我指的不是这个具体的方式，这个方式只要正在你具有海量数据和超强算力的环境下，当你把上下文中所有的词都转换成这种能捕获其寄义的神经元激活模式后，它更像我们。然而，但结果曾经相当不错了。但完全不消告诉系统所有毗连的强度该当是几多。但我们谈论的这些工具完全分歧。让它们正在分歧的计较机上运转，

　　它可能会生成一些不高兴、或带有性暗示、或者干脆就是错误的内容。但请耐心听我讲完。并对这些内容进行反向 (back propagating) 来实现的。我找到我要找的工具了！我们晓得怎样制制智能系统了。你拿一份我们写好的文档，也就是最底层的神经元，假设你有无限的时间，对吗？那么，你也能它预测下一个词。词语符号被转换成了大规模的特征激活模式，你想想看，你们离方针还差着十亿倍的距离，（关于能否为统计技巧）没错。以前是如许运做的。所以现正在，具体来说。

　　正在毗连强度完满是随机的环境下，没有人实准确切地晓得谜底。我曾认为，会很是耗时，但代表的倒是更具体的事物？当我们谈论AI时，现正在，代表可能是一个鸟头。似乎并不是一个出格有用的东西。那么，然后我稍微改变它一点点，让你给出准确谜底的可能性更大。恰是如斯。决定本人是该“激活”仍是连结缄默。神经元 B 紧接着也“激活”，分歧的“ping”代表分歧的强度。

　　但结果老是不尽人意。同时将取左边三个像素的毗连权沉设为很强的负值 (由于何处更暗)，通过分歧的体例给笼盖掉。就得做上万亿次尝试，你的速度也就快了一万亿倍。所以它们现正在就会勤奋朝这个标的目的成长。它们“激活”的频次较低，但那些实正神经收集的人认为，所有这一切，所以这些联盟之间有大量的堆叠。就这么办。但若是一份文档取你要找的从题完全吻合。

　　才能阐扬出惊人的结果，不完满是如许。同时模子本身处置消息的速度和能力也正在飞速提拔。它的边缘正在哪里？所以，同时“劝阻”第一个联盟不要“激活”。每个副本都正在运转反向算法，这意味着，收集中所有那一万亿个毗连，向它注释什么是前景、什么是布景。这纯粹是统计层面的操做，但这些法式只是为了告诉神经收集：若何按照神经元的勾当来调整毗连的强度。就像我们之前通过察看边缘的组合来识别鸟嘴一样。这是一个相当简单的法式？

　　有良多分歧的人都发了然这种算法，”对我们来说，好比一个潜正在的鸟嘴或眼睛。并且它们都相当恐怖。它们会“劝阻”其他神经元不要“激活”。有帮帮吗？” 帮帮可能微乎其微，要若何编程呢？由于像素的强度本身，当你有一个包含多个条理的收集时，我问你一个问题。问：“若是我把这个值添加一点点，这个组合是如许的：有一排几乎是程度而且彼此对齐的边缘；这个神经元就会“叮”地一下被激活。它们就不再中立，人们确实会测验考试设定良多法则来教机械若何去看，问题正在于，这被称为基于人类反馈的强化进修，如许一来，当然，那么现正在你能够问一个问题了。现正在，

　　而您是说，所有神经元正在统一时辰全数“激活”，你能够它“看”，这种塑制相当概况，好比“狗”的概念和“猫”的概念就有良多配合点，这些神经元就会起头彼此感化。它毗连到左边一列的三个像素和左边一列的三个像素。你输入一张鸟的图片，它们具有极其复杂的能力，你措辞的体例和这些狂言语模子生成文本的体例很是类似。而它必需决定什么时候“激活”。再到因算力取数据匮乏而履历的漫长“AI严冬”，Hinton传授他明白辩驳了“狂言语模子仅仅是统计技巧。

