AI模型使用 Transformer架构，本质上就是高质量数据集标注，然后训练数据集，达到一定规模后模型产生涌现能力。

如果用python爬虫抓取互联网公开数据，然后做个自动标注自动清洗出相当质量的数据集软件或者模型，然后用大模型训练这些数据集，文字、图片、视频、文献、工程图纸等等

形成一个完整的流程，增加一些自我修正和自我约束条款。

整个闭环就是AI的自我进化。

互联网每天产生的数据不计其数，AI能够实时训练，实时输出，相当于一直再自我进化。

那么AGI不就很快就能实现了。

当然这样需要庞大的电力和算力支撑。

怎么样能更节省电力和算力并且能支持实时训练？

有没有什么方法可以仅用很小的电力和算力就能训练大模型？

人脑就是一个超级AGI，人脑包含约860亿个神经元，每个神经元通过数千个突触形成复杂网络，整体运算能力相当于1×10^27至1×10^30次浮点运算/秒，远超现有超级计算机（如 天河二号 的5.49亿亿次/秒）‌

大脑处理信息的速度约为每秒10比特，但通过并行计算实现高效处理‌。

大脑静息状态下消耗约12.6瓦（相当于一盏灯泡），活跃思考时仅比静息状态多消耗5%能量‌。

以极低能耗（约20瓦）完成复杂运算，依赖葡萄糖和氧气的高效代谢‌。

并且人脑在思考复杂逻辑，深度思考都不会产生过高热量。

怎么让大模型模拟人脑以极低的能量需求可以实时输入输出思考并分析问题。

。。。。。。。。。。。。。。。。。。。。。。。