「衬衫的价格是九镑十五便士」。当人类被问到根据该信息回答「衬衫多少钱」时，人脑是可以通过对句子进行结构分析——「价格」是主语、「衬衫」是表语、「是」是谓语、「九镑十五便士」是宾语，从而寻找到问题需要由宾语携带的信息来解答。
但AI（或者说深度学习算法）并不是这样工作的。它并不能真正「理解」句子的结构及其含义，而是将其转换为毫无意义的单元进行数学计算——衬-元素A、衫-元素B、……士-元素L，然后计算各元素之间的关联性（两个元素共同出现的「概率」）。在基于大量材料的类似计算下，算法会逐渐发现元素A（衬）和元素B（衫）一同出现的概率明显高于A与C、D……等一同出现的概率，于是算法认定两者存在关联，记为元素AB，整个句子于是被重新转换为更深层次的元素组合-AB（衬衫）、C（的）、DE（价格）……KL（便士），然后算法对新转换出的元素组合重复上面的概率计算（#过度简化警告）。最终，算法能够通过概率数字建立元素AB与元素GHIJKL之间的关联，于是为包含元素AB的问题返回元素GHIJKL。

↓

#过度简化 警告：此处按照我个人理解进行了大幅简化和调整，准确的#深度学习 技术原理请自行检索

用深度学习模拟大脑，或许只是“人类的偏见” https://www.huxiu.com/article/780846.html #神经网络模型 #深度学习 #神经网络 #机器学习 #网格系统 #大脑 #科学 #科普

RT @madawei2699: #深度学习

@githubcopilot 的深度学习模型既可以生成代码，类似 @openai 的 GPT-3 一样也可以生成文本👇 这么看，深度学习的应用场景发展比元宇宙快多了？🤔

https://t.co/3LisDQU66v