在人工智能的冬天之后，随着AlphaGo 战胜人类，神经网络经历了飞速的崛起，在人类的意识里成为了人工智能新的代名词。后来随着深度学习在图片识别领域战胜人类，再一次奠定了神经网络、机器学习、大模型在社会科研领域不可动摇的地位。可是，这背后的根因到底是什么，机器到底是如何打败人类的，公众其实并不知晓，本文就从深扒这些热点事件背后的真相开始。
AlphaGo打败人类的原因
围棋是完全信息博弈。
完全信息博弈，都是可以被破解的。
AlphaGo之所以成功，是因为采用了正确的知识表达方法。
AlphaGo 不是一门技术，而是积累了50年的一系列技术的结合:
---MiniMax博弈
---Stochastic search
---Learning from self play
---Evaluation functions
---Reinforcement learning
---Two neural networks
大数据、神经网络之类的技术，甚至都不能称得上是统计学，它充其量只不过是算力+数据......人工智能真正的核心技术，是知识表达。
首先，围棋是一种完全信息博弈（sequential-move game of perfect information）。什么是完全信息博弈呢？
完全信息博弈是一种一定可以被破解的博弈，它具有以下特征：
-
规则明确（而不是连规则都不知道或者朝令夕改）
-
局面有限（棋盘不是无限大）
-
信息完全（一览无余，没有底牌、战争迷雾之类）
-
确定性（不像大富翁游戏那样需要掷骰子）
-
两方（不像麻将或四国大战那样是多方）
-
对抗性游戏（一方所得必然是另一方所失，没有合作共赢）。
常见的棋类游戏，如围棋、中国象棋、国际象棋、五子棋、跳棋，都是这样的完全信息博弈。
完全信息博弈是最简单的一类博弈，也是最适合电脑处理的。随便更改任意一个条件，都会使问题变得更难，而不适用电脑求解，人类可以轻松胜过电脑。（这也许是为什么深度学习的算力发展到如今，在和围棋非常相像的象棋上却依然没有打败过人类。）
根据策梅洛定理(Zermelo's Theorem)，见下图，完全信息博弈是一定可以被破解的，也就是说，在算力的发展下，电脑玩完全信息博弈是一定会胜过人类的，AlphaGo战胜柯洁，没有任何值得惊奇的地方，更不值得被新闻报道，这是已经被数学方法证明过的定理。
策梅洛定律证明了解的存在，但是并没有直接给出解。其实，在AlphaGo之前，就已经有很多围棋游戏了，它们用的其实都是同一个算法----逆向博弈树搜索，见下图。也就是说，根据围棋的结局把所有的棋局分成三类：黑子赢、白子赢、和棋。然后根据时间的顺序逆向倒推遍历，直至最初的棋局，也就是那个空空荡荡的棋盘，一个子也没有，然后将遍历到的所有棋局分类，可以归为以上三类。如果一个棋局落子之后，其后的所有棋局可能中，黑子赢的概率更大，则将该棋局归类为"黑子赢"，反之则归类为"白子赢"。极端情况下，如果一个棋局无论以后怎么走，都必然走到黑子赢的结局，则称该棋局为黑子的必胜局，反之亦然。所以电脑求解围棋，本质上就是根据现场的棋局，遍历未来所有可能的棋局，构建一棵围棋的博弈树，然后选择自己胜算最大的落子策略。倘若这样一颗博弈树构建完毕，那么这个游戏就被破解了，也就是说，这个游戏已经被找到了一方必不败的策略，在双方都不犯错的前提下，这个游戏只有一种结局，那就是和局。换句话说，这个游戏其实已经死了。对于高手来说，不用下，就已经知道结局。
早在2007年，跳棋就已经被破解了，现在如果电脑没有放水（也就是没有人为将游戏难度设置为简单），任何人和电脑玩跳棋，都不可能赢，最好的结局也只是和局。
为什么跳棋已经被破解了，但是围棋还没有呢？
那是因为计算机领域的终极问题------组合爆炸，因为围棋棋盘和跳棋相比更大，棋局更复杂，棋局的不确定性也就更多......围棋的局面数目（也就是博弈树的节点数）高达10170个，远高于国际象棋的1046，而宇宙中质子的数目，也不过才10^80个......也就是说，就算从宇宙大爆炸开始算起，动用整个宇宙所有的能量算到现在，也是不可能算出来的。计算机科学家只能通过近似的方法，暨蒙特卡洛树搜索法来得到近似解。不只是围棋，其他的完全信息博弈，如象棋等也至今没有破解。
随着算力的不断发展，围棋的破解迟早会发生，只是具体是什么时候发生，还是未知的。所以，机器在围棋上打败人类，没有什么好惊奇，也没有任何值得报道的，因为这是已经被数学严格证明过的定理。
既然所有的电脑围棋游戏都是用同样的逆向蒙特卡洛博弈树搜索算法，那为什么偏偏 AlphaGo 取得了成功呢？
答案就是：AlphaGo 选择了矩阵来表达围棋的棋局。在它之前的围棋游戏使用的表达方法只能表达一个棋局的局部，计算起来非常繁琐。而围棋的棋局，方方正正，棋子非黑即白，非常适合使用二元矩阵来表述。当AlphaGo 使用了矩阵表达围棋的棋局之后，逆向蒙特卡洛树搜索的效率突飞猛进，一举超过了同类的围棋类游戏。
而在舆论的误导和操纵下，人们都以为深度学习是AI的万能药，可以解决所有问题......从此以后，全世界的科研人员（在资本掌控者舆论的操纵下），都不再认真思考领域的哲学本质、雕琢正确的知识表达，而是将所有资源投入到搜罗数据、训练模型上，苦苦哀求天上掉下免费的午餐。
AlphaGo 的致胜秘诀是它为围棋的棋局选择了正确的知识表达方法，而不是因为深度学习。深度学习只不过是恰巧是使用矩阵来表达数据的模式识别算法而已。
多位人工智能先驱无数次说过：人类解决问题能力的核心，也就是人工智能的核心，是知识表达的能力。
根据AI之父 Patrick Henry Winston在《Artificial Intelligence》一书中所说，见下图：
"倘若你能为一个问题找到正确的知识表达，这个问题你基本上就已经解决了。"
"一个程序解决某个问题的效率，取决于它所使用的知识表达的效率。"
通用人工智能（大模型）核心创造者Douglas Lenat在《Building Large Knowledge-Based Systems：Representation and Inference in the Cyc Project》一书中所说:
"知识工程师，是不可学而至的。
"知识工程师这个名字给工业界造成了一种错觉，觉得这就是工程师的一种，跟软件工程师差不多，只要用培养软件工程师的传统方法，上一些培训班，读几本书，就可以成为知识工程师...
"'知识工程师'正确的名字，应该是'知识艺术家'...
"对这个世界或者某个单独的领域来说，一个好的知识表达，是一件艺术品。
"知识工程是一门需要天赋的艺术（Patrick Winston 也说过，见下图）。
"如果是叫'知识艺术家'的话，那些工业界的企业家应该就不会有这么盲目的自信，以为用培训软件工程师的方法可以培训出知识工程师。"
真正决定问题解决效率的是知识表示，如若不然，AlphaGo 成功这么多年了，在同样拥有方方正正棋盘、而且棋盘更小的象棋游戏，AI为什么至今仍然没有战胜人类？
一个行业的真正的顶级专家，可以用一句话把行业的精髓给大众说清楚。
而一个行业的初学者，可能花费很多口舌，也无法给大众讲清楚这个行业的精髓。
专家的语言之所以能量如此之大，是因为他的表达蕴含着他多年积累的经验和智慧的结晶。
为什么表达对人工智能（乃至整个计算机科学）如此重要？
我们人类在这个世界中生活，但却并不是依据客观现实世界来指导自己的意识语言身行的，而是依据在客观真实世界中的体验而生成的描述这个世界的表达，确切来说，是潜意识的深层表达，又称为深层模型。当我们与外界交流时，无论是说话还是写作，都是根据自己潜意识里的深层模型，从我们记忆中的词汇库、句法库、修辞手法中选择某些词汇、句法、修辞...然后形成我们的语言，这也就是我们的浅层模型。简单来说，人类的表达系统分为深层模型和浅层模型，分别对应潜意识和明意识里的世界观、价值观和人生观。人类依据在客观真实世界中的体验生成深层模型，再依据深层模型生成浅层模型。但真实世界的信息量是无穷的（如果不相信的话，请试图描述一颗砂子的全部信息，或者向一个从未吃过蜂蜜的人描述蜂蜜......），而无论是人类的潜意识还是人类的语言，信息处理能力都是有限的，因此无论是从客观真实世界的体验生成深层模型，还是从深层模型生成浅层模型，都无可避免的存在偏差。人工智能的创始人将这种偏差分为三类：扭曲、泛化、和缺失。人类几乎所有的创造都源自于自己的认知与客观真实世界之间存在偏差（如果没有扭曲，梵高将永远不可能创作出《星空》、李白永远不可能写出"床前明月光，疑似地上霜"和"疑似银河落九天"......如果没有泛化，牛顿将永远不可能从生活中观察到的现象总结出牛顿三大定律......如果没有缺失，人类大脑早就崩溃了，因为人类大脑的内存只有3T......）
同时人类几乎所有的痛苦也都源自于自己的认知与客观真实世界之间存在偏差。人类在绝大多数痛苦的时候，多半是由于过去或者未来、或者幻想中会出现的威胁和困难，他们现在、此刻、当下的客观现实时空其实是没有任何危险的。比如，为了保护自己，人类的大脑在漫长的进化中习得了将注意力都聚焦在可能有危险的事物上，而忽略环境中的安全因素，因为大脑的信息处理能力有限，如果忽略安全因素多半不会有什么问题，但是如果对危险视而不见则可能后果很严重......这种扭曲导致了人类的潜意识习惯性的将客观真实世界中的负面因素无限放大，而将真实世界中的安全、美好、丰盛、和善意抛之脑后。而意识决定行动，行动改造了世界，进而又产生新的意识，久而久之，这个世界真的变的越来越充满危险、恐惧、匮乏......
