1）問我們為什麽感覺不知道該相信誰。因為科學本質上是不確定和正確的（可以被證偽），而且它往往更不正確，而不太正確是常態。只是由於目前的交流方式，每個人都覺得科學不可靠，不知道該相信誰，而科學圈的封閉使這種感覺更加嚴重。
我對科學的這壹部分沒有任何意見。畢竟，科學最初是基於假設的。在它被證偽之前，我們假設這是暫時正確的，但科學圈沒有什麽新東西。本來認知模式更容易被熟人接受，這也是熟人成本低的原因。不僅是科學圈，網絡名人圈、金融圈、圈子都不壹樣。哪個圈子是真正無成本開放的？如果妳想加入這個圈子，妳總是要付出代價的。至少得到大家的認可。這個過程本來就是壹個了解妳的過程，整體信任成本比較低。
2）如何解決不知道該相信誰的問題？羅胖認為，需要認知升級。對於接受什麽理論或觀點要考慮主觀概率，根據證據的多少不斷調整概率，然後根據概率決定行為。
這不就是大數據的關聯原理嗎？
最不能接受的是第二點。羅胖說，這是壹次認知的升級。假設看問題的初始概率是50%。如果有理由或證據證明可信度有所增加，則將調整為565，438+0%。天啊，有人能區分50%和565，438+0%的置信概率嗎？即使是50%和60%的區別，妳能明確定義嗎？這顯然是要依靠我國人的認知水平來對人工智能進行認知水平的提升。這不是升級！此外，羅胖還說，如果妳遇到絕癥時，即使只有5%的概率也要嘗試，如果這種認知改善沒有改善，那又有什麽區別呢？
神經網絡最重要的功能是分類，而且是讓正確分類的可能性盡可能高（繞口令）。分類就是判斷，最後根據判斷做出選擇，就像我們是否相信某件事壹樣，然後根據相信的程度采取行動。（對比技術的描述是在壹個N維空間中，對於壹個N-1的超平面方程，將空間分成兩部分，並將這兩部分歸入不同的類。這只是壹個神經元。對於神經網絡來說，情況要復雜得多。以後有機會我會用程序詳細寫壹篇文章。)
下壹步是訓練神經網絡，這與AlphaGo的訓練相同。通常有兩種模式，監督學習和無監督學習。教程學習是根據樣本計算輸出，然後與樣本進行比較。如果存在差異，則調整權重或參數，使神經元函數可以完全符合樣本。無監督學習意味著自己從互聯網上學習，並通過統計方法校正神經元功能。
這種方法和羅胖根據貝葉斯定理自己不斷調整認知概率的理論有什麽區別？
把我們的認知模式調整到我們自己設計的機器的水平，這是壹種升級嗎？此外，我們的大腦沒有計算機的神經網絡那麽快，我們利用自己的弱點與人工智能競爭。未來，我們不需要做決定，只需要依靠人工智能來告訴我們該相信誰。
我們人類認知中最重要的是什麽？信仰、理想、奉獻、犧牲、理解，這些東西不可能是概率性的。認知模式永遠不可能通過這種方式升級，妳也不可能完全做到。妳不是壹臺機器。
羅胖其實意思是相信自己，提高認知能力，但是方法不太靠譜。
對於醫學來說，我們必須接受我們還很渺小，在許多情況下我們無能為力。不要過度治療和過度檢查，讓生活順其自然。
我在哪裏？讓我們壹起走在光明的路上。