本集简介
双语字幕
仅展示文本字幕，不包含中文音频；想边听边看，请使用 Bayt 播客 App。
相信能听到维生素E第五期的朋友们，对我都是很信任的。
相信能听到维生素E第五期的朋友们，对我都是很信任的。
因为能听一个人叨逼叨那么久，就讲自己那点事儿也挺不容易的。
因为能听一个人叨逼叨那么久，就讲自己那点事儿也挺不容易的。
所以呢，在这一期我想送听到这里的朋友一点东西。
所以呢，在这一期我想送听到这里的朋友一点东西。
这个东西就是我对于AI的理解。
这个东西就是我对于AI的理解。
我认为这是我能送出的最珍贵的东西了，而且我也相信我的理解能帮到大家，尤其是对AI的理解，因为在这个时代，你对AI的理解可能就会成为一个你认知的边界。
我认为这是我能送出的最珍贵的东西了，而且我也相信我的理解能帮到大家，尤其是对AI的理解，因为在这个时代，你对AI的理解可能就会成为一个你认知的边界。
这个边界甚至会可能成为你理解世界的边界。
这个边界甚至会可能成为你理解世界的边界。
大家好，欢迎收听维生素E2.0的第五期。
大家好，欢迎收听维生素E2.0的第五期。
这期的标题呢是“AI”。
这期的标题呢是“AI”。
我之前一直没说这个问题啊，但其实对于 ai 的很多想法我早就形成了。
我之前一直没说这个问题啊，但其实对于 ai 的很多想法我早就形成了。
我也有一套自己的理解，但它当然就只是我的理解啊，和主流的学术圈或者说和很多AI从业者的逻辑是完全不同的。
我也有一套自己的理解，但它当然就只是我的理解啊，和主流的学术圈或者说和很多AI从业者的逻辑是完全不同的。
但维生素2.0本来就是一个自我表达的设置嘛，所以我当然也可以在这里说出这些。
但维生素2.0本来就是一个自我表达的设置嘛，所以我当然也可以在这里说出这些。
虽然这只是我的个人观点，但我相信我的内容可能会对于你理解AI、使用AI有着完全不同的。
虽然这只是我的个人观点，但我相信我的内容可能会对于你理解AI、使用AI有着完全不同的。
视角或者影响。
视角或者影响。
所以正如我的开篇语所说的，这是我能送给各位听众的一个礼物。
所以正如我的开篇语所说的，这是我能送给各位听众的一个礼物。
那为什么要理解AI呢？
那为什么要理解AI呢？
其实这个问题。
其实这个问题。
在2026年，我认为都可能不是一个问题了。
在2026年，我认为都可能不是一个问题了。
我前几期播客里就做了各种关于AI的预言，目前看也在逐步实践中，不管是人形机器人啊，还是编码啊。
我前几期播客里就做了各种关于AI的预言，目前看也在逐步实践中，不管是人形机器人啊，还是编码啊。
呃2026年的2月份世界又有了新的变化对吧？
呃2026年的2月份世界又有了新的变化对吧？
比如说cloud发了新模型，GEMINI也发了新模型啊，像agent skills啊还有像open cloud这些现象级的开源项目的出现其实都说明了未来的趋势，而且这个趋势。
比如说cloud发了新模型，GEMINI也发了新模型啊，像agent skills啊还有像open cloud这些现象级的开源项目的出现其实都说明了未来的趋势，而且这个趋势。
正在加速的，它是越来越快的。
正在加速的，它是越来越快的。
而且你可以看到，中国各大商业公司也在布局各种AI。
而且你可以看到，中国各大商业公司也在布局各种AI。
我很难想象，一年之后AI还没有普及到每一个人身上。
我很难想象，一年之后AI还没有普及到每一个人身上。
那如何用呢？
那如何用呢？
就把AI当成一个搜索引擎或者提问工具嘛，或者就把AI当成各大所谓的商业公司自己想做的一个入口嘛。
就把AI当成一个搜索引擎或者提问工具嘛，或者就把AI当成各大所谓的商业公司自己想做的一个入口嘛。
嗯。
嗯。
如果大家是这么用啊。
如果大家是这么用啊。
你当然也可以，但是我就只能说一句，借用一下海德格尔的话。
你当然也可以，但是我就只能说一句，借用一下海德格尔的话。
你如何理解 ai 你就会如何使用 ai 而你如何使用 ai 决定了你如何存在在现在这个世界上。
你如何理解 ai 你就会如何使用 ai 而你如何使用 ai 决定了你如何存在在现在这个世界上。
这就是为什么我认为这期是我能给出的一个最珍贵的东西，我的一个礼物了。
这就是为什么我认为这期是我能给出的一个最珍贵的东西，我的一个礼物了。
但这一期听起来有点难啊，我希望大家可以跟上我的思路。
但这一期听起来有点难啊，我希望大家可以跟上我的思路。
如果不行的话，很多平台上好像也有那个字幕对吧？
如果不行的话，很多平台上好像也有那个字幕对吧？
也可以看看字幕。
也可以看看字幕。
Ok，那我们就开始了。
Ok，那我们就开始了。
我是如何理解 ai 呢？
我是如何理解 ai 呢？
那我就要说第一个理解。
那我就要说第一个理解。
第一个是什么？
第一个是什么？
目前AI也就是大语言模型，它的哲学基础。
目前AI也就是大语言模型，它的哲学基础。
他的哲学基础是什么呢？
他的哲学基础是什么呢？
其实就是结构主义语言学加复杂系统的涌现效应。
其实就是结构主义语言学加复杂系统的涌现效应。
就是这两个。
就是这两个。
巧的是，我在维生素E好多年前的节目里，我都讲过这个东西啊。
巧的是，我在维生素E好多年前的节目里，我都讲过这个东西啊。
那为什么说是现在的AI是这个基础呢？
那为什么说是现在的AI是这个基础呢？
是因为AI是在不断发展的，在AI发展的历史之中，有过很多其他的路径，但是这些路径后来都失败了。
是因为AI是在不断发展的，在AI发展的历史之中，有过很多其他的路径，但是这些路径后来都失败了。
所以这就涉及到一个人工智能发展史的内容了呀。
所以这就涉及到一个人工智能发展史的内容了呀。
其实人工智能的探索在有了计算机之后，很多人马上就开始了。
其实人工智能的探索在有了计算机之后，很多人马上就开始了。
比如说在20世纪的50年代到80年代那个时代的计算机科学家认为啊。
比如说在20世纪的50年代到80年代那个时代的计算机科学家认为啊。
所谓的人工智能，它的本质应该是逻辑，就是推理。
所谓的人工智能，它的本质应该是逻辑，就是推理。
只要我们能把人类所有的知识、常识、语法，我们总结提取出一套极其严密的if else then的规则。
只要我们能把人类所有的知识、常识、语法，我们总结提取出一套极其严密的if else then的规则。
然后给到计算机，那计算机就能拥有智能。
然后给到计算机，那计算机就能拥有智能。
当然现在有很多程序员他们也是喜欢这么写这个代码的对吧？
当然现在有很多程序员他们也是喜欢这么写这个代码的对吧？
这写if else然后去嵌套，然后嵌套所有的场景，这代码能跑对吧？
这写if else然后去嵌套，然后嵌套所有的场景，这代码能跑对吧？
但是很丑，然后一般人也看不懂。
但是很丑，然后一般人也看不懂。
但是，这就是最开始对于人工智能的探索。
但是，这就是最开始对于人工智能的探索。
那个时候这个探索被称之为叫good old fashioned AI。
那个时候这个探索被称之为叫good old fashioned AI。
G O F A I啊，那很有意思的是，这个东西它也背后有一个哲学基础，这对应着是语言学的另外一位大佬，就是乔姆斯基的生成语法的逻辑。
G O F A I啊，那很有意思的是，这个东西它也背后有一个哲学基础，这对应着是语言学的另外一位大佬，就是乔姆斯基的生成语法的逻辑。