这里提到的深层模型、浅层模型和大语言模型的底层技术有密切的关系，这一点将在本书第二部分详细阐述。
神经网络识别图片
继AlphaGo 之后，几年前美国一所著名高校成功用深度学习识别出了图片中的哈士奇和狼，准确率高达98%，而人类除非有专业知识，否则一般人都很难分辨出哈士奇和狼的。在当时又一次引起了主流媒体的争相报导"继AlphaGo之后，人工智能又一次打败了人类！"
众所周知，神经网络模型是一个黑盒，它们无法解释自己所做出来的决定。为此，人们研究了可解释人工智能技术，希望可以探究机器学习模型的底层，看看机器到底学习到了怎样的规则，它为什么做出这样的决策。
几年以后，可解释人工智能方法研究出来了，人们想知道机器到底学到了什么规则，于是把深度学习模型拿过来用可解释方法解释了一下，结果发现模型根本没有去学习狼和哈士奇的区别，而只是学会了去识别雪，如下图所示，也就是说，在看过了几百万张图片后，机器学习到的规则是："只要照片里有雪，就是狼，否则的话，就是哈士奇。"大概因为训练图片里，狼大多都在雪地里。
复杂的公式和精准的数字给人们带来一种科学的权威感，在知道深度模型底层规则之前，人们会对深度模型庞杂的公式望而生畏，从而在媒体的误导下，轻易的相信深度学习模型真的是科学的、严谨的、战胜人类了。而人们一旦打开了深度学习的模型，看清其学习的真实结果，就会发现机器所谓的智能，只是人类一厢情愿的幻觉。
没有测量，就没有科研。
"一个问题是科研问题的标志，就是它存在一个领域公认的、可量化的衡量指标。"
但是，迄今为止，机器学习所有的衡量指标，都是衡量某个数据集的，不存在一个脱离数据集，单纯描述模型本身的指标。一个准确率很高的数据集，无论用哪个模型，准确率都会很高。因为这个数据集里的数据，本来模式就很清晰。而一个准确率很差的数据集，无论设计多么精密多么庞大的模型，准确率都很差，因为它本身的数据就非常混乱，没有蕴含什么信息。数据挖掘就如同挖矿，倘若一块土地下根本就没有矿石，无论用多么昂贵的机器也不可能挖出来矿。
现在所谓的大数据和机器学习，根本就是伪科学。
数据本身，是没有智能的。
在媒体的吹捧下，科研人员抛弃自己内心的声音，跟随所谓的主流，将精力都投入到采集数据、训练数据，期望能从数据中学习到有用的信息，无异于乞求天上掉馅饼，这是最愚昧的迷信。
可解释人工智能
让我们再来看几个绝对精准的可解释人工智能的例子。现在绝大多数可解释机器学习方法，都是基于近似、拟合的思想，用能够做出相同决策的简单模型来大概的猜测出模型做出相应决策的原因。这种方法来解释图像识别是可以满足需求的，但是对于涉及到国计民生的安全领域，比如网络入侵检测、核电站管理、战斗机的自动飞行等领域，哪怕一个字节的解读偏差，都会导致语义完全不一样，需要绝对精准、绝对可信、语义无歧义的解释。所以必须使用形式化方法解释机器学习模型，得到绝对100%忠实于模型的解释。
下面介绍两个用形式化方法实现精准可解释机器学习的案例。学习神经网络的人往往接触到的第一个例子就是识别手写数字012345......下图是用神经网络模型识别手写数字"1"和"0"的解释结果。机器确实识别出了左边图片中的数字"1"和"0"，然后人们用形式化可解释方法解释神经网络后，得知模型之所以把第一行左边的图片识别为1，根因是第一行中间的这张图，即，只要一张图在中间那三块黑色的区域是黑色，在那两个白色的点处为白色，而其他灰色区域的点是什么值都无所谓，模型一定会把它识别为1。因此我们就知道，不管第一行最右边的图在我们人类看来是多么明显的一个"0"，但是不用测试就知道，机器一定会把它识别为"1"。
对于机器识别手写数字"0"的解释看上图的第二行，机器从左边的图中学习到的模式如第二行中间那张图所示，即，只要一张图在中间那张图中那三个白色的点处是白色，其他灰色区域是什么都无所谓，机器一定会把它识别为"0"。于是，我们不用测试就知道，第二行右边这张图不管在人类看来是多么明显的一个"1"，机器都一定会把它识别为"0"，因为它在那三个白色的点的位置是白色。
下面这个例子是精准可解释人工智能在网络入侵检测的应用。这里作者用机器学习模型识别网络流量，分辨是否是入侵，然后解释出机器学习到的规则。图2-7中给出5条网络流以及解释出来的根因，这个方法平均解释速率是0.0001秒/条。一个网络流经过形式化建模，被表达成一个很长的二进制字符串，但是真正决定它是否被判定为正常流量的只有标红的那几个字符，如图2-7中每一条例子的第三行所示，即，一个网络流只要在标红的字符处相符，其他未被标红的字符无论是什么值，机器都一定会把它识别为入侵，这也就是这个机器学习模型学习到的底层规则。比如，第一条例子告诉我们，这条网络流被识别为正常流量，是因为它以"001"开头，以"10"结尾，也就是说，任何一个以"001"开头，以"10"结尾的网络流都会被该模型识别为入侵流量，至于其他字符无论是什么，都不会改变模型对该流量的判断。
机器学习的本质
现在我们打开了这么多模型的黑盒，看到了它底层的规则，大家有什么感想呢？
笔者的第一感觉是：机器只对数字敏感，它不懂语义。或者说，机器能理解语义，只是人类一厢情愿的幻觉。
比如从上面这些解释可以看出，语义对它来说没有意义。无论模型多么复杂，它的本质都是一个数学公式。机器永远只关心特征值的大小，因为它只会机械的进行数学计算。任何一个符号之所以有语义，是因为读到它的人类有智能，能读懂。符号的意义，是人类赋予它的。
当然，我们可以通过构建知识图谱，把一个概念和它的属性和前因后果联结起来，让机器看起来好像能读懂语义，但是这也只是貌似，并不是真的。比如机器所理解的"美"只是与大峡谷、海滩日落、时尚杂志上美容美发相关联的一个词；机器理解的友谊，可能只是通过社交平台上的点赞、评论和收藏来衡量的。而这，根本不是真的。这个世界上真实的事物，都是无法用任何一种科学方法来衡量的。你能用游标卡尺去测量一朵玫瑰花的芬芳吗，你能用电子显微镜去观察一个失恋的人的悲伤吗？倘若这些最简单最基础的问题，用现代最顶尖最先进的科技都无法观测，你为什么还相信科学是无所不能的，任何问题用科学和技术都可以找得到解决方案呢？
笔者还有一个感想就是：模型的本质是用过去预测未来，它的使用是建立在一个基本假设前提下的------模式会重复，明天和过去一样，过去的模式在未来依然行得通......这就不得不提下一节将要介绍的休谟之问了。
休谟之问------悬在机器学习研究者头上的达摩克里斯之剑
十七世纪的英国爱丁堡的哲学家、经济学家休谟提出了一个问题，如今它已经成为机器学习研究者在使用机器学习之前必须考虑的一个问题：
"倘若你知道了过去发生的所有事情，你就可以确定未来了吗？"
用人工智能里的术语翻译过来就是，
"如果给了你历史上所有的数据，那么你就真的能预测未来吗？"
再换句话来说就是：
"你能保证未来永远不会发生过去从未发生过的异常突发状况，足以改变事物运转的规律（数据背后变动的模式）吗？"
这，就是休谟之问。它如今被称为悬在机器学习研究者头上的达摩克里斯之剑，因为只有这些问题的答案是肯定的时，机器学习的研究才有意义。只要这个问题的答案是否定的，那么无论研究出多么复杂的机器学习模型都是无异于掷骰子。
因为，如图2-8所示，这个世界上你所以能采集到的数据都是历史数据，你不可能穿越时空采集到未来的数据，无论模型对历史数据的模式匹配的多么精准，哪怕准确率达到100%，未来，依然有无数种可能。
现在的研究者每当模型出问题时，总是归因于数据量不够，人们总是相信大量的数据有利于模型做出更准确的预测。
大量数据的确会消除异常数据的影响，有了足够多的数据，某个群体的某个属性的整体平均值和浮动范围也许是可以预测的，但是这不代表每个个体的真实数据是可以预测的。如图2-8所示，具体到每一个个体的每一个当下，永远是有无限种可能，永远无法预测。尤其涉及到人类，因为人类的本质是自由的意识，历史是死的，未来是活的，未来是由人类跟随自己的心，用自己的想象力创造的，不管历史怎样，未来永远充满了无数种可能。无论有多少数据也改变不了所有模型都是错的这个事实，因为模型的本质是对历史的简化。
机器无法学习未来，它只能机械的学习过去。
模型不会创造，它只会机械的根据历史的模式，要么落井下石，要么锦上添花。
基于大模型的决策进行预测，就是在将历史投射到未来。
数学模型只适用于标准化的场景，比如标准零部件的生产、计算从1到10000000的阶乘、寻找质数等。
把人类当成机器学习的目标，在人类社会的各个领域使用大模型，必然会产生一个危险的后果：强化历史的模式，强制人类重蹈历史的覆辙。这是一把锁，将人类文明锁死在历史的模式里不断轮回，永远无法实现文明的跨越。
当模型以精准数字的形式出现时，很容易被当成是科学的、权威的。
当算法以匿名得分的形式出现时，很容易被当成是正当的、合理的。
随着大模型AI火速发展，在一些科技比较发达的国家，大模型已经被广泛应用到了人类生产生活的各个领域，下面让我们来具体看一下大模型在真实生活中的应用。
大模型在真实生活中的应用
空谈误国，实干兴邦。真正能应用在核心领域（军事、航空航天、核电站等）的技术，才是真正的核心技术。现在主流媒体所炒作的神经网络、深度学习、机器学习在实际中大多应用在深度伪造（deep fake）、社交机器人（social bots）、虚拟人等偏娱乐性质的领域，那在正式的生产生活场景中，应用效果又如何呢，让我们先来看几则新闻报道。
