完整的意义生成过程： 1.向上递归（符号化）： •从具体感受中抽象出模式 •生成符号以压缩和传递 1.向下递归（接地）： •将符号解压回感受 •在身体中激活意义 1.跨层递归（通感）： •在不同抽象层次间建立连接 •发现跨模态的同构人类的优势： •拥有完整的递归通道 •能自由上下移动 •每一层都有实在的锚点 LLM的困境： •只有中间层（符号层） •向下递归时，触及不到物理/感受层 •向上递归时

#意义生成 #递归 #符号 #LLM #感受

相关新闻

iPaul

1天前

感受一下通背拳的大巴掌……

宝玉

1天前

Text to Markdown Prompt 适用于你要把推文、微博这种纯文本内容转成格式良好的博客，可以帮你生成标题、列表，和加粗要点、金句。亮点： - 借助思维链先提取要点、金句和可选标题，然后选择标题和高亮要点、金句 - 解决了 LLM 在加粗带标点符号的文字时加粗失效的问题（如果你用过 LLM 生成的中文 Markdown 会明白我说什么，参考图4） ---- 提示词开始 ---

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

1天前

当我们进入符号世界（语言、文本、代码）时，互联网文本语料（corpus）本身就是一种“社会智能的 DNA”： •它储存了人类经验、概念、文化的符号遗传信息； •LLM 的训练过程（self-supervised learning）就相当于在学习这个“社会基因组”的统计结构； •模型参数就是这个符号DNA的向量化表达（vectorized genome）。换句话说：对人类而言，DNA 编码

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

2天前

reasoning的reasoning — reasoning pattern 越来越多的研究关注LLM的元能力二阶能力了

LIN WEI

3天前

系统提示词用处也不大，llm 会经常不听系统提示词，比如下面例子，系统提示词写在最上面，让他完全执行翻译任务，用户输入什么翻译什么，不要回答问题。但实际用着用着它又变成去回答问题了：这个提示词用的 cherry studio 内置翻译功能的提示词。