下午跟朋友聊天，聊到编码和传输，兴致未尽，有必要继续说说有损传输，承接 从意义中恢复而不从数据包恢复。
在 AI 大模型催化下，网络通信方式将完全不同，依赖编码的柔性，有损传输将比 tcp/ip 更具弹性和吸引力，只有能接受信息传输的失真，智能才能真正涌现。换句话说，要用 “人的方式而不是计算机的方式” 传输信息，这才是 AI。
没有柔性的网络，大量算力将会花(“浪费”在这里更合适)在比如保序，重传，一致性上，这些问题如果不受控将指数级爆发，很快将系统淹没。如果不接受丢包，就必须对丢包进行重传(或 fec)，重传就会引发重传风暴进而拥塞崩溃，而拥塞控制就在这背景下提出，事情逐渐变得复杂，而这种复杂是平添的，随着时间推移，这种平添的复杂将消耗人和网络的大量算力。
我们先看看 “人的方式”。
以视听为例，我们用眼睛和耳朵接收到的自然界的信息都是有损的，这很容易解释，每个人视力听力都不同，接收到的光和声波度量也不同，但只要不是太瞎太聋，这种有损的信息并不妨碍每个人看到听到同样的东西。这种模糊识别的能力来自动物独有的智能，这也解释了计算机为什么没有智能。
计算机如何涌现出智能，或更现实一点，AI 大模型时代的信息传输到底有什么不同。在接受有损的前提再谈信息传输就简单了。比如传输 1 + 2，你肯定会说这里面 “1”，“+”，“2” 都不能丢，丢了肯定要重传的，这岂不是又回到 “可靠” 需求上来了吗？
让我们看看 “有损” 在这个 case 中损失的是什么以及 “从意义中恢复” 恢复的又是什么。
tcp/ip 传统很容易把注意力集中在 “数据包”，但事实上数据包空气一样，只是承载信息的介质，它没有意义，既然要从意义中恢复，就要对 “意义” 编码而不是对 “数字 1” 编码，如果对 “1 的形象” 编码，比如编码成竖着排列的 10 个点进行传输，即使丢几个点，剩下的依然是 “一列点”，对于人而言，眯着眼看，它就是 “数字 1”。计算机也应有这能力。
这 case 中，可能你看到编码若干个点比编码一个 ascii 码 49 更浪费带宽，这不是自找麻烦吗，请接着往下看。
上面 case 中我试图用 “1 的形象” 替代 “数字 1”，然后让接收端看图识字，这不够高效，但这就是人的方式，人一直在看图识字，在读这篇文章时你也在看图识字，人识别信息的方式就是识别 “形象” 而不是识别编码，但视网膜成像原理和网络传输不同，前者带宽近乎无限，而网络带宽显然有限。计算机做得到普遍的看图识字吗？
继续这问题前先解决更实际的计算机网络传输音视频流的问题，我在 从意义中恢复而不从数据包恢复 一文中提到人们流媒体传输的路子走偏了，因为人们没模仿大自然传播图像和声音的方式。自然界中，声音和颜色作为信源就在那里，信息传输靠 “receiver 拉” 而不是 “sender 推”，视力好的人一定比视力不好的人看得清，但无论谁都不可能看得 100% 清，有趣的是，考虑到这一点，人们对图像和声音进行数字化编码和存储时，采用的就是有损的方式 “采样” 而不是在胶卷上模拟曝光或用录放机模拟原始震动，遗憾的是，网络传输音视频信息时没有采用这种自然的方式，却偏偏引入 “可靠” 因素，虽然人们心里知道信息可丢，但实际上还是这里 arq，那里 fec。
再展示一下简化的有损传输，这双皮鞋以后不会再展示了：
回到计算机网络看图识字的效率问题，让我们集中关注比如文字类的抽象信息传输，它们在大自然并不存在。既然看图识字的方式带宽效能太低，我们不得不详细审视这类抽象信息的本质。
文字本身就是人类智能给世间万物的编码，换到计算机网络的世界，根本不存在 “对文字再编码” 的需求，根本就不需要传输文字本身，忘掉这回事，只需要让计算机对世间万物学人的样子做就是了，人用了文字，而计算机可用别的。
记住关键点，传输的是 “意义” 而不是 “编码”，当我们有一个苹果时，除非教学，否则没人会说苹果这词，至多指着苹果说 “它很甜”，只有在没有苹果时，才会说 “中午我吃了一个苹果”。
我们依然按照人的方式理解文字，然后看计算机怎么做。
人从婴儿到成人，一直在不停学习某种或几种语言的听说读写，本质上是在不断建立形象的，抽象的，具象的，概念的世间万物和某种符号的映射关系，从字到词，词组，句子的读写，到吵架，面试，扯淡，演讲，辩论，都是这种映射关系的学习，矫正，甚至遗忘，即增删改查。如果你对一个从没有接触过汉语的人讲汉语，在他的库里，这种映射数量为 0，他完全不知道你在说什么。但对于一个中国人，当他听到 “锄x日当午，汗滴x下土”，他能很快补上缺失的两个字，因为在他心里有个包含足够多映射关系的 “大模型”，而缺了两个字的两句诗恰好 99.9…% 匹配到 “锄禾日当午，汗滴和下土”，于是他能把有损信息恢复，在整个传输中，“禾”，“和” 二字没进行任何冗余重复。
有点像 chatgpt 了，实际上 chatgpt 也只是这种类型交流的一个具体 case。
OK，我们用 “人的方式” 构建一个非看图识字的计算机网络传输的机制。
