!!!论文
[大模型的基础 transformer|https://arxiv.org/html/1706.03762v7]\\
[KAN|https://arxiv.org/html/2408.10205v1]
[MEMGPT|https://arxiv.org/abs/2310.08560]\\

!!RAG分享
[李徐赢的分享|https://boardmix.cn/app/editor/YifvuGYyx_5MI17zuH5ztQ?inviteCode=Kwl2zE]

!!向量数据库
[贾阳光的分享|https://pixso.cn/app/board/B7OO9x2KyKGZon6sB-HVsw?showQuickFrame=true&icon_type=3&file_type=20&open_in_browser=true]

!!Transfomer
[李徐赢的分享|https://boardmix.cn/app/editor/HU8TtLwFYfLeWBt_C0TUgA?open_in_browser=true&inviteCode=Kwl2zE]
[盛伟的分享|https://pptgo.cn/app/share/CAE.IAEqEHWyh5RP2aUt4ZkKvULsYgwwAkABSgozNDU4MTMwNDY0]

!!大模型技术分享
[OneFlow|http://www.mandelbrot.cn:8080/JSPWiki/attach/Share/OneFlow技术年货（2023）公众号 .pdf]

!!!自成长模型
自成长模型是一个可以由小到大，自我成长的模型。也就是可以在生产环境里自我进化的模型。

!!自成长模型要解决的问题\\

1、训练成本巨大的问题\\
2、可靠性问题（模型幻觉问题）\\
3、推理过程中不能训练问题\\!!
4、输入token限制问题\\

!为啥我们能解决上述问题：\\

因为理解就是结构，符号化的理解结构(KAN的一个核心思想就是把连接主义和符号主义结合)，就是自成长模型的基础\\
1、符号化的理解结构就是可以解释的结构，就是精确稳定的结构，所以是减少重复训练的基础\\
2、符号化就是用符号精确映射计算机结构与外部世界结构化的方式，所以可以解释,可解释才能做到可靠\\
3、符号化的理解结构，因为可解释，才能在推理（对话）过程中，定位到要修改的结构，才能实现推理即训练的过程\\
4、实现了推理即训练(有人定义为训推同步)，才能摆脱token的上下文限制问题。\\



!!我们自成长模型的核心工作\\
1> transformer形成的理解结构在哪里？\\
2> 符号化这个理解结构，应该咋做？\\
3> 如何在推理（就是对话）过程中，改变这个理解结构？\\

当然，本人已经有充分答案。但每一位参与者都应该深刻思考这些问题


!!我们的自成长模型的大致模块\\
1、认知模型-概念世界（解决客观世界的符号化世界模型,我们当前第一学术目标）(此模型是建立在人类认知能力之上的模型)\\
2、认知模型-虚拟3D世界模型（解决客观世界的非符号化世界模型,以后实现）（脱离人类认知能力，发展出从物理世界中认知事物的能力）\\
3、灵魂模型(解决赋予人工智能的情感问题，也可以理解成强化学习中环境给模型行为打分的问题，以后实现)\\