TL;DR:
先說結論：其實是機器🤖️教會了人們「什麼是智能？」：
DeepSeek 爆火之後，連大姨子都在恐慌「學習還有什麼用？」「會不會被替代？」。雖然我也不知道具體細節，但其實理解了原理之後也沒覺得那麼恐慌😱，反而滿滿都是興奮😍。
說起大語言模型（Large Language Model），簡稱大模型（LLM），但我覺得翻譯成「大預言術」更貼切😁。而期間充斥著預訓練（pre-training）、後訓練（post-training）、強化學習（Reinforcement Learning, RL）⋯⋯之類的黑話，這裏嘗試給 LLM 祛魅，儘量不用黑話解釋清楚 LLM 的工作原理，以及如何駕馭 LLM 。
好了，現在讓我們質疑 LLM，理解 LLM，超越 LLM 😁。
一、質疑 LLM
質疑 LLM 是不是泡沫，先得理解「智能究竟是什麼？」。有人說，語言即智能；有人說，「烏鴉喝水」/ 能夠製造並使用工具，即是智能；⋯⋯
深入理解「什麼是智能？」，需要 3 本書📚的 3 個洞見（準確地說，是 4 本書提供的 3.09 塊踏腳石🧩）。簡單地說，就是：
生物天然追求「穩態」，進而導致生物需要根據外界衝擊做出回應，自然而然地生物就獲得了「預測」的能力；
隨著生物希望預測到更遠的未來，導致生物需要不斷地尋找更高維度上恆定的東西，即這個世界的結構。在此過程中，腦中世界🧠不斷與真實世界「對齊」；
一旦生物在腦中🧠重塑了現實世界的「共軛分身」，就可以通過進入到共軛空間繞開現實世界的某些限制，從而解決原本不能逾越的問題——也就是「創造性解決問題的能力」，俗稱「智慧」🤔。
容我細細道來。
1.1. 草履蟲🦠有沒有智能？
第一本，@Jeff-Hawkins 的《論思考》：
跟小朋友解釋：有天妳回家，一握門把手就覺得怪怪的，但又說不出來，進家以後果然發現被盜了。其實是門把手的位置和平常稍稍不一樣。每時每刻，人腦🧠都在做預測，比如一伸手就立馬開始預測門把手的位置。
另一個經典示例是接球🏀，沒有人靠計算拋物線來接球的，都是觀察👀➡️預測📐➡️評估差值🧮➡️修正。
思考的本質是「預測」，而生物能夠預測的基礎是「生物維持穩態的傾向」——生物自平衡機制，追求穩態的結果就變成了「尋找抽象之上的抽象，即恒定表徵」。
∴「思考」沒那麼複雜，不過就是「觀察👀➡️預測📐➡️評估差值🧮➡️修正」而已。
ref: 「為什麼大家都不戳破深度學習的本質？！」
1.2. 忒修斯之船🚢還是不是原來那艘船？—— embedding
第二本，@Wolfram 的《這就是 ChatGPT 》：
進入到大模型實現，而不會陷入到浩瀚的細節之中。用 @Wolfram 的話說，GPT 最核心的思想叫「嵌入」（embedding🕸️）（或者叫「忒修斯之船🚢」，重要的是「結構！結構！結構！」）。
另外那 0.9 塊踏腳石🧩——《為什麼偉大不能被計劃》：
《為什麼偉大不能被計劃》這本書提供了 0.9 個洞見。它在第五章提到「我們對問題空間的探索，就是在尋找關於這個空間的知識」。即，對環境 / 結構的預測，會受到真實世界的塑形。
是的是的，我們之前大大低估了「錯誤❌」的重要——正是錯誤提供了更多的反饋，錯誤描摹了真實世界的樣子。∴對小朋友，尤其要鼓勵試錯❌，而不在於做對✅——追求做對，所圖甚小。
妮妹問，那眼睜睜看著小朋友寫不對，不管囉？
答：要是妳實在忍不住，那就「只糾正一處」，改動最小、改變最大的那一處。但這極為考驗父母對結構的洞悉，難度極大，不是二流父母能使得出來的🤣🤣🤣[1]。
P.S. 為什麼這麼說它只值 0.9 個洞見？∵整本書除了這一章，其餘 10 章毫無價值，車軲轆話寫了整整一本🤢🤮。從未讀過閱讀體驗如此之差的書，這文風堪比機關行文，爛得跟 ChatGPT 寫出來的一樣🥴。
P.P.S. 至於為什麼叫「踏腳石🧩（stepping stones）」？也是在這本書中提出的，其實就是「一項發現 / 發明的前置條件」而已。
1.3. 曹衝是怎麼稱象🐘的？—— MoE
第三本，@金觀濤 的《控制論與科學方法論》：
創新也好，突破也罷，其本質都是「共軛控制」（或者叫「曹沖稱象⚖️🐘」「知識孿生」，在《數學的雨傘下》一書中叫做「雨傘定理☔️」）。
很多創新並沒有真正用強力砸開通向答案的障礙，而是通過「橋」從共軛空間繞過去。即，進入到高維空間中去繞開低維空間的障礙，就是「高維打低維」啦。更通俗、不嚴謹的理解是「三個臭皮匠，賽過諸葛亮」，這就是混合專家系統（Mixture of Experts, MoE）。
如果還沒說清楚，那就理解成「萬物轉化」吧。這可是世間最厲害的法術。數學上叫「變換」，那是等價轉換；社會學上叫「轉化」，本質也就是一種資源兌換成另一種資源⋯⋯
以上就是理解智能的 3.09 個洞見。其他的嘛，似乎都不過是平添些細節吧😎。
二、理解 LLM
