狗窝

高中时候读到了季羡林先生的《留德十年》和《牛棚杂忆》

今天（2026.9.22）湛如老师的课上，提到自己跟季羡林老师共同工作过。提到上世纪院系合并时，一堆院系合并到北大东方语言文化系，季先生不支持，但依然合并了。季先生用“天下大势，合久必分，分久必合”这句话来表达自己的不忿

从来没想到自己距离书中的（或者写书的）名家这么近，神奇！

2026.9.22 16时于北大外国语学院新楼406

Human:

我有一个想法，有关生物智能和人工智能。

生物

生物智能是增材制造的过程，思考人类的发育过程：

1. 从胚胎开始，细胞团逐步分化出不同的功能，大脑功能也是从混沌中逐步抽象出来的
2. 在出生前，基因主要控制了大脑的分化
3. 出生后，个体立即开始接受物理世界的大量刺激，大脑的发育开始被物理世界塑造，比如视觉的发育过程与视觉刺激是分不开的，刚出生的婴儿没有能力分辨深度线索，可能与尚未建立起良好分区的V1-V4枕叶皮层有关。出生后的短期内，大脑神经元的复制过程非常迅速，但新的神经元具有高度可塑性

4. 在后期的发展过程中，大脑主要遵循着用进废退的发育规则，比如运动员们，他们与运动有关的大脑皮层面积更大、较普通人有更快的反应速度等，可能是优化了神经网络组织形式的结果。对于使用较少的部分甚至会进行部分剪枝，比如意外失去手臂的人，其有关皮层会代偿其他功能

   人工智能

   目前技术框架下的人工智能中，取得较高水平成果的是深度学习技术，思考人工深度模型训练的过程：

5. 人工架设网络结构，规定好参数规模
6. 依靠海量数据，结合反向传播让网络学习知识
7. 学习知识的过程，也是重塑网络的过程，对于部分神经元之间的连接，其重要性会提升，体现在权重增加，但对于大多数神经元之间的连接，权重会降低到接近于0，甚至近期有的研究发现，在训练过程中尽量使权重为0，最终网络依然能体现出一定的智能。
8. 因此对于人工神经网络，神经元之间的权重会造成巨大的浪费，这种浪费体现在训练过程、推理过程中，消耗了额外的储存（不管是RAM还是外部储存）、计算资源

两者对比

1. 生物智能通过类似hebbian learning的规则逐步增加网络复杂度，甚至优化网络结构，类似于增材制造；人工神经网络则降低大部分神经元的连接权重，类似于去材制造
2. 这似乎是目前人工智能无法自发进化的源头，但也可以理解，由于目前的技术水平没有一种材料，能达到要求：1）能够模拟神经元；2）能够自产生或生长
3. 因此通向人工智能未来的道路可能在于找到一种结构，能在物理上实现上述需求，以实现神经元连接权重的增加

讨论

请问以上观点有没有客观事实上的纰漏？并发表你的看法

- Read More -

目前阶段所谓的AI，能力强一些的无非是LLM。

早些年监督学习范畴下的AI已经在诸多领域，典型的如CV，发挥了巨大的作用。

LLM不过是将无监督学习与监督学习极好的融为一体。预训练阶段从海量预料中学习知识，微调阶段学会规则以回答问题。
假如有一个另一个宇宙的外星人降临地球，ta所在宇宙的物理规则甚至都与地球所处的宇宙不同，ta一定会首先学习地球环境中的方方面面，从基本的数学和物理规则学起，到一定程度后开始学习人类文明，包括语言和文字等，以上都属于无监督学习范畴。为了融入人类生活，ta需要学习人类的风俗习惯文化等，这属于监督学习的范畴。

当前llm的学习，除了训练者提供的数据（可能是文字、图片等多模态数据）之外，llm没有能力感知真实世界。

在后llm时代，AI的发展可能离不开认知科学、心理学甚至哲学的研究，类脑智能的研究能够从顶层规划AI的发展。
到那时强AI才会真正出现。
当然，也有可能像现阶段的文本LLM一样，数学家和计算机科学家们研究出来一套纯数字的算法，就能够实现具身学习。
尽管我一直觉得纯理工的人研究AI，一点情怀都没有，他们没有品味，但架不住他们研究的东西真的好用。

更好的路子可能是神经科学启发了理工科实现了某种算法，后来继续有数学推导推进。比如DNN借鉴了生物神经网络，但反向传播算法却是纯数学的。

官网ST Link或其兼容型号下载器连接STM32板子使用20 pin的接口。
标准SWD接口是4 pin，部分开发板只给了3 pin。此时需要从板子上引一路3.3v给ST link 1号接口。

见图：

这天总会来的，那天总会过去的

人机交互现有的手段主要是键盘，效率极低

无创脑机接口可能是新HCI的绝佳手段

可能不局限于文字输入，找到一个可实现的点即可做demo

可能可以与时空交互有关

收完了最后一个被试

这几天被试收到吐，一天重复不停的讲大几百字的实验指导语

现在所有的事情都戛然而止

怅然若失

JS救我狗命