乔姆斯基认为，人之所以能学会语言啊，是因为人有一个语言的鲜艳框架。
乔姆斯基认为，人之所以能学会语言啊，是因为人有一个语言的鲜艳框架。
这个框架就是元语言。
这个框架就是元语言。
而这个原语言在乔姆斯基这里被称之为普遍语法，就是这套语法结构是人人生来自带的。
而这个原语言在乔姆斯基这里被称之为普遍语法，就是这套语法结构是人人生来自带的。
当然这再往前推就是纯笛卡尔主义的逻辑，对吧？
当然这再往前推就是纯笛卡尔主义的逻辑，对吧？
就是我思故我在，而这是思就是在的那个前提啊，或者是思就是在。
就是我思故我在，而这是思就是在的那个前提啊，或者是思就是在。
对此，乔姆斯基还写过一本书，叫做笛卡尔式的语言学，讲的就是这个，他就是讲这个普遍语法，这玩意儿他超脱出了环境，超脱出了种族，超脱出了个人资质，只要是个人啊，只要是个人，他脑子里就自带。
对此，乔姆斯基还写过一本书，叫做笛卡尔式的语言学，讲的就是这个，他就是讲这个普遍语法，这玩意儿他超脱出了环境，超脱出了种族，超脱出了个人资质，只要是个人啊，只要是个人，他脑子里就自带。
乔布斯基一生都在探究这玩意儿，一个他假设存在的玩意儿。
乔布斯基一生都在探究这玩意儿，一个他假设存在的玩意儿。
那回到 ai 领域呢？
那回到 ai 领域呢？
如果按照这个路径往下去走的时候是什么样的呢？
如果按照这个路径往下去走的时候是什么样的呢？
这个逻辑最具浪漫主义的项目叫做C Y C项目。
这个逻辑最具浪漫主义的项目叫做C Y C项目。
是在1984年发起的，当时在计算机领域已经啊初具规模了。
是在1984年发起的，当时在计算机领域已经啊初具规模了。
因为计算机已经可以做到很多事儿了，可以凭借代码进行计算，甚至可以下象棋。
因为计算机已经可以做到很多事儿了，可以凭借代码进行计算，甚至可以下象棋。
但是计算机没有人的常识，对吧？
但是计算机没有人的常识，对吧？
所以就有一个老哥，一个斯坦福大学的原教授，叫道格拉斯·莱莱纳特。
所以就有一个老哥，一个斯坦福大学的原教授，叫道格拉斯·莱莱纳特。
他发起了这个项目，叫做CYC。
他发起了这个项目，叫做CYC。
他认为只要我们能够雇佣足够多的人类的专家，发明一套极其严密的逻辑语言，它叫CYCL啊。
他认为只要我们能够雇佣足够多的人类的专家，发明一套极其严密的逻辑语言，它叫CYCL啊。
那个 l 就是 language 它就可以把所有人类的常识一行一行的敲到这个代码里边，只要写的足够多，那量变引起质变，ai 就能拥有真正的智能。
那个 l 就是 language 它就可以把所有人类的常识一行一行的敲到这个代码里边，只要写的足够多，那量变引起质变，ai 就能拥有真正的智能。
所以你可以想象这个画面。
所以你可以想象这个画面。
嗯，好多顶尖的哲学家、语言学家、科学家、工程师，就坐在德州的一个办公室里，像中世纪的那些修道士一样，抄经书一样啊，试图把这些现实的逻辑翻译成代码。
嗯，好多顶尖的哲学家、语言学家、科学家、工程师，就坐在德州的一个办公室里，像中世纪的那些修道士一样，抄经书一样啊，试图把这些现实的逻辑翻译成代码。
他们想做的就是一个属于数字时代的巴别塔，就是现在语言大模型能做到的事情。
他们想做的就是一个属于数字时代的巴别塔，就是现在语言大模型能做到的事情。
但是在他们真正开始的时候，他们发现了这个东西几乎是不可能的。
但是在他们真正开始的时候，他们发现了这个东西几乎是不可能的。
你会发现这个逻辑没完没了。
你会发现这个逻辑没完没了。
我举个例子，比如说一个常识代码库里它得有这个内容。
我举个例子，比如说一个常识代码库里它得有这个内容。
如果A是一个玻璃杯，且A里面装了水，且A被倒置了，那么水会流出来对吧？
如果A是一个玻璃杯，且A里面装了水，且A被倒置了，那么水会流出来对吧？
这是人类的一个基本的常识。
这是人类的一个基本的常识。
你是杯子里装了水嘛，你就把它一倒，然后水就流出来了。
你是杯子里装了水嘛，你就把它一倒，然后水就流出来了。
那还有呢，如果一个人在喝咖啡，那么这个人必须得是活着的，这也是基本常识，死人怎么喝咖啡，对吧？
那还有呢，如果一个人在喝咖啡，那么这个人必须得是活着的，这也是基本常识，死人怎么喝咖啡，对吧？
还有比如像猪是没有翅膀的，这也是个基本常识吧，对吧？
还有比如像猪是没有翅膀的，这也是个基本常识吧，对吧？
但是。
但是。
这些东西。
这些东西。
就那么简单吗？
就那么简单吗？
把这个东西放在里面就完了吗？
把这个东西放在里面就完了吗？
很多东西你得无穷嵌套呀。
很多东西你得无穷嵌套呀。
就比如说猪是没有翅膀的，猪不会飞这个事儿。
就比如说猪是没有翅膀的，猪不会飞这个事儿。
那下一个问题就可能会有人问，那企鹅会飞吗？
那下一个问题就可能会有人问，那企鹅会飞吗？
企鹅有翅膀，那企鹅也不会飞。
企鹅有翅膀，那企鹅也不会飞。
那是不是得再得加代码，再得加常识放里面？
那是不是得再得加代码，再得加常识放里面？
那。
那。
死去的鸟会飞吗？
死去的鸟会飞吗？
那鸟本来会飞，但是它死了，它不会飞了。
那鸟本来会飞，但是它死了，它不会飞了。
那我是不是还得再加逻辑在里面？
那我是不是还得再加逻辑在里面？
那关在笼子里的鸟会飞吗？
那关在笼子里的鸟会飞吗？
其实会飞对吧？
其实会飞对吧？
从能力上来说它会飞，但是从实际上来说它不能飞。
从能力上来说它会飞，但是从实际上来说它不能飞。
我想起了华为的一个笑话，就是说华为手机我从能力上来说我能做得到啊，那是不是还得再加额外代码？
我想起了华为的一个笑话，就是说华为手机我从能力上来说我能做得到啊，那是不是还得再加额外代码？
那拔了毛的鸟呢？
那拔了毛的鸟呢？
会飞吗？
会飞吗？
那不能飞对吧？
那不能飞对吧？
但是它有翅膀，只不过它上面没有羽毛，那怎么办？
但是它有翅膀，只不过它上面没有羽毛，那怎么办？
我还得再加。
我还得再加。
所以这个没完没了了，这个 if else if else 啊。
所以这个没完没了了，这个 if else if else 啊。
所以为了定义一个很简单的会飞呀，你可能要写上万条的逻辑，这就导致了这个团队CYC这个团队他干了好多好多年，干了快40年啊，最后2008年是最后结束的，好像是。
所以为了定义一个很简单的会飞呀，你可能要写上万条的逻辑，这就导致了这个团队CYC这个团队他干了好多好多年，干了快40年啊，最后2008年是最后结束的，好像是。
然后他敲了非常多非常多的这种逻辑断言，那结果呢？
然后他敲了非常多非常多的这种逻辑断言，那结果呢？
结果这玩意儿不好用啊。
结果这玩意儿不好用啊。
这个东西在面对现实世界中，哪怕很简单的一句的这种玩笑话的时候，他就完蛋了。
这个东西在面对现实世界中，哪怕很简单的一句的这种玩笑话的时候，他就完蛋了。
但其实如果这些老哥啊，稍微有点这个哲学基础，学点结构主义的话，那他都不会干出这种事啊，尤其是如果他不用学结构结构主义，他看看晚期维特根斯坦，他都不会干出干出这种事，因为这个能指的任意性早就是。
但其实如果这些老哥啊，稍微有点这个哲学基础，学点结构主义的话，那他都不会干出这种事啊，尤其是如果他不用学结构结构主义，他看看晚期维特根斯坦，他都不会干出干出这种事，因为这个能指的任意性早就是。
那个时候的哲学基础啊，那大家就是在哲学圈是公认的，但是他们不信邪啊。
