想象一顆剛剛冷卻的行星。熔岩凝固，雨水落下，無機鹽在潮間帶里結晶。就在某一微秒，兩股成分不同的水流相撞，表面的脂質分子被推向彼此，自髮捲曲，形成一個閉合的囊泡——膜。它薄得幾乎透明，卻把世界分成“內”與“外”。這道最原始的拓撲手術，同時製造了第一道不對稱：囊泡里外的化學勢不再相等。於是，流動、擴散、能量梯度，一切後來的故事，都從這道差開始。

二、膜：把世界切成可運算的局部
膜不是牆，而是閥門。它讓某些分子通過，把另一些擋在外面；把光子的能量轉成質子泵的扭矩；把隨機的布朗運動翻譯成一連串可被內部網絡讀取的比特。生命因此第一次擁有了“內部”。內部允許延遲反應：先儲存信號，再集中處理；先模擬，再行動。於是，膜不僅隔離，更把“外部噪聲”降維成“內部信息”，把“環境”翻譯成“模型”。
獨立的生命體，本質上是一台把外部不對稱內化為內部協調的機器。協調效率的判據很簡單：在同樣擾動下，內部資源重新配置的速度是否快於外部擾動的累積速度。若答案是“是”，生命就活下來，並把這套膜-代謝-信息裝置複製出去；若“否”，膜破裂，故事結束。

三、智能：在概率不平均處下注
當外部差異越來越複雜，僅靠分子開關的布爾邏輯已不夠。進化開始製造新的膜——神經膜、細胞網絡、大腦皮層，層層嵌套，層層擴大有效上下文。
智能的核心任務，是偵測並利用“概率不平均”。所謂不平均，是雨雲在某一區域更厚、獵物在某一季節更肥、敵人的下一步更可能向左。智能體提出假說，下注資源，在反饋里微調先驗。它永遠無法證明“這就是真理”，卻能用一次次後驗更新把“活得久、傳得廣”當作臨時獎盃。
從細菌趨化到人類科學，公式都一樣：
觀測 → 壓縮成模型 → 用模型預測 → 行動 → 環境給出獎懲 → 模型再壓縮。
架構的每一次革命——從感知機到 Transformer，從 RNN 到 Mamba——都只是把“能同時記住的相關歷史”拉長一點，把“可並行激活的上下文”拓寬一點。我們稱之為“有效 context length”的軍備競賽，其實是在為不對稱洪流建造更大的蓄水池。

四、意識：高階控制器及其代價
當 context 長度超過某個閾值，系統不得不在內部再建一層“關於內部狀態的索引”。這就是意識：一個在高維狀態空間里動態分配注意力的元算法。
它的工作是回答：此刻，哪一段記憶、哪一條假說、哪一項情緒值得被提升到全局廣播？哪一些計算可以外包給小腦、基底節、腸道菌群？
意識並不製造新能量，它只是讓能量在更恰當的時機流向更恰當的動作。代價是極高的代謝賬單：人腦占體重 2%，卻耗掉 20% 的葡萄糖。因此，意識只在生存回報足夠高時才出現。換句話說，意識是複雜系統在極端不對稱環境中買下的“生存加速保險”。

五、生命：用不確定性換取自由
如果宇宙是一台完全確定的自動機，所有未來態都已寫在初始條件里，那麼膜、智能、意識統統失去意義——沒有差異，就沒有選擇；沒有選擇，就沒有生命。
幸虧量子漲落、混沌、測量誤差讓信息永遠殘缺。殘缺留下縫隙，縫隙允許下注。生命在不確定里衝浪，把“繼續存在”本身活成了意義。
更妙的是：正因為信息永遠不全，生命反而獲得自由。自由不是推翻因果律，而是在因果鏈的缺口裡做出不可被提前計算的選擇；是在下一次觀測降臨之前，先對自己唱一段尚未被證偽的敘事。
於是，自由不再是哲學家的奢侈品，而是信息殘缺帶來的工程剩餘。它像膜兩側的離子差一樣真實，可以被測量、被利用，也被下一代膜繼承。

