来源: https://wmyskxz.cn/wiki/whats_ai/8/

这是 「AI是怎么回事」 系列的第 8 篇。我一直很好奇 AI 到底是怎么工作的，于是花了很长时间去拆这个东西——手机为什么换了发型还能认出你，ChatGPT 回答你的那三秒钟里究竟在算什么，AI 为什么能通过律师考试却会一本正经地撒谎。这个系列就是我的探索笔记，发现了很多有意思的东西，想分享给你。觉得不错的话，欢迎分享+关注。

如果你从第 1 篇读到这里，恭喜——你现在对 AI 的理解，已经超过了绝大多数人。

不是因为你知道了什么”内幕”，而是因为你真正理解了那些齿轮是怎么转的。

这一篇是第一章的收尾。我不会引入任何新概念——前面 7 篇已经把所有零件都摆在桌上了。今天要做的事只有一件：把这些零件组装起来，让你看到一台完整的机器是怎么运转的。

我们来回答一个具体的问题：当你在 ChatGPT 的对话框里打下”什么是量子力学？”，然后按下回车，到你看到屏幕上开始逐字蹦出回答——这短短三秒钟里，到底发生了什么？

三秒钟的全景

先给你看完整的路线图，然后我们一站一站地走。

1  
2  
3  
4  
5  
6  
7  
8  
9  
10  
11  
12  
13  
14  
15  
16  
17  
18  
19  
20  
21  

|

你打下一句话："什么是量子力学？"  
    ↓  
[第一站：Token 化]  
"什么" "是" "量子" "力学" "？"  
    ↓  
[第二站：词向量]  
每个 Token 变成一串数字（比如 768 个数字）  
    ↓  
[第三站：Transformer]  
注意力机制在这些数字之间寻找关系  
    ↓  
[第四站：神经网络]  
数百层的"乘法+加法"运算  
    ↓  
[第五站：预测]  
算出下一个最可能的词："量子力学是..."  
    ↓  
[第六站：逐词生成]  
一个词接一个词，组成完整回答  
    ↓  
你看到了 ChatGPT 的回答（大约 3 秒钟）  
  

—|—

这张图可能看起来很简洁，但每一站背后，都是我们花了整整一篇文章才拆清楚的东西。

现在，让我带你一站一站地走一遍，同时串起前面 7 篇的全部知识。

第一站：你的话变成了碎片

你在输入框里打了”什么是量子力学？”这 7 个字。

但 ChatGPT 不认识中文。准确地说，它不认识任何人类语言——它只认识数字。

所以第一步，是把你的话拆成 AI 能处理的最小单位。这些单位叫做 Token 。

如果你还记得第 2 篇的内容：Token 不完全等于”词”。它可能是一个字、一个词、甚至是一个词的一部分。怎么拆，取决于 AI 使用的”词表”——就像一本字典，字典里有的词就是一个 Token，没有的就要拆成更小的碎片。

“什么是量子力学？”可能会被拆成这样：

1  
2  
3  
4  
5  

|

"什么" → Token #1  
"是"   → Token #2  
"量子" → Token #3  
"力学" → Token #4  
"？"   → Token #5  
  

—|—

5 个 Token。就像把一个句子打碎成 5 块积木。

这一步纯粹是机械性的——查表、拆分，没有任何”理解”在里面。

第二站：碎片变成数字

现在 AI 手里有 5 个 Token。但 Token 只是一个”编号”——比如”量子”可能对应编号第 38721 号。一个编号本身没有任何含义。

这就是第 2 篇花了很大篇幅解释的事情：每个 Token 会被转换成一串数字，叫做词向量。

“量子”这个 Token，会被翻译成一串 768 个数字（也可能是更多——GPT-3 用的是 12288 维的向量）。类似这样：

1  
2  

|

"量子" → [0.23, -0.87,0.45,1.12, -0.34,0.67, ..., -0.91]  
                        （768 个或更多数字）  
  

—|—

768 个数字，组成了一个高维空间中的一个”点”。

这些数字不是随便填的。还记得第 2 篇里那个让人惊叹的例子吗？

“国王” - “男人” + “女人” ≈ “王后”

