![[谢谢]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_112.2dd347d.png)
![[呲牙]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_2.cd1e2bd.png)
![[嘘]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_32.0de65f2.png)
。
moonless
AI算法工程师
|
唐山市环境科学研究院
河北省科技厅AI展示工程——”小环“ 个人独立开发。
获得徽章 0
- #大模型日报# 那些公众号里一堆什么超长上下文模型当作能终结RAG的，每次大模型一出来一看上下文长度就在那喊终结RAG的，你脑子里想啥呢？把RAG简单粗暴地理解成“小抄”、当成一套自动拼接提示词的玩法，完全是一种误导和误读！它是指说方便你理解，但是你别真把他当小抄啊！现实是，传统上下文每次都把知识全塞进去，不仅计算成本爆炸，因为自注意力机制要对所有token两两计算关系，开销是平方级的，多头注意力更是把成本往上推几倍。因此超长文本带来的、“注意力稀释”问题，关键内容淹没在冗余信息里，模型表现反而跌得惨烈。RAG的核心是把知识库提前向量化、永久存储，通过高效检索精准调取信息，解决了上下文限制、计算瓶颈，还能做过滤和溯源。所以那种不负责任的观点和文章少点吧
![[谢谢]](//lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_112.2dd347d.png)
展开评论1 - 主观能动性的真正起点：不是说你能做什么，而是能够选择“不做什么”
![[呲牙]](//lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_2.cd1e2bd.png)
人类的主观能动性，核心在于不仅能“做什么”，更重要的是能“选择不做什么”。我们能够拒绝诱惑，放弃即时奖励，甚至逆着环境或目标前进。原因在于：我们拥有动机的源头，不被简单的外部奖励束缚；我们拥有对目的的选择权，可自主决定行为的意义与方向。
相比之下，AI没有“为何而动”的动机，只有“如何最优”的策略*。它没有真正的自由意志，更没有主动拒绝奖励或目标的能力。它行为的轨迹早已被目标函数限定。有人会抬杠：“我可以设计策略函数，把人类的叛逆、奉献、善良、神经质等行为都编码进去，让AI也有‘主观能动’。”问题是设计一个能涵盖**极度自相矛盾、多维冲突**行为的全局最优策略本身就极其复杂且未解，你看吧，当今具身智能的巅峰——自动驾驶都还在为多目标、冲突权衡痛苦挣扎，试想一套完美解决人类复杂心理的策略函数几乎不可能；这是根本的数学与计算复杂性限制，不是简单的工程问题。
所以AI的“主观能动性”只能是“模拟”而非“实质”，因为它始终在目标函数约束下行动，无自由拒绝或超越这个函数的能力。真正的能动性，源于能否“拒绝奖励、拒绝目标”，而这是现阶段AI永远不可能具备的![[嘘]](//lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_32.0de65f2.png)
。 展开61 - 让大语言模型（LLM）调用外部能力主要有两大思路。
其一，视觉派
：
核心是模仿人类，通过识别屏幕上的文本、图标等UI元素来理解界面，然后输出指令操作鼠标键盘。这种方式通用性强，能兼容各类软件，但缺点在于速度慢，交互模式限制了AI效率，且需要逐步执行，很大程度上依赖模型对具体界面元素背后功能的理解。
其二，API（软件）派
：
跳过视觉交互，让AI直接理解软件或工具的API函数，通过生成参数直接调用功能（如Function Call、Tool Use），后来出现了MCP（模型上下文协议）这样的统一标准以提高互操作性。此方法效率高。
像`browser-user`、Manus这类浏览器AI操作工具，是两者的融合（融合），基于API派思路，通过直接与浏览器的DOM（文档对象模型）或可访问性API进行程序化交互，将点击、输入等视为函数调用，识别和操作网页元素，效率较高。融合了视觉派的能力则可借助多模态模型来理解页面整体布局、处理视觉复杂或非标准的界面元素（如图表、Canvas），或在纯程序化方法遇到困难时进行视觉定位和确认，以此增强理解力。
但无论哪种流派或融合方式，一个必须高度警惕的问题是：MCP或类似统一接口赋能下的Agent时代，LLM固有的幻觉问题将被显著放大。因为过去，模型幻觉主要导致输出错误的文本信息，错了，就错了呗，一般也没啥大事；而现在，当模型被赋予直接调用工具、操控软件乃至物理世界的实际操作能力后，一旦产生幻觉并错误地选择或执行了某个功能，其后果将不再是信息层面的谬误，而是可能直接在现实世界中“做错事”，引发远超以往的实际风险和损失。 展开评论3 - #人工智能创作者签约季#
AI发展的两条主要路线：一条路线是以语言为元模态，这是当前大型语言模型所采取的主要路径。在这条路线上，所有的信息和知识，无论是图像、声音还是其他形式的数据，最终都被转化为某种形式的符号表示并映射到统一的语义空间，由语言模型进行处理和理解。也就是说，目前的多模态模型虽然能处理图像、声音等，但本质上仍是将一切转化为抽象的token，并在统一的语义空间中操作。
另一条路线则是具身智能路线，强调直接的，直接的，直接的物理世界感知和交互。在这条路线上，AI不仅仅是处理抽象的符号，而是通过各种传感器直接感知世界，并通过物理行动与世界互动。这种方法更接近于生物智能的发展方式，允许AI形成更丰富、更直接的世界模型。具身智能的传感器（如触觉、压力、温度、平衡感等）提供了完全不同的信息类型。
虽然语言模型的成功使我们看到了纯符号处理的潜力，但要迈向真正的AGI，物理世界的直接体验和互动是不可或缺的组成部分。因为基于网络数据训练的大模型已触及认知边界，单纯增加参数量和数据量再也难以带来质的突破，参考Gork3的成本与收益。而且，具身智能不仅是为了获取更多数据，而是为了获取本质上不同的数据，并在根本上改变AI学习和理解世界的方式。所以未来最强大的AI系统可能是将两者优势结合的混合系统：既具备语言模型的抽象推理能力，又拥有具身智能的物理交互能力。
自动驾驶作为具身智能的先行场景，其"感知-决策-规划-控制"架构与Tesla的技术复用经验，已为具身智能提供了重要参考。具身智能的物理载体呈现多样性，从固定底座到人形机器人，没有单一最佳形态，而应基于场景需求选择，只是说人形机器人的形象更加符合大众固定思维，而且它的泛用性在多场景应用中也的确具有独特优势。不过因为当前的数据驱动模型仍难以真正理解因果关系，多模态融合能力有限，所以具身智能难以在开放环境中可靠运行。而世界模型的出现为解决这些挑战带来希望：如NVIDIA Cosmos等世界基础模型提供了符合物理规律的仿真环境，不仅降低了数据采集成本，还为具身智能提供了"演武场"，使其能在闭环环境中快速学习。这种技术进步将加速具身智能的发展浪潮，推动AI向真正的通用人工智能迈进。展开评论2