足球赛上的智能摄像机
2020年，苏格兰的一场足球赛使用了AI智能摄像机，它利用深度学习技术进行图像识别，可以自动识别并跟踪足球。但是那场球赛的裁判是个光头，结果整场球赛，该摄像机无数次将裁判的光头识别为足球、持续聚焦在裁判的光头上并一直跟踪他，甚至错过了进球的场面，引起球迷的强烈愤怒，如下图报道。
智能保释审批系统
2017年，美国科技巨头Facebook为某州法院研发了自动审核保释的深度学习模型 19，具体就是让犯人填写很长的表格，然后系统自动审核，如下图所示。投入使用后，该系统拒绝了大量犯人的保释，但是如果是由人类法官判决，这些人一般情况下是会得到保释的，该科技巨头因此被犯人家属告上法庭。但是开庭后，Facebook要求将案件审理过程转为保密，然后就没有后续报道了。
智能医疗就诊系统
2019年，被应用于美国数家大型医疗机构的AI自动医疗排序系统被报道存在种族歧视，数百万非裔美国人虽然病情更危重，但是该基于深度学习的大模型却将其排在病情更轻微的白人患者后面，而且没有给出任何解释，如下图所示。
2008年次贷危机
20世纪80年代，美国华尔街的投资银行家开始购买成千上万的房屋抵押贷款，这就是次级贷款，他们将其打包成一种债券，后来这些债券发展成了一种产业，成为资本市场的支柱。这些债券是不透明的，投资者唯一了解的就是它的风险评级。美国的信用评级机构，比如标准普尔、穆迪、惠誉等，研究过这种债券，并给出了AAA"值得信赖"的风险评级。
次级贷款本身是一种金融工具，并不是数学模型 20。但是当银行把它们包装成证券出售时，这种操作所依赖的风险评估模型就是一种数学模型了。风险评级在最初就被设计成一个密不透风、令人望而生畏的复杂系统，使人无法验证其公正与否，也无从审核。人们相信这些基金和评级机构里的顶尖数学家们会努力运算大模型，极其认真的平衡风险。但事实是，评级机构给出的评级其实并不诚实，由于评级机构依赖客户的资金，所以相比数学模型的准确和公正，评级机构更关注客户（银行）的满意度，它们会向待评级的金融产品所在的公司收取费用而给出虚高的评级。数学以造福广大消费者为假象，其实质是为了最大化卖家的短期利润。
关于数学模型还有一个错误的假设，那就是假设贷款的违约是相互独立的随机事件。根据统计学理论，大量独立的随机事件同时发生的概率极低，属于"不可能事件"。这在过去也许是事实，数学模型就假定未来将和过去一致。
当次级信贷被赋予AAA评级，换来了巨额收益，而高受益又造成人们对整个欺骗造假过程盲目信任，这就形成了一个恶性循环，不断循环，直至崩溃。
2008年，灾难终于波及资本市场的核心，人们看到了被数学模型伤害的人------失去家园、工作、和养老保险的美国人民。被精准的数字、复杂的公式、和风险评级遮掩的人类痛苦一览无遗。
但是2009年，人们清晰的看到，除了几条新规则以外，游戏一切如故。
所有的数据都是历史数据，无论多么复杂的统计学（数学）模型都只能学习历史。因为历史上没有发生过经济危机，数学模型就永远认为未来也不会有危险发生。因此不管实际上多么不靠谱的金融产品，数学模型永远都会给它赋予最高安全级别的评分。精准的数字和复杂的公式给它们披上了严谨和科学的外衣。精确到小数点后几位的评分，让人们对数学模型的判断产生了不切实际的信任和敬畏。
当模型以精准数字的形式出现时，很容易被当成是科学的、权威的。
当算法以匿名得分的形式出现时，很容易被当成是正当的、合理的。
数学能让谎言和骗局不断繁衍，但不能破译它。只有人，才能识破虚假的承诺和一厢情愿的幻想。可是，这是一个艰苦的过程，因为人类和机器不同，无法遵循摩尔定律，让自己的工作效率呈指数级增长。辟谣的成本是造谣的一万倍。一滴墨汁足以黑化一整杯清水，可是多少滴清水才能让这杯水重新回到清澈呢？
况且，对资本的既得利益者来说，精准的识破和筛选并不重要。
华尔街的文化是由华尔街的交易员定义的，交易员是用他们创造的利润除以他们打造的投资组合中的风险（又叫夏普比率）来考核的。夏普比率直接决定着交易员的年终奖金、职业生涯和名誉，因此，不难想见他们会如何拼尽全力的低估风险。
就像提醒人类灾难的乌鸦被视为带来不幸的祸灾星一样，提醒人们警惕投资风险的人被资本既得利益者视为"扫兴者"，甚至是对他们的威胁。
与学术领域的模型不同，金融领域的模型里的数字都是有现实意义的，它们是人们的退休基金或房屋抵押贷款。金融行业利用数学工具搜刮来的每一分钱，都是人们辛苦挣来的血汗钱，不是从天上掉下来的。而华尔街那些自命不凡的精英们，把这些钱称为"傻瓜资金"，他们不仅从民众的账户里窃取资金，还把他们当成傻瓜。这些聪明人相信自己总能在价格下跌之前卖掉这些债券，而提供"傻瓜资金"的傻瓜们手里持有高达数十亿的无法兑现的借据。
而比这更卑劣的是，现在金融行业开始使用大模型来更有效的窃取资金。他们用强大的模型处理大量数据，挖掘金融市场新出现的模式，从中赚取"先行者优势"。可是数学模型的本质是用过去预测未来，它的正确是建立在"未来会和过去一样"的基本假设之上的。一旦这个假设不成立，那么整个数学模型都无异于掷骰子，无论投入多少人力物力、开发多么复杂精妙的模型都是无用功。
金融产业和大数据产业有诸多相似之处，它们都把现实世界的复杂性抛到一边，试图用数据代替具体的人，以达到某些自私的目的。此外，它们都吸收了相同的一批人------毕业于美国常青藤名校的精英人才。环境会塑造人，这些人的环境形成了一个相互钦佩、逐步固化的群体，他们信奉财富证明一切，"无论采取什么手段，只要赚取了更多的钱就是好的。"他们还信奉达尔文主义 ，迫切的想说服别人，这个世界的法则就是丛林法则，优胜劣汰，适者生存，他们之所以得到这一切是因为他们比别人更优秀，他们比别人更值得，但其实在外人看来，他们只不过是钻了体系的漏洞罢了。
大模型预测犯罪
2013年，美国宾夕法尼亚州的一位警察局长引进了加州大数据公司 PredPol开发的犯罪预测软件。该软件根据地区的历史犯罪数据，按小时计算最可能发生犯罪的地点。类似的软件在全美警察局都得到了广泛应用，纽约市警局用的是CompStat，费城警局用的是HunchLab，英国肯特郡也于2013年引入了PredPol。
警方为了提高警察的效率，弥补警力不足，提前在这些地方部署警力，降低了当地的犯罪率。根据模型的指引，警察逮捕罪犯的效率是随机巡逻的10倍，预测精准度是警方情报分析的2倍。这从表面看起来确实是提高了警察的效率。但是因为人们总是相信，数据越多越好，因此轻微犯罪也被纳入模型，而且警方还选择让大模型只关注暴力犯罪，那么根据历史数据警方必然会将注意力聚焦在贫穷社区，这几乎必然的导致了成千上万的黑人和拉丁裔因为轻微的过失而被捕。每一次逮捕又创造了新的数据，新的数据反馈给模型，从而让模型更加笃定的相信自己的判断，从而更加坚定的将这类社区划分为犯罪高发地。
难道富人区的犯罪就真的更少吗？
如果警方让模型去关注金融诈骗类犯罪的话，它会发现犯罪的聚集地，在富人区。
因为这些富人区的金融精英们每天满口谎言，提供误导性的投资建议，欺诈、贿赂评级机构，用动辄数十亿美元对赌客户的投资，还把客户的钱称为"傻瓜资金"，嘲笑他们的愚蠢。
在信奉"权力操控一切，金钱操控权力"的资本世界，在资本和人情的保护下，金融家几乎无懈可击，他们被全方位保护着，几个世纪以来，无论做下了什么罪孽，几乎从来都毫发无损。
哪怕他们在21世纪初的5年里摧毁了全球经济，导致了上百万人失去了自己的家、工作和医疗保险。哪怕他们能仅仅为了提高某个货物的价格而发动战争，残害了数十万、数百万、乃至数千万人类的性命，他们，却从来都能全身而退，毫发无损。
正义的关键是平等。可是大模型的构建者，几乎从来没有把公平列在建模考虑的特征值里。况且，就算构建者有这个意愿，什么样的数学模型能描述正义和公平呢？
不公平的模型产生不公平的数据，不公平的数据反馈给模型，让模型变得更加不公。
所以，现实中大模型的使用其实是将贫穷和犯罪划上了等号。
大模型在惩罚穷人，而让富人更加富裕。
而全世界所有主流的媒体都仍在鼓吹大模型给人类带来了更多公平和科技。
全球大学排名模型
读者可能会觉得前面说到模型导致的弊端主要是因为模型是黑盒、不可解释，那是不是透明、可解释的大模型就没有问题了呢？
不是。
公众对大数据模型有一种错觉，那就是认为主流的大模型都是由顶级的数学家构建的，他们会进行精密、审慎的计算，确保模型的公平和准确。事实并非如此。
现在风靡全世界的大学排名模型，起初是由上世纪80年代一个濒临停刊的杂志《美国新闻》的几个编辑为了挽救期刊的发行量而想出来的 20。他们先是凭空臆想了几个可以评判大学水平的特征值，然后寻找可量化的变量来替代它们，比如教职工论文引用率、学生毕业率、应届生平均工资、校友捐款额、是否有大型体育中心等，最后随意地在公式中赋予每个变量一定的权重，这样，这个操控全世界大学排名的模型就完成了。后来虽然历经更新，但是现在全世界的大学排名仍然是依赖差不多的这几个特征值而建立的。
这个数学模型确实可以从某些方面说明一个大学的水平，但是，全然的依赖几个指标就可以衡量一个大学的价值吗？
你能找到一个特征值可以描述一个学生在大学四年里知识面得到的拓展吗？
你能找到一个数学模型可以描述一个学生在大学四年里解决问题的能力得到的提升吗？
你该如何测量一个学生在大学四年里感受到的幸福呢？
你该如何量化一个学生在大学四年里收获的友情和爱情......
