人脑几 k 上下文能对抗 300k 的 agent？

与其泛泛地说你的感觉, 不如列出具体问题, 大家也能帮你分析.

人脑有一套成熟的渐进式加载机制，擅长聚焦

不存在无法 review,只不过越来越懒得 review

人脑很厉害的，远非大模型能比的。

人脑是 rag 机制，还有感觉这种玄学

十多年前的时候少说 10m ，领导一周前开会说了啥都能记住，笔记软件啥的不存在的
现在 128k 都没有，同事上午说的事情下午就忘，只能随时开个 txt 往后 append

人脑的上下文缓存很小，但是模型规模很大。而且模型还能自训练。
所以人做事很多时候靠的是模型规模带来的直觉。很少用上下文长度来暴力穷举。

之所以累，就是因为你用 AI 擅长的方式来和 AI 协作。导致你需要同时处理太多上下文。
我理解，要么你就利用你的模型规模，给 AI 明确的技术方向，只让他负责执行，不负责判断。这样减少“你去判断 AI 的判断”这个步骤。

要么就直接撒手，不管任何决策细节，只管效果。

又身居高位又微操，是最忌讳的管理学形态。凯申同志已经无数次证明给我们看了。

人脑上下文几 K?光现实世界的超级高清图像,声音,嗅觉,温度感知等都不止几 K..

梁子说，人类比 AI 聪明是因为人类有几十年的上下文

虽然人不可能每一行代码都记得，但是人会抽象，代码只是抽象逻辑的表达。根本不是一码事。

300k 很多吗，我有时候光分析问题，追问好几轮，还没开始改代码就已经 200k 了，正常情况下这种问题还不是要靠人脑老老实实看的，虽不能说毫无压力，但是也属于正常范围

就是这样，现在最大卡点就是 review 大模型一坨坨的 md 文档，现在只能抓重点稍微看下

@chendy 上下文管理机制退化了

人脑上下文也不小了, 一个高三学生需要记忆语数外物化生,每科 6 本教材, 每本 20 万字. 36*200k=7.2M 这都还远达不到上限

本质上跟看一个大型项目差不多, 拆模块仔细看. 让 ai 生成流程图详细解释. 还有个问题是 ai 造各种奇葩个句子影响理解, 我平常是 claude 写的难看就让 gpt 读完讲一遍会好一点.

人脑只能把握个总体走向，细节就由 AI 自己发挥吧。人脑啥事都管就第一个炸

同耗能相比，人脑子能比 ai 狗脑子都打出来。

人短期记忆不行不代表上下文不多啊。人脑短期记忆不行是 feature ，真要算上下文是很夸张的。例如人类的眼睛分辨率就非常非常高，如果按照这个计算，上下文怕是要用 PB 来衡量了，考虑到人类当中还有些人有超忆症。

人脑是超级思考模式，就是有点慢，容易 timeout

人脑很明显是有好几层不同上下文的。

比如你要干一个活，脑子里是装着好多可调用工具的（但这些并不会在你第一层的注意力里）。但这些工具必须完整告诉 AI 才行的。

1.成果好坏解释权归人类所有
2.因为人脑的判断优先级更高，所以上下文压缩知道哪些是垃圾可以遗忘，哪些是重点建立索引
3.人脑因为上下文短缺严重，注重发展了卓越的注意力机制
4.数字化的资产里的细节可以被遗忘，但绝对不会丢失。人脑基于卓越的注意力机制，实现了卓越的 RAG

人类为了将复杂问题装入生物计算有限的上下文中,在多个计算单元间做同步，发明了很多方法：抽象建模,领域术语和具有固定格式的文档。

@0d 总信记忆息量很大，思考具体问题的时候激活的信息不多。

或许是因为人脑永远都在进行训练，学过的东西直接内化，不占用运行时的上下文

人脑只抓关键点，需要细节，才会去把细节放大成下一个关键点

居然拿一个死板的概率拟合表达式去对比一个基于复杂生化反应甚至量子效应的计算装置吗

人脑是分层存储，online nearline offline ，还有 external

多细胞动物的神经系统的演化保底 6 亿年，
AI 才发展几十年，
怎么碰瓷演化了 6 亿年的神经系统。

@ATKLLL ai 写了一小时代码，4w 行，真的没法 review ，产出速度溢出了，认真 review 得猴年马月🐶