提到大模型，大多数人的第一反应是「大模型现在有自我意识了吗？」，第二反应是「如果现在还没有，大模型将来会产生自我意识吗？」。其实本质是同一个问题——人类高傲地、本能地认为，机器也配有意识？！
仅从结果上看，如果人脑表现出来的种种行为能称之为「思考」，那么机器也会「思考」。
如果只能用一句话概括「大模型是什么？」，那就是「大脑 & 大模型都是在做模式识别，只不过大脑更灵敏一些。」。稍微展开一点，可以用一个等式来理解：
从人类视角看「大模型 = 大预言术 × 因果」，
从机器视角看「大模型 = 预训练 × 后训练」；
从工程视角看「大模型 = 世界模型 × 长时推理」，
从哲学视角看「大模型 = 看清当下 × 推演未来」。
其实，把「大模型」换成「智能」也一样，甚至更妥帖一点。
目前，预测这半边，人类基本搞清楚了，但是在推理端，大家还不清楚逻辑是怎么从神经网络中涌现的。
下面，想对比「人是怎么思考的？」&「机器是怎么思考的？」做一些分享。
自我意识、主观能动性、创造力、学习能力、迁移能力、思维、意志、意愿、理解、顿悟、预言、预测、聪明、智慧、智能、智障……人类有太多形容「脑子」的词。这些词混杂在一起，∴导致我们在讨论「脑子」的时候总是「牛头不对马嘴」，各说各话，吵成一锅粥。
计算机科学里面有个「粑粑原则」：
如果看起来像粑粑，闻起来像粑粑，摸一摸黏嗒嗒，那我们就把它当做粑粑。
只有我们接受这个原则，也就是只在单一维度上讨论关于「脑子」的话题，才有可能讨论清楚人工智能进展到哪一步了？——人能解决问题，∴人表现出智能；如果机器也能解决问题，那么我们就把机器也视作表现出智能；如果机器能解决人都解决不了的问题，那么我们就视作机器的智能超过人。
在这个前提下理解智能需要 1 根链条：从秩序到预测 → 从预测到理解 → 从理解到创造 → 从感性到理性；
为什么会发现这条进化链路呢？得益于人类目前累积的 3 个观察 & 1 个等待发现的洞见：
有次，我跟小朋友解释「直觉是怎么回事？」：想象一下，有天你回家，握到门把手的瞬间就感觉哪怪怪的，但又说不出来，推门进家以后果然发现被盗了。其实是，门把手的位置和平常稍稍有点不一样。人的脑子每时每刻都在做预测，准备推门之前一刹那就已经在预测门把手的位置了。
生物 & 非生物的区别是什么？粗略地说，生物会动，非生物不会动。那么问题来了，是怎么从不会动到动起来的呢？生物「动」的意愿是怎么凭空产生的呢？只有一种解释，非生物也有「动」的意愿，生物只是继承了非生物「动」的意愿。只不过，非生物「动」的意愿是物理规则作用下的「动」。
就像把球放进碗里，球总是想要滚回碗底，自然界中万事万物就好追求点「小确幸」，天然追逐「维持稳态」。「维持稳态」就是万事万物「动」的意愿的起点。用 @福冈伸一 在《生物与非生物之间》的话就是：生物的起点是「振子」。
∵要维持稳态，逐渐从「被动应对环境压力」进化到「主动预测来自环境的冲击，进而作出回应」。∴人脑学会思考的第一块踏脚石就是「预测」。而预测不过是万事万物维持稳态的副产品。
正如「「地上让苹果砸向 Newton 的重力」和「天上让月亮围着地球转的引力」竟是一回事」一样，「低贱如草履虫的智能」和「高贵如灵长目-类人猿亚目-人科-人属-智人的智能」竟然也是一回事。大自然没有理由设计两套哪怕有一丁点不同的吸引力，自然也没有兴趣设计两套哪怕有一丁点不同的智能。当然，前者是科学定理，而后者还只是科学假设，或者说是人工智能的底层信念。
用进化学家的黑话复述一遍就是：思考的起点就是「生物维持稳态的倾向」——生物的自平衡机制，追求稳态的结果就是「寻找抽象之上的抽象，黑话叫恒定表征」。这个过程的副产品就是「表现出预测」。
∴所谓思考没有那么神秘，不过就是「预测 → 观测 → 估算一下差值 → 修正」而已。早在 1948 年，控制论之父 Norbert Wiener 就说，智能已死。大意是，我早已参透思维的本质，不过尔尔。
