@Jim142857 以下是关于 Turing Test 与行为主义的关系、Putnam 对行为主义的著名反驳，以及 Searle 的 Chinese Room 思想实验的概述：

---

### **1. Turing Test 和行为主义的关系**

Turing Test 是由艾伦·图灵（ Alan Turing ）提出的，用于回答机器是否能像人类一样进行思考的问题。测试的核心思想是，如果一个机器能在一段对话中成功地模仿人类，且观察者无法区分出它与人类的区别，则可认为该机器具备智能。

- **行为主义的视角**：
Turing Test 与行为主义有相似之处，因为两者都强调“外在可观察的行为”而非内在的心理状态。行为主义是心理学和哲学中的一种理论，它主张只研究外在行为，而忽略内部的主观经验或意识。Turing Test 的设计符合这一哲学立场：只关心机器的行为输出，而不试图分析其内在过程或状态。

- **批判性观点**：
Turing Test 的这种行为主义取向也引发了哲学家的批评。一些人认为，模仿人类行为并不等于真正具备思维或意识，因为“行为”可以被机械地复制，而不需要涉及理解或意图。

---

### **2. Putnam 对行为主义的著名反驳**

希拉里·普特南（ Hilary Putnam ）是哲学和计算机科学领域的重要人物，他对行为主义提出了重要反驳，其中最著名的是“超人机反例”（ Super-Spartan ）和“多重实现性”。

- **超人机反例（ Super-Spartans ）**：
Putnam 假设了一种生物群体——“超人机”，它们在强烈痛苦的情况下仍能完全压抑痛苦行为，不表现任何外在的痛苦迹象。这一设想表明，心理状态（如疼痛）不一定伴随可观察的行为，因此行为无法完全定义心理状态。

- **多重实现性（ Multiple Realizability ）**：
Putnam 进一步批评行为主义的简化性。他指出，心理状态可以以不同的方式在不同物种或系统中实现，例如疼痛可能在人类的大脑、动物的大脑，甚至在某些人工系统中以完全不同的物理形式存在。这说明心理状态不能被简单地归结为特定的行为或生理机制。

这些反驳动摇了行为主义在哲学和科学中的地位，促成了功能主义的兴起。

---

### **3. Searle 的 Chinese Room 思想实验**

约翰·塞尔（ John Searle ）提出的中文房间思想实验是对强人工智能（ Strong AI ）的批判。这一思想实验挑战了 Turing Test 的充分性，特别是对智能和理解的本质进行了深刻探讨。

- **思想实验内容**：
假设有一个人（ Searle 本人）在一个房间里，房间里有一本规则书（程序）告诉他如何根据输入的中文字符组合生成合适的中文输出。这个人完全不懂中文，但通过规则书，他可以生成完全合乎语法的中文对话。外部观察者会认为房间里的人理解中文，但实际上，这个人并没有真正的理解。

- **核心论点**：
Searle 认为，像 Turing Test 这样的行为标准不能证明机器具有理解能力。中文房间中，“人+规则书”系统可以模仿理解中文的行为，但这并不意味着系统真的理解中文。这表明语义（理解的内容）与语法（符号操作的规则）是不同的。

- **结论**：
强人工智能（即认为机器可以通过程序实现真正的心智或理解）是不成立的，因其缺乏语义理解。Searle 用此实验反对了“心智等同于符号处理”的观点。

---

### **总结**
1. **Turing Test 与行为主义**都关注外在行为，但忽视内在意识，这种行为导向的观点受到了哲学家如 Putnam 和 Searle 的批评。
2. **Putnam 的反驳**从理论上否定了心理状态和外在行为的简单对应关系，指出心理状态的复杂性和多样性。
3. **Searle 的中文房间实验**进一步质疑了人工智能是否能超越符号处理，真正实现理解。

这些讨论为人工智能、心理学和哲学之间的交叉研究奠定了重要基础。

iphone11 lcd 二手 1200-1500

汉语新解
二维码
QR Code / ＱＲコード
现代社会的数字迷宫， 用黑白方块编织的信息陷阱。 扫一扫，世界尽在掌握， 却不知不觉沦为数据的奴隶。
方寸之间，暗藏乾坤
扫一扫，深陷其中

搜一下深信服 微信监控

1650 显存多少？能跑什么量级的模型？

要解决这个问题，我们可以编写一个 Python 函数，该函数接受一个 DataFrame 和两列名作为输入，并返回一个 Series ，表示列`a`和列`b`的穿越情况。然后，我们将使用 Numba 装饰器`@jit`来加速这个函数。

1. **定义函数**：函数将遍历 DataFrame 的行，比较每一行的`a`和`b`列值与其上一行的值，以确定是否发生了上穿或下穿。
2. **使用 Numba 加速**：通过在函数定义前添加`@jit`装饰器来加速函数。Numba 是一个开源的 JIT （ Just-In-Time ）编译器，它可以显著提高 Python 代码的执行速度，特别是对于数值计算和科学计算非常有效。
3. **返回 Series**：根据穿越情况，为每个时间点返回 1 （上穿）、-1 （下穿）或 0 （无相交）。