能做到这件事，是因为这些词向量在训练过程中被精心调整过——意思相近的词，在这个 768 维空间里距离就近；意思不同的词，距离就远。”量子”和”物理”的距离，比”量子”和”炒菜”的距离近得多。

语义——人类觉得最”虚”的东西——在 AI 这里变成了可以测量的数字距离。

这一步之后，你的 5 个 Token 就变成了 5 组数字。或者说，768 维空间里的 5 个点。

第三站：注意力——找到词和词之间的关系

现在 AI 手里有 5 组数字。但这 5 组数字各自独立——“量子”不知道旁边站着”力学”，”什么”不知道后面跟着”是”。

一个句子的意思不只取决于里面有哪些词，更取决于词和词之间的关系。”我打了他”和”他打了我”用的是完全一样的词，但意思完全相反。

这就是第 6 篇讲的 Transformer 要解决的问题。

Transformer 的核心发明叫做注意力机制。 它做的事情是：对于每一个词，同时”看”句子里的所有其他词，然后算出”我应该关注谁”。

具体来说，当 AI 处理”量子”这个词时，注意力机制会做这样的计算：

• “量子”和”什么”的相关性 → 0.05（低——不太相关）
• “量子”和”是”的相关性 → 0.10（低——一般的连接词）
• “量子”和”力学”的相关性 → 0.75（高——“量子力学”是一个紧密的组合）
• “量子”和”？”的相关性 → 0.10（低——标点符号）

这些数字叫做注意力权重 。权重高的词，在后续的计算中会产生更大的影响。

注意力机制的结果是：每个词的向量被”更新”了。更新后的”量子”不再只代表”量子”本身——它变成了”在’什么是量子力学？’这个句子里的量子”。它融合了上下文的信息。

这就是为什么同一个词”苹果”，在”我吃了一个苹果”和”我买了一部苹果手机”里，经过注意力机制之后会变成完全不同的向量——因为注意力聚焦的词不同。

还记得第 6 篇里提到的，Transformer 之前的 AI（RNN）是怎么处理语言的吗？它像手指一个字一个字指着读——读到后面，前面说了什么就忘了。

Transformer 的革命性在于：它能同时看到全文。 不管你的问题有多长，注意力机制都能在所有的词之间建立联系。这就是为什么 ChatGPT 能处理好几千字甚至几万字的上下文——而早期的语言模型连一段话都记不住。

第四站：数百层的乘法和加法

注意力机制只是 Transformer 里的一个组件。一个完整的 Transformer 包含很多层（GPT-3 有 96 层），每一层都包括：

1. 注意力机制 ——让词和词之间交换信息
2. 前馈神经网络 ——对每个词的向量做进一步处理

而每一层的”进一步处理”，说到底就是第 4 篇拆解过的东西：输入 x 权重 + 偏置 → 激活函数 → 输出。

没有魔法。就是乘法和加法。

如果你还记得第 4 篇的内容，一个”神经元”的全部工作就是：

1  

|

输出 = 激活函数(输入 1 × 权重 1+ 输入 2 × 权重 2+ ... + 偏置)  
  

—|—

一层里有几千个这样的神经元，同时做这样的运算。然后把输出传给下一层。再做一轮乘法和加法。再传给下一层。

96 层。

每一层都在提取更高层次的”特征”——这和第 1 篇里讲的图像识别是同一个思想。在图像识别中：

1  

|

像素 → 边缘 → 形状 → 部件 → 整体  
  

—|—

在语言处理中，层层叠加的效果类似：

1  

|

单个词 → 词组关系 → 句子含义 → 段落逻辑 → 全文主旨  
  

—|—

前面几层可能在处理基础的语法结构：主语在哪？谓语在哪？这是一个疑问句。后面的层可能在处理更抽象的东西：用户在问一个物理概念的定义。再往后的层可能在整合：我需要用通俗的语言解释这个概念。

但我要强调一点——“可能”这个词很重要。没有人精确地知道每一层在做什么。我们知道的是：数据从一端输入，经过 96 层乘法和加法，从另一端输出了一个令人惊讶的好结果。至于中间到底发生了什么，这仍然是 AI 研究的前沿问题。

