在我所有的研讨会和大多数帖子中，我最终讨论了降低和全面性之间的差异。这是我自2005年以来的主要信息。突然，但并非出乎意料的是，这已成为批判知识。
因为我们即将移动。
大多数人没有意识到两者之间的斗争存在。他们认为LLM应该是科学的，因为它使用了适用于不可避免的计算机的线性代数，并且是由数学家和学术程序员设计的。
然后他们发现科学家可以解释 如何 它有效，但行不通 为什么 （请注意）它有效。 LLM从社交媒体出版物中学习了“事实”和奇怪的关系。那个LLM对你说谎。卖方说：“他不撒谎。”
对我来说，这似乎不是很科学。或任何尝试早期GPT的人。
但是，我们的AIS蛋白的折叠无法通过科学方法来完成。
因此，LLM学习英语是在使用非常扎实的数学算法完全不可避免的设备上。
但 英语不是不可避免的。不是世界。或想象力。或社交媒体。甚至生物学 – 细胞是一袋汤。
如我们所见，大多数人对科学角色和大赦国际的看法应该有问题。出于很好的理由。科学是大约1600年的获胜策略。400年。我们把我们带到了月球上。我不为此取得成功。我仍然假装
休息是我们种族有史以来最大的发明
在此阶段，这是所有物种的正确做法，因为有必要移动。启用 伟大的脸。我们希望能够利用先进的综合方法，我们需要铺平可以构建LLM的地步。我们做到了。我们准备好了。
即使仅查看人工智能的历史，很明显，我们在此过程中在很大程度上做了正确的事情。从1955年开始，我们指示明斯基，约翰，索洛莫诺夫和其他人根据人工智能中的行为，逻辑和典型（减少）的尝试。这是当时正确的方法，因为这是我们计算机唯一可以处理的事情。今天的LLM 它的工作完全不同 它需要巨大的资源。
在培训LLM时，我们不会创建任何科学的东西。
我们创造了一个世界。
科学是我们减少的最纯粹例子。我们的LLM是解决综合问题的方法。这是冲突。您可以在我所有的写作和其他视频中找到此基本消息。因此，让我尝试一个信息的讽刺漫画：
人类不是一般的情报。我们通常受过教育。语言，步行和因果关系可以在我们周围看到，并学习以后可能有用的一切。当我们学会成为科学家或工程师时，我们将在两个层面上学习物理学和其他科学学科：我们正在基于直觉的潜意识，使用大脑中的全面结构和一些学习的“算法”学习，就像我们学会滑雪一样。我们从直接经验中学习得很有效。我们增加了努力，突然我们看到了设备的烟雾。
除了经验和其他理解之外，我们还通过从书本和学校（学校以及一层模型）中学习其他人的经验来补充。 AI以外的方程，理论，假设和计算机程序。
我们学习OM的定律，可以预测烟雾。除非您明白，否则不能使用欧姆法律 为什么 （又有这个词）它有效及其如何应用于您当前的位置。
因此，工程师或科学家研究了现实世界中的复杂情况。他们利用对世界的理解来忽略所有无关的事物，并将剩下的东西分为越来越小的碎片……直到他们在底部找到一块适合于他们在STEM中学到的方程之一的作品。
它们是适合当前问题的模型。他们测量进入方程式的数字，计算结果，然后使用它来解决他们在现实世界中的问题。这是解决适合此类别的问题的非常有效的方法。现实世界中的许多问题可以通过缩写（世界或工程师）的经验和深刻理解来解决现实世界中的问题，以将复杂的世界简化为一个计算的模型。
这是高等教育的轻度手。他们公开教你你应该
选择使用表格
测量值并使用表格计算结果
使用这些数字作为您的模型的老师
运行表格以计算结果
但是他们忽略了告诉你你也会做的
-3。看世界，因为你出生了
-2。建立对世界和因果关系的完整理解
-1。在顶部的马萨诸塞州理工学院获得首字母缩写教育。
0。足够了解问题以进行认知降低
在互联网上写文字-3至-1的人。我们可以使用此文本铺平我们的设备来执行2到2的步骤。这是一个非常出色的技巧，主要是因为在互联网填写文本后已经完成了人类。这些机器正在做阅读。
AI允许将-2至2委托给机器。人类还必须执行最后一步：
5。了解如何将结果应用于现实世界中的问题。
我们可以为这些阶段的努力提供一些粗略的估计。在解决问题的新案例中，我们希望能够知道人工智能的参与是否可能有所帮助。如果您的工作要求您在解决问题的策略之间进行选择，那么知识理论可能很有用。
减少科学存在困难限制。减少他 我得到了污染的声誉 因为人们将它们应用于降低可以舒适的问题之外的问题。这个想法是世界很复杂，科学无法处理复杂性。减少的第一步是无关的无知。当一切都相关并忽略任何东西时会以未知的方式影响解决方案时会发生什么？
