主题：【原创】货币锚定国债，不是建金融防火墙，而是建金融抽水机 -- nobodyknowsI

官僚体系到了这个地步，怎么搞的？

你这还是青天大老爷思想。

你这么反对那个人，只不过因为他不是你心目中的青天大老爷。

（比如本屁股 - 屁股决定脑袋-不感冒稻宗，最大的原因是他没带我发财）

你要多唱几遍国际歌。

PS：联储主席前段时间发牢骚，说了句唐宋以来都不重视普罗大众（大意如此），希望当前困境能倒逼肉食者重视起来。唉， 又想起主席人人为尧舜的宏愿。

我们生活的这个时代，客观来说，就是一个单一领导的领导力非常重要的时代——或者如你所说——“青天大老爷”思想。

你看看海对面如火如荼的总统选举，是不是也在说：“选我，我是青天大老爷”？

而我们国家，从“九龙治水”变成了“两个维护”，这一点究竟是尊尊自己贪恋权力，还是真有其必要性，我们又如何评价？

-

倒逼这种事，不是说不可能，但实际上的确不太可能。

最大的问题，我之前也说过，就是尊尊的智商，你再怎么倒逼，也逼不出正确的结果。

反腐不对吗？扶贫不对吗？环保不对吗？防疫不对吗？做大做强国企不对吗？

可他就是能打着正确的大旗，把事情一个个做得一地鸡毛。

对这种人，你说，怎么倒逼？

防疫倒是倒逼了，结果呢？明明可以倒逼成“不要层层加码”，或者倒逼成“用工业技术防疫”，可他偏偏让倒逼成了“捂嘴反智掩耳盗铃”

-

从这你就能看出来，当前全世界的政治体制下，没有靠谱的“青天大老爷”，就是要坏事。

也就是说：现代人比古人，在治理上，可能没有太跨越式的进步。

这个词成为社会习语以后，才有女人采用的。

不管男人还是女人，都喜欢强者。当然，随着社会身份不同，对『强』的定义不同。对于官太太，芮成钢的小白脸比省委书记都强；但对于劳动女性，即使县委书记都比芮成钢强多了，这就是所谓的饱暖思淫欲。个人偏向虽有不同，大方向一致。你的『仿佛一夜之间』，有中国女性社会地位上升快的因素，更有互联网普及，你能看到听到现实生活中不能取得的私密想法的因素。比如『我想把省篮球队的队员全睡一遍』，有女人想，但大多不会对男人说，但是到了网络匿名，就会说了。类似的，有了网络普及，女人才知道想嫁富婆少奋斗二十年的男生居然如此之多。《玫瑰的故事》里，白晓荷才是现实女人里的王者。

很多女人宁可单身也不肯进行所谓的下嫁，就证明了我的观念。在生活中发泼的女人更多，本人就在地铁上遇到一位老人咳嗽了几下，可能吐痰了，一个小仙女就大怒，说老人不讲卫生，还找地铁工作人员，成功的把老人彻底激怒而重来不想老人的身体，生活习惯不同等原因，可以心平气和的解决问题，说穿了就是刻薄两字。同样遇到很多农民工，弱势群体，男人的表现大多数都和和善，愿意沟通交流。而女性大多是都是看你一眼都觉得亏了的感觉，这你能否认么？所以我觉得中国男人总体上比中国女人好多了，勤劳，识大体。

你们这段的讨论价值非常高。

绝对是白领的那段话：很多事情就是这样，只要开始，就会自我演化下去，在没有受到铁拳的强力打击之前，都不会停止。等过了某个临界点，就会产生自我意识，变成一种自我驱动的运动，根本就不需要什么核心人物来启动，随便一点小事，就会引发强大的风暴，不为少数人个人意志所转移，远的有日本军国主义的兴衰，近的有各国颜色革命。

放在我老婆身上非常合适：我娃就是个耍耍，总是不听我的，我非要把孩子收拾一顿，和别人不停的倾述，强化这种认知，然后晚上就真的收拾孩子一顿！

孩子想，你一天都不信任我，只知道打我，然后自己天天耍手机，我为什么要信你的！为什么要听你的！

然后孩子继续不听话！

不仅仅是我老婆，很多人也有这种倾向：

员工：老板不喜欢我，你看总是针对我，所以我不喜欢老板（老师），结果老师就真的不喜欢你，然后，你看印证了吧！我说的是对的！

老板（老师）：那个员工怎么是和刺头，好像不大尊重我，然后平时就不待见这个员工，结果这个员工就真的不喜欢这个领导。

领导说：你看我说的一点没错吧！

哎！

古人说君子不器，其实何止是君子，人人都应该不器，不要被观念驱使！

少说多做，少说多总结！

但是奈何。

被社会认同小的人（年轻人，非独立女性等弱势群体），总是希望别人认同自己，总是希望把自己的想法无限的放大，来证明自己可悲的存在。

所以人世间种种因果，如何诉说！！！

对姜萍，我当然是一笑置之。

对河友，我倒是想问问，不限于姜萍，不限于82事件，不限于发钱，不限于任何事。问1，你们言之凿凿的东西，是自己思考分析的，还是看了某个媒体自媒体之后不加分析全釆了人家的说法。问2，你们言之凿凿时，是基于感情还是基于心愿还是基于消息基于事实。

