update

1 files changed, 105 insertions, 0 deletions

diff --git a/misc/raw_chinese.txt b/misc/raw_chinese.txt
new file mode 100644
index 0000000..098856e
--- /dev/null
+++ b/misc/raw_chinese.txt
@@ -0,0 +1,105 @@
+点开始之后大家就可以做了
+难以找到正确的思路的话
+就不知道该填啥
+有时候没有什么头绪
+测试者想要取得高分数
+强烈地依赖于他们从小样本之中
+提取信息
+进行抽象推理（的能力）
+这是不能通过刷题来得到高分的
+迈向通用人工智能
+探索拥有人类智商水平的认知智能
+“人工智能”一直是人类
+探索自身能力边界的窗口
+近几年，以深度学习方法为代表的
+人工智能在感知层面上取得了显著的进展
+但是现有的模型距离具有人类通用
+认知能力的智能仍然具有较大差距
+研究表明，在判断两个图形
+是否是同类的例子中
+大猩猩(Capuchin monkeys)这样的灵长类动物就可以顺利完成
+这说明动物具有一种与生俱来的认知构架
+这种认知构架使得他们能够
+从小数据中寻找解决问题的通用范式
+认知构架的优势在人类中体现得尤为明显
+比如，对于稍微复杂的几何问题
+亚马逊雨林中的原始部落人群(Amazonian indigene group)
+仍然能够轻易解决
+然而，以Transformer为代表的深度学习大模型(foundation model)
+却在类似的测试中相形见绌
+模型在训练时不仅需要大量的标注数据
+且最终性能也无法与人类做比较
+对于智能水平的衡量
+一般是基于智力商数进行的
+也就是我们常说的“智商”或者“IQ”
+心理学家创造了一系列测试
+来数值化智商
+并发现智商的高低
+与人的成就具有很高的相关性
+在这些测试之中
+比较有代表性的就是瑞文测试(Raven's Progressive Matrices)
+下面这个题目就是瑞文测试中的一个样例
+这个例子乍一看很复杂
+只有8张图片且物体形态各异
+但仔细分析可以发现
+每行中物体颜色都是深灰、浅灰和黑色
+同时，每张图片中物体大小基本一致
+由此，不难推出正确答案
+离群样本选择(Odd-One-Out)
+则需要被试从几个例子中挑出一个离群的数据点
+比如下题中
+只有第三张图片中有一个深黑色的六边形
+对于传统的感知智能体
+我们需要提供成千上万个例子
+机器才能学会一个猫或者狗的概念
+但是对于一个认知智能体
+仅依赖几张图片，机器就能从一个巨大的空间中抽象出对应的事件，
+并理解其在时间-空间-因果三个层次上的关系
+探索具有人类认知智能能力的模型是
+北京通用人工智能研究院的一个基础研究项目
+集结了北京通用人工智能研究院和UCLA的学者
+共同解决这个挑战性的问题
+如何用小数据理解IQ测试中的时空因果关系
+经过数年的研究
+我们提出了通慧（Tong-Hui）模型
+这个夏天，我们邀请了来自国内
+顶尖学府的同学与我们的通慧（Tong-Hui）模型
+进行一次比拼
+在之前的测试中
+我们对模型的能力有一个大致的估计
+但是当面对真正高智商的人类对手时
+我们也摸不准我们的模型到底有怎样的表现
+好，那我现在点开始
+点开始之后大家就可以做了
+同学们时常有着各种各样的奇思妙想
+但我们的程序可能不一定能产生类似的思路
+所以对于比赛的结果
+总有一些不确定性
+开始觉得还挺简单的
+然后后面就感觉有一点吃力了
+然后有时候没有什么头绪
+错了六七个吧
+难以找到正确的思路的话，就会不断地错，就一直找不出规律
+然后就不知道该填啥
+就是我需要花费很多时间
+去想我该朝哪个方向去思考
+但是机器我觉得它可以短时间
+内迅速地尝试各种的、很多很多种情况
+好，谢谢大家
+通慧模型完胜所有的学生
+也超过了以Transformer为代表的大模型
+第一项左上角是一个五边形
+其他的是没有五边形的
+我们在这项任务中打败了全国最优秀的同学
+下一步的目标是为人工智能的定级
+提供更加有力的标准
+并在更加全面的环境下评估我们的通用人工智能系统
+我们曾经一直在想
+如果真的有那么一天我们创造的智能
+能够超过世界上最聪明的大脑
+那我们一定是发现了某种通用的算法
+乃至一整套全新的认知架构
+也许我们现在就已经站在
+通用人工智能的门口
+这次比赛的成功
+让我们离通用人工智能又迈进了一步
\ No newline at end of file