今天跟外甥聊起AI大模型，因为刚用过WPS的AI版，他感觉国内的大模型还是不错的。
但这个不错是相对的。
就像《射雕英雄传》，一开始丘处机一人单挑江南七怪，似乎已经是天下无敌的派头，后面逐个登场的侯通海、沙通天、灵智上人，虽然差一些，但也是难缠的对手。
只是东邪登船亮相，群雄顿时成了众丑。
偏偏东邪西毒南帝北丐之上，还有个中神通。
这应该就是现在AI大模型武林的现状。
分类： IT天地
惹麻烦的云服务器
昨天收到阿里云的短信，提示我的域名出现问题。其实在他提示之前，我就已经发现了问题，常用网站被指向一个博彩网站。
而问题出线时间点，是在免费SSL证书Let’s Encrypt到期续约后，两个renew的域名随即出现问题，而同一服务器的非ssl网站则没有问题。
折腾一番，最后还是放弃了，因为这已经不是我现在使用的云服务器，第一次出现这种乱七八糟莫名其妙的错误，于是将域名转回最早的云服务器，续约ssl证书，警报解除。
显然是新用服务器的问题，我甚至怀疑是那边故意为之。到期不再用就是了。
熟悉的机器升级场景
昨天外甥升级他买的mini机，今天内存硬盘到货。开始觉得这升级是小case，不值得把机器搬到办公室，就骑单车到他家。
路上还琢磨：时间这么早，升级完了离吃饭点还早呢。
硬件升级倒是简单顺利，没想到接上网线开机之后，机器网卡灯不亮。
于是熟悉的情景再现：搬显示器，换网线，坐在地板上敲键盘，改配置。
最后终于解决，莫名其妙的错误，没有升级网卡，它看人家内存硬盘升级，自己也跟着变换了配置文件。
收拾完机器，也到了吃饭点，又是熟悉的场景。
内部组网的两种方式
昨天晚上看完球赛后，开始设置家里的服务器，想实现ddns-go组网模式，这也是本次回家的主要工作之一。
但折腾半天，一无所获，时间已晚就休息了。早上起床后继续折腾，但家里的光猫在去年升级为光猫路由器一体后，已经固化成了bridge模式，普通用户无法设置nat模式下的端口转换，所以ddns-go也就无用武之地。
这样以后就使用ddns-go与zerotier两种方式组网，相比而言ddns-go速度似乎更快一些，这估计也有zerotier目前官方服务器迟缓有关。下一步测试自建planet是不是要好一些。
比大模型抄袭更丢人
今天浏览科技新闻，最热门的就是斯坦福的大模型抄袭，这已经算不上丑闻，堪称闹剧了。
以我最近测试几款著名开源大模型的经历，虽然为数不多，但从那雷同而雷人错误看，大模型抄袭显然已经是普遍现象了。
而斯坦福这三个小丑如此丢人，一是人品极差，甩锅的甩锅，跑路的跑路，更关键的是，这llama本来就是你们家斯坦福的杰作，你却绕着弯抄袭徒子徒孙的大模型，真真是丢人丢到家了。
吃老本的搜狗
前几天因为讨论ICQ关门的事情，跟外甥聊到了输入法，从自然码到紫光2.3，最后到了搜狗，也就没有再换。
最近点校古籍，使用搜狗并不顺手，但因为基本都是古文，便也忍了，但今天开始整理民国时期的书籍，搜狗依然不给力，高频词总是不能提升位置，于是换成系统自带的微软拼音。
用起来才发，除了设置功能少了点，没有中文符号自动完成，其他功能完全碾压搜狗。
搜狗吸引人的在于他的联想词和网络词，这在整理古籍资料上用不上，而我感觉他处理高频词性能糟糕，是受到强调网络用词的拖累。
再者，没有竞争者情况下，搜狗开始吃老本了。
AI时代传统文化的歧路
最近整理的古籍，其实也已经算不上古籍，已经是民国初年的书籍了，即便如此，那半文言半白话的文字，点校起来也颇为头疼。
如果让现有AI大模型处理，肯定还不如我，这点自信还是有的。
即便把文字录入让AI进行训练，效果也好不到哪里去，因为分词这关就过不去。
GPT之前的AI破冰，是AlphaGo，更进一步的则是后续zero，从零开始的自学习提升。
围棋是可以的，因为有胜率这个衡量标准。即便如此，各国不同规则也限制了其胜率的判断。
而现有很多领域，AI是没法替代的，比如中医，就像我们高三同位说的那句“赵啊，咱古文学的差，就别学中医了，书上说巴豆不可轻用，咱别一下给上半斤”。
同样，中国传统也不要因AI时代而被轻视甚至否定。
百年前，三家店被打倒，卷到历史垃圾堆里，其中用的就有赛先生这面大旗。
数据污染的散播
昨晚写完数据污染的随感后，刷了一会抖音，正好看到一篇关于“提防看正史”的视频，讲的就是像现在拿正史抬杠的，不少“正史”资料都是某大厂AI生成的类似“魏武大战光武”的胡言乱语。
我最近改变计划，着力搜集整理相关资料。其中搜集了大量关于中医类的AI数据集，这自然要感谢那些资料整理者，但其中也发现部分资料中掺杂着“某某品牌产品对某某症状有疗效”的数据条，而且为数不少。
这就有些类似当年cms时代，采集器采集回来的内容中夹杂广告。
但这些更像是有意为之。
如果用这些数据训练大模型，那么“某某药酒包治百病”这样的笑话，就不是笑话了。
数据污染的例子
周末在整理优化程序的时候，又被开源大模型给雷到了。
因为获取原始数据中，比较头疼的是日期格式错误，之前自己编写程序校验，这次交给几个大模型写代码，结果跟上次一样，几个新大模型给出同样的答案，而且错的极其离谱。
上次好歹只是得不到准确答案而已，这次好家伙，函数里面直接出现了空白字符。
这就跟小时候老师说的：你抄也找个好学生抄啊。
最后是原始模型llama3出面解决了问题。他给的答案是非常官方化，也就是最为简化，具体使用起来，还需要进行数据预处理。这就是那几个不肖徒子徒孙，在迭代训练中中，不知抄了哪个论坛里面转了不知多少遍的帖子。
这就是AI时代数据污染的一个例子。
弥补短板，大模型依然脱不了大量训练
很久没有用ChatGPT了，因为想了解一下GPT-4o，才又登录上去浏览了一会。
临退出时，想到前段时间开源大模型编写Python程序拉胯的事情，于是就便把同样要求向ChatGPT提出，它很快给出了答案，相比上次唯一合格的Phil3，代码更为简单直观。
然后比较了一下代码，也明白了几个大模型出错的原因，我当时要求的是把符合要求的字符，用{}把包括起来替代。偏偏这{}在Python语言中，有特殊作用，那几个大模型就是忽视了这点才无法生成答案。
看来，这AI离不开的还是大量的训练。