我们这个问题讨论的是具体实现中的计算机处理的数学元素和人类世界理解的物理元素的联系B-M85 · 2026-09-26 · 原对话 ↗
所以要给别人解释为什么ai能学懂人类这是必须要解释到的,比发展历程更重要B-M87 · 2026-09-26 · 原对话 ↗
原 AI 解释 · 摘要
B-M86、88 用“表示学习”连接像素、token 和向量:模型通过数据与任务形成内部表示,某些距离、方向和预测结果能对应人所关心的关系。
整理核对
可以用 y=fθ(x) 作为第一层理解:网络把输入转换成输出,训练调整参数 θ,使结果更符合目标。但 token ID 只是编号,不是语义本身;中间向量的意义来自它在模型和任务中的作用。语义通常分布在多个维度上,不能把某一维固定命名为“猫耳朵”。
原回答还需要收紧
“所有相似对象一定距离近”“latent 一定是低维”“AI 根本不懂、只是模拟懂”都说得过满。表示质量取决于训练与评价;对“理解”的判断应落到能力、泛化和错误表现,不能由一次向量运算作哲学定论。
理解变化 · 整理观察
这两句原话显示,你开始追问数字计算怎样与现实对象发生联系,也把它放到了历史记忆之前。这个关注点能成为整页的个人线索。
尚未闭合
B-M121、123 继续追问黑箱与语义几何的来历。现有解释没有给出“某个具体模型内部某个概念怎样编码”的实证答案,适合保留为后续理解与可解释性问题。