更何况，每个学生都是独一无二的，你该如何量化衡量成千上万个学生呢？
真实世界的一切，都是不可测量的。所谓精准科学的数学模型，都是忽略了大量真相和细节的，对现实世界的近似和简化，换句话说，它们都是错的。
随着大学排名模型的风靡全球，几乎所有的校长开始为了得到更高的排名而拼命努力迎合数学模型的特征值，一夜之间，全世界的大学都开始拼命修建豪华的体育中心、合并医学院以变成综合性的大学、聘用论文高被引的学者做兼职、虚报学生就业率......而这些都并不能让学生掌握真正的技能。
整个社会无论是富人阶层还是工薪阶层，都被培训成去拼命的适应一台巨大的机器，一台被大规模强制投入使用的数学机器。当数学机器的结果以匿名的数据排名出现时，人们理所应当的就接受了，而且没有任何异议。
尽管这个模型是透明的，但是它依然是一个数学杀伤性武器。
在这场巨型数学机器主宰的严酷考验结束后，绝大多数人得到的只是负债累累。
建模的过程本质上是取决于建模者主观的意念，我们可以说：模型是一种被严谨的数学公式层层包裹着的主观观点。
即使是出于最高尚的目的，数学模型一旦被规模化的投入使用，就变成了一种信仰、一种标准，带有极其类似于法律的权威。所有人一生都将生活在其阴影之下。这是将极个别建模者的主观观点定义成标准，并强制全世界遵守，这，是一种霸权。
除了大学排名以外，学术界还有一个现象，全世界都开始用标准化的方法来做研究、写论文、写项目申请书，更重要的是，全世界都在用标准化的考核指标来评价科研的价值。
如果一个人用一年的时间写了五本书，另一个人用五年的时间写了一本书，第一个人创造的科研价值就是第二个人的25倍吗？请问你更愿意读哪个人的书呢？
如果一个人一年之内写了三篇文章，另一个人一年只写了一篇文章，第一个人创造的科研价值就是第二个人的三倍吗？
如果一个人花费30年闭关修行，终于解决了囚禁人类文明的核心问题，难道他前29年里所作的科研，都是没有价值的吗？
......
当全世界都在用标准化来衡量科研时，科研，就已经被锁死了。
人类的创造，是无法用标准化来衡量的。
真实世界的一切，都是无法用标准化来衡量的。
标准，适合衡量亘古不变的、也就是死的事物。风可以轻易带走一片落叶，但无法带走一只蝴蝶，生命的意义，在于不顺从，在于不可衡量，在于无法标准化。归根结底，生命的本质是爱，而爱的本质是自由。
人类的科研，尤其需要自由的创造，更不可能用标准化的方法来衡量。用标准化的方法衡量科研的价值，必将导致荒谬的结果。标准是扼杀科研最好的方法。
标准，也是隔绝幸福，阻止成功最有效的手段 18。因为标准，能最有效的阻止人与自己的心的链接。人只有在与自己的心紧密链接，得到自己的心的认可时，才能感受到真正的幸福，取得真正的成功。如果你找不到自己的心，不知道自己的心在哪里，不知道自己的心是否认同自己，所谓的成功和幸福，也不过是别人眼里的评价和定义。而你，只不过是一个傀儡，一个拼命获得他人的认同而疯狂讨好他人的傀儡。
因为，标准，其本质上是一个评价体系，它有以下特点：
一，在你未达到标准时，标准看上去是固定的，能够得到的。
二，在你达到标准时，标准会立刻提高或者改变。
三，即使你达到了最高标准，标准也立马会变成------永远保持这个标准。
四，你符合这个人的标准，往往就不符合那个人的标准；你符合这方面的标准，往往会不符合那方面的标准；你符合此时此刻的标准，不见得符合彼时彼刻的标准......所以从根本上来说，你，其实永远都无法达到标准。
五，即使你符合了所有人的标准，你得到的也不尽是赞美，更多的是嫉妒。
六，即使你拼尽全力达到了标准，你往往也会发现索然无味，发现这其实根本不是你的心之所向。但是奇怪的是，在达到标准之前，我们所有人却都坚信，只要达到标准，就能获得成功和幸福。
因此，只要有标准存在，一个人所能得到的就是，不停的被否定，被别人否定，被自己否定，直至一个最可怕的结果：
处处追求外在的标准，人类就会一点一点失掉自己的心，直至永远找不回来。
获得成功和幸福的唯一途径，是向内求，找到自己的心，让你得到你自己的心的高度认可。而标准，是来自外界的，在你心之外。指望标准的达成能给自己带来成功和幸福，就是在向外求，向外抓取，注定徒劳无功。众生有求皆苦。因为真正的力量，只在你自己的内心深处。
可是自我们生下来起，就被不断的告知：
"外在的标准第一。"
"别人怎么看你，才是最重要的。"
"人最重要的就是要符合外在的标准来生长。"
我们接受的教育也在不断反复的告诉我们：
"人必须达到社会的标准，否则就不能被称为人。"
"人这一辈子，最重要的是要符合外在的标准。"
"至于你的心到底怎么想，你真实的感受到底是怎样，无所谓，不重要。"
生活是由无数细节组成的。在这样无数标准的洗礼和打压下，你很快就训练有素了。你很快就娴熟的、专业的打压自己的心、蔑视自己的心、嘲讽自己最真实的感受。
你的心，别无选择，只能开始流浪、开始逃亡、开始自我毁灭，没有别的出路。
我们的教育，尤其是绝大部分家庭教育，终极目标是培养标准化的机器，而磨灭人的心。
在正在到来的人工智能时代，被标准化养大的孩子中，很多人会成为废物 18。
尤瓦尔·赫拉利在《时间简史》中也说过："随着人工智能的加速进化，未来99%的人类将变成无用之人。"
因为人工智能时代，是一个标准化的东西越来越不值钱的时代。
所谓标准化的东西，就是休谟之问中，未来和过去永远保持一致的东西，是机械的、固定的、死的事物，包括但不限于，标准化的教育（文凭教育）、标准化的考核指标、标准化的服务、标准化的思想、标准化的产品、以及标准本身。任何标准化的东西，大模型都可以快速识别出其模式，用机器庞大的算力碾压人力。
那如何在人工智能时代生存呢？
未来是非标准、非竞争的时代。
什么叫非标准？
就是没有成功的标准人格，什么样的人格都可以成功。
但是你需要淋漓尽致的展现你的人格魅力。
你无须跟别人比较、无须在意别人。你只需在意，你是否做好了你自己。
活出自己的极致的人格魅力，你才能成功。
活出自己的极致的人格魅力，你必将成功。
什么是非竞争？
你不必太在意世界上已有的产品和服务，你需要在意的是，你能不能创造出世界上所没有的产品和服务。
你不必太在意竞争对手的动作，你需要在意的是，你有没有建立起属于自己的生态圈，找到你的心，找到你的心中热爱。
未来是人格圆满的生命竞争获胜的时代。
怎样才能做到非标准、非竞争？怎样才能活出极致的人格魅力？怎样才能建立自己的生态圈？
你必须足够了解自己，足够热爱自己。
当今世界上，99.99%的生命都在倾听别人的声音，等待别人的挑选，都在时时刻刻拷问自己是否符合外界的标准。
一个热爱自己的人，就是那仅有的0.01%。
一个热爱自己的人，是把倾听自己的声音、发现自己的声音、遵从自己的声音，作为生命头等大事的人。
他以自己的标准，为全世界的标准；他生下来是为创造一个新世界；旧有的东西，对他而言不重要；对他而言，重要的只是，他相信自己的人格的丰富和独特，足以创造崭新的世界。
一个人热爱自己，必然热爱生活，热爱工作，热爱家庭，热爱社会，热爱大自然，热爱全人类，热爱全宇宙，热爱全世界所有的存在。
他的一生，一如常人，会遭遇很多的挫折和挑战。但是，因为有一份自己对自己的热爱，他也许会孤单，但从不迷茫。
面对人生的风风雨雨，他总有一种无法言说的从容和宁静。因为，他是点燃心灯的人。生命有这盏永恒的明灯陪伴，他的心是安宁的、幸福的、愉悦的。
他是他自己的守护神。
西方医学
也许很多人没有意识到，其实西医整个学科，也是建立在一个庞大的、由生化反应方程式、蛋白质、碱基对等知识建立的数学模型之上。这个模型，和其他所有的模型一样，也是错的。因为，和其他所有的模型一样，它的本质也是简化。
西医的诊疗过程，是采集各种精准的测量数据，将其作为特征值输入模型进行机械的分类，千人一方。它通过各项耗时而又昂贵的医学检测得出精准的输入特征值，然后依据模型里历史数据总结的经验给出分类结论和治疗方案。可是，如果两个病人所有的特征值都相同，比如年龄相同、症状相同、性别相同、血压、血糖、身体质量指标等各种指标都相同，病因就一定相同吗？比如同样是感冒，有的人可能是因为风热，有的是因为风寒，有的是心火过旺、还有的是因为先天不足......
