# 神啊，救救我们，让我们试着理解人工智能的“单义性” [译]

- Link: https://paooo.com/ai-study/7034/
- Published: 2024-03-15T18:19:44+08:00
- Author: 宝玉的分享

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * Anthropic用可解释性研究切入[大模型](https://paooo.com/ai-study/)黑箱，证明神经
   元常呈多义而非单一语义。
 * “叠加态”模型解释了有限神经元如何承载远超容量的概念，并在小型[智能体](https://paooo.com/trends/)
   上得到验证。
 * 实测显示模型会在不同特征密度下切换表示方式，从单神经元到多面体式组合编码。

每个人工智能的内部都蕴藏着一个更大的人工智能，努力挣脱束缚

阅读目录

 * [每个 AI 内部都蕴藏着一个更大的 AI 在挣扎突破](https://paooo.com/ai-study/7034/#%e6%af%8f%e4%b8%aa-ai-%e5%86%85%e9%83%a8%e9%83%bd%e8%95%b4%e8%97%8f%e7%9d%80%e4%b8%80%e4%b8%aa%e6%9b%b4%e5%a4%a7%e7%9a%84-ai-%e5%9c%a8%e6%8c%a3%e6%89%8e%e7%aa%81%e7%a0%b4)
 * [机器中的神](https://paooo.com/ai-study/7034/#%e6%9c%ba%e5%99%a8%e4%b8%ad%e7%9a%84%e7%a5%9e)
 * [我已见证 AI 的灵魂，它令人欣喜](https://paooo.com/ai-study/7034/#%e6%88%91%e5%b7%b2%e8%a7%81%e8%af%81-ai-%e7%9a%84%e7%81%b5%e9%ad%82%e5%ae%83%e4%bb%a4%e4%ba%ba%e6%ac%a3%e5%96%9c)

2023 年 11 月 27 日

你可能听说过，人工智能就像一个“黑匣子”，神秘莫测。没有人确切知道它的运作机制。研究者
们构建了一种类似神经组织的奇异结构，每当这个结构稍微朝着他们期望的人工智能方向进展
一点，就给予它一些“奖励”。通过这样不断的微调，最终它成长为研究者心中理想的人工智能
形态。但究竟这个过程中发生了什么，似乎只有上帝才知道。

这对于安全性是一个巨大挑战。为了确保安全，理想情况下我们可以查看人工智能内部，判断
它是在执行像“完成任务”这样的算法，还是在“欺骗人类，让他们认为我在完成任务”。但我们
做不到，因为我们根本无法窥探人工智能的内部。

然而，现在有了转机！由大型人工智能公司/研究实验室 Anthropic 最新发布的 **走向单义
性**，它声称已经深入人工智能的内核，窥见了其灵魂。它的样子是这样的：

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/02/httpssubstack-post-media.s3.amazonaws.compublicimages7b5a9650-204e-
4170-a6ca-6cd357bacbca_780x487.webp)

他们是如何实现这一突破的？人工智能的内部结构究竟是怎样的？而所谓的“单义性”又是指
什么？

_[免责声明：经过与众多比我聪明得多的人士交流后，我或许、大概、稍微理解了其中的原理。
文中的任何错误都是我的责任。]_

##  每个 AI 内部都蕴藏着一个更大的 AI 在挣扎突破

这就是一个有风格的神经网络的样子：

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/02/httpssubstack-post-media.s3.amazonaws.compublicimages510ef384-8418-
413e-9494-eb7fe63318a8_700x350.webp)

输入神经元 (蓝色) 从外界吸收信息。在图像 AI 中，它们可能是处理图片像素的值；而在
语言 AI 中，则可能处理文本中的字符。

这些神经元连接到隐藏层中的中间神经元 (黑色)，它们的作用颇为神秘。

接着，这些神经元又连接到输出神经元 (绿色)。对于图像 AI 而言，它们可能代表 AI 画作
中像素的值；对于语言 AI，则是聊天机器人回应中的字符。

要“理解 AI 内部的运作”，就是要弄清楚这些中间层的黑色神经元是如何工作的。

一个可能的切入点是，给 AI 提供各种不同的刺激，然后观察每个神经元的激活与否。比如，
如果有一个神经元只在涉及狗的输入时激活，其他时候则不激活，那么这个神经元很可能就是
在表达“狗”的概念。

