@XerWandeRer 我数了一下白皮书的作者，大概 11 个人，相当于 11 个人做了一次「杂交」试验。轮子转得太快了。

我也很奇怪，为什么不做一个这样的混水阀：
在舒适的温度区间，比如 40 度~50 度之间，转一定角度调节 10%的混水量，在其他区间，转相同角度调节 30%的混水量。这样可以更精细的调节洗澡时的水温区间。

楼上有几个强调他加入一些「他本人的见解」，而不仅仅是「分享发现」。我觉得这是非常不公平的说法！
他自己整理这份周刊的目标，就是因为他「觉得」追踪技术的发展，可以把握住机会。这份周刊的产生自身就表达了某种他的观点。

我对他的 2 个观点印象比较深，1 是「卖时间不如卖产品」，2 是「拥有收入不如拥有资产」，这 2 个观点其实比较相似。它们乍一看会非常吸引人，让人产生恍然大悟的感觉。但是，经过深入分析后，才会发现有些偏颇。这个过程是一个逐步发现的过程，而恰恰是他的观点，让人经历大悟、反思、大醒。

所以，我不认为他提出自己的观点有什么问题。如果这些观点不值一驳，那么早就没人去看他的周刊了，恰恰是这些观点确实能给人带来启发，大家才会去看。一个没有附加个性观点的周刊，在我看来，远不如有作者自己观点的吸引人。

@yidinghe OP 的意思是删除第 2 行代码后，还需要第 3 行的函数改为调用 a 变量，而不是 a_1 。如果说实习生的意思是删了再重写 fun1 ，但是 OP 已经明确说了不需要调用 fun1 。配合后面 OP 说的他们连自己写的代码都讲述不出来，估计八成是用 AI 写的。

OP 估计够郁闷的。即使用 AI ，自己也要理解代码啊。就这样他们能交付代码吗？

我感觉是因为编程是可以**低成本验证**的：

**验证**：
AI 可以自己将编写的代码，在测试环境编译、运行，然后 AI 自己也可以确认结果是否正确。这里的正确性分为 2 种，一种是编译出错、运行崩溃这种，另一种是不符合用户需求，比如组件位置不对、点击后切换的界面不对。这些东西，即使是人，也不能保证一次编码就可以搞定。AI 当然也不能。但是，它可以根据出错的信息，去调试对应的代码！然后再运行，再继续。这是一个完整的闭环，需要的人工介入非常少。因为它可以听懂自然语言，把关键的需求用自然语言描述就可以。像是组件位置不对、切换后的页面不对、API 返回的数据不对，这些甚至都不用人去告诉它就可以自己验证、判断。换句话说，我们只需要用自然语言给他很少的指令，它就可以全自动运行。现在的问题就是，如果让 AI 自己去调试代码，它能不能搞定！我相信 2 ，3 年内肯定可以。

**低成本**：
上面的闭环，都是发生在计算机环境、测试环境中的；而且测试完成后，可以很容易部署到真实环境，几乎无差别。成本极低。


试想一下，其他哪个领域可以做到上述的低成本验证呢？
医疗。AI 提出一些治疗方案，怎么验证它说的是不是对的？或者给专家评估，或者实际测试。这些成本非常高。
同样的，教育、工业、建筑，这些领域都很难低成本验证。注意是低成本的。
动画、视频这些，都有很多主观的标准。你让 AI 生成一个图片视频，怎么评估它是不是符合生成的要求呢？很难自动化。而且目前的 AI 好像也无法做到很精确的生成图片和视频。

我感觉编程对于 AI 来说，是自带飞轮效应的。这也是为什么都拼命挤到编程代理这个赛道上。很可悲。

非常有意思，我决定去试一下。

@catazshadow 我问你敢不敢赌？别顾左右而言他啊。敢就赌，不敢就承认自己对自己的话都没有信心。
而且标准很明确，而且赌注的金额你可以自己定！

不敢赌，以后就别大放厥词！人要对自己的言行负责！

@catazshadow 楼主，你口口声声说 LLM 没有智能，只是统计学鹦鹉。那什么才是你的标准呢？

口说无凭，我最喜欢的就是用真金白银说话，这么着，我划一个道儿，看你敢不敢接：

我跟你赌 10 万块钱，如果你是一个程序员，3 年内，基于 LLM 的编程能力能达到或超过你的水平。

这个也很容易验证，给定任何一个软件的实现需求，双方(LLM 和 OP)作为程序员，去接受需求、并提出关于需求的疑问、然后开发、测试、部署。可以查询 Google 等资料，但是不允许问其他的 AI 。需求提出方、疑问解答方、验收方，都是相同的人类。

