当被问及对LLM的看法时，强化学习之父Sutton直言不讳：大语言模型是通往通用人工智能（AGI）的死路一条 (a dead end)...

是的，结果大家也都知道了，李世石以1:4的成绩不敌AlphaGo，不过唯一的一胜却值得大书特书，李世石在第四局下出了实际不成立，却击中AlphaGo Bug的第78手，神之一挖，杀的AlphaGo方寸大乱，取得了畅快淋漓的一胜。L：是的，Google没有对外说明其实力的进步，让外界对李世石获胜寄予厚望，套路确实深。此次决战万众瞩目，总观战人数过亿，堪称围棋史上的奇迹，结局更是轰动全世界，Alpha

融入环境适应与情感陪伴的脑体综合类，确实是最难以被替代的，即便AI+机器人的技术足够成熟，成本足够低了，大众也需要一个很长的心理接受时间，不过这只是又进一步加大了替代难度而已，并非无法替代。L：无名老师，当前大部分IT从业人员的编程能力都达不到AI的水平，更别提未来了，所以替代人员越多理论上代码质量也越高，比如原先容易踩坑的性能、安全、扩展性、稳定性等深水区问题，都自然而然得以改善。L：所有的专用

AI在欣赏了无数图片后记住了世间万物的向量特征后，比如就能识猫了（详见小朋友都能懂的人工智能⓶ --卷积神经网络初探），类似的棋局也是图形，在总结了无数棋型特征后，开始碾压人类顶尖棋手（详见小朋友都能懂的人工智能⓸ -狗大师的修仙之路）；L：OK，同样的道理，AI在观看了无数的视频后，自然是有可能了解到物体运动规律的，比如看了无数篮球比赛的视频后，就能在球员跳起投篮时预测到接下来的篮球如何飞行、如

如今，人工智能、云服务与大数据技术的加入让手机进入第五阶段，通过学习用户行为和偏好提供个性化服务，成为名副其实的超融合设备。最后是稳定运行阶段，根据实际情况决定原有城堡的去留——可能完全迁移，也可能保留某些特定场景下的专有能力，缩小原城堡的规模。此时，老柯拿起有缘人给的那本神秘古书，微笑着说："今天我想分享书中的两个故事，听完后，相信大家会对超融合数据库的实现路径有更清晰的认识。为进一步推进超融合

AI调整噪点的分布，将它调整后的分布跟我们给它的图片进行比对，经过不断的反复尝试，直到收敛成正确的分布，下图用钟型曲线来给大家做一个示意，比如紫色的高斯分布曲线为AI的尝试，黄色的高斯分布曲线为实际曲线，经过多次尝试匹配，一次比一次更靠谱，直至紫色和黄色的完全重叠，收敛成功！如果时间间隔足够小，它在上一个时间点曾经所在的位置，也是近似高斯分布的。L： 是的，黑色的水就是全都是噪点的图，每次迭代反向

这不仅超级麻烦，还增加了产生误差的风险。L：数据库是运行在主机之上的，主机上的CPU如今都是多核的，数据库为此聪明地采用了多进程分别访问不同核的方式，实现了并行处理能力，从而大幅提升了性能。这是老智的行为艺术，他就是要用现实生活中的例子来让村民们明白数据库是什么，同时也用行动来向数据库致谢，感恩其不仅治好了无名的失忆，还让无名变得更强更自信了。不过老智很快就想到了好主意，他请人将粮食袋中的空气抽干

是的，我知道问题出在哪里。这一路上我还想着如何与你解释无名的大脑工作原理，结果你一个体检报告就彻彻底底整明白了，不得不服啊。

整句话既匹配英语的表达习惯，还保持了语言的流畅性，同时也保持了原意的深刻性，完全不像当初他做项目时翻译的那么生硬，老智惊讶的合不拢嘴，他除了有给无名大量的中英文书籍学习外，并没特别教无名翻译啊，为啥就具备了如此逆天的翻译能力呢？L：C妈问的非常好，词有词向量，既然向量可以计算，那句就有句向量，词计算的汇集就是句向量最终的值，所以翻译最后会用这句中文的句向量和翻译好的英文的句向量进行比较，这种计算的

同样，通过学习大量的人类高手棋谱及自我对弈产生的棋谱后，AlpahaGo就对各种各样的局面进行了分类总结，可以类比为识别出什么样的棋型是死棋，什么样的棋型是活棋，什么样的棋型是危险的，什么样的棋型是安全的，什么样的棋型是厚的，什么样的棋型是薄的…关键是，棋感的提升是可以通过不断的迭代中，反复提升的。L：是的，OpenAI公司推出的通用大语言模型Chatgpt无论是实现复杂度还是资金投入，都远超Go