sam赶紧打我的脸吧

本质上还是超大模型的商业模式就存在问题，持续运营(推理)的成本是远超硬件+训练的一次性投入的，以及维持高工资的成本。关键还是营收能力不足，根本赚不到什么钱(相比成本连塞牙缝都不够。。。也就是OpenAI背靠微软。以及进一步商业化还有隐私、数据泄露、版权等等各种问题都来了

别啊，我还想靠llm的东风再多忽悠些钱呢

奥特曼不是在憋AGI大招吗，看采访里讳莫如深的样子

伸手太多了的感覺，感覺就是想布局很大。
不過目前最大問題還是先把邏輯推理搞好，目前無論一直瘋狂擲一大堆資源卻感覺用了一個不是很完全完備的方法在做，導致表現上有極限。
純以理論上來說，測度可以把出現過的情況都給採下來，輔以機率推測真實分布和代數解出數值等手段都挺工程似的方式，卻有一個有些大的問題。
這導致這相當於論文上的統計相關，卻不像某些理論或抽象的模型一樣有明確的因果、時序。
簡單來說就是把噪聲都採進來了當成真實的部分。(或著相對隨機的部分)
沒有辦法有效分離這種噪聲，理所當然會被噪聲等手段所困惑造成我們人眼判斷正常卻是機器判斷不正常的結果，導致很愚蠢的行為發生。
沒有辦法有效區分當前環境的『真實需求』，比如你將一大堆真實環境畫面跟非真實畫面輸入進去，必然有所矛盾，這導致畫面可能無法趨近真實環境畫面的分布，例如在透視視角下物體邊緣該如何變化這些，從而導致線段異常扭曲。
理論上力大飛磚遲早能區分出來不同的類型，但極依賴輸入數據的原始分布，也就是品質的提升從而區分開來。但這成本得多大?
你參數越大，token輸入越多屬於一個乘積關係，運算量怎麼能不爆炸?
個人而言認為需要有一個有效區分一個先決前提，一個先決前提下的空間才能驅除其他可能，從而保證這個空間的可靠有效。
然後如何有效接到這個先決前提，符合這個先決前提就是工程或人該處理的事情。
就我目前想法，他連某些基礎前提都還遠不能衍生出來，例如不同語言內置的lib和語法明顯不同，這些LLM很容易把不同語言混在一起，只知道他們都拿來寫程序卻不知道不能隨意拼在一起要看spec...

不行，没想到GPT这么快就被赶上了

本质发展所谓ai是在提升算力，而这个算力并不是为了提升生产力而服务，而是和美元间接捆绑，还是那套金融互联网套路。可萨精神犹太人的确是没招了。

本质上 Ai还是处于look-up的状态而不是figure it out， 就拿写代码来说gpt这么久了还没有出现AI driven的项目就很说明问题了 它给出的代码都是类似template code这种SO2分钟就可以找到的代码， 而SO上没有的东西 它就更没办法了。举个例子之前我写macOS KEXT的时候 GPT给出的代码都是错的 因为互联网上就没有类似的代码， 还有我之前写LSP的时候也是一样 甚至给出的模版都不算对。反倒是你还要花精力去研究 它的代码结构…

具体的企业怎么样不知道，但是这个行业肯定行，就像刚出视频网站的时候，抖音就能出了，但是抖音很晚出了，openai也会带动很多方式

没有美国tiktok的大数据.什么国外的AI都是废废老美眼馋中国大数据情报都要要疯了

全都是泡沫