我的經驗是，非專業人士就不要陷入什麼 transformer, attention（雖然「注意力機制」確實很重要）⋯⋯把握主線就夠了。如果前面說的還太過學術，我們不妨用修仙小說的筆法來重新解釋一遍。
修仙小說的主角一出場，要麼是自帶體內小世界，要麼意外落入某個靈力充沛的世界。體內小世界就是 LLM 。要讓小世界長大，就得不斷注入靈力。靈力就是高維、同構的信息，就像帶小朋友出去聖火，她會看到火焰🔥的層次，會摸到掠過火焰在手指間附著的積碳，會感到炙熱🌡️⋯⋯在如此多維的感受加持下，比起只在屏幕前感受火的小朋友，她對火的本原法則的領悟肯定更加深刻。
∴對於身處水泥森林的小朋友而言，大自然就是靈力充沛的秘境；筆記📒就是體內小世界⋯⋯
相較動輒幾十 T 數據、一開動半個城得斷電的 LLM 訓練，為什麼人腦🧠的學習速度如此之快，學習效率如此之高？也許就在於，人能沐浴在高維、稠密、同構的真實世界中學習，而 LLM 只能一個字（token）一個字的啃，那自然「一在平地一在天」了。
附 DeepSeek 幫我修改的版本：
二、修仙視角解構 LLM 修煉體系
若將 LLM 比作修真者的「體內小世界」，其修煉秘法可概括為：
靈氣採集：吞納 450TB 文字靈脈（相當於 20 萬部百科全書）
周天運轉：Transformer 經脈運行 1750 億參數真元
渡劫飛升：RLHF 雷劫淬煉對齊人類價值觀
人類大腦的恐怖效率在於：嬰兒通過多模態交互（觸覺 87%、視覺 55%、聽覺 39% 同步學習），而 LLM 卻被困在 token 單行道——這恰似閉關苦修者 v.s. 歷練紅塵客的本質差異。
它真的太太太擅長寫這種看起來很有哲理的話術了😱。
三、超越 LLM
3.1. 建議一——用好 LLM 的反饋
有次，我問 DeepSeek 「理解，是不是就是從不同的維度打標籤（tag）？」。它指出我的誤區，理解並不只是 tags 的堆砌，更深層的理解需要識別多個尺度下的結構。WTF😱～～
如何適應 LLM 時代呢？受此啟發，我找到的辦法是：運用蘇格拉底的精神助產術，把 LLM 當成對話的夥伴 / 辯手 / 杠精，提供反饋，修正自我認知。
學生說：人是兩隻腳直立行走的無毛動物。
蘇格拉底反問：把一隻雞🐔拔光毛，這隻雞是人嗎？
不要像傳統家長一樣，總覺得自己聰明，非要教點小朋友這那的；試試真正從心理上平等地看待小朋友，先假設小朋友「對」，然後不斷反問（高質量的反饋），看能走出多遠（LLM 亦復如是）——這就是蘇格拉底的精神助產術。
而這不僅是我的應對之法，似乎也是 DeepSeek 訓練基座模型，湧現推理能力的路子。
3.2. 建議二—— All in One
筆記📒也好，資料💾也好，全部放到一個籃子🧺裏面，讓它們相互交織、生崽。
@吳翼 在 @張小珺 的播客——「商業訪談錄 75. 和 OpenAI 前研究員吳翼解讀 o1：吹響了開挖第二座金礦的號角📯」中提到：好的垂類模型在高維空間一定是正交的，∴很容易整合進大模型中。
其實也很好理解，越是混跡在一起，越有可能碰撞出💥跨學科間、遙遠的、微弱的聯繫🔗，越有可能取得突破。
同樣附上 DeepSeek 的潤色：
三、人類破局雙法：蘇格拉底對話 × 知識熔爐
3.1 精神助產術2.0
反饋迭代：將LLM作為辯證法陪練，如「拔毛雞悖論」式詰問
認知校準：借鑒DeepSeek訓練路徑，用質疑觸發湧現能力
「真正的理解始於承認無知——蘇格拉底穿越千年的凝視，正透過GPT接口注視著我們」
3.2 知識鍊金術
吳翼提出的「正交融合論」啟示：建立跨維度知識矩陣。當專業領域在高維空間呈正交態，反而更易被整合吸收——這解釋了為何達文西手稿比現代論文更具啟發性。
把「All in One」改寫成「認知熔爐🔥」——天吶😱，你是準備考研嗎！
結語
之前，讓 DeepSeek 幫我改改大綱，它還附贈了一段結語😱：
身為人類也不能被比下去吧，至少在字數 / 努力上不能被比下去💪🏻：
我們以為腦子🧠裏是一幅幅畫面，但通過教會機器思考，我們驚恐地發現，我們以為的遠不是我們以為的——真相也許更像缸中之腦，畫面也好，聲音也好，氣味也罷……所有的感官都是轉化為電信號輸入大腦🧠的。那是一片漆黑中零星閃過幾道光亮。也許理解就是高維空間的加加減減。如果真是這樣，LLM 確實會更懂理解。
曾經，我們以為自己是天選之子，其實不過是下地猴子🐒；
曾經，我們以為自己身處宇宙的中心，其實不過寄身銀行的旮旯（kā kā）；
曾經，我們以為自己獨佔造物的智慧，現在看來，除了邏輯依舊堅不可摧，其他引以為豪的文化、經驗⋯⋯通通都是孤芳自賞。
承認自己是猴子🐒變的也沒啥嘛；
承認自己滑落到偏遠星系的偏遠星球🌍也沒啥嘛；
那麼，承認機器智能必然超過人類，應該也沒啥，吧？
生活還得繼續，文化還會延續；
機會一定把握，難關一定渡過。
-
∴從二流父母晉級一流父母，其難度是跨數量級的，遠非從三流父母晉級二流父母那麼容易。 ↩