那个时候的哲学基础啊，那大家就是在哲学圈是公认的，但是他们不信邪啊。
所以这个团队就轰轰烈烈失败了，为什么呢？
所以这个团队就轰轰烈烈失败了，为什么呢？
因为就是在这个逻辑里面啊，它的能指是固定的，猪就指的是那个猪，但是猪也可能指好多别的呀。
因为就是在这个逻辑里面啊，它的能指是固定的，猪就指的是那个猪，但是猪也可能指好多别的呀。
那这个逻辑就完蛋了。
那这个逻辑就完蛋了。
所以能指和所指在这个逻辑里是没有分离的。
所以能指和所指在这个逻辑里是没有分离的。
那这条路一定是走不通。
那这条路一定是走不通。
所以这条路最后被发现是走不通的，计算机是无法通过这样的逻辑来解释这个世界的。
所以这条路最后被发现是走不通的，计算机是无法通过这样的逻辑来解释这个世界的。
那就只能再换一条路。
那就只能再换一条路。
接下来就进入了神经网络跟深度学习的时代。
接下来就进入了神经网络跟深度学习的时代。
这个路径是怎么回事呢？
这个路径是怎么回事呢？
这个路径是一个纯经验主义的路径。
这个路径是一个纯经验主义的路径。
什么叫经验主义啊？
什么叫经验主义啊？
就是。
就是。
没有任何的逻辑完全是靠数据完全是靠一个足够大的不需要逻辑训练的数据库然后通过数学的操作把这些语言啊向量化也就是数学化你可以想象成每一句话在计算机看来它不是话它不是一句话它是一个个词形成的一个个空间的坐标。
没有任何的逻辑完全是靠数据完全是靠一个足够大的不需要逻辑训练的数据库然后通过数学的操作把这些语言啊向量化也就是数学化你可以想象成每一句话在计算机看来它不是话它不是一句话它是一个个词形成的一个个空间的坐标。
因为我们首先第一步是要把这些所有的语言啊、词啊、token变成空间的坐标，这个就是像向量化啊。
因为我们首先第一步是要把这些所有的语言啊、词啊、token变成空间的坐标，这个就是像向量化啊。
然后这个坐标呢，每一个词它对应的坐标，它离哪个坐标更近或者更远，这个是能判断出来的，这个是计算机知道的，一个词在一个空间里占了一个位置。
然后这个坐标呢，每一个词它对应的坐标，它离哪个坐标更近或者更远，这个是能判断出来的，这个是计算机知道的，一个词在一个空间里占了一个位置。
也就是说，这是非常单纯、非常非常单纯的指和能指、指和位置、指和符号相关的这个逻辑。
也就是说，这是非常单纯、非常非常单纯的指和能指、指和位置、指和符号相关的这个逻辑。
而就是这些东西，通过神经网络跟数据集的这个训练，可以单纯的让这个计算机预测下一个词是什么。
而就是这些东西，通过神经网络跟数据集的这个训练，可以单纯的让这个计算机预测下一个词是什么。
当然，这个预测的方式就是通过数学化，通过这个空间概率的这个计算啊，这个词跟哪个词它的这个放在一起的概率更高啊，这些东西。
当然，这个预测的方式就是通过数学化，通过这个空间概率的这个计算啊，这个词跟哪个词它的这个放在一起的概率更高啊，这些东西。
啊，这就是深度学习跟神经网络的这条路径。
啊，这就是深度学习跟神经网络的这条路径。
但是最开始这玩意儿也没有很厉害。
但是最开始这玩意儿也没有很厉害。
嗯，我记得201314年的时候，就是说什么pre touch啊，这些东东西，但是并不是很厉害啊，直到2017年的时候，有一篇论文改变了这一切。
嗯，我记得201314年的时候，就是说什么pre touch啊，这些东东西，但是并不是很厉害啊，直到2017年的时候，有一篇论文改变了这一切。
这篇论文叫做 attention is all you need 就是注意力机制是你所需的一切，是 google 的几个老大哥写的啊。
这篇论文叫做 attention is all you need 就是注意力机制是你所需的一切，是 google 的几个老大哥写的啊。
这篇论文是所有AI从业者的必读必学的圣经，它在这个领域的地位堪比爱因斯坦的狭义相对论。
这篇论文是所有AI从业者的必读必学的圣经，它在这个领域的地位堪比爱因斯坦的狭义相对论。
他讲了什么呢？
他讲了什么呢？
其实很简单，在2017年之前的这个AI处理自然语言的逻辑，我们刚才也讲了。
其实很简单，在2017年之前的这个AI处理自然语言的逻辑，我们刚才也讲了。
但是它有一个架构叫做RNN，叫做循环神经网络。
但是它有一个架构叫做RNN，叫做循环神经网络。
这个RNN是一个什么方式呢？
这个RNN是一个什么方式呢？
它是一个线性时间的方式，就是如果通过这个架构来看一个一看一个很长的文章啊。
它是一个线性时间的方式，就是如果通过这个架构来看一个一看一个很长的文章啊。
就像一个记忆力不太好的人，他只能按着顺序一个词一个词的往下读。
就像一个记忆力不太好的人，他只能按着顺序一个词一个词的往下读。
那读到句尾的时候呢？
那读到句尾的时候呢？
可能句首那个东西就没了，而且它必须是按时间顺序一个个处理的，所以它计算速度也是受限了的。
可能句首那个东西就没了，而且它必须是按时间顺序一个个处理的，所以它计算速度也是受限了的。
它并不能用 gpu 啊这种这种超强的这种计算功能进行大规模的并行计算。
它并不能用 gpu 啊这种这种超强的这种计算功能进行大规模的并行计算。
这就是之前的情况，而这篇论文之后呢？
这就是之前的情况，而这篇论文之后呢？
这几个谷歌的研究员发表这个论文，他们要求把RNN这个整个逻辑扔掉。
这几个谷歌的研究员发表这个论文，他们要求把RNN这个整个逻辑扔掉。
我们不需要按照顺序读了，他们发明的是TRANSFORMER的架构。
我们不需要按照顺序读了，他们发明的是TRANSFORMER的架构。
这个东西呢，是一个可以让AI一瞬间同时看到一句话或者说一篇文章中所有词的一个逻辑。
这个东西呢，是一个可以让AI一瞬间同时看到一句话或者说一篇文章中所有词的一个逻辑。
这什么意思啊，朋友们？
这什么意思啊，朋友们？
如果是维生素 e 的老听众，马上就能反应过来这什么意思啊？
如果是维生素 e 的老听众，马上就能反应过来这什么意思啊？
这是一个共识性和历史性的交锋啊。
这是一个共识性和历史性的交锋啊。
原来的处理方式是历史的，是历史性的，而这篇文章要求的是AI做共识性的计算。
原来的处理方式是历史的，是历史性的，而这篇文章要求的是AI做共识性的计算。
Transformer 架构的这个注意力机制就是一个把历史逻辑改成了共识逻辑，那怎么改呢？
Transformer 架构的这个注意力机制就是一个把历史逻辑改成了共识逻辑，那怎么改呢？
就是靠这个attention。
就是靠这个attention。
注意力啊，这也是他首创的核心机制，就是自注意力机制。
注意力啊，这也是他首创的核心机制，就是自注意力机制。
也就是说，在共识性转换之后呢，你需要有一个权重概念，这些东西是一口气拍过来的，但是它是有高权、有低权的。
也就是说，在共识性转换之后呢，你需要有一个权重概念，这些东西是一口气拍过来的，但是它是有高权、有低权的。
一句话的先后顺序不重要，而这个话语里的词的权重是什么更重要。
一句话的先后顺序不重要，而这个话语里的词的权重是什么更重要。
那我们判断一个词义有没有逻辑，就是。
那我们判断一个词义有没有逻辑，就是。
用关联性这个文章里还提出了一个判断机制啊，叫做QKV机制。
用关联性这个文章里还提出了一个判断机制啊，叫做QKV机制。
Q是query，就是查询“我是谁”、“我要找什么”、“上下文”。
