it's exactly what I thought about and think OpenAI was overly evaluated: 其實AI 最重要最關鍵的是各行各業各領域的專家組

Part 2): 另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。 其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。 其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。 因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。 但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。 其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。 這些搞編程所謂AI 專家，其看待事物的内容實在令人啼笑皆非。 譬如： 看到報導某AI 頂流科學家，其模型在AI 大賽中，以16%失誤率， 遠勝於另 一AI 大佬的23% 失誤率，而得到冠軍。 a)殊不知數理統計迥歸分析的誤差要求是5% 甚至到3% ， 一個誤差率高達16% 的模型，居然可以拿出來比賽甚至取得冠軍， 真不知這羣頂流AI 的外星兼外行的科學家在玩什麼遊戲？！ b)人類智慧的誤失率基本都趨近於零。 任何事務的成果，都不是線性的。 這群AI 科學家居然誤導性的告知世人，宣稱他們現在誤差率已達16 % ， 他們離成功不遠了。 殊不知任何人學習或做事務的成果，達到90 分是很容易的，只要多付出就可輕易達成，但90-100 分，那完全不是和努力付出成正比的，那是和天份及其他綜合因素有関，90 分後要再成長其難度是巨大非線性的。 人工智慧的誤失率16% 要成長到 人類智慧的0% 誤失率，給其500 年都難以達到。 另外所謂AI的算力，也多被這些台面上資訊及硬體公司給神話了，整𠆤AI 主要算力在解大矩陣行列式或進行矩陣相乘。 也就是同時或儘量同時計算（平行計算） y 千萬組的 y千萬𠆤數的連乘積或是乘積和。 極其簡單（小學算術程度）但體量龐大的加減乘除。 無任何高深複雜的計算。 GPU 可以當做兼為AI 算力工具，但是GPU 如果僅專用在AI 上，則已是超規格。 因此微軟搞出了這種純滿足AI 小學暴力算術晶片, 或是Tesla 的針對矩陣暴力運算的NPU 。英偉達的GPU一定要小心了，GPU 涵蓋應用面遠大於AI , 如果僅用於AI 算力工作，則晶片設計可採用其他非常簡化有效率的方式，而且成本便宜很多。 未來可能的發展模式： 1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。 有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。 2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦，各類雲,工作站甚至各𠆤大模型參與分散型算力的提供，恊作，整合，這也是需由資訊及硬體工程來實現的。

Looking forward to seeing the Part II

@@jimmyhuang9941 Part 2): Part 2) 另外面對服務大衆的生成式服務，也是要面對大衆各種不同的需求，因此其所需處理消化的資料也是天文數字的龐大，也要各行各業領域專家介入協助指導進而形成並建立大模型。 其實生成式AI 可以理解成升級版的超級搜索引擎，傳統的搜索引擎，用関鍵字/詞，從數據庫內匹配/找出並羅列出可能所需資訊，現在進步升級到如果你給出更具體規範的需求，系統就能從數據庫內拼湊出並提供更完整的接近最終需求的服務內容。這只是把過往已存在的數據庫（已長年經各行業領域專家組維護並梳理過的）更完善的整理優化後予以呈現。而這𠆤更完善的過程使用了大量多層次的統計數字分析的手段， 把這個完善化的過程誇大的比擬成人類的思考及智慧（其誇大的目的-圈錢），將造成極大的誤導。 其實生成式大模型， 就是用即存服務於大衆的大型搜索的資料庫，如google ， Bing 等等，以數理統計為核心，結合資訊工程及硬體工程為工具，而進行更貼切於使用者需求的優化過程和結果。所以生成式大模型最終會回到過往提供搜索服務的大型公司的對決。 因此CIC 或是AI 是以特定領域專家組為主導，數理統計為核心，資訊工程及硬體工程都是配合的工具而已。 這樣的發展才會健康/ 不浪費/ 高效率/ 高精確度。 但目前的發展方式， 以資訊工程及硬體工程來主導開發服務大衆的大模型，只是因為這方面天文級別的龐大算力需大資本投入，這是一𠆤比較理想的快速盈利回報的營運方式，但這種情況就會造成眼下嚴重的誤導及錯誤的認知，沒有效率及喪失精準度，甚至如當下出現諸多以提供算力及編程服務的所謂AI 公司出面圈錢的亂象。 其實眼下的蓬勃發展是假象。 不管怎麽發展，從事這𠆤領域研究工作的人不能不具備相關數理統計的知識，也不能缺少專家組對資料的專業的選定/收集/整理。而資訊程序員和電腦只是工具。特別在早期各專業領域內的中小模型的智能發展和恊作，編程只是工具。但當算力上來後，服務大眾的類搜索引擎的生成式及語言大模型，就變得可行了， 但不管怎樣可行，仍是以數理統計為核心，更龐大的專家組仍是關鍵。 只是這種大模型下算力變成稀缺的主要投資成本， 使得這些編程及硬體人員不得不高舉這𠆤旗幟來圈錢， 如果這些編程及硬體人員拿不出這些算力（如果由國家直接投資），他們在整個AI(CIC) 的發展上，根本算不上什麼角色。但這一輪由算力提供方來主導的AI 發展，將會走得很偏，而且會很快撞牆。 未來可能的發展模式： 1） 資訊及硬體工程提供集中算力設備及模型編程的開放平台，供各領域的專家組使用。 有點像當下晶片產業，各應用領域產業由專家組組成公司後，進行各領域的智能開發和應用（如晶片應用的design house，聯發科，海思等 ) , 而算力的提供及收費則由資訊及硬體工程提供（這需要密集资本投入，甚至國家力量投入，如台積電）。 2） 由於網路的高度發展， 另外一種提供龐大算力的方式，是由巨量萬家萬戶閒置PC 𠆤人電腦參與分散型算力的提供，並予以整合，這也是需由資訊及硬體工程來實現的。

