宇宙没有义务让人理解，但AI有义务被人，并帮助人理解！ —— David 9
一个AI模型，无论被工程师如何设计，它最终还是要和使用者交互，哪怕只是一个小小简单的判断分类问题。一旦它把判断结果信息传递给人类，人与机器之间的边界就变的难以划分。AI判断结果一定有错误信息（或AI够不着的问题），人类应该怎么处置？
当然，后一种更容易操作，把AI够不着的问题都留给人类解决，如医疗领域的SPIRIT-AI和CONSORT-AI协议，就旨在提供一套完善的医疗实验交互方针：
因为医疗临床实验需要更高规范和更低出错率。不仅仅是医疗，事实上，目前的多数领域的AI落地，交互，都需要大量的 继续阅读可解释，自解释，以及交互式AI的未来
学习的第一要素从来都不是“模仿”或“收获知识”，学习要有“控制感” ！— David 9
近来，研究人员似乎更加执着地认为，类似BERT, GPT等大型语言模型的训练方式也可以在视觉图像领域一展拳脚（pretrain+finetune）。
其中包括Image GPT 和 SimCLRv2 。当然照搬BERT，GPT到图像域是不可能的。这两个框架都采用各自独特的方法做(pretrain+finetune)稍后David将详细讲述两者区别。
David首先要强调的是，所有目前看来“先进的”算法（“预训练”，“自监督”甚至像GPT这样的大模型）都只是人们最大限度把自己的先验传导到模型，把最大自由度留给算力的过程。所以请允许我提一点猜想：
先验流(阻力)假设：人的先验传导到机器域是有阻力的。当模型能更高效率地传导人的先验，那么模型的学习效果就更好。— David 9
以这个假设，即使人类现在的模型架构原地踏步，只要人类的硬件和计算力在不断增强，训练数据不断增加，模型总能更高效地“吸收”人的先验。
扯远了，要真正提高“先验传导”，还是要从模型下手。
Google前不久的文章(Rethinking Pre-training and Self-training)就比较了“预训练”和“自监督”的优劣，直接说PK结果： 继续阅读“预训练”VS“自监督”，究竟哪个更“有脑”更高效？探究自监督最有效实践和方案，深入了解自监督学习David 9的番外篇#2
作为一个物种，人类智能（human intelligence）正在向通用智能(general intelligence)的方向发展，不是吗？— David 9
最近看到Yann LeCun 的播客访谈，聊到人类智能，LeCun认为人类智能是非常specific的（具体的而远非“通用智能”）：
是的，为了在大自然长期生存下来，我们的祖先更关心与生存密切相关的东西。我们的视觉有盲区，行为有太多模式，我们的内在“世界模型”也不“通用”（general）。
人类经常以为自己能应对世界的复杂变化，这只是他们一厢情愿的世界观，事实上，多数情况他们只能勉强应对（在自己构建的“世界模型”的舒适区）。
但这，足以支撑普通人的正常生存（即使他们用自以为用完整通用的智能应对一切）, 原始人主要任务是擅长打猎就行(其他的复杂因素如天气可以用“神”来补充世界观):
工业时代为了生存，人类甚至可能沦为机器的奴隶：
所以，
与其说人类是通用智能，不如说我们是基于生存的智能 — David 9
David同意人类的局限是明显的，但借助外部工具如AI，人类正在变得越来越general，看到很多看不到的东西，这种人与机器的“互补智能”是未来不可估量的（有机会下次展开）。拉回到主题:
人类智能本身, 其实也有一个秘密武器：”自监督”学习。
那么究竟什么是自监督？
首先，自监督是有监督学习！哪怕目前缺少有标注的samples，他也会想办法加上一些假的（pseudo）label ，或者用其他间接的方式得到比较可信的label。其次， 继续阅读【独家】深入了解自监督学习(self-supervised learning)，David 9的番外篇