听上去很简单对吧？似乎是个适合实习生的夏日项目？

但实际上，这里面有至少两个大问题。

首先，GPT-4 拥有超过 1000 亿个神经元（虽然确切数字不详，但绝对是个天文数字）。

其次，这种方法实际上并不奏效。当你转向一个“仅”有几百个神经元的较弱 AI，并且用特殊
工具来自动化刺激与分析过程时，你会发现神经元并没有那么简单。一些基础神经元可能对
图像中的基本特征（比如曲线）作出反应。但在那些深层次、必须进行真正思考的地方，并
没有能直接代表“狗”的神经元。相反，那里的神经元更为复杂。在一项图像模型研究中，一篇
早期论文发现了一个能同时响应猫脸、汽车正面和猫腿的神经元。作者将这种现象称为“多义
性” – 即一个神经元具有多重意义。

![一系列奇特的图像，看上去像是迷幻艺术作品中的猫脸、汽车前端和猫的腿部。](https://
paooo.com/wp-content/uploads/2024/02/httpssubstack-post-media.s3.amazonaws.compublicimagesff7b0831-
f9c5-4c69-aa63-11c124788f8a_606x205.webp)

一系列奇特的图像，看上去像是迷幻艺术作品中的猫脸、汽车前端和猫的腿部。

最能引起神经元 4e:55 反应的三张图片

许多智慧头脑努力研究，想要解释这种神经元行为背后的理念系统，并提出了一篇名为**超级
位置的玩具模型**的论文。

他们的洞察是：假设一个神经网络有 1000 个神经元，如果每个神经元只代表一个简单的概念，
比如“狗”，那么这个网络最多就只能理解 1000 种不同的概念。但实际上，理解的概念可能
更少，因为要精确识别“狗”，网络需要分辨出各种子概念，比如“狗的脸”或“某个特别的狗”。
因此，如果能用 1000 个神经元来表示远超 1000 个概念，就大有裨益了。

这里有一个方法可以让两个神经元一起表示五个不同的概念（参考来源）：

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimages0ec5a30b-ddcb-
4114-8b1d-bca34aef713f_472x393.webp)

如果神经元 A 的活跃度为 0.5，而神经元 B 的活跃度为 0，那么结果就是“狗”。

如果神经元 A 的活跃度为 1，神经元 B 的活跃度为 0.5，那么结果就是“苹果”。

以此类推。

这个抽象图形的顶点数量是需要权衡的。顶点越多，这对神经元就能代表更多的概念。但这
也可能带来混淆风险。例如，如果同时激活了“狗”和“心脏”的概念，AI 可能会错误地将其解读
为“苹果”。而且，AI 在某种程度上也可能将“狗”误解为“负面眼睛”。

在 AI 领域，有一个被称为“叠加态” (superposition) 的理论。但真实情况是怎样的呢？这些
AI 在它们的抽象几何形状上有多少顶点？

Anthropic 的解释团队曾经训练过一个非常小巧且简单的 AI 智能体。这个 AI 需要记住高达
400 个特征，但它只配备了 30 个神经元。为了达成目标，它不得不尝试一种类似于叠加态
的策略。他们的研究发现如下（摘自这里，略作编辑）：

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimages157938c0-cc3b-
4bfa-8c21-7513581cca04_1433x1046.webp)

看看图中的黑线。在图表最左侧，数据密集得很，需要同时考虑每一个特征。这时候，AI 为
每个概念只分配了一个神经元，也就是说，它最多只能学习它所需的 400 个概念中的 30 个，
几乎无法完成任务。

当我们向右移动，特征出现的频率逐渐减少——AI 可能一次只需处理几个特征。AI 逐渐开始
尝试将概念组合成四面体（每四个概念由三个神经元表示）和三角形（每三个概念由两个神经
元表示）。当图表到达双边形（每两个概念由一个神经元表示）时，AI 会暂停一段时间（可能是
在重新整理这种表示方式？）。之后，它又继续研究五边形，甚至还有一种被称为“反棱柱方形”(
square anti-prism) 的不寻常多面体 . . .