假设所有计算机内部都存储着同一个大立方体，将形象的，抽象的，具象的，概念的世间万物划分为 n(n是个巨大无比的数) 个维度，那么每一个形象的，抽象的，具象的，概念的东西就是这 n 维立方体中的 “点”，该点在每个维度的坐标轴上的投影就是这东西在该维度的度量，假设 “锄禾日当午，汗滴和下土” 可通过坐标 (s0,s1,s2…sm…sn) 表示，传输过程中某些坐标比如 s1，s2，sm 丢了，receiver 按照实际收到的坐标在立方体中定位点，虽缺了 3 个数字无法定位到一个精确的点，但剩下的 n – 3 个数字足以定位到某范围，幸运的是，这范围中只有一个点，即 “锄禾日当午，汗滴和下土”，那么就是它了。
如果这范围内有多个点，就只能随机找一个，如果得到某种反馈，那么这个立方体就会被刻画的更加精确，升高一个维度，这就是学习的过程。
于是，网络不再传输 “单个编码”，而改为传输 “一个坐标”，对于网络传输介质而言，传输一个坐标表示一个东西和传输一个 ascii 码表示一个东西没区别，(1,2,3,4) 不是 “皮鞋”，49(ascii 的 1) 也不是 1，对介质而言都是某个编码，但对 sender 和 receiver 而言，坐标是它们理解的。就好像对于空气而言，乌鸦的一声 “啊” 和人的一声 “啊” 的震动也差不多。人类不关注介质，可计算机网络关注数据包，得改。
如果计算机能如此用人的方式交流沟通，它们各自的 n 维立方体会不断细化，n 不断变大，点越来越多，刻画越来越细致，大模型不断被训练，最终涌现出真正的智能。事实上，一开始 n 可以很小，灌输一些简单的概念，就像孩童学话一样，随着输入和输出反馈，整个计算机网络智能就开始成长起来。
未来在 AI 大模型需求驱动下，同时随着存内计算，在网计算，软硬件一体化的发展，一定会倒逼反压传统的网络通信和传输技术一定要改变以适应。既然拥塞控制不好做就不做了，根本不存在拥塞时，本来无一物，何处惹尘埃。
关于人的方式，有个有趣的点，当我们学习母语的时候，我们确实用的是人的方式，但当大多数人成年后学习外语时，却以计算机的方式呈现。
学习英文时，我们按照单词 “apple” 的读音和写法识别它是苹果，一旦缺了 a 这个音节，或缺了 ple，或跟别的词连读在一起，就什么都识别不到了，必须重复一遍甚至几遍，完全分解出 apple 才行，但对一个母语就是英文的，他在乎的是 apple 与 🍎 的映射，发音和写法只是 “apple” 的属性。
以中文 “苹果” 为例，我们会说 “🍎” 有很多属性：
口味：甜的，酸的…
形状：圆的，扁的…
发音：pingguo，pingg，，，及学名，各种方言发音
写法：苹-果
…
中国人无论听到哪个读音，残缺的，方言，连读的，学名，都能想到 🍎，但对于老外学中文，除了按照他学习时老师教的标准普通话 “pingguo” 读音和写法之外，换个山东人读快一点他都不知道在说什么，因为他在记忆语音和字形的编码，而不是在建立一种映射。
记忆一个具象的编码一定要精确的，可搜寻一个立方体区域里的点就不必。
我儿子安德森先生是如何建立映射学习母语的呢？
安德森学说话时，我观察到他是先有了物品概念，再随便(注意，随便)用一个语音标识它，他说 “衣服” 是 “laba”，完全和 “yifu” 无关。他每次都称 “衣服” 为 “laba”，我就知道他建立了 “衣服” 和 “laba” 的映射，在他眼里，laba 是衣服的一个属性，指代衣服，当他开始跟大人交流 “衣服” 时，发现大家不叫衣服为 laba，他慢慢开始矫正这个映射，但不是一次性的，依次大概为 “lagu”，“agu”，“afu”，“yifu”，就这样矫正到和每一个中国人一样关于衣服和读音的映射，就慢慢学会了母语。
他是先有了一个概念，再对其进行编码指代它，如果他不与别人交流这个概念，他一辈子都可以叫衣服为 laba，最后纠正为 “yifu” 只为形成映射的共识方便沟通，不管最后纠正为 “yifu”，还是 “clothes”，都不重要。这大致也解释了为什么婴儿之间可以交流，但他们的话我们却听不懂吧，映射是有的，只是跟我们的不同。
智能就是这样靠不断沟通增删改查自己那份映射涌现的，计算机也如此，但需要改变信息传输的方式。
浙江温州皮鞋湿，下雨进水不会胖。
原文链接：https://blog.csdn.net/dog250/article/details/134796771?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171851498816800185825859%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=171851498816800185825859&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-10-134796771-null-null.nonecase&utm_term=AI%E9%9D%A2%E8%AF%95
