AI理解的語法

27:03開始講得蠻有趣的，把羽毛球打法轉換成句子，一場比賽就是一篇文章，然後讓AI去分析羽毛球打法

其實這個概念本來就是神經網路的原理，可以看眼見為識講高維這部高维世界是否存在？高维生命出现了，人类将面临什么风险？
也就是說，AI一直以來在做的事情都是空間變換，AI辨識貓狗，其實是把圖片轉換到另一個特徵空間( hidden layer就是feature space)，在那個空間，有耳朵、四足的哺乳類之類的判斷，綜合起來之後AI回答這是貓或狗。
或者是想如果今天在xy的座標下有一群點長的像pizza，非常難描述這件事情，需要用 x^2+y^2 < R^2 的方式來描述pizza，但是變換到極座標空間就很簡單 r < R，這樣只要切在R一刀即可。

這也是接近人類本能的思考方式，簡化成一個概略的分類方式。

問題就在，AI轉換到另一個空間的思維，是高維空間思維，因此可以做出更複雜的判斷。
人類卻無法輕易使用高維直覺去做判斷，大部分的人都是做了錯誤的過度簡化，賭徒謬誤、歸因謬誤就是常見的錯誤簡化結果。

類似的思維還有從歷史學習教訓，這也是一種過度簡化和歸因謬誤，相同的場景下做相同的決定後面並不保證相同的結果，卻很多人說要從歷史檢驗，用更AI的專業術語就是過擬合(overfitting)。
(可以看這部“影分身之术”！训练50亿次的AI能有多智能)
另外比如在投資領域或者人生或者歷史大部分人的都沒有感受到自己做了overfitting的思考，因為人生很短，人類歷史也很短(有歷史紀錄不過幾千年)，訓練樣本數量太少，壽命短時間太少不夠。

要避免overfitting的方法就是在訓練初期就要開始加入夠多夠複雜的訓練內容；
什麼情況可以相當於經歷夠多的人生經驗？競技就是非常好的訓練，在競技領域待得夠久會經歷不同的狀況，需要在短時間做出判斷，但是競技每次的局面不同，就是一種避免過擬合的訓練。