有了大量信息的输入，要得到输出，还差中间的信息处理过程。
处理方式有两种，#感性 和 #理性 。
感性方式，就是经常看到某种情况，产生了一种 #感觉 ，以后再遇到类似情况，就按感觉来判断。我见多了猫，再见到一个东西，就能知道它是不是猫。感性是自然 #演化 出来的。
理性方式，就是 #归纳 - #演绎 ，先从大量观察归纳出规律，再将输入对应到某个规律，得到输出。我先见到很多猫，得出一个猫的定义或者判断标准，以后用这个定义去判断一个东西是不是猫。
理性之所以有效，是因为 #成本 低。你只需要学习规律就能解决很多问题，省去了亲自去感觉或者去归纳的成本。
传统 #程序 就是典型的理性方式，一步一步，一板一眼。
但理性的缺点也正是忽略了很多具体情况，导致理论不能结合实际。就像传统程序不能处理未实现设计的情况。
如果能不考虑成本，最好的方式是亲自去感觉一切。不需要归纳演绎，直接用感觉解决问题。
这就是 #大模型 。
简单问题只需要很少 #参数 ，比如投出的铅球在哪里落地，只需知道出手速度一个矢量参数即可相当准确。
实际上铅球的大小、重量、形状、风速、气压、温度等都会对结果产生影响，只是影响太小，可以忽略。
但若投气球，就需要加上这些参数，才能得到较准的结果，所以投气球比投铅球复杂。
#理论 就是找出主要因素，排除可忽略因素的过程，这个过程叫#抽象 。
没有抽象，会被大量事实淹没，看不到 #规律 ；过于抽象，会忽略重要因素，结果与事实不符。
要分清哪些因素重要，哪些可以忽略很困难，尤其是不那么极端的情况——比如排球。
简单粗暴的办法是不分情况，列一个包含所有参数的方程，一定能得出准确的结果。
唯一的缺点是 #成本 很高。对于铅球，就浪费了很多成本在那些完全不影响结果的参数上。
但如果这些时间精力的成本低到可以忽略不计呢？
那就可以不用分情况考虑，不管投出的是什么都成了同样的问题。
下一步，可以包含所有宏观物体的运动，再下一步，微观运动、电、磁……都可以统一到一个 #方程 ，只是这个方程可能需要成千上万个参数。
再下一步呢？生物，最后一步是人和社会，这个方程可能需要几万亿参数。
这就是 #大模型 。