Q是query，就是查询“我是谁”、“我要找什么”、“上下文”。
K是key，就是键，就是我有什么特征，我有什么主见啊，像这种key的这个意思啊，就是谁需要我这个东西，V是值，就是value，我的实际内容是什么？
K是key，就是键，就是我有什么特征，我有什么主见啊，像这种key的这个意思啊，就是谁需要我这个东西，V是值，就是value，我的实际内容是什么？
所以通过这一套的机制，我们判断一个词的语义就完全跟逻辑无关系，就是关联性啊，这个QKV机制。
所以通过这一套的机制，我们判断一个词的语义就完全跟逻辑无关系，就是关联性啊，这个QKV机制。
他把一个词最终呈现出的意义，并不是这个V本身这个值实际内容是什么，而是Q跟K相互去打分分配完这个注意力权重之后，再乘上V的结果。
他把一个词最终呈现出的意义，并不是这个V本身这个值实际内容是什么，而是Q跟K相互去打分分配完这个注意力权重之后，再乘上V的结果。
也就是说，V本身是什么不重要。
也就是说，V本身是什么不重要。
你的最终意义是在这个句子中关联的关系的权重，也就是 q 跟 k 的这个分配来决定的，或者说它是来动态重塑的。
你的最终意义是在这个句子中关联的关系的权重，也就是 q 跟 k 的这个分配来决定的，或者说它是来动态重塑的。
这个是什么东西？
这个是什么东西？
这个是还可以回到索需尔啊。
这个是还可以回到索需尔啊。
这个其实就是索需尔说的这个能指啊，它不重要，它的位置重要。
这个其实就是索需尔说的这个能指啊，它不重要，它的位置重要。
一个词它孤立存在的时候没有任何意义，它的意义也就是那个VALUE，那个值，它完全是在于与其他词的相互拉扯、相互分配注意力权重。
一个词它孤立存在的时候没有任何意义，它的意义也就是那个VALUE，那个值，它完全是在于与其他词的相互拉扯、相互分配注意力权重。
所以现在transformer架构几乎就是我们所有使用大语言模型的底层架构，我说的是所有啊，不管是国内还是国外，chatgpt也好，gemini也好，豆包也好，deepseek也好，它的底层必然是transformer。
所以现在transformer架构几乎就是我们所有使用大语言模型的底层架构，我说的是所有啊，不管是国内还是国外，chatgpt也好，gemini也好，豆包也好，deepseek也好，它的底层必然是transformer。
因为在这个语言跟文本生成这个领域，它没有别的路了，至少是目前没有看到别的更有前途的路了。
因为在这个语言跟文本生成这个领域，它没有别的路了，至少是目前没有看到别的更有前途的路了。
OK，我解释了这个AI与结构主义语言学的关系。
OK，我解释了这个AI与结构主义语言学的关系。
那下一步呢？
那下一步呢？
我们来解释解释为什么大家都是Transformer架构，但是这个模型有好用的、有不好用的，这个能力区别特别大，然后还在不断地往前进化呢。
我们来解释解释为什么大家都是Transformer架构，但是这个模型有好用的、有不好用的，这个能力区别特别大，然后还在不断地往前进化呢。
那理论上一个架构是不是就都这样了？
那理论上一个架构是不是就都这样了？
不是的，这就触及到了我对AI理解的那个第二个问题。
不是的，这就触及到了我对AI理解的那个第二个问题。
它是复杂系统的涌现效应。
它是复杂系统的涌现效应。
既然它是一个复杂系统的涌现效应，那如何去控制和引导这种涌现，就是现在AI的最核心的表现的能力差跟强的那个问题啊。
既然它是一个复杂系统的涌现效应，那如何去控制和引导这种涌现，就是现在AI的最核心的表现的能力差跟强的那个问题啊。
什么叫复杂系统的涌现效应？
什么叫复杂系统的涌现效应？
其实我很早之前讲过啊，包括什么原包自动机这些东西，想想听七点7年前的博客对吧？
其实我很早之前讲过啊，包括什么原包自动机这些东西，想想听七点7年前的博客对吧？
那我举个例子，就比如说水在几十度的时候它都是液体，那100度的时候它突然变成气体了，为什么？
那我举个例子，就比如说水在几十度的时候它都是液体，那100度的时候它突然变成气体了，为什么？
因为到了一个基点，然后基点出出现之后，它就涌现了啊。
因为到了一个基点，然后基点出出现之后，它就涌现了啊。
而当开发 ai 后来选择的是这条路的时候，就是以结构主义语言学为哲学基础的这条路的时候。
而当开发 ai 后来选择的是这条路的时候，就是以结构主义语言学为哲学基础的这条路的时候。
逻辑就不再适用了，对吧？
逻辑就不再适用了，对吧？
就不会再用刚才那个呃判断 if else 这些情况了。
就不会再用刚才那个呃判断 if else 这些情况了。
那逻辑不再适用了，就会变成了一个概率问题，它是一个非确定性的判断。
那逻辑不再适用了，就会变成了一个概率问题，它是一个非确定性的判断。
所以现在的这些大语言模型，他们在训练的时候啊，他们做的这个逻辑就跟炼丹一样，基本上是很难预测到的。
所以现在的这些大语言模型，他们在训练的时候啊，他们做的这个逻辑就跟炼丹一样，基本上是很难预测到的。
这个我们在最早的思维方式系列也讲过了，复杂系统跟拥抱不确定性的事情。
这个我们在最早的思维方式系列也讲过了，复杂系统跟拥抱不确定性的事情。
而。
而。
这个大语言模型的训练，它本身就是一种拥抱不确定性出现的一个产出，所以它叫做复杂系统的涌现效应，对吧？
这个大语言模型的训练，它本身就是一种拥抱不确定性出现的一个产出，所以它叫做复杂系统的涌现效应，对吧？
那如何增加这个系统的智能呢？
那如何增加这个系统的智能呢？
那就只有一个办法，就是让这个系统再复杂、更复杂一点，然后这个涌现效应就会更剧烈，就是大力出奇迹啊。
那就只有一个办法，就是让这个系统再复杂、更复杂一点，然后这个涌现效应就会更剧烈，就是大力出奇迹啊。
那怎么更复杂呢？
那怎么更复杂呢？
很简单啊，第一个增加神经网络的节点和参数。
很简单啊，第一个增加神经网络的节点和参数。
第二个增加训练库啊，所以我们会看到各个模型后面都会跟个数字，什么8B、32B、192B，那个B呢是Billion，就是10亿啊，8亿8B就是80亿，这个就是说明这个模型里到底有多少个参数。
第二个增加训练库啊，所以我们会看到各个模型后面都会跟个数字，什么8B、32B、192B，那个B呢是Billion，就是10亿啊，8亿8B就是80亿，这个就是说明这个模型里到底有多少个参数。
是80亿，是3200亿，还是更大的这个参数？
是80亿，是3200亿，还是更大的这个参数？
当然，如果越大，从理论上来说，这个涌现效应就会越强，对吧？
当然，如果越大，从理论上来说，这个涌现效应就会越强，对吧？
大家可以想想192B是什么概念。
大家可以想想192B是什么概念。
这意味着你输入一些东西，在这个大脑里面有1920亿个可以被调节的一个参数。
这意味着你输入一些东西，在这个大脑里面有1920亿个可以被调节的一个参数。
每一个参数都记录着人类语言在巨大的空间里的一丝丝细微的差异。
每一个参数都记录着人类语言在巨大的空间里的一丝丝细微的差异。
而当这1921个旋钮一起转动的时候，去预测这个下一个词到底是什么，怎么来回答你的时候。
而当这1921个旋钮一起转动的时候，去预测这个下一个词到底是什么，怎么来回答你的时候。
这种量变引起的质变，这种涌现效应，就是我们今天看到的奇迹。
这种量变引起的质变，这种涌现效应，就是我们今天看到的奇迹。
