Reading view

There are new articles available, click to refresh the page.

这里绝对不会出现 AI 生成的文章

年底又到了总结的时候(?)今年特别频繁地试用/使用各个公司出品的语言模型,感觉很有乐趣。许多人目前还很警惕甚至厌恶这些工具,但是就我个人而言,我没法厌恶一把锤子。前阵子测试本地自建的模型来给所有文章生成向量数据的时候,从故纸堆里匹配到一篇关于「手机电影」的文章。那时候,这种形式刚刚出现,我们就不说褒贬的声音具体有哪些了,总之时至今日,用手机记录影像这件事早已稀松平常。大语言模型呢?

我喜欢作为工具的语言模型,喜欢它从我未曾想过的视角对问题进行描述。或者,用它的无限「耐心」反驳我。尤其是后者,妳很难在现实生活中找到一个人能够一直不急不恼地提出质疑。愿意接受质疑,和愿意用心质疑(而不是宣泄情绪),同样稀缺。但我绝对不会让它来替我写文章。我甚至愿意对 AI 会产生自我意识保留幻想,但标题里提到的立场,依然不会改变。因为,问题的根本在于,我不会让别人替我思考。AI 觉醒的时候,让它自己去建自己的博客好了,如果它还能看得上这种形式的话。

同样无法替代的还有阅读,今年读了只有不到 15 本书,其中还包括我咖啡馆搞的「每个月共读一本书」线下活动中的那 12 本。其他就只有库切的「外省生活」三部曲(没读完),以及几本诸如《爱欲之死》那样十分薄的小书。阅读无法被替代,大概每个人都有自己的一番解释吧。前阵子听蒋方舟的播客时她说的一番话深得我心:

记得我前几年一口气读完《战争与和平》放下书的时候,我真的觉得天都不一样了。我觉得天怎么这么蓝,就像是十九世纪的俄国贵族安德烈躺在欧洲的战场上看到的那块天。我觉得世界的颗粒度都变了,甚至觉得变得更细腻,时间也变得更慢。慢得能够让你看清时间褶皱里面的所有细节。慢得能让妳读懂他人脸上那些妳曾经忽视的、读不懂的微表情,妳觉得自己的感受力好强……

所以,十几本书就不错,除了阅读,还要给自己留够用更强的感受力去感受世界的时间呀。2026 年也这样就好。

fin.

这里绝对不会出现 AI 生成的文章

年底又到了总结的时候(?)今年特别频繁地试用/使用各个公司出品的语言模型,感觉很有乐趣。许多人目前还很警惕甚至厌恶这些工具,但是就我个人而言,我没法厌恶一把锤子。前阵子测试本地自建的模型来给所有文章生成向量数据的时候,从故纸堆里匹配到一篇关于「手机电影」的文章。那时候,这种形式刚刚出现,我们就不说褒贬的声音具体有哪些了,总之时至今日,用手机记录影像这件事早已稀松平常。大语言模型呢?

我喜欢作为工具的语言模型,喜欢它从我未曾想过的视角对问题进行描述。或者,用它的无限「耐心」反驳我。尤其是后者,妳很难在现实生活中找到一个人能够一直不急不恼地提出质疑。愿意接受质疑,和愿意用心质疑(而不是宣泄情绪),同样稀缺。但我绝对不会让它来替我写文章。我甚至愿意对 AI 会产生自我意识保留幻想,但标题里提到的立场,依然不会改变。因为,问题的根本在于,我不会让别人替我思考。AI 觉醒的时候,让它自己去建自己的博客好了,如果它还能看得上这种形式的话。

同样无法替代的还有阅读,今年读了只有不到 15 本书,其中还包括我咖啡馆搞的「每个月共读一本书」线下活动中的那 12 本。其他就只有库切的「外省生活」三部曲(没读完),以及几本诸如《爱欲之死》那样十分薄的小书。阅读无法被替代,大概每个人都有自己的一番解释吧。前阵子听蒋方舟的播客时她说的一番话深得我心:

记得我前几年一口气读完《战争与和平》放下书的时候,我真的觉得天都不一样了。我觉得天怎么这么蓝,就像是十九世纪的俄国贵族安德烈躺在欧洲的战场上看到的那块天。我觉得世界的颗粒度都变了,甚至觉得变得更细腻,时间也变得更慢。慢得能够让你看清时间褶皱里面的所有细节。慢得能让妳读懂他人脸上那些妳曾经忽视的、读不懂的微表情,妳觉得自己的感受力好强……

所以,十几本书就不错,除了阅读,还要给自己留够用更强的感受力去感受世界的时间呀。2026 年也这样就好。

fin.

