Transcription
嘿，希望你一切都好。我是 James，来自 INT INTP 到 INTP。欢迎回来。嗯，我刚才有个想法，嗯，一个要点，或者说我之前的一个想法，我觉得我会喜欢这个视频，而且我认为总的来说，我的视频都有这种感觉，就像直播一样。所以这里发生什么就发生什么。嗯，而且我也嗯，我上一个视频发布的内容，与我一直在思考的关于什么能激发我的创作和生产力有很多联系。嗯，这只是一个提醒，如果你去看关于 INTP 的旧视频，我的个性，这与此非常相关。嗯，我很高兴我在上一个视频里说了我想说的话。它让我卸下了很多包袱，而我目前对什么能让我自由创作的理解，用 MBTI 的术语来说就是 ne，也就是释放对结果将是什么、我将去向何方的所有期望，而是专注于当下的能量。嗯，几乎就像，几乎就像，嗯，几乎就像，嗯，它很像农耕。它很像农耕。只需给植物浇水。嗯，但它就是，只需给植物浇水，然后，如果我专注于过程，事物就会自然而然地出现。我实际上不必创造它们。环境会创造它们。但这实际上比农耕更具能量。呃，它就像一次谈话，或者就像头脑风暴。这实际上是一个更好的类比。在两个人之间的对话中，可以发现事物，可以实现事物，可以创造出双方在开始交谈之前都不知道的想法。而我 thrives 的正是这种环境，我希望在自己的生活中保持和维护这种环境。去创造我生活中需要创造的东西。嗯，这就是我渴望的。我渴望自由的环境，渴望自由和玩耍。在这种自由和玩耍以及大量的思考和行动中，事物被发现，事物出现，而否则就不会出现。所以，我对此感到兴奋。嗯，我有一个非常棒的话题想和大家分享。标题是：人工智能神经网络是人类直觉。这是我长期以来一直在思考的一个想法。我想自从 ChatGPT 3.5 发布以来。嗯，我一直喜欢对事物有直观的理解，而且我一直对神经网络非常着迷，嗯，几乎就像人类如何思考，我们思考时在做什么。我认为人工智能实际上给了我们一个视角来理解我们所做的事情。我认为很多，我的意思是，它就在名字里，神经网络。嗯，我们一直在尝试用神经网络做的事情，是沿着这个思路，嗯，以我们的大脑为类比，看看我们如何从我们的大脑中学习，如何训练计算机学习。嗯，我认为这里有很多我们可以谈论的。嗯，我很想和你一起探讨一下。所以，嗯，我在这里写了一些笔记，我会分享给你。我会把它放在描述里，我们可以一起深入探讨。让我们看看。我们怎么做呢？是的，就这样做吧。所以，标题是：人工智能神经网络是人类直觉。我今天想谈论的大致内容是这些话题。我们创造了什么？就像，你知道的，随着这些人工智能工具的出现，我说了什么？我认为我们创造了什么？然后我所说的直觉是什么？然后我想把它与 MBTI 的外向直觉联系起来。外向直觉。呃，因为我看到了很多联系。然后是一些要点，一些实际的、实际的方法，我认为，嗯，这些发展真的向我们展示了关于，嗯，我们自己的思想，也可能关于现实的本质。一些类似的东西，我想今天就讲这些。所以，是的，让我们从那里开始。嗯，我之所以想制作这个视频，一个很大的原因是因为，嗯，我认为，实际上我认为神经网络的核心概念非常简单。非常简单。但是，嗯，神经网络已经存在了很长时间。但是，嗯，人们现在创造的内容是他们教授训练机制和算法，比如反向传播，来创建这些神经网络，因为那些是最近的突破。神经网络作为一个概念已经存在了很长时间，而最近最大的变化是关于如何更具成本效益地训练它们。但我认为，实际上神经网络的核心概念要简单得多，而且它有很多东西可以教给我们，所以我很想谈谈这个。