Search Results

准则 能够持续学习 建立世界模型并进行规划的能力 能够进行新的高层级的抽象 能够进行“元”概念的学习和泛化 心智，意识 理解自我、个体的概念 维持自洽的基本能力 行动的目标都是内源性，外部不会直接给定一个明确的目标 创新 创新的原理，需要形成递归抽象的思维方式和能力 维护自洽，需要能做到实时动态的递归抽象

社会活动是人类的基本需求 人类行为活动的目标不再是温饱之后，需要一种新的奖励形式，那就是社会的“认同”、“认可” 所有的社会属性都可以转换成“认可度”，财物、声誉、名望、游戏等级、公司领导等等都是认可的一种表现 从这个出发，社会交往是一个体现认可度的重要途径和形式， 除了哪些比较正式的，比如，共和国勋章、捐赠榜等等，广大人民还需要在更细的领域得到认可（奖励） 所以不断得对社会交往的形式提出了升级的需求 目前来说，社交已经转换为以互联网为基本形式的一种具体途径，比如，电视、论坛、博客、推文、长短视频 但...

方法学 要求 需要设计一个健壮的系统，流程化，体系化，理论支撑 多层级的架构，层级解耦，独立迭代，不断增强 尽量端到端 本质上需要的能力和处理流程 语义解析，对“输入”的自然语言的表达的含义 -> LLM 计算语义的相似度 查找已有的通用知识和专有知识 计算语义逻辑，理解问题 判断表示同一个语义的不同表达 逻辑推理、选择 汇总结果进行输出 -> LLM 需要存储和计算那个层级的信息？ RAG只是向量化存储原文，无计算能力 LLM权重存储和计算自然语言的高层级抽象 ...

难点、不适合 难以做复杂的算法（调度、分析、统计） 难以做逻辑深度比较深的计算 latency的长和不确定，模块间的时间不确定性 需要大量实现“异步”逻辑 消耗大量的面积 需要很大的buffer存储用于状态footprint 消耗大量的面积 增加外部控制的复杂度 PC需要对所有的操作异步化 降低实时性 为了高频、增加很多级流水线 浪费大量用于同步的逻辑 容易撞到功耗墙 latency的延长和不确定性 优势、适合 并行任务非常适合，适合简单的、重复的、大量的计算，比如MMU 带宽足...

结构：整体类似一个金字塔一样的结构 由一个论点、结论、观点、结果作为节点 每个节点可以由多个小的节点进行解释、细化、证明、拆分步骤、原因、罗列、导致结果 可以从金字塔顶尖不断往下进行拆分多个层级 做法 合理得根据逻辑进行归纳抽象和分类 归纳法：时间，空间，原因，步骤拆分 演绎法：大前提，小前提，逻辑步骤 避免遗漏、重叠、空洞的表达 叙事技巧：背景、冲突、疑问 工具 Markdown有序列表

背景 计算机已经发展了很多年，很多层的划分已经非常的明确 高层级的计算范式随着AI的发展，特别是LLM的发展，已经越发的清晰 传统计算机软硬件堆栈->神经网络算子->神经网络计算图->Pytorch->分布式框架->LLM->Agent->MCP 由于AI发展的太快，计算机的底层基本没有变化，只是根据AI的需要进行特定的开发 太底层，不灵活，算子及AI编译器开发消耗大量工作 软硬件结合的方式还是遵循传统计算机的经验 主流技术（CUDA）没有摆脱冯诺伊曼的架构，甚至编程模型/内存模型都没有变化 需要设计...

LUN → CE → Die → Plane → Bank → Block → Page​ Block 是擦除操作的最小单位 Page 是读写操作的最小单位,常见的Nand Flash多数是2KB,最新的是4KB、8KB 硬件电路只支持 “一次性操作一个 Page 的所有单元”，因此读写必须以 Page 为单位。 写入前必须先擦除对应的Block 栅极堆叠（Gate-Stacked） 和沟道堆叠（Channel-Stacked）两种结构均需解决 “垂直互联”，如何连接不同层的字线 WL 和位线 BL WL BL ...

共识有哪些？ 流浪地球的计划和数字人的竞争 电动车方案，中国的锂电池，日本的氢能 股价 论点：社会达成一个共识是要付出巨大的代价的 共识是什么，有什么作用 学历是最简单的共识 认可是昂贵的共识 资本家讨厌不确定性，宁愿支持有成功经验的普通人，也不愿意投资看似有前途的新人 有硅谷的经验的杨植麟看似完美，实际上缺乏创新力，很快就抓不到重点 Nature等杂志、 计算机等顶会、硅谷的成熟创业氛围 提供的共识足够资本家认可 还有哪些隐形的共识？ 小圈子 信任 共识比创新重要？ 一项技术的推进不仅仅是其先...

太，在这里其实表达的是个贬义词，描述一个不合适的前提 在科技领域，所有的技术其实都要求其合适性 在2025年的今天，大家还在争论激光雷达对于自动驾驶的必要性 马斯克认为，路是给人修的，那么汽车也应该像人一样得去看路，而不是靠激光雷达 这个观点有几个前提， 摄像头的成本远远低于激光雷达 就算有激光雷达，摄像头也必不可少  他相信人工智能很快会有长足的进步 反方观点则认为，当前的技术状况需要激光雷达才能达到可用性。 因为修好了那么多马路，所以轮子才适合，如果当时科技已经发展到了，飞机随便飞，那...

