第161章?先去籃球隊裝個逼（第一更）
“橘子……嘿嘿黑……”柚子傻笑了幾聲，笑聲裡充滿了感情。
方豫看了一眼柚子，從某種意義上說，這個大模型也能算是柚子的孩子了。
就是不知道這個孩子能成長到什麼程度？
橘子大模型的底層中，不隻由多重神經網絡組成，更隱含了柚子自身的簡化版架構法則，具有超過三億的參數，僅大模型本身規模，就超過10個G。
3億的參數，在周曆3061年的現在，是一個非常恐怖的規模。
Deepmind幾個月前剛剛公布的Deep?Q-work的參數量也不過才168萬。
而非死不可年中發布的深度學習麵部學習係統deepface，雖然沒有公布參數量，但按照推測，應該也不過是一千多萬參數的級彆。
而三年前古狗發布的古狗大腦計劃，使用了一萬六千顆CPU進行訓練，號稱有10億參數，但其中無效參數和負作用參數比例超過百分之七十。
雖然也實現了視頻端的無監督學習，但訓練效果並不好。
但橘子大模型是不一樣的。
由於柚子是在自己本體中完成的橘子大模型的框架搭建，在奧術的輔助下，橘子大模型的三億參數中，無效參數和負作用參數基本能控製在10%以內！
可以說，剛剛誕生的橘子大模型，就是目前這個世界上性能最強的AI大模型！
神經網絡下的人工智能參數，就相當於人類大腦的神經突觸。
參數數量是影響人工智能模型能力的最重要因素之一，甚至是決定性因素。
更多的參數通常意味著模型具有更高的表示能力，能夠捕捉和表達更複雜的模式和關係。
說人話，就是參數越多，人工智能就越像人。
而且，具有更多參數的模型可以更好地擬合訓練數據，降低訓練誤差。
說人話，就是參數越多，人工智能的理解能力就越強。
從大方向上來說——參數越多，人工智能的能力越強，這句話是沒有錯的。
儘管目前隻有40G的訓練資料，但橘子大模型已經展現出了相當程度的智能水平。
這也說明，柚子所創造的深度學習訓練框架效率之高，已經遠超古狗一個月前剛剛發布TensorFlow訓練框架0.5版。
值得注意的是，人工智能訓練框架和人工智能大模型的模型框架是兩個不同的東西。
比如橘子大模型，其中所使用的多層神經網絡及神經網絡的層次結構和連接方式就是橘子的模型框架。
而訓練框架，是一個提供工具和接口，用於構建、訓練、評估和部署深度學習模型的軟件平台。
說人話，就是，如果未經數據訓練的大模型框架是一個嶄新的腦子，那麼訓練框架就是學校、是老師、是整個教育體係。
AI大模型框架本身的層次和結構，就是這個嶄新腦子的智商。
而訓練數據，就是被教育體係用各種方法教授給這個嶄新腦子的知識。
老師水平不同，教育體係不同，教授的知識不同，那麼學生掌握知識的效率和準確率自然也不同。…。。
一個學生本身成績好不好，一方麵取決於個人智商和努力，另一方麵，也取決於教育方式和教育體係是否科學，老師的教學水平如何。
還有一方麵，就是這些知識本就應該是正確的，錯誤的知識教授給學生，在考試和實際應用中沒有任何作用。
同樣，受過汙染的錯誤數據也無法訓練出可用的ai大模型，使用受過汙染的數據訓練大模型，會導致訓練後的大模型幾乎沒有任何實用性。
三者相輔相成，缺一不可。
否則學區房怎麼能賣那麼貴？