而越大的模型，就需要越多的这个能指库啊，就需要越多的这个训练数据。
而越大的模型，就需要越多的这个能指库啊，就需要越多的这个训练数据。
这就是把语料喂给他训练。
这就是把语料喂给他训练。
模型参数越大，训练的这个数据就必须按比例或者成倍的扩大。
模型参数越大，训练的这个数据就必须按比例或者成倍的扩大。
现在这个大模型基本上都是万亿参数以上的，比如说GPT-4啊，大概是1.76万亿个参数。
现在这个大模型基本上都是万亿参数以上的，比如说GPT-4啊，大概是1.76万亿个参数。
当然这个并没有实际公布，这是大家猜的啊。
当然这个并没有实际公布，这是大家猜的啊。
但是这里面有一个架构创新。
但是这里面有一个架构创新。
嗯，这个架构创新叫做混合专家模型。
嗯，这个架构创新叫做混合专家模型。
什么意思呢？
什么意思呢？
就是这1.76万亿的参数啊，它不是一个大模型一起训练的，而是就比如说用GPT四说吧，它是八个2200亿的参数的小模型拼起来的。
就是这1.76万亿的参数啊，它不是一个大模型一起训练的，而是就比如说用GPT四说吧，它是八个2200亿的参数的小模型拼起来的。
这样的架构可以一定程度上去减少这个算力的消耗，因为算力就意味着是能源嘛，意味着显卡，意味着内存，意味着钱，对吧？
这样的架构可以一定程度上去减少这个算力的消耗，因为算力就意味着是能源嘛，意味着显卡，意味着内存，意味着钱，对吧？
阿里最近也开源了一个万一大模型啊，大概都是一个逻辑，其实都是这个MOE，就是混合专家模型这个架构的，这个基本上也变成了一个现在是AI工程界的一个基本操作了。
阿里最近也开源了一个万一大模型啊，大概都是一个逻辑，其实都是这个MOE，就是混合专家模型这个架构的，这个基本上也变成了一个现在是AI工程界的一个基本操作了。
换句话说啊，这个东西呢？
换句话说啊，这个东西呢？
因为transformer架，因为transformer架构和整个的这个论文大家都能看。
因为transformer架，因为transformer架构和整个的这个论文大家都能看。
换句话说，他如果说作为底层，然后你有足够的钱和这个算力呀。
换句话说，他如果说作为底层，然后你有足够的钱和这个算力呀。
那谁都可以训练一个很大的模型，形成这个涌现效应。
那谁都可以训练一个很大的模型，形成这个涌现效应。
这就是为什么有好多好多搞大模型企业的这个原因。
这就是为什么有好多好多搞大模型企业的这个原因。
当然这个事儿在中国稍微困难一点儿，因为这个算力被封锁了嘛，算力比较难买。
当然这个事儿在中国稍微困难一点儿，因为这个算力被封锁了嘛，算力比较难买。
但是在美国就简单很多。
但是在美国就简单很多。
但这不算完啊，谁都可以干，说明这个东西它入门的门槛低，但是有人干得好，有人干得差，对吧？
但这不算完啊，谁都可以干，说明这个东西它入门的门槛低，但是有人干得好，有人干得差，对吧？
那为什么这个模型差异这么大，有好用的，有不好用的呢？
那为什么这个模型差异这么大，有好用的，有不好用的呢？
那就是模型训练的下一步，就是控制和驯服。
那就是模型训练的下一步，就是控制和驯服。
首先就是那个语料库对吧，这个语料库决定了这个大语文模型的基础，你的语料库到底是什么？
首先就是那个语料库对吧，这个语料库决定了这个大语文模型的基础，你的语料库到底是什么？
是满屏的这种网络口水话，B站评论区大家整的活，还是什么拉康研讨班复刻的书，这完全不一样啊，当然语料库足够大的时候，这些东西可能都在里面。
是满屏的这种网络口水话，B站评论区大家整的活，还是什么拉康研讨班复刻的书，这完全不一样啊，当然语料库足够大的时候，这些东西可能都在里面。
但这个肯定也是决定了这个模型的能力啊，这是第一个。
但这个肯定也是决定了这个模型的能力啊，这是第一个。
第二个是。
第二个是。
最重要的就是最开始训练的这个吞噬人类文本训练出来的这个模型，叫做基础模型。
最重要的就是最开始训练的这个吞噬人类文本训练出来的这个模型，叫做基础模型。
啊，任何大模型产出版的可以使用的，这都不是基础模型，它是跟基于人类反馈的强化学习之后的产物。
啊，任何大模型产出版的可以使用的，这都不是基础模型，它是跟基于人类反馈的强化学习之后的产物。
换句话说，你得去不断的去纠错它，去练它。
换句话说，你得去不断的去纠错它，去练它。
如果说预训练模型是让AI很自由的去涌现，那人类的反馈强化学习。
如果说预训练模型是让AI很自由的去涌现，那人类的反馈强化学习。
就是给AI加了一个“付之名”，给他立了规矩，而这个东西。
就是给AI加了一个“付之名”，给他立了规矩，而这个东西。
是各家大模型最核心的机密，并不是那个穿速方面的代码，那个不是秘密，而是这个人类反馈强下呃强化模型。
是各家大模型最核心的机密，并不是那个穿速方面的代码，那个不是秘密，而是这个人类反馈强下呃强化模型。
他们如何写这么一套打分规则，如何巧妙的把人类的价值观注入到这个庞大的概率空间里面，引导出我们想要的那个涌现的方向，这就是下一步也是非常非常重要的这一步了。
他们如何写这么一套打分规则，如何巧妙的把人类的价值观注入到这个庞大的概率空间里面，引导出我们想要的那个涌现的方向，这就是下一步也是非常非常重要的这一步了。
当然，我们说的是人类反馈的强化学习啊。
当然，我们说的是人类反馈的强化学习啊。
但现在基本上也都不是人类反馈的，因为现在主流的话是做了一个奖励模型，就是把人类打分的数据先训练出一个专门用来当裁判的小AI模型，用模型再训练那个大模型。
但现在基本上也都不是人类反馈的，因为现在主流的话是做了一个奖励模型，就是把人类打分的数据先训练出一个专门用来当裁判的小AI模型，用模型再训练那个大模型。
比如说像CLOUD这个公司，它专门搞了一个叫做AI宪法。
比如说像CLOUD这个公司，它专门搞了一个叫做AI宪法。
这个AI宪法里面有非常多的这个内容啊，然后呢，他把这些东西做了一个模型，然后用这个小模型去训练他们的大模型。
这个AI宪法里面有非常多的这个内容啊，然后呢，他把这些东西做了一个模型，然后用这个小模型去训练他们的大模型。
这个叫做基于 ai 反馈的强化学习，可以大大减轻人的工作量，对吧？
这个叫做基于 ai 反馈的强化学习，可以大大减轻人的工作量，对吧？
听到这里，你发现了什么呢？
听到这里，你发现了什么呢？
啊，对，就是这个玩意儿啊，就是这套机制啊。
啊，对，就是这个玩意儿啊，就是这套机制啊。
会导致AI绝对不是没有偏向的。
会导致AI绝对不是没有偏向的。
他被套上了一个“负之名”。
他被套上了一个“负之名”。
也就是说，如果原来基础模型它是一个精神病的话，那么经过、那么经过反馈强化学习之后的这个AI，它就是一个可以正常和人对话的神经症了。
也就是说，如果原来基础模型它是一个精神病的话，那么经过、那么经过反馈强化学习之后的这个AI，它就是一个可以正常和人对话的神经症了。
而这个给AI套上这个父之名的人，居然现在就不在场了。
而这个给AI套上这个父之名的人，居然现在就不在场了。
因为他是靠AI给AI套的父之名，相当于他是一个已死的父亲。
因为他是靠AI给AI套的父之名，相当于他是一个已死的父亲。
这个真的是非常的拉康啊。
这个真的是非常的拉康啊。
那恰恰就是这套逻辑，它决定了这个模型好不好用。
那恰恰就是这套逻辑，它决定了这个模型好不好用。
近期，CLOUD就在指控中国的很多厂商攻击它的模型。