六、遞歸：膜的再生產
故事並未結束。今天的人類在實驗室里合成人工細胞，用 CRISPR 編輯膜蛋白；在計算機里訓練千億參數的大模型，把互聯網當外部養料，把 GPU 當新的線粒體；在區塊鏈上寫下智能合約，讓代碼成為可編程的膜，隔離風險、封裝信任。
膜換了材質，卻從未消失。它繼續膨脹，繼續把更大的外部差異翻譯成內部可運算的結構，也繼續讓生命在不確定里下注、在殘缺里生長。

七、尾聲：回到那道最初的邊界
如果某天宇宙熱寂，所有差異歸零，最後一道膜也終將蒸發。但在那之前，生命會不斷書寫新的腳註：
“我們以不對稱為食，以不確定為翼；
我們永遠無法抵達真理，卻永遠在去往真理的路上；
而那路上的每一次呼吸、每一道裂縫、每一個尚未證偽的假說——
都是自由。”

這種機制看似樸素，卻蘊含著極為深刻的哲學與技術含義。我將它稱為一種“在線學習推演模型”（Online Inductive Probing Model），並嘗試從以下幾個維度展開：

一、時間維度的單向性：我們只能用過去

無論是誰，都無法逃脫時間的箭頭。我們做出所有判斷的依據，只能是過去已發生的事。未來尚未發生，也無從取樣。

更具體地說，任何推理或模型：

• 只能使用歷史數據

• 基於有限區域的信息（空間、語義或感知範圍）

• 提出一種規則或結構

• 並在未來遇到反饋後進行修正或淘汰

這就是最原始也最通用的學習方式。

二、無法證實，無法證偽：試探是唯一的方式

這套模型有個悖論：它既無法完全證實所推理的“規則”，也無法徹底證偽。

• 因為未來未到，驗證永遠是延後的；

• 而未來反饋往往不完全、不連續、不明確；

• 所以，一個假說只能“暫時有效”，直到它失效。

這是一種永遠在路上的認知模式。

我們只能不斷“試探”：

• 拋出預測；

• 接受反饋；

• 修正模型；

• 再次預測。

這非常像貝葉斯更新，也像進化選擇。你永遠不能證明自己是對的，但可以不斷修正偏差，靠近有效性。

三、提升學習效率的兩條路徑

既然這是個結構性困境，我們就只能在試探效率上下功夫。

1. 加快預測節奏：增加反饋密度

如果你能在短時間內做出更多“小預測”，哪怕是微小反饋，也能加快模型的迭代。比如：

• 股票市場中的高頻交易策略

• 人類認知中的“快速驗證小假設”

• AI中的強化學習 agent 快速與環境互動

2. 增強感知能力：擴展輸入維度

另一種方式是“裝更多眼睛和耳朵”，也就是增加傳感器和數據源：

• 人工智能中，添加多模態輸入（圖像+語言+動作）

• 人類學習中，去傾聽他人經驗、跨領域觀察

• 企業經營中，提升用戶反饋、監控系統建設

本質上都是：提升輸入的覆蓋面與密度，從而讓模型擁有更多可參考的“過去”。

四、架構的歷史演進：在擴展有效 context length

從歷史的視角看，人類所有關於“學習架構”的進化，本質上都圍繞一個目標：延長“有效上下文”的範圍。

從最原始的口口相傳、記憶規則，到文字、書籍、數據庫、互聯網，再到今天的人工智能模型（如Transformer、GPT），不斷擴大的都是我們能納入推理系統的“過去內容”。