这就是第 4 篇的核心结论的真正含义：神经网络不是一个精心设计的、每一步都有明确目的的程序。它是一个通过训练自动涌现出能力的计算结构。

而这个结构的规模是惊人的。GPT-3 有 1750 亿个参数。每一个参数就是乘法运算里的一个”权重”数字。当你问它”什么是量子力学？”，你的 5 个 Token 的向量，要和这 1750 亿个数字做运算。

1750 亿次乘法和加法。

在三秒钟之内。

第五站：预测——算出”最可能的下一个词”

经过 96 层的运算，AI 终于到了最后一步：从所有可能的词里，选出一个”最可能”是下一个词的词。

怎么选？

在最后一层的输出端，神经网络会给词表里的每一个 Token 都算出一个分数。GPT-3 的词表里大约有 50000 个 Token，所以最后一层会输出 50000 个分数。

这些分数经过一个叫做 Softmax 的函数处理后，会变成概率：

1  
2  
3  
4  
5  
6  
7  
8  

|

"量子"   → 12.3%  
"力学"   → 8.7%  
"是"     → 15.1%  
"物理"   → 5.2%  
"学"     → 3.8%  
...  
"炒菜"   → 0.0001%  
...（剩下 49995 个 Token 的概率加起来占 55% 左右）  
  

—|—

然后 AI 从中选一个。

注意：它不一定选概率最高的那个。如果每次都选概率最高的，输出会非常无聊和重复。实际上，AI 会在最高概率的几个词里做一定程度的”随机抽样”——这就是为什么你问同一个问题两次，得到的回答往往不一样。

假设这一次它选了”量子”。

那么它的输出到目前为止是：”量子力学是…量子”——等等，还没说完。

第六站：逐词生成——一个词接一个词

这是很多人没有意识到的一点：ChatGPT 不是一次性生成整段回答的。它是一个词一个词地”蹦”出来的。

你有没有注意到，ChatGPT 回答问题时，文字是逐渐出现的，而不是”啪”一下全部显示？那不是故意做的打字效果——那是它真实的工作方式。

流程是这样的：

1. 输入”什么是量子力学？” → 经过上面的全部步骤 → 输出第一个词”量子”
2. 把”什么是量子力学？量子”作为新的输入 → 再走一遍全部步骤 → 输出第二个词”力学”
3. 把”什么是量子力学？量子力学”作为新的输入 → 再走一遍 → 输出”是”
4. 把”什么是量子力学？量子力学是”作为新的输入 → 再走一遍 → 输出”研究”
5. ……

每生成一个词，就要把之前的所有内容重新输入，走一遍完整的流程。

一个 200 字的回答，大约有 100-150 个 Token。这意味着 AI 要做 100-150 次完整的”96 层乘法加法”运算。每一次都涉及 1750 亿个参数。

100 次 x1750 亿 = 17.5 万亿次运算。

在三秒钟里完成。

这就是第 5 篇里讲的 GPU 登场的原因。CPU 处理这种计算要几分钟甚至更久——但 GPU 擅长的就是”同时做大量简单的乘法和加法”。几千个 GPU 核心同时工作，把三分钟的计算压缩到三秒钟。

现在，让我们换一个角度看这三秒钟

上面我是沿着”一次回答”的流程来讲的。但这只是”运行”的部分。

要真正理解这三秒钟，你还需要知道：那 1750 亿个参数是怎么来的？ 为什么它们恰好能让 AI 生成一个关于量子力学的、看起来像那么回事的回答？

答案在前面 7 篇里。现在，让我把每一篇的核心知识串起来，你会发现它们构成了一条清晰的因果链。

第一块拼图：一切数据都是数字（第 1-2 篇）

这是整个 AI 大厦的地基。

第 1 篇告诉我们：图片就是数字矩阵。 一张照片就是几百万个 0 到 255 之间的数字。手机认你的脸，不是真的在”看”你——是在比较两组数字有多接近。

第 2 篇告诉我们：文字也是数字。 通过 Token 化和词向量，每个词变成了一串 768 维的数字。”国王-男人+女人≈王后”这个经典例子说明，词和词之间的语义关系，被编码成了向量空间中的距离。