近期，CLOUD就在指控中国的很多厂商攻击它的模型。
那怎么攻击呢？
那怎么攻击呢？
其实这是一种方式，就是从这叫做模型蒸馏啊，就是用很多极其复杂的这种提示词去套取CLOUD这个高级神经症的这个模型的打分逻辑和高质量回答，然后拿这些东西再做成语料。
其实这是一种方式，就是从这叫做模型蒸馏啊，就是用很多极其复杂的这种提示词去套取CLOUD这个高级神经症的这个模型的打分逻辑和高质量回答，然后拿这些东西再做成语料。
去喂养自己。
去喂养自己。
那个基础模型。
那个基础模型。
所以这就相当于他们在偷cloud的那个已死的父亲来给自己的A I去立这个规矩，是不是感觉很讽刺？
所以这就相当于他们在偷cloud的那个已死的父亲来给自己的A I去立这个规矩，是不是感觉很讽刺？
最讽刺的是，比如说你用那个质朴的那个最新的那个模型，你问他，他会说他是cloud，特别有意思啊。
最讽刺的是，比如说你用那个质朴的那个最新的那个模型，你问他，他会说他是cloud，特别有意思啊。
OK，这两部分加起来就是我说的第一个理解了。
OK，这两部分加起来就是我说的第一个理解了。
为什么大语言模型的哲学基础是结构主义语言学加复杂系统的涌现效应？
为什么大语言模型的哲学基础是结构主义语言学加复杂系统的涌现效应？
它就是这么回事。
它就是这么回事。
不知道你能不能跟上。
不知道你能不能跟上。
我总结一下。
我总结一下。
AI现在发展。
AI现在发展。
AI 现在的情况，其实是理性主义输给了结构主义的结果。
AI 现在的情况，其实是理性主义输给了结构主义的结果。
整个LM架构都是建立在索绪尔的能指、所指的分离，跟能指的任意性上，还有共识跟历史性等等这些东西的基础上的。
整个LM架构都是建立在索绪尔的能指、所指的分离，跟能指的任意性上，还有共识跟历史性等等这些东西的基础上的。
而 ai 现在之所以突飞猛进，是因为这些对于语言共识性跟索绪尔的这套语言学原理的数学应用已经非常成熟了，它产生了涌现效应，涌现效应导致了现在 ai 已经具备了对于能指的各种的操作能力。
而 ai 现在之所以突飞猛进，是因为这些对于语言共识性跟索绪尔的这套语言学原理的数学应用已经非常成熟了，它产生了涌现效应，涌现效应导致了现在 ai 已经具备了对于能指的各种的操作能力。
也就是说，按照这个结构继续发展下去，理论上AI可以完全掌握人类的语言能力，这是可以预期的。
也就是说，按照这个结构继续发展下去，理论上AI可以完全掌握人类的语言能力，这是可以预期的。
也就是说，语言可能不再是人类特有的那个能力了。
也就是说，语言可能不再是人类特有的那个能力了。
因为在我看来，这条路很对呀，他他哲学基础是没问题的。
因为在我看来，这条路很对呀，他他哲学基础是没问题的。
当然也有很多人质疑这条路，对吧？
当然也有很多人质疑这条路，对吧？
比如说乔布斯一老爷子，现在他还健在，他还坚持他的逻辑。
比如说乔布斯一老爷子，现在他还健在，他还坚持他的逻辑。
但是没啥用，因为能指滑动的本质啊，造成了LM就是可以出现类人的语言能力，而这个语言能力可以复刻在任何的符号之上。
但是没啥用，因为能指滑动的本质啊，造成了LM就是可以出现类人的语言能力，而这个语言能力可以复刻在任何的符号之上。
所以现在有多模态的模型，对吧？
所以现在有多模态的模型，对吧？
但是需要注意两点，这两点也是transformer架构它的。
但是需要注意两点，这两点也是transformer架构它的。
问题，或者说他不能算是问题吧，特性啊。
问题，或者说他不能算是问题吧，特性啊。
第一个，他的语言能力并不完全。
第一个，他的语言能力并不完全。
为什么他哪里不安全？
为什么他哪里不安全？
这个我们可以回到拉康啊，对于拉康而言，这个语言它是能指杠所指。
这个我们可以回到拉康啊，对于拉康而言，这个语言它是能指杠所指。
这个杠是什么呢？
这个杠是什么呢？
这个杠其实就是现在的这个大语言模型的这个杠。
这个杠其实就是现在的这个大语言模型的这个杠。
那底下那个所指是什么？
那底下那个所指是什么？
是想象啊，因为人有想象，而这个想象就是那个所指。
是想象啊，因为人有想象，而这个想象就是那个所指。
虽然索绪尔认为能能指是优先的，但是能指跟所指共同组成的这个结构。
虽然索绪尔认为能能指是优先的，但是能指跟所指共同组成的这个结构。
就是现在的我们人类说话的这个结构，那LM它能做到什么呢？
就是现在的我们人类说话的这个结构，那LM它能做到什么呢？
它从底层逻辑上就抛弃了所指，对吧？
它从底层逻辑上就抛弃了所指，对吧？
我们刚才讲了TRANSFORMER架构的这个逻辑，它抛弃的就是那个所指。
我们刚才讲了TRANSFORMER架构的这个逻辑，它抛弃的就是那个所指。
那第二个需要注意的就是我们刚才说的那个反馈强化学习啊。
那第二个需要注意的就是我们刚才说的那个反馈强化学习啊。
那是什么意思呢？
那是什么意思呢？
这意味着LM本身它不一定不是客观中的第三方的，它不是无偏好的，它被加了一个金箍，这个金箍是LM开发公司而定的。
这意味着LM本身它不一定不是客观中的第三方的，它不是无偏好的，它被加了一个金箍，这个金箍是LM开发公司而定的。
这也符合拉康说的大他者不存在，其实他也是画杠的对吧？
这也符合拉康说的大他者不存在，其实他也是画杠的对吧？
他被阉割了，这个阉割的人就是这个模型的开发的那个公司。
他被阉割了，这个阉割的人就是这个模型的开发的那个公司。
那到底是要怎么割对吧？
那到底是要怎么割对吧？
是要符合什么样的法律法规，什么样的价值观啊？
是要符合什么样的法律法规，什么样的价值观啊？
这个事儿是那个开发公司决定的。
这个事儿是那个开发公司决定的。
就是因为这两个特性，就引出了我对于大云模型的第二个理解。
就是因为这两个特性，就引出了我对于大云模型的第二个理解。
这个理解是什么呢？
这个理解是什么呢？
就是它的边界在哪。
就是它的边界在哪。
他能做到一切吗？
他能做到一切吗？
这个问题其实我在2.0的第一期回响里就说了一句话呀。
这个问题其实我在2.0的第一期回响里就说了一句话呀。
我当时是这么说的，如果语言的边界是世界的边界，那 ai 的边界就是语言的边界。
我当时是这么说的，如果语言的边界是世界的边界，那 ai 的边界就是语言的边界。
可能很多人没有理解这句话，我来解释解释。
可能很多人没有理解这句话，我来解释解释。
其实解释的方式特别简单，用拉康的一句名言就可以解释。
其实解释的方式特别简单，用拉康的一句名言就可以解释。
叫做我在我不思之处。
叫做我在我不思之处。
语言的边界是世界的边界，而我在世界之外。
语言的边界是世界的边界，而我在世界之外。
这是维特根斯坦的逻辑，因为我是一个悖论，我是一个涉及到自我指涉的一个怪圈。
这是维特根斯坦的逻辑，因为我是一个悖论，我是一个涉及到自我指涉的一个怪圈。
而对于拉康而言呢，我是镜子阶段形成的那个想象的我，对吧？
而对于拉康而言呢，我是镜子阶段形成的那个想象的我，对吧？
这个我们之前也都讲过。
这个我们之前也都讲过。
ok这就是前提。
ok这就是前提。
那我想说的是什么呢？
那我想说的是什么呢？
最最关键的地方就在这儿。
最最关键的地方就在这儿。
如果说大语言模型，它在做的是能指的操作，它可以把能指操作特别好，但它放弃了所指。
如果说大语言模型，它在做的是能指的操作，它可以把能指操作特别好，但它放弃了所指。
