Abstracties zijn hier belangrijk: stel je voor dat er een rij met balletjes voor je op tafel ligt. Er is niets bijzonders aan deze objecten. Je kan er in principe weinig bijzonders mee doen om de wereld mee naar de maan te helpen.
Vervolgens nummer je ze. Nu zijn het plotseling loterijballetjes geworden. Gooi ze in een bak en schud ze een paar keer door elkaar. Je kan nu voorspellen dat je iemand een grote prijs gaat geven als het balletje met nummer 42 er als eerste uit komt rollen.
Hier zit geen strategie achter. De balletjes wisselen in principe willekeurig van locatie.
Nu geef je aan ieder balletje een extra betekenis: 42 staat voor "de", 43 staat voor "het", 44 staat voor "een", en zo voorts. Je hangt ook een beetje extra gewicht aan ieder balletje door ze meer of minder te vullen met zand. Voor balletjes 42, 43 en 44 laat je iemand vooraf opschrijven dat dit lidwoorden zijn.
Daarna geef je weer een draai aan het rek. Je wil de balletjes hebben die voor de lidwoorden staan. Maar nee, dit lukt niet omdat je geen selectie hebt afgedwongen, ondanks de zwaardere balletjes. Wat nu? Je haalt er wat balletjes uit zodat je "expertise"-balletjes overhoudt. Is dit niet valsspelen? Jazeker, maar het brengt je wel richting het juiste antwoord: er komen nu nog maar 3 balletjes uit.
Zo werkt een taalmodel ook als je het heel erg versimpelt: omdat je zelf context meegeeft (de tekst die je invoert) worden de associaties die niet kloppen genegeerd en bij varianten van modellen zelfs niet eens aangesproken. Dit is de analogie met het handmatig verwijderen van alle balletjes behalve die voor de lidwoorden.
Hoe dit past bij het vinden van strategie en tactiek:
compounding. Door het stapelen van abstracties kun je een weg door kennis vinden die steeds complexer kan worden gemaakt. Aan de balletjes voor de lidwoorden kan tenslotte ook nog een volgende abstractie hangen, waarmee je informatie kan clusteren.
Voor een simpelere uitleg kun je ook nagaan hoe bijvoorbeeld een
binary search werkt: je zou kunnen stellen dat je "slim" zo snel mogelijk de abstractie die bij nummer 9 hoort moet komen, maar dat is niet hoe software werkt. Software weet niet wat "9" is. Dus je hangt er zelf logica aan: als je eerst een lijst maakt met alle getallen tot en met 10, dan kun je het blok doormidden hakken en stellen dat er tussen 1 en 5 geen 9 zit.
Ook dit is een versimpeling die niets met modellen zelf te maken heeft, maar het zou moeten kunnen helpen om te laten zien dat als je hier delen van informatie ipv getallen aan ophangt (laten we ze
tokens noemen

), dat je er berekeningen mee kan gaan doen. Net zoals met die binary search waarin de betekenis van een getal wordt bepaald door vooraf ingegeven input. De gezochte informatie ontstaat niet vanzelf. Die geef je zelf mee als aanknopingspunt om het zoeken mee te beginnen.
Scrapen van online content (dus uitspraken van mensen die het over bv. strategie en tactiek hebben), het voorselecteren ("trainen", het vooraf meegeven van hardcoded beperkingen om bv. te voorkomen dat handen 6 vingers krijgen, enz.) van die informatie en de input die je geeft om de agent aan te slingeren doen de rest van het werk.
Het is effectief wiskunde die wordt toegepast op output van mensen. Het
hergebruik van dat + de deterministische algoritmes is wat de software jou laat vertellen dat er een strategie wordt toegepast.
Dit is waarom wiskunde op school een interessant vak was.
Dat zit wel Schnorr.