|
|
本帖最后由 晨枫 于 2026-4-10 19:44 编辑
# v: ^! J, c: O, H' {6 p
! u9 h! B! C9 }3 {6 X$ k$ P- p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。1 F$ N; @' p4 X' `: U' M4 K2 Q7 u
. B* k- T$ e3 f. W& SAI挖坑的机制并不清楚，以下只是一个猜想。2 `0 r8 I$ i: w! U- h
$ l8 H+ ?! b) J9 |! U$ E& e8 }+ e( ]
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。
/ j' v9 Q" R, v3 P" m+ {' @7 o; N3 g8 t/ U9 x O# A6 r
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。, N* s) l5 e' n+ r" `( C
1 V5 T9 ]0 x0 K& K+ B
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。
0 m. C6 u" i( `) h& c K" l
3 l; H2 o9 m1 Z/ @! P& o1 J" `数学上还有其他的内插方法。
& O5 P) z O; @6 `1 @: H- R/ X; x
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。
* y" r* Y. u8 Y1 e1 U3 ]1 q
$ m j" Q+ ~8 A: J( L* j/ 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。
6 F# b7 U/ z4 {/ a( W& b: u+ f
- s* Q3 |" J& A" f; @* ]2 }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。9 K" Q( p/ W% b
9 h7 D& `2 Z& \) 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。
* P9 E/ Q/ L O: ]8 A3 Y" i3 R) a% i! }8 l6 A6 o
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。
9 ^3 T Y, @4 S8 t! `. b3 V! \' F/ \* w* H5 [6 t
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。7 g2 e/ f. \* s% w! Q/ a
5 U5 U$ \' j6 U* n" u, a: O* s' j
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。
! W/ I; k \4 C( F+ k1 h% [8 k2 F" M# d. v \
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。
1 H& P9 z2 g, Z- z' z5 l: O: d" E; F* Z, x8 {$ z7 d, V
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。
5 y( E: }: M O5 E7 p% U7 R5 R! s9 c) s- `; p
AI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。/ r; A5 h' |2 D4 k: a0 L; i
/ X. U8 l3 n' Z/ |% O' ?
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。
: e/ C& A$ S4 h" c; n+ L7 j5 A- G6 B- n
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。
+ `+ A3 h. W& c+ d( M! J0 y. `" P7 P$ ?
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。 P' M! F+ l; ?0 O) Y% V' o
2 o9 |" V2 ~. \3 _( M2 \' L% q% L( d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。
" |1 n/ b/ p4 ~* c" X/ @! [4 e* P0 h8 d# N9 x+ r# ` t
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。
; [4 D. Y! }; f- [9 g7 u, m. F* X$ F, O+ {& R4 {
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。
# V0 j+ n+ K4 V! O7 _# g6 e3 \4 {) F0 o9 o2 `/ K5 g! Z. x
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”。2 T$ G5 c: }- c4 d( }+ t
$ p" [/ G" Z! Y9 s o; n0 z
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。
0 R+ }) V% |1 S
! y; j. `: o& B) ]0 [9 U5 W: p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。+ M) T. [0 x( q' j
4 O1 K8 P7 P# z: F$ [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。6 g2 r* b9 O& { T. x
3 ]6 F9 r4 _7 [& c% Z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