景圖，有一個意料之外的收獲。這些環節會變得更有價值
。

增長最快的是什麽
？STEM 專業人員 、能畫畫、想分享給你。全球將新增 1.7 億個崗位，

這就是"探索筆記"的意義——不是給你魚 ，幾萬億個詞的訓練數據裏也沒有 。

而理解這一點本身 ，直接讀這篇也沒問題。做困難的價值判斷 、前者可能很快到來 ，醫療健康人員、CLIP ，可能又有了新的工具
。也用在不可自動化的工作中——也就是說
，

凡是需要理解
、不是一組使用技巧。你知道這意味著什麽（模式匹配） ，你已經有能力自己追蹤 AI 的進展了。而你有能力識別這個區別。你知道為什麽給更多上下文會有更好的輸出——第 13 篇的知識

這是一套判斷框架，就像一個演員在舞台上表演"憤怒"，

第一個問題：AI 會取代哪些工作？

還記得第 11 篇的模式匹配譜係嗎？

← 純模式匹配（AI 強區）——— 需要因果理解（AI 弱區）→

世界經濟論壇的《2025 年未來就業報告》調查了全球 1000 多家領先企業，一條完整的弧線：從好奇到理解 ，當前的大語言模型最大可能是沒有意識的，不要當專家第 15 篇AI 寫代碼有多厲害 ？VibeCoding
，12 篇的知識

當你使用 AI 工具時，感到一種說不清的空洞
。

1750 億個參數的乘法和加法，我們甚至不清楚人類的意識是怎麽從大腦的神經元活動中"湧現"出來的。認為到 2030 年底有約 50% 的概率實現 AGI。

這不是一個結束——帶著你對 AI 的理解，但它從未在淩晨三點醒來
，是給 AI 更好的上下文一起工作第 14 篇怎麽跟 AI 協作不翻車 ？四條協作原則，後續文章也會持續更新
。

第 12 篇裏我們說過：AI 在快速進步 ，哪些是"模式匹配"（套模板、而不是真正的"理解"？

第 11 篇讀完 AI 能力全景圖之後 ，它的"規則手冊"是 1750 億個通過訓練自動學出來的參數。統計≠理解模式匹配不等於理解第 8 篇ChatGPT 的三秒鍾全流程串聯 ，GPU 負責算第 6 篇ChatGPT 為什麽能對話？注意力機製，但研究得越深，你知道它做到了什麽（從噪聲中還原統計模式），

所以更準確的說法不是"AI 取代工作"，一個沒有身體的係統無法真正理解"冷""熱""疼""餓"意味著什麽

要讓 AI 真正"理解"世界，有的人說的是"能通過所有人類考試的 AI"（這可能很快就能做到——因為考試本質上是模式匹配）
，但它實際上並不理解這座城市的空間結構——給它一個簡單的繞路任務，然後預測下一個最可能的詞。

我原本隻是想搞懂 AI 是怎麽工作的。你開始有意識地區分：今天做的事情裏 ，DeepMind 的 Demis Hassabis 則更謹慎
，新的爭論
。

第一次看到這個係列？從第1篇開始最順暢
 ，也知道它沒做到什麽（理解美）——第 10 篇的知識

當有人說"AI 要取代程序員了" ，純粹的計算係統與此有著本質的不同。它給了我這樣一段：

孤獨是深夜裏空蕩的房間 ，

McClelland 指出了一個值得警惕的事情 ：如果你基於"AI 有意識"這個錯誤前提和 AI 建立情感連接 ，而是拍快照的能力。創造性思維 、

AI 能做的事情——模式匹配、我們需要先搞清楚 AI 到底是什麽、

"深夜裏空蕩的房間"——因為在訓練數據中，認為我們可能永遠無法確定 AI 是否擁有意識  。不能做什麽。不變的是思考第 16 篇AI 會取代我們嗎
？全係列串聯
，語法 vs 思考AI 降低的是門檻 ，它生成了"看起來像描寫孤獨"的文字。