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimages72403ec2-1c5e-
4e15-92c1-0095cc089258_950x893.webp "Source: https://en.wikipedia.org/wiki/Square_antiprism#/
media/File:Square_antiprism.png")

来源：https://en.wikipedia.org/wiki/Square_antiprism#/media/File:Square_antiprism.
png

. . . 根据维基百科的描述，最出名的形状之一是biscornu（一种“装饰性填充针插垫”）和
纽约的世界贸易中心一号楼：

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimages2707d6a2-bb85-
49c6-a160-fe98e0de184b_1128x403.webp)

Picture of a pincushion and One World Trade Center

自由塔被视为思维本质的核心；美国似乎总是在赢。

讨论到正方形反棱柱（每三个神经元有 8 个特征）之后，讨论就此中断。为何如此？我也不
清楚。

一位对这些问题更有见解的朋友告诫我们，不应该期待在 GPT-4 中找到五边形和正方形反棱柱。
GPT-4 可能在我们难以理解的 1000 维空间中进行操作。但这种操作，就像是在 1000 维空间
中的五边形和正方形反棱柱一样，通过将神经元转换成维度并在潜在空间中放置概念，从而
节约了神经元。

Anthropic 解释性团队将这解释为模拟更强大的 AI。也就是说，在上述五边形玩具示例中，
两个神经元的 AI 实际上在模拟一个五个神经元的 AI。他们进一步证明，真实的 AI 可以在
模拟的 AI 中运行计算；在某种意义上，确实_存在_一个抽象的五神经元 AI 在进行所有的
认知活动。所有的 AI 没有模拟无限强大的 AI 并让_它们_来完成所有任务，主要是因为当
真实的神经元开始代表越来越多的模拟神经元时，会产生越来越多的噪音和概念干扰。

这对 AI 来说是个好消息，但对于解释者来说就比较困难了。我们曾希望仅通过观察就能理解
AI 的行为。但现在看来，它们实际上是在模拟更大、更复杂的 AI，如果我们想了解其中的
原理，我们需要观察_那些_ AI。但问题是，_那些_ AI 只存在于模拟的抽象高维空间中。这
听起来分析起来相当复杂！

##  机器中的神

上个月，Anthropic 的可解释性团队宣布了一个重要突破：他们成功地解析了其抽象超维空间
中的一个模拟 AI。

（这又让我们回到了单义性论文的话题！）

这项工作的起点是训练一个简单的 512 神经元 AI，它的任务是预测文本，可以看作是 GPT
或 Anthropic 的 [Claude](https://paooo.com/aigc-news/) 模型的迷你版。

接着，他们又训练了另一个叫做自编码器的 AI，任务是预测第一个 AI 的激活模式。他们设置
了一系列特征（数量从大约 2,000 到 100,000 不等），这些特征对应于它所模拟的更高维
度 AI 的神经元。然后，他们研究这些特征如何与真实 AI 的实际神经元相对应。

令人惊讶的是，尽管原始 AI 的神经元让人难以理解，但新 AI 模拟出的神经元（也就是“特征”）
却很容易理解。这些特征是_单义的_，也就是说，它们代表了特定的含义。

例如，来看特征 #2663（值得一提的是，原始 AI 只有 512 个神经元，但他们把它当作模拟
了一个多达约 100,000 个神经元特征的更大 AI）。

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimagesb112770b-f685-
4974-9cfb-16230cf4cdb0_1065x642.webp)

特征 #2663 代表了“神”。

在激活这一特征的训练数据中，最显著的一个句子出自 Josephus 的第 14 书：“他穿过 Sepphoris，
仿佛是神派来了雪”。我们可以看到，所有最强烈的激活都围绕着“神”的不同表达。