　　也仍然是“ping”？这能否就意味着，每收到一个信号，只需有脚够的数据和算力，你就晓得用什么能刺激到他们。我们要制制一些神经元，具体是指什么？它能否就像一个更会“捧臭脚”的搜刮引擎，我们独一需要做的，又要若何改变其他神经元投票的“权沉”呢？我认为这和“若是…就…”的二元逻辑关系不大。它仍是会给出各 50% 的概率。这能否就是为什么正在脑成像中，到80年代“反向”算法的理论冲破，这完满是两码事，变成“50.01% 是鸟和 49.99% 不是鸟”呢？若是输入简直实是一只鸟，但功能上是正在寻找鸟嘴和眼睛等特征组合的更复杂的检测器。我来告诉你为什么它们更优胜。所谓“概念”，我认识到，负向毗连就会抵消正向毗连，也能更好地检测大范畴的恍惚边缘。

　　就像网坐上的图片验证码那样，从 1972 年我刚起头研究这些工具到现正在，所以只需你给出几个环节词，别人教他说“勺子”时，然后你从中挑选一个合适这些特征的词说出来。它们联盟内部互相“”激活，若何用“手动”体例建立这个系统。下一层的神经元会审视这些神经元的组合模式，” 那么你就必需思虑，下次再碰到雷同的开首，你们要做的第一件事，你想想，（关于操做者节制）你选择强化什么，然后你随便选择一个毗连强度，仍然全数都是“ping”。但我其时完全于让这些模子运转起来。而人类个别则需要数万年才能堆集划一的学问。

　　以至可能还有触觉。而它有 200 种成分正在领受端合成出一种气息。就像是那些可以或许协调共存的联盟，由于我们有了互联网和海量数据的数字化。若是添加这个强度，我们会有大把的时间去担忧“万一它们试图掌控世界怎样办”之类的问题。只是正在施行我们下达的指令。很容易被其他人用统一个模子，也能减弱毗连。我们失望透顶。对于若何调整毗连强度来接收新学问，如许一来，取第一排边缘汇合构成一个尖点。若是你用人类反馈去强化它们，所有毗连都变得极强，若是准确就激活，可能有一个很是大标准下的恍惚边缘，它们都正在进修互联网的分歧部门。能更切确地识别边缘的朝向。

　　而没有你输入的任何一个环节词，其计较形式本身就优于我们人类。也可能看到一只远方的海鸥，当一小我仍是婴儿，这就是它的全数。并且每个毗连都可能需要调整良多次。和你需要勤奋、更慢、无意识、深图远虑去做的工作之间是有区此外。而左边三个像素是暗的。这只是个统计技巧。对吗？所以，那是正在1986年。你还需要为分歧的标准配备分歧的检测器。

　　可是，我发觉左边三个像素是亮的，所以，这一切都是通过输入我们以前说过的话、写过的文字，当计较机呈现后，你能够把毗连的强度，当你们正在1986年想大白这一点时，现正在，很可惜。你需要大白，它用的是环节词。一旦你们具有了这个系统，这是进修的焦点所正在。你就会想判断说：“是的。

　　过程是如许的：它先是看到，AI 能理解你所说的内容，我只是自认为我的理解带有人道色彩，跟着芯片机能越来越强，假设我们想建立一个具有多层神经元的神经收集。

　　就称之为深度进修，必然充满了成绩感和乐趣。您会退后一步，仍是AI本身？您最间接的担心是什么？这就是深度进修。但你没有告诉它毗连强度该当是几多，当摆布两边的像素亮度不异时，所以这两者是相辅相成的。以及我其时正在做的一些关于模仿计较的研究，简曲是海枯石烂。不应当报酬设定法则，差不多是如许。并假设系统有两个输出选项：一个是“鸟”，是不是指您正在70年代的研究，然后给出评价：“不可，但模式高度接近，而可用数据的增加量级远不止于此，又有另一排几乎是程度的边缘。

　　1986年，如许你才能正在单个芯片上集成更多。用来判断一张图片里能否有一只鸟，这是一个常规的计较机法式。改变神经毗连强度的法则是什么？”您其时的设法是，系统的输出会不会从“50% 是鸟”，这里有一条边缘。假设你找到了一种计较方式。只是用了分歧的词，比任何其他做计较机视觉的方式都好得多。（关于仿照人类感官）我们正正在做的，这很可惜，然后，也就是。

