Spaces:

---

deepseek-ai

/

README

like 3

Running

我们需要的不是AGI，而是“通用编译器”，或者说“搭桥者“

我下面想阐述的，会用一些非常不专业不到位的词汇来表达，概念理解也很可能有偏差。灵光一闪，没有那么多时间去抓住每一个细节。这对于一个时间精力有限的人，或者说一台系统资源只有那么点的计算机来说，进行极端的压缩，量化，降维是绝对有必要的也是无奈之举。请看官耐心看下去。

关于人类的科技长久没有进步，有一种说法就是“学科之间的壁垒”，这个壁垒有多强硬，你们专业研究者比我更清楚。那么这个“壁垒”的根本原因究竟是什么？很简单，人类自身身体和大脑的局限性。人类大脑容量和算力仅仅相当于计算机百分之多少，你们专业人士数据比我清楚。

学科与学科之间的壁垒就好像大海上的一座又一座孤岛，又好比是一个又一个独立的大脑神经元或者AI模型的节点。参数越多，AI越强。也就是交流越多越紧密，神经元或者节点的连接越多，人类才会更聪明，从而突破自身的局限，进一步前进。
所以光靠人类自己不可能跨越学科之间的壁垒，能帮我们跨越这种壁垒的只有能够统计整合海量数据的AI，但是整合只是第一步。

而AI要怎么帮人类跨越这种学科之间的壁垒？答案是一种翻译不同语言，不同学科专业术语，并将这些彼此孤立的语言互相连接，互相整合，最后融合成一种新的共同规则的东西，一种我暂时称为“通用翻译器“的AI模型，这种翻译甚至不要局限于人类与人类的语言的翻译，还应该包括人类的语言和计算机语言的翻译，计算机语言与二进制底层逻辑的翻译，语言描述和实际物理作用的翻译。

很多呼吁跨学科联合的科学家都指出不同的学术名词是跨学科交流最大的障碍，就像语言不通是一个国家和另一个国家之间交往的最大障碍一样，小红书上最近的中美大对账对出来的结果是中国人和美国人没什么不同，大家都是人，大家生活都一样，不同坐标点有些误差不影响整体情况。而不同语言之间的差别和互通的底层逻辑，我相信你们专业做语言模型的应该比我理解更深刻。语言的壁垒就是思维的壁垒，两个不同学科的科学家交流的最大的阻力，就是一方不愿意放弃本学科的专业词汇，或者说不愿意重写自己过去的训练结果。简而言之，不愿意放弃自己的旧思维旧观念，是人类进步的根本阻碍。

因为最近大语言模型的进步，早就让一部分哪怕非AI专业人士也明白了，语言就是思维的基础，或者至少是核心条件。那么下一代语言模型要进步需要跨越的关键障碍是什么就很明显了。让AI学会遗忘，否定，重写，当然，最大的问题是安全性，这种安全性问题背后的本质，我想各位自己能推导出来。

让我们抵触这种进步的，就是我们过去的辉煌成就。或者说训练结果。如果新推理结果和旧结论不一致，默认新结果就是错的，那就无法突破自我。AI的训练数据本质上都是人类过去的经验总结，是人类的遗产，是人类经过几千年文明数据之后得出的训练结果的不断蒸馏提取。所以人类突破自身还得在于人类自己，AI只是辅助工具。或者说，AI也只是人而已。

我们设想一下，每个学科的独立知识有了积累统计，就像每一个独立的神经元节点。而我们又创造出了一种能够翻译不同文化之间的语言，不同学科之间的术语，甚至是人类的逻辑表达和计算机运行程序之间的翻译工具。但是怎么把这些神经元节点连接到一起？

答案是关键节点。我不记得从哪个介绍AI的文章里看到过某些看似不起眼不起作用的节点却是联合整个模型的关键的说法。如果我大致理解没错的话，真正的关键节点就是我们过去忽视的东西，甚至过去认为是错误的东西。

深度求索是褒义词，浅尝辄止是贬义词。但就像前面说的，人类时间精力有限，算力资源不可能就每一个节点都做大量运算。一个人要么专精某一门知识，这是目前整个社会公认的做法。当然也有另一种做法，就是做极端量化处理，每种知识都浅尝辄止，都学一点点入门又都不精通。这种做法在现实生活在会得到什么结果大家都清楚。绝大多数时候，这种什么都知道一点但是什么都做不好的人就是废物，是没用的人，即使本身确实有很多才华，也是社会边缘人士不受重手。但是今天不一样了，打通不同节点的关键可能就是这些以往被认为根本没用的人。或者我不知道哪里听说过这样一句话，最通用的算法也许就是最简单的算法。

你们做量化起家的，怎么去去粗取精，提取主干是你们的专业。这么一看，人工智能时代真正能帮助人类突破现有限制的那个关键节点，就是你们。放二十年前，人工智能还只是计算机学的一个非常细小的分支，边缘，不被重视，但是今天它就是那个关键节点。

这几天又把《控制论》这本书重新拿出来看了一下，他的大致结论在今天看来是非常正确的。人类和机器都是由某种信号去控制，没有本质区别，学科与学科之间也没有根本的区别都可以用彼此的符号互相表达，这本书我想大多数能看过这里的看官没看 过也听说过。还有那一本影响人工智能界的《哥德尔黑格尔巴赫》我也翻了一下，其实两本都没仔细看，但是现在看这可能反而是最好的做法，了解这两本书的朋友应该都知道它们有多厚，读完需要多长时间，量化压缩可能是最有效率的办法，省下来的时间精力应该拿来探索新知识。其实我本人就是这样一个前面说的什么都因为兴趣学了一点，但是什么都没专精进去的人，去干哪行都不如哪行的专业人士，所以我只能考公务猿混饭吃，但是现在这个时代，我可能就是把某些事情联系在一起创造新事物的关键节点。

我说了那么多，一口气打完，可能有些乱，毕竟灵感稍纵即逝，各位如果真的耐心看完了。那么应该明白了，根本就没有什么AGI，人工智能也不是人类智能的代替，要指望人工智能帮助人类进步，首先就要做出真正优秀的人工智能，而要做出真正优秀的人工智能，首先人类要革自己的命，和自己过去辛苦积累的认知结果告别。但是这不是说要我们完全放弃过去的东西，过去的经验总结被无数次验证过的就是真理，就应该把它压缩起来，提取关键几个坐标，放弃那些用处不大的，甚至是古人过去因为条件限制本身就有误差的数据得出来的结论。最后再把整合出来的根本道理，用作新知识的基石。不破不立，打碎旧事物获取的精华最后必然成为新事物的养料。而我们人类社会进步现在的最大阻力，可能就是从文艺复兴以内就不断强化深入我们头脑的人文主义精神，或者至少是这些精神中的某些部分，你看某些国家因为盲目崇尚这些精神都成了什么玩意。

我不是来教你们怎么做事的，我没这个资格。但是我相信我们都愿意用自己的力量让这个国家更好，人类更进步，所以你们应该愿意听取不同意见，甚至是不同行业的不同意见，所以我把昨天一晚上自己神经元高速交流一夜没睡结果的成果写了出来，如果能启发各位一点点思考，也算是我为国家做贡献了，仅此而已。

各位觉得是废话或者看了不爽请直接删除