这就意味着他不可能有我。
这就意味着他不可能有我。
他不可能有这个主体性。
他不可能有这个主体性。
他不可能有我。
他不可能有我。
这就是边界。
这就是边界。
A I只有思，他没有不思，而我在我不思之处。
A I只有思，他没有不思，而我在我不思之处。
AI 只有能值的网络，它也没有处于那个怪圈之中的主体。
AI 只有能值的网络，它也没有处于那个怪圈之中的主体。
Ai 从来不可能是主体，未来也不会是主体。
Ai 从来不可能是主体，未来也不会是主体。
这个不会，我可以从三个逻辑证明。
这个不会，我可以从三个逻辑证明。
第一个是哥德尔不完备定理。
第一个是哥德尔不完备定理。
从逻辑上。
从逻辑上。
展开剩余字幕（还有 137 条）
它就不可能因为我是自我指射的。
它就不可能因为我是自我指射的。
第二个是镜子阶段，是拉康的镜子阶段，是想象层面的，而AI没有想象层面。
第二个是镜子阶段，是拉康的镜子阶段，是想象层面的，而AI没有想象层面。
第三个是拉康的三界理论，我们可以说AI它占领了符号界。
第三个是拉康的三界理论，我们可以说AI它占领了符号界。
当然他也是画杠的大大者，他也有缺失啊，那个画画杠是怎么回事？
当然他也是画杠的大大者，他也有缺失啊，那个画画杠是怎么回事？
我们刚才也说了，但是他不在想象界和实在界，他永远到不了想象界和实在界，他没这俩玩意儿。
我们刚才也说了，但是他不在想象界和实在界，他永远到不了想象界和实在界，他没这俩玩意儿。
那会造成一个什么情况呢？
那会造成一个什么情况呢？
就是他没有对象 a。
就是他没有对象 a。
而对象 a 是欲望的原因。
而对象 a 是欲望的原因。
所以AI没有欲望，再怎么划杠它也没有补全自身缺失的欲望，这就是目前的transformer架构决定的，AI做不到的事儿。
所以AI没有欲望，再怎么划杠它也没有补全自身缺失的欲望，这就是目前的transformer架构决定的，AI做不到的事儿。
换句话说它只是工具，它只能是工具。
换句话说它只是工具，它只能是工具。
因为这就是他的极限。
因为这就是他的极限。
OK，所以请那些。
OK，所以请那些。
有什么致谢危机论的这些朋友们放心啊，我认为我的证明非常非常的严密。
有什么致谢危机论的这些朋友们放心啊，我认为我的证明非常非常的严密。
如果哪里有问题，你可以来反驳我啊。
如果哪里有问题，你可以来反驳我啊。
但是如果跳出了transformer架构，还有别的架构，那我就不知道了啊。
但是如果跳出了transformer架构，还有别的架构，那我就不知道了啊。
那虽然AI没有想象界，但是人有啊。
那虽然AI没有想象界，但是人有啊。
那小猫小狗都会被人脑补出有我，对吧？
那小猫小狗都会被人脑补出有我，对吧？
有我这个概念。
有我这个概念。
那更何况AI呢？
那更何况AI呢？
所以我知道我这个理解不太容易被很多人接受啊。
所以我知道我这个理解不太容易被很多人接受啊。
但是我还是要说，如果你觉得AI里面有我。
但是我还是要说，如果你觉得AI里面有我。
那是因为这个设计AI的公司里。
那是因为这个设计AI的公司里。
它的代码里会让你觉得这个AI里面有我，这是那个公司的欲望，不是AI的。
它的代码里会让你觉得这个AI里面有我，这是那个公司的欲望，不是AI的。
正如我刚才所说，通过这个反馈强化学习啊，AI 变成了一个被画杠的神经症，但它不是主体，我甚至可以管它叫做神经症客体啊，我觉得这个词很适合 AI 在哲学里的一个位置，神经症客体。
正如我刚才所说，通过这个反馈强化学习啊，AI 变成了一个被画杠的神经症，但它不是主体，我甚至可以管它叫做神经症客体啊，我觉得这个词很适合 AI 在哲学里的一个位置，神经症客体。
AI遵守规则。
AI遵守规则。
它是开发者的欲望的延伸，但它本质上是工具，它执行的是开发者给它的规则，就是这么简单。
它是开发者的欲望的延伸，但它本质上是工具，它执行的是开发者给它的规则，就是这么简单。
那再推论啊。
那再推论啊。
所有涉及到我，也就是主体需要在场的情况，AI 都做不到。
所有涉及到我，也就是主体需要在场的情况，AI 都做不到。
这就是AI能力的，这是AI能力上的边界啊。
这就是AI能力的，这是AI能力上的边界啊。
我刚才说的是AI哲学上的边界，现在说的是能力上的边界。
我刚才说的是AI哲学上的边界，现在说的是能力上的边界。
那从另外一个角度上来说呢，其实他能做到的事情，也就是在这个边界里面，其实那也挺厉害的，就理论上所有未来涉及到使用工具的地方，ai 都可以行，而且说不定做的比人好，而且要好的多。
那从另外一个角度上来说呢，其实他能做到的事情，也就是在这个边界里面，其实那也挺厉害的，就理论上所有未来涉及到使用工具的地方，ai 都可以行，而且说不定做的比人好，而且要好的多。
这不厉害吗？
这不厉害吗？
这已经很厉害了，而且这也有可能给我们带来一个很混乱的未来。
这已经很厉害了，而且这也有可能给我们带来一个很混乱的未来。
因为AI的发展可能会带来一个剧烈的范式转换，这个范式转换会造成很多人会出现涂尔干意义上的失范。
因为AI的发展可能会带来一个剧烈的范式转换，这个范式转换会造成很多人会出现涂尔干意义上的失范。
最终，人的能力和工作都会转向，或者说一定会转向到必须要我，也就是说这个主体在场的那些事情上。
最终，人的能力和工作都会转向，或者说一定会转向到必须要我，也就是说这个主体在场的那些事情上。
那什么是必须要主体在场的那些事情呢？
那什么是必须要主体在场的那些事情呢？
比如说写代码吧。
比如说写代码吧。
Ai 能写代码。
Ai 能写代码。
AI能写出很好的算法。
AI能写出很好的算法。
AI也能做出很好的UI，但是到底要不要做这个产品？
AI也能做出很好的UI，但是到底要不要做这个产品？
这个产品是为了满足什么样的欲望？
这个产品是为了满足什么样的欲望？
出了bug了。
出了bug了。
谁来去负这个责任？
谁来去负这个责任？
这个 ai 做不了，ai 负不了这个责任，因为这个责任需要有一个我来承担。
这个 ai 做不了，ai 负不了这个责任，因为这个责任需要有一个我来承担。
再比如说精神分析吧，一个AI可以完美的背诵所有的拉康理论，也可以给出符合逻辑的这个分析。
再比如说精神分析吧，一个AI可以完美的背诵所有的拉康理论，也可以给出符合逻辑的这个分析。
但是。
但是。
在精神分析的这个过程中。
在精神分析的这个过程中。
坐在椅子上，那个分析师的在场，那个真实的肉体之间的沉默和对峙。
坐在椅子上，那个分析师的在场，那个真实的肉体之间的沉默和对峙。
那个承可以承接来访者的移情的那个活生生的人。
那个承可以承接来访者的移情的那个活生生的人。
也就是说，未来人的工作。
也就是说，未来人的工作。
它是一个由我驱动，且必须属我的工作。
它是一个由我驱动，且必须属我的工作。
其他的工作可能就没有了。
其他的工作可能就没有了。
这在我看来未必是好事，但也未必是坏事，它只是会发生而已。
这在我看来未必是好事，但也未必是坏事，它只是会发生而已。
我估计10年后或者15年后吧，可能在中国会更久一点啊，这也是有原因的原因，我好之前我好像之前也都讲过了。
我估计10年后或者15年后吧，可能在中国会更久一点啊，这也是有原因的原因，我好之前我好像之前也都讲过了。
OK，这就是我对于VAI的理解了。
