“何教授，非常感謝您如此深刻的提問，這確實是我的工作中最需要謹慎對待的部分。
您提到的‘無限遞歸’風險，在任何自指系統中都是理論上存在的。
為了規避這一點并確保系統的收斂與可靠，我們引入了一個基于博弈論和不動點理論的混合數學框架?！?br>
這就是為什么周昀在一開始要學習數學的原因了，一個良好的數學功底，真的能在很多時候幫忙解決一些關鍵性的問題。
周昀看了眼時間，應該夠了。
他用電腦創建了一個白板，然后開始用鼠標作畫，雖然有點抽象，但是配合他的講解，也算能勉強看的懂。
“首先，我們將‘被壓縮的AI模型’與‘負責調教的AI元模型’之間的關系，形式化為一個非零和合作博弈。
‘被壓縮的AI模型’選擇一組模型參數θ目標是在給定的壓縮約束下最小化任務損失函數L_task(θ)，
而‘負責調教的AI元模型’選擇一種壓縮策略φ，目標是最小化一個元損失函數L_meta(φ，θ)，
這樣就能得到一個組合的懲罰項，也就是一般模型里的損失函數L_meta(φ，θ)=L_task(θ'')+λ*R(φ)，
我們并不追求一個無限遞歸的最優，而是試圖找到一個平衡，這正是一個納什均衡點的概念。
內容未完，下一頁繼續閱讀