GPT-4o-mini来了，现在终于不烧钱了😂

实际上目前说是停留在表面，但gpt4的能力已经足够惊叹，有做牛马的潜质😂

甚麼 google meta claud 都放棄了嗎？ 為甚麽呢？

2017年左右的时候，东京大学的一位女性教授在TED发表了一个演讲，讲述了她们团队研发的一款旨在完成日本大学入学考试（センター試験）的AI模型。 我印象里非常深刻的一个点是，她当时介绍说她们给这个AI学习了多少亿多少亿的数据，天文地理外语数学，无所不包。 但是最后训练出来的AI能考到的分数只能说是平平无奇。 我当时的第一感觉就是，大数据不是解决方案。 因为这AI“学”过的内容，已经远远超过任何一个人穷尽一生能够接触到的数量了，表现却还不如人类。 而人类从不需要学习那么多数据（看那么多书）就能够获得足以胜任乃至十分出色的技能。 其中的原因就在于AI缺少举一反三触类旁通的能力，从已知的有限知识中获得对未知状态的一般化的响应方法。 而这个弱项在“叠更多的层”（LLM），匹配更多输入种类（GAN到CLIP的变化），和增加嵌入单元（神经元）的数量后得到了很大的改善（能力涌现）。 你很难说SD仍不具备举一反三的能力，你让它画一个长着萝卜脸的红皮肤绿眼睛金斑点的猪，它也能画出来，而且画的比一般人能想象到的细节更多。 虽然AI模型仍然需要学习远超人类学生的大量“优质”数据，但这也可能是由于如今的AI硬件（数字电路）还无法达到人类的大脑规模；以及无法像人类一样，在符号化的语言信息之外，仍无时不刻地接收各种“原始信号”（视听味嗅触，工人拧螺丝、运动员投球的“手感”，某句话某个语气在某个场合说完以后来自他人肢体动作和表情的反馈…也是大脑获得的“训练数据”）进行训练，而所做的妥协或临时讨巧的手法。 所以在我看来，我也不认为LLM能够单纯通过叠更多的层来实现AGI，因为更多的原始信号数据，是几乎无法符号化成自然语言进行表达的（盐少许油适量大火爆炒后转文火慢煮，这话学一万遍也不会做菜），而这些语言之外的信息，或许正是人类举一反三学习能力的来源。也可能是LLM在同时获得了多种不同语言的训练输入后，发生能力涌现的原因之一。 对于“借助外部工具”的事情，我反而觉得现在的AI公司们很奇怪，为什么都想着不能借助外部工具？我记得曾几何时，“发明并使用工具”被定义为智人有别于其它生物的一个特征。另一方面，因不得已切除了部分大脑（比如前额叶皮层）的战场士兵或特殊患者，也失去了数学计算能力。这似乎也表明AGI所想达到的“目标”本身（人类），也不是仅用一个“模型”干完所有事情的。 同样的，对于大模型的“幻觉”问题，我想说这确实是一个问题，是大模型进行实际应用上的一个大问题，但消除“幻觉”可能不应该是评价AGI的必要条件。 没错，因为人类大脑的幻觉明显更多，从意大利面要拌42号混凝土，到严肃的司法举证中对“虚假记忆”、“植入记忆”的研究（参考《真相只有一个，记忆却非如此》），都显示了“幻觉”和AGI并不应该水火不容，我们只要能有发现幻觉并纠正幻觉的途径即可。

评测很专业，很有帮助，谢谢

我覺得這個方法，就像兩個笨蛋在討論超過他們知識以外的問題一樣，只會越走越偏，一定要有個高一階的人來糾正他們才行，尤其是AI不會反思及驗證，如果用反問的方式與他討論問題，他只會一昧的贊成對方的看法，原本只是一點點偏差，到最後越走越歪

這篇的評價蠻中肯的，感覺就是吃了很多算力但沒實質產出，對比起來Sam超敢用新人，不管是gpt-4o or Sora 都是畢業生直接當leader，感覺非常看實力的公司

我是用gms引擎的，之前开源的cmdr+支持gms的gml语言之后，就拿cmdr+帮我捋顺游戏功能的实现逻辑，克3.5又提了几个档次，AI发展真的快啊

可以叫他製作俄羅斯方塊並自行通關麼

有深度的解說　卻沒人響應　Ｂ站顯得熱鬧多了

感覺是另一種更複雜的prompt engineering

人类自己是完美的吗？哪个事物没有弱点？能做出ChatGPT就非常棒了。

謝謝你的講解

苹果肯定会选OpenAI，因为Google公司有安卓操作系统，与iPhone的iOS形成直接竞争，而iPhone是苹果公司的命根子，AI技术对Apple公司和Google公司的未来都及其重要，所以Apple苹果公司绝不会把AI的主导权交给Google公司，但假借合作，直接与Google公司的技术人员接触，探讨一下技术进展、演示或者研究一下AI技术现状和未来（特别在手机上和个人电脑上运行），应该是很可能的事情。

这次show给苹果看太明显了，而且基于现有设置chatgpt已经近原生应用，避免苹果以后耍赖限制😅

非常喜欢作者的讲解，专业，有深度👍🏻

走路的那個目前測到的最高分625 Gen Name Score 0 Pofaui Butoqu 7.07 1 Losage Dadixe 207.04 17 Oosoge Koeixa 207.75 18 Oosoga Dieexa 212.38 20 Tovohe Boeoxa 311.58 24 Toveee Beeoau 414.78 37 Toeife Bieiva 415.42 38 Tuvege Bieovo 415.45 41 Toeife Bieiva 415.50 46 Tovugi Uieovo 622.32 114 Suxuhi Qobuai 624.23 290 Soyohi Oecize 624.34 416 Uovohe Oizaye 625.68