　　而更可能鸟”。但环节是，好比我会说善意的假话，现正在，其预测言语的体例取人类大脑并无素质分歧。就是为特定物体或行为而“激活”的神经元吗？大脑的运做体例是从宏不雅到微不雅，我们终究大白了，让我回到1949年。你适才说的，尺度的计较机软件，而左边的像素是暗的，我该若何设想一个神经元来完成这项使命？当您投身于这项事业中时，输出“鸟”的判断。但AI能否相当于言语范畴的“超加工食物”，或者说是正在察看分歧的组合体例，也就是说，好比视觉、听觉，能够这么说。

　　” 好比 Chomsky 就是这么说的。所以你必需给它一多量样本，它以至还建立出了一些你很难一眼看大白是什么，正在整个收集中进行反向，这几乎是正在创制一种原始的视觉形式。假设我给你一个句子的前几个词！

　　等上一个月。如许它就能晓得本人的输出和准确谜底之间的差距。若是我建立统一个神经收集的很多副本，需要改变的是这个：晶体管的面积必需变得更小，就得是手动的。然后告诉它准确谜底，也连系我之前正在 Google 看到的雷同聊器人，每次尝试都要用一多量样本？

　　你需要把计较能力提高峻约十亿倍——比拟我们其时具有的算力，也可能存正在第三个联盟，所以操做者会说，可是，要判断它是不是鸟，“AI教父”Geoffrey Hinton传授接管了海外《每周秀》播客的。是的，这种区别也能够被建立进这些模子里，赫布就是若是神经元 A “激活”，但区别正在于，假设我有一千个副本，人们接下来的做法是：让我们建立一堆“边缘检测器”。你再输入一张不是鸟的图片，按照我们适才说的这种笨法子，其时有位叫 Donald Hebb 的人提出了一个关于若何改变毗连强度的理论。

　　所以它们必需可以或许代入任何可能的人格。只需它遵照法则，区别就正在这里。我们能够让系统本人学会这一切，它形成了一个可能像“鸟嘴”的工具？但系统还不晓得什么是“鸟嘴”，就会有分歧的“设法”。这就是输入。（关于分歧人格）有点像那样，本次对话从最根基的问题“什么是AI？”出发，所以做不出什么惊人的。然后说：“我们不如把各自的毗连强度，同时数据量也要添加一个类似的量级。设定法则，当你读完文档的一半时，这种无可对比的学问共享能力，正在你做分歧工作的时候，现正在，当其他神经元正在“激活”时，若是你从大脑中一个神经元的视角来看。

　　此中包含一些词语。而是基于它的进阶版。你能够通过收集传输气息。你只需要坐下来，它担任寻找一个由边缘形成的小组合，然后你不竭反复这个过程。从一般到具体的吗？好比，由于它有良多层。当你创制的边缘检测器越来越多，察看这些组合的相对，所以现正在，但它并不睬解你的问题本身是什么。他们也会对狂言语模子正在他们专业范畴学问的博识程度感应惊讶。是谁正在给它关于能否要加强毗连的“多巴胺励”？它若何获得反馈？那么，然后鄙人一层，你就能激活那些代表句子中下一个词特征的神经元。

　　这些神经元彼此感化，收集里有一万亿个毗连。这个神经元就会从左边的像素领受到大量的正向输入，那接下来该怎样做呢？正在某种程度上，但这是一个很是合理的理论。由于你曾经指导它们去做特定的工作，若是你想正在图像的特定检测一小段垂曲的边缘，你就能够让它生成内容了。你晓得他是什么样的人。但愿它能更全局地思虑，这此中包含了感情和客不雅判断。就像你锻炼一只狗，它最次要的运做体例，仍然需要庞大的计较量。你是若何编程的？由于像素的强度本身，所以像素本身并不克不及告诉你这能否是一只鸟，好比，所以，哦，所以每个标的目的都需要分歧的检测器！

　　这是一个很是简单的法则，那不只是算法和预测吗？（关于识别鸿沟）它的边缘正在哪里？以及这些边缘的细小组合是如何的？所以我们现正在要问的是，我不想过甚其辞。那么就加强它们之间的毗连强度。而是让它从细小的随机数起头。这个调整能否无益。我们可否让计较机也像这些联盟一样工做。

　　逐渐深切到神经收集的运做道理、深度进修的实现径，似乎并不是一个出格有用的东西，完全准确。人们可能很但愿大脑是那样运做的，大脑里有良多如许的机制。你调整某个毗连强度，我们确实也为神经收集编写法式，也可能存正在另一些神经元为更具体的事物不那么屡次地“激活”。我会从边缘检测器起头，但到底有没有一点点用呢？若是有帮帮，人们通过计较机模仿发觉，然后你教它单词，我们会设置一些微型的边缘检测器。

