p(predict | prompt), based on prompt to select right asscociate p(model | data), what to compress and what to associate

既要有因认知而造成的限制 也要有认知福利 也就是特殊通道

费挺大劲，吃一口屎

就是看问题角度 之前就是能看懂，做上题

我这一生，希望能理解智能的工作原理 把花书吃透，将是我的第一个目标，虽然我学了五门机器学习相关的课，但还是不够内化

这就是研究智能的悖论 如果做到的是人类可以轻易做到的，缺乏经济动力 如果做到的是人类不可以轻易做到的，可能和智能就不搭边 比如，大模型 imo 拿金牌，比如，统计学解决很多人脑不能解决的问题，就让我觉得，可能这些不是人脑的工作方式

evidence-based thinking and emotional regulation Humans are evolutionarily tribal, but modern societies need to downplay tribalism It’s not things themselves, but our interpretations of them that disturb us

举两个实际的例子，也就是说最开始的计算机，它的设计功能应该是进行复杂的乘法或者是矩阵的运算，因为这些是人类不擅长或者是希望被替代的功能，而现代人工智能比如说ChatGPT，他希望解决的是拥有比人类更多的知识储备，而不是说能够像人类一样经过很少的几个实例，就能抽象出复杂的规律

给低能者开辟机会 就是在为作恶者提供舞台

5.9 teaching not as transmitting all knowledge but as guiding the learner toward useful learning opportunities What new concept, skill, or idea is most beneficial for the learner right now, given what they already know. give labeled examples

贝叶斯的词汇 P(token | prompt, context, model)

再看一遍这本书，六年前看的很开心，做一个好学生

Causation is simply the removal of the irrelevant context

看了 12th fail 有这决心斗志，创造价值多好

agi 如果不解决 1. 一个 data，分解成多个信号 2. fun，训练过程自己移动 attention 如果不解决这两个问题 那就很难达到 agi

我决定反复问有关，人产生错误偏见的问题，直到内化

这些词汇看起来很简单，难在于作为优先的工具使用 例如，虚荣，诈骗，词汇，情绪价值，等等

快乐有罪

ai 就是一个不生气的老师 我反复问一样的问题给他 像是我自己没有记性一样 但其实这是我的学习策略

比谁挖的金矿多，那不是内卷，那是良性竞争 比谁吃的屎多，才是内卷，为了选拔而选拔

Fast inference E step Slow learning M step

最近就是要把 Andy Clark 和 Anil Seth 的很多书都看了