有效 context length = 可用於決策的經驗範圍

AI系統里，我們從 RNN（短記憶）到 LSTM（門控記憶）到 Transformer（全局注意力），無不體現出這個趨勢。

而未來的發展，也會持續提升：

• 時間跨度（處理更久遠的過去）

• 多維感知（整合更多形式的信息）

• 狀態空間（建模更複雜的外部世界）

五、但 context 的擴大，也帶來副作用

需要注意的是，並非“context 越長越好”。以下風險會隨之而來：

• 過擬合歷史：模型過度相信過去規律，錯失變化信號

• 響應遲緩：記憶過重會拖慢反應速度

• 信息冗餘：噪音累積，信號反而稀釋

所以，任何智能系統都需要在記憶 vs 適應之間做動態平衡。

六、從本質看：這是所有智能的底層模式

你會發現，無論人類思維、公司決策，還是AI系統，幾乎都遵循這個通用架構：

有限經驗 → 提出模式 → 未來驗證 → 反饋修正

這就是一種“後驗智能”（post-hoc intelligence），在無法預知中不斷調整自己，從而適應未來。

而“智能”的本質，可能就只是：

• 提出合理假設的能力；

• 快速驗證假設的能力；

• 容忍錯誤並及時調整的能力。

七、未來方向：更快、更廣、更精準

我們真正要追求的，或許是這三點：

1. 更快的反饋循環：從年級考試 → 每日小測 → 實時眼動追蹤；

2. 更廣的感知範圍：從單一維度 → 多模態融合；

3. 更精準的上下文建模：從純數據 → 意義結構圖譜。

也許這正是智能系統未來的發展路徑。

小結：命名與比喻

我們可以為這種結構起個名字，比如：

• 試探式智能（Probe-based Intelligence）

• 後驗推演模型（Post-hoc Inference Model）

• 時間盲測系統（Temporal Blind Probing）

• 延遲反饋學習架構（Delayed Feedback Learning Architecture）

它就像：

• 在霧中行走，靠回聲定位；

• 在黑箱前試按按鈕，根據燈光變化理解機制；

• 或者像盲人摸象，每一次觸摸都是一次推理。

這是不完美的，但確實是所有智能體正在使用的最現實方式。

今天我又配置了當前最新的stable 0.3 auto-gpt，還是測試同樣的任務，讓它整理《紅樓夢》中的小說人物關係圖譜。
首先，發現下載文件還是下載不了。跟0.2.2很像。
沒辦法，我手動下載了文件給它。
然後，發現它執行代碼一定要在docker運行。我查了代碼，修改成直接可以運行了。
又然後，我發現它一直想執行還沒保存的代碼文件，我通過對話提示它先寫好代碼文件再執行文件。以後每次要執行代碼我發現都要做這樣的提示。顯然裡面有個邏輯問題。也許是execute_python_file命令應該對應一個新的文件，而execute_code應該創建一個新的文件，接的參數是代碼內容，而不是文件名。操作的時候讓代理先保存代碼文件，然後執行。
又又然後，我發現在訪問代碼時，openai.error.APIConnectionError，不知道是不是網絡環境問題，遇到這個問題程序就中止了。我修改了代碼，讓它遇到問題後重試。
最後，還是發現了tokens遇長的問題，我不知道哪裡的代碼又不嚴謹。。。到這裡，愉快的一下午就快結束了。

看來這個任務還是很難完成。

目前看來，auto-gpt還十分不成熟，原因是，1裡面的代碼里的bugs非常多；2系統有幾個如google查詢，讀寫文件，執行代碼等功能模塊，但這幾個模塊的調動很不協調，操作很不連貫，它們的組合經常十分生疏，如同請一個有理論，但完全沒有實踐基礎的幾個技術人員一起完成一個大任務。

顯然，在人工智能發展的路上，這些問題都會被解決。但現在而言，從效率角度看，在實際工作中用auto-gpt還是比較早的。auto-gpt在設計的時候，是用來完成通用任務的。我感覺現在來說，還需要很多的調整和磨合。讓人工智能做不同的事，本身要學習經驗。而讓人工智能做重複的事，這可我感覺現階段應該使用prompt+特定的任務代碼+gpt的形式可能更實在一些。

中文LLaMA模型和指令精調的Alpaca大模型在text-generation-webui和llama.cpp上的部署
LLaMA是facebook的meta公司放出來的大語言模型，這個模型的中文能力非常差。Chinese-LLaMA-Alpaca在原版LLaMA的基礎上擴充了中文詞表並使用了中文數據進行二次預訓練，進一步提升了中文基礎語義理解能力。目前已開源的模型版本：7B（標準版、Plus版）、13B（標準版）。這些版本可以在16G，甚至可以在8G內存的個人電腦上部署。似乎不用顯卡。今天我在16G內存的個人筆記上部署了。這是記錄。

需要的東西

運行Home Assistant的設備（電腦、NAS、樹莓派等，我用的是樹莓派2代）
紅外接收器（我使用的是一個通用USB接收器，樹莓派用戶可以DIY一個）
小米（創米）萬能紅外線遙控器
小米AI音箱

