（Nikolaus Skene）
有时，您想喝一杯白葡萄酒。
有时想喝红葡萄酒。
而运动之后，来一杯啤酒也非常美妙。
没人会想到要在恰恰这个时候把所有东西同时点上一遍。
世界上没有哪个侍酒师会说：“没问题，我给您端来白葡萄酒、红葡萄酒、啤酒、一块牛排、一条毛巾、一次按摩、与您母亲通的一通电话，以及未雨绸缪安排的一次滑雪度假。”
我们的大脑在这方面明显高效得多。
它会根据上下文做决定。根据情境。节省能量。
它只激活当前相关的那些区域。其余部分保持“安静”。
而这正是人类智能与如今的人工智能之间一个常被忽视的差异。
现在，ChatGPT登场了。
ChatGPT的核心运作方式有所不同。
无论您此刻想要什么——它 总是把所有事情都查一遍.
它不只会关注运动后的那杯啤酒，而是同时处理啤酒、白葡萄酒、红葡萄酒、牛排、食谱、供应链、二氧化碳排放、葡萄酒产区、运动项目以及口渴的哲学意义。
我们之所以没有察觉到这一点，原因是：
这一切发生得极其迅速。
那些毫无意义的“区域”会在几毫秒内被排除，最后给出一个还算合理的答案。但背后的计算量是巨大的。
人类大脑若以这种方式运作，早就完全不堪重负了。
也正因如此，如今人工智能系统的耗电量成为一个不容忽视的批评点。
DeepSeek在这方面已经更进一步。
它尝试根据当前可能相关的内容，更有针对性地“点燃”模型的不同部分。不是所有部分永远同时运作，而是更加有选择性，更加敏感于上下文。
然后， HuggingGPT.
HuggingGPT并不是一个新模型。
它是一种 架构思路.
其核心理念是：
不再把ChatGPT这样的大型语言模型当作全能天才使用，而是把它作为 控制器作为指挥家。作为规划者。
它倾听用户的需求，理解用户的意图——然后将其拆分为 具体的子任务.
这些子任务并不由同一个模型完成，而是有针对性地交给 专家 来处理：图像模型、音频模型、分类器、文本转语音系统、目标检测、分割。一切都是已经存在的模型，例如Hugging Face生态系统中的模型。
关键不仅在于 做什么 还在于 以什么顺序.
HuggingGPT会规划依赖关系。
有些任务必须按顺序处理，另一些则可以并行运行。一个模型的结果会作为下一个模型的输入。直到最后，控制器才会重新汇总一切并组织出答案。
一个简单的请求，例如“详细描述这张图片”，会被自动拆分为图像分类、目标检测、分割、图像描述和视觉问答模型处理的任务——然后才将结果汇总起来。
这并不是新的智能。
但它是一种 不同的智能工作方式.
而这正是HuggingGPT真正令人感兴趣的地方：
该系统并不是通过不断增大的模型来扩展能力，而是通过 协调。通过选择。通过分工。通过上下文。
突然间，人工智能不再像一个不堪重负、必须同时什么都会的全能大学生，而更像一个组织有序的团队。
目前，它在某些地方还会“吱吱作响”：延迟更高、依赖控制器的规划能力、令牌限制、不稳定性。HuggingGPT不是一个完成品，而是一种思维模型。
但它指向了一个重要方向：
远离“更大、更快、全部同时进行”。
转向“正确、有选择、高效”。
这也让我们回到耗电量的问题上。如今对人工智能最有道理的主要批评之一，就是它对能源的巨大需求。如果智能不再源自最大程度的并行，而是源自有针对性的编排，那么我们或许正在接近一种更高效的机器思维方式。
这从长远来看意味着什么——包括对人类劳动、人类智能以及人类相关性的意义——是另一个话题。
留到另一个星期六再谈。
今天只需注意一点：
现在又该多“hug”一些了。
不要一次做所有事情。
而是在正确的时刻做正确的事。
（Nikolaus Skene生活和工作于旧金山，为企业提供人工智能方面的咨询，并且多年来一直组织前往硅谷及其他技术发展热点地区的旅行