一周热榜

我厌倦了在自己的AI会话之间来回照顾上下文，还要为了不同的目的复制粘贴摘要或更新MD文件。因此，我构建了这个。<p>演示：<a href="https://youtube.com/shorts/i8xgbrY_Y0g" rel="nofollow">https://youtube.com/shorts/i8xgbrY_Y0g</a><p>目前仅限邀请，如果你想在这个月免费试用，请留言，我会给你发送一个代码。

我在思考恶意软件和网络蠕虫的未来。我敢打赌，它们将会是自我变异的，并能够根据当地环境进行适应，利用本地模型（一旦这些模型被嵌入到所有设备中，并在未来几年内性能足够强大）。基本上，这几乎就像一种真正的生物体，类似于真实的生物病毒。在这种情况下，大型语言模型（LLM）的非确定性反而成了一种特性。每次感染都可能走上不同的发展路径——一半可能会死亡，另一半可能会存活。可以想象这就像是基因编程，但它是自主的，并且是“加强版”的。对于一些非技术（甚至是技术）人员来说，这让人想起了天网，令人着迷的是，我们正处于一个这样的轨迹上，这种情况突然变得可以想象，并且理论上很快就能实现。 那么，为什么现在还没有发生呢？推理仍然很昂贵，本地模型尚未成熟，因此在大规模应用中没有投资回报。但一旦推理变得像电力或自来水一样便宜且本地化，这将是自然的发展。那么，我们该如何阻止这种传播呢？ 现在是否已经有一些文献记录的实验？

在过去一年中，我与一些非技术背景的人（传统金融人士、顾问）进行了几次对话，他们希望能有一个简单的解释，来了解GPT的工作原理。这些人通常能够快速掌握新概念，但不一定具备深入研究所需的数学背景，他们希望有一个比“它们预测单词”更强的框架。 我之前通常会推荐他们去看Karpathy的内容、《Illustrated Transformer》以及其他YouTube视频，但我觉得提供一些更直观的、无需数学基础的解释可能更适合解答诸如“为什么要进行矩阵乘法？”这样的问题。 因此，我制作了一个简单的互动课程，时长约60到70分钟，并附带了一些演示材料，可以分享给他们。我发现这个课程在帮助他们理解术语和概念方面非常有效，适合作为他们进一步学习Karpathy等内容的初步引导。 这个课程是免费的，无需注册。我非常希望能收到反馈，了解在哪些方面可能会让非技术读者感到困惑，以及从事这一领域的专业人士认为我在哪些地方简化得过头，失去了准确性。 了解更多信息请访问：understandgpt.xyz