本站对于人工智能生成内容的说明

作为人工智能专业的学生，我博客里敲下的、笔下的文字均由个人创作，并没有AI的创作文字。

尽管我亲手给数据打标签、训练AI，使用AI，
我也不喜欢通过AI写出文字。

我很早就开始接触使用AI了（大概是2010年左右，看着从向量机到人工智能模型），AI这几年发展很大，
可以实现过去很多人类不能交给它做的事，比如关联总结的任务、按自然语言生成新的文章、图片、代码甚至视频。

但现在的AI依旧是用一个个节点、一层层网络的参数去模拟，是通过输入输出，或者衍生出的参数去修改另一部分参数，这模拟了人的大脑的神经元，可能是可行的，但很难实现突破。

AI依旧是理解不了更多、更深的人类文明中精华，例如文言文（效果会非常差），例如人类哲学的深思（AI很难判断一句话的内容包含了多少信息、有几层意思，或者是深刻还是浅显，业界LLM的努力方向之一）。

为什么?

因为AI不像人，它并没有自己的“机生”。我们为了实现模型训练的性价比，是希望提高这个模型的泛化性、鲁棒性。所以我们训练中给它的输入通常是脱敏的、普遍的、较为全面的、大众化的、随机的，我们希望这个模型无论遇到什么输入的情况都能应对，都能给出较好的输出。人呢，后天人生中一系列经历，与先天的我们，影响了我们的人格，成就了我们这个人。故每个人都不同。它在学习那些输入时，并不能真正做那个读出不同哈姆雷特的人，谷歌的deepmind曾经有方向寄希望于做这个读出不同“自我”的自监督/无监督机器学习模型，后来成功了一部分，可惜因为深度学习的发展成果较显著而转移了重点。总之“通用”的AI模型读不懂也写不出“独特”的我们笔下的文字与风格。

因为我们的脑科学迟迟难以突破，现有的脑科学并不能揭示人类大脑为何能让数百亿神经元以几十瓦的功耗二十四小时持续运行，现有的硬件无论再大，所运行的神经网络都无法比拟人脑的复杂。尽管先辈提出模拟神经元以实现深度学习这一崭新的人工智能发展方向并取得显著的成果，但由于缺乏基于神经元原理设计的高效能计算硬件，学界仍要以原有的基于冯·诺依曼结构实现的CPU、GPU、TPU来优化深度学习模型。近几年的NPU试图做到这一点，但代价昂贵（尤其要要求NPU有浮点运算的能力时）。

因为我们目前研究以深度学习实现的人工智能这一系列方法，难以帮我们积累相关科目的知识，更难以实现以点破面的研究效果。现在的训练方法是有迹可循的，网络的架构是参照神经元设计的，但如今的人工智能学界并不清楚参数之间的调整为何能使模型完成任务的效果变好，为何特定参数能实现特定任务。这个缺陷导致人工智能的迅猛发展并未给相关学科带来更进一步的知识累积，不断吃基础学科的老本（非常厚实……），终遇桎梏。

如今的AI模型根本就没法应对投机的狂热市场与逐利的商人，它还远远没到市场和商人所期待的那样。

尤其像是那些事关生命的任务，我强烈反对使用哪怕一点点AI，这是在拿生命作赌资同上帝抛骰子。我也强烈反对使用汽车系统能影响或直接操控车辆驾驶的汽车，t3级别以上的自动驾驶这类任务交给现在的AI，是疯狂地且难以想象地不负责任。你能坚信由至多数亿参数组成、经过四五年训练的数学模型能同我们有着千万亿突触（是的，参数的作用近似于突触，而不是神经元）、经过五千万年演化而来的大脑一样，承担生命的重量？模型难承生命之重。

因此AI暂时替代不了我身体的大多数职责，包括思考，包括撰写，包括组织我笔下的文字。

当然我还是乐意在不影响上面那些情况的领域使用AI的，我清楚它现在应当是怎样一个工具，所以我可能会利用它生成一些样式图片，我选择后来装饰我的想法。

网站相册里的图片均是我个人拍摄且亲身经历，不会有AI生成的内容。

本页面想法来自Damola Morenikeji的/ai 宣言，你也可以看看。

你的评论