讀者在自選輯多見命理與文藝，其實拜「仁來瘋」之賜，近日心智生活主要在補課AI。

除回看黃仁勳一年內幾場重要演講座談、還在YT看輝達發展簡史、AMD（和蘇媽）發展簡史、矽谷AI圈地搶人搶電搶芯片盛況、各家大公司資本支出人才薪酬飆漲、GPT4o的最新應用場景（可惜免費電腦版還沒語音互動），上溯NLP（自然語言處理）、大語言模型、詞元（token）、詞向量（Word Vector）、Transformer（可將輸入序列轉換或變更為輸出序列的一種神經網路架構）、乃至E/acc（有效加速主義）、宇宙熵增定律、蘭道爾定律（Landauer’s Principle）、「AGI（通用人工智慧）的盡頭是能源」…

雖只囫圇吞棗，至少短期內從小白有了粗略概念。網路世界牛人多，口才好頭腦好製作精良的YTR不少，不用等生成型人工智慧當我們親切耐煩的家教，即便現在普通人還是可以用低科技方式快速學習——只要願意涉獵。

一路看下來，現學現賣地發現，若套用大語言模型在命理研究，現有所有排盤軟體的解說力，都還在「訓練集」（Training Set）這階段天花板之下被壓得死死的，「驗證集」（Validation Set）不可能做，更別說達到「測試集」（Test Set）的精準出擊。

也就是說，不管占星、八字、斗數、乃至人類圖這種「輸入資料後一次性排出先天盤」的現有模型，都屬一翻兩瞪眼，然後從古籍或手冊各自解讀，電腦程式就算解讀互相矛盾也只能並陳。

這些命理模型原初真的神奇（大概率是地外文明傳授），但缺乏科學化研究，以當今訓練AI的大語言模型來說，無法透過「訓練集」的數據更新內部權重值，就不可能大面積、大數據、大批量檢驗模型能力——這兩者互為因果動態實時發展。

大語言模型中，「驗證集」這階段檢驗不好，要調整模型超參數（Hyperparameters）或修改網路結構，才能往下走到「測試集」階段，把模型放到真實世界中看看到底面對陌生樣本有沒有用。

有用，且持續有用，才證明這個機器學習算法對沒見過的樣本資料，具備夠好的識別能力——術語稱「泛化能力」（generalization ability） 。

以上略開腦洞，只想用算命算自己俗世煩惱與選擇的一般人，大概聽不懂也毫無興趣。理工魂又懂編程的人聽得懂、但不會有興趣——畢竟對人間世採命定論傾向與這些人的科學訓練基本違和；目前迅猛發展的算力革命，忙其他（可賺錢或可幫公司上市的）生活場景應用都來不及，哪可能管到很難取樣蒐集數據餵養AI的命理預測領域。

看來，無須等命理AI化，我透過自體修練，用肉身培養解盤的泛化能力，恐還實際些。