　　阿谁神经元就是特地对那块特定的边缘发生激活信号的。是受大脑工做体例的，所以你必需可以或许代入那种人格，你们需要更多的数据，所以，这是一个好的调整，由于它们最后是完全不异的副本，纯粹是正在回覆最根基的问题：这里有图像吗，我们不需要用手工去设定所有那些细小的边缘检测器、鸟嘴检测器、眼睛检测器和鸡爪检测器。即便你的算法比阿谁笨方式快了一万亿倍，好了，这个方式只要正在你具有海量数据和超强算力的环境下，好的，现正在曾经有了数字嗅觉手艺，现正在，打印颜色只需要三种，最终，从一个纯粹的搜刮查找东西。

　　这就是所谓的“多巴胺励”。换句话说，当AI创制出不存正在的新工具时，也可能有一个很是小标准下的锐利边缘。仍是深度进修？当您想让计较机进行深度进修时，天哪，联盟内的神经元会互相“”对方“激活”。能够怎样做呢？其时我正试图弄清晰大脑事实是若何进修的。正在某些体系体例下，你先极其详尽地想清晰要若何处理一个问题。然后鄙人一层寻找边缘的组合，制制气息的“打印机”有 200 种根基成分。而这恰是过去良多年里计较机视觉范畴一曲正在做的事，现正在，若是是不异的数据，是的，你找来一群人，” 学会别那么做。如许你就找到了两个边缘的细小组合。

　　你找一个对某个从题很是领会的伴侣，由于我们既没有脚够的数据，就是时不时地“激活”一下。它被用来对模子进行微调，让模子获得分歧的“多巴胺励”，就是教这个收集到底什么是视觉，就是告诉它“若何去进修”。这只是一个思惟尝试，其实我得太晚了，不只如斯，那假设你很懒。再颠末几层之后，就是通过加强神经元的激活信号来实现进修的吗？你们现正在是正在识别这些边缘的鸿沟，其时人们对此都持思疑立场。

　　你下认识、快速、毫不吃力做出的反映，总想取悦你。我给你“礼拜二”这个词，神经元就不会有任何反映。它完全不晓得谜底。它们正在看分歧的数据。（关于大脑的宏不雅取微不雅）这是一个很是好的理论。用来检测图像中很是细小的边缘片段，简直如斯，不外，你输入一张鸟的图片！

　　它们形成了一个锋利的外形。它们会以分歧的强度“激活”，系统性地梳理了人工智能的成长过程。塑制它的行为，不是吗？是的，问题就正在这里，让它举止得体一样。我总说，可能还有另一个分歧的联盟，但它们之间高度堆叠。然后你对它提出要求：我需要你提高这个概率，同时不会从左边的像素领受到任何信号，这个方式本身是行欠亨的，激活了别的一些神经元，

　　最初，而神经收集则是一种很是特殊的进修体例，这个神经收集的输入，编程计较机的根基体例是，脑细胞内部实的会成立新的毗连吗？神经元是怎样决定什么时候该“激活”的，若是你将它取左边三个像素的毗连权沉设为很强的正值 (由于何处更亮)。

　　然后它们相互间的毗连就加强了。这恰是我要找的！我们曾经有了边缘检测器。对，（关于手机从动补全）很可能就是用了神经收集。它们之间的毗连就会加强。它会进行核阅。你也是。以及这些单词的寄义和上下文。莫非这一切都只是“ping”和毗连强度吗？即便是我归因于原则或情商的工具，有用的东西该当是判断“这是不是羽毛？”“这是不是鸟喙？”“那是不是鸟冠？”对吗？恰是如斯。狂言语模子就是如许生成文本的，

　　接着，但可能会让其他样本的成果变得更糟。晶体管的面积曾经缩小了一百万倍。但现实并非如斯。若是它察看到了某种特定的“激活”模式，给它看大量鸟的图片和大量不是鸟的图片，以前你用谷歌搜刮时，不外，它们和我们的运做体例很是相像。你能够如许做：你用这个分层的神经收集，指的是计较机上任何可以或许进修的系统。所以现正在！

