和前辈聊天，谈到了现在的ai技术，这里对那天的谈话进行总结：
AI是无状态的
我们在使用ai时有时候会有一个错觉，认为和ai聊天久了，ai就会像人与人之间交流一样，会保留一种对聊天对象的认知状态，这里是不正确。
ai本质上是没有token状态的，并不会因为之前的聊天记录而对你产生认知，如下：
我们在使用ai时，本质上应该每次对话ai都不会保存之前的状态（也可以说是前提），但是在一次会话中，为什么ai会一定程度上结合之前的对话给我们提供回答呢，这里其实是ai的后台在每次我们在一个会话中发送消息时，会把之前我们的对话进行递归，在后端ai会模拟一个用户和他进行对话，以此为前提，再生产新的回答，所以我们在与ai聊天记录多了之后，会发现ai的反应会变慢。
AI的学习方式
监督性学习：
对监督性学习进行举例，比如说我们拿一张猫的图片，告诉ai这是猫，拿一张狗的图片，告诉ai这是狗，将此行为重复10万次，ai会根据人的给出的定义，找到猫和狗的图片的共性，这时候我们再拿一张图片给ai，它就会根据之前训练学习的结果通过特征来判断这是猫还是狗。
非监督性学习：
对非监督性学习进行举例，比如就拿b站上的热梗，”哈基米“（日语中蜂蜜的意思，国内好多人认为是猫的意思），在全民制作人的努力下，各种鬼畜歌曲中，”哈基米“后面大概率会跟“叮咚鸡”，小概率会跟“胖宝宝，好胖好可爱”，这时候我们拿这些鬼畜歌曲去训练ai，ai的算法应该要在后端生产一个向量链网，链接这些热词之间的关系，拿以上例子进行举例：
”哈基米“到”叮咚鸡“的概率大，则此时由”哈基米“到”叮咚鸡“的向量距离为700
”哈基米“到”胖宝宝，好胖好可爱“的概率小，此时的向量距离就为1200
此时，我们给ai发”哈基米“时，ai就会在训练的向量链网中寻找到”哈基米“，然后去找”哈基米“的哪个向量距离最短，然后给我们进行回答。
上述举例是一个非常简单的案例，实际情况可能还要对之前的会话进行递归再进行判断，比如说之前用户可能提到了赛马娘，此时距离”哈基米“最近的向量可能是动漫中的东海帝皇唱的歌曲。
强化学习：
该方式训练ai的成本花销特别大，我们以下围棋的阿尔法狗进行举例，强化学习的核心是奖励机制和递归，比如阿尔法狗在下围棋时，每一步落子，我们都会对该落子进行判断，该落子对棋局的输赢是否有关键性的影响，如果是妙手，我们则奖励ai1分，如果是恶手，则奖励ai-1分，如果没有什么影响，则不加分（当然实际情况可能是根据情况判断给0~1分之间任何值），当一盘棋下完后，ai将递归回去，一步一步的判断在当前情况，每一步棋在每一个位置的奖励分数，然后进行记录，在之后下棋时，再出现类型情况，选择奖励分值最大的一种下法，当每一步下的位置分值都最大，则最终会获得胜利。
总结：
三种训练方式之间，第三种是对第一种和第二种训练方式的增强，而第一种和第二种之间的区别，是监督性学习会人为的给出定义，而非监督性学习是ai通过大量数据统计，自行生成关联向量网来进行学习，前者会消耗大量人力资源，后者则会容易被错误数据信息误导。
AI的实现思路：
我们已知ai是无状态的保留的，那我们在自己实现ai时，对于专用ai，就要提前对其进行相关知识专业训练，但是在训练ai时，难免会造成知识之前的污染，比如上述的”哈基米“案例，指向”叮咚鸡“的”哈基米“和”东海帝皇“的”哈基米“明显不是一个意思，此时ai在用一个”哈基米“向量指向二者时明显是不合适的，这时候我们就要有ai节点管理这个概念了。
我们在编写程序时都知道，一个面向前端的接口，会有三层（web、service、dao）甚至四层（web、interface、service、dao）的处理架构，各个模块之间相互引用和交互，在实现ai时也是如此，我们也要将ai分成多层，在每层上进行训练。
依旧是使用”哈基米“这个热梗进行举例：
在这个案例中，我们简单的将ai分为两层，接口层和服务层
对于接口层，当用户输入关于”哈基米“的时候，ai要对用户的意图进行判断，判断用户是”爱猫人士“还是”动漫爱好者“或者两者都不是，这里我们称为”路人“
当ai判断用户是”爱猫人士“时，则将其会话内容推送给服务层的ai，这里我们称之为”爱猫tv“，我们会提前对”爱猫tv“进行相关知识的训练（即向量指向”叮咚鸡“），然后”爱猫tv“会对接口层的用户会话进行一次递归，根据它的关联向量网给用户提供回答；反之若是”动漫爱好者“，接口层就会将会话推送到另外一个ai进行处理。
如果ai判断是”路人“的话，他只是想简单了解一下一个”哈基米“都是什么意思，对于这种简单的问题，ai就可以在接口层就对用户进行回答，没有必要进行专业的深度训练回答。
还有一种特殊情况，ai发现这个人刚开始时是”动漫爱好者“，在经过一段时间后，发现其提问又偏向”爱猫人士“，这是服务层之间也可以进行推送，将该会话推送给”爱猫tv“。