这是 AI 的第一个深刻洞察：这个世界上的一切信息——文字、图片、声音、视频——都可以变成数字。

而一旦变成了数字，数学就能处理它了。

你可能觉得这件事理所当然。但请想一想：在几十年前，”语义”被认为是只有人脑才能处理的东西。谁能想到，用 768 个数字就能捕捉一个词的”含义”？

这件事不是某个天才灵光一现想出来的。它是从海量数据中，用统计方法”学”出来的——哪些词经常出现在相似的上下文中，它们的向量就会在训练过程中逐渐靠近。

“语义”本身不存在于那 768 个数字里。存在的只是统计规律。但这些统计规律恰好和人类感受到的”意思相近”高度吻合。

第二块拼图：三要素齐了（第 3 篇）

有了”一切都能变成数字”的基础，下一个问题是：为什么不是在 1990 年、2000 年，而是在 2012 年之后，AI 才突然变厉害？

第 3 篇讲了这个故事。2012 年，AlexNet 把 ImageNet 图像识别的错误率从 26% 一口气降到了 15.3%——领先第二名超过 10 个百分点。用考试来类比：所有人在 74 分左右竞争，突然有人考了 85 分。

这不是因为某个算法的灵感。这是因为三个条件同时到位了 ：

1. 数据 ——ImageNet 提供了 1400 万张标注好的图片
2. 算力 ——GPU 让大规模并行计算成为可能
3. 算法 ——深度神经网络（多层叠加的检测器）终于可以被有效训练了

缺少任何一个，这件事都不会发生。算法其实在 1980 年代就有了雏形，但没有数据和算力，它只是理论。数据在互联网时代逐渐积累起来了，但没有 GPU，就算有再多数据也没法在合理的时间内训练。GPU 本来是给游戏用的，但它”同时做大量简单计算”的特长恰好匹配了神经网络训练的需求。

三个齿轮同时咬合——AI 的引擎才真正启动。

这个三要素框架不只解释了 2012 年的突破，也解释了此后的每一次飞跃：更多的数据、更强的算力、更好的算法——三者螺旋上升，推动 AI 从”能认图”到”能对话”。

第三块拼图：神经网络就是乘法和加法（第 4 篇）

三要素里的”算法”到底是什么？

第 4 篇拆开了这个黑箱。答案可能让你意外：神经网络就是乘法和加法的层层叠加。

一个神经元做的事情极其简单：

1  

|

输入 × 权重 + 偏置 → 激活函数 → 输出  
  

—|—

就是一道小学算术题。

但当你把几千个这样的神经元排成一层，再把几十层叠在一起，让上一层的输出变成下一层的输入——神奇的事情发生了。

第 1 篇讲的图像识别就是最好的例子：

1  

|

像素 → 边缘 → 形状 → 部件 → 整体  
  

—|—

每一层做的计算都很简单——对应位置的数字相乘再加起来（还记得 Sobel 算子吗？那就是最原始的一层）。但层层叠加的效果，让 AI 可以从原始像素中”看到”一张人脸。