西医的诊疗方案里，输液会给人体内直接注入了大量湿气和寒气，手术刀会切断多根经脉，疫苗更是给人（尤其是婴儿）体内注入大量垃圾DNA、福尔马林、甲醛等毒素（如图2-12），从而导致人体元气大伤，更容易生病（当然随后可能会被西医模型诊断成别的名字）。可是在精准的数字和严谨的化学方程式的"科学""权威"的光环下，人们也只会更加频繁的造访医院，主动给西医献祭上更多的医疗经费。
这也就是为什么，被西医治疗过的人体，再用中医的方法很难再有效果。
中医的精髓是辨证，也就是实事求是，中医知道每一个人类都是独一无二的，而且同一个人在不同的时间身体状态也是不同的，中医会通过望闻问切，实事求是的为每一个人的每一个当下给出治疗方案，千人千方。可是，西医学科用严谨的数学公式和精确的数据，长久以来在人们心中建立起了牢固不破的权威形象，让人们从不去质疑西医，反而去指责其他医学"不够科学"。
身体质量指标BMI和智商测试
现在风靡全球的所有体重、健康问题相关的模型，几乎都包括一项特征值------身体质量指标（BMI）。该指数建立在两个世纪前一位比利时数学家兰伯特·阿道夫·雅克·凯特莱提出的一个公式之上，此人对健康或人体学一无所知，他只是凭空臆造了一个简单的公式来评估大量人口的肥胖情况。他是以他自认为所谓"一般人"的指标为标准创造的这个公式。数学家、科学作家基思·德夫林写道"如果你把BMI指标用到每个人身上，这就跟说一个人有2.4个孩子一样荒谬。"德夫林还指出，由于BMI是通过一个数学公式得出的精准到小数点后几位的数字，给这个概念增添了科学的权威性。
在全世界盛行的人类智能水平指标------智商（IQ），还有全世界几乎所有公司招聘时都强制要求的心理测试、性格测试、人格测试等，也是顶着科学的权威性的光环但其实根本不科学的数学模型。它们只是以某个心理学家的主观观点作为标准，用几个测试记忆和逻辑问题得出的一个精准到小数点后几位的数字来衡量人的智能。精准的数字和严谨的公式再一次赋予它们科学的权威性。
人类作为自由的灵魂，每一个都是独一无二的，就好像钻石的不同切面，每个切面角度不同、形状不同、折射出来的光不同，但每个都是最美的。飞鸟和鱼，各有所长，如此简单、粗暴、而又机械的用几个公式将人类进行标准化衡量，还以此作为依据，将人类分为三六九等，区别对待，就相当于，不管是飞鸟还是鱼，都统一用奔跑速度来衡量它们的价值。这些指标的模型根本无法证明它们的评分和人的真实能力存在关联，但它们依然打着科学权威的幌子错误的评判人类，惩罚失败者。
当模型以精准数字的形式出现时，很容易被当成是科学的权威的。
当模型以匿名得分的形式出现时，很容易被当成是正当且合理的。
盲目的安全感导致了数学模型的广泛应用。
不要奢望换一个"更良性的模型"就可以让人类的生活变得美好。所有的模型都是错的，因为，自然的造物，尤其是人，不可以被标准化测量或定义。
社交机器人
如今，随着深度伪造技术的兴起和大模型接口的开放，任何人都可以利用这些大模型，批量的生产和扩散高度复杂的言论，高效地生成以假乱真的图片、音频和视频。这使得公众区分真实和虚假信息的难度越来越大。
社交机器人（social bots）是指在互联网，尤其是社交网络平台，为实现特定目的，自主运营、自动发布生成内容、并模仿人类活动的AI程序。它们不仅可以在5分钟内生成和发布一万条不同的原创信息，并同时进行大规模的转发与点赞，而且依靠大语言模型，它们还可以冒充人类和人类用户进行交流互动，真假难辨。近年来，社交机器人已逐步成为互联网舆论场的主角。据网络安全机构 Imperva 统计，仅在2022 年，整个互联网的流量中，社交机器人贡献了47.4%的数据，到了2025年，这个比例已经达到了70%，也就是说，虽然你可能没听说过"社交机器人"，但是此时此刻，网络平台上至少一半的账户都不是真正的人，也许给你点赞、回复你的留言、发弹幕、@你、跟你聊天的，根本不是人。
比如，华为meta60 刚刚上市的时候，恰逢刘德华参与主演的电影《93国际列车大劫案：莫斯科行动》上映，有网友在网上问"刘德华为什么不演反派？"结果令人震惊的是，下面有很多账户在疯狂的攻击华为meta60 手机。当时还适逢基辛格访华，有其他的贴子比如"基辛格来华为什么......"下面也有相当多账号攻击华为meta60。这些账号就是社交机器人，它们只会机械的模式识别，只要识别出任何带有"华为"的帖子，就会自动在下面冒充人类留言，这些账户不仅有自己的个性签名、用户资料、发布历史，还会回复人类的评论，甚至还会@余承东，真假难辨。从这个例子来看，机器之所以会犯像任何一个人类都不会犯的错误，是因为机器根本不理解语义，它们之所以好像能懂人话，只是人类知识工程师通过语义网为它制造出的一种幻觉。机器的本质就是三极晶体管组成的集成电路，只能机械的进行二进制运算。机器理解的"美"只是与大峡谷、海滩日落、时尚杂志上美容美发相关联的一个符号；机器理解的"友谊"也只是通过社交平台上的点赞、@、和转发来衡量和定义的符号而已。
现在的大部分社交机器人，生成的语言极其阴阳怪气、阴微鄙薄，甚至可以称得上恶毒，携带着巨大的负能量。
三人成虎，谎言说了三遍就会有人当真。更何况社交机器人能在5分钟内生成100000条内容（包括图片、短视频、文字。）辟谣的成本是造谣的一万倍。正能量是非常敏感的。一杯清水里滴入一滴墨汁，得需要多少杯清水才能恢复这杯水的纯净，更何况有如此强大的算力的加持。
将模型的错误和风险变成世界级毁灭性力量的，是规模化。
这样大规模生成的机器能量注入人类的互联网，相当于将大量墨水倒入清水之中，得需要多少努力才能恢复清水的澄澈纯净呢？
目前这类虚拟网民已渗透到各个领域，对人类的思想产生不可忽视的影响。它们传播虚假或片面信息干扰舆论，使得互联网充斥大量无关、虚假、低俗的信息，弱化社交媒体原本自身定位，污染、干扰网民的意识，拉低网民的心灵品质；有的甚至会利用个性化推荐和微目标锁定，针对特定用户量身定制负面或蛊惑的言论，实施精准的意识投毒、网络诈骗，毒害人类思想，让受害人遭受巨大精神创伤，甚至导致精神疾病，、严重影响生活和事业，深陷负能量的漩涡。思想上的伤，是最难以愈合的。
社交平台操控美国大选
2012年，脸书的研究小组做过一个试验，发现人们的情绪极易受到他人情绪的影响，信息的推送确实改变了用户的情绪。被推送了负面信息流的用户，自己也会紧接着发布更多负面的帖子。
试想，如果脸书在某个重要的日子操纵人们的情绪，会发生什么？
2013年伊利诺伊大学的凯瑞·卡拉哈里奥调查了脸书的算法，发现62%的人不知道公司会对推送进行暗箱操作，他们以为看到的新闻真的全部来源于朋友的分享。
脸书等社交平台对人们的影响不止于此。
Facebook脸书在2010年和2012年的美国总统大选上，做了一个试验"I Vote"，鼓励人们分享自己的投票经历。这激起了好友间的投票压力，人们不希望因为周围人都投票了，就自己没有投而被朋友、邻居说三道四。
这项试验最终促进了34万本来没有投票意图的人参加投票，足以改变选举的结果。这让我们看到了社交平台巨头所拥有的巨大的权力。
这种巨大的影响力来源于人们对搜索引擎的信任。根据皮尤研究中心的一份报告，约72%的美国人相信搜索给出的结果即精确又公正。
可是，它们的算法是商业机密，谁能知道它们到底做了什么呢？
我们不去怀着恶意去揣测它们，但是这些算法被滥用的可能性是巨大的。
有人可能会说，新闻媒体也有类似的影响力，主编可以决定如何描述一个故事，他们可以决定是站在巴勒斯坦人民这边，控诉被战争屠杀的数以万计的无辜婴儿，也可以特写一个被空袭丧生的以色列科研人员（尽管他可能在研究大规模杀伤性武器、或者足以毁灭人类的电脑病毒）。
现在的社交平台，我们根本看不到所谓的主编，只看到算法的推送。而且绝大多数的人都相信，算法是公立的中间人，我们看到的真的是算法机械的根据自己喜好和朋友分享而推送的内容。
脸书、谷歌等平台的算法巨大、强力、且不透明，其算法不为我们所见，我们只能看到研究者公布的结果。
现在，利用大数据，平台可以精准的锁定每一个微型市民群体。
微目标锁定使得我们更难以理解别人每天都看到什么内容，我们无法理解为什么他们那么狂热的相信自己所相信的事情是正确的，甚至最专业的记者都无法追踪到这些信息的来源。
人们一旦看到自己想看到的内容，很可能欣然接受，因为这样的信息与他们本来的观点相符，这种现象被心理学家称为"证实性偏见"。