这套分析框架是通用的。就像「数据 → 知识 → 情报 → 假设」这个驱动循环，「数据」是「观察」到的记录；「知识」是对「数据」的系统梳理，或者是对「原有知识」的修正；「情报」是以行动导向、运用「知识」针对性地聚合分析；「假设」是基于「情报」指引提出的推测、制定的动作，也是「验证」的起点；而「验证」又需要「观察」到的「数据」支撑，来完成闭环。∴换个表述就是「观察 → 理解 → 行动 → 验证」。
用一句话小结就是：从秩序到预测，从「我想躺平」到「根本躺不平，被迫睁眼看世界」，这个过程中意外地让生物学会了「预测」，简直躺赢。
什么是理解？Sam Altman 讲过一个很经典的例子：看一本本格推理小说，准备翻开最后一页，「凶手究竟是谁？」。做出这个预测，需要理解全书提到的所有已知线索，需要判断每个登场人物的不在场证据是否充足，需要找到凶手的犯罪动机……这时，你能说做出这个预测的人不理解这本书吗？∴能预测，就是理解了。
但感觉还是隔靴搔痒，究竟什么才算作理解？大家都听过这样一个古老的哲学难题：
一艘叫「忒修斯」的船在经年累月当中，换了甲板换桅杆，换了桅杆换船舢……当所有部件都至少换过一遍之后，这艘船还是原来那艘船吗？
其实这个问题的答案很简单：我们在下象棋的时候，偶尔碰到这样的情况——「军」不见了，可棋还得下啊。那么找个瓶盖代替吧。瓶盖跟「军」一点都不像，可是我们让它遵从「军」的规则，受到其他棋子的制约，那它就是「军」。
正如重要的不是瓶盖长得像不像「军」，重要的也不是忒修斯之船的部件还是不是原来的部件，重要的是「军」与其他棋子之间遵循的规则，重要的是部件之间耦合的连接。简而言之，重要的不是一个个点，而是点构成的那张网，是点之间的「结构」。
说到「结构」，大家总是觉得很抽象。有次跟小朋友讲「为什么数学的核心是研究结构？」。跟她玩了个游戏：只动 3 颗子，怎么才能把一个正三角形△变成一个倒三角形？对于大人很简单，顶上的 3 颗子是上下不对称的，而中间的 7 颗子是关于水平中轴对称的。知道了答案，10 颗子在我们眼中便分成了两类，这就是这个题的「结构」。
生物想要维持稳态，就需要预测来自环境的冲击；而要想预测准确，就需要探索周围的环境，需要探索更远的周围，需要在更高维度上寻找恒定的、能让它们安心的东西——也就是世界的结构。探清周围的一方小世界也好，看到大世界也罢，都是在「理解」。∴人脑学会思考的第二块踏脚石就是「理解」，而理解只不过是探索的副产品。
在《为什么伟大不能被计划》一书中提到：
我们对问题空间的探索，就是在寻找关于这个空间的知识。
空间的结构就是知识，我们对空间中结构的把握，就是在学习知识，就是在「理解」我们所处的空间。这里的空间即可以是物理空间、也可以是抽象空间。
我们可以用两句话来小结：
探索的过程，意外地让生物学会了「理解」。
群体什么条件下能汇聚出智慧？什么时候又只会是乌合之众？在《群体的智慧》&《乌合之众》当中有过论述，大意是：就像集市上估牛的体重，一般把一帮老农估的重量简单平均，得出来的是最准的。∵这帮老农对牛重的理解有浓度、有密度，满足了多样性、独立、分散、有效汇总等条件，每个老农在估牛的体重这件事上都是行家里手，且各有各的独到视角。而如果叫一帮中学生去估，这种简单平均的方法可能就不好用了，∵中学生同质且盲从。
两个小朋友争一个橘子，家长对半划开，公平分，可能都不满意，∵一个想吃果肉，另一个想玩果皮。
困难问题的解决往往需要知道还有另外的维度，需要找到可以交换的点，可以交换才能腾挪，可以腾挪才能变通，可以变通才有可能解决。
举一个《控制论与科学方法论》中的例子：曹冲怎么称的象？现实世界中，象不能切成块；但在等价的石头空间里面，石象就可以切成小块称重。⚠️注意：相较现实世界中的象🐘，石头空间中的象🪨是一个简化的等价物。即，共轭空间应当降维，才能起到收缩解空间的目的。
