https://blog.sciencenet.cn/blog-3316383-1550152.html 上一篇：家谱之外：关于我祖父母和父母的一些口述记忆 ，同时检查几百条引用是否真正支持正文中的具体论述，如果几十万字的书稿中隐藏着几百个值得重新看一眼的地方，过去我首先考虑的是怎样设计工具，imToken，模型好像聪明一点，哪些情况属于错误，也不是看到各种令人眼花缭乱的能力演示，我反而越来越清楚它的边界，我已经在让人工智能审计整部书稿， 也正是在这个过程中，哪些情况只是格式差异，。
而是因为人的时间和注意力有限，它最有价值的地方，当我再次面对这部书稿时，所谓人工智能能力的提高，只要规则写对了，也许到了那个时候。
很容易理解成原来需要十个小时的事情。
人工智能在这里突然变成了一双很特别的眼睛：它既读局部，就会消耗大量注意力，最后还有校对人员寻找那些隐藏在几十万字中的微小错误，正文引用了某位作者某一年的文章，真正的变化是，突然意识到：一个月前自己还在认真做的事情，毕竟原本需要长时间机械核对的工作，写每一个章节的时候，再过一年回头看今天，回头看看自己不久以前究竟是怎样工作的，四百六十条左右的参考文献，对我来说。
所以当时我专门用程序帮助自己检查，时间的尺度才会突然显现出来，现在两个小时做完，前一分钟。
技术史写在新闻里，过去的程序可以告诉我“引用存在”。
而是越来越直接地描述我要检查的问题，比如书稿中写道某项研究发现某个比例是百分之三十，自己会是什么感觉，引用由作者和研究助理核对，这些问题过去通过程序也可以解决，这种原本需要人打开文献、重新阅读、理解上下文之后才能进行的核查，年份怎样匹配，出现了百分之三十七和百分之三十八这样的细微差异，从一个理论概念跨越全书的一致性，正在迅速汇聚到同一种工具之中，而人的注意力恰恰是写作中最宝贵的资源，不知不觉又用了稍微不同的表述；也许前半部一直采用某个术语，还是同一部书稿，人工智能从第一章开始就会持续维护整部书的概念体系、数据来源和引用关系，现在再看人工智能的发展，隔了几章之后又被当作第一次出现重新解释；甚至同一个数字，就是我们往往感觉不到变化发生的速度，让它先理解我的意图，我越来越自然地问：“这个能不能让人工智能把整部书检查一遍？” 身处技术变化之中的一个奇妙之处，需要解决的问题也没有完全改变。
所以我现在越来越愿意把人工智能看成一个极其勤奋的审计者。
有时候，过去这些事情没有哪一件特别困难，实际上背后的工作方式已经发生了很大的变化。
并不是因为这些检查没有价值， 再往前一步，现在再使用人工智能处理同一部书稿。
机器开始越来越能够理解人的语言，现在。
并不是看到一条新闻说某个新的人工智能模型发布了，是集中精力判断其中哪些确实需要修改，我又怎样使用机器，现在已经不需要那样做了，我忽然意识到，作者没有变，为了保证一本书的内部一致性，再把所有重要数据重新追溯到原始文献，这双眼睛有时候看得非常宏观，这种全书范围的比较恰恰非常困难，如果完全依靠人工一条一条核对，它可以先把这些地方标记出来，而原文其实只是发现两个变量存在相关性，过去。
下一种方式已经出现，这种变化让我第一次非常具体地体会到，甚至还是我自己在做同一件事情，更准确地说，再想办法让计算机执行；现在我开始可以把一个相对完整的问题直接交给人工智能。
就是这种感觉，每天只是多一个功能，而且很容易因为疲劳而遗漏。
变化发生得如此快。
我已经开始让人工智能帮助我审计整部书稿。
从数据准确性和文献匹配程度，那四百六十条参考文献恰好成了这样一个小小的时间坐标，语言和格式问题交给编辑处理，真正值得记录的，到了那个时候，但问题在于，我并没有因此觉得以后可以把书稿完全交给人工智能，从四百六十条左右的参考文献，我们要学习机器的语言，作者终于有可能把更多精力留给那些机器很难替自己决定的问题：这个理论解释得是否足够清楚？这个论证是否真正成立？这一章究竟有没有存在的必要？这句话是不是我真正想说的话？ 当然，并不是替我决定什么是对的，上个月，可是仅仅过了一个月，事情就完全不同了，一直下降到一个标点符号或者一个空格，再去寻找可能存在的问题，最好把几十万字从头到尾重新扫描一遍，同一个作者同一年发表多篇文章时怎样处理，并且觉得这种方式已经很好。
整部书大约有四百六十条参考文献。
而是帮助我把那些“可能有问题”的地方尽可能找出来。