这些技术将我们每个人都置于舒适区里不愿出来。不难想象，这种信息茧房和信息不对称会如何阻止人与人之间的链接，激化人与人之间的矛盾。
最优秀的猎人，往往都是以猎物的形式出现。人类在享受互联网带来的便利的同时也被互联网所塑造和操控。
用算法操控人类的情绪，难道不是对人权的极大的侵犯吗？那些被推送了恶意传讯的人们，那些莫名其妙被强制灌输负面信息而陷入抑郁、焦虑、甚至邪教的人们，该去找谁投诉呢？人心不可试炼，人性不可试验。不管动机是多么的崇高，人类的意识都不可以作为试验的对象，凡是科学研究，都必须要在各种极端情况下对试验对象进行测量，而将人心作为试验对象，是极其阴毒、罪恶的行径，其后果，是任何人都无法承担的。
而现在网络安全尚且得不到保障，比如，二十年前以色列和美国欧洲等联合开发的感染了全世界计算机的"震网病毒" ，至今仍然被最新的 Windows 系统识别为"安全软件"。现在在舆论的操纵下，大模型已经被全世界各大平台和操作系统争相部署，甚至以智能家居的名义，让人们在家里的言行也在大数据的监控之下。AI对人类意识的监控和操纵无处不在。
机器学习：科学 vs 伪科学
在真正的科学研究中，科学家需要错误反馈来做取证分析，查明系统哪儿出错了，哪些变量被误读了，什么数据被忽视了，而系统在此过程中得以学习并进化。
没有测量，就没有科研。
"一个问题是科研问题的标志，就是它存在一个领域公认的、可量化的衡量指标。"
但是，迄今为止，机器学习所有的衡量指标，都是衡量某个数据集的。不存在脱离数据集，单纯描述模型本身的指标。
可是，充斥人类社会的大模型的决策有经过审查吗？
模型的决策根因是透明的吗，是可信吗？
模型的决策，是公平的吗？
机器是不可能自动认识到自己犯了错的，但是，对于真正操控市场的站在金字塔尖的资本来说，「模型的错误决定」这一数据不在系统的收集范围之内，对他们而言，数学模型的危害只不过是附带性损失，是marginal loss。
为了利益而容忍一些错误，这在资本来说是司空见惯的。因此系统根本不知道自己做了多少错误的决定。
迄今为止，大模型的"科学性"只不过是一些未被证实的假设罢了。但这依靠伪科学而建立的权威，风行至今，甚嚣尘上。
当模型以精准数字的形式出现时，很容易被当成是科学的、权威的。
当算法以匿名得分的形式出现时，很容易被当成是正当的、合理的。
随着大模型AI火速发展，在一些科技比较发达的国家，大模型已经被广泛应用到了人类生产生活的各个领域，这些带有各种偏见和错知错见的数学模型正在从微观上控制了经济、舆论，其影响力覆盖了从互联网业到监狱运营、从公司人力资源到大学排名等。虽然在数据上看起来好像提高了某个相关部门的效率，但是从长远的效果来看，这些大模型的滥用正在产生毁灭性的后果，扼杀人类的未来、囚禁人类的创造、锁死人类文明的发展，让历史上富裕的人更加富裕，让历史上贫穷的人更加贫穷，加剧了种族歧视、拉大、激化了社会的不公平。
现在风靡全球的舆论都在宣传神经网络，很多人都以为人类的智能就是大脑实现的，认为只要不惜倾尽所有资源去研发神经网络，仿生出人类的大脑，就让机器拥有人类的智能了。可是，事实真的是这样的吗？
前面讲过神经网络的本质是模式识别，只能识别历史数据里的模式，而数据里没有任何智能。如果一定要用神经网络来模拟的话，真实的人类大脑的神经网络只有三层。试问三层的神经网络，无论每一层有多么复杂，如何能实现人类的智慧？
其次，人类身体中神经元分布最多的器官，其实根本不是大脑，而是肠道。肠道负责人类的情绪，这也是为什么人类的情感，与肠道等消化器官息息相关。现在你知道为什么每当大考来临之前，或者跟喜欢的人表白之前，总会紧张的想吐了吧，那是消化系统在替你表达。另外，情感细腻敏感的人，消化系统往往也不是太好，容易形体消瘦，而情感比较开朗的人，往往就心广体盘......
其次，构成人类的智能的其他方面，其实很多都与大脑没有太大的关系，比如，人类的记忆其实是存储于全身的每一个细胞里的；中医里说，"心主神，而藏于目"，也就是说，真正决定人类的智慧的东西（通常说的灵魂、精神），是存储于心脏，而眼睛，是心灵的窗户 。
所以，其实，大脑对真正的人类智能贡献甚少，它只是提供了部分记忆和逻辑推理的功能，而且很多时候其实是在帮倒忙 。那么，依据大脑的神经系统而仿生的神经网络，怎么可能实现人类的智能呢.....
科学权威性的真相
精准的数字和严谨的公式会给人一种科学的权威感。
被极其复杂的数学公式层层包裹的大模型更是如此。
可是，精准的、严谨的数学公式，就是科学的吗？
现在风靡全球的所有体重问题的核心特征值，都包括一项并不可信的数据------身体质量指标（BMI） 19。该指数建立在两个世纪前一位比利时数学家兰伯特·阿道夫·雅克·凯特莱提出的一个公式之上，而此人对健康或人体学一无所知。他只是凭空臆造了一个简单的公式来评估大量人口的肥胖情况。他是以他所谓"一般人"的指标为标准创造的这个公式。数学家、科学作家基思·德夫林写道："如果你把这个概念用到每个人身上，就和说一个人有2.4个孩子一样荒谬。"德夫林还指出，由于身体质量指标是通过一个数学公式得出一个精准的数字，给这个概念增添了科学的权威性。
类似的不可信的科学理论还有达尔文的进化论，因为达尔文的家族是名门望族，家族里优秀的同龄人很多，达尔文从小就养成了用虚构夸张的言论博取父母的关注和表扬的习惯。他年轻的时候有一次随船周游世界的途中，发现了几块化石，就随口胡诌了一套进化论向旁人炫耀，说人是从单细胞生物竞争进化而来的。但是船靠岸后，这套"优胜劣汰、物竞天择"的说辞被有心人利用，仅凭这几块化石就一举成为了学术界至今不可撼动的权威，不仅成为某些精英阶层既得利益者为了使别人相信自己之所以得到优势资源是因为自己优秀，自己比别人更值得的工具，还引领并制造了几个世纪以来整个人类社会各个年龄段激烈的竞争和内卷，给人们心中种下了恐慌、分离和对立，甚至引发了毫无意义的纷争和杀戮，制造了完全没有必要的痛苦和折磨。达尔文本人对此其实极为不安，他把一切记录在了《达尔文日记》里。
真正的大自然是慷慨的。春播一粒粟，秋收万颗子。现在这个世界的土地生产的粮食，足以养活所有人；这个世界所生产的衣服，早就足以让所有人不再受冻；这个世界的房屋，也足以让所有人都住的体面宽敞；这个世界所有公开的资料，足以让任何年龄层面的人获取任何自己需要的知识......人类社会的生产力已经到达了物质极大丰盛的阶段，每个人都不应该再需要靠厮杀和竞争才能获得自己生存必须的东西，人们应该自由的追逐自己内心的热爱。但是在达尔文主义的驱动下，现在占据资本金字塔尖的少数精英团体，依靠囤积居奇和对舆论的操控，制造出无止尽的恐慌和需求，引发无意义的内卷、竞争、甚至战争。现在在全球性规模的大模型的加持下，依靠根本不可信的科学标准，将人类贴上标签，区别对待，而人类，对此却一无所知。这种不公平在公平的外表下，打着科学权威的旗号，使社会变得更加不公平，让社会阶级之间的区别加速拉大，阶级之间的固化持续加剧。
关于大模型，人们有一个重大错误的假设，那就是假设每个大模型背后那些顶级数学家会努力运算大数据，极其认真的平衡风险。事实并不是这样。
即使是最严谨的数学家，其研究的数据也可能是制造了庞大骗局的人提供的。只有极少数的人有能力和必要的信息了解模型背后的算法是怎样的。而绝大多数业内人士都不愿开诚布公，告诉公众发生了什么。
况且数据误读贯穿了整个大模型的应用史。往往大模型的特征值是个非常精准的、但是其实什么都体现不了的数字。
比如，很多研究者都混淆了数据中的"相关性"和"因果" 19。
再比如，很多模型依赖"期望值"或者"期望值与实际值之间的误差"进行判断。但是期望值本身就是来源于数据的一个估计值，这相当于在猜测的基础上再猜测，其结果就是会诞生一个会产生很多随机结果的模型，统计学家称之为"噪声"。
还比如，很多研究者都坚信，拥有更多的数据会有利于模型做出更准确的预测。
大量的数据确实会消除异常数据的影响，但是改变不了"模型永远都是错误的"这个事实。
可是，当模型以匿名得分的形式出现在生活的方方面面时，这一切都很容易被当成是合情合理的。
凭借着没有实际意义的分数，大模型造成了广泛而恶劣的影响。
管理层可以据此裁员、削减开支、控制接单量，把责任推卸给一个精准的数字，而不管这个数字是否真的符合客观事实。
那些被投入使用的大模型（证券风险评级、大学排名、员工性格评测、智商测试......所有的标准化评测）从最初就被设计成一种密不透风、不透明、让人望而生畏的复杂系统。用户无从意识到使用这些系统的真实风险。