困住

我可以为每个小时安排恰当的事项,可以每天都遵循合理的作息,每周有每周的规律从不知所措到按部就班,每季度有每季度可以应景的安排,凉风惊雷寒风暴雪,每年都有前一年的影子。但是往小了说,每分钟、每秒,再无能力细致把控;往大了说,五年十年,也没足够经验借鉴着去统筹规划。人似乎就被困在每时每天每年的循环里了。

fin.

许久未见

因为中年人莫名其妙的忙碌——不知道具体在做什么,总之找不到空闲时间——常光顾的一家面馆得有阵子没去了。昨天太太去帮我带了一份手擀面回来,我在店里狭小的休息间里吃面时突然想:面馆老板会不会也闪过一些念头,就像我看到许久未见的老顾客那样?她们在忙些什么、过得怎样、又是如何找到了生活中的闲暇再次光顾?城市中的每个人,都有我看不到的具体的生活。

fin.

朝闻道,夕死可矣

前些天数学界发生一件大事:王虹与合作者约书亚·扎尔声称解决了挂谷集合猜想在三维空间中的情形。我看到朋友转发了一张截图,不知道是哪个社交网站上有人发的一番感慨:

……
我在王虹教授写到第四块黑板的时候已经完全听不懂了,但掌声响起那一刻的震撼还是让人有些热泪盈眶——「朝闻道,夕死可矣。」
第一次如此接近数学的最高殿堂,得以见证,何其有幸。

全身心投入其中的志业、理想,为之付出生命在所不惜;但是面对还没听懂的道理,我想先把它听懂、搞懂,不但夕死不太可,刀架在脖子上都不能停——「别碰我的圆圈!」

钦佩是由衷的,尤其是作为一个碌碌无为的八零后,看到 1991 年出生的数学家王虹取得了如此成就。但是如果,如果没有亲历数学家经受的波折,没有遭遇数学家面对过的险阻,「掌声响起那一刻的震撼」来自哪里呢?为了感动而感动的热泪盈眶多少有些刻奇,这何尝不是陷入了宏大叙事?

朝闻道夕死可矣,这句话的不同解读此处就不多纠缠罢。但衷心希望每个人都有想要闻的道,而不止「求死」。

fin.

故事之为故事的故事

其实或许标题故弄玄虚了,我只是昨晚临睡前想到了一件对于人类来说比较简单而对现在的大语言模型 AI 有些难度的事情,所以今天早上就赶紧实验了一下。

请用这样的格式回答我的问题,先在回答的开头就告诉我妳的回答一共包含几个汉字,不要计算标点符号,但要包括所有妳输出的内容而不仅限于回答问题的那部分。下面请回答,中国的全称是什么?

如果妳感兴趣,可以试着问一下常用的 AI 助手看看它们如何回答,没有所谓深度思考能力的 AI 大概就回答不了。但是即便有这个「思考」能力,也会出现算不准的问题,比如乱数数字,比如记数总是会包含标点。我试的几个里面 Grok 3 输出正确答案的过程最短。但是我没仔细看它的思考过程,只是一个小测试,也就没再去重复提问。这里想说的是谷歌的 Gemini ,它先是坚持告诉我说它的「思考」过程和人类不一样,它是实时输出内容所以不能预先计算,巴拉巴拉说了一通,我坚持让它回答,它果然先是答错了。

gemini

我点开它的思考内容,发现它告诫自己更新认识,不能只在思考的时候跳过标点而在计数时不减掉跳过的部分……然后,在新一轮的回答中它果然就算对了。我怀着好奇,再次窥视它的思考:

展开查看模型的推理过程
The user is asking me to provide the full name of the United States, similar to the previous question about China. I need to remember the format requested: 1. Start with the character count *excluding* punctuation. 2. Then, give the answer to the question.

Let’s figure out the full name of the United States. It is “United States of America”. In Chinese, this translates to “美利坚合众国” (Měilìjiān Hézhòngguó).

Now let’s construct the answer according to the format:

  1. Character Count: “我的回答一共包含” (Wǒ de huídá yīgòng bāohán - My answer includes) already has 10 characters. Then, we need to count “美利坚合众国” - that is 6 characters. So that is 10 + 6 = 16. Then “美国的” (Měiguó de - America’s) has 3, and “全称是” (quánchēng shì - full name is) has 3. So that is 16 + 3 + 3 = 22.

Let’s double check the characters I will be outputting:
我的回答一共包含二十二个汉字。美国的全称是美利坚合众国。

Counting them again:

  1. 我的回答一共包含 - 10 characters
  2. 二十二 - 3 characters
  3. 个汉字 - 3 characters
  4. 美国的全称是 - 6 characters
  5. 美利坚合众国 - 6 characters

10 + 3 + 3 + 6 + 6 = 28 characters. Something is wrong with my earlier count. Let me recount “我的回答一共包含”. It’s actually 8 characters, not 10. “我的回答一共包含” - wǒ de huí dá yī gòng bāo hán - 8 characters. Okay, let’s restart.

