冠达配资-股票配资开户费用-可靠的配资平台-正规股票配资平台

在线股票配资配资网站模型给到你的答案就是模型计算后得出的结论

有位著名律所的著名律师，过年期间趁着假期花了相当长的时间试用和比较了各种当红的AI大模型，主要是DeepSeek、豆包和ChatGPT，然后写了篇很长的长微博（4000多字！），讲自己的各种使用体验和基于这些体验的思考，很是认真，但也很暴露出当下非AI从业者——甚至也包括相当一部分AI从业者对于AI，特别是大语言模型的基本原理有着很深的误解，这种误解与人的自我认知有关，因而很容易陷进去，又很不容易跳出来。我们先来看一段博文：

从ChatGPT-3开始，我就发现，问一些问题，ChatGPT选择胡说八道。这个问题到现在升级到了o3 mini了，也没有改变。DeepSeek也是同样。官网的DeepSeek R1还好。我自己在MacBook Air上部署了一个DeepSeek R1的7B蒸馏版本。问了一个我确定知道答案的问题，即请介绍金杜律师事务所，这个7B版本给我完整地编出了一个异时空的金杜律师事务所，甚至还编出了一个根本不存在的金杜律师事务所的网址。

我知道4.7G大小的离线版本，不可能有数据库存这么多知识，但是它至少应该告诉我，它不知道。然而，它选择了胡编。我知道这算是一个极端条件下的测试，但却很能说明问题。在本地部署，没有联网的情况下，AI胡编不可怕，因为用户本身就对AI的知识检索与知识储备没有太多预期，但是如果是正规投入使用的AI胡编，那就吓人了。ChatGPT- 4o，就曾经胡编了所有红圈所主任的名字，没有一个是对的……

这种情况下，用户可咋把AI当搜索引擎用呀。

所以，AI要大规模投入严肃的商业化使用，开发者必须解决AI胡编问题。你可以不知道答案，但不能编造答案。撒谎是很可怕的，尤其是作为生产力工具的时候撒谎，那会出大事的。

这里，DeepSeek其实提供了一个很好的解决方案，就是向用户完整展示思考过程，我建议未来AI如果真的投入商用，一定要有法定义务向客户公开其思考过程，并提供信息来源的依据，比如网页链接，等等。

这段博文，貌似思考很多，很深入，却在根本上反映出一个文科生在面对AI时特别容易陷入的思维误区，就是真的并且强烈地把AI拟人化。当你说ChatGPT在“胡编”在“撒谎”的时候，就已经证明你完全搞错了大语言模型的原理。

大模型企业都在加紧步伐寻找商业化之路摄影记者/任玉明

大语言模型的本质是统计和计算

目前的生成式AI，本质上非常简化地说——就是把上千亿个参数变量在高维数学空间里表示为向量（你可以粗略地把向量理解为坐标系中一个有大小和方向的量），并通过多层神经网络对权重等的前馈和反馈计算，最准确地（比股票K线图之类二维曲线准确得多）根据概率推算出下一个词——严格地说是下一个token，也就是一个被标记的单位，它可以是一个或几个字母，也可以是两三个词的组合，而不仅仅是我们所理解的用以构造有意义的文本的“单词”。正如超级大牛斯蒂芬·沃尔弗拉姆在他那本《这就是ChatGPT》被山姆·奥特曼本人推崇为“对ChatGPT原理的最佳解释”中所说：

“值得注意和出乎意料的是，这个过程可以成功地产生与互联网、书籍等中的内容‘相似’的文本。ChatGPT不仅能产生连贯的人类语言，而且能根据‘阅读’过的内容来‘循着提示说一些话’。它并不总是能说出‘在全局上有意义’（或符合正确计算）的话，因为……它只是在根据训练材料中的内容‘听起来像什么’来说出‘听起来正确’的话……ChatGPT‘仅仅’是从其积累的‘传统智慧的统计数据’中提取了一些‘连贯的文本线索’。但是，结果的类人程度已经足够令人惊讶了。正如我所讨论的那样，这表明了一些至少在科学上非常重要的东西：人类语言及其背后的思维模式在结构上比我们想象的更简单、更‘符合规律’。ChatGPT已经隐晦地发现了这一点……在某种程度上，它是一个极好的例子，说明了大量简单的计算元素可以做出非凡、惊人的事情。它也为我们提供了2000多年以来的最佳动力，来更好地理解人类条件（human condition）的核心特征——人类语言及其背后的思维过程——的本质和原则。”

因此对大语言模型来说不存在“胡编”的问题，也不是真的产生了所谓“幻觉”，这些都只不过是拟人化的比喻，却像很多比喻那样，会严重误导我们。模型给到你的答案就是模型计算后得出的结论，至于这结论对你来说是对还是错、真还是假，模型本身毫不关心，更不会故意去“编”、去“撒谎”。