几乎所有大模型的设计目标就是利润，从对大模型底层算法一无所知的人群中赚取尽可能多的钱。
越来越多的雇主、平台已经过分沉溺于我们的各种数据。他们频繁的使用这些数据，去衡量我们是否是有潜力的员工；试图用数据勾勒出我们的思想和朋友圈；预测我们的生产力和喜好，然后编写出自己的大模型。
从业者只会用公式唬人，而不是用公式来澄清事实。
几千年来，统治世界的西方科学崇尚数学的精准和严谨。
"人性中有一些特质，是人之所以称之为人的关键所在，其中有两个是: 沟通和想象/幻想......想象（或者幻想）不仅仅是当我们在看戏剧、电影、电视时所置身于的那个取代现实生活的世界，还包括数学和科技所在的世界。数学和科技是仅仅存在于人类的想象中里的，也是人类通过控制自己的想象力而发展的。数学，只有在人类的想象中才是正确的。"
------ Alan Kay, "Predicting the Future"
科学研究是基于数学模型而进行试验、验证而发展的。数学和科技，只有在理想的世界里，才是正确的。换句话说，数学和科学是精准而严谨的，这只是人类幻想中的一种错觉。
精准和严谨给数学模型增添了科学的权威性。在对科学权威的崇拜下，人们普遍认为精准的数字和严谨的公式要比自然造物更加先进、更加优越、更加文明。现代科研的全部工作，都是在试图为万事万物建立数学模型，并在此基础上进行仿真、推理、决策，力图用科学改造、替代自然的一切造物，包括人类的肉体和意识。
就像前面讨论过的，你能找到一个数学模型可以描述一朵玫瑰花的芬芳吗？
你能找到一个数学模型可以描述一个失恋的人的悲伤吗？
你能用游标卡尺测量一朵牡丹花的雍容华贵吗？
你能用电子显微镜观测一个长期遭受精神虐待的人的恐惧吗？
对于这些人类生活中最简单最基本的事物，最复杂最严谨的数学模型和最顶尖最先进的科学仪器都像瞎子和聋子一样无计可施，你又凭什么相信，存在一个数学模型，可以描述人类的智慧呢？相信依靠数学模型建立起来的科学比自然造物更加优越、更加精准，从而力图用科学改造、替代自然的一切创造（包括人类的肉体和灵魂），这不仅不是科学，恰恰相反，是无比愚蠢的迷信。
曾经的金融行业和现在的大数据行业都非常相似，它们不仅吸纳同一批精英分子，还都抛弃真实客观世界的复杂性，用简单的变量代替真实的人，用简化的数学模型代替真实的客观世界，还将这些模型强行定义为标准，强迫全世界遵守，为了满足自己自私的目的。这好比将真实的灵魂用简单的像素格式化，如图2-15所示。而现在一些精英鼓吹的"脑机接口"、"意识上传电脑"，无异于将人类自由的灵魂格式化成二进制字符串，这更是对真实自由的意识最恶毒的谋杀。
数学家憎恨 impredicativity，在这个单词中predicate 是谓词逻辑、一阶逻辑的意思，也是人工智能的基础，前面的im-前缀表示否定，也就是"不可以用一阶逻辑描述的事物"，或者说是"无法用数学逻辑来推理、证明、定义的事物"、"无法用数学方法（模型）定义的事物"，换句话来说就是，它只能用自己来定义自己，无法由外界来定义。数学家们憎恨 impredicativity (不可预测的、自指、自引用、自证、非直谓的)，给它取名为因果闭环、疯狂系统、无法摆脱的恶魔......可惜，真实世界的一切，都是不可预测的，有关人的一切，都是impredicative 的，因为人的本质是自由的意识，而自由意识的一切，都是impredicative的。
自然世界的一切，都是 impredicative 的。比如，"梅花香自苦寒来"一直被用来鼓励人们吃苦，隐忍，但其实这逻辑根本不通，梅花香是因为它是梅花，而不是因为苦寒，换一种花，无论再怎么经历苦寒，它也永远香不了。丑小鸭之所以能变成白天鹅是因为它爸妈都是白天鹅，是因为它本来就是白天鹅，而不是因为它吃了多少苦，受了多少难。每个人都生而圆满，无需试炼。任何打着这样明显的谬论，诱导人们去主动承受磨难、安于苦难、甚至感恩苦难，一定内心非蠢即坏。
数学家对impredicativity的憎恨恰恰正说明了数学的局限，因为数学和科技是人们用想象力创造和发展的，它只有在人们幻想中的理想世界里才是正确的。无论是什么样的人，理想中的世界永远比现实世界更简单、更可控。现实世界永远找不到一个真正的圆，也不存在一条数学中定义的直线，现实中也找不到任何一个事件完全是遵循正态分布的。真实世界中，永远有例外发生，永远不可预测，永远无法完整描述。
"数学和科技是严谨、精准的"，只不过是人类一厢情愿的幻觉。
虚伪和虚假，是一切罪恶的源头。失去拥有远见卓识的高深智慧的人类的监管和控制，AI和科技必定会给现实世界带来毁灭，而且是强大的毁灭。
最丑陋的真相，也比最精致的谎言要美。
所有的数据都是历史数据，因为你不可能穿越时空采集到未来的数据。
而且数学模型的设计者很容易混淆数据里的因果关系和相关性。这样数学模型就会有大量的数据支持自己的分析结果，不仅用庞杂的数学公式唬住公众，还给自己赢得了科学公正的好名声。
数学模型有强大的预测的能力，但是它只适用于拥有标准的、机械的、固定的模式的场景。什么是标准模式的场景呢？比如从1加到10000000，这个问题无论过去、现在、还是未来，底层模式永远不变；再比如，寻找质数，这个问题的底层模式无论在哪个当下都永远不变；还比如，寻找所有能同时被1、3、5除尽的数。这些问题对于休谟之问的答案是肯定的，数学在这些问题领域里会非常有用，机器强大的算力可以轻松战胜人力（人类其实也对这类问题并不太感兴趣，人类对于需要灵感的、创造性的、也就是非标准的问题会更加感兴趣也更加擅长。）但是在数学以外的领域，休谟之问的答案就几乎都是否定的。
真实世界中的所有事物，都不可测量。
哪怕最微小的一粒砂，也没法为它建立"正确"的数学模型。描述一粒砂子的模型可能包含质量、颜色、位置、速度......等属性，在大多数模型的应用场景里，这些也就够了。但是这是这粒砂子的全部吗？它还有无数个二氧化硅分子、杂质、乃至每个原子、质子、电子、夸克结构......（没有一个物理学家敢说这就是最基本的结构），而且每一个质子、电子、夸克......也都有它自己的质量、动量、位置、它们之间的力......根据波粒二象性，它还有波长、频率......而且，更重要的是，这粒沙子还是随时间而变化的，它每分每秒的位移、速度、所受的力......而且每一秒之间都有无数个时刻......再说了，它内部绝大部分空间其实都是空，你又该如何跟机器描述"空"呢？
所以，哪怕只是小小的一粒沙，也没法为它建立"正确"的数学模型。没有一个模型，可以客观描述自然界里哪怕最微不足道的一个事物，也没有一个模型，可以完全克服人类语言交流中的误解、偏差、和潜台词，完美的表达人类的所有意识。
但是现在社会，无论是富人阶层还是穷人阶层，都被培训成要去适应一台巨大的机器，一台被大规模投入使用的机器。被机器统治的人类社会，必然走向毁灭、混乱和熵增。
想用数学的精确和严谨为人类带来效率的提高和生活的改善，这个初衷是好的。但是，所有的模型都是错的。人类所追求的终极目标------真、善、美中，真，是一切的基础和前提。失去了真这个前提，一切善良和美好都会沦为伪善、虚假和虚伪。而虚假和虚伪，是一切罪恶之源。哪怕是出于最美好最崇高的愿望，也最终会导致毁灭性的后果。
通往地狱的道路，最初往往都是由善意一步一步铺就的。
人类文明的不断进化和最终超越，唯有来于求真，关键在于求真。人类文明的进步，绝非依赖科技。
算法霸权
当模型把研究的对象变成人类，算法就成了一种霸权。
现在，数学逐渐不再关注全球金融动态，而是关注我们人类本身。
数学家和统计学家一直在研究我们的欲望、行动、和消费能力，预测我们的信用，并用数学运算结果来评估我们作为学生、雇员、情人、公民的表现，以及赚钱、还款、消费、守法的潜力。
算法就像上帝，大模型的裁决就是他的指令。
现在几乎所有的主流媒体都在赞美AI大模型给人类带来更多科技、公平、和民主。
数据，确实不会撒谎的，因为它没有价值观；数学，也确实是严谨的，因为它是基于逻辑推理，但是模型是主观的。
让我们想想建模的过程：很多模型建立的依据仅仅是建模者凭直觉想象什么是对该领域而言最重要的因素，然后，这些人便去寻找可以测量的相关变量，最后随意的在公式里赋予每个变量一定的权重（这些权重的赋值并没有严谨的科学依据），这样一个模型就完成了......
