引用17楼详细内容：

有一个问题，且不说智能体需要的数据和计算量大。假如训练出了智能体，有输入有输出，但是中间的算法过程是黑盒，这个怎么看。还是说算法也是模糊不能观的

引用13楼详细内容：

好比最后，就成了“肌肉记忆”。

所以我一直认为，工业AI 的智能体，一定得是“自己”的数据训练出来的，才会好用。才会落地。

引用12楼详细内容：

模糊隶属度，只能做简单场景

AI其实是找到了特定领域的流形，也就是真实世界的高维物理场景中的低维共性。

对一个具体应用领域而言，它理论上对应的数学高维空间，其实绝大部分空间都是无效无意义的。真正有意义的都集中到一个狭窄区域。

就好比是最开始入门的新手，铺天盖地的盲目摸索乱打乱撞。随着经验的增长就会发现，真正有效的经验会逐渐收敛集中到一个狭窄的区域。有经验的老师傅就会发现，未来所遇到的所有新场景、新应用，其实都是旧的本征基底经验的组合。

当这个领域当中最基本的特征集合被AI遍历之后，它所谓新的一些应用都是旧的底层基本技能的组合运用，这个临界转折点处的外在现象描述，就叫做涌现。这个时候AI它就不在那个理论上的高维空间中到处去瞎转悠，不用像素级的原始摸索了，他已经找到对该领域管用的那套核心积木了。

贝叶斯迭代，反向传播，梯度下降，就是干这个用的。这和人在实践中成长是一样的道理。甚至一个组织的管理与文化的进化，其实也包含在这个道理之中。

摸索各种材料配方，生物基因，良率等，凡是涉及极度复杂因素纠缠组合的事物，目前全靠AI。实践已经证明了，几十上百年的工业经验积累，也架不住AI的预测能力，和快速拉近差距能力。

如果关注科技新闻，这几年的基础材料研发进展极快。包括芯片制造领域的核心，计算光刻，也靠AI。越是微观世界的基础科技研发，距离人的宏观世界越远的领域，AI大模型越直接管用。

训练过的大模型，相当于为所有的事物都编码了一个特征频率。它就是一个全息场。目前已经达到的10万亿个权重参数，就是干这个用的。

为什么神经网络出现之后，才有了端到端范式。也就是取消接口的模式，即不再对原始信息做任何正向规则的预处理，也不再有阶段性模块化的结论了。因为人以前根本处理不了极度复杂的开放系统，也就不明白无效信息对于在时空中持续演化的秩序的意义，全都白白扔掉了。特斯拉花了9年时间，写了30多万行极度复杂的正向规则代码之后，才在2022年明白这个基本的哲学范式。