下面是实现这个逻辑的代码示例。首先，确保你已经安装了`numba`和`pandas`库。

```python
import pandas as pd
import numpy as np
from numba import jit

# 示例 DataFrame 创建，仅供参考
# df = pd.DataFrame({'a': np.random.rand(10), 'b': np.random.rand(10)})

@jit(nopython=True)
def calculate_cross_over(a, b):
result = np.zeros(len(a))
for i in range(1, len(a)):
if a[i] > b[i] and a[i-1] <= b[i-1]:
result[i] = 1 # a 上穿 b
elif a[i] < b[i] and a[i-1] >= b[i-1]:
result[i] = -1 # a 下穿 b
# 其他情况默认为 0 ，无需额外处理
return result

def cross_over_series(df, col_a, col_b):
a_values = df[col_a].values
b_values = df[col_b].values
cross_over_values = calculate_cross_over(a_values, b_values)
return pd.Series(cross_over_values, index=df.index)

# 使用函数的示例
# result_series = cross_over_series(df, 'a', 'b')
# print(result_series)
```

在这个代码中：
- `calculate_cross_over`函数是使用 Numba JIT 编译的核心函数，它负责计算两列之间的穿越情况。
- `cross_over_series`函数是一个封装函数，它接受 DataFrame 和列名作为输入，调用`calculate_cross_over`函数，并返回结果 Series 。

请注意，由于 Numba 的`nopython`模式限制，我们直接在 Numba 函数中使用了 Numpy 数组而不是直接操作 DataFrame 。这是因为 Numba 最优化地支持 Numpy 数组计算。




-------
能否向量化地完成这个代码
-------


向量化的方法可以使用 Pandas 和 Numpy 的内置功能来实现，而不需要显式循环，这样可以提高计算效率并简化代码。下面是如何使用向量化方法来完成相交点检测的步骤：

1. **计算差分**：首先，计算两列`a`和`b`的差分，即`a - b`。这将用于确定`a`是否在`b`之上或之下。
2. **标记穿越点**：通过比较相邻元素的差分符号，我们可以找到穿越点。当差分从负变正时，表示`a`上穿`b`；从正变负时，表示`a`下穿`b`。
3. **返回 Series**：最终，我们将创建一个 Series ，根据是否发生穿越以及穿越的方向来分配值（ 1 代表上穿，-1 代表下穿，0 代表无穿越）。

下面是实现这个方法的代码示例：

```python
import pandas as pd
import numpy as np

def vectorized_cross_over(df, col_a, col_b):
# 计算 a 和 b 的差值
diff = df[col_a] - df[col_b]
# 计算差值的符号变化（正负变化），使用 np.sign(diff)获取符号，并通过 diff 计算其差分以检测变化
sign_changes = np.sign(diff).diff()

# 上穿为 1 ，下穿为-1 ，无穿越为 0
# np.sign(diff).diff() == 2 表示从负到正的变化，即上穿
# np.sign(diff).diff() == -2 表示从正到负的变化，即下穿
crossover_series = pd.Series(0, index=df.index) # 初始化为 0
crossover_series[sign_changes == 2] = 1 # 上穿
crossover_series[sign_changes == -2] = -1 # 下穿

return crossover_series

# 示例 DataFrame 创建
# df = pd.DataFrame({'a': np.random.rand(10), 'b': np.random.rand(10)})

# 使用函数
# result_series = vectorized_cross_over(df, 'a', 'b')
# print(result_series)
```

这段代码完全使用向量化操作来检测`a`和`b`列的穿越情况，避免了显式循环，从而提高了性能。需要注意的是，由于使用了`diff()`方法，第一个元素将总是被标记为 0 （无穿越），因为它没有前一个元素来比较。







GPT4 的回答不知道是否正确

楼主跑的时候应该是用的内存不是显存？

@jkfadsljlasdgs 算是 mj 之外最好的了吧 其次 civitai dalle

好像很少 mj v6 的图？

试了我们领域的任务 sample ，Mixtral 8x7b 比 claude2.1 还是差一些 但已经是开源最佳了

目前 bard 已经更新 gemini pro ，号称比 gpt3.5 强

Transformer language model training.
Large-scale text generation with LLaMA and finetuning with LoRA.
Generating images with Stable Diffusion.
Speech recognition with OpenAI's Whisper.

大模型、SD 、语音都支持了，个人玩家是差不多够用了把

iphone?

目前有哪些 x86 的 windows 软件不支持？

db-gpt

23999 目前怎么做到这个配置？ z790+32G+1T+1000w+14900kf+4090

@Puteulanus 看视频 lobe 是不是只能做单个物体的识别，如果一张图里有 2 个人一个在喝水一个不在喝水，这种是不是还是得用 yolo