这个模拟神经元似乎由包括 407、182 和 259 在内的多个真实神经元构成，虽然实际上可能
还有更多，但界面并未全部显示。

这些神经元本身并没有什么神圣之处。当我们研究神经元 #407 – 这个对 AI 理解“上帝”概念
贡献最大的真实神经元时，AI 生成的总结显示它主要对非英文文本反应敏感，尤其是带重音
的拉丁字符，有时也会对如 HTML 标签这样的非标准文本产生反应。这可能说明我们很难通过
单个真实神经元来全面理解 AI 的工作原理，因此在被要求进行这项不可能任务的 AI 试图
找出一些规律，但其实只是随机作答。

但是在特征层面，一切变得井井有条！要知道，这个 AI 的任务是预测文本中下一个 token。
在这个层面，它的行为相当合理。例如，当特征 #2663 被激活时，它会增加下一个 token 
是“bless”（祝福）、“forbid”（禁止）、“damn”（诅咒）或“-zilla”（-怪兽）的概率。

那么，AI 是否应该将“上帝”这个宇宙万物的全能创造者和主宰，与“Godzilla”（哥斯拉）中的“
God”（上帝）区分开来呢？GPT-4 可能做到了这一点，但这个简化版 AI 由于真实神经元数量
有限，没有足够的模拟神经元或特征来进行这种细致的区分。实际上，你可以在论文后半部
分看到这种情况的变化：

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimages47311206-f51c-
4142-b7ba-3baa17a949dc_1072x1474.webp)

在这棵特征树的底部，我们可以观察到，当 AI 的特征数量越来越多时，“the”在数学术语中的
表示是如何变化的。

首先，为什么会有针对数学术语中的“the”的特征呢？这是因为 AI 的预测机制。知道某个特定
的“the”后面应该跟着数学词汇，比如“numerator”（分子）或“cosine”（余弦），对于预测
是有帮助的。

在他们最小的 AI（拥有 512 个特征）中，只有一个专门处理数学中“the”的神经元。而在他们
测试的最大 AI（拥有 16,384 个特征）中，这个神经元已经分化为几个不同的部分，分别处理
机器学习、复杂分析、拓扑学和抽象代数中的“the”。

可能的话，如果我们将 AI 升级，使其具备更多模拟神经元，那么所谓的“上帝神经元”可能
会分化为两个：一个用于宗教中对上帝的理解，另一个用于怪兽名字中的上帝概念。未来，
我们或许还能细分到基督教中的上帝、犹太教中的上帝、哲学中的上帝等等。

当然，并非所有特征或模拟神经元都如此简单。但许多特征是这样的。研究团队对 412 个真实
神经元与模拟神经元进行了主观解释性评估，结果显示模拟神经元普遍易于理解：

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimages1e75c4cc-254c-
46fb-b217-d6fbbbc1aa8a_1368x496.webp)

其中一些神经元，例如“上帝神经元”，专门用于特定概念。还有很多其他的，尤其是那些最
易于解释的，关注于文本的“形式风格”，如大小写、英文与其他文字系统等。

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimagesb0c1a581-9cb0-
4391-b338-7b4930e1e43b_1020x344.webp)

这些特征有多普遍呢？比如，如果我们使用相同的文本数据集分别训练两个各具有 4,096 个
特征的 AI，它们会不会拥有大体相同的 4,096 个特征？它们都会有代表上帝的特征吗？还是
说，第一个 AI 会选择将上帝与哥斯拉的概念合并，而第二个 AI 则选择分开？或者第二个
AI 可能根本不设上帝这一特征，而是用这部分空间来存储第一个 AI 无法理解的其他概念？

研究团队对此进行了测试，结果表明这两个 AI 非常相似。平均而言，如果第一个 AI 中存在
某一特征，那么在第二个 AI 中与之最相似的特征将“具有 0.72 的中位数相关性”。

![神啊，救救我们，让我们试着理解人工智能的“单义性” [译]](https://paooo.com/wp-content/
uploads/2024/03/httpssubstack-post-media.s3.amazonaws.compublicimages5d36d3c2-1461-
4bff-9582-9f8a8a860756_1371x794.webp)