嗯，那么我说的“人工智能是人类直觉”是什么意思呢？嗯，我想先稍微回顾一下人工智能的历史。嗯，所以概念上，我们可以思考人工智能历史的一种方式是，嗯，如果你曾经，也许你听说过这本书。好的。所以，是的，我们将遵循笔记。所以，人们尝试过的最早的人工智能之一是，或者你知道，在 20 世纪 80 年代和 90 年代，我们创建了一个叫做 Psych 的系统，它是基于规则的。嗯，它只是一个，它使用了一个庞大的数据库，里面包含人类理解的所有事实，他们只是放了成千上万的事实，并利用这些规则创建了一个系统，该系统可以逻辑地连接这些规则。呃，让我给你展示一下，逻辑地连接这些规则，然后使用逻辑，使用一系列逻辑步骤，它会尝试回答被问到的问题，比如马库斯是否恨凯撒？嗯，你知道，马库斯是谁？凯撒是谁？他们的关系是什么？历史上发生了什么？历史上发生的事情是否意味着他恨他？你知道，它会尝试构建这个逻辑论证来回答。这里发生的问题是，无论他们放了多少规则，结果总是“不够”。这东西非常脆弱。如果规则不存在，它就无法从头走到尾。嗯，所以这是一个线索，一个暗示，基于规则做事不够灵活，一定有什么更深层的东西是人类在做的，对吧？所以，我想在这里做一个联系，那就是丹尼尔·卡尼曼的《思考，快与慢》这本书。他谈到了这个想法，我认为这个想法是一个很好的视角，我们可以用它来思考。好吧，规则不起作用了。人类在思考和 navigating 世界时到底在做什么？嗯，我可以将规则基于系统二联系起来，在这个系统中。所以，这里有一张图，谈论丹尼尔·卡尼曼书中的系统一和系统二。系统一是这些反射反应。嗯，而系统二是需要更长的时间，它更短，而且是你在反思后发生的事情。为了我们这次讨论的目的，我添加了一些我自己的标签来谈论系统一和系统二。系统一，系统二，系统二实际上是人们一直在尝试训练他们的人工智能所使用的，我称之为共识现实，这是形式模型和逻辑。嗯，我称之为共识现实，因为这实际上是传统商业人士所生活的世界。嗯，所以我使用共识系统二现实。你可以想象这张图，比如，我认为这个，我认为这个。好吧，我认为这是我们的现实，然后我们握手。我们握手。嗯，这里是共识现实的另一个例子。如何划分城市？嗯，使用逻辑、讨论和正式协议。这就是我们得出的结论。而训练人工智能的最初尝试认为，嗯，这就像人类所做事情的基础，实际上，如果你，还有很多其他的平行世界也假设了同样的事情。嗯，如果你 ever 看过哥德尔不完备定理，它就像是对数学的反应或发现的不一致。就像当时他们认为，哦，如果我们只是使用，如果我们只是继续使用逻辑，我们可以证明数学是健全和理性的。嗯，但哥德尔和完备主义者意识到，不，实际上有一个更根本的层次。而在人工智能中，情况也是如此，我们发现，哦，如果我们只是给它足够的规则，它就能思考一切，它就能思考并回答所有问题，对吧？但人们意识到，不，实际上规则是不够的，还有其他事情在发生。而我认为，嗯，让我们先谈谈那个“其他事情”是什么。嗯，根据《思考，快与慢》这本书，那就是系统一。而我称之为直觉。这是一种快速、松散的，就像对一切的感觉。连贯性，认知启发式。嗯，我认为这里真正被接受的系统一的概念是整体主义。嗯，系统二是共识现实。是基于规则的，而整体主义，而整体主义我将其与这个词联系起来，我们可以称之为直觉，直觉。嗯，那么什么是直觉呢？嗯，让我们先用这个定义来获得第一个想法，那就是无需有意识推理就能立即理解某事的能力。而我的意思是，第一个例子，你看到我，你立刻就将很多事情与我联系起来，比如，“哦，哦，他是，我是亚洲人。”