
<a id="n05-title"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-title)


# 为什么一个入口能提出多种结果？

王德泉 · Coding with AI · Lecture 04


<a id="n05-818bb7aab09b"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-818bb7aab09b)

“帮我处理这个红杯”并没有唯一指定交付物。它可以指把照片中的杯子改成另一种颜色，写一个从图片里找出杯子的程序，也可以指提出把实物推到目标处的动作。这三种任务共享同一对象，却把成功放在不同地方。


<a id="n05-097e3c1d2abb"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-097e3c1d2abb)

图像任务要核对改色是否完成、背景是否保留；程序任务要看代码实际运行后能否找对对象；动作任务要看执行后杯子是否真的到达目标位置。模型能写出一段通顺的推杯步骤，只完成了提出计划这一层。计划里的“已到达”，不是环境里的到达证据。


[课程图解] 图片、程序和动作是不同交付物，分别需要内容核对、运行检查与环境反馈。；图中标签与关系：同一要求：“处理这个红杯” 图像、程序与行动：出口决定检验方式 改图 找到红色区域 → 返回位置框 生成代码并执行 提出动作 接受环境反馈 先判断：需要什么样的交付？
图片、程序和动作是不同交付物，分别需要内容核对、运行检查与环境反馈。


<a id="n05-64f57aaea955"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-64f57aaea955)

为什么这些任务越来越容易从同一个入口提出？语言可以表达要求，图片与其他观测可以提供条件，输出又能是文字、代码或可交给后续系统的结构化结果。共享表示使同一底座有机会复用知识，而不是每次都从一张新标签表开始。基础模型强调这种复用范围，未必以生成内容为输出；用于表示或匹配的模型也可以成为多任务底座。但统一输入框只是接口形式，不足以证明下面所有任务都已经学会。


<a id="n05-24c2b553a4b6"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-24c2b553a4b6)

这条路线也不是仅靠“生成”两个字突然成立的。自监督让大量记录可以提供训练信号；数据规模与覆盖提供更多经验；表示学习让经验可复用；可扩展的网络架构和计算使大规模训练成为现实；开放的任务接口又让这些能力被更多应用调用。这些条件共同支持了变化。它们各自都有边界，更多参数或更多文本都不能单独保证任意任务成功。


<a id="n05-15c1cac86b55"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-15c1cac86b55)

**“既然共用一个模型，评价为什么还要分开？”** 因为评价应跟交付要求走。改图成功并不证明代码可执行；代码能通过测试，也不证明动作在真实桌面上安全有效。专用模型在某些固定任务上仍可能更准确、更省资源，共享底座的价值需要在具体使用中兑现。


<a id="n05-0b31dbf113e5"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-0b31dbf113e5)

类似的“在约束下构造候选”还会出现在分子、未来轨迹和研究方案里，生成因此不只服务图片与文字。应用越广，越要说清候选如何接受相应验证。下一页先追问共同前提：训练记录到底给了模型哪些经验，又漏掉了什么？


<a id="n05-states"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-states)


## 画面怎样推进


<a id="n05-b0"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-b0)

同一红杯可以进入不同任务，先要指定改图、程序还是动作等交付物。

[返回这一课堂停点](https://codingai-lec04.pages.dev/classroom/N05.html?step=b0)


<a id="n05-b1"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-b1)

图像需内容核对，程序需执行测试，动作需环境反馈；提出结果与完成任务不同。

[返回这一课堂停点](https://codingai-lec04.pages.dev/classroom/N05.html?step=b1)


<a id="n05-b2"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-b2)

自监督、数据规模、共享表示、架构与计算共同支持能力复用，开放接口让它们进入多种任务；成功仍按任务验证。

[返回这一课堂停点](https://codingai-lec04.pages.dev/classroom/N05.html?step=b2)


<a id="n05-materials"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-materials)


## 继续阅读与实验


<a id="n05-learning-unit-001"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-learning-unit-001)


### 同一个输入框，为什么需要三种验收？


<a id="n05-learning-unit-002"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-learning-unit-002)

对同一张红杯照片，模型可以交付改色图片、定位代码或推杯计划。验收分别追问：目标颜色实现且背景保留了吗；代码执行后返回的位置准确吗；动作执行后杯子真的到达目标了吗。三种答案都流畅，不会使这三项事实同时成立。


<a id="n05-learning-unit-003"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-learning-unit-003)

统一入口让语言表达任务、观测提供条件，共享表示有机会复用经验；其价值要落到具体输出。自检：程序写得正确，能否支持“实物已经推到位”？不能，程序与动作之间还缺实际执行和环境反馈。生成扩大了可提出的任务，验证仍应跟着交付对象走。


<a id="n05-learning-unit-004"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-learning-unit-004)

[继续读：生成路线怎样扩展任务接口](https://codingai-lec04.pages.dev/lecture.html#ch01-generative-opportunity)


<a id="n05-chapter-reading"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-chapter-reading)


### [CLS 01 · 从条件多解到生成目标](https://codingai-lec04.pages.dev/lecture.html#ch01)

按连续正文理解这条方法的训练信号、使用过程与算例；数学与实践在相关问题旁展开。

先看：第1章，从对象和问题开始


<a id="n05-lab01-practice"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-lab01-practice)


### [LAB 01 · 自回归：联合概率、贪心与温度](https://codingai-lec04.pages.dev/course/notebooks/39071d41f84d4621ad69c6140a6dccc9.html)

先读本册保存结果，再按实现顺序核对一个算例；最后只改一个变量。

先看：先看保存结果与读图解释


<a id="n05-material-1"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-material-1)


### [Language Models are Unsupervised Multitask Learners](https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf#page=2)

观察不同任务怎样借助同一语言建模接口表达；不要把可表达直接当成所有任务都完成。

先看：第2–3页：多任务的语言接口


<a id="n05-material-2"></a>
[区块原文](https://codingai-lec04.pages.dev/course/N05.html#n05-material-2)


### [Scaling Laws for Neural Language Models](https://arxiv.org/pdf/2001.08361v1)

先确认作者测量了什么，再思考规模规律为何支持可扩展训练、又不能替代具体应用验收。

先看：第1–3页：规模关系的研究设定