这样的水平你觉得算是有智能吗？我敢跟你赌 10 万块！！你敢吗？

@coefuqin 另外，别拿你学的那些书本知识在这儿显摆，我用常识和推理就能打败你。你强的话，回答一下#60 楼我提出的问题，可别在这儿猪鼻子插大葱，自个儿给自个儿抬轿。

@coefuqin 保姆也是从婴儿长大的啊，婴儿接收的数据量有多少，你告诉我！而且现在的大语言模型，本身就需要大量的数据去初始训练一个基底模型啊。人类用很少的经验就能学到东西，AI 没有做到这样，但这不意味着 AI 没有智能！这个逻辑根本就不通。谁也没说现在的 LLM 就是完备的，我还会说 LLM 没有自主意识呢！

@coefuqin #25
你根本就不了解机器人这块的进展吧？机器人训练为什么不如文本和视频训练，这是明摆着的事实，因为数据量不够！你看过相关的报道，就会知道，现在机器人训练有 2 种方法，1 是通过实际的机器人训练，然后收集数据，2 是通过使用虚拟仿真的物理世界，在这个世界里面训练然后移植到真实世界，然而是有些差别的。


@catazshadow
看来看去，你的推理逻辑，始终是：
1. 因为 LLM 有概率输出，所以它是统计模型，所以它无法做到人类能做的事，不具备真正的智能；
2. 因为 LLM 神经元没有人类的多，所以它无法做到人类能做的事；

说实话，这种逻辑思维，就连 ChatGPT3.5 也比你强啊。能不能来点真才实料？

1. 杨立昆说，因为 LLM 的输出 token 是一个接一个的，又因为每个 token 都有一定的概率出错，所以最后出错的概率是指数级别上升的，比如每个 token 的可靠性是 0.99 ，那么输出 1000 个 token 正确的概率就要到 0 了。为什么这种情况没有发生？怎么用统计学解释？
2. 为什么通过列出步骤，可以显著增强模型的推理能力？
3. 为什么训练时间和推理时间，有替代作用？也就是说一个使用更大数据训练的大模型的立即响应能力，可以通过与一个小模型经过较长时间的推理而得到？

你不去搞清楚这些问题，而是专门在这里招摇撞骗，使用连 LLM 都不屑于使用的推理逻辑去你那宣传可笑的观点。

@catazshadow 你想通过它说明什么，神经元数量决定一切？你的数据什么也说明不了。
你要反驳，先要解释一下为什么你所谓的统计学没做到的事情，被 LLM 解决了。你不是说 LLM 是拟合、统计吗？你去搞一个统计学模型，把它的水平做到 LLM 一样。或者你可以求助全世界的统计学家，看看能不能做到。

我非常认同#6 楼 @neteroster 的观点，事实胜于雄辩，现在的事实是 LLM 能够做到任何其他方法都没能做到的事，而且它还是通过模仿人脑做到的，这就说明了它有非常大的可能是真正的智能。这就是统计学里面的贝叶斯定理告诉我们的。你连这基本的概率论的道理都不懂，还想别人怎么跟你讨论，讨论神经学，就凭你？

Hinton 是多学科的专家，你不妨先看看他怎么想的。不要像个顽固的无法学习的神经网络一样。

@catazshadow 拜托大哥，是你说现在的 AI 就是「统计鹦鹉」。你这是恶人先告状。你凭什么说 LLM 是统计学鹦鹉！谁给你的自信。就因为懂两个统计学的名词？
不要拿 YunLeCun 的话来背书你的观点：他说的很多话都已经被证伪了。包括什么 LLM 无法做到什么事，包括视频这种连续空间，不能用像文字这种离散的方式来做。
你根本就没有任何知识储备，就断言 LLM 是统计学鹦鹉，不学无术信口雌黄的是你才对。
你看下辛顿 Hinton 的观点，LLM 到底有没有理解能力： https://www.youtube.com/watch?v=N1TEjTeQeg0

是什么行业啊？

@starrys 在回复中 at 多个人，不一定都是对他们的回复，还可能是在引用某个人的话，比如我当前的这个回复就是。我觉得你可以用一下 #14 楼 @Pipecraft 提到的那个插件。

一直用 DigitalOcean 自建的梯子，2 年前吧，记不清了，反正不久，imgur 的图就都看不了了，之后会用 Tor Browser 来看它的图 😂。
感谢#7 楼的方案。