目前的AI大模型本質(zhì)是，以統(tǒng)計規(guī)律代替邏輯規(guī)律，以相關(guān)性代替因果性，以海量參數(shù)的函數(shù)擬合出輸入輸出算法。具體的技術(shù)原理：
1是通過數(shù)據(jù)集獲得統(tǒng)計規(guī)律，
2是通過統(tǒng)計規(guī)律進(jìn)行插值輸出。而其目的，則是通過這種簡單粗暴的算法，創(chuàng)造一條信息的自動化生產(chǎn)流水線。（當(dāng)然這里都說的是目前最流行的機器學(xué)習(xí)——神經(jīng)網(wǎng)絡(luò)這一系的依靠概率統(tǒng)計方法的AI，還有一些小數(shù)據(jù)集、類人腦結(jié)構(gòu)之類的AI，目前進(jìn)展困難，不在此列。）它不像很多AI公司和風(fēng)投資本吹得那么牛逼，更不可能取代人，目前的算法和訓(xùn)練效率都偏低，多數(shù)也配不上現(xiàn)在的估值，泡沫很大。
AI搞創(chuàng)作創(chuàng)新是不行的，但在很多工程應(yīng)用領(lǐng)域，卻真的能像實體自動化流水線一樣，大規(guī)模高質(zhì)量產(chǎn)出信息產(chǎn)品，比如自動駕駛和機器人控制。但也像流水線一樣，在大致相同的原理和算法上，針對每個行業(yè)的產(chǎn)品，大模型也需要做針對性的調(diào)整和訓(xùn)練，并不能通用。不是什么通用人工智能。目前這個路線，創(chuàng)造像人一樣全功能的AI（其實人也要分專業(yè)學(xué)習(xí)訓(xùn)練）不可能也沒必要的。
對于正常人類，其實都是通過學(xué)習(xí)研究案例，習(xí)題等現(xiàn)有因果數(shù)據(jù)，總結(jié)出相應(yīng)的因果規(guī)律、公式或算法，也就得到了這個計算函數(shù)。而我們做科研，其實也是類似的過程：做實驗，獲得實驗數(shù)據(jù)，總結(jié)其中的規(guī)律、方法和公式，然后在其他類似問題中使用這些公式。
AI大模型的初級原理是一樣的：AI需要一個巨大的數(shù)據(jù)集，也就相當(dāng)于案例。其中包含了大量現(xiàn)成的、經(jīng)過人類確認(rèn)為正確的“輸入——輸出”對應(yīng)的因果數(shù)據(jù)。然后通過神經(jīng)網(wǎng)絡(luò)之類的算法模型，對這些“輸入——輸出”關(guān)系進(jìn)行統(tǒng)計和擬合，獲得兩者之間的對應(yīng)規(guī)律，也就是函數(shù)算法本身。與人類不一樣的是，AI不會去逐條分析推理因果之間的邏輯性，而只是在統(tǒng)計概率上獲取其相關(guān)性，也就是所謂“統(tǒng)計規(guī)律”而非“邏輯規(guī)律”。（但嚴(yán)格來說，學(xué)術(shù)上一般認(rèn)為統(tǒng)計概率的關(guān)系只能認(rèn)為是相關(guān)性，而非因果性，統(tǒng)計方法接近于歸納法而非演繹法）與人類的另一個不同是，AI是通過一個（組）具有海量參數(shù)的龐大擬合函數(shù)來表達(dá)這個統(tǒng)計規(guī)律，而不是人類那樣總結(jié)為一堆規(guī)律、定理、方法等等復(fù)雜的規(guī)則體系（這種規(guī)則體系被稱為專家系統(tǒng)）。而這個根據(jù)數(shù)據(jù)集獲得海量參數(shù)的具體數(shù)值的擬合過程，被稱為訓(xùn)練。不同的數(shù)據(jù)集會訓(xùn)練出不同的參數(shù)，對應(yīng)不同的統(tǒng)計規(guī)律和輸入輸出效果。這樣的優(yōu)點是，AI不需要逐個弄清數(shù)據(jù)集內(nèi)的真實準(zhǔn)確的因果關(guān)系，所以效率很高，就像暴力破解一樣，只要結(jié)果有足夠高的準(zhǔn)確率，就能夠拿來使用。但缺點就是，統(tǒng)計概率得到的擬合函數(shù)，只是個輸入——輸出的黑箱，無法詳細(xì)解釋其內(nèi)在邏輯，因而其準(zhǔn)確性終究達(dá)不到百分之百，也缺乏充分的可靠性。通過統(tǒng)計概率獲得數(shù)據(jù)中的統(tǒng)計規(guī)律，而非邏輯因果規(guī)律，這就是目前的AI大模型的核心算法。
小溪暢流