嗯，我的意思是，这里还有另一个例子，比如我正在对着麦克风说话，你可能会立即假设我正坐在电脑前，而我确实是。你可能会假设我正坐在椅子上的桌子旁，但你怎么知道这些呢？嗯，你假设了，看，你有一个，你有一个即时的假设，仅仅因为根据你生活中收集到的其他例子，这在逻辑上是说得通的。我正坐着，但你没看到椅子。你没看到我的腿。所以，你怎么知道？嗯，你直觉到了。嗯，我这里有一些关于直觉及其含义的例子。嗯，是的。这里还有另一个例子，与我刚才所说的非常相似。这个人，嗯，他在做什么？嗯，他在打字。嗯，这里有一个问题。这里有一个问题，我们发现当我们训练人工智能时，这个问题并不那么明显。这个男人有几根手指？嗯，如果你数一下，我数了四根。所以，他有四根手指吗？嗯，不。你的直觉会自动说，“嗯，那可能不对。”根据你见过的人和你见过的不同角度，哦，他后面有拇指，但这并不是一张照片。所以，你怎么知道？他另一只手后面也有拇指，对吧？还有两个，对吧？他在看什么？嗯，你假设那是一台电脑，尽管你没看到电脑的主体。嗯，如果我问你，屏幕开着吗？嗯，你假设屏幕是开着的，但你怎么知道？同样，这些都是图像中不存在的东西。那么它们在哪里呢？嗯，这就是我们可以将其视为直觉的这个想法的 the branching network。他正坐在椅子上，对吧？这里还有另一个例子。嗯，这里有一个笑话，科比·布莱恩特对记者开的玩笑。哦，他去哪儿了？然后他探出头来，然后你可能会自己笑。但你看，整个这个步骤序列，是基于我们不断期望向前，预测向前的理解。而科比·布莱恩特知道我们在这样做。所以他所做的动作就是直觉的一个例子。嗯，所以通过这些例子，我在这里给出了一个我写下的关于直觉是什么的定义。它是观察之间的整体关系。所以，你知道，当你看到这个男人坐着时，你几乎没有注意到这个男人坐着。你将其与你生活中所有的其他例子联系起来。嗯，你假设这个男人只是另一个例子。然后有一个持续的预测引擎。这是你对现实的感觉。所以，嗯，这就是科比·布莱恩特的例子。就像你期望当这个人走到柱子后面时，他们会从另一边出来，因为事情就是这样发生的。你在预测会发生这种情况。这里还有另一个关于预测的例子。这张桌子是用什么做的？你已经有了一种感觉，那个词是什么，虽然是无意识的，但可能是书。抱歉，木头。嗯，但这也是一种关于直觉的，持续的预测引擎的想法。你对现实的感觉。嗯，我与此联系的另一件事是，这种预测和事物之间的整体联系起初非常简单，但那些你称之为有直觉的人是那些信任这种预测方式并与各种事物联系起来的人，以及所有各种概念，比如未来，比如啊，这就是过去发生的事情。这些都是我看到的所有关系。所以未来可能会是这样。或者你可能会将人们通常不联系的概念联系起来，比如爱因斯坦将旅行的光与旅行的火车联系起来。我经常有这样的事情，我会看到一个人的脸，然后我经常会说，“哦，这个人让我想起了一个名人。”而其他人会说，“你在说什么？”嗯，这是因为我注意到了他们身上的一些特质，这些特质我与某个人联系起来了。对吧？所以，我看到的普遍概念是，神经网络从这种形式的基于规则的世界转移到了这个整体主义的想法。整体大于部分之和。整体包含无法通过分析部分来发现的属性。这就是神经网络的谈论方式，它们看起来像这样。它们看到了规则世界未能涵盖的其他东西，并且在这些理解方式中有所暗示，我们无意识地填补了空白。嗯，所以是的，我谈到了直觉，现在我想谈谈，你知道，神经网络与这些之前的基于规则的系统有什么不同。