@oldlamp 我虽然言语狂了点，但是态度是建立在每天都在学习提升的基础上；沉浸在整个机器学习领域的第八个年头了，从统计机器学习，到深度学习，强化学习，每个领域都摸了一个遍。基础数学公式的推导，以及前沿工程领域论文，都过了一遍的。

起码从自我反思的角度来说，学而不思则罔，思而不学则怠 的境界，虽然也陷入过，但是能自我清醒意识到并脱离。

这哥们儿自己基础薄弱，上来想当然就算了，态度还这么阴阳，我没理由惯着他。

老哥谬赞了，黄石公我肯定没那么高境界。同龄人里这个领域来说，我服 陈天奇，王树森，李沐 他们，但是这个论坛里没有能让我服的人。我也在做事，只是还没有出成果罢了。但是我做的，必然不是当前这些水准的事情。

@EliteOtaku 跳梁小丑，能回复你一句，算给你长脸了。

LLM 参数的量，最根本的矛盾在于 信息论里对于信息的压缩。

LLM 模型本身 静态参数架构的量 对于要体现的 智能 ，关系其实不大，与之影响最大的是 context kv cache 。为什么：
1 ，LLM 本身静态参数其实只需要存储 最精炼的逻辑能力即可，世界客观知识 完全可以压缩到 context kv cache ，只要 context kv cache 无限长度能够存在，就能压缩一切，那么整个模型的初始化参数量就是 O(n)，常数级别。

2 ，以目前的硬件能力，context kv cache 显然做不到 无限长度，那么压缩 context kv cache 的算法就是关键，所以，你会看到 一皮条 这部分的工程创新和优化。

3 ，但是信息论里就决定了，有限的结构无法无损压缩还原无限的信息。只要压缩了，必定就有损失。信息熵增地不可逆决定的。

LLM 和人脑之间的进化差距，如同马车之于未来的宇宙飞船。


马车在工程结构上迭代 N 版，不从底层结构上搞出范式创新，依然只是 高级的马车。

@EliteOtaku 那么现在的 MOE 架构是什么呢？

思而不学则怠。

要做孩子的朋友成为自己人，而不是家长成为对立面。

事你干，钱他赚，牢你坐。

你离职之后遇到的困难，会让你觉得你当下这点儿问题，算什么问题啊。

看到这么多菜逼，心里也有底了。😂