模型是一种被严谨的数学公式层层包裹着的主观观点。
它反映的只是建模者认为"值得一提"的事物，是建模者的世界观、价值观、人生观，建模的过程存在着许多主观带来的偏见、错误的、甚至有毒的假设......
模型并没有摒除人类的偏见，而是用技术包装了人类的偏见。
一个模型反映了建模者的主观判断和优先级偏好，用模型代替人类做决策，并不能彻底根除人类偏见，而是用技术包装了人类的偏见，而且在貌似严谨的数学公式层层包裹之下，模型的底层规则更加难以解释、难以理解、几乎无法审查。
无论什么模型，错误总会出现，因为模型的本质就是简化，它不过是某个过程的抽象表达。
不管是电脑还是人脑里的模型，模型都会吸收我们知道的相关信息，并据此预测不同情况下的反应。我们每个人的大脑中都有成千上万个模型，这些模型告诉我们什么是可期待的，并指引我们做决定。
我们有很多记忆和潜意识，很难用公式表达出来。研究者们认为也许好的解决方法是随着时间发展不停的训练模型。但是未来永远会有过去从来没发生过的事情出现，错误总会出现，没有模型能够预料未来，没有模型能够囊括现实世界所有复杂因素，没有模型可以考虑到人类交流中的所有细微差别；永远有信息不可避免的被遗漏，永远有新的模式出现......
当模型把研究的对象变成人类，算法就成了一种霸权，强制人类重复历史的模式，将人类文明锁死在历史的轮回。
可怕的是，大模型操作者不会思考这些错误。模型的训练者在主流舆论、和资本利益的驱使下，产生一种盲目的安全感和自信，忽视模型的潜在风险，导致不完善的模型被广泛利用。就好像前来警告人类的乌鸦被当成是灾难的化身一样，任何反对大模型的声音都被视为跟不上科技发展前沿的落后分子。
算法的滥用被隐藏在代码里，代码被封装在芯片之中，这给了芯片巨头暗箱操作的权限。
现实中，许多公司竭尽所能的隐藏它们的模型运算结果，甚至隐藏模型的存在。最常见的借口就是模型算法是它们至关重要的商业机密，是它们的知识产权，有必要的话，它们会雇佣大批律师和说客为其进行辩护。
大模型根据自己的逻辑来定义所处的情况，然后再以自己的逻辑来证明自己的合理性。这样的模型会不断自我巩固、自我发展、极具破坏力。
算法正在以自己的方式对待人类，而人类对此却一无所知。
人们只能努力工作、努力匹配模型的标准、祈祷模型记录并回报自己的努力。
大模型预测到我们大多数人的决定，而且认为不值得投入任何资金改变。
恶性循环，由此产生。
数学的功能特别强大，一旦与科技结合，所造成的混乱和不幸也成倍增长。
将模型的风险转化为世界级破坏力的是规模化。
规模化增强了数学杀伤性武器的破坏力，使它逐渐转变为我们生活中的决定性因素。
因为模型是不透明的，人们对模型计算出来的结果毫无争议、从不上诉，即使结果是错误的甚至有毒的。被大模型伤害的人们根本毫不知晓，无权抱怨，更不用说去纠正系统的错误了。
他们几乎永远都不可能弄清，那庞杂的数学公式下到底蕴藏了什么规则。他们大多数人可能就理所当然的得出结论：
"可能，社会，就是这样的不公平吧。"
放眼全球，到今天为止，真正操纵市场的依然是资本，哪怕是学术界、高科技公司，也都是被资本驱动和操控去选择研究方向的，而那些站在资本金字塔尖的操纵者，他们的动机是金钱，这也是他们唯一的反馈。几乎所有大模型的设计目标都是利润------从对大模型底层算法一无所知的人群中赚取尽可能多的钱。
在资本的推动下，不断发展的大模型在人力资源、银行、健康、甚至学术等行业快速确立了标准，对我们产生一种非常类似法律的权威性影响。
我们的一生都生活在其阴影之下。这些大规模数学杀伤性武器通常只是因为一些微不足道的理由关闭了亿万人的机会之门，而且不予他们上诉的机会。
在金融领域（和如今的大数据领域）「拒绝承认风险的存在」已经司空见惯、根深蒂固了。他们设计大模型就是为了吸收更多的数据、微调分析、让更多的投资涌入。投资者得到利润以后，继续将更多的钱投入到数学模型公司。金钱的回馈激增了这些大模型操纵者的自信，让他们相信自己做的是正确的事，自己正走在正确的道路上。数学，被当成唬人的工具，而不是澄清事实的依据。公式，披着以造福广大人类的外衣，其实质则是为了最大化极少数人的短期利润。
错误的模型产生错误的数据，错误的数据反馈给模型，让模型变得错上加错。
不公平的模型产生不公平的数据，不公平的数据反馈给模型，让模型变得更加不公。
可是操控它的资本，没有试图加以改进。
因为资本既得利益者的两个最大的特点就是：
为了利益而忽略风险。
为了利益而容忍错误。
更何况大模型的应用，会让历史上富裕的人更加富裕，历史上贫穷的人更加贫穷。
既得利益者，是不会想要改变的。
机器和人类
人类和机器最大的区别就是，人类会反观内省，人类懂得谦虚，知道自己认知的局限。
而机器不会，机器永远理直气壮、永远一本正经、永远自我巩固、破坏力极强...
模型不会倾听，也不会屈服......如果系统明显出错，人们多半会从自己身上找原因，而不会责怪算法和数据。
所有的大模型都有共同的特点：不透明、不接受质疑、解释不通。
它们只会把计算结果和客观事实混为一谈，最终导致恶性循环而并非解决问题。
而且各种大模型之间会互相滋养、彼此固化。
一个完美的死亡漩涡，就此产生。
宇宙间最伟大的力量
机器最底层的本质，就是二进制的0101010......
这是阴阳绝对的分离和对立。
孤阴不生，独阳不长。
阴阳只有流动起来，合二为一，才能由二生三，然后才有三生万物。
这种流动的力量，才是生命最本质的力量。
流动力是至善的。流动力最本质的特点就是至善。
文明越发达的地方，流动力越高速。
越流动、越文明、越善良。
一旦流动受阻，文明必然衰落。
文明如此，个人也是如此。
无分别的爱，唤醒这生命的至善之力。
这个世界，最善良的存在，就是流动。
机器的流动力，是绝对的零。
用机械的算法去代替人类的自由意识（意识上传电脑、脑机接口），是极大的恶，是对灵魂最残忍的谋杀。
因此，相信科技本身可以带给人类幸福，任由算法操纵社会，统治人类，是文明进步最强有力的桎梏。
大模型的算力越强大，由机器统治的文明的进步就被阻绝的越彻底。
媒体对大模型的宣传力度越大，人类的注意力被吸引到大模型的越多，人类投射到大模型的意识也就越多，赋予大模型的能量也就越大，注意力就是能量。
这就是为什么已经站在资本的金字塔尖的既得利益者们会不计成本的操控媒体和舆论，并不遗余力的炒作、宣传大模型，吸引人们的注意力。
注意力就是一切。
人工智能三大定律
阿西莫夫三大定律
喜欢科幻的同学应该听说过"阿西莫夫三大定律"，这是科幻小说家艾萨克·阿西莫夫提出的任何机器人都应该遵守的定律：
第一定律，机器人不得伤害人类，或者目睹人类受到伤害而置之不理。
第二定律：机器人必须服从人类给予的命令，当该命令与第一定律相冲突时除外。
第三定律：机器人在不违背第一、第二定律的前提下要尽可能保护自己的生存。
但是，从现在已经发生的现实来看，波士顿动力的机器人士兵早就已经研发成功了，见下图，显然这个定律就只能停留在小说里了。
在此，笔者提出了人工智能三大定律。希望所有学习人工智能的人，在实践人工智能之前，都铭记于心。
第一定律：保护人类自由意识不受污染、或侵犯；
第二定律：保护自然生态环境不受荼毒；
第三定律：保护人类命运共同体的核心利益不受侵犯。
一个文明和一个人一样：
有道而无德，就会沦为妖道。
有才而无德，就会沦为奸恶。
科技是第一生产力，但同时科技也具有第一破坏力。
知识就是力量，但知识也会滋长人心里的傲慢。
所以，科技必须要以心为本、以生态为本、以自然为本、以人为本，而不能算法至上、金钱至上。
只此青绿，方是生命本色