达尔文的自然选择，和深度学习好像

[hwdq0012]

基因突变-> 数据增广 生死-> 数据标注 优胜劣汰-> 随机梯度下降 繁殖-> 模型推理

[w568w]

你有没有听过一个东西叫 遗传算法……

[hwdq0012]

@w568w #1 听过，没详细查资料， 谢谢你为我提供了摸鱼思路

[mightybruce]

兄弟，你真的非常非常民科，AI 算法 有一堆来自于生物学，

深度学习反而和这个不靠近


听说过 上个世纪就提出来的遗传编程、遗传算法吗， 这个和达尔文自然选择非常接近。遗传算法是受自然进化理论启发的一系列搜索算法， （在巨大的解空间中找到可能的解法）
https://zh.wikipedia.org/wiki/%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95


现代的大模型和深度学习也有结合这些遗传编程的

谷歌最近提出 AlpahEvolve 就是例子, 让大模型生成的代码自我进化

https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/

github 上 AlphaEvolve 的开源实现

https://github.com/codelion/openevolve

[hwdq0012]

@mightybruce #3 机器学习除了激活函数 和神经元机制类似，其他的和神经其实没太多关系吧 ，不过 llm 我就不知道了，我目前主要搞 cv 模型， 如果 llm 已经包含了遗传算法，每时每秒都在迭代，那是否可以认为它有意识

[banmuyutian]

没有不好的意思，学而不思则惘思而不学则殆，与 OP 共勉

[frayesshi1]

数据集 数据标注 训练（梯度下降） 推理，这四步和深度学习一样，但是自然选择是自然完成这四步，深度学习需要人工来整合这四步。个人认为用解方程的思想更能体现深度学习，训练在标注好的数据集里面通过梯度下降等方法得到方程的参数，推理是带入需要判断的已知变量得到结果