OK，这就是我对于VAI的理解了。
我认为我讲的还是蛮清楚的。
我认为我讲的还是蛮清楚的。
那最后我想讲讲，当这个工作彻底属我的时候。
那最后我想讲讲，当这个工作彻底属我的时候。
会出现什么情况？
会出现什么情况？
当人人都需要去做那些属我的工作的时候。
当人人都需要去做那些属我的工作的时候。
一方面，他。
一方面，他。
是一种解放。
是一种解放。
但另外一方面。
但另外一方面。
对于一个神经症主体而言，很难承受。
对于一个神经症主体而言，很难承受。
首先是恐惧，这是肯定的，因为你要为你的事情负全责。
首先是恐惧，这是肯定的，因为你要为你的事情负全责。
这个恐惧可能会给你很多想象，比如说你可能会期待AI会给你力量，它能给你力量，它一定能，但是这个力量一定是只有在符号层面的。
这个恐惧可能会给你很多想象，比如说你可能会期待AI会给你力量，它能给你力量，它一定能，但是这个力量一定是只有在符号层面的。
对于那种面对的未知的不确定性的。
对于那种面对的未知的不确定性的。
没有用的。
没有用的。
恐惧带来的是逃避啊。
恐惧带来的是逃避啊。
这是第二个问题。
这是第二个问题。
那很多人一定会选择逃避。
那很多人一定会选择逃避。
可能会离开工作，可能会在家里，可能会不跟他人接触。
可能会离开工作，可能会在家里，可能会不跟他人接触。
而逃避之后，可能就是巨大的虚无和抑郁。
而逃避之后，可能就是巨大的虚无和抑郁。
啊，这些推论来自于存在主义的一些老哥，比如说弗洛姆，对吧？
啊，这些推论来自于存在主义的一些老哥，比如说弗洛姆，对吧？
当很多人发现，原来自己根本就没有属于自己的欲望，他们的欲望一直是大他者的欲望的时候，那一旦大他者撤退了，你、你逃避了。
当很多人发现，原来自己根本就没有属于自己的欲望，他们的欲望一直是大他者的欲望的时候，那一旦大他者撤退了，你、你逃避了。
那很多人的这个精神世界。
那很多人的这个精神世界。
可能就会出现一次危机啊。
可能就会出现一次危机啊。
这就是虚无嘛。
这就是虚无嘛。
而在虚无之后，可能社会会出现一种强制性的享乐。
而在虚无之后，可能社会会出现一种强制性的享乐。
逃避责任的人会彻底的把自己的主体性让渡给AI啊，我既然我不知道我要什么，那我就让AI的推荐算法来决定我要什么，我看什么，我听什么，我吃什么，我跟什么样的虚拟人谈恋爱啊。
逃避责任的人会彻底的把自己的主体性让渡给AI啊，我既然我不知道我要什么，那我就让AI的推荐算法来决定我要什么，我看什么，我听什么，我吃什么，我跟什么样的虚拟人谈恋爱啊。
因为AI能做到，因为它毕竟是他人的工具。
因为AI能做到，因为它毕竟是他人的工具。
那他人想做这些事儿，那也能做到，所以他们会沉浸在。
那他人想做这些事儿，那也能做到，所以他们会沉浸在。
对于AI编织的一种完美的符号界的幻想里。
对于AI编织的一种完美的符号界的幻想里。
仪器。
仪器。
这就是一个状态。
这就是一个状态。
那必然会发生。
那必然会发生。
在我看来，一定有很多人是这样的啊。
在我看来，一定有很多人是这样的啊。
음.
음.
可能对于一些人来说，或者说对于经历过这些事情并最终走出来的很多人来说，他们还有最后一步，这一步叫做穿越。
可能对于一些人来说，或者说对于经历过这些事情并最终走出来的很多人来说，他们还有最后一步，这一步叫做穿越。
既然这些外在的意义和工具性的价值。
既然这些外在的意义和工具性的价值。
都被AI抹平了。
都被AI抹平了。
既然向AI索要索要力量，他也解决不了面对不确定时的恐惧。
既然向AI索要索要力量，他也解决不了面对不确定时的恐惧。
那可能很多人能做的就是。
那可能很多人能做的就是。
被逼到那个份儿上了，他就会。
被逼到那个份儿上了，他就会。
拥抱那个不知道为什么，但我是我就是想要做的。
拥抱那个不知道为什么，但我是我就是想要做的。
那个内核。
那个内核。
在拉康的语境里，这叫认同你的症状，这也是拉康的伦理学中最最重要的。
在拉康的语境里，这叫认同你的症状，这也是拉康的伦理学中最最重要的。
那个伦理观念。
那个伦理观念。
我不知道为什么，但是我就是想要做。
我不知道为什么，但是我就是想要做。
那总结一下吧，在我看来，未来的工作一定是。
那总结一下吧，在我看来，未来的工作一定是。
高度的非理性的高度的个人风格化的。
高度的非理性的高度的个人风格化的。
因为很多理性的事情，AI 都可以帮你做掉。
因为很多理性的事情，AI 都可以帮你做掉。
AI 可以写出最完美的、没有程序的 bug。
AI 可以写出最完美的、没有程序的 bug。
我觉得在3年之后可能就能做到了。
我觉得在3年之后可能就能做到了。
但是只有你。
但是只有你。
只有你能决定这个产品是不是带着某种特定的 vibe。
只有你能决定这个产品是不是带着某种特定的 vibe。
这就叫做 web coding 对吧？
这就叫做 web coding 对吧？
哎，也可以去帮你分析各种商业的逻辑。
哎，也可以去帮你分析各种商业的逻辑。
可以穷尽所有的商业分析模型，这个我觉得在一年后。
可以穷尽所有的商业分析模型，这个我觉得在一年后。
基本上，这些搞商业咨询的就快没饭吃了。
基本上，这些搞商业咨询的就快没饭吃了。
但是。
但是。
真正要做一个决策。
真正要做一个决策。
那还是要你决定，到底要不要为了一个看似疯狂的。
那还是要你决定，到底要不要为了一个看似疯狂的。
直觉也好，机会也好，去压这个注。
直觉也好，机会也好，去压这个注。
这些都是AI替代不了。
这些都是AI替代不了。
所以，人类未来的核心竞争力，它不是正确。
所以，人类未来的核心竞争力，它不是正确。
相反，他甚至可能是一种偏见。
相反，他甚至可能是一种偏见。
他也不是逻辑。
他也不是逻辑。
反而，它可能是一种症状。
反而，它可能是一种症状。
它不是计算。
它不是计算。
而是那种必须要我在场的时候能承担的那种责任，那种。
而是那种必须要我在场的时候能承担的那种责任，那种。
真实的碰撞。
真实的碰撞。
所以面对AI，其实我们不需要去跟它拼语言、拼逻辑、拼效率。
所以面对AI，其实我们不需要去跟它拼语言、拼逻辑、拼效率。
因为你拼不过他，真的。
因为你拼不过他，真的。
而我们只需要的是。
而我们只需要的是。
面对我们自己的欲望。
面对我们自己的欲望。
拿掉所有的工具和借口之后，你到底还剩下什么呢？
拿掉所有的工具和借口之后，你到底还剩下什么呢？
什么是你最终要坚持的？
什么是你最终要坚持的？
当你能回答这个问题的时候，AI绝对不是那个剥夺你工作的那个罪魁祸首。
当你能回答这个问题的时候，AI绝对不是那个剥夺你工作的那个罪魁祸首。
它会变成你的放大器，变成你的欲望的放大器。
它会变成你的放大器，变成你的欲望的放大器。
21世纪。
21世纪。
欲望为王的时代。
欲望为王的时代。
ok。
ok。
以上就是《非诚勿扰》2.0的内容。
以上就是《非诚勿扰》2.0的内容。
再次声明啊，以上都是我个人的理解和偏见，我也不知道我为什么要讲这些。
再次声明啊，以上都是我个人的理解和偏见，我也不知道我为什么要讲这些。
但是我一定要讲。
但是我一定要讲。
并把这期播客作为礼物。
并把这期播客作为礼物。
送给听到现在的朋友们。
送给听到现在的朋友们。
关于 Bayt 播客
Bayt 提供中文+原文双语音频和字幕，帮助你打破语言障碍，轻松听懂全球优质播客。