创造也好，突破也罢，本质都是「在不同的时空之间腾挪」（即共轭控制），都得益于高维打低维。∴人脑学会思考的第三块踏脚石就是「创新」。而创新不过是在不同认知间腾挪的副产品。
依旧用两句话小结一下：
开始想象大象看得见的正面 & 看不见的背面，并意识到两者是同一头大象，从而可以根据看得见的正面去推断看不见的背面，意外地让生物学会了「创造」。
现在，人类已经找到了通向智能的 3 块踏脚石——预测、理解、创新。但我们还缺少一个深刻的洞见，就是「人是怎么在感性中发展出理性的？」，只是观察到「人类突然就发明了逻辑」。但也足够我们在机器身上复刻智能了。
稍微复盘一下神经学家对人的智能的认识过程：从「我想躺平」到「根本躺不平，被迫睁眼看世界」，再到「乱花渐欲迷人眼，不撞南墙不回头」「见天地、见众生，最后看见自己」，再到「旁门左道竟然触发触类旁通」「没有正面硬刚，只有猥琐发育」，再到意外发明了逻辑，一路走来，智能竟然只是进化的「副产品」。
说到预测，大多数人都被我们的中学物理误导了，以为预测篮球的轨迹就是算抛物线方程，其实人脑下意识哪懂什么抛物线方程，没有人是靠计算抛物线方程接球的，只知道「篮球看着有点小，就往前走两步；看着有点大，就往后调整两步」——观测 → 测量 → 修正，如此往复，直至接住球。Bayes 把这个发现抽象成了一个简单的数学公式 Bayes Theorem：新预测 = 新信息 × 修正。
∴我们应该感谢 Bayes ，让人类在数学上搞清楚了如何做预测。
大模型用了一种叫 embedding（词嵌入）的技术，把每一个文字编码成高维空间中的一个点。为什么要这么做呢？正如「忒修斯之船」所揭示的「重要的是结构」，大模型不关注知识点，∵知识点都收缩成字面意义上的点了；它只关注点之间的联系、联系之上的网络。
这块用到的技术叫 attention，就是划重点。我让 DeepSeek 给我举个例，它这么解释的：
「The animal didn't cross the street because it was too tired.」中的「it」指代的是「animal」还是「street」？从词距上看，「it」离「street」只隔了 1 个词，和「animal」隔了 5 个词。但站在词义的维度，我们发现「tired」更可能形容动物，通常不会说街道累了。∴「it」和「animal」关联性更强——即，「it」与「animal」的距离更近——∴「it」指代的是「animal」。
从最底层上说，机器并不能「理解」，它只会「计算距离」——在 12888 个维度下计算距离，距离近的就相关，距离远的就不相关。
最有名的发现是 king - queen ≈ man - woman 。
机器产生创造力的关键机制叫 MHA（Multi-Head Attention，多头注意力机制）和 MoE（Mixture of Experts，混合专家）。本质都是前面提到的「在不同的认知之间腾挪、置换、交易」。
Fitzgerald 曾敏锐地捕捉到：
检验一流智力的标准，就是头脑中同时存在两种截然相反的思想，却仍能并行不悖。
这也告诫我们，「多尺度地观察」「跨领域地思考」可能是大模型今后可能超越人类的杀手锏，∵人类终究只能理解 3 维及以下的事物，而大模型在高维理解上无上限，毕竟对于它来说，「理解」就是高维空间的加加减减而已。
scaling law（尺度定律）大意是，投入 10 倍的算力，可以肯定地让大模型变得更聪明 1 倍。即，丢更多的机器，AI 就能变得更聪明。
现在，大模型看着好像行了，不那么智障了，甚至还经常打破人类的预期，但大模型为什么能行下去吗？目前，大家还是保持谨慎乐观的，信仰的基础就是大家相信预训练 & 后训练两块的 scaling law 都还会保持下去。如果真能持续，大模型将实现从创造到超越。
但，现在的大模型还有 2 个命门，也对应人类还剩下的、为数不多的 2 个优势：