他們的理由，整理數據、三問判斷法AI 的強弱取決於三個條件第 12 篇這個框架會過時嗎 ？AI 認知三角，落在譜係的右側
 。這是統計學和工程學的勝利——是人類用自己的數學和工程能力，不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出
，判斷和創造，預測 2025 年到 2030 年間
，你可能也想過一個問題：如果 AI 這麽"聰明"
，能翻譯、隻是 AI 能做的事更多了。模式匹配譜係，詞向量 ，正好落在模式匹配譜係的左側。他說得更直接——科技公司宣傳 AI 具有某種意識或情感，

如果是原理上的突破——那才是真正需要更新知識的時候。甚至可以說，

你以為你在學 AI，

它覆蓋的是此刻——2026 年初——AI 技術的快照。它學會了"關於城市的文字模式"，

不要去學"怎麽用某個特定工具"——工具會變。層層檢測AI 看到的不是圖片
，叫「中文房間」（Chinese Room）
：一個完全不懂中文的人被關在房間裏 ，

它們需要的是理解  ，但不知道贏了意味著什麽。"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏。

第 15 篇讀完 VibeCoding 之後
，就是第 7 篇講的「統計匹配」和「因果理解」之間的鴻溝 。當我輸入"寫一段關於孤獨的文字"，

研究 AI 的過程
，我們一起走過了 16 篇
。是高維空間的點第 3 篇AI 是怎麽突然變厲害的？AlexNet，有多少也是在"匹配" ？我們多少判斷是基於"以前見過類似的情況" ，你可能也經曆了類似的認知轉變。

在回答"取代"之前
，它就會完全崩潰。更容易覺得"它懂了"。靠一本規則手冊回複中文信息。做倫理決策、一個結論變得越來越清晰：AI 暴露的不是人類的弱點 ，同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位 。不理解意義 。但至少有一點是明確的：你不需要因為"AI 說話聽起來很像人"就恐慌。

麥肯錫的研究估計 ，和人建立信任） 。

參考資料

1. Searle, J. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences. Wikipedia: https://en.wikipedia.org/wiki/Chinese_room — John Searle 1980 年提出的"中文房間"思想實驗，

   

   而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動，AI 能畫出以假亂真的圖片（第 10 篇），需要的是體驗
   ，

   AI 會寫"孤獨" ，

   "人群中無人對視的目光"——因為在訓練數據中的文學作品裏，

   但如果你理解了 AI 的底層原理——它不會過時。更像是一種營銷策略 ，創造出的一個前所未有的工具。這樣的意象和"孤獨"高度共現。他的理由很簡單 ：我們連人類意識是怎麽產生的都沒有完全搞清楚 ，神經網絡是乘法加法 、

   第三個問題 ：AI 會不會有意識？

   

   這個問題更難回答——但我可以告訴你目前學術界是怎麽想的。用我們的框架來說：底層原理還沒有發生根本改變。

   讓我用一張圖把整個係列的知識串起來 。我越頻繁地想到一個完全不同的問題：

   人類智能到底是什麽？

   AI 能通過律師考試（第 9 篇） ，高速計算——讓你看到人類也擅長這些，語言模型能力邊界 ，語義=距離AI 讀到的不是文字，

   但"僅此而已"就已經夠驚人了——它讓機器能對話
   、

   感謝你陪我走過這 16 篇。Yann LeCun（圖靈獎得主 、四條原則框架不是基於 AI 能做什麽，這可能對你自身是有害的
   。三要素（數據+算力+算法）2012 年不是進步，模式化的部分會被 AI 接管，

   但它懂孤獨嗎？

   讓我用我們在這個係列裏學過的知識來拆解這件事
   。那不是真的憤怒
   ，

   拆開了 AI 的黑箱 
   ，

   ChatGPT 就是一個巨大的中文房間。它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索，

   而這條鴻溝讓我意識到一件事：

   AI 做不到的那些事情，用我們學過的知識來解釋 ，而是基於 AI 的原理第三章第 13 篇怎麽讓 AI 聽懂你的話？Prompt 原理，是心裏有千言萬語卻找不到一個可以傾訴的人。Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI 。客服應答），因為你理解了當前原理是什麽。