无论是当年打败柯洁的AlphaGo Master，还是后来谷歌AI在生物化学方面的创新应用，其本质更多的是基于元规则的演绎而不是基于统计。

ChatGPT如果真的只能拼大模型，拼算力的话，那前途是有限的。

（1）统计学习通常用于各种与人类相关的领域，利用人标注的数据，然后完成人能够完成的任务。

（2）强化学习（对抗学习）在算法中属于强搜（brute-force暴力搜索）的变体启发式搜索。完全可以用最基本算法中的“剪枝”来说明，整个解空间是一个多叉树，然后用一些概率性算法来剪枝——这种概率性算法与统计学习是没有区别的。

--

强化学习和常规的统计学习的区别不是在算法上，而是在输入输出上面：常规的统计学习是需要人为标注的，但对抗学习不需要，就像alpha-zero和alpha-master，两个机器棋手，只需要终盘点目准确，就能判断输赢。强化学习就是这样，没有标注，通过两个机器棋手+最终点目程序，就可以自动不断迭代模型。

严格说来，从第一代狗到第三代狗：

（1）ahpha-go是统计学习，有标注，也就是人类棋谱。

（2）alpha-go是强化学习，无标注。

（3）alpha-master是上述两者的混合，既有人类棋谱，也有两个机器棋手的对抗学习。

最后，所有从deep learning（深度学习）开始都是三拼：拼大模型，拼算力，拼数据——没有任何例外。

即使是alpha-zero顶多是因为强化学习，不需要人工标注数据，用两位机器棋手不断自己对弈产生棋谱，在这个过程中自己就能产生大量的数据，然后用点目给这些棋谱标注胜负，才有一种“没有拼数据”的错觉，但实际上对局数也海了去了。

我对AI基本不懂。

记得alphaGo对李世石的时候是几十台的cluster。后来对柯洁的时候，黄博士说他们只用一台4TPU的服务器来允许程序，并且介绍了新版本不需要人工干预，只要教给它规则，它就可以自行学习，听起来就是基于公理的演绎体系。

至少在算法上是大大提高了。

我的理解是AlphaGo Master/Zero基于强化学习后的输出具有极高的可信度，有别于ChatGPT的不着调，其中有着本质的不同。

推广到现在热门的自动驾驶上，其实AI需要解决的问题可以分解为几个问题：

1. 设备的自我管理

2. 道路/车道识别

3. 信号灯识别

4. 障碍物识别

5. 根据以上反馈执行

其中1，2，3，5基本可以算是有限规则限定，4比较开放，单纯拼算力不是好办法，还是要加一些规则约束才容易收敛。

我感觉，答案还是在类似AlphaGo的路径，而不是ChatGPT。

你看你列的五点，三点都是“XX识别”，这个都是最初的深度学习——计算机视觉，图像领域一定是基于大模型、人工标注海量数据、训练的大规模算力、预测时候高性能AI芯片。

最终决策的难点是其实不是技术上的，因为技术上的局限性但最终导致的是伦理上和法律责任上的问题：第一、危机处理，事故的时候自动驾驶如果判断错误带车往人身上撞的伦理问题。第二、上述问题的法律责任问题。

--

李世石对弈的是alpha-go，柯洁对弈的是AlphaGo-master，但【一台4TPU的服务器来允许程序】一定不是训练，而是对弈，具体我已经忘了。

【ChatGPT的不着调】ChatGPT之外的绝大多数AI都是靠谱的，问题只是准不准。ChatGPT是特殊的，ChatGPT的不着调是因为：

它是一个基于语言模型的聊天机器人，即使ChatGPT因为大模型表现得多么令人震惊，它的本质依然是聊天机器人，而不是问答机器人，你要明白这两者的区别。

下面直接抄我之前写过的一个回复：https://www.cchere.net/article/5020474

（1）划重点，聊天机器人就是话术机器人，特点就是——谎话连篇、胡编乱造一流，这一点ChatGPT也不例外。

（2）语言类大模型因为融合了大量的资料，让你可以自己从这些资料中获得想要的答案，并不代表模型能够理解问题或得出答案。

（3）所有的语言类大模型都不负责理解问题，也不负责生成答案，真正学习的是问题和答案之间的统计关系，也就是共现性，而对于自然语言领域，最常见的共现性就是各种话术，例如百度体、小编也想知道……