量化主流的LLM到Binary Lut可以进行编码压缩，降低存储需求 实际数据touch不到的选择项可以被去除 调整顺序，编码，进行无损Lut表压缩 原生的训练Bianry模型 非梯度下降 类脑的基于统计的训练

如果现在的AI技术发展到了，能把一个人的所有记忆，思想，想法，性格，爱好，脾气都完全复制和实现， 那么这样一个物体还是我吗？这能称作是永生了吗？ 能：相当于两个“机器”同时维护一个“我”这样的意识，如果一个因为身体原因，下线了，那么另外一个可以继续工作 不能：要达到我的概念，需要唯一的意识，如果两个主体共同维持一个意识，那其实是两个意识在做一个共同的任务？ 能：两个“机器”不一定有独立的意识，两个机器共享一个“意识”，但是有不同的躯干 不能：怎么保证，两个机器之间的意识同步？怎么保证不会被另外复制一份独立...

背景 在单线程场景中，CPU 通常会保证程序顺序（Program Order） 的可见性，即单线程内的指令会按照代码编写的顺序执行（或看起来像是按顺序执行）存储器读写的结果也会符合单线程的预期 即使CPU有乱序功能，也会通过scoreboard等方式来处理data hazard，address hazard等，确保单线程内的内存访问都是保续的。即使现代的CPU都是超标量处理器。 但在多线程或多处理器（multi-hart）场景中，要实现多线程同时正确的对一个内存操作就会遇到问题 乱序执行（Out-of-O...

自洽能力对于人工智能的重要性 当前AI还不能轻易的实现自洽能力，甚至在在KV cache内的自洽性还存在挑战，权重范围内只能根据概率来输出 意识会去维护一个最本质的目的，不断检验当前的成果，提供未来行动的建议 自洽训练方法 随机生成无数的样本，一旦触及需要修正的问题，则作为监督样本进行微调。确保一个新的观点对所有权重没有矛盾 GPT4.0开始，非常喜欢用破折号，应该和20世纪初的文本作为训练材料有关 没有反思能力 一个任务，不能越做越顺利，不断根据结果进行对流程的改进 缺乏维护自洽的意识，不...

目的 破坏模型本身的一些设定，窃取一些隐藏在权重里面的信息。 LARGO 潜在空间优化：首先，研究者们并不直接修改问题文本，而是在模型的「大脑」内部，也就是高维的 embedding 空间中，用梯度优化的方法，精准地找到一个能让模型「思想跑偏」的「潜意识代码」。这个代码就像一颗思想的种子，一旦植入，就能引导模型走向「不安全」的边缘。 自我反思解码：最妙的一步来了！研究者们会让模型自己来「解读」这个被「污染」了的潜意识代码。他们会问模型：「这段『想法』（潜意识代码）如果用人类的语言说出来，应该是什么样的？」...

一个信息交换的界面 专业的知识/信息工具 可以进行日常的快速记录，语音，视频，片段 专业的课堂笔记，领域专业学习，精心组织，不断修改优化 记录多维度的信息，时间，前后逻辑关系，个人学习/思考/科研的助手 支持各种的信息收集渠道，无缝，自动 用户只要通过随笔的方式，连续得进行记录 AI会自动通过历史的记录进行汇总和总结 大量的零碎的片段，很难进行归纳整理，传统的笔记要花大量的时间进行分类和记录和链接 随时捕获 每天几百个，稍纵即逝的想法，自动整理 优秀的AI助理 保持所有记忆/知识的自洽性，带个人...

现象 看起来现在的大模型已经无所不能，LLM的语言能力，nano banana的图像，Sora的视频等等 能生成几乎是任意的数字内容，其实在早几年的CV（卷积网络）时代就已经有过一次惊艳了。 但是，这里面有个被人忽略的问题： 人类提供的信息很少 AI模型能够听懂的、接受、接收的信息很少 所以，生成名人的头像、视频是一种看似很难，实际上很简单的事情 因为，AI模型已经有足够的预训练时候存储进去的背景信息，只要人类提供足够小的提示，就能产生足够符合预期的结果 深层次的原因 之所以你能感到惊讶是...

高通® QCS6490 https://docs.radxa.com/dragon/q6a 全志 A733 SoC https://docs.radxa.com/cubie/a7a 爱芯元智公司 AX8850 SoC https://docs.radxa.com/aicore/ax-m1 DEEPX 公司 DX‑M1 https://docs.radxa.com/aicore/dx-m1 SOPHON AI 处理器 SG2300X https://docs.radxa.com/aicor...

模型工具，转换，加载等等 Distributed Llama https://github.com/b4rtaz/distributed-llama?tab=readme-ov-file 语音模型 https://github.com/k2-fsa/sherpa-onnx 小智生态 https://github.com/xinnan-tech/xiaozhi-esp32-server