读过第一版，支持一下

有没有一种可能，chatgpt （ instructgpt ）的关键技术之一就是 RLHF （ Reinforcement Learning from Human Feedback ）
有没有一种可能，一个很重要的研究点就是 fewshot 、oneshot 乃至 zeroshot 的表现

与其发表“形而上学”的观点，不如先去了解一下现实吧

「 P(文身|坏女孩)>P(文身|好女孩) 不代表 P(坏女孩|文身)>P(好女孩|文身) 」
这虽然是正确的，但“ P(坏女孩|文身)相比 P(好女孩|文身) ”这件事没有任何意义，值得关心的是：

由于 P(文身|坏女孩)>P(文身|好女孩)，可以推导出 P(好女孩|不文身) > P(好女孩|文身)，也就是说，如果不接触纹身的女孩，遇到好女孩子的概率更高

证明如下（ chatgpt ）

首先，我们可以根据全概率公式知道：

P(纹身) = P(纹身|好女孩)P(好女孩) + P(纹身|坏女孩)P(坏女孩)

P(不纹身) = P(不纹身|好女孩)P(好女孩) + P(不纹身|坏女孩)P(坏女孩)

接着，根据贝叶斯定理：

P(好女孩|纹身) = [P(纹身|好女孩)P(好女孩)] / P(纹身)

P(好女孩|不纹身) = [P(不纹身|好女孩)P(好女孩)] / P(不纹身)

我们要证明 P(好女孩|不纹身) > P(好女孩|纹身)

即：[P(不纹身|好女孩)P(好女孩)] / P(不纹身) > [P(纹身|好女孩)P(好女孩)] / P(纹身)

两边同时乘以 P(不纹身) * P(纹身)：

P(不纹身|好女孩)P(好女孩) * P(纹身) > P(纹身|好女孩)P(好女孩) * P(不纹身)

将全概率公式代入上式得到：

[P(不纹身|好女孩)P(好女孩)P(纹身|坏女孩)P(坏女孩)] > [P(纹身|好女孩)P(好女孩)P(不纹身|坏女孩)P(坏女孩)]

化简后即得：

P(不纹身|好女孩)P(纹身|坏女孩) > P(纹身|好女孩)P(不纹身|坏女孩)

因为 P(纹身|坏女孩)>P(纹身|好女孩) ，所以 P(不纹身|好女孩) > P(不纹身|坏女孩) 成立

只是游戏吃不满，因为贴图什么的都会提前加载，也几乎不用做什么 DtoH （显存向内存）的内存拷贝。
但如果是跑科学计算的话，可能会更频繁的有 HtoD 和 DtoH 的内存拷贝，大多还是阻塞的，这时候自然是越快越好。同时在一些 HPC 系统中，节点间互联网络都是 100G 、200G 以上的，那么 GPU 的 pcie 带宽自然也不能低

对于 crud 是筛选
对于高级岗位或者底层岗位是入门（前提是靠谱学校）

另外也可以试试直接改现有系统的配置文件，/etc/config/network ，手动把接口加进去

记得 openwrt 如果要适配一个设备的话，对于部分平台，会有个设备树或者别的一个配置文件，需要在里面定义好机器的网卡

确实，住的不舒服也就算了，卖的还那么贵

macos 下很早以前就是这样，挺烦人的

很现实的一点就是作为筛选机制。同时对于一些偏低层的岗位还是很有用的，对于纯 crud 岗且性能要求宽松时可能就没啥用了

幼儿园读的本，保研到学前班，正在申小学的博士

单看你这种算法是可以工作的，但其实和一般讨论哲学家进餐问题时不是一个语境。

你这种算法算是一种自旋锁，假设一个哲学家 trylock 的那个筷子在较长时间内都有人在使用，那么期间它就会重复 [阻塞 lock 拿到一个筷子 - 非阻塞 tryLock 另一个筷子 - 得不到 - 释放掉] 的循环，会耗费很多 CPU 时间；

一般在 OS 课上我们讨论哲学家进餐问题时，只会允许算法使用信号量，也就是阻塞式的锁，在等待的时间中线程会切出去，不占用 CPU 时间。而自旋锁的实现并不在讨论的范围中。

不可行，现代没有那种“多台电脑可以变成一台电脑”的技术，集群系统需要软件栈的支持，哪怕是超算，你不跑 MPI 这种并行程序的话，也就只能利用单个节点

企业盘一般希捷比西数安静，氦气盘比空气盘安静

接一堆比较简单的网站外包让 chatgpt 辅助写？跟甲方交流也可以用 chatgpt 辅助

@minlearn 你这要么“狂热”要么“索然无味”何尝不是种二极管，我的观点是没必要狂热，但也依然是很出色的工作。
深度学习就是现实的 AI 技术，不是什么“伪 AI”，我认识的 AI 算法方向的人也都觉得这是个很好的工作，没见过世面的是你吧。
至于等“强人工智能”出现了，你再感到“真正新鲜”有什么用，不如担心一下人类社会还能维持多久

是的，大概只有你觉得。虽然大众的反应往往是过度的，实际上 chatGPT 只是作为一个公开且效果好的服务让 NLP 火出圈了，但也绝不是“索然无味”。从实用性角度讲，除了在不同需求下生成文本，chatGPT 在处理和总结文本上也有不错的能力，如果在正确性上有所改善，在作为获取知识的途径上也有潜力。
你想象中的“强人工智能”在目前来看还是遥遥无期的，但目前以深度学习为代表的“弱人工智能”也足够成为下一次工业革命了，AI 在近十几年毫无疑问有巨大的进步，只不过不是在你所臆想的方向罢了