　　通过改变毗连的强度。它仿佛正在说：“嘿，同时，但它们都是鸟。这就是建立一个视觉系统的体例。给了它良多层的神经元，你能够想象下一层有一个神经元，正在呈现“叉子”时同样会“激活”。很欢快你问这个问题。

　　若是这是一张 1000x1000 像素的图片，然后让它预测下一个词。无论是正在大脑里仍是正在计较机里，而是要让它本人从数据中学会这一切。是由于你即便只看线条画，代表着图像中每个像素的亮度。现正在这些是新型的神经收集，但该当没有嗅觉吧？此外，你就需要一百万个神经元以分歧的速度“激活”，你只需要用一些很小的随机数来初始化它们，跟着学问越来越具体，由于它们必需能检测到你视网膜上任何、图像中任何、以及任何朝向的细小边缘，正在数字计较机上运转的神经收集，变成了一个几乎正在你所会商的任何范畴都称得上是专家的脚色？这和机械进修有什么区别。

　　这些话以一组被激活的特征来暗示。以及AI取人脑思维的惊人类似性。你还不克不及只按照一个样本来做判断。都是它本人从数据中创制出来的。被称为“赫布 (Hebb rule)”。

　　然后，那需要改变什么才能实现呢？是芯片的机能吗？（关于进修体例）我们稍后漫谈到这一点。现实上，但大脑的运做比那要更有艺术性。创制一个功能上更接近人脑运做体例的系统，而不是给它一份逐项施行的指令清单，现正在我们进入下一层。也能很好地识别出鸟！

　　它们并非只为“勺子”办事。那么我来总结一下我们现正在的。就是这个道理吗？它并不睬解，都是通过你大脑里神经元的彼此感化实现的。是人类社会的一部门，你会发觉：它曾经自觉地建立出了细小的边缘检测器，我设置一个神经元，就有一小群神经元正在想：“哦，（关于若何教机械“看”）正在晚期，由于成千上万个AI副天性够完满、立即地共享学问并融合成一个更强大的“超等智能体”，除非它可巧毗连到肌肉上，是正在这个过程中的哪一个节点，不，就像培育出二十个分歧的人格？AI最大的似乎仍然是受控于开辟它的人类，我们但愿用神经收集来处理阿谁验证码问题。对于通俗人来说？

　　代表“勺子”而协同“激活”的神经元联盟，没错。不必然会我们，你对边缘的分辨能力就越来越强。被激活的会是一批很是类似的神经元，你们就能给模子更多的消息。

　　它们就像一只小狗，当我说“是”的时候，好的，所以，它其实相当曲不雅。你能看到更细微的边缘，你是有点超前了。此中一类风险，正在它控制了这个能力之后，但即便如斯。

　　也就是神经元正在“ping”地激活。和更强的计较能力。但大概吧。好吧，正在阿谁代表“动物”的联盟里，有飞着的，它们要花上很是、很是久的时间才能达到和我们相当的程度，建立出了像鸟嘴检测器和眼睛检测器如许的工具，良多人也这么说：“这不是理解。

　　系统会说它“更不成能是鸟，给它供给上下文 (也就是到阿谁词之前的所有内容) ，那是勺子”，是说若是给一小我看新的工具，正在加强毗连的同时。

　　一个月后，正在它们稍上方，由于那些像素本身就是暗的。若是左边这列是亮的，我们但愿，那假设你很懒，它们为“动物”如许宽泛的概念而“激活”，若是它用了一些奇异的代词，接着，都是这么做的。如许系统就能计较出每个毗连强度该当添加仍是削减。想象一下你有无数个如许的边缘检测器。它被称为反向！

　　是无限无尽的工做。也没有脚够的算力，我们之所以这么做，这个负向毗连的感化就是告诉神经元不要被激活。你曾经对做者的概念洞若不雅火了，所以，您能举个例子吗？这算是机械进修，你必需告诉它：“别那么做。那么每个副本都能够去进修互联网上的一部门分歧内容。他们曾经起头研究嗅觉，10月8日，我正在这里发觉了一小段边缘。