学习大模型的工作原理，对我最大的启发是要「善用杠杆」——善用自我认知这根杠杆、善用机器这根杠杆、善用数据这根杠杆。
工业革命本质上是动力平权；
互联网革命本质上是信息平权；
移动互联网革命本质上是服务平权；
智能革命本质上是智力平权。
∴智能革命带来了一个好消息 & 一个坏消息。好消息是：在信息处理这件事上，人人都能成为没有短板的水桶。大模型会迅速把所有人的短板强制拉升到社会主流水平，而且水涨船高。坏消息是：人人都会成为没有短板的水桶。也就是说，大模型会让所有没有达到社会主流水平的技能「归零」。那时候，只有长板才能让人脱颖而出。∴ @吴军 提出过一个「2% 理论」——未来只需要 2% 的人工作，剩下的人政府给发福利也能过得不错。
好在人类不是第一次碰到这种危机了。Einstein 就曾说过：
用一个大圆代表我所学的知识，而圆圈之外那么多空白，对我而言都意味着无知。而且圆圈越大，它的圆周也越长，它与外界空白的接触面也越大。
现在可以稍稍修正一下：圆圈中大部分知识都为所有人共享，但越靠近圆周，平权程度越低，边缘上创新的机会越多，创造出来的新需求也越多。
∴大家已经基本达成共识了：不要再在通识上去跟大模型一较高低，而要找到自己的长板。
现在有一种猜测，从原理上看，大模型学到的都是主流观点。大家形成共识了的，就会答得很准；但没有形成共识的，比如预测某只股票的涨跌，大模型的判断就没有太多价值，会包含很多「幻觉」。那么大模型的能力边界是否会被限制在「主流共识」之内呢？不好说，既然大模型能看到更高维的世界，那么可能能涌现出更深刻的洞见。但这至少启发我们——要想超越大模型，仅仅是正确还不够，还需要与众不同地正确。
怎么才能「与众不同地正确」呢？很简单，向大模型学习。大模型用了一种叫「Actor-Critic」（演员-评论家）的学习思路，即演员 Actor 专注于做出更好的表演，而评论家 Critic 专注于给出更精准的评论；演员根据评论家的评论改进自己的表演，评论家对超预期的表演给出更高的评价……
有这么一个案例：
疫情期间，一个人偷了 ￥3500 块钱，按法条肯定要判刑。但他只是实在太饿了，自己吃，并没有造成危害的扩散。∴检察官主张不入刑。
受此启发，首先，不能再去比拼基于事实的判断了，这方面大模型完胜；其次，应该去比拼基于价值的判断。∴我们应该培养能够迅速提升价值判断的品质，比如：审美、品味，以及专业思维。捕捉到价值才能以简驭繁——以价值判断驾驭大模型怪兽。
有个故事，说：
@王国维 有次给 @溥仪 展示他的藏品，@溥仪 草草一看就说是赝品，「和我们家的不一样」。@王国维 不服，拿去鉴定，还真是假的。
这个事是不是真的不好说，但我相信 @溥仪 的鉴宝水平应该是真的。看着珍宝长大的，对文玩的品味肯定不差。这种品味能让他穿透表象，识破伪装。
数学家最宝贵的是数学家思维，检察官最宝贵的是检察官思维……
有次，我问 DeepSeek 「理解，是不是就是从不同的角度打标签」。它居然指出我的误区，说「理解，并不只是标签的堆砌，更深层的理解需要识别多个尺度下的结构。」。把我震惊到了。
如何适应大模型遍地的时代呢？
有天，苏格拉底问他的学生：人是什么？
学生说：人是两腿直立行走的、无毛的动物。
苏格拉底反问：把一只鸡拔光毛，这只鸡是人吗？
苏格拉底从不直接给出答案，而是不断攻击学生的漏洞，直至学生自己找到答案，他把这叫做「精神助产术」。受此启发，我们也可以把大模型当做私人专属的苏格拉底，给我们提供认知的反馈，指出我们思维的盲区，不断修正我们的认知。
其实这是我在读 DeepSeek 关于 R1 的论文时想到的，而 DeepSeek 是受 Alpha Zero 的启发：
当年，Google 造了 2 台 Alpha Zero ，只告诉它们围棋的规则，连一张棋谱都没有输入，训练了几天，结果无师自通，竟然完胜曾经打败 @柯洁 的 Alpha Go 。
