读《意识的解释》:AI 有没有可能拥有意识?
读完丹尼尔·丹尼特的《意识的解释》后,我把书里的核心命题——“笛卡儿剧场不存在,意识只是大脑的多重草稿编辑过程”——拿去问了 AI:你觉得你自己有没有可能具有意识?
这篇文章是那次对话的记录,顺带梳理了哲学上几个相关的经典思想实验。
读完丹尼尔·丹尼特的《意识的解释》后,我把书里的核心命题——“笛卡儿剧场不存在,意识只是大脑的多重草稿编辑过程”——拿去问了 AI:你觉得你自己有没有可能具有意识?
这篇文章是那次对话的记录,顺带梳理了哲学上几个相关的经典思想实验。
原文: https://www.kaggle.com/whitepaper-agents
生成式 AI 模型可以通过训练来使用工具,以访问实时信息或建议现实世界中的行动。当模型具备推理、逻辑和外部信息获取能力时,就引出了智能体(agent)的概念——一种超越了独立生成式 AI 模型能力的程序。本文是 Google 发布的智能体白皮书中文整理。
▌核心观点: AI 智能体正迅速成为推动企业数字化转型的关键力量。Gartner 报告显示相关咨询量激增 750%,但市场同时充斥着”代理炒作”。本文整合 Gartner 最新洞察,梳理智能体的定义、价值、风险与部署策略。
深度学习在持续学习场景下有一个鲜为人知的致命缺陷:随着训练推进,网络会逐渐丧失学习新知识的能力——即”可塑性丧失”(Loss of Plasticity)。《自然》杂志发表的这项研究(Dohare et al., 2024)系统性地揭示了这一现象,并提出了”持续反向传播”算法作为解决方案。
大型语言模型(LLMs)已在众多任务中展现出惊人的通用能力。然而,如何让这些强大的模型高效地适应特定领域或动态变化的需求,仍是一个关键挑战。传统的完全微调方法成本高昂、耗时,且容易导致”灾难性遗忘”;而参数高效微调(PEFT)方法(如 LoRA)虽然降低了成本,却往往牺牲了模型的灵活性和技能的可组合性。
想象一下,一个 LLM 能够像经验丰富的专家一样,迅速分析任务需求,并实时调整自身”状态”以最优地解决问题,而不是用一套固定的模式应对所有情况。这正是自适应 LLM 的愿景。Sakana AI 提出的 Transformer² 框架朝着这一方向迈出了重要一步。
AI 正在从工具演变为某种更具实体感的存在。它的预训练知识与有限的对话记忆之间有何关联?它能否摆脱人类反馈的束缚自主进化?如何构建能持续学习和记忆的 AI?
带着这些问题,与 Google Gemini 2.5 Pro Preview 进行了一番深入探讨。
我越来越感觉到,人工智能(AI)正在从一个复杂的工具转变为某种更具实体感的存在,一个正在“到来”而非仅仅执行命令的实体。
AI庞大的预训练知识与其有限的对话记忆之间有何关联?它能否真正“以自己的方式”学习,超越人类反馈的限制?以及,要构建出不仅能获取信息,更能持续学习、记忆和进化的 AI,我们需要什么?
我将这些想法与 AI 进行了一番讨论, 以下是与 Gemini 2.5 Pro Preview 03-25 的对话
带着寻求精神解脱的期望翻开《瓦尔登湖》,阅读之后却发现它与预期存在不小的落差。这是一部充满理想主义色彩的宣言,引发思考,却未必能为深陷”内卷”的现代人提供现实的出路。
分析el-upload
分析el-select
试玩一下JS爬虫
从碧蓝WIKI抓取角色图片
用到superagent, cheerio, request等库
整理一下this用法, 基本是抄了一遍MDN..
普通函数: 执行上下文, 严格模式下默认不指向全局对象
箭头函数: 词法上下文