LLM大模型将科研者卷入了同一个赛道？

        大模型，以LLM为代表，正如当年的机器学习（ML）一样，正席卷着信息类科研者的探索空间和赛道。

        这也许因于计算机对信息处理方式和工具的改变：传统的统计方法，正在借助机器学习，尤其深度神经网络（deep learning）对于海量信息的吞噬和压缩力量，似乎transformer并统一了一切。

        这种data-driven结合工程工具的方式，试图通过对已有的数据，利用海量深层多连接的并行网络，对知识进行抽取--抽象、压缩凝炼映射到一个低维度的狭小空间（知识蒸馏）--也可以说是对物理世界和知识表征的世界（如互联网上文本、语言、图片、视频等）压缩到虚拟数字可操作空间。然后，通过复杂网络所获取的所谓Scaling Law，利用抽取或者蒸馏到的海量压缩的机器知识参数，对使用输入请求进行泛化或者说生成，从而得到我们想获得的机器脑力。

       当然，进一步的发展，LLM-based Agentic systems 还包括记忆、搜索、计划、思考、优化等更加复杂的功能扩展，从而得到更加复杂的，可以替代人的脑力，或者说是计算机脑力、虚拟数字脑力，甚至数字人。计算机脑力或者机器脑力的一个好处是，一旦制造成功，可以极低成本复制，从而创造海量数字脑力工作者。

      正是这种通过计算机对信息的加工、压缩、使用（生成generative）的新方式，从某种意义上，暂时统一了对信息处理和探索的方式，于是图像、文本、语言、翻译、动画、作文、甚至数学、科学、动物语言理解、人形机器人、无人驾驶、自动生产、大脑模拟、社会模拟、地球模拟，大有横扫一切、一统天下的架势。