这是这个现实中的正常情况。在解决了科学可以解决的所有问题之后，我们发现其余问题有一件常见的事情。对于知识世界来说，这绝对不足为奇。我们现在正在意识到 复杂性是申请任何种类的主要敌人。
特定级别的问题需要全面的解决方案
我和其他一些人称这组问题 奇怪的系统 表明科学方法无法开始。全球经济和股票市场，细胞生物学，以一种形式的药物相互作用，表明人的大脑，语言产生，折叠蛋白，分配全球资源，战争或国家控制。
除非我们运行简短科学的标准要求，例如乐观，重复和澄清能力，否则我们将无法在这些领域找到解决方案。或从根本上限制问题的问题，这是我们知名的现场模型可以处理的问题，这在复杂的情况下是非常错误的，并且通常会导致意外的后果。考虑我们的经济模式。一些简单的人将失业率视为投入和人口是理性的。
我们只能使用神经网络理解我们的语言并折叠蛋白质，而神经网络不能重复或一定要解释。
建立人工智能时，我们不会试图解决肺癌的问题。我们正在尝试创建一台可以学会理解任何东西的机器，并为其提供有关肺癌的所有信息。 LLM是一种学习模型。这是我的科学，即使这也是一个扩展。
科学没有算法，甚至没有理解，直觉，还原，极权主义甚至抽象的概念。它只能在知识理论中进行讨论。但是，知识理论的视觉可用于指导人工智能算法的发展，这是我自2001年以来一直在使用的。
我们可以想象不同类型的学习模型，但是这些元模型尚未足够理解以指导进步。取而代之的是，可以通过基于计算机算法的经验来取得进展，该算法可以以降低的方式来衡量其有效性，但这在绿色研究领域具有一些活跃的项目令人惊讶。当前的获胜者当然是DNN及其后代变形金刚，但这不是唯一已知的策略，它足够昂贵，需要图形处理单元。
智能所学到的一切都是联系。了解世界是LLM中科学家和权重的链接网络。它与学习水平相当，这意味着LLM可以理解他们所知道的一切，就像人类和其他动物理解的方式一样。
大脑中的关联是从神经元到神经元的交织在一起的联系。这是必不可少的。如果您的LLM算法无法在神经元和簇中实现（模拟与否），那么它们不起作用，不太可能像生物脑结构那样有效。如果您的算法模仿夹具，它可能会起作用。
这会影响我个人吗？大脸会影响我的工作吗？我可以利用这些知识来支持我吗？采用总体情况意味着什么？在哪里可以找到更多信息？任何人都会跟踪“小波动”，最终将是很棒的组成部分。好吧，我会跟踪它们，并希望能够区分它们。
[ There is so much to say about these things that I am making this the first introductory posts in a series about The Great Flip. I will speculate about the near future of AI and its adoption in the world as seen through the eyes of an Epistemologist. The Rest of this series will require a subscription but other posts will continue to be free. ]
我们都知道，人工智能将完全改变世界。伟大的面孔开始了，它不能停止。我们可以直接注意到我们从LLM在其做得好的任务中获得的优势，任何科学都做得很好。这正在发生。我们看到了一波新的科学进步浪潮，取决于LLM，以理解现实的更大部分，人类可以将其保持在他们的脑海中。其中一些进步已经导致比世界更好的模型。更好的科学！科学并非任何方式都死了，就像我们无法预测艺术家或程序员的数量是否会因人工智能而增加或减少，我们可能会看到大赦国际在一定程度上占主导地位，以至于我们需要更少的科学家，或者我们可能会看到成千上万的业余科学家在他们的新郎中使用与高级高级工作水平的普通计算机一起使用。它是由UBI而非大学或公司支付的。
世界上任何模型都不完整，并且在发布时赦免。这是法律。当我们面对世俗现实的完全复杂性时，我们必须变成全面的方法，因为当科学发生时，这仍然存在。
我们可以使用人工智能。我们可以亲自采取全面的立场 经常使用我们的肠道。或者我们可以建造不打算的专用机器 综合方法的cataller （对于知识世界）是LLMS生产的原始性。
通常，这意味着我们将越来越多地委派我们对更可理解的理解的理解。我们有AIS。
我们今天应该投资人工智能吗？我们的工作会有所帮助吗？我们的问题甚至需要人工智能吗？我们的客户想要吗？我们可以问谁？
贵公司有公司的阶段世界吗？