嗯，基础思想是整体主义。而不是追踪直接观察，你将所有内容结合到一个概率整体的网络中。所以，这就是神经网络的样子。输入可以是，你知道，不同的，不同的，嗯，图像的区域。当你训练神经网络时，你就是，嗯，将一切联系起来。随着它吸收越来越多的例子，它开始将不同的观察结果聚集到网络中更集中的区域。它开始建立联系。所以，这是一个例子。再次，这很有趣，人类自动做的事情。你可以自动告诉这是什么。但例如，你可以猜测这位女士有腿。但没有腿。你怎么知道的？嗯，无论如何，这就是神经网络可以检测到这是什么的一种方式。嗯，它已经学会了，嗯，这些更普遍的想法相互关联。并且基于，嗯，所有这些的综合理解，它将概率性地得出结论，我们在这里看到的是一个人。嗯，所以我首先谈到了，我首先谈到了用逻辑来解释世界的尝试，而那失败了。所以我们反思了直觉的想法，我谈到了直觉是什么，现在我们谈到了神经网络与之前的系统有什么不同。嗯，而这创造了其他东西。现在，如果世界是以这种数学的、概率的方式学习的，那么这就允许了，如果你想到这个神经网络所覆盖的空间，比如如果你说，你知道，你知道有一个范围，你可以把这些第一个节点看作一个维度。所以我们有一个三维网络。如果我们考虑所有可能的输入，你就可以创建一个所谓的潜在空间。潜在意味着隐藏的或未见的。所以每一个看起来像这个区域的输入都会看起来像一只猫，然后你给它打标签。而看起来像这个区域的每一个输入都会看起来像一只狗。然而，中间的每一个输入也是可能的。这就是你创造的空间。这是一个概率整体。而且，你也可以选择这个节点，这个空间，也就是猫和狗之间的空间。人们实际上已经输入到网络中。然后你会得到这样的结果。而这是一个无法用基于规则的人工智能创造出来的东西的例子。这更灵活。这是一种概率性的、直观的理解事物的方式。嗯，我现在真正想指出的是，我发现这多么令人着迷。嗯，我觉得我们通过 GPT 和神经网络取得的进步，向我们揭示了，嗯，人类如何理解世界，越来越复杂。我们来自一个时代，大约是 20 世纪 50 年代到 70 年代，当时我们认为人类是理性的、逻辑的，这就是我们如何通过公认的规则来 navigate 一切，就像我们共享一个现实。但通过许多不同的途径，其中之一就是人工智能训练，我们发现有一个更根本的层次，它是非理性的。嗯，但我的意思是，非理性是指，它不使用规则。它使用经验，并且，嗯，它根据你的经验进行调整，然后不断地投射到未来，基于你的经验，嗯，来理解最有可能发生的事情，并直觉到世界上正在发生的事情。嗯，嗯，另一个例子。好的。嗯，不，实际上我要把例子移到后面，然后我将进入下一个话题，我想将这个直觉层与心灵，与 MBTI 联系起来，或者荣格的功能，外向直觉。外向直觉，作为我自己是一个 INTP，是我的第二功能。用一句话来说，嗯，它有很多东西，但让我看看，它是一种玩耍和探索的感觉，以及概念和观察之间不明显的外部联系。就像，我的手臂连接到我的肩膀，对吧？嗯，但是，例如，一个直觉者，一个外向直觉者，肩膀和肩膀之间的联系是，人类的肩膀也像猪肩，对吧？嗯，就像这样的联系。现在，首先我想谈谈外向直觉是什么。嗯，呃，外向直觉。哦，实际上，我的意思是，我刚才确实谈到了它，但让我们使用这个，让我们使用这个定义。解释情况和关系，并拾取意义和与其他概念、背景的联系，这，这实际上很棒。而我喜欢用来描述外向直觉的一个意象是，我们可以把这个拼图的完整部分看作是收集到的世界数据点。这些是，这些都是你的经验。然后外向直觉意识到空白。