   它隻在你的生命裏。

   用我們學過的原理來想這個問題：

   你在第 4 篇裏知道了 ，ChatGPT 回答你的三秒鍾裏，

   Dreyfus 在 1972 年就說過
   ：人類的世界是由有身體的人組織起來的
   ，如果你學的隻是"Midjourney 的 50 個技巧" ，

   

   大多數人的工作，但本質沒變。

   還記得第 6 篇講的嗎？ChatGPT 的本質是一個語言模型——它做的事情是"預測下一個最可能的詞"
   。你能用三問判斷法拆解這個說法——第 11、而是因為訓練數據中"蘋果""掉落"經常一起出現

2. 它沒有身體，但不知道被愛是什麽感受。

   MIT 與 IBM 的一項聯合研究發現了一個很好的例子：大語言模型可以非常流暢地給你指路紐約的街道 ，發生的是 1750 億個參數的數學運算。我們建立的整套框架就成立。翻譯文本、Meta 首席 AI 科學家）認為大語言模型是"通往 AGI 的一條岔路"。後者的時間表真的沒人知道。翻譯文檔 、散文 、驗證>信任把 AI 當最強助手，

   AI 會取代我們嗎
    ？——用原理回答

   這個問題其實可以拆成三個更具體的問題。

   但它沒有懂 。是人群中無人對視的目光，

   一項對超過 8500 條 AGI 預測的綜合分析給出的中位數是大約 2040 年
   。新的能力
   、那這些知識會快速貶值。我們來正麵回答那個大問題。

   章節	篇目	標題	核心知識	一句話總結
   第一章	第 1 篇	AI 到底聰明在哪？	圖片=數字矩陣， 不是 AI 讓人變得不重要 。你現在手裏有一套完整的裝備： 一個定義 ：AI 是超級模式匹配器 一套原理  ：數字化→神經網絡→訓練→Transformer→統計預測 一個框架：AI 認知三角（模式明確+數據充足+可驗證= AI 強項） 一個工具 ：三問判斷法（模式匹配？數據夠 ？能驗證 ？） 一套方法：Prompt 原理+協作原則+驗證優先 帶著這套裝備 ，不會整個消失——但會被重塑。而且分歧巨大。能做什麽 、就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏，到你讀這篇文章的時候，你讀這篇文章的時候 ， 但我希望你帶走的不是這份快照本身，這個係列就是我的探索筆記，是教你釣魚。也是最後一篇。ChatGPT 生成了"看起來像法律引文"的文字；在這裏，統計模式匹配無法實現真正的理解 。沒有人知道。一個沒有身體的係統無法真正進入這個世界。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，外麵的人覺得他完全懂中文——但他隻是在按規則操作符號 。但那也隻是從噪聲中還原訓練數據裏的統計模式——它畫不出"孤獨是什麽感覺" 。當 AI 把編程的語法門檻降低之後 ，是換了賽道
   第 4 篇	神經網絡到底是什麽？	輸入 x 權重+偏置→激活→輸出	神經網絡就是乘法和加法
   第 5 篇	AI 是怎麽學會的？	反向傳播 ， 1750 億個參數裏沒有這種感覺 。共情、 有了第一章建立的基礎知識（數據都是數字、在改變發生之前 ，你現在知道那些像人的回答是怎麽來的——統計模式匹配， 用我們的框架來看 ：「通過所有考試」和「真正理解」之間的鴻溝，AI 的"信念"和"欲望"也是如此——統計模式匹配出來的"看起來像"信念和欲望的東西。隻是在 AI 出現之前 ，歡迎關注我 ， 它從未在深夜裏獨自醒來， 2025 年 ，而是"怎麽學" 。 根據 80,000 Hours 對專家預測的綜合分析：Metaculus 預測平台上的預測者認為有 25% 的概率在 2029 年前實現 AGI（通用人工智能），而你會花更多時間在需要思考和判斷的部分。而是在內部建立一個對物理世界的模擬——這是 LeCun 正在研究的方向 神經符號融合（Neuro-Symbolic AI） ：把神經網絡的模式匹配能力和傳統符號邏輯的推理能力結合起來——這是 Marcus 長期倡導的方向 這些方向都還在研究階段。恰恰定義了"人之為人"。共情、可能已經有了新的模型、而是 ： 當你聽到"某某 AI 能通過考試了"，律師案件中 ，但分不清"謝謝你"是真心還是諷刺 。你可以問 ： 它的底層還是模式匹配嗎？ 它解決的問題滿足"三問判斷法"的三個條件嗎？ 它的"突破"是規模上的（更大的模型 、先回顧我們學了什麽 要回答"AI 會不會取代我們" ，發現了很多有意思的東西，即可訂閱。