从零理解人工智能：大模型在“思考”什么-迪斯科星球

从零理解人工智能：大模型在“思考”什么

人工智能（Artificial Intelligence，AI）并不是让机器拥有意识，而是让机器在特定任务上表现出接近人类的判断能力。看图识物、语音转文字、机器翻译、对话问答，背后都属于同一个大类：用可计算的规则，去逼近人类做决定时的隐含逻辑。

传统程序由工程师把规则写死，例如“温度低于 5 度就开暖气”。机器学习换了一个方向：人只提供大量例子，让模型自己从数据里总结规律。

这四步循环上百万次，模型就“学”到了规律。所谓训练，本质上是在高维空间里不断试错、微调。

语言模型做的事其实很朴素：给定前面的文字，预测下一个词最可能是什么。把它重复下去，就得到了一整段话。

# 极简示意：语言模型的核心任务就是不断预测下一个词fortokeningenerate(prompt):print(token,end="")

看上去简单，但当参数量达到千亿级、训练语料覆盖海量文本时，“预测下一个词”这件任务被迫学会了语法、常识、推理链条，甚至代码结构。能力不是被人直接编程进去的，而是从规模和数据的相互作用中长出来的。

误解一：模型在实时查资料。多数情况下模型并没有连数据库，它依靠训练时压缩进参数里的记忆作答，因此可能一本正经地说错话，这就是“幻觉”。

误解二：模型真的理解了世界。更准确的说法是它掌握了极强的统计规律，在多数场景下给出可用答案，但缺少人类那种来自现实世界的直接经验与因果理解。

误解三：参数越大越好。规模带来能力，也带来成本。真正落地时，数据质量、微调方式、检索增强，往往比单纯堆参数更关键。

把 AI 当成一个知识面很广、但结论需要核对的实习生：它能快速给出草稿、思路和备选方案，但事实要自己验证。

人工智能的发展史，本质上是一段把“难以言说的经验”翻译成“可计算步骤”的历史。它不会取代会思考的人，但会明显放大会用工具的人。理解它的边界，比迷信它的能力更重要。