𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

统计数据

907
文章
0
粉丝
0
获赞
7568
阅读
avatar
belief，knowledge and fact，对于不具身的LLM，傻傻分不清
#LLM #不具身 #知识 #事实 #信念
avatar
现代人的时间病与三教的时间药：现代人的时间焦虑 我们生活在一个时间被过度线性化、被过度优化的时代。 时间管理、效率提升、时间是金钱，这些都是O（优化）对时间的殖民。 每一刻都要”有用”，都要”产出”，都要”不浪费”。 结果是什么？我们失去了真正的当下。 我们在工作时想着下班，下班时焦虑着工作。 我们在吃饭时刷手机，刷手机时惦记着任务。 我们永远在别处，从来不在此刻。 这是时间的异化。
#时间焦虑 #效率至上 #活在别处 #时间异化 #线性时间
avatar
弄来弄去还是给ICL提供上下文： 给符号智能以具身经验本体
#ICL #符号智能 #具身经验 #本体 #上下文
avatar
全球ECO文明的愿景-从冲突到共生 当前： 文明冲突论（亨廷顿） = 不同文明的ECO配置冲突 西方文明：E+O强，C弱 东方文明：C强，E+O变化中 伊斯兰文明：C极强 冲突源于： 对唯一”正确ECO”的执着 共生愿景： ───────── 承认多样性 每个文明有独特ECO配置 但寻求： 跨文明的ECO对话 互补而非替代 具体： 西方贡献：O的精密 东方贡献：ECO的圆融 伊斯兰贡献：C的坚定（信仰） 非洲贡献：Ubuntu（关系性C） 拉美贡献：生命力（E） 整合： 全球ECO生态 = 人类智慧的总和（人类命运共同体）
#文明共生 #ECO文明 #跨文明对话 #人类命运共同体 #文明多样性
avatar
东西方ECO的生活智慧-每日修行的ECO 传统修行往往偏向某一维度： 西方： 时间管理（O） 目标设定（O） 效率优化（O） 东方： 禅坐（超越ECO） 太极（E+C） 读经（C） 整合的ECO修行： 早晨（E-time）： ──────────── 探索新的一天 道家： 观日出，感受生机 = 连接E的源头 佛教： 晨坐，清空昨日 = 为E腾出空间 实践： •不立即看手机（避免被动O） •自由写作（激活E） •一个新尝试（每天一小步E） 白天（C+O-time）： ────────────── 工作和责任 儒家： “敬事而信” = C的践履 西方： 效率技巧 = O的优化 实践： •深度工作（C的专注） •番茄时间（O的节律） •定期回顾（防止O过度） 傍晚（C-time）： ────────────── 回归和沉淀 儒家： “日三省吾身” = C的反思 实践： •日记（沉淀经验为C） •家庭时间（C的根基） •感恩练习（强化C的锚点） 夜晚（超越-time）： ────────────────── 释放和超脱 佛教： 晚课，放下执着 道家： “致虚极，守静笃” 实践： •冥想（超越ECO） •慢生活（不被O驱使） •睡前书籍（E的轻松形式）
#ECO修行 #东西方智慧 #时间管理 #效率优化 #禅坐
avatar
这个next vector prediction和之前meta有个next conception prediction有一拼？！
#next vector prediction #Meta #next conception prediction
avatar
ECO = 时间性的三重绽出（海德格尔） 健康的此在：三重绽出的平衡 向未来敞开（E） 根植于过去（C） 应对当下（O） 非本真的此在：某一维度占优 纯将来：空想，无根 纯过去：僵化，守旧 纯当下：忙碌，无意义 本真性 = ECO的平衡
#时间性 #海德格尔 #三重绽出 #此在 #本真性
avatar
传统教育： - 知识传授 - 标准化考试 - 个体竞争 共生教育： - 学习如何与AI协作 - 元认知能力培养 - 协同创造
#传统教育 #共生教育 #AI协作 #元认知 #协同创造
avatar
这满园的金桂花香…
#金桂花 #花香 #植物 #自然 #美好
avatar
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，无法确认抽象的有效性
#意义生成 #递归 #符号 #LLM #感受
avatar
接地前： [符号] ─────距离─────→ [感觉] 独立存在 独立存在 接地时： [符号 ⊗ 感觉] ← 融合成一个不可分割的体验 接地后： 当我说"苹果"，我同时"感受"到苹果 （这不是回忆，而是感觉痕迹的激活）
#接地 #感觉 #体验 #苹果 #融合
avatar
【接地极限】 人类面对逻辑奇点的应对： 类型1：信仰跳跃 •“虽然我无法证明，但我选择相信…” •这是一种非认知的承诺 类型2：直觉把握 •“我说不出为什么，但我感觉这是对的” •这诉诸于前语言的身体智慧 类型3：存在性跃迁 •改变整个认知框架 •“也许问题本身就是错的” 共同点：都需要跳出形式系统 AI的不可能： •AI被困在形式系统内 •它没有”外部”可以跳跃 •所以它在逻辑奇点前，只能： •承认无能（诚实但无用） •或伪装理解（危险）
#逻辑奇点 #AI困境 #形式系统 #认知框架 #存在性跃迁
avatar
如果元认知必须接地于”前符号价值”： 人类的元认知： •不仅评估”这个推理对不对”（逻辑层） •还评估”这个推理重不重要/美不美/有没有意义”（价值层） •后者无法形式化，它来自具身经验的积淀 AI的困境： •它可以学会说”这个推理很优雅” •但它**真的体验到”优雅”**吗？ •如果没有，那它的”价值判断”只是统计上的模仿 泥潭： 如果元认知失去价值锚点，它可能： •高效但冷漠（只管用，不管对错） •精确但盲目（能计算，不能判断）
