|
|
本帖最后由 晨枫 于 2026-4-10 19:44 编辑
, w+ V5 d& g6 s% f$ \8 }" G, P8 x7 G
谁都知道，AI会挖坑。但AI不是有意挖坑，因为AI没有那么“意”。坑了你，AI也不觉得得意或者惭愧。AI根本没有情感。但AI确实会坑你。
& a- O7 T- i1 f) F* B2 C) ?0 V8 S! {: e! e# v
AI挖坑的机制并不清楚，以下只是一个猜想。
$ E. x# k! S" `' p1 H5 W3 P! z) O) k" ?9 U' O5 Y4 A
哪怕是生成式AI，AI并不“发明”知识或者数据。AI的“生成”只是根据已有的知识、数据“揉和”出来的。比如说，“用印象派技法画一张慈禧太后像”，印象派技法是现有知识，尽管数据化需要很多功夫；慈禧太后的形象则有历史图片。这是人类也做得到的，在艺术上是原创，但谈不上创造发明。同样，“用印象派技法画一张杨贵妃像”，由于没有杨贵妃的画像，只能凭有限的文字描述，画出来像不像，那就天知道了，和警方根据真人描述画嫌疑人像其实一个意思。凭空捏造则本来就是AI不应该做的。
$ Y1 W6 M9 H. G. k% n) H1 C2 @2 s K' q
* t0 b; h4 M4 v) e/ l1 c' E+ j人类早就会编农历，然后根据农历，就知道大致什么时候天气会怎么样，该干什么农活了。在中国叫农历，外国也有，换一个叫法而已。埃及人的农历的最大用处就是用来预测尼罗河水泛滥的。# U# V2 K: ?$ j
5 y7 Z9 r, ?3 r' r+ K; Q& I
这是查表法。根据经验或者观察或者计算，编制成表，使用的时候根据当前情况查表找结果。在数学上，这叫非参数方法，最大好处是不需要定义有多少参数、什么模型结构。什么样的数据集都能100%精确地使用查表法。最大的坏处是在数据点之间，需要内插。中小学里学的是线性内插，比如查表可知，输入为1的时候，输出为2，输入为2的时候，输出为3，那么，输入为1.5的时候，输出在表上没有，但“毛估估”就应该是2.5。这就是线性内插。/ G+ v& K2 M' k& [, f$ O; w% z
1 { ^1 x5 H/ {2 p- D4 b# b数学上还有其他的内插方法。! P8 t2 k, y. b; @4 ^
- ~8 J$ ^2 h+ H2 l8 `# l/ H
与内插相对应的是外推。如果数据集的最后两点是（10,11）和（11,12），那输入为12的时候，数据集里已经超过界限了，没有数据，但输出“毛估估”起来就“应该”为13，这就是外推，而且是线性外推。& b4 r# a8 y) b5 r/ @
) D$ Y, P$ A( T
内插和外推已经不是100%精确了，因为在内插和外推的地方，原本没有数据点，内插准不准，一要靠一点运气，二要取决于数据点相对密集，中间需要内插的空隙不大。越是靠近数据点，内插越精确。外推更加“玄”，只有在接近数据集端点的地方，才有一点准头，更远就是开盲盒了。
/ d, c7 j+ \7 S8 v( Z% Q! L1 m. N5 u( n9 a" u, e v& Z* k# `
不过人类文明发展就是动态的。根据已有观察构成的数据集永远只能解决已有的问题，新问题在不断出现，需要不断解决。有些新问题是在已有问题“之间”，这需要某种内插；更多新问题在以后问题“之外”，需要某种外推。6 {) ^" \ m! C0 s+ ~2 z0 _
7 n Z: s7 N$ ?单输入、单输出的数据集构成二维表格，用起来方便，内插也好理解。多个输入、多个输出的数据集就构成高维表格，看是没法看了，内插也不再直观，但道理是一样的。
: v( @; H; i$ ^0 |# H; _' N& {8 F" |0 F1 p/ @- Z; \
从表格法进一步，就是参数方法。也就是说，假定一个模型结构，假定一些模型参数，然后用这个模型去“套”数据集，通过模型参数的不断调整，使得模型输出与数据集尽量符合。在达到一定的精度要求后，就认为模型可以代表数据集，而模型就“自然”可以代替内插和外推，在整个参数范围内无间隙地计算输入-输出关系。
v3 S/ c1 p" u' j4 P" U1 x9 |
* N$ z& ~' C+ ]模型就是数学公式，简单点就是线性的，如y=ax+b，复杂的就“上不封顶”了。1 ^9 r" L% _7 V4 ]! j
& [4 Q+ p) |( {) P
模型法的好处是紧凑。一个好的模型就那么简简单单一个公式，而且具有抽象的优点，超脱于具体的问题。牛顿的F=ma就是经典。要用表格表述，那需要对各种问题各种场景统统列表了。这是不可能的。
& v% Z% e9 R" V! ^2 `9 H7 f3 N d5 G9 ?) [
模型法的坏处是必须对问题的本质有精确、深刻的理解。模型结构必须反映现象的本质，足和履天然就珠联璧合，否则用再多的参数去“套”，总有出纰漏的一天，因为削足适履了。( V9 S% V; ~+ k8 v7 x