AlexNet 有 8 层、6000 万个参数。GPT-3 有 96 层、1750 亿个参数。原理完全一样——只是规模大了几千倍。

这是 AI 的第二个深刻洞察：简单运算的大规模叠加，可以产生极其复杂的行为。

没有任何一个参数”知道”量子力学是什么。但 1750 亿个参数组合在一起，统计上就能生成一段关于量子力学的、看起来颇为合理的文字。

第四块拼图：训练就是调参（第 5 篇）

那 1750 亿个参数是怎么得到的？谁决定了每一个参数应该是 0.0173 而不是 0.0289？

答案是：没有”谁”决定。是训练 决定的。

第 5 篇详细拆解了训练的过程。让我用最简练的方式回顾：

1. 一开始，所有参数都是随机的。 AI 输出的是乱码。
2. 给 AI 看一段真实文本 ，比如：”量子力学是物理学的一个分支”。
3. 遮住最后一个词 （”分支”），让 AI 根据前面的词猜这个词是什么。
4. AI 猜了一个词——大概率猜错了，因为参数是随机的。
5. 算出猜得有多离谱 ——这叫做损失函数，就是”预测”和”正确答案”之间的差距。
6. 反向传播：从最后的错误出发，一层一层往回追溯 ，算出每一个参数对这个错误”贡献”了多少。
7. 微调每一个参数 ——让错误变小一点点。每次调整幅度很小（比如 0.001），但对 1750 亿个参数同时做。
8. 重复。 用几万亿个词的训练数据，重复这个过程几百万轮。

几百万轮之后，那些原本随机的参数逐渐稳定下来。不是因为有人告诉它”量子力学是物理的分支”——没有人教过它任何知识。它只是在反复的”猜词、对答案、微调”中，发现了人类语言中反复出现的统计模式。

这就是”训练”——本质上就是用海量数据+反向传播，把 1750 亿个随机数字调整到”很少猜错”的状态。

而这个过程之所以能在人的有生之年完成，是因为 GPU。第 5 篇里的类比：CPU 是一个大厨，一次做一道菜但做得很好；GPU 是一千个帮工，每个人只会做简单的活但可以同时干。训练神经网络恰好是”大量简单计算同时做”——GPU 的主场。

GPT-3 的训练据估计用了约一万块 GPU，耗时数月，消耗了几百万美元的算力成本。所有这些资源只做了一件事：把那 1750 亿个随机数字调整到合适的位置。

第五块拼图：Transformer 让 AI 能”同时看全文”（第 6 篇）

有了神经网络和训练方法，为什么不是在 2012 年就做出了 ChatGPT？

因为还差一个关键组件：Transformer。

第 6 篇讲了这个故事。2017 年之前，AI 处理语言用的是 RNN——它像手指一个字一个字指着读，读到后面就忘了前面。这就是为什么早期的机器翻译和聊天机器人总是”前言不搭后语”。

2017 年，Google 的一个团队发表了一篇论文：《Attention Is All You Need》。核心发明就是注意力机制 ——让 AI 在处理每个词时，同时”看”整段文字，找出相关的部分。

这个发明带来了三个改变：

1. 能记住长文本 ——不再”读到后面忘了前面”
2. 能并行计算 ——RNN 必须一个词一个词地算，Transformer 可以同时算所有词——训练速度飞跃
3. 越大越好 ——模型越大、数据越多，效果就越好，而且似乎没有天花板

正是第三点，催生了”大力出奇迹”的路线：

1  
2  
3  
4  

|

2018 年 GPT-11.17 亿参数    "能读懂一些文字了"  
2019 年 GPT-215 亿参数      "能写像样的文章了"  
2020 年 GPT-31750 亿参数    "能对话了"  
2022 年 ChatGPT  GPT-3+ 人类反馈训练  "能好好说话了"  
  

—|—

从 1.17 亿到 1750 亿，参数量翻了 1500 倍。但核心架构没有变——都是 Transformer。变的只是规模。

ChatGPT 不是一个全新的发明——它是注意力机制这个想法被放大了一千五百倍之后的产物。

而那最后一步”人类反馈训练”（RLHF）也很重要：它让 AI 不只是”能说”，而且”会说”——知道什么该说、什么不该说，知道怎么组织语言让人类满意。但本质没变——它仍然是在做”预测下一个最可能的词”。

第六块拼图：统计模式匹配不等于理解（第 7 篇）

如果你只读了前 6 篇，你可能会觉得 AI 非常了不起——它能认脸、能对话、能写文章。但第 7 篇给了你一盆冷水。

那个律师的故事你还记得吗？Steven Schwartz 在法庭上提交的 6 个判例全是 ChatGPT 编造的。他甚至问了 ChatGPT 这些判例是不是真的，ChatGPT 回答”是的”。

