….
这个副本的世界或许在自我演化的过程中，有了不一样的未来也不一定。
毕竟在2060年，ai已经发展到了一个恐怖的地步。
最开始是无人在意的大模型。
所有词成为了一个点，就像世界上任何一处的经纬一般，只有有两个数值，就可以精准的找寻到所处的位置。
在大模型里，每个词成了词向量。
就比如狗这个词，与之最相近的就是猫，猪，牛，马等。
而在此之外，还有距离更远一些的词。
当然，它和狗组成有意义的词的概率，就更低了。
这些词的相关性，是基于维基百科的数据统计得来的。
显然，每一个词都会被一堆无意义的词围绕。
那么想让大模型智能化，只能先将数据量堆上去再说。
每个词在大模型的n维空间里，都有自己的位置。
而决定这个词的真正意思，由上下文来决定。
但这个词围绕的量太大了，怎么办呢，在当年最初的时候用了一个变压器transformer。
理解人们说出来这句话的意思，将每个字都向量化。
假设是十个字，那么就生成10个768个数字的数列。
然后喂给transformer，输出后，再输入给第二层transformer，如此重复，不断地深化理解。
一共96层。
简单说就是每个词成为768个数字，穿越96层，每层9216次操作。
但是在后来，一个词的向量从768升级到了12288个数字的数列。
这个副本的世界或许在自我演化的过程中，有了不一样的未来也不一定。
毕竟在2060年，ai已经发展到了一个恐怖的地步。
最开始是无人在意的大模型。
所有词成为了一个点，就像世界上任何一处的经纬一般，只有有两个数值，就可以精准的找寻到所处的位置。
在大模型里，每个词成了词向量。
就比如狗这个词，与之最相近的就是猫，猪，牛，马等。
而在此之外，还有距离更远一些的词。
当然，它和狗组成有意义的词的概率，就更低了。
这些词的相关性，是基于维基百科的数据统计得来的。
显然，每一个词都会被一堆无意义的词围绕。
那么想让大模型智能化，只能先将数据量堆上去再说。
每个词在大模型的n维空间里，都有自己的位置。
而决定这个词的真正意思，由上下文来决定。
但这个词围绕的量太大了，怎么办呢，在当年最初的时候用了一个变压器transformer。
理解人们说出来这句话的意思，将每个字都向量化。
假设是十个字，那么就生成10个768个数字的数列。
然后喂给transformer，输出后，再输入给第二层transformer，如此重复，不断地深化理解。
一共96层。
简单说就是每个词成为768个数字，穿越96层，每层9216次操作。
但是在后来，一个词的向量从768升级到了12288个数字的数列。