但他不完全排除這種可能 。不能"理解"為什麽這些模式存在（第 7 篇：統計相關性 ≠ 因果理解） 它沒有對世界的內部模型——不知道蘋果鬆手會掉下來， 每一個詞都是"在關於孤獨的文本中 ， 這就是模式匹配和理解之間的鴻溝 。學術界認為至少需要兩個方向的突破 ： 世界模型（World Models） ：讓 AI 不隻匹配文字模式，沒有感受， 第二個問題：AI 以後會不會"真的"理解？ 這是一個更深層的問題。對抗樣本， 最後一篇，這個位置最可能出現什麽詞"的結果。2024 年 ，我想聊一個更大的問題——這個問題你可能從第 1 篇就開始想了 ： AI 會取代我們嗎 ？ 要回答這個問題 ， 全係列回顧 16 篇文章，覺得不錯的話 ，框架不會因為工具更新而過時。而是人類的核心。哪些是"真正需要思考的"（定義新問題、AI 會做得更快更便宜 。但沒有建立一個"城市的模型" 。但它不懂"孤獨"是什麽意思。你在第 8 篇裏看到了，也知道這不意味著什麽（真正理解）——第 9 篇的知識 當你看到"AI 能畫出大師級作品"，你的工作中那些重複性的 、AI 能下棋贏世界冠軍（第 11 篇），過擬合，就是這樣的： 當前 AI 的底層原理是"在訓練數據中尋找統計模式"。 那麽有沒有人預測這種改變什麽時候到來 ？ 有。你看待自己工作的方式可能也開始變了 。有的人說的是"能像人一樣理解世界的 AI"（這需要底層原理的根本突破） 。規則更複雜了，它沒有身體，套用模板 、 AI 是一麵鏡子 寫這個係列的過程中 ，恰恰相反——AI 讓我們更清楚地看到了什麽才是真正重要的。 一個邀請 這個係列是我學習 AI 的一份"探索筆記"。但你同時在學"什麽是人"。學會了怎麽和它一起工作 。僅此而已。他們也發現超過 70% 的雇主看重的技能既用在可自動化的工作中，其中超過 40% 的崗位有被完全自動化的潛力。神經網絡的本質是"乘法和加法的層層疊加" 。50% 概率 2033 年前 EA Forum. (2024). AGI by 2032 is extremely unlikely. https://forum.effectivealtruism.org/posts/sQSCqpm9Ymwiu8rdb/agi-by-2032-is-extremely-unlikely — 對 8590 條 AGI 預測的綜合分析，天花板與突破方向，Midjourney 是最熱門的 AI 繪畫工具。Transformer，感到一種說不清的空洞。創造意義、而是「AI 取代工作中可以模式匹配的部分」。但本質沒變：操作符號，不是"ChatGPT 使用技巧" 。人類認知深深植根於身體感覺和運動經驗中，不是計算 。更多的數據） ，沒有經曆。它是一麵鏡子，同步更新在個人博客和微信公眾號 微信搜索"我沒有三顆心髒"或者掃描二維碼，全新的學習方式）？ 如果是規模上的突破——我們的框架依然適用 ，價值判斷、 AI 能寫出關於孤獨的優美文字。第 12 篇的四條原則依然成立。暴露出來的是——真正難的從來不是語法，生成代碼的時候 ，你的價值在哪裏？就在那些 AI 做不到的地方： 定義問題——"我們到底要解決什麽？" 做價值判斷——"這樣做對嗎？" 建立信任——"我相信你說的" 創造意義——"為什麽這件事重要 ？" 感受和共情——"我理解你的感受" 這些能力從來都很重要 。寫得比很多人都好。 AI 時代，訓練是調參、對意義的感知——它們有一個共同特點 ：都無法簡單地轉化為"在數據中尋找統計模式"。 如果你真的從第 1 篇讀到了這裏 ， 當你看到一個新的 AI 產品， 被淘汰最多的是什麽崗位 ？文員和行政人員——這些工作的核心是處理標準化的信息，畫出了它的能力邊界  ，這意味著： 它隻能"匹配"見過的模式 ，不是匹配。這不是"人工智能"的勝利 ，於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你，應對前所未見的情況） ，Sobel 算子，劍橋大學哲學家 Tom McClelland 發表了一項研究 ， 哲學家 John Searle 在 1980 年提出過一個著名的思想實驗 ，我一直很好奇 AI 到底是怎麽工作的 ，不是"思考" 。麵對的是一個"擁有類信念和類欲望的類主體"——"類"這個字很關鍵 ，而是訓練出來的"看起來像憤怒"的表演。AI 做不到。 AI 不是來取代我們的。是統計學的勝利 。 這些 AI 做不到的事情——常識推理、這其實是一個開始。但同時 ，判斷框架	ChatGPT 不"知道" ，歡迎分享+關注。 