認知影響著我們的一生 因此要不斷更新自己的認知

有時候每天去想今天應該去寫什麼內容, 有什麼東西讓我今天進步了, 有什麼事情令我讓變得不同, 由我每天接觸的人, 念過的書, 遇過的事且範圍都比較廣。
筆者在想, 倒不如用一個標籤, 或多個標籤去定義自己的blog, 現在想到的是「認知」, 由這兩個字去貫徹筆者整個人生, 整個blog, 和讓自己整天以「認知迭代」為目標且帶給讀者知悉的事情。

今天想帶給自己的是信息論的認知, 這是2025年應該新增給自己的每年一度自己從沒想過會念的書單之一 <香農傳>, 很多人知道NVIDIA很利害, 可以透過更精密, 更快的運算去為AI的成效更上一層, 但NVIDIA為何那麼利害, 再底層的邏輯有誰知道, 可能把全部家產押在NVIDIA的小股民也不知道, 這個故事可以追溯到信息論的起始, 這就是身為三維的人類, 如何可以讓二維的文字, 信息, 透過機械表達出三維也能理解, 也能幫助判斷的事情。
最簡單的就是利用機械只有0 和 1 二進制的表達方式及思維, 比如: 當你知道3是一個質數, 你可以讓電腦去判斷當看到3這個字是否質數, 他就會運用0和1去幫你判斷, 也可以像我們要決定是否去吃日料, 可能會有以下幾個判斷, 日料的價錢, 地點, 品質, AI就能夠把這些分為幾個數據稱為bit, 去決定當價錢合乎100元以下就是1, 以上就是0, 地點1km以下就是1, 以上就是0, 品質google高於3星以上就是1, 以下的就是0, 這樣就能夠使AI能夠運算出你所得的結果, 但當問題愈加複雜, 就像棋盤上的最佳走法, 當棋盤愈大,自然所需的運算就愈多, 所以就整要更多的開關, 更多的0和1, 自然就需要更多的電, 也就是需要更多的能運算快的晶片, 正是NVIDIA幾十年做的事情。
在棋盤上, 或是在一些文字上的工作也許AI能夠做得比較出色, 但在三維系統上, 要讓機械去理解就顯得十分困難, 就像要系統去理解「狗」的圖象, 跟一個三歲的小孩一眼就認出是狗, 是完全不同等級。
就連圖片的數字 1, 也有分大小不同, 電腦是很難用0,1 簡單去理解三維的世界, 就像我們人類很難去代入四維世界去想, 去解決問題, 愛因斯坦這幾百年才只有一個出現, 去嘗試讓我們人類更進一步去了解這個宇宙的一小部分。

當然有以上的認知, 和知識, 有幾個用途, 包括我們更能了解去設定一個AI的底層邏輯和智慧, 自然就更容易去解決AI問題, 比如BUG出現, 或之後自學IT等等, 當需要設定事情標準的時候, 也能用這套思維也許是更能解決問題, 把決定變得機械化, 更簡單。
再者, 香農發現這0,1 主要是透過排除法去讓機械學習, 幫助解決問題, 更多的是 香農也有發現很多定理, 包括香農第一定理, 這可以套用在生活上。
這定理說明每個人, 頻道, 能夠接收信息是擁有一定的上限, 像是我們人類可能能夠接受的信息只有32KB每分鐘, 當幾個人同時向我們提問, 也許能提升效率, 但他們所輸出的對話容量已經超過32KB, 最後我能接收的是0KB, 而不是32KB, 因為太嘈雜了, 這也是定義了數據通訊的理論上限。 這就能解釋為什麼在演唱會的時候, 總是不能成功發射信息, 因為太多人同時間在一個地域上發送信息了, 太擠迫了。

最後來多一個例子， 為什麼不少老人家總是聽不明白我們講什麼， 因為他們是合乎香農第一定理的， 人老了能接受的信息上限就愈來愈低， 但只要我們講大聲一點， 講慢一點， 在一個安靜的環境， 我相信這就能解決大部分問題。