智能体顶峰

顶峰

1. 模型到达顶峰之后，就没有再次提升的必要了吗？当然不是，这种其实只是局部最优。别忘了，在最初提到的智能体学习时，针对不同的领域，所对应的模型是不一样的。就如：学习英语、学习数学，这两个通用的例子，二者的方法不一样，输入不一样，因而建立的模型是不一样的。训练也是不一样的模型。

局部最优 & 全局最优

1. 其实所谓的顶峰，在全局来看，就是局部最优。人类，基于现有的人体硬件，做不到人智能体的全局最优。每个领域都是一座顶峰，99%的连局部最优都无法做到，更不要说全局最优。例子：数学家的建立的数学知识模型，并不定秒杀基础数学题目（高考数学题目【即输入】）。
2. 有了局部最优，就打通了一条道路方法论，就可以模拟这条道路方法论，去训练其他领域的顶峰模型。
3. 顶峰模型，若是基础规则改动，又得再次训练优化。

全局最优

1. 人不能做到全局最优（不借助外力）；
2. 智能体通过不断地叠加可以做到全局最优，建立起世界模型【加以时日】。例子：医学模型、语言模型、图像识别模型、交通模型、天气模型等等。
3. Question：听音辨识动物。数字信息是否使动物的声音种类的信息已经失真。
4. 通过无数个全局最优模型，从而建立全世界的大模型。
5. 全世界大模型之后就无了吗？ 还有宇宙大模型…（基础自然科学定律还未突破）

模型关联

1. Question：不同顶峰模型之间怎么关联，将一些共性的算法能力，借用。
2. 局部最优模型共性：训练模型的输入输出信息肯定是不一样的。唯一的共性就是学习过程，这种能力的借用。体现在智能体上面就是算法模型本身结构的设计。模型结构，就是体现了学习过程的思路与其他顶峰的经验。

预测

1. 基于已有的世界信息，可以逐步建立起地球的世界模型；
2. 未知领域，仍然还是要由人类主导探索开发新的知识领域，可以借助已形成世界模型的局部最优性，从而加速新领域的世界模型开发。
3. 已有的局部最优世界模型，与新的模型之间相互促进，不断作用循环。