标签： 大模型

AI时代需要补的网络基础知识

AI时代需要补的网络基础知识

一篇在 AI 社区流传的网络科普文章指出，当 Claude、本地大模型、数据抓取和出海创业逐渐成为 AI 玩家的日常操作时，IP、DNS、代理、VPN 这类底层网络知识反而成了最容易被忽视的“卡点”。本文整理了该文章的核心观点，并分析为什么补网络基础课正在成为 AI 使用者的新刚需。

把LLM输出拟人化很蠢

把LLM输出拟人化很蠢

Hacker News 上的一场讨论直指 LLM 拟人化输出的"愚蠢"：强制模型采用对话式、有温度的风格，本质上是有损压缩，可能诱发幻觉并稀释信息密度。这不仅是审美分歧，更是工具可靠性和产品方向的取舍问题。

图灵奖得主 Pearl 说：大模型离 AGI，差的是因果。 他认为 LLM 生成「看似因果」的回答，多来自训练数据里的人类知识，而非真理解因果；主张把语言模型与因果模型结合，支持干预推理和反事实。 这话戳中 scaling 路线的天花板——模型能背因果结论，但不会「如果…会怎样」的推演。要往 agent/决策走，因果建模不是可选项，只是「结合」怎么做还没跑通。

图灵奖得主 Pearl 说：大模型离 AGI，差的是因果。 他认为 LLM 生成「看似因果」的回答，多来自训练数据里的人类知识，而非真理解因果；主张把语言模型与因果模型结合，支持干预推理和反事实。 这话戳中 scaling 路线的天花板——模型能背因果结论，但不会「如果…会怎样」的推演。要往 agent/决策走，因果建模不是可选项，只是「结合」怎么做还没跑通。

图灵奖得主 Judea Pearl 公开表示，大模型离 AGI 的关键差距在于因果推理——模型能复述训练数据里的因果结论，却无法真正进行「如果…会怎样」的反事实推演，这一判断直指当前 scaling 路线的能力天花板。