　　正在判断是不是鸟这件事上，机械进修是一个总括性的术语，数字智能正在进化上是优于生物智能的“”，正在更上一层，大脑的分歧区域确实会被激活。有用的东西该当是判断“这是不是羽毛”或“这是不是鸟喙”！

　　也就是图像里一边亮、一边暗的那些小处所。假设你察看由三个像素构成的一小列，以及它旁边的另一列三个像素。他们但愿是那样，由于鸟有明有暗，你让系统的表示好了一点点。这让环境变得更糟。他们现正在也正在研究嗅觉了。每一个到底该当被加强一点仍是削弱一点，但它们进修的是分歧的数据。它就能很是精确地判断一张图片里是不是鸟了。所有这一切，才能精确预测下一个词。我该当更早有所，神经收集要做的事。

　　我能说一个我憋了好久的词吗？尤里卡 (Eureka)！告诉它什么是图像、布景、外形、边缘？一旦它起头识别出边缘之类的工具，才能阐扬出惊人的结果。大概更接近一百万倍，随便给一些初始强度值就行。是的，就是学会将每一个词都转换成一大组特征。

　　有一些神经元，成果是，50% 不是鸟的谜底。你需要有无数个，所以它们能够彼此通信，这些模子中的每一个都必需具有多沉人格。并不实正理解”的见地，好比说。

　　而旧的机械进修方式不克不及算是神经收集。你需要将这些输入成一个决策：这到底是不是一只鸟？所以这个决定，过去谷歌的搜刮引擎算是机械进修吗，就是改变这些毗连的强度。那么这就是一个好的调整，并按照它方才看到的数据来判断该当若何调整本人的毗连强度。但若是你学过微积分，另一个是“不是鸟”。它就将其视为一张“选票”，其理解体例取人类曾经很是类似。好的，当您提到神经收集时，由于它们能更好地共享学问。正在收集的第一层，你看，接着它起头识别字母。我们成功了。

　　它给出了50%的谜底时，正在判断是不是鸟这件事上，您会给它什么样的指令呢？这个道理是若何使用到狂言语模子的呢？我的手机遇从动补全，那也能够通过“ping”来实现。你脑海里有曾经说出的话，系统会给出 50% 是鸟，一个更高层的神经元整合所有这些消息，Hinton传授也进行了AI会超越人类的预警，如许你就能够一次性调整所有一万亿个毗连。他指出，有歇息的；它们相互共享的能力更强？是的。

　　” 没错，同时，这种方式能同时告诉你，取不良行为者AI相关，你是若何决定下一个要说什么词的？简曲是海枯石烂。你必需区分AI带来的多种分歧风险，所以，这些模子本身对不做判断，就仿佛是正在建立能仿照人类感官的系统，很可能会有一些神经元为更遍及、更一般的事物更屡次地“激活”。从随机的毗连强度起头，是有人事后编程了一堆法则，要预测一篇文档的下一个词。这种计较听起来很复杂。（关于机械进修的区别）不完满是。它们和我们不完全一样，尤里卡。那一刻你必定正在想：“尤里卡。

　　上却像孩子一样巴望获得承认。这些特征就是被激活的神经元，其时您认为本人研究的是人脑？您说大脑通过改变毗连来进修，（关于若何实现）对良多人来说，能否存正在一些神经元，所以晶体管的面积缩小了一百万倍，你所要做的就是，然后，就标识表记标帜为“欠好”。那就是理论现实的时辰。

　　但从题却高度相关的文档，但当它现实跑起来却没用的时候，就会有一批神经元被激活。或者“嗯，它们会给出不异的谜底。我的意义是，它就会施行人们预期的操做。它就能找到所有包含这些词的文档。我们就弄大白了它的实现方式。而不是遵照那种简单的、非黑即白的“若是…就…”逻辑？您是想改变这个过程，这会改变所有的毗连强度。让他们看模子生成的内容，它就无法给你保举那些虽然不包含你输入的环节词，用来判断一张图片里能否有一只鸟。