各种零信息量的话术，才是语言类大模型最最擅长的领域。

（4）语言类大模型使用的时候，好坏的标准在于是否糊弄住用户，注意是糊弄——如果是一个网上已有问题和正确回答，它就给你复述一遍，这种情况下你当然很满意；如果是一个相对陌生的问题，它就利用话术根据相对熟悉的问题给你编一个。

（5）前者是搜索，后者是糊弄，但大多数人看不懂其中的区别，对于糊弄的警觉性也不高。事实上，大多数糊弄的话术，只要不涉及你专业领域，你就拆穿不了。更何况，大多数用户根本没有所谓的“专业领域”，他们的提出的问题大多数时候只会触发前者，也就是“搜索”。

@唐门凤去 老哥，你能够意识到这一点，一定是有自己的专业领域。所有AI相关的人对chatGPT的看法跟你是一样的，chatGPT的不靠谱是因为话术机器人的特征，它就是用来跟你聊天的，chatGPT能够融合很多资料的特性带来很多惊喜，但它依然不是真正的问答机器人。

真正的问答机器人，现在AI还做不到——在特定领域可能实现，但像聊天机器人有这么高的普适性，当前是绝对不可能的，还有太长太长的路要走。

聊天机器人的普适性来自于它不需要真正理解问题，不需要真正回答问题，所以它才会带来惊喜；一旦你要求它的准确性，它对于绝大多数问题就只能回答不知道，然后帮你搜一堆不知道是否准确的参考资料，这就退化成搜索引擎了。问答机器人要求准确性，所以它会把它的能力明明白白告诉你，包括它只是人工智障这一点，所以，就不像先今那些聊天机器人，被媒体赋予人工智能等各种吹嘘之词而出圈了——这是一个娱乐至死的时代。

ps：键政时谈到建国后，我对那些马恩派的肉喇叭特别讨厌的，也是因为他们本质上是一些话术机器人，他们真的很“普适”，普适性远远超过了技术官僚，道理一摸一样：只要不真正解决问题，谁都能做到普世性。

当然限宽墩是纸糊的，仅模拟。场景是两车道左右两侧放置了长方形限宽墩，车辆需要从正常行驶车道跨实线通过限宽墩。测试结果是只有华为智驾顺利通过（全程未减速），如此拙劣的表现再次确认了你的AI是人工智障的判断。再读你的科普，发现L5的路确实遥遥无期。

我之前提到自动驾驶要解决的几个问题，确实2，3，4都可以归于一个问题——环境感知。只是从拟人的角度去看问题就更直观，而且从人类驾驶的感受看，2. 道路/车道识别 3. 信号灯识别 4. 障碍物识别，这三个问题其实等级难度都差不多，决策执行的优先级差不多，而且从算法剪枝处理来看要简单许多。一个大问题（通用性的问题）分解为几个小问题（区域性场景)计算量应该削减很多，甚至很多小问题可以得到近乎100%的答案。

回到限宽墩的场景，首先要解决障碍物识别测量问题，这个领域，没有安装前置激光雷达，毫米波雷达（最好是高精度4D毫米波雷达）的基本上先pass掉了，纯视觉方案理论上可行，但实际应用智障的厉害，也列在失败行列；另外虽然安装了这些传感器，但是无法做好信号融合处理的也失败了。障碍物识别测量做好后，决策执行控制车辆调整姿态通过就相对容易。意外的是，好几辆车子表现得是因为不愿意压实线而失败，决策系统看上去都非常智障。

初步了解了一下自动驾驶常用的几种传感器特征参数后，我大致的判断是自动驾驶传感器起码需要配置4D毫米波雷达，激光雷达和双目（或更先进）摄像头才有可能实现。然而如你所言，哪怕配齐了这些传感器，设备算力也足够大，对于一些非常longtail的障碍物识别依然是巨大的挑战，比如一些细小的东西，如钉子，碎玻璃，钢丝类物体，一些飘动的如塑料袋，飞絮类物体如何界定，感觉蛮怀疑的。因为一旦亚毫米级识别精度的激光雷达都无法识别，而重新借助视觉辅助判断的话，那又回到了听天由命的概率中去。我猜测现在敢给萝卜快跑放行，应该是基于AI的识别/决策能力足够避免恶性事故（可能好于人类驾驶），虽然不免出现各种智障场景。

感觉上，相比纯开放环境的L5级自动驾驶，似乎封闭场景机器人应用的实现短期内更值得期待。