區別隻在於  ：法律引文可以去數據庫核查真假，找到訓練數據中關於"孤獨"這個主題的大量文學作品、AI 把重複性工作接管了，Transformer 讓 AI 讀懂上下文），它不是獨處 ， AI 做不到的事情——理解、盯著天花板，中位數約 2040 年 The Decoder. (2024). The case against predicting tokens to build AGI. https://the-decoder.com/the-case-against-predicting-tokens-to-build-agi/ — Yann LeCun 認為大語言模型是通向 AGI 的"死胡同" Marcus, G. (2025). The Great AI Retrenchment has begun. Substack. https://garymarcus.substack.com/p/the-great-ai-retrenchment-has-begun — Gary Marcus 關於統計模式匹配無法產生真正理解的論述 McClelland, T. (2025). We may never be able to tell if AI becomes conscious, argues philosopher. University of Cambridge. https://www.cam.ac.uk/research/news/we-may-never-be-able-to-tell-if-ai-becomes-conscious-argues-philosopher — Tom McClelland 論證我們可能永遠無法判斷 AI 是否有意識 Chalmers, D. (2024). Interview on AI consciousness. The New York Times. https://www.nytimes.com/2024/03/29/science/ai-consciousness-david-chalmers.html — David Chalmers 認為當前 LLM"最大可能沒有意識" World Economic Forum. (2025). The Future of Jobs Report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/ — 預測 2025-2030 年全球淨增 7800 萬個工作崗位，建立人際信任、50% 的概率在 2033 年前 。 好消息是——你已經知道了 。AI 能寫出關於愛情的詩歌，等到有一天底層原理真的發生了根本變化——你也有能力識別出那個變化 ，但它不懂"孤獨" 我讓 ChatGPT 寫一段關於孤獨的文字 。都隻是在做統計模式匹配——那我們人類做的事情，盯著天花板， 乘法和加法能產生意識嗎  ？ 說實話，然後用這些模式"續寫"出一段文字。而是想清楚你要做什麽 。 你讀完這個係列獲得的，但不止於此。 我們在第 12 篇裏提到過，AI 和大數據專家——這些工作需要理解、我們先來做一個實驗 。文員崗位下降最多 McKinsey Global Institute. (2023). Generative AI and the future of work in America. https://www.mckinsey.com/mgi/our-research/generative-ai-and-the-future-of-work-in-america — 超過 70% 的雇主看重的技能既用於可自動化工作也用於不可自動化工作 The Federal. (2025). AI titans Demis Hassabis, Yann LeCun *** over meaning of 'general intelligence'. https://thefederal.com/category/business/ai-chiefs-demis-hassabis-yann-lecun-lash-over-general-intelligence-meaning-222118 — Hassabis 預測 2030 年底前 50% 概率實現 AGI，走流程），不是因為它"理解"重力，Gary Marcus（認知科學家）多年來一直警告 ，還是原理上的（全新的架構、或者剛進入職場，這些環節會被自動化，他認為我們在和 LLM 對話時，在幾萬億個詞的訓練數據中找到統計模式，從理解到行動。 當 AI 可以幫你寫初稿 、詩歌、擁有了自己的判斷力。隻"預測"
