主题：如果要走向强人工智能，openai的路线根本就是错的 -- 亮子

而是觉得目前堆重复计算，天量的计算规模是一种征兆，这条路到头了，这一波AI高潮要落幕了。

下一次或许起源一个从加法跃迁到乘法的小高斯时刻，往符号学派回归吸取养分。

地下停车场多停几辆氢能源汽车，储氢没做好稍微有点火星那就不是什么起火自燃的问题了。问题人类现在就是对氢原子束手无策，那玩意穿过分子间隙跟玩似的，谁要能解决这个问题，高低得拿几个诺贝尔奖。

日本人当初把氢能源好吃的肉全都注册上专利，最难啃的骨头比如储氢和安全等着冤大头来买单😄。这么无赖的吃法当然中美欧都不带他玩

拼写不保证对，已经开始向——知道为什么这么做，还要知道为什么这么做就能得出还算满意的结果——方向进化了。

我以上说的是不是对，我不知道，还得向您请教。

大家都说阿法狗是“深度学习算法”。。

我们也都信了

在这个浑浊的世界里，这说法或当不得真

项立刚揭露了台积电的芯片骗局

我看阿法狗也有可能不是深度学习算法而是穷举算法。

延伸到自动驾驶，基于高精地图的自动驾驶，那也是“穷举算法”，穷举的确有用，能赢柯洁，但是不令人震撼，不跨越式，不划时代……

不就是用十的六次方个排列组合试出我的银行卡密码嘛，虽然厉害，但是也low，low并厉害着😅😅😅

叫Explainable AI，这样就可以避免你说的：

这家走的就是这个路线：https://www.anthropic.com/，最近也挺热的。

远离系统约束边界的时候，系统对事物起到支持作用，事物可以按指数增长。接近系统约束边界时，系统对事物起到抑制作用，事物增长速度转为对数。宏观物体运动速度超不过光速，也是一个原理。

神经网络用一种看起来很简单机械的方式，实现了求解复杂问题的非常好的效果。这种实践突破了以往人们对“可计算性”的理解。背后的数学基础，在我看来至少是抽象代数级别的。

前几天看到的，现在忘了😂，至少不是空白。

就是人工神经网络，模仿生物的神经网络。这可是经过几亿/几十亿年才演化出来的系统，很坚实的基础。

看到老兄提到人脑，我再啰嗦一句，现在深度学习里的人工神经网络<不等于、也并不是模拟>现在人们认识的动物的脑。如果你看一个比较严肃的介绍【例如Goodfellow2016】，一般作者会表述为，人工神经网络是受人脑的工作机制启发而来。几十年前，当时人们对人脑以及动物脑的认知有限，认为人工神经网络是在模仿人脑。但近几十年，人们对人脑的工作机制有了新的更深入的认识，但人工神经网络并没有“与时俱进”😄去模仿这个人脑工作的新知识。这儿需要加一句，这个“没有去模仿”并没有简单、绝对的好坏对错。

当然作为普通人，并没有必要知道细节，就像我坐飞机，我并不知道飞机到底是怎么飞起来的；虽然我不知道飞机是不是模拟鸟儿飞，但我说人类看到鸟儿飞几万年了、飞机还能复杂到哪儿去，哪个航空公司也不能把我从飞机上赶下去。

是模仿生物的神经元及突触形成的神经网络。也就是1）模仿基本单元 2）模仿基本结构。其实我们并不完全知道动物的大脑是如何工作的，所以实际上也无法完全模仿。也因为这个原因，光靠模仿基本单元和结构，并没有取得很好的成果，人工神经网络很长时间都没有啥进展，相关论文少得可怜。加拿大的Geoffrey E. Hinton，可以说是深度学习之父，后来他提出的反向传播算法，是训练神经网络的基础。连他的导师都认为他的研究毫无前途。后来他转到多伦多大学，至少坐了10多年的冷板凳。直到2012年他的实验室在图像识别大赛一举夺魁，超越其他方法，人工神经网络才又成为热门。

神经网络基本的结构是模仿动物的“信息处理结构”，但运行于上面的“软件”，有些相同，有些是不同的，甚至可能非常不同，比如人类具有的少量样本学习能力，神经网络没有；人类的理解规则，并推理的能力，神经网络没有。

但是这个基本结构也是非常优秀的，可以作为坚实的基础。

不也不是搞AI算法本身。直觉无论谁家（你说这家是aws）出的，都是同一代理论水平，工程上和数据源的差异而已。

另外一个感觉，现在大模型已经把ai搞成一个贵族运动，昂贵的贵，换句话说参与的门槛越来越高，小圈子游戏，也就很难有创新，这波浪潮快到顶结束了，而不是很多人期望的AI大杀四方，取代人类。

我知道有这个概念，还从图书馆借过一本好像是一个德国人写的书。感觉目前来说，这更多体现了人民群众的良好愿望，而不是现实。我看到的在工业里使用的还是各种很成熟网络模型。

氢能源产业当初是跟进，氢燃料电池一直有研究，西川某企业有过大新闻。