我们对大模型的使用是不是其实是在给大模型训练数据投毒？

怎么会 如果这个逻辑的话 模型就有损耗概念 那岂不是越用余越降智

肯定又筛选手段 以及合理的蒸馏

那也就不会有更强的模型出现

AI产生的数据反过来成为AI的饲料，取决于这个过程中AI大模型会不会去甄别这些数据

模型训练完了，参数矩阵就固定了，也就是它的神经网络已经形成了，也就是它的“智慧”已经固定了。你使用它的时候，好不好用主要取决于温度之类的外参设置（影响回答文字的随机性、幻觉等效果）以及算力大小（影响回答速度），你的输入并不会给这个模型本身带来任何的影响。

现阶段据我了解还没有低成本的基于已经训练好的模型再持续迭代训练的方法，最多就是有一些微调技术，而且效果还很不稳定。所以每一代模型其实都是从头开始训练出来的。

假说逻辑闭环不意味着假说正确。

一个经典的例子就是有人调查发现冰淇淋销售额上涨的时候儿童溺水事件也会上涨，于是他得到了结论——应该阻止冰淇淋售卖，这样就不会有儿童溺水了。

实际的逻辑大家都能明白——天气炎热，所以冰淇凌卖的多，儿童玩水也多。这两个数据只是相关性，而非因果。

同理，用大模型的人越多，大模型越智障，这两者有可能只是关联，而非因果。

用的人多了，白嫖党多了，公司支出增加比收入多，那自然要砍服务质量，体现的结果是降智。

我所说的投毒，分成两种：

1. 直接让它变笨；

2. 通过长时间的沟通会话上下文，把它的思维逻辑强行拉低到跟我对齐，就像我跟一个院士一起生活学习交流，然后他开始学着我的思维逻辑去思考问题，这也是一种降智

可能是用的人越来越多，为了维持运行偷偷量化模型

人家也不是傻瓜，会清洗数据的撒。初上线的时候，要吸引眼球，所以模型得够好，慢慢的人多了，算力不够了，就换成量化版本，反正口碑已经有了，一般人也体会不出来。直到下一个版本更新，就继续重复。这就是事实了

你是不是把推理跟训练混在一起了？

纯粹是算力服务器扛不住了在后台偷偷减算力

并不会，那样产生的幻觉就太多了，肯定是筛选过的，至于降智更多是算力不够了，或者在训练下一代模型需要腾出算力