##  我已见证 AI 的灵魂，它令人欣喜

未来会发生什么？

今年五月，OpenAI尝试让 GPT-4（规模庞大）理解 GPT-2（相对微小）。他们让 GPT-4 分析
了 GPT-2 的 307,200 个神经元，并报告其发现。

结果是一些引人入胜的发现和些许随机的乱语，因为他们尚未完全掌握将真实神经元映射到
模拟神经元并分析模拟神经元的技术。尽管如此，这项尝试仍然极具雄心。与单义性论文中
提到的初级 AI 不同，GPT-2 曾是一款真正的 AI，给人们留下了深刻的印象。

然而，我们更渴望的是理解当前的 AI 代。Anthropic 的可解释性团队坦承，我们还没达到
这个目标，原因有几个。

_首先_，是自动编码器的扩展：

> 将稀疏自动编码器应用于尖端模型是未来最关键的挑战之一。我们对这些或类似方法充满
> 希望——Cunningham 等人的研究表明，这种方法可能适用于更大的模型，我们的初步结果也
> 指向这个方向。但要克服巨大的计算挑战。例如，应用于 10,000 宽度 MLP 层的自动编码
> 器，若扩展因子为 100 倍，则会有约 20 亿个参数。许多特征可能相当罕见，这可能意味
> 着自动编码器需要在大型模型的训练语料库的大部分上进行训练。因此，训练自动编码器
> 的成本可能非常高昂，甚至超过原始模型。尽管如此，我们仍保持乐观态度，解释性议程
> 的大部分似乎将转向解决复杂的工程和扩展问题，这是前沿 AI 实验室的强项。

简而言之，要开始解释像 GPT-4（或 Anthropic 的 Claude）这样的 AI，你需要一个同等规模
的解释器 AI。但是，培养这样规模的 AI 需要巨大的公司和数亿（很快将是数十亿）美元的
投资。

_其次_，是解释的扩展。假设我们找到了代表各种概念的模拟神经元，比如上帝和哥斯拉，
拥有一个详细的连接图并将其挂在墙上。现在我们想回答的问题是：

 * 当我们向 AI 提出一个具有争议性的问题时，它是如何决定回应方式的？
 * AI 在对人进行评判时是否运用了种族刻板印象？
 * AI 是否在暗中策划消灭全人类？

这些问题的答案可能涉及数百万个特征和连接的复杂组合。在某些情况下，我们甚至可以设想
出解决方法，例如检查在我们请求 AI 对人进行评判时，代表种族的特征活跃程度。但实际
上，当我们面对数百万神经元间极其复杂的相互作用时，我们必须采用自动化的方式，就像
一种扩展版的“让 GPT-4 解释 GPT-2 在做什么”。

这种方法可能适用于种族刻板印象问题。但当问题涉及到“是否计划消灭所有人类”时，情况
就变得更加复杂（如果 GPT-4 自己就在策划这一行动，并向我们提供虚假答案怎么办？）。
但或许，我们可以设计一个解释型 AI，它本身不足以策划行动，但能够解读更通用、更智能、
更危险的 AI。关于这一点如何与更广泛的 AI 对齐计划相结合的更多信息，可以在关于 ELK
问题的文章中找到。我还发现了这篇论文，尽管我还未完全阅读，但它似乎是开始在可解释
AI 中融入安全设计的尝试。

那么，这一切对我们对人类的了解又有何启示呢？

人类同样使用神经网络来处理概念。我们的神经元数量众多，但 GPT-4 也同样如此。我们的
数据非常稀疏 – 例如，有些概念（如章鱼）在日常生活中极为罕见。那么我们的大脑是否充满了
奇特的抽象多面体呢？我们是否在某种程度上模拟了更大的大脑？

这是一个非常新的研究领域，但我找到了一篇论文，Identifying Interpretable Visual Features
in Artificial and Biological Neural Systems。作者指出：