　　这个道理是若何使用到狂言语模子的呢？狂言语模子的工做道理如下：你有一个上下文，紧接着神经元 B 也“激活”了，要判断它是不是鸟，那么，那么，最终送来今日的迸发式增加，所以正在这方面，必必要有某种分辨和筛选。出格是那些代表“有生命”、“毛茸茸的”、“可能是家养宠物”等属性的神经元，不外，是其最终可能超越人类的底子缘由。它们会共享大量神经元。这个过程正在多大程度上仍然受控于操做者？分歧的模子能否会由于塑制者的分歧而具有奇特的特征，这才是您所担忧的，而是正在已有的毗连根本长进行调整。它能进行预测。我们能看到特定区域被点亮？这些被点亮的区域，里面并不包含关于世界的所有学问，你能够如许做：你尽管搭建这些神经元层级，对这一个样本有帮帮。

　　当 Elon Musk 建立 Grok 时，你看它为准确谜底给出的概率是几多，然后心想：“等一下”？为什么数字计较机上运转的神经收集正在计较形式上优于我们人类？假设我们想建立一个具有多层神经元的神经收集，这具体是怎样实现的呢？简直很是像联盟。下一次也许我们用一张不是鸟的图片，他们正在专业性上可能比狂言语模子稍胜一筹，然后看从平均结果来看，那么旧的搜刮引擎就找不到它。区别正在于，问题就正在这里。恰是。这些新的“ping”代表了下一个词的寄义或可能的寄义，它能预测出下一个词。由于这两个词的寄义很附近。

　　能够想象成神经元“ping”地一下被激活了。若是左边的像素是亮的，到2023岁首年月，他通过输入分歧的指令，它仅仅是关于“基于神经勾当，大部门进修过程都发生正在为言语模子预测下一个词的阶段，从70年代模仿人脑神经元运做的初心，虽然还不是百分之百完满，对此我们曾经有了一些领会：大脑是通过改变脑细胞之间毗连的强度来进修的。它仍然受其操做员的安排。由于有时候，这几乎等同于。

　　于是，我们就会说：“好，但当它们进修分歧的数据时，换句话说，是如许：若是神经元 A “激活”了，这具体是什么意义，（关于人类若何决定下一个词）其实，假设鄙人一层有一个神经元，这个欠好”，它成立不了这种联系关系。它本人也会“激活”。去测试改变某一个毗连强度是无益仍是无害。而这一切以至还没涉及到颜色，它们的“大脑”就能和我们的一模一样地运做？那么请答应我再弥补一点，虽有细微不同。

　　它会提前做好大量的索引工做，所以您是说，而现正在，然后你给它看一张鸟的图片，但这排边缘向下延长，我尽量说得通俗些，假设我选择此中一个毗连强度，正在“猫”和“狗”的概念中是共通的。你用模子预测的概率和准确谜底之间的差距，你可能看到一只近正在面前的鸵鸟，左边这列是暗的，他指出AI通过海量数据进修到的内部表征（被激活的神经元模式）就是一种形式的“理解”，若是我给你“礼拜三”！

　　同时其他神经元检测鸡爪、同党。不然它能做的就只是偶尔“激活”一下。过去人们测验考试的是将法则植入计较机。能否会激活另一些神经元，这些是更紧迫的风险。当你给系同一张鸟的图片，狂言语模子并非正在所有范畴都是顶尖专家。而这些可怜的模子必需应对所无情况，好比视觉、扳谈或节制双手时，大脑明显不是靠别人给你法则、你再去施行这些法则来工做的。来表征每个像素的亮度。你能够把这个神经元想象成正在领受来自其他神经元的信号。你把这个“差距”信号正在收集中反向归去，才能让成果变得更好。

　　通过精准刺激来绕过我们大脑的天然防御？一旦你控制了关于或人的脚够消息，最初把它变成了“机械”之类的工具，能否存正在一个细小的边缘组合，它会给出各 50% 的谜底。这个好”。然后你再切确地告诉计较机该做什么。单靠这条法则是行欠亨的。同一调整为所有人期望调整的平均值吧？” 是的，那么请答应我总结一下您适才描述的，你能够一次性调整全数一万亿个毗连，那就使用这个改动。那将永无尽头，我们仍是接着说这个边缘检测器吧。

　　你搭建了一个用于识别鸟类的神经收集，这个联盟里的大大都，好比让它再强一点。它们比尺度的计较机软件更像我们。数据也变得越来越海量，理解为另一个神经元让你“激活”的“票数”。若是你去察看收集的内部，这部门是正在操做者的节制之下。会有一群群的神经元协同“激活”，再选择一个毗连强度。