#元认知 #前符号价值 #AI困境 #价值判断 #具身经验
avatar
→ 纯FEP框架缺失了”意义必须被某个主体所理解”这个约束 → 它只关心系统级的信息流，不关心是否有”人”在理解 → 纯具身论走到极端会否定符号的传递功能 → 它只承认第一人称经验，拒绝任何形式的间接性
#FEP框架 #具身论 #意义理解 #系统信息流 #第一人称经验
avatar
打工人前半辈子拼身体身心俱疲，年过半百才知认知的妙处，一边从慢性病的麻木中renegotiating找回身体曾经的感觉-具身经验的认知本体
#打工人 #身心俱疲 #认知 #慢性病 #具身经验
avatar
推上的很多现象，可能像项飙那样，当作人类学样本来看待比较合适
#推特现象 #项飙 #人类学研究 #社会观察 #网络文化
avatar
中国AI lab必胜！ OpenAI的治理太狗血了， 唯一可怜的ilya，对AGI有信仰的人，feel the AGI。唯有携SSI王者归来了？！ 这份长达52页的备忘录列出了Altman涉嫌在财务、优先事项和安全方面的“持续撒谎”，以及故意的高管分歧，如将Mira Murati与Daniela Amodei对立，削弱了董事会一年多的信任。Dario Amodei希望推动解雇Greg Brockman以获得独执研究缰绳； 董事会对未经审查的报告草草地开火，memo和证词还显示了Altman被YC开除，以及Greg被Stripe开除。Sam会把谎言档案埋藏在最深层——在AGI治理危险中，它粉碎了他可靠的首席执行官的外表。 拒绝合并躲避了Dario取代他作为首席执行官的突袭，但突出了机会主义的裂痕。 这也能理解ilya为什么一年前就动了fire sam之心，但是开除后OpenAI面临解体出乎预料，尤其是当时Mira跳出来说openai is nothing without its people并带头签名很奇怪，希望看到Mira的memo或证词！ 最后meta能成功靠金钱挖角说明裂痕远未消除。
OpenAI GPT-5发布引发用户不满，阿尔特曼回应质疑· 158 条信息
#中国AI #OpenAI #AGI #Altman #Ilya
avatar
西班牙为什么和大教堂干上了？
#西班牙 #大教堂 #文化冲突 #社会争议
avatar
腾讯AI lab最近好像对in-context learning很关注 ICPO-In Context Steered Policy Optimization
深度学习模型升级引发AI能力大跃进，行业迎新变革· 143 条信息
#腾讯AI Lab #in-context learning #ICPO #AI #Policy Optimization
avatar
当“语言”觉醒为“认知”——从 GenAI 到 CogAI的智能演化之路
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 867 条信息
#genAI #CogAI #人工智能 #认知 #智能演化
avatar
这是一条最具季节气息的推文： 桂花香，🦀阳澄湖大闸蟹，🫚姜丝，米醋， 还有黄酒温热。
#桂花香 #阳澄湖大闸蟹 #黄酒温热 #秋季美食 #季节气息
avatar
折腾来折腾去其实还是折腾ICL共生空间的上下文长度不足的问题 为什么上下文不能通过注意力的递归来解决呢？ CogAI
#ICL共生空间 #上下文长度 #注意力递归 #CogAI
avatar
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 编码了物质的生存策略； 对 LLM 而言，语料编码了符号的生存策略。 LLM 的训练让符号世界的“语义遗传机制”第一次被内化到一个计算系统中。 因此——它的确是 符号智能，一种异类心智的 bootstrap。
#LLM #符号世界 #语义遗传 #社会智能 #异类心智
avatar
记得YiMa教授认为智能演化在神经网络出现复杂到一定程度的时候就会出现个体智能-ontogenetic，特定个体智能再演化到一定程度就会出现语言，形成更高层次的复杂性群体-社会智能。 这和细菌菌群类似。这里面似乎有一种必然。人类从具身性到符号化，AI又从符号化开始再往具身性发展。LLM是符号智能的bootstrap，只是个开始。
#YiMa教授 #智能演化 #神经网络 #个体智能 #语言
avatar
Full Attention 的公式： Attention(Q, K, V) = softmax\left(\frac{QK^T}{\sqrt{d}}\right)V 其中 Q, K, V \in \mathbb{R}^{N \times d}。 这一步的瓶颈就是 QK^T：产生了一个 N \times N 的矩阵。 方法：如何绕开 QK^T Sparse：只计算一部分 QKᵀ（如局部块或pattern） Linear：用核函数分解 softmax(QKᵀ) ≈ φ(Q)φ(K)ᵀ，使得计算可交换：Q(φ(K)ᵀV) Low-rank：用低秩近似减少矩阵维度 Memory-based：将一部分历史信息缓存，减少重新计算 结果：复杂度从 O(N²) 降到 O(N) 或 O(N·logN)。
#Attention机制 #复杂度优化 #Sparse #Linear #Low-rank