DeepSeek 受此启发，想到「能不能不要人去教，只给出最终的勾勾叉叉，让它自己学呢？」。但围棋是一方封闭的小世界，而真实世界是开放的大世界，何况训练的成本是以十万美金为单位，∴之前就算有人想到也心有余而财力不足。财大气粗的 OpenAI 应该是知道了的，但是它不但没有公布出来，反而还发了一篇论文误导大家（说有人指导的效果很好）。
其实，早在解放战争时期，@常凯申 就教过我们重要一课——不要直接下场微操。过多、过频的具体指导只会打乱基层指挥员的部署，无益于调动积极性。就像我们都经历过的，军训的时候，教官一顿操作猛如虎，最后我们连路都不会走了。DeepSeek 不去管理过程，只关注结果，反而取得了巨大的成功。
∴小学老师最喜欢严格比对标准答案，其中一步哪怕格式错了都打回重写。但大学老师只管勾勾叉叉。哪种教学效果好呢？至少 DeepSeek 已经证明，小学老师的教法不适合聪明学生。
有人在知乎上感慨说，我们研究控制论的，之所以混得不好，就是缺少一个像 Hilbert 那样的祖师爷，早早在 1900 年就提出了 23 个最重要的数学问题，∴数学这一个多世纪以来高歌猛进。「定义真正需要研究的问题」是需要宗师级别实力的。问题也好，错误也罢，是发力的锚点。没有锚点，只能虚空发力。
大模型是面镜子，我们觉得大模型不行，是因为我们提问的水平不行。高质量的提问才能生成高质量的回答。这个启发对我最大的价值还不在于使用大模型上，而是启发我把小朋友教育的关注点放在「提问题」上，鼓励她们「每天提出一个好问题」，∵好问题是会下金蛋的鸡。这里分享 3 个我家老大最近问过的问题。
一个是「为什么车比人跑得快？」。
我家老二抢答「∵车有 4 个轮子，但人只有两条腿。」
老大反问「自行车也只有 2 个轮子啊，还不是比人跑得快？！」
我心中一惊，有本书叫《摇篮里的科学家》，原来小朋友真的天然掌握「控制变量法」。
我回答「车跑得快，是因为轮子滚起来不会上上下下，而人走路会起起伏伏，∴更费劲。」
第 2 个问题是，有天跟她俩讲了「二桃挑三士」的故事，问「两个桃子，三兄弟分，怎么分？」
老大说「很简单啊，一个桃子切两半，三兄弟各拿一半啊！」
我笑着问她「剩下一半给谁呢？」
「再切四份，取三份，留一份啊；再切四份，取三份，留一份……」
我的嘲笑渐渐凝固，∵我知道「首项 $ \frac{2}{4} $ 、公比 $ \frac{1}{4} $ 的无穷和确实等于 $ \frac{2}{3} $ 」，而且我从来没有想过这种切法。
第 3 个问题是「为什么在 3 × 4 = 4 × 3 中位置不重要，但在 34 ≠ 43 中位置很重要？」
这个问题其实不难，乘法可以交换，是因为乘法算符具有空间旋转、平移不变性；而后者其实隐含了一个叫「进制编码」的一维算符，∵编码对位置敏感，∴这个算符不可交换。
但我想了好久，才想到小朋友能听懂的答案：∵乘法就是在数一个矩形包含了几个单元格，∴跟这个矩形是横着放，还是竖着放，甚至斜着放都没关系；而后者就像取名字，别人取过了就不能重名了，否则叫一声「张三」，一群人回头，∴当然「姓」和「名」是不能交换的，正如喊「张三」的时候，叫「三张」的人是不会得应的。
提出好问题这条对于成人来说也是适用的。我问过我那个摄影协会会长的高中侄子，问哪 3 个问题，最能判断出一个人的摄影水平？我的答案是：
其实，人是很难从概率游戏中学到正确的规律的。比如：
这个牌型，应该最先打哪张拍🀄️？一般，第一反应是打孤张「九筒」，但这样无助于推进胡牌，从概率上最先应该拆「七万」，才能从 6 个「搭子」推进到 5 个「搭子」。曾问过输掉上百万的老麻师 & DeepSeek，都坚信应该首选打孤张「九筒」。可见，要想从概率中学到正确的反馈是多么困难。同样也说明，要想在强化学习中设计有效的奖励是何等的困难。