现在你已经知道了完整的原理，就能理解为什么会这样：

ChatGPT 不是在”回忆”它读过的法律文献。 它没有一个”事实数据库”可以查阅。它做的唯一一件事，就是基于前面的文字，计算出统计上最可能的下一个词。

当律师问”帮我查找支持这个观点的判例”时，ChatGPT 开始”续写”。在它的训练数据中，有大量的法律文书，它知道一个判例引用”应该长什么样”——有案件名称、有法院、有日期、有案号。于是它生成了一段”看起来像判例引用的文字”。

但”看起来像”和”是真的”之间有一条鸿沟。

第 7 篇还讲了对抗样本的故事：在一张熊猫图片上加一层人眼看不见的噪点，AI 就会以 99.3% 的置信度认为这是一只长臂猿。这进一步说明了 AI 在做的事情——数字运算，而非”看”。 那些微小的数字扰动改变了运算结果，尽管图片在人眼看来完全没变。

AI 的”聪明”和”犯傻”来自同一个源头：统计模式匹配。

匹配得好的时候，它看起来比人还聪明。匹配得不好的时候，它犯的错误让人匪夷所思。但不管哪种情况，它都没有在”理解”任何东西。它不知道量子力学是什么。它不知道判例是什么。它甚至不知道自己在”说话”。

它只知道一件事：根据前面的数字，计算下一个数字的概率分布。

七块拼图，一张完整的图景

现在，让我把这七块拼图拼在一起。

你问 ChatGPT”什么是量子力学？”的那三秒钟里：

• 你的话变成了数字 （第 1-2 篇的知识）——Token 化和词向量把人类语言翻译成 AI 的母语：数字
• 数字在巨型网络中流动 （第 4 篇的知识）——1750 亿个参数，96 层乘法和加法，逐层提取更高层次的”特征”
• 注意力机制在全文中寻找关系 （第 6 篇的知识）——每一层的注意力机制让词和词之间交换信息，理解上下文
• 这些参数是从海量数据中训练出来的 （第 5 篇的知识）——几万亿个词的文本，反向传播算法，几百万轮的微调，GPU 集群的算力
• 训练之所以有效，是因为三要素齐了 （第 3 篇的知识）——数据、算力、算法的螺旋上升
• 最终输出的是”统计上最可能的下一个词” （第 7 篇的知识）——不是事实，不是理解，是概率

这就是 ChatGPT 回答你的三秒钟里，发生的全部事情。

没有理解。没有思考。没有知识库查询。没有”灵感”。

只有数字、乘法、加法，和统计概率。

核心结论：AI 的一句话定义

如果要用一句话概括前面 7 篇的全部内容，我会说：

AI 是一个超级模式匹配器。

它把世界上的一切——文字、图片、声音——转化为数字。

然后在海量数据中寻找统计模式。

最后用这些模式来”预测”输出。

仅此而已。

凡是能转化为模式识别的问题，AI 都可能做得比人好。 图像分类、语音识别、翻译、代码生成——这些任务的共同特点是：存在大量的数据，存在可学习的模式，输出可以被清楚地评判对错。

凡是需要真正”理解”的问题，AI 目前还做不到。 因果推理、常识判断、创造性思维、价值观判断——这些任务的共同特点是：不能简单地转化为”从数据中找模式”。

这不是 AI 的”缺陷”——这就是它的本质。

就像你不会抱怨计算器”不理解数学”——计算器做的事情就是按规则算数字。AI 做的事情就是在高维空间里匹配统计模式。它做这件事做到了人类望尘莫及的程度。但它做的只有这一件事。

带着这个理解上路

如果你真的消化了前面 7 篇的知识，你现在手里有了一个非常强大的工具：一个判断 AI 的基础框架。

用这个框架，你可以回答很多平时争论不休的问题：

“AI 会取代我的工作吗？”

→ 拆解你的工作：其中哪些部分是模式匹配（整理数据、套用模板、翻译文本），哪些部分需要理解（创造性决策、人际沟通、价值判断）？前者可能会被 AI 加速甚至替代，后者不会——至少在 AI 的底层原理不发生根本改变的情况下不会。

“AI 写的东西能信吗？”