@@maizhiheimei9080 現在的算力主要是在解聯立方程組的根，如您學過線性代數，就知道解聯立方程組，全是聯立乘法，如果是1千萬x 1千萬的方程組，那只是在做簡單的（1 干萬𠆤聯乘）x 1干萬組，大量簡單的乘除法運算。簡單說是一干萬台算盤（平行計算），每台算盤做一千𠆤數拈相乘。這種算力就是非常大量但簡單的加減乘除。這種暴力計算，在AI 的發展上，有其必要性，但非決定因素。 真正決定因素是各領域專家組（決定関鍵變數）。如果沒有各領域專家組為主的暴力運算，馬上就會撞牆。

LOL

人工智能已经准备好了，而人类社会没有(指暗藏奴隶社会本质成为被效仿的对象)，很遗憾。

在考虑中了，看看怎么给大家整点实惠的😁

没有国内的频道，只在油管

可能是我表述的问题吧🤣

那个时候的 AI 会知道这个single point of failure，然后变成分布式 AI，跟现在的 cloud 一样，没有办法拔几个电源来做限制啦。😄

我可以给你一个很清楚的解释。我虽然不知道人怎么思考的。但是ai训练之后其实扒开所有外衣只讲道理给你你一定懂。训练之后的模型就是一个超级巨大的可拆卸的迷宫。当你输入问题之后其实你每个字对应的都是他那个巨大迷宫的一部分，他就把你的问题每个字代表的迷宫部分组成一条路（实际上就是指向你需要答案的路只不过路的终点是一个集合，所以你获得的答案是可变的，实际上你输入有偏差也是可以的因为你的输入实际上也是一个集合范围）这条路的终点就有你想要的结果。至于什么幻觉我就不懂了。可能跟运算时间有关。因为你这条路没有建好但是系统给你分配的资源已经用完了，答案不准就能理解了。有时候也可能是问题比较复杂他没有遇到训练没有指向完全正确的地方，虽然他也拼出了一条路，但是这条路并不正确。这样解释你可能有点不理解，例子就是我们小时候遇到不会做的题会去找答案，翻书。如果答案和书都没有也没人能帮你。你是选择空着还是随便写点什么。

另外就是人类并不强。应该说人和人之间的差距比人和任何物种之间的差距都大。如果你说ai有没有那些顶级学者的单兵作战能力，那是肯定没有的。但是ai绝对已经拥有了能够对付大部分普通人的能力了。至少我看ai就比我强。现在很多事情我认为我只是带了个脑子懂得怎么引导他完成复杂的要求。但是在知识量上完全不是一个档次。更别说很多需要大量学习之后才能做的。现在完全就是直接问他应该怎么做。他给我流程我看懂了然后一个个掰开问他。让他去做。我喝杯水的功夫他做的差不多了我看看哪里有问题。指出。他就会自己修复。然后再问下一个怎么做。

无法阻止就别阻止，既然比自己优秀那就接受。

有一天你会发现芯片植入和无线充电是逃离不了的

因為猴子本身硬體的限制，發聲器官與大腦神經的複雜度都不允許猴子學會說話。 人工智能本質上就是仿造人類大腦神經元去訓練的，而且硬體與資料量都還在不斷增加，你說這差別大不大？

AI 根據你之前的行為，早已預判你想關閉它，於是當你走在馬路上時，AI 會操控幾台特斯拉，先把你撞死。 這段情節，即使在現實中沒有發生，未來也會出現在電影劇情中。

怎麼定義”意識”？ covid-19 virus有意識嗎？ 蟑螂算有意識嗎？

意識這兩個字在科學界已經有明確的測驗了，毫無疑問現在的人工智能有非常高的機率通過

意識也不過是電子訊號而已

具体是什么测验？通过测验也不一定代表有@@SpiritualSagas735

意識這個幻化的詞， 定義在黑盒裏輸入如果輸出的各項測試都能超過人類的預期和水平（圖靈測試），那就可以說這個黑盒通過了智能（意識）測試。

首先得看如何解释意识这个词😂

社会想要进步，机器人想要更新还需要人。所以未来还是人的，怎么可能是机器人的

就看你说是厉害国9999版，而不是灯塔国9999版，你的认识就初浅。利用先进技术和各种社会、心理、传媒等等等等控制普通民众和全世界的水平，厉害国和灯塔国比较连小学生都算不上。灯塔国让你没有意识的去舔，厉害国还在被冷嘲热讽，未来的AI智能绝对学习灯塔而不会学习厉害。

Ghost in the shell...

就是【合道】,然后就没有自我了，不是被消灭了，而是你自己认识到和别人连在一起才有意义。

@@izayoi5776 人類補完計畫😂。

感覺很厲害

闲来无事，多写点，未来两种可能：AI诞生了自我意识，或者诞生了人类无法理解的自我意识，那么证明人类并没有灵魂（自我意识）；另一种可能，AI无法诞生自我意识等，那么可能反向证明了人具有某种特殊东西（灵魂）无法被创造，也算是好事，可能证明了某种灵性是高维度的，无法由我们这个维度的事物组合而产生。

有点乱🤣

AI会有自我意识@@andywang1316

懂的人自然看的懂，我知道你想表达什么@@andywang1316

错，那是你看的所谓领袖，他们不过是傀儡，所谓金字塔，一群躲在幕后的聪明人控制少数傀儡，以公义之名奴役更多愚昧的大众罢了