我的世界观-1- 世界的无限性

本文探讨了人类感知与认知的局限性,指出感知的局限决定了认知的局限,并讨论了人类如何在有限的感知基础上建立解释世界的体系。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

      人类能感知物质世界的空间,也能感知时间的流逝。空间和时间是人类对于所感知世界的一种定义,与人类对于自己情绪的定义没有本质区别。只是,一种来自外部信息对感官的刺激,而另一种则来自于人自身的生物电。因为我们的感官有限,因此我们能感知到的世界也是有限的,用有限的感知去推测无限的世界,这是人类永远前进的动力。

       我们能感觉到空间是三维的,是因为我们的眼睛、触觉、听觉能辨别的就只有三维空间,是不是存在四维空间呢?即使有,凭我们的感知也不会察觉,如果真的有那么一天,生物能进化到可以辨别出四维空间,那么那时生物本身也发生了太多的变化,而与今天的人类基本没有多大的关系,我们也没必要去关心这个问题。

       任何生物的感知均有局限性,但是能在进化中保存下来,一般会发展了很多的“特异功能”,例如蚯蚓没有眼睛,但是触觉非常强;蝙蝠虽然视力差,但是可以进行超声波定位。人类虽然有五官,但是接收信息最多的是视觉。对于地球上目前生存的千万种生物来说,人类只是凭借其综合感知能力强而在生物种群中胜出。这不代表人类的感知没有局限性,感知的局限性,必然带来认知上的局限性。一个没有见过现代汽车的原始人,梦中是不会出现与汽车有关的元素的。人类再怎样的想象,也离不开人所能感知的元素。

      从现代科学的发展看,人们似乎可以从本质上解释目前的万千世界,包括人类意识本身,似乎世界是由基本粒子组成的。世界似乎就在人类的想象之内,世界似乎就在人类的感知之内,世界的规律似乎永远就也不会违背熵增的规律。如果人们真的发现了那个所谓的“上帝的粒子”,是不是就表示人类就可以计算这个世界呢?而现在人们正在研究的“混沌”将把我们带向何处呢?所有的这一切研究的结果,均有一个前提:“人类认知的世界是一个完整的世界”。但是人类的感知局限真的能让人类能认知一个完整的世界么?

     从宇宙大爆炸到星球的诞生、生物的诞生、人类的出现,人类似乎已经可以完整地推导出整个世界的发展。所有的一切在人类的猜想之内。于是人们可以断定,“时间是不可逆的”、“熵总是增加的”、“灵魂是不存在的”、“世界是由粒子组成的”。然而人类又不断地在否认自己的认知,“通过时间隧道回到过去”、“上帝,救救我吧”。

“假如我们感知的就是整个世界,那么我们可以建立一个体系解释这个世界。”

“我们建立了一个可以解释整个世界的体系,因此世界就是我们感知的这么大。”

     假设我们有鸡,那么我们可以得到蛋,我们有了蛋,那么我们可以得到鸡。这个过程永远就是在上图中的圈内,其结果就是人类建立的知识体系永远都只能解释人类能感知的世界,对于无法感知的世界,人类不会关心,也没有能力去认知。或许你会说,人类不是有无限的想象么,人类因此而建立起了现在的量子论,人类通过仪器也能感知电磁波的存在。但是无论怎样,这些都是建立在人类所能感知的基础上的,如果没有人类的感知来检测这些理论的正确与否,那么这些理论就会被人类所否决。这些感知包括物质实验的、意识逻辑的。

      世界是无限的,人类的认知也是无限的,用有限的一生去探求无限的世界,这就是人之伟大。

      时间是否可以倒流,灵魂是否存在,上帝是否真实,我们所感知的世界之外是否还存在另一个世界,这些或许都有可能。但是这些对于我们来说,这些并不重要,因为人类所需要的就是去理解和控制自己的生存空间。只要你相信,在某个世界时间是可以倒流、灵魂是可以独立于人永生的、上帝一直在救赎每一个人,那么它真实与否并不重要,而重要的是你相信了它,它给你的现实世界带来了积极的因素。

       《道德经》开篇“道可道,非常道;名可名,非常名。无名,天地始;有名,万物母。”,对于人类能认知的事物,人类才会给其取名,对于不可认知的事物,人类虽然没法获知,但是它依然是存在的。从无到有,是从人类无法感知的世界进入了人类能感知的世界。有来源于无,而对于有的描述,也只是一个相对的概念,善与恶、美与丑、高与矮,只是人类对于自然感知的一个相对描述。

       老子两千多年前对于世界的思考,在两千多年后今天的我们依然感觉其深邃而无法领会。可见人类的智慧虽然随着科学的发展有所进步,但是对于人类自身的认知却并没有进步多少。人类的智力进化并不是很快,只是时间上的知识积累让我们比以前有了更多的自然认知
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
内容概要:本文详细介绍了哈希表及其相关概念和技术细节,包括哈希表的引入、哈希函数的设计、冲突处理机制、字符串哈希的基础、哈希错误率分析以及哈希的改进与应用。哈希表作为一种高效的数据结构,通过键值对存储数据,能够快速定位和检索。文中讨论了整数键值和字符串键值的哈希方法,特别是字符串哈希中的多项式哈希及其优化方法,如双哈希和子串哈希的快速计算。此外,还探讨了常见的冲突处理方法——拉链法和闭散列法,并提供了C++实现示例。最后,文章列举了哈希在字符串匹配、最长回文子串、最长公共子字符串等问题中的具体应用。 适合人群:计算机科学专业的学生、算法竞赛选手以及有一定编程基础并对数据结构和算法感兴趣的开发者。 使用场景及目标:①理解哈希表的工作原理及其在各种编程任务中的应用;②掌握哈希函数的设计原则,包括如何选择合适的模数和基数;③学会处理哈希冲突的方法,如拉链法和闭散列法;④了解并能运用字符串哈希解决实际问题,如字符串匹配、回文检测等。 阅读建议:由于哈希涉及较多数学知识和编程技巧,建议读者先熟悉基本的数据结构和算法理论,再结合代码实例进行深入理解。同时,在实践中不断尝试不同的哈希策略,对比性能差异,从而更好地掌握哈希技术。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值