我认为会。
楼上说的取代小国的法币是短期内可以预见的。
但我认为取代大国的法币也并非不可能。大国固然不想把铸币权拱手让人。但问题在于几乎所有的国家都是无锚铸币，长期看来（也不会很长期），这些国家的法币丧失信用从而退出市场几乎是个不可逆的过程。
这是个逐渐渗透的过程。

差太多了。ascend 勉强能做推理，做训练的话可能连边都摸不着，性能差，功耗高，生态残缺，跑个模型要改一堆算子...
不过上头在强推这点是真的。

至少目前还没到头。

不过你可以说现有范式下的 pre training 趋于平缓了，test time training 还远没看到上限，作为例子，本次 GPT5 pro 模式下，数学等逻辑推理能力提升很大，幻觉也大大降低了(但大部分人可能都用不到)。这是 o 系列模型进一步提升的效果。而且 OpenAI 最近接连在 IMO 和 IOI 上连续获得金牌也足以说明一些问题。

我看很多人说 GPT5 智力下降了，表现在连个 9.11 和 9.8 的大小都比不出来。这一方面是 OpenAI 路由的问题，本来这些数学问题无论大小都要用 thinking 模式，如果只是路由到直接输出的基模，不管谁家的都有可能大错；另一方面也可能大多数用户也不知道这些常识，什么时候要用什么样的模型里面也是有点门道的～

目前的大模型能力在继续增强是毫无疑问的，但也不是没有缺陷。on-line learning, memory, long term planning 这些还都要进一步突破~

想问下 OP, 去大理后是自己找的房子还是住数字游民社区？怎么认识其他新朋友的？
我最近也打算去那边，纯 i 人担心去了后一个人比较无聊...

德扑应该是有专用 AI ， 强化学习训练的，我记着挺强...
为啥要用 LLM...

看上面这些个的回答我一时之间有些恍惚，v 站老哥们看来确实都是中上层人士，对中国底层的高龄农民/工的生活状况一无所知！

有推荐养蜜蜂养鸡的，有疑问为啥不补交的，有让去大城市找工作再就业的，有问一辈子积蓄都去哪儿的， 还有竟然这算家里名下百万房产来说事的 ...

如果你真的了解过农村农工，在北方的农村走过一圈，见过空巢老人和农村的衰败，了解过年轻时透支生命带来的伤痛，知道养蜂所需要的精神和体力，养能产生 2 万 RMB 价值的鸡所需要的投入与风险，对中国当下高龄者的就业状况有轻微的了解，就不会说出这么蠢的话来 ...

为什么不补缴呢，一辈子的积蓄呢？
如果有那些补缴的钱，又怎么会有这样的困境；
一辈子的其他积蓄呢？年轻的时候种粮上缴给老爷，年轻的时候进城盖水泥房子，光是活着就拼尽全力了，哪还有什么积蓄

这个问题只有一个解决方案。
做好医保。
每年打钱。

@coefuqin COT 的确是让思考过程更精确。你这里说的又是另一个问题，LLM 能否做出原创性的思考?
归根到底，看你是不是认为人脑的智能的过程都是可计算的。
智能的表现形式里，COT 是一种，但它只能在既有的知识范围内推理，像数学里的演绎。COT 能被 LLM 学习到，转化为 LLM 隐式空间里的向量。
直觉也是智能的一种形式，如果它是可计算，那它必然也能转化为隐式空间的向量。
所以这个问题就变成，你是不是相信大脑有超越图灵机的能力，如果没有，那它必然是可计算的。
至少目前世界上还没有发现能超越图灵机计算能力的实际模型。
实际上没有什么东西是完全无中生有的创造，都是在既有范围内的创新，但范围本身要不断扩大。

@catazshadow 目前来说功耗确实是问题。但在实现 AGI 这个目标面前，功耗带来的成本增加会显得不值一提！

@coefuqin 他那文章说的是，同样的 671B 的模型，用同样的数据训练，他们模型的能力范围是一样大的，比如数据集里没有法文的数据，那你后训练 RL 再怎么跑，也没法回答法文的问题。
那么为什么 COT 会对模型能力尤其是推理能力有提升呢，因为 COT 的训练其实是在强化思考过程，就像对数学里的加法运算一样，这里的 COT 其实就是加法，只不过作用在在不同的名词/实事上，使模型推理能力提升！