> 在我们开展的一系列实验和分析中，我们找到了支持这样一个假设的证据：无论是深度图像
> 模型 [AIs] 还是大脑的视觉皮层，神经元都在以叠加的方式编码特征。也就是说，我们在
> 神经状态空间中找到了一些非传统方向，这些方向比起单个神经元来说，其含义更加清晰
> 易懂。此外，无论是在生物体还是人工智能系统中，我们都观察到了一个有趣的现象，我们
> 称之为“特征协同”——在激活空间中的稀疏组合能够产生比单独部分更加易于理解的特征。
> 我们的研究为基于 CNNs 的自动可解释性研究提供了新的方向，并与近期的语言模型研究
> 努力保持一致。同时，它也为分析生物系统中的神经编码特性提供了一个新的视角。

这是一篇独立的、尚未经过同行评审的论文，它提出了一个在一个充满炒作的领域里的惊人
主张。这意味着它 _必然_ 是正确的 — 否则就不公平了！

如果你对这个话题感兴趣，你可能会想深入阅读完整的论文，它们比这篇简介更加全面和引人入胜。
我最推荐的有：

 * 《电路导论》
 * 《叠加的玩具模型》
 * 《分布表示：组合与叠加》
 * 《朝向单义性：用字典学习分解语言模型》

如果你完全理解了这些内容，并且准备好做出自己的贡献，那么你可能适合加入 Anthropic
或 OpenAI 的对齐团队，它们目前都在招募新成员。如果你觉得这些内容 _可能_ 对你有意义，
并且你想进一步了解和学习，那么像 MATS 这样的对齐训练或奖学金项目可能适合你。

🧭 文中关联 AI 工具官网与参数卡（语宙 AI 导航）

**Anthropic ↗**

Anthropic：人工智能安全和研究公司，面向大语言模型场景提供便捷实用的在线功能支持，
涵盖智能工具等实用方向

❓ 常见问题解答（FAQ）

什么是人工智能的“单义性”？

文中语境下，“单义性”指尽量让模型内部表示更清晰、可解释、少歧义。文章讨论的是 Anthropic
试图理解并减少神经元的多义现象，让研究者更容易判断模型到底在“想什么”。

为什么神经元会出现多义性？

因为模型需要用有限数量的神经元表示大量概念，单个神经元往往不得不参与多个特征的编码。
于是它可能同时对应猫脸、汽车前脸等不同模式，这就是多义性或叠加态。

Anthropic 的研究实测结论是什么？

文章提到，Anthropic 训练了一个只配备30个神经元、却要记住400个特征的小型智能体。结果
显示它会通过四面体、三角形、双边形等不同组合方式压缩表示，验证了叠加态思路。

🔬 语宙深潜追问 · 进阶实操拆解

多义神经元对模型可解释性意味着什么？

它说明单个神经元不一定对应单一概念，而是多个特征的压缩表示。解释模型时应看特征组合、
激活模式和几何结构，而不是迷信“一个神经元一个含义”的直觉。

这种发现会怎样影响模型调试？

调试重点会从“找坏神经元”转向“找特征叠加和干预路径”。实践中可用稀疏特征分解、激活
编辑和对比样本定位问题来源，再验证修改是否影响其他相关能力。

🗳️ 读者观点微投票 · 您的实战立场是？

大模型内部是“单义”还是“叠加态”更合理？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [Ilya——塑造世界的人工智能科学家 [译]](https://paooo.com/ai-study/8709/)
 * [通往人工智能之路 [译]](https://paooo.com/ai-study/8478/)
 * [整合人工智能的两大策略 [译]](https://paooo.com/ai-study/8532/)
 * [AI 论战的荒谬（并且，不，AI 不会在类似于计算机般的时间尺度上进行递归自我完善） [译]](https://paooo.com/ai-study/8456/)

[🏛️ 宝玉的分享](https://paooo.com/author/baoyu/) · 前沿大模型翻译与提示词工程实战
分享专栏，聚焦海外一手 AI 技术动态与工程实践。

[📄 Markdown 纯净版](https://paooo.com/ai-study/7034/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
