主题：【原创】我的chatGPT的使用体验 -- Swell

刚才在请教，因为记忆🈶冲突

左边是高斯--克里斯托夫·古德曼--卡尔·赫尔曼·阿曼杜斯·施瓦茨--费耶尔·利波特--约翰·冯·诺伊曼

右边是黎曼，黎曼结构是阿法狗基础

最初，深度学习和强化学习是分开的。

深度学习就是搞一个训练数据集，通过回溯算法把一堆（可能分好几层）参数算出来。如果，提前给训练数据集做了标注，那就是监督学习。

强化学习是另外一条路：首先对问题的搜索空间给予数学定义，然后在搜索空间中通过试错的方式寻找（最）优解，每步迭代时，大概率是采用以前搜索时找到的当前最优解，小概率是在没有搜索过的空间中去碰运气。因为是大概率采用当前最优解，所以叫强化学习，也因此容易掉进局部最优解的陷阱中。

到阿尔法狗的时候，是在强化学习的基础上，用了深度学习。每对局一盘就是强化学习的一次迭代，迭代的目的就是搜索棋盘每个格点的价值。同一个空间点位，有没有旗子算不同的格点

图书馆，当前的互联网，今后的互联网，三个不同的数据集。从前到后，信息量的大小是递增的，信息的干净程度的递减的。假设信息量的值是1,100,10000；信息的干净程度是100，0.1, 10（-4）（我的拍脑袋，大家不必较真）

今天的chatGPT是从图书馆和当前的互联网学习的，那么它获取干净知识的估值是100.1

未来的chatGPT beta是从图书馆和今后的互联网学习的，它获取干净知识的估值是101。基本上，出道即巅峰。

为什么？由它产生的大量虚假知识可能会封闭掉它进化的可能。

另外，chatGPT生成内容与阿拉法狗搜索棋盘格点价值的底层逻辑是不一样的。所以，不应该用阿尔法狗的进化类比chatGPT

老毛听说分子，原子，电子，，，，就说物质无限可细分，然后西方发现了新粒子，

中国报纸大吹，老毛哲学指导出来的结果 ，物质果然还能细分，，，，

chatgpt在英文方面可能比较容易，来源于英文的语义分析相对简单，更深原因在于语音表字往往隐含的信息量很少。所以英文的各类法律文本很厚，在于定语从句多，而运用chatgpt+3段落恰好很容易分析具体表达的意思。但中文是单字多意，极少文字能够表达丰富的内涵，这个和英文不一样。忘了是看谁的帖说，联合国中文的法律文本是最薄的。

在大陆用户不能使用chatgpt前（目前封了入口），浦东和上海市的语义分析还不能达到有效识别文件程度，最多就是较快的定位可能出现问题的地方，但远未到替代的程度。且看吧。

代码质量差，技术缺乏专业性，软件极端落后。最最关键的是那种既不懂又不屑的态度。

比如med pub上的知识，我认为和图书馆知识的干净程度几乎相同，它也是随着时间不断增长的。另外像elsevier等等，基本上可以看成是一个快速增长的在线图书馆。另外，加上各种政府企业文档，软件手册。

稍微差一点的， 我认为可以去主流的门户网站，报纸，杂志，技术上，stack flow， GitHub。

其他的我认为就不用参与训练了。

一般人说的是"互联网根域名服务器", 这东西其实也没啥用. 既不能切断某些国家的域名服务,也可能被局部污染.

互联网不存在什么"总电源开关"之类的东西.

美国的互联网霸权并不是因为这个.

中国亡国了吗？十五六年来还不是一样从胜利走向胜利。

五十步笑百步可以理解，一百步笑五十步的，我就不理解了。

主要原因是

1\ 现在大部分的有效内容产出是英语 ,比例可能在60%-70%左右(具体比例我没有查),尤其是在信息科学技术领域, 几乎都是英语.

2\因为西方世界的互联网巨头几乎都在美国,所有这些英语信息内容也大部分在美国的信息巨头手上.

3\其他语言的内容生产和传播, 在质量和数量上都被远远拉下了.

自动驾驶好像也有类似问题，到底出了事算谁的。