日志
2024/10/20
孩子在学校认识的一个新朋友A，也是刚从国内过来读书，两人背景相似所以很快就成为了好朋友，最近孩子说这个小朋友突然不来学校读书了，孩子有些着急，跟她联系也不回信息，孩子以为她出事了，特意跑到班主任问才知道她转学了，后面孩子再发信息给她，也不见回复，后来孩子听她们俩共同的一个老外同学B说，朋友A跟老外朋友B一直有联系，唯独没有通知我女儿，孩子心里觉得挺难受，怎么人走茶凉，连一个信息都不回她，但却跟B聊的开心。我跟孩子说等过一段时间再跟A朋友联系，到时她安定下来了估计就会回你信息了，孩子赌气说：为啥我要热脸贴冷屁股，我再也不会跟她联系了。
我用班长分享的例子，苏秦落魄时被哥嫂冷嘲热讽，衣锦还乡了哥嫂对他巴结奉承，他也不是原谅他们了么，这个是正常vs 正确，你同学做得不正确，但人性如此也很正常。
班长说网校学习专注在三项能力上，创新，思维和英语，我跟孩子说除了这三项还要加上AI，每天围绕着这四样内容做事，想问题，在确定有益的方向上日拱一卒，日积月累将来不愁没饭吃。
最近看一些AI 的资料，看到一个观点：
DeepMind有一位计算机科学家叫理查德·萨顿（Richard S. Sutton），他是「强化学习」这个AI算法的奠基人之一。 早在2019年，萨顿就在他的个人网站贴出一篇文章，叫《苦涩的教训》。他说，过去70年的AI研究给我们最大的教训，就是撬动算力才是最有效的方法。
他举了一些历史案例：
* 国际象棋与卡斯帕罗夫： 1997年，IBM的深蓝计算机战胜了国际象棋冠军卡斯帕罗夫。AI不是通过学习人类棋手的策略，而是通过大规模计算深度搜索来获胜，这令许多研究者失望，他们本以为AI应该像人类一样思考。
* AlphaGo与围棋： 围棋曾被认为复杂到AI无法掌握。然而，2016年AlphaGo击败了围棋世界冠军。这个AI也没有学习围棋知识，而是通过算力和自我对弈，找到了比人类更优的围棋策略，甚至为围棋界带来了新知识。
* 语音识别与计算机视觉： 语音识别和计算机视觉领域，早期研究者试图将人类的语言和视觉知识教给AI，但这些方法最终都被依赖算力和数据的神经网络方法所取代。如今，深度学习神经网络在这些领域取得了巨大突破，像GPT这样的模型不需要句法或语义分析，而是通过海量数据学习一切。
萨顿的历史总结：
1. 研究者总是希望把人类知识传授给AI。
2. 在短期内，这些知识有一定作用。
3. 但从长远看，这些知识会限制AI的发展。
4. 依赖计算力的AI通过自我学习和搜索，最终取得突破。
萨顿最终得出结论：算力是推动AI发展的核心力量，人类知识在AI面前有时显得微不足道。这不仅反映了当前AI研究的趋势，还预示着未来AGI（通用人工智能）可能在各个领域参与人类工作，彻底改变我们的生活方式。AI VS 人类