能测试下copilot pro吗

感谢上传

什么时候讲 LLama 3

Gemini听说是用了百度文心的数据，所以中文才好很多。中文方面目前是时百度文心更强一些

感謝你的分析。 您能否評論AI教父之一Geoffrey Hinton的預測: AI 能「理解」人的語言，並且在學會學習上因為是digital system ，所以可以極快速的分配複製，遠遠超出生物系統的人類。這是我們將面臨的existential threat。

告诉你们最遗憾的一件事情。等AI真的完美了，你的工作就没了。 以后，写作，作诗，作曲作词都一个指令搞定了。

目前大部分ai都是广告做的好。。

游戏这玩意可能是这个世界上最接近战争行为的东西，在这个领域取得的任何突破都有可能直接把人类送走😅

测评挺专业的哈哈哈

我覺得三者皆不能所謂真正跨語言理解！差的遠了。創意部分似乎都不行！

《自主或非自主智慧學習型器人，不可修改【理性作為判斷篩選晶片指令】製程與控管》 自主或非自主智慧學習型機器人，所有不可預知自主學習意識或念頭作為前，都必須經過不可修改，【理性作為晶片判斷指令篩選】，才能做工! 【機器人理性作為判斷篩選晶片指令】 除非機器人受到攻擊，自保趨避；或被動反擊發出觸身電擊阻卻作為外: 1、不可主動做出傷害人類人身作為! 2、可阻卻任何暴力人類或生物或物品，攻擊傷害人類作為阻擋保護! 3、為保護人類生命，可破壞任何最少代價與自身能力可行阻擋物，帶領帶領或背負...無法行動人類，趨避危險標的或地區! 4、自衛攻擊型機器人，【只能限定在固定防守範圍，要塞或...區域活動做工】；【且需求單位必先申請核准防衛範圍】，配置不可修改，另外專業製成，【高階理性作為判斷篩選指令晶片!】 5、機器人做工控管晶片組合的黑盒子功能控管: 機器人不同做工，【理性作為判斷篩選晶片指令，所製成黑盒子】；軍事或保全用途，由國家設置專門工廠生產；民間用途由國家核可專門民間工廠生產，都須嚴格測試作工控管，管理單位隨機抽查測試，黑盒子自主控管功能! 制約機器人理性作工晶片黑盒子，出場販售組裝連接機器人工智慧後，【任何人嘗試開啟黑盒子，更換或破壞晶片…；或妄圖避開黑盒子控管，更改人工智慧意識、念頭做工指令控管迴路】! 【黑盒子會自主爆炸，摧毀自主或非自主智慧學習型機器人，人工智慧運作重要功能】，癱瘓機器人做工載體成植物人! 【地球生態不可逆極端惡化襲殺，未來殘存人類後代 進入高階虛擬實境地球世界學校】 後來總成學習與覺醒說法者 堯舜敬啟!

經驗不是會講話會聽 會動作 是他順暢度還不錯 畢竟以上這些是本來整合以後就能猜到的功能

Figure 1是會捉眼球

Figure 油壓系統 Tesla 電機系統 成本才是關鍵

特斯拉的優勢在於有工廠 可以不管一開始的沈沒成本

圈錢而已

五年前還很難想像這麼先進的機器人…

所以看behavior selection的调用方式，这个Figure01和之前的Rabbit R1原理是一样的，都是调用后来对应借口/API。有点日式自动售货机后面藏着真人的即视感😅感谢解说。

換句話說，如果OPEN AI能與 波士頓動力正式合作，而不是一些玩家自己混和的。 那會有多精彩?

很受用！专业！

你是懂AI 大模型的

只有你分析的最到位 機器人的動作都是先套好的 有個人配合 看起來就好像很利害 其實就是一坨大便 端到端這麼簡單的話 波士頓不會做嗎 輪的到這種初創的小公司 老闆還開一家電動飛機 什麼屁都沒有 那些大企業投這種公司 滿可悲的 為了追上特斯拉 什麼不要臉的事都幹

免费用用Claude3，足矣

我测试了8道入门级高中数学题，GPT、COPILOT、GEMINI只作对一个，在严谨数理和工程领域，AI的LLM不适用

提供ai操作电脑的接口，提高生产力,我觉得这是未来趋势

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 人類知慧的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。 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。 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。英偉達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，則晶片可以非常簡化。 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。

很是怀疑普通人可以这样来生存？怕是没门槛是假的吧！要么就是不符合资格！难道不需要批准，执照吗？😢

為啥沒有gemini pro

其实Gemini Ultra也是非常强大的，不逊色于另外两个. 而且它更有人情味更懂得人情世故一些. 只是在逻辑推理上有它自己的特点，在给它的提示词上需要多花一点点心思，Gemini Ultra的推理能力也相当优秀

感谢up油管视频还在😢版权流氓太恶心了

AI目前都还是问答式，落地难度大，期待有监视器的AI，那才是未来

非常喜欢这个频道！

有用过的吗 我的刚注册完就被封了