获得徽章 0
在大模型和多模态出现后语言学习的讨论一直非常激烈。
一方认为没有必要再学习语言,毕竟语言只是一个工具,既然大模型能辅助就不需要学习了;另一方认为大模型只是个工具,语言学习可以利用这个工具得到更好的加强。

我的想法:本质上这个讨论背后还是 AI V.S. IA 的原始争论,上个世纪就出现了。即 Artificial Intelligence 和 Intelligence Augmentation,前者重工具和机器智能的培养,后者重人文,机器是辅助。
语言在这个背景下是一个场景,如果只是为了收获信息,那么不必须学习外语,这点上偏向第一方;但如果深入思考,会发现语言给人类的绝不止信息,更多是赋予人跨越时空、人种的能力,他让我们的文化可以传承,让不同地区的文化能够传递,这样机器就做不到了,即使到了终极时代我依然持有这个观点。一个佐证就是,很多思想、观点到文化是无法表达的,简单说就是《浮士德》所传递的人的意义,必须要通过这样的神话小说化后让人来感受,复杂说就是佛所说的若见诸相非相,即见如来。
分享给语言的终身学习者们
展开
评论
在物理范畴上硬件遇到了纳米尺寸下电子击穿的自然规律瓶颈,摩尔定律逐渐失效。硬件加持的快速发展会逐渐让渡到软件驱动,发展的核心能力围绕着数据和算力两个基础,数据和算力通过算法连接产品和物理世界的生产。

算法从个人探索的智力结晶在向模型化、大模型化发展,也从白盒慢慢转变到黑盒。

这引发了互联网行业的一次技术变革:
1. 2014 年左右开始出现 k8s 驱动的云原生技术,通过声明式范式将基础设施的指数级复杂性封装在云平台内部,换取了云上应用复杂度的线性增长;
2. 2014 年从微软推出 Azure Machine Learning Studio 开始,devops 支持下的传统开发走向了机器学习时代的 mlops 模式;
3. 2022 年底 llm 开始爆发,mlops 关注的模型数据准备、模型训练、模型部署、模型监控、模型管理、模型评估、模型推理等环节也无法满足大模型的需求,2023 各种 llmops 的探索出现。
展开
评论
下一页
个人成就
文章被点赞 7
文章被阅读 4,805
掘力值 748
收藏集
0
关注标签
16
加入于