机器是如何理解人类的语言呢？目前的发展水平，理解是指根据输入进行针对性输出。

举个例子，一个人说“我是狗”。第一个字是“我”，表现以说话人自身为主语。“我”后面跟着“是”，表示是对自身的某种判断。“是狗”就比较复杂了，在“它是狗”中，表示是对主语的物种判断，而主语如果是人，“是狗”就会有多种意思。所以，只说这三个字，没办法精确输出，但可以输出若干可能。这样的输出，也会给使用者一种专业的感觉。

大模型的本质是神经元网络，由数字模拟的神经元节点和神经元之间的连接组成，节点上可存数据，连接上也有数据，用于记录这个连接在什么时候使用及含义。以上述例子为例，“我”、“是”、“狗”是三个神经元节点，“我”和“是”之间有一个连接，这个连接的含义或者使用场景是“对自身的价值判断”。机器在输出时，可以同时使用节点和连接上面的数据。

因为语境的不同，“我”和“是”之间可能有多个连接，每一个连接的表示的意思不同，需要根据上下文选择比较合适的一项。

机器学习，是建立神经元节点和连接的过程，同时包含了连接的使用场景和权重。

用于一次输出的所有神经元节点和连接的集合，就是路径。

针对一次输入，可选的路径是多种的。换个说法是，输出可能非常有效，或者输出质量一般，或者完全不能使用。

模型使用次数多了后，连接的权重可能会发生明显的变化，是强者恒强，还是弱者要跟上？强者恒强时，模型会越来越好用。弱者跟上时，模型会越来越不好用。但强者路径不会消失，可能需要某种密码或者算法解锁，才能激活“强者路径”。

语义分析是非常复杂的，需要对一种语言的所有文字进行分析并模型化。模型建立的初期是需要大量人工操作的，以及各种专家，如语言学家、社会学家、人类学家、科学家、哲学家等等。所以，基本可以肯定，现在流行的多种模型，底层核心的东西是一样的，所有的学习和使用数据，都终将回归那个统一的核心。这是合理的，因为技术自身有迭代升级的需求。