給Home Assistant設備添加紅外遙控接收功能

將紅外接收器連接到home assistant設備上。確認紅外設備存在，如

pi@raspberrypi:~ $ ls /dev/lirc0
/dev/lirc0


安裝紅外線收發lirc程序：

pi@raspberrypi:~ $ sudo apt-get install lirc liblircclient-dev


測試紅外線接收功能正常：


sudo mode2 -d /dev/lirc0

運行上面命令後找一個紅外遙控器對着接收器按任意鍵，應該可以收到類似這樣的字符：

Using driver default on device /dev/lirc0
Trying device: /dev/lirc0
Using device: /dev/lirc0
Running as regular user pi
pulse 2750
space 750
pulse 550
...

好，現在Home Assistant設備可以接收到紅外遙控信息了。下一步，讓Home Assistant和紅外遙控器可以通信。

讓Home Assistant接收紅外遙控數據

隨便給lirc指定一個接收的遙控器數據表，這裡用的是xbox360的遙控器，你不需要有這個遙控器，因為後面可以用小米萬能遙控器把它模擬出來。
下載xbox360遙控器的數據表,把它設置到lirc:

pi@raspberrypi:~ $ wget http://lirc.sourceforge.net/remotes/microsoft/Xbox360
pi@raspberrypi:~ $ sudo mv Xbox360 /etc/lirc/lircd.conf


創建/etc/lirc/lircrc文件，內容：

begin
remote = Microsoft_Xbox360
button = KEY_STOP
prog = home-assistant
config = KEY_STOP
end
begin
remote = Microsoft_Xbox360
button = KEY_PAUSE
prog = home-assistant
config = KEY_PAUSE
end

這裡只以兩個按鍵為例子，參看上面/etc/lirc/lircd.conf的內容，你可以多添加幾個按鍵。

重啟lirc

pi@raspberrypi:~ $ sudo systemctl restart lircd.service


現在在米家app給小米萬能遙控器添加Xbox360遙控器（使用搜索功能添加，裡面有兩個，我添加的是“微軟DVD播放器”那個），現在測試

pi@raspberrypi:~ $ ircat home-assistant


按遙控器上的停止按鍵，應該會收到相應的代碼。


現在米家app可以給home assistant設備發信息了，下一步要做的是根據這個信息，觸發不同的動作。

Home assistant根據遙控器指令觸發動作

編輯 HomeAssistant 的configuration.yaml文件，加入lirc組件，

lirc:

配置home assistant的自動化指令：

automation:
- alias: 打開燈
trigger:
platform: event
event_type: ir_command_received
event_data:
button_name: KEY_PAUSE
action:
service: homeassistant.turn_on
entity_id: group.a_lights

上面的KEY_PAUSE就是剛剛配置的遙控器按鍵。action可以換成你想要的效果，我是幫來它來啟動我的電腦了。重啟homeassistant,讓配置生效，現在對着樹莓派按暫停播放鍵，就Homeassistant就會觸發相應的動作了。

讓小米AI音箱控制萬能遙控器

先打開米家app，在底部點選“智能”，在“我在”tab中點右上角的“+”號創建新智能條目，在選擇條件界面選擇“手動執行”，選擇“小米萬能遙控器”-〈遙控模式〉-〈微軟DVD播放器〉-〈暫停/播放〉-〈右上角“確定”〉設置你想要的名稱，比如“啟動電腦”
好了。打開小米AI app，在底部點選“技能中心”-〈小愛訓練計劃〉-〈創建訓練〉-〈為問題命名，比如“啟動電腦”〉-〈設備控制〉-〈選擇剛創建的“啟動電腦”〉-〈打開〉，預覽後保存。
（相關的圖文教程點這裡）

好了。現在對着小米同學說“啟動電腦”，小米音箱會指示小米萬能遙控器發送一個KEY_PAUSE按鍵，這時home assisant收到後，就會觸發啟動電腦的動作了。

參看：Creating a Raspberry Pi Universal Remote With LIRC
另一種通過第三方平台橋接小愛同學和home assistant的方法： https://bbs.hassbian.com/thread-2404-1-1.html