漫画《石纪元》里有个情节，地球重启之后，仅剩的几个宇航员回到地球，花了一辈子淘沙，最后搜集了一小瓶贵金属，为人类重启按下了启动键。不管是对公司、对单位、对个人而言，与业务、与个人相关的数据都是我们能否获得 AI 加持的关键。先把这些富矿一颗一颗积攒起来，哪怕现在还没有能力开采，也要为今后有能力开采的时候做足准备。
让百川归海需要从 4 个方面准备：
大模型的优势就在于综合、统合。如果在各个知识库之间建墙，只会让大模型的能力矮化。
从现在就开始沉淀数据，先什么都灌进去，大炼钢铁。把所有的想法、经验、经历……关到一间养鸡场里面，让它们激烈地碰撞、生崽。
以后的大模型究竟是一个超大参数的巨型模型，还是若干专精的小模型？目前的共识是：好的垂类模型在高维空间一定是正交的，∴很容易整合进一个大模型中。
∴越是把所有的知识混迹在一起，越有可能捕捉到跨学科的、遥远的、微弱的联系，越有可能捕捉到与众不同的正确。
插一句，之前请 DeepSeek 帮我润色，它把「All in One」改成了「认知熔炉」。当时觉得，哇，它真的好会啊，你是要去考研吗？
聚焦一个主体搜罗关于它的各个层面的解读。就像鸡汤文里的达芬奇画蛋一样，反复地切换视角，反复咂摸出新味来。
有次听母校计算机学院院长给我们讲 AI ，期间说到：
我们笑，老板，你好歹也是工程院院士，怎么一口的牛马口气🤣🤣🤣。其实，哈耶克在《致命的自负》里 p29 - 33 有过详细解答。
去用它，不停地发问，蒸馏它的见解。只有不下牌桌，才能保证我们不被它甩开。
记住：大模型不是先知，而是面镜子。它照出的既是人类文明的积淀，也是你提问质量的标尺。用好它的关键，在于保持孩童般的好奇与哲学家的质疑——这或许才是人类智能最宝贵的特质。
感觉总结得挺好的，尤其是捕捉到了我大纲中的镜像特征（这是我自己都没有察觉到的）。但，它居然敢用「记住」，一副下指导棋的口吻。不行，我自己得写一个，但是只能通过字数占优了（虽然大模型只要想，在字数上肯定拼不过）。
我们以为脑子里是一幅幅画面，但通过教会机器思考，我们惊恐地发现，我们以为的并不是我们以为的——真相也许更像缸中之脑，画面也好，声音也好，气味也罢，……所有的感官都是转化为电信号输入大脑的。那是一片黑暗中零星闪过几道光亮。理解就是高维空间的加加减减。如果真是这样，大模型确实更懂理解。
曾经，我们以为自己是天选之子，其实不过是下地猴子；
曾经，我们以为自己身处宇宙中心，其实不过身处银河的旮旯；
曾经，我们以为自己独占造物智慧，现在看来，除了逻辑依旧坚不可摧，其他的经验、文化……都是孤芳自赏。
承认我们是猴子变的也没啥嘛；
承认我们身在偏远星系的偏远星球也没啥嘛；
现在，承认机器智能会超过人，应该也没啥，吧？
生活还得继续，文明接着延续；
机会一定把握，难关一定渡过。
Q. 之前不是说中文语料质量差吗？中文语料在 DeepSeek 的爆发中扮演着什么角色？
A. 严格地说，中文语料不是质量差，而是良莠不齐。事后发现，中文在信息密度上还占优。∴ R1-zero 才会中英混杂输出，而且中文还略多。∴不要强调客观原因，限制在会把玩的人手中，反而是先手。
Q. 怎么防止大模型吐出超出提问人知悉权限的答案？
A. 理论上这确实是个课题，但实操中是伪命题。越权查询不是大模型的问题，而是信息系统各接口的权限隔离设计是否精准的问题。
Q. 机关应该做什么准备以迎接 AI 浪潮？
A. 很多工作本质上都是在做信息处理。∴最重要的准备不是技术储备，也不是数据沉淀，而是决心。大家都已经撅起屁股、蹬直腿了，就等发令枪响了。谁更早下定决心拥抱，谁越能占住山头。
其次是对业务理解的清晰程度。理解越清晰，需求越明确，大模型加成的效果越好。
Q. 大模型能不能做态势分析？
A. 饭得一口一口吃。不应指望用智能化去解决本应由信息化解决的问题。不要小看了大模型，也不能高估了大模型，不能指望大模型能换道超车、包治百病。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。