首先，把自己对AI的思考贴出来，方便和各位佬讨论讨论，附件是对论文 A Survey on Post-training of Large Language Models 的一些简要版的解读，方便大家快速了解。 后训练方法综述.pdf (2.6 MB) 首先就是，如何让模型训练走进寻常百姓家。目前的模型微调还是主要集中在那些大规模的大厂，需要极高的算力，那开源社区在做什么呢？在做skill，做harness工程，做tools，本质上是在为模型搭建身体。但是我们应该形成身体和灵魂的闭环，头脑为身体提供指示，反过来，身体的数据也应该反过来训练大脑 突然想起来，memory和模型的参数都类似于人类的大脑，但是推理能力让我们可以从不那么宽泛的知识来推导出更多的内容，但是memory更加类似于一个RAG的数据库，我们是否可以打通memory和参数之间的限制，让memory外挂，而让参数学会按需检索（包括去问其他的AI），类似于人类这样 接下来就是，对于不同的领域，我们对于模型的要求是不同的，比如创新领域我们需要模型更创新，但是有时候我们需要模型更保守，那么我们应该怎么让模型学会这个动态场景的自适应呢 我们也发现了，目前AI主要在代码和数学能力让突飞猛进，但是不知道你也没有想过这样的一个问题？ 编程本身就是一个工具，你会软件开发只是说你掌握了编程这样的一个工具；同理，证明本身也是一个工具，是为了证明某个公理的合理性，你会做证明题只是说你掌握了数学证明这样的一个工具。那既然是工具，那就有被取代的可能。从此，软件开发变成了你使用AI编程这样的一个工具，数学证明变成了你使用AI证明这样的一个工具。所以AI的出现带来的是工具的迭代升级。 那么，我们转念一想，那AI绘画，AI视频，本质上不也是说将传统的工具进行了一次迭代吗？ 所以，我们焦虑的到底是什么？我们为什么不能放心的去拥抱新的工具？ 工业革命，缝纫机的出现，不就是把人类的用手缝缝补补变成了用机器缝缝补补，效率得到了提升；如今，AI的出现，把传统的古法编程变成了用AI编程这样的高效工具。 我们羡慕那些不被AI取代的领域，可是AI并非取代，AI的作用更在于带来了部分领域效率的倍增。所以，具身智能出现了，也许未来，对于搬砖这样的技能，也许机器人可以做的更好，成本更低。那这些人何去何从也许是一个值得思考的问题。 所以，我们学的是什么？传统的课程还有没有学习的必要？ 有的，所谓学历史是为了用好历史，对于非信息领域，适应工具的发展，大大提高你的效率。对于信息领域，或者说对于像我一样，在AI的前沿领域探索的人来讲，我们需要知道计算机领域的发展，包括但不限于，我们为什么从单周期CPU前往了流水线CPU，我们为什么选择机制和策略相分离，我们为什么要选择层次化的设计。这将是历史的智慧，尤其是对于AI这样的新领域，一点点的历史的启发也许会带来效率的倍增。有了这些智慧，无论是训练AI，亦或者是开发Harness，其实都是在为大家开发更加高效的AI工具（比如搜素的更加高效，召回率更高）来供大家使用。 何为高效？比如搜索，你更愿意花费30s来等AI的综合搜索，还是更愿意自己用浏览器搜索。二者都是工具，如何选取，需要根据场景的不同动态的选择 但其实这一切都基于AI不会产生灵智，即他只是一种更高效的工具。比如AI不会在你没有给指令的时候完成你的COD实验，也不会在梦中突然产生灵感然后自己开始干。在这一过程中，灵感越来越重要，你的idea越新颖，你对于AI工具的使用就越惊艳。 所以，AI不能取代什么？也许只有灵感的诞生。也许你会说AI可以辅助你产生灵感，但是AI自己是没有灵感的。 如果有一天，AI有了灵感，那人类危… 2 个帖子 - 2 位参与者 阅读完整话题