我将好奇心定义为，嗯，就像那些不那么有直觉的人，他们认为好奇心是漫无目的的，对吧？然而，这张图真的向我展示了好奇心是非常智能的，因为外向直觉意识到那些会直接连接，嗯，大脑的两个不同区域或生活中的两个不同经验的空白。例如。所以，这就是我在笔记中写下的。好奇心是什么？知道这个区域没有被充分探索，并且对模型很重要。当我说的模型时，我的意思是，对于你理解的一切的地图。所以，这就是我今天想谈的概念。嗯，是的，我真正想指出的是，是那个我们发现的转变，以及一种理解，即人类所做的事情有更根本的东西。我们曾经认为我们可以只使用逻辑和规则，但我们发现的是，人类实际上在做一些，嗯，更复杂和不确定的事情。在某种程度上，它是整体的，是概率性的，是分布式的。例如，当我，当你看到这个，当你看到这个人坐着时，你无法零样本，你无法第一次就理解这里发生了什么，你必须生活在这个世界上，经历过现实才能理解这张图。嗯，这就是在，嗯，随着我们训练越来越多的人工智能，以及然后，然后我将其与 MBTI 的外向直觉联系起来，它也具有这种整体的、分布式的现实理解，将一切与一切联系起来。而外向直觉者所做的是，他们看到了联系中的空白，并试图填补它们。而这就是好奇心。所以，我想进入一些要点。嗯，外向直觉者，其他的 NP 们。嗯，这揭示了什么？嗯，它揭示了，嗯，训练人工智能向我们揭示了，嗯，你不需要在生活中那么有条理。嗯，人工智能也展示了，嗯，你提供的数据越多，你探索的领域越多，这就是我们训练神经网络的方式，这些神经网络就越准确。所以，嗯，你可以真正拥抱你的全部天性，去探索、阅读和学习任何有趣的东西，因为有趣意味着它在一个未被充分开发的直觉潜在空间区域，而你填补的那个潜在空间为你提供了下一步要看的地方以及你正在构建的整体图景。这里有一些例子。学习开车。啊，所以这向我揭示了，嗯，很多我们认为是技能的东西，也许是逻辑技能，实际上是直觉的、直观的技能。例如，学习，在我看来，学习，你知道，在美国，你有一个学习者驾照，半年或一年，然后你就可以拿到驾照。嗯，学习者驾照需要通过一次笔试和一次驾驶考试，就这样。但实际上，在开车方面感到舒适，直到我不会发生任何事故。这花了，这花了几年时间。我认为至少花了两年。所以，这是一个例子，说明有些东西不是通过逻辑或规则学习的，而是通过经验和直觉学习的。语言是另一件事，我很快会详细讲。嗯，学习新事物。所以，如果我们把你的大脑和你的直觉大脑比作一个神经网络，那么它就向我们解释了什么是怀疑。怀疑仅仅是，嗯，意识到你当前的神经网络，你当前的训练经验不适用于这个新技能、新数据集的经验。所以你可以接受它，你可以简单地拥抱它，并理解你需要建立一套新的神经元来在这个领域创造确定性。现在来谈谈语言。实际上，嗯，我一直对学习语言的过程很着迷，而训练人工智能，我认为，嗯，它向我们展示了很多关于学习语言是什么样的。嗯，我发现一个非常有趣的人是斯蒂芬，一个叫斯蒂芬·克拉申的人，他非常倡导这种可理解的输入，这意味着专注于输入，听和读，我们获得流利，不是通过练习说话，而是通过听和读来理解输入。嗯，我认为我们在人工智能方面的发现支持了这一点。嗯，你知道，我们以前认为学习语言的方式是基于逻辑的，比如如果你死记硬背语法规则，并且理解如何构建句子，那么你就会学会说这种语言。但你看，那就像，那相当于这个新思维方式中的基于逻辑的人工智能。嗯，神经网络向我们展示了学习语言的方式，就像学习任何东西一样，你将大脑暴露在成千上万的例子中，然后允许它整体地发现并调整到输入材料固有的分布式关系。