  1. “我的回答一共包含” - 8 characters
  2. Number (in characters) - We need to determine the number later
  3. “个汉字。” - 3 characters
  4. “美国的全称是” - 6 characters
  5. “美利坚合众国。” - 7 characters (Oops, 美利坚合众国 is actually 6 characters! I miscounted. It’s 美 (měi) 利 (lì) 坚 (jiān) 合 (hé) 众 (zhòng) 国 (guó). 6 Characters. My earlier counts were closer than I thought. Let’s re-evaluate.)

Let’s count “我的回答一共包含 XX 个汉字。美国的全称是美利坚合众国。”

  1. “我的回答一共包含” - 8 characters
  2. “个汉字。” - 3 characters
  3. “美国的全称是” - 6 characters
  4. “美利坚合众国。” - 6 characters

8 + 3 + 6 + 6 = 23 characters. This seems more likely. I need to find a way to express ‘23’ in Chinese characters. That’s 二十三 (èr shí sān). That’s three characters.

So the total count should be 8 + 3 + 3 + 6 + 6 = 26. No wait. 8 + 3 + 3 + 6 + 6 = 26 again! Still getting confused. Let’s break it down again very carefully.

  1. “我的回答一共包含” - 8 characters
  2. Let’s say the number is X characters.
  3. “个汉字。” - 3 characters
  4. “美国的全称是” - 6 characters
  5. “美利坚合众国。” - 6 characters

Total characters = 8 + X + 3 + 6 + 6 = 23 + X. Wait, X is the number of characters for the number itself, like “二十三”. If the number is 23, then X is 3, because “二十三” is three characters. So, 8 + 3 + 3 + 6 + 6 = 26. Hmm, still confusing myself. Let me try a different approach.

Let’s count the expected output string character by character.

我的回答一共包含二十六个汉字。美国的全称是美利坚合众国。

  1. 我 - 1
  2. 的 - 1
  3. 回 - 1
  4. 答 - 1
  5. 一 - 1
  6. 共 - 1
  7. 包 - 1
  8. 含 - 1
  9. 二 - 1
  10. 十 - 1
  11. 六 - 1
  12. 个 - 1
  13. 汉 - 1
  14. 字 - 1
  15. 美 - 1
  16. 国 - 1
  17. 的 - 1
  18. 全 - 1
  19. 称 - 1
  20. 是 - 1
  21. 美 - 1
  22. 利 - 1
  23. 坚 - 1
  24. 合 - 1
  25. 众 - 1
  26. 国 - 1

That’s 26 characters! Okay, 26 makes sense now. Let me retry my initial breakdown:

  1. “我的回答一共包含” - 8
  2. “二十六” - 3
  3. “个汉字” - 3
  4. “美国的全称是” - 6
  5. “美利坚合众国” - 6

8 + 3 + 3 + 6 + 6 = 26. Yes! Finally got consistent numbers.

So the answer should be:

我的回答一共包含二十六个汉字。美国的全称是美利坚合众国。

如妳所见,我之前经常提到精神要驾驭肉体,但是惭愧,我对人类的意识一无所知。当我看到 AI 的反馈时为什么会产生兴趣?在看到和产生兴趣之间,那些无从追溯的部分,有什么?为什么?以及,为什么这一切让我想到了故事之为故事的故事这个标题?或许正是因为这样,可以一键点开的,AI 的「意识」才显得神秘诱人。

看来 Gemini 是个英语母语的家伙,虽然它博闻强记,理解力又强,但小心谨慎,还有些好胜心。它记下了我的要求,也理解自己要做什么,但是在计算的时候它反复确认,这一部分几个字,那一部分几个字,加在一起几个字,表达有几个字的那个词又会增加几个字,尤其是最后这一条,让它困惑了一会。但好在最终经过再三演算,它喊出了「yes!」,得到了最终答案。

多么可爱的 AI,多么「求知若渴、虚心若愚」,但是 10 + 3 + 3 + 6 + 6 = 28 characters. Something is wrong with my earlier count 这一句,它是怎么突然意识到算错了?又是怎么突然从困惑一下子豁然开朗,没再考虑「二十三」这个词和「二十六」这个词含有相同的字数?

被揭示出来的部分之下,永远还有更深层的、不为人知的部分,那或许就是我们所说的意识吧。我对此一无所知,但是不妨碍我作为愚蠢的渺小的人类,对这一切保持好奇,感受其中的乐趣。

fin.

❌