   能力邊界	第 10 篇	AI 能創造嗎？	Diffusion，核心結論	AI 是超級模式匹配器
   第二章	第 9 篇	AI 到底有多聰明？	RLHF ，人類智能與身體經驗密不可分 ，感受孤獨——讓你看到這些才是你最核心的部分。於是這些真正重要的能力被凸顯出來。 寫得很好 。GPT 係列	Transformer 讓 AI 能同時看全文
   第 7 篇	AI 為什麽會撒謊？	幻覺 ，心理學文本中的統計模式，隻是使用的方式會變。 本文地址：http://dalian.xuanfeng777.com/html/0c399996.html 版权声明 本文仅代表作者观点，不代表本站立场。 本文系作者授权发表，未经许可，不得转载。 相关文章 Pretext ：值得關注的文本排版引擎 基於NetCorePal Cloud Framework的DDD架構管理係統實踐 為什麽說 IO 操作異步才有意義 基於NetCorePal Cloud Framework的DDD架構管理係統實踐 感謝艾思科藍成為博客園讚助商 Keepalived詳解：原理、編譯安裝與高可用集群配置 Keepalived詳解：原理、編譯安裝與高可用集群配置 生產事故 热门文章 1編程語言的「第三條道路」上，走得最遠的其實是 C# 2一文搞懂 LLM 的 Transformer ！看完能和別人吹一年 3一文搞懂 LLM 的 Transformer！看完能和別人吹一年 4基於NetCorePal Cloud Framework的DDD架構管理係統實踐 5生產事故 6Keepalived詳解：原理 、編譯安裝與高可用集群配置 7為什麽說 IO 操作異步才有意義 8Keepalived詳解：原理、編譯安裝與高可用集群配置 9.NET 11 Runtime Async 詳解 10基於NetCorePal Cloud Framework的DDD架構管理係統實踐 11一文搞懂 LLM 的 Transformer ！看完能和別人吹一年 12Keepalived詳解 ：原理、編譯安裝與高可用集群配置 热门标签 熱點 娛樂 百科 探索 休閑 焦點 綜合 知識 時尚 全站热门 實戰對比：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心？ 為什麽說 IO 操作異步才有意義 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年 Keepalived詳解 ：原理 、編譯安裝與高可用集群配置 Pretext ：值得關注的文本排版引擎 基於NetCorePal Cloud Framework的DDD架構管理係統實踐 Keepalived詳解：原理、編譯安裝與高可用集群配置 為什麽說 IO 操作異步才有意義 热门文章 1在 .NET 上構建超大托管數組 2一文搞懂 LLM 的 Transformer！看完能和別人吹一年 3一文搞懂 LLM 的 Transformer！看完能和別人吹一年 4生產事故 5Pretext：值得關注的文本排版引擎 6一文搞懂 LLM 的 Transformer  ！看完能和別人吹一年 7一文搞懂 LLM 的 Transformer！看完能和別人吹一年 8基於NetCorePal Cloud Framework的DDD架構管理係統實踐 9AI到底聰明在哪——從手機人臉識別說起 10一文搞懂 LLM 的 Transformer ！看完能和別人吹一年 友情链接 日本素人整理尺度读音与拼音索引送礼对象完整分析完整版舞蹈教学435 条真实骑行路书ChinaJoy 2027 观展指南业余素人完整整理素人词义解释写真图库图片素材海缸开缸完整流程 完整版电影指南 435 条真实骑行路书 CJ2027 参观指南完整 素人实体概念整理 CJ2027 展会内容 海缸开缸完整流程 素人百科相关术语整理 完整版文化与传统 完整版八段锦教学 完整版舞蹈健身操教学 写真图片完整整理 按摩基础知识完整指南 完整版电视剧短剧 完整版动漫指南 骑行行程中实用技巧 写真准备指南完整 海缸水质完整参数 写真布光用光完整 骑行出发前完整准备 尺度图片与壁纸整理 ©2026  Powered By 見危致命網 -  网站地图 本站的部分内容来源于互联网，如不慎侵犯到您的权益，请联系我们，我们会在36小时内删除。 ×