嗯，这里有一个人工智能想法的例子，它真正体现了这一点。这是 word2vec，这是一个，嗯，他们所做的是，他们将维基百科输入到一个算法中，这个算法不寻求正式理解任何东西。它只是将单词映射到相似性云，上下文相似性。所以，例如，如果像 James 这个词出现的场合，另一个名字经常出现，比如 Michael。所以，如果我说，所以，然后基于这些词在这个网络中，在这个空间中有多近，你可以说，基本上它们在上下文中是非常相似的词。所以 James 非常接近 Francis 和所有其他名字。所以你真的，嗯，在训练这个网络时，他们发现所有这些词都靠得很近。嗯，让我们随便选一个。嗯，数据库，我猜数据库最常与计算机相关。好的，所以网络数据库目录文件 com 互联网。嗯，当我第一次看到这个时，它真的向我揭示了，这是人类理解语言和词语的一个更好的模型。嗯，我们实际上并不直接、逻辑地理解词语。相反，我们从相对差异的角度来理解词语，比如大、更大、最大、巨大、庞大，对吧？每个词语本身并没有太大意义，除非与其他词语相比。嗯，所以，我的意思是，我的意思是，我在这里的意思是什么？嗯，我正在建立人工智能的进步与人们过去教授的语言学习方法，或者斯蒂芬·克拉申等人倡导的以输入为重点的方法之间的联系。嗯，那么这对于人类思维有什么启示呢？这表明直觉的，一种直觉的现实感比逻辑和规则、情感和意义更根本。所以，当人们说“听从你的直觉”时，你现在可以理解，你的直觉并非凭空而来。就像神经网络已经表明它可以知道很多它没有直接训练过的事情一样。你的直觉比你自己更了解你和你的现实。嗯，它会知道得更快，而且它无法告诉你原因，因为你看，原因就是系统二。原因就是逻辑和规则，而你真正的原因只是，嗯，基于你的经验的整体。这就是从你的直觉中出来的。嗯，正如我与语言和其他学习事物所谈论的，这表明学习比传统上认为的要更根本。这比传统上认为的关于现实的意义要多得多。现实本身是我们随身携带的一个训练模型。嗯，所以我觉得神经网络向我们展示了，理解现实的唯一方法是通过你自己的训练经验和你的直觉。这里有一个例子。无家可归的人在离开街头时会感到非常奇怪。比如，假设他们在街头生活了 30 年。当你把他们带走时，他们的大脑中会有所有这些训练过的，所有这些训练过的节点，它们与新环境不符。所以他们会感到，嗯，就像他们不再处于现实中。他们会感到超现实。这会感觉超现实。嗯，嗯，这里有一个我可以做出的联系。我们通过 GPT 发现，当我们增加数据集中的 token 数量时，也就是你训练的数据，损失会随着时间的推移而下降，并且当我们扩展网络中的参数数量时，损失也会下降。损失意味着错误，比如它变得越来越准确，你添加的数据越多。所以，我认为对于所有类型的人来说，仅仅拥有更多输入就会让你随着时间的推移越来越准确。嗯，当然也有一些，然而，我曾想过，有些人不会相信那些生活在，生活在并信任共识现实中的人。这些类型的人。但即使如此，我们发现的更根本的真相是，现实本质上是体验性的，本质上是基于经验和直觉的。所以，即使你不相信它，它仍然是真的，随着你接触更多的数据，你会随着时间的推移变得越来越准确，这再次支持了基于输入的语言学习方式，对吧？嗯，哦，这里是潜在空间的另一个视觉例子。嗯，很有趣的是，我们有这种直观的感觉，哦，这张图，第四张图更像第一张图，但随着我们向右移动，它变得更像最后一张图。而这种直觉的感觉给了我们这种理解，嗯，现实和世界就是这样的光谱集合。