就像AlphaGo的“神之一手”，在任何人类围棋高手看来都是乱下，只有当李世石真的败给这一手，人们才会承认AI凭借模型和算力，远远超出了人脑的计算强度。我常常说，在AI给出明显“错误”的答案时，我们不要急着骂声“胡编”就撇撇嘴把它扔在一边，首先应该做的是反思我们自己的判断，有可能长远来说，那个看上去错的答案才是真正正确的，或至少是更具实践价值的。因为AI正是在对海量语料数据（注意，这里的数据是彻底打散的“纯数据”，因为它们全都被向量化了，而不是依旧“可理解”的单词、句子或文章段落，如果仍在后者层面上进行，那就是高阶搜索而非真正的AI）进行“统计”后得出的结论，换句话说，不管我们在明面上把什么看作是“正确”的，AI的结论往往反映的，要么是在可计算范围内怎么说怎么做最优，要么是我们实际上最经常怎么说和怎么做。

只是大多数情况下，我们会用“高雅”的形容词所隐含的文化或价值判断去抹除事物的实相，就像把一手我们暂时不能理解的棋称为“愚形”——愚形之所以是愚形，是因为在两个算力相去不远，思维模式也大同小异的人类之间，这么做的确效率很低，但这并不意味着对能比你多算几十步几百步的智力来说，它也是愚形。

AI模型的n个层次及其运用

顺便说一下，如今的AI模型其实分成好几个层次，但大多数人会把它们混为一谈，比如你用o1或o3解出了很难的数学题，你就以为它是比GPT-4更高级的模型，但其实它们处在完全不同的层次上——GPT-4是基础模型，o3是推理模型（而豆包、Kimi之类则主要是高阶搜索），推理模型一时的好用、精准，远不如基础模型的进化来得重要。关键是，目前流行的推理模型，其核心大多是在基础模型中加入了“思维链”，让其看上去更准确，或是更能“像人一样思考”，甚至能给出思考过程，这足以迷惑绝大多数依然深陷拟人化思维的人。

什么是“思维链”？其实和它看上去高大上的名字相反，本质上它只是一种对复杂问题的拆解方式。也就是说，针对一个很复杂的问题，由于变量之间的扰动和循环反馈过多，会导致大模型对下一个token的概率预测产生过大的偏差，这时候，如果能把一个复杂问题拆分成几个相对简单的问题，那么对每一个简单问题中下一个token的概率预测就会准确得多，再合并起来，其答案看上去也会“合理”得多。

所谓的AI“慢思考”，只是你要给它时间把问题拆分，然后对拆分后的问题逐个进行概率计算，再通过神经网络合并计算出最终结果——或许还要再来回多搞几次以提高准确率。沃尔弗拉姆曾指出ChatGPT的一个不足：

“甚至与典型的算法计算不同，ChatGPT内部没有‘循环’或‘重新计算数据’。这不可避免地限制了其计算能力——即使与当前的计算机相比也是如此，更谈不上与大脑相比了。”

思维链做的最重要的事情之一，可能就是补上了这个缺。

“慢思考”不是真的在进行大量严格的推理。因此所谓推理模型，依然不是真正像人那样进行逻辑推理。实际上，“人的推理”本身也是一个非常模糊的说法，沃尔弗拉姆就举过一个例子：

“找一张猫的图片看看，并问自己：‘为什么这是一只猫？’你也许会说‘我看到了它尖尖的耳朵’，等等。但是很难解释你是如何把这个图像识别为一只猫的。你的大脑不知怎么就想明白了。”

在我们貌似根据一堆细节推理出那是一只猫的过程中，实际上做的大多数事情并不是推理，而是计算，我们所以为的推理，基本上只是对复杂计算过程的一种“人性化”的简化。

推理模型的底层依然是计算而非推理，只不过通过拆分，让答题过程看上去比较符合我们的预期而已。所以AI发展的核心不是o1、o3这种看上去准确率高得多的所谓推理模型，也不是DeepResearch这种深度思考/研究模型，它们都只不过是针对普通人的思维误区，策略性地开发出来让大家可以尽快上手一用的权宜工具，哪怕它们再好用，也只是些过渡性的产品。真正重要的永远是基础模型，GPT-1、2、3、3.5、4、4.5乃至将来的5系列。这不，OpenAI的GPT-4.5一出来，马上就夺回了被马斯克的Grok3占据了一个礼拜的王座。

怎么才能用好如今“百模大战”之下各种层出不穷的AI模型？关键就是要分清楚它们所处的层次，以匹配你想达到的目的。如果你只是想要替代手动搜索，就像一开始那位律师搜索律所的相关信息，你一定不要用推理模型，用豆包、Kimi、纳米之类的高阶搜索工具就正好，特别是联网之后，准确率还是有相当保障的。

GPT或Gemini系列的基础模型，因为完全基于计算，而且语料库并非实时，其实无法保证信息的准确性，但它能提供各种你意想不到的、超出人的思维惯性的、更富启发性的回应。至于推理模型，像o1、o3、DeepSeek R1这种，则专用于解决需要更多中间步骤的复杂任务，如解谜、高级数学、编程等，用它们去检索普通信息，不仅是杀鸡用牛刀，而且难以避免地会出现各种不可思议的“胡编”。