→ AI 不在乎真假。它在乎的是”在训练数据的统计模式中，下一个最可能的词是什么”。如果事实和”统计上最可能的文字”一致，它就对了。如果不一致，它照样会自信满满地说出来——因为它不知道什么是”对”和”错”。关键信息永远要自己验证。

“AI 会有意识吗？”

→ 你现在知道 ChatGPT 在做什么了：1750 亿个数字的乘法和加法，预测下一个词的概率分布。这里面有”意识”吗？当然，这个问题目前没有定论——我们甚至不完全清楚人类的意识是怎么产生的。但至少你不再需要因为”AI 说话听起来很像人”就恐慌了。你知道那些像人的回答是怎么来的——统计模式匹配，不是”思考”。

“AI 会不会突然变得危险？”

→ 你在第 7 篇里已经看到了 AI 的脆弱性：一点像素噪声就能让它把熊猫认成长臂猿。AI 的”智能”是窄的——它在训练过的模式上表现惊人，在模式之外几乎毫无能力。这不意味着 AI 没有风险，但风险的性质和科幻电影里”AI 觉醒”完全不同——更现实的风险是人类过度信任 AI 的输出，就像那位律师一样。

下一章预告

理解了 AI 的本质，我们来看一个更实际的问题——

AI 在各个领域的真实能力边界到底在哪里？

ChatGPT 能通过律师资格考试，但分不清”谢谢你”是真心感谢还是讽刺。AI 能画出以假乱真的照片，但自动驾驶还搞不定一只突然窜出来的猫。

有没有一套简单的方法，让你面对任何 AI 产品时都能快速判断：这个靠谱吗？

下一篇，我们就来建立这套判断方法。

个人锚点

写完这 8 篇，我有一个很强的感受：了解 AI 的过程，其实是一个「祛魅」的过程。

你以为它很神秘，拆开一看，就是数字、乘法和统计。

第 1 篇的时候，我发现图片在 AI 眼里就是一堆 0 到 255 的数字——整个世界观都变了。第 2 篇的时候，我发现连”语义”这种虚无缥缈的东西都能用 768 个数字表示——又变了。第 4 篇的时候，我发现所谓”神经网络”就是乘法和加法——再变一次。到第 7 篇的时候，我发现 AI 会编造判例、会被一点噪声骗过——第四次改变。

每一次”变”，都是一层神秘感的消退。

但这不意味着 AI 不了不起——恰恰相反，用这么”简单”的原理做到这些事情，本身就是人类智慧的奇迹。

一堆乘法和加法，只要叠加得足够多、在足够多的数据上训练得足够久，就能生成一段读起来头头是道的文章、画出一幅让人真假难辨的图画、翻译几十种语言。

这个奇迹的名字不是”人工智能”——它的名字是”统计学”和”工程学”。

理解这一点，你就不会盲目崇拜 AI，也不会盲目恐惧 AI。你会把它看成它本来的样子：一个极其强大的工具，有着清晰的能力边界，等着被正确地使用。

这，就是第一章想告诉你的全部事情。

第一章完整回顾

篇目	核心知识	一句话总结
第 1 篇	图片=数字矩阵，Sobel 算子，层层检测	AI 看到的不是图片，是数字
第 2 篇	Token，词向量，语义=距离	AI 读到的不是文字，是高维空间的点
第 3 篇	AlexNet，三要素（数据+算力+算法）	2012 年不是进步，是换了赛道
第 4 篇	输入 x 权重+偏置→激活→输出	神经网络就是乘法和加法
第 5 篇	反向传播，过拟合，GPU 并行	训练就是用数据调参，GPU 负责算
第 6 篇	注意力机制，Transformer，GPT 系列	Transformer 让 AI 能同时看全文
第 7 篇	幻觉，对抗样本，统计≠理解	模式匹配不等于理解
第 8 篇	全流程串联，核心结论	AI 是超级模式匹配器

第一章的承诺： 读完这 8 篇，你将能够解释 AI 是怎么”看”图片和”读”文字的，理解神经网络是什么意思，知道训练具体在做什么，明白 2012 年和 2017 年为什么重要，以及理解 ChatGPT 为什么会”犯傻”。

现在，你能做到了吗？

如果能——欢迎来到第二章。