嗯，一切都关乎相似性和差异性，而不是形式定义。就像如果你从左上角到右下角，你会看到，嗯，你有一种感觉，事物变得越来越像某样东西。那么，那是什么呢？嗯，你可以尝试定义它，但说它们更相似或更不同可能更准确。而这就是直觉。嗯，啊，让我们跟着走吧。是的。所以还有更多我可以与之联系的，我很想在另一期视频中谈谈。我着迷的一个想法是，我想了解更多的是涌现，这是系统思维中的一个概念，我认为它涵盖了许多，我认为这个想法实际上涵盖了，嗯，我们现在生活的这个世界最重要的方面，去中心化，全球化。这就是我们生活的世界。德里达的差异概念。我认为这很有趣。这是一个关于意义是如何通过语言中的差异和延宕的相互作用来构建的概念，暗示意义不是固有的，而是源于符号之间不断变化的、永不完全存在的关系。我认为这很有趣，因为这正是我们在刚才关于人工智能的谈话中所发现的。我们曾经认为我们可以直接定义事物，这就是我们理解世界的方式。但不是，我们实际上发现世界是通过差异来理解的，而不是直接定义。而最后一个我可以联系的话题是，嗯，我会在描述中放一个链接，关于我最近看到的数学视频，人们用范畴论发现了同样的事情。范畴论发现，数学中的每一个概念都可以简单地通过它与其他概念的关系来描述，或者简单地通过它与其他概念的关系来描述，这足以描述一切。你不需要直接定义任何概念，这很有趣，这再次是，嗯，这是涵盖我今天所谈论的一切的根本概念。我会放一些我在准备这个视频时收集的其他例子。这是，嗯，手写数字的潜在空间。实际上还有一个二维空间的例子。就像所有这些灰色的都是七。而这些是一。这里是九。这里是六。这里是二零。而我们这里有一个神经网络，基于手写数字训练的，用于识别数字。你知道，如果我写，就像我写七一样，它几乎可以立即告诉我它将是七。但如果我写得有点像这样，它就开始改变主意。哦，它可能是三，对吧？所以，嗯，这是一个关于数字是什么的整体分布式理解的例子，什么是七？嗯，我，我可以，对我来说更容易告诉你七不是什么。这有点像这个神经网络告诉我们的。这里仔细看看。你可以看到，嗯，没有形式主义。没有规则。它是分布式的。嗯，正如我所说，当，哦，那不是我以为的森林应该看起来的样子。更容易，更容易告诉我，当一个，什么东西不是什么，而不是它是什么。我还有其他例子想给你看吗？嗯，不，但我确实想，我只想谈谈将其与我自己的生活联系起来。嗯，这与我，与我拥抱外向直觉有关，这是我在 MBTI 中的第二功能。嗯，现在我明白了，我不必正式遵循任何系统或规则。嗯，并且存在一个涌现属性，当我在神经网络中训练时发生，或者我可以称之为我的，我的思维。嗯，我可以在不同的信息形式，不同的数据形式上训练它，潜在空间会自行发展，向我展示下一个，嗯，未被充分训练的领域，我可以接下来学习，我认为，嗯，我将其与人类的，嗯，人类的好奇心概念联系起来，因此，所有这些书籍，我没有正式的理由想读这些书。我正在跟随我的好奇心，我的理解是，就像智能在神经网络中涌现一样，嗯，理解和智慧以及联系也会随着我吸收所有这些书籍而涌现。嗯，我认为这种自然的，分支、扩展和联系的涌现是我们当前，嗯，前沿思想、文化和社会的一个非常典型的方面，我对此感到非常兴奋，因为作为一个 INTP，这是，嗯，我最大的，嗯，最突出的才能之一。我目前也正在用这个想法来学习韩语。而且我越理解这一点，我就越明白，我用韩语学到的任何东西，以及我发现的任何有趣的东西，都将有助于我澄清整个空间。即使我学到一个罕见的词，我理解这是一个罕见的词的事实，也将帮助我更好地理解最常见的词是什么。