@catazshadow 我们说现在“摩尔定律失效“ 一般都在说晶体管尺寸（制成工艺）快要达到物理极限了，显存读取带宽目前还没有达到物理极限。
目前的超大模型都是在集群/分布式训练的， 单卡很少能容纳一个完整的超大参数模型，单卡的 DRM 读取速度不是主要瓶颈，因为卡与卡之间的通信比这个要久，所以未来比这个更大的模型也会采用同样的思路。而且还有其他手段来解决这些问题！

@coefuqin 我建议你不要听风就是雨！
先仔细看看文章说的是啥再来辩经！
他这篇文章的结论是 RL 无法实现超越基础模型能力的推理。RL 只是激发能力做推理过程，文章讨论的模型能力的边界问题。举个例子，如果一个模型在预训练阶段没有在数学集上做过相应的训练，那么 RL 深度思考也是没法表现出来数学的形式计算能力。

开口之前先过过脑子！

@catazshadow CPU 的摩尔定律已经很慢了，GPU 的摩尔定律显然还没到头，看老黄每年新卡的计算能力就知道了。

现有 LLM 和人类大脑智能的形成机制共性远大于差异。
共性是底层必然都是神经连接的形式，而且需要达到一定的规模才能涌现出智能，差异可能存在与比如是否是 token by token 的预测方式，是否是梯度方向传播这些。但目前的神经学和 LLM 的发展表现出来的能力都指向了一个比较明确的结论：智能是大量神经元信息处理过程中的涌现，不依赖于具体的计算质（人类神经元或是半导体），必要条件是神经连接足够以及计算能力足够。
这种涌现无法用还原论的方法来解释，有点像你没法通过水分子来推测水的层流/湍流/雪花等。

1. 智能和神经元连接数量密切相关。从斑马鱼果蝇到老鼠猴子大象到智人，随着神经元连接的增大，智力有明显的递增关系。
2. 你上面给个那个大模型参数量目前只有人脑参数量的千分之一，数量级是对的。但 1000 倍不是什么遥不可及的数量级，尤其是半导体领域。更不用说人脑中有许多的冗余，负责感知的神经元等。
3. 目前神经科学比较认可的结论是人脑的智力和量子效应没有关系。本质上量子效应相干时间太短，没法维持在大脑这么大的器官上稳定处理信息。
4. 你说的完整记录“一个字之后另一个字”肯定是不对的。大模型的训练是学习模式，或者收条件概率。现在的顶级的大模型能做 10 位以内的加法，你不能说把所有 10 位以内的加法全都背下来了，显然不是。LLM 学习了加法规则，就像学习了人的思维方式一样(COT).

有。

博客文章好像打不开 ~

保持不了。
我知道很多人说要学会使用 AI ， 去卷走那些不会 AI 的 人； 还有人说新的技术浪潮会产生新的岗位，总会有坑出来，只要保持学习的态度 ....
我的看法是这样想未免过于乐观了，属于刻舟求剑式的推演，用过去的技术革命来外推现在这轮，实属想当然了。
从我对 AI 进展观察来看，大概还有个两年的窗口期，两年内你或许能比那些不会 AI 的人有略微的比较优势。两年后，生成式 AI 足以替换掉 90 % 的程序员，白领行业大规模的失业潮会在这个时候到来，到时候所有人都会有所感知 ...
说实话我现在也看不出来有什么好的解决方案，也许 UBI 是一种思路，但在国内这样不养懒汉的意识形态下很难推行起来。最终或许会被形势推着前进。
AI 创造的岗位也会被 AI 所取代，这轮技术趋势不会产生新的岗位需求了~

国内受芯片禁运的影响，算力短缺就这个样子。
deepseek 应该是自建机房卖服务的，他们肯定也是处于算力饥饿状态。如果部署模型到其他厂商的云服务器，可能价格就得上去。
云服务厂可能也因算力供给需求不平衡而涨价，想想更不划算了。DeepSeek 从春节后就一直这个鸟样子，短期内没法改变了 ...