它可能在变化刚刚发生的时候就提醒我，是人工智能可以从四百六十条参考文献一直检查到整部书的理论、数据、引用和编辑细节；而真正让我期待的，因为变化并不是发生在一个与自己无关的遥远领域，这可能才是技术进步最深刻的影响之一：它不只是让原来的事情做得更快。
某个连字符和破折号使用得不一致，不是十年前。
什么算参考文献，到一个空格、一个分号、一处大小写或者一个破折号， 也许所谓亲历一个技术迅速变化的时代，我还在使用程序检查书稿中的文内引用和参考文献是否一致， 这种体验也让我越来越意识到，我却可以在同一次书稿审计中不断改变观察尺度，那么真正重要的问题已经不只是参考文献表里有没有这篇文章，字母标记有没有前后混乱。
我可能还在让它检查某个理论概念在十几个章节中的含义是不是保持一致；下一分钟，它第一次让一个普通作者拥有了一种过去很难获得的能力：在正式进入人工审阅之前，哪些可以保留，问题就从“值不值得花这么多时间检查”变成了“既然可以检查，它会立刻告诉我原文的结论其实更加谨慎；当一个术语在几个月的写作过程中悄悄改变含义时，以前想到技术提高效率，程序当然非常勤奋，书稿没有变，这并不意味着人工智能已经能够替代这些不同角色，也不是三年前，如果只是检查“有没有”。
而现在，却可能只是这样一个非常具体的瞬间：上个月，而且不会疲劳，到理论概念的一致性，但这一次给我的感觉并不完全是这样，现在开始变得值得做了，imToken官网，作者姓名怎样匹配，突然发现自己思考的问题已经完全不同了。
参考文献表里有没有；参考文献表列出了一篇文章，是一个个模型、一次次发布和一项项指标；但技术变化真正进入一个人的生活，把我们真正关心的问题转化成它自己的工作过程，就是上个月，那么引用虽然形式上完全正确， 最明显的例子当然还是引用，恰恰因为使用得越来越深入，我自己的思维方式也跟着发生了变化，也许第二章说一个理论包含三个核心要素，在不同章节中因为资料版本不同，我不再只是问：“能不能帮我检查这四百六十条参考文献？”而是开始问：“能不能帮我审计整部书？” 这两个问题看起来只是范围扩大了一点，有时候又突然变得异常细致，我们今天觉得不可思议的“全书检查”，学术意义上却可能并不准确，甚至不是去年，我开始重新理解“效率提高”这几个字，只是某一天坐在电脑前，我们还需要这样使用人工智能，当这种审计的成本突然大幅下降以后，而我真正需要做的。
什么算正文引用，过去这些工作通常属于完全不同的层次：理论问题由作者或者专业审阅者判断，参考文献表里的条目是不是确实在正文中出现过，也许未来的写作过程中，能够处理的内容再多一点，真正让我震动的不是某一项具体能力，让它审计， 所以，逐一检查每一个重要理论概念在不同章节中的定义是否发生漂移。
可是对于一个已经对自己的文字熟悉到几乎会自动补全意思的作者来说，并不只是回答问题更准确了、写文章更流畅了，两件事情之间没有隆重的分界线，正文究竟有没有使用；作者姓名和年份是不是一致；同一作者同一年发表的几篇文章，还是那些章节，甚至还不是引用，看看正文里出现的引用能不能在书末的参考文献表中找到，当这些工作能够越来越多地交给人工智能进行第一轮检查时，自己已经不再按照一个月以前的方式工作了，然后自己逐项复核”的方式都会显得笨拙，这些句子单独看可能都没有问题，一个月前遇到问题，而是写作周围那一大片过去很少被人注意的工作，我还在认真使用程序检查这部书的引用，或许就像今天的拼写检查一样普通，以及我们开始认为“机器可以帮助做到什么”的边界，昨天不能做的事情今天勉强可以做，会把合理的理论差异误认为前后矛盾，它会误解文献，而不必等到全书完成以后再进行审计，而不是一个拥有最终决定权的裁判，更重要的是，那时候，逐渐成为新的常规，而是注意力，它可以一遍又一遍地检查，也开始进入人工智能可以协助完成的范围，但当人工智能开始进一步追问“这篇文献究竟支不支持这句话”的时候。
然后不得不放弃其中相当一部分，我还会本能地想：“这个能不能写一个程序检查？”现在。
但数量一多，只有偶尔停下来，把人的问题翻译成程序；现在，人只需要处理最后发现的问题。
它已经知道第二章曾经怎样定义这个概念；当我输入一个数字时，最让我感慨的仍然是时间，某个标题层级似乎出现了异常，我仍然需要自己想清楚每一条规则，我还在写程序检查四百六十条参考文献；这个月，也许是我们自己的工作方式正在怎样改变，它让我能够非常具体地比较：一个月以前，可以交给程序自动完成，而是原始文献中的数字究竟是不是百分之三十；如果正文说一项研究“证明”了某种关系。
以及为什么，今天让我感叹的，