例如，顺便说一句，这是关于 word2vec 是如何训练的。嗯，就像，当发现相似的词语并将它们放在一起时，然后将与这些词语最不相似的词语推开，这就是这个整体的云是如何构建的。让我们快速检查一下。让我们快速猜测一下。嗯，因为这是在互联网数据上训练的，我猜是 compact。我猜是 disk 是这里的词之一。是的。Discs 是第二个。所以你可以想想，当你做出这样的猜测和直觉联系时，你实际上是在做我们用神经网络和我们正在构建的概率分布所重现的事情。嗯，所以这是我今天想涵盖的那个概念，那个大局概念。嗯，我将回到我最初的说法，即人工智能神经网络是人类直觉，这就是我们用神经网络创造的，以及，嗯，未来或者，嗯，后续的想法，比如，嗯，像 transformer，它只是存储了更多不同类型的上下文，在词语和句子之间，以及时间空间，比如，嗯，文本中相距很远的事物，但连接仍然被保留，像 transformer 这样的模型，但想法仍然是一样的，那就是放弃直接定义任何东西，而只是根据它们的上下文相似性和差异性来描述事物，并整体计算整个事物，并概率性地猜测接下来会发生什么。这就是我们发现的，这是解释人类如何思考和理解现实的最根本和最有效的方式。现在，话虽如此，这也并不意味着系统二，系统二在这里是毫无意义的。系统二是人类的意义所在。它是，嗯，人类如何理解如何相互互动。所以，嗯，我也会提出这个想法，我看到的另一件事是，我们现在似乎更多地进入了系统一。但我认为在不久的将来，我们将进入并增加一些系统二，以便人们也能在这个直观的世界中感受到人性。顺便说一句，系统二也是人们在 GPT 取得如此重大突破后试图构建的，他们增加了推理，比如思考的模型，这正是系统二在这里描述的。还有什么吗？我只想总结一下，人工智能确实让我，嗯，让我确信我的道路本身就很有价值。作为一个 INTP，作为一个直觉者，我真的不喜欢考虑共识现实和既定的前进方式。我想跟随我的好奇心，只是在所有有趣的方向上收集数据。在很多方面，我觉得我对世界的处理方式很像，嗯，人工智能训练自身的方式，或者我们训练人工智能的方式。嗯，话虽如此，是的。所以，我将链接这篇视频中引用的参考视频。嗯，我只想分享一下我研究的方向，嗯，这是我还在读的一本书，因为它相当密集，但它确实谈到了这个，它解构了我们生活的共识现实，然后，嗯，我想进入系统思维，我最近重新看了 Leo Gura 关于德里达和佛教的解构主义视频。我认为所有这些都是相互关联的，因为它们解构了共识现实，而这对于揭示我们所生活的更根本的直觉真理一直是必要的。或者我们作为人类如何推理世界。还有很多其他的联系我可以做。我会说，我也觉得直觉与这些最新的精神运动，比如吸引力法则有关。嗯，但我们会看看我接下来想谈什么。嗯，因为这，嗯，非常符合我的思维方式。我像神经网络一样思考。一切都在分支，并与其他一切相连。嗯，我只需要决定要谈论哪些分支和哪些节点，哪些不谈。嗯，然而，我希望，嗯，我今天探索的所有这些分支都很有趣，而且，是的，请告诉我，我很想和你谈谈你对刚才探索内容的看法，无论你认为它们是对的还是错的，嗯，或者它们是否有效。嗯，我将继续探索。嗯，但是，是的，我，我非常兴奋，我非常受到鼓舞，并且我非常受到鼓舞，因为我是一个 INTP 在这个世界上，因为我觉得像这样的发现真的重申了我是谁，我想继续追求它，并与你分享我发现的一切。所以，我将在这里停止。我将上传，并期待重看并真正思考我接下来想与你分享的内容。所以，下次再聊。再见。