8 e2 N0 L- Q) L- M这些问题在AI时代之前就知道，AI其实没有改变问题的本质，只是模型结构高度复杂了。6 y8 \, p9 h. n7 z) U7 e8 R+ B0 E
* v3 D( ~4 w. L- L* zAI在最底层就是神经元，这是sigmoid函数，呈S型。简单sigmoid函数有两个参数，增广sigmoid函数有4个参数，其他变形当然还可以有更多参数。, y! t% q3 m" d r" _6 a8 t
w' @5 Z' h% c/ B& @# m$ o' s! S, x通过参数的调整，可以“拉长”成接近线性的函数，用于描述连续的数值变化；或者“压扁”呈接近阶跃的开关函数的样子，用于描述断续的逻辑状态。把一个个sigmoid函数并排，就是一层神经元，一层层神经元叠起来，就是一个神经元网络，这就是基本的AI模型。由于sigmoid函数可以同时模拟数值特性和逻辑特性，神经元网络可以复现非常复杂的特性。
9 T& \3 f- N3 K
9 h7 z. E% _* d2 A: g a( r5 A大模型就是高度复杂的AI模型，每一层都可以有非常多的神经元，可以有非常多的层，还可以有比简单的层叠更加复杂的拓扑结构，以提供更加复杂的数据行为，并用海量参数适配高度复杂的数据集，参数数量可以从几百万个到上万亿个。这是现代大模型的基础。
" S4 B# W; q# q& t& X8 e1 V. t; ?0 x5 I
从“套”数据、模型拟合的角度来说，就是可以通过高度过参数化（overparameterization）避开传统的模型结构和参数选择难题，相当完美地“捕捉”几乎所有数据点。换句话说，传统拟合要是“模型形状”与“数据形状”高度符合，拟合才有意义。在此基础上，用最少的模型参数避免数值计算问题。但用神经元网络模型后，什么奇形怪状的数据集都可以拟合，而且符合度相当高，而参数数量随着算力的急剧增加和算法的高度优化，也不再是个问题。& l) z: h" @, g8 t" g1 L* A
/ D* H: o$ J0 v$ Z* w; e6 r0 a问题是，神经元网络用过参数化的方式绕过模型结构问题，出来混总是要还的。还债的地方就在内插和外推的地方。由于神经元模型几乎无限的“柔性”，在数据点之间的行为高度不可测。比如说，线性内插的结果总是在两个端点之间，好比一根棍子架在两点之间。但神经元就不一定了，可以是一根纱线搭在两点之间，内插值偏离很远。由于神经元的行为（纱线形状）高度不可测，什么时候偏离还根本不知道。
7 @9 N) |* o0 Y/ n6 E- k% u8 ]& T. i4 t3 D9 J6 o
外推也是一样，线性或者一般外推是根据端点附近的趋势加以延伸，但神经元可以一过端点就突然飙升或者断崖式下降，同样没有多少预警。9 n. B! r( s3 h% {; i5 \
3 j5 ~$ W) C) {9 `. O和“古典建模”一样，数据集很密集，内插问题就不大；避免远离边界，外推问题也较小。但这都是可遇而不可求的。1 [2 q Q3 N$ e3 M
4 m- i6 J3 d! m' p" \+ m) A一个办法是对“数据行为”规范化，比如把数据排成具有明显的上升、下降趋势，避免曲里拐弯。但大模型的数据集浩如烟海，除了有限的“主要数据”，这样的排序在实际上不可能。而且输入、输出关系高度复杂，对一个变量排好了，可能对另一个变量就是曲里拐弯了。最终还是只能“有什么吃什么”。
+ Q# G% z( c) E
5 q( |, M, }* O8 f: W* Z7 n简单做法是对数据点之间和端点之外的行为加以约束，比如规定一个“走廊”，不能跑到外面去，但这其实就是对模型结构化了，有违非结构化的初衷。而且模型一复杂，有那么多地方需要“划线”、“定调”，顾不过来，但遗漏就可能是坑，而且不到踩上还不知道这里有坑。' x2 d; O( W% B5 Z$ k: x( {
3 r7 g! y+ ^2 I6 ?0 H( h( L( m
大模型对于数据点上的数据相当精确，比如要问一个yes or no的问题，或者什么东西多少钱、哪国什么时候GDP多少之类的事实问题，一般比较可靠。但要是数据集里不存在这个数据点，那就要难说了。
# q- w; _* B" f' o% K: M- k, I8 @# Z2 _8 d( c" A n
好在世上大模型有很多，各家的“纱线”不同，同样的数据点之间的行为也因此而不同。$ L) i. C8 k* p; V+ U
. b5 G8 A, S' F$ _& L; p; e+ {有人拿不同的大模型互相“拷问”，最后得出较为靠谱的结论。这个方法不错，但依然不能绝对保证。毕竟这好比有限次数的试错法，踩中了坑就能发现，没踩中还是不知道。 |
评分
-
查看全部评分
|
雷达卡
楼主
收藏
分享
淘帖
支持
反对
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
千斤顶
显身卡
发表于 2026-4-11 12:44:56