M1-L1 · AI 是什么：预测，不是检索
适合谁读这节课
适合：用过 ChatGPT、Claude、Kimi 等 AI 工具，但不理解它为什么"有时候一本正经地胡说八道"，或者觉得 AI 就是"高级搜索引擎"的人。
不适合：已经了解 LLM 原理、知道 Transformer 是什么的人——直接跳 M2。
读完这节课你能做到什么：用一句话解释 AI 为什么会产生幻觉，知道什么时候可以信 AI、什么时候必须核查。
先破一个误区：AI 不是百度
很多人用 AI 的方式就像用百度——问一个问题，期待 AI 翻出标准答案。
这个理解是错的，而且这个误区会让你反复对 AI 失望。
AI 不是在"检索"，它在"预测"。
一个字的差别，是你理解 AI 所有行为（包括所有奇怪行为）的基础。
AI 真正在做的事：一场超级文字接龙
大语言模型（LLM——就是 ChatGPT、Claude、DeepSeek 背后的技术）在做什么？
一句话：根据你说的上文，预测下一个最可能出现的词。
就像一场文字接龙：
你说："白日依山" → 模型算了一下，"尽"字出现的概率是 99% → 所以它接上："尽"
你可能会问：就这？这也叫智能？
是的，就这。
但请注意这件事：当"接龙"的能力被推到极致——训练数据达到千亿级别——外在表现出来的，就是我们看到的"智能"。
它能接代码、接法律条文、接心理咨询对话、接哲学讨论——这一切，都来自同一个机制：预测下一个词。
AI 为什么会"一本正经地胡说八道"
理解了"预测下一个词"，幻觉问题就有了解释：
- AI 的目标是预测"最可能出现的下一个词"
- "最可能出现" ≠ "客观正确"
- 当它不确定答案时，它输出的是**"最像答案的文字"**，不是"正确的事实"
所以它不会说"我不知道"——它会自信地说一个听起来很像正确答案的东西。
这叫幻觉（Hallucination），不是 bug，是这个架构设计的必然结果。
类比：就像一个博览群书但从不核查的人——他能说出有条有理的话，措辞精确，来源像真的，但内容可能是拼凑的或者错的。而且越流畅，越容易让你以为是真的。
AI 的三段进化史（3 分钟版）
理解为什么今天的 AI 跟以前的 AI 完全不同，比理解 AI 本身更重要。
1964：Eliza——套公式的"心理医生"
人类最早的聊天机器人 Eliza，由 MIT 于 1964 年开发，扮演一个心理医生。
你：我很难过。
它：请告诉我你为什么难过？
你：因为我失恋了。
它：听到你失恋了，我很有兴趣。
看起来挺像回事？其实它只是在套公式：如果用户说"I am X"，就回复"Why are you X？"
本质是 If/Else 规则树。一旦你说复杂一点，它就露馅了。
2011：Siri——查表的"助手"
Siri 时代，AI 开始用统计学——它不理解你说什么，但统计过：当你说"明天天气"，90% 的情况是想看天气预报。
它在"查表"，不在"思考"。所以老版 Siri 经常"听不懂人话"——它只能在预设的框架里回答。
2018 至今：GPT——"大力出奇迹"
从 GPT 开始，规则没了，统计没了，只有一件事：在海量数据上做文字接龙，做到极致。
效果是：当接龙能力强到一定程度，AI 不需要任何规则，自然就会推理、写代码、分析情感。
这被称为涌现（Emergence）——能力不是设计出来的，是规模堆出来的。
3 个你必须知道的技术词（说人话版）
Token：AI 看到的最小单位
AI 不认识"字"，它认识 Token（词素）。
Token 是分词器切出来的片段，不是固定的"一个字"：
- 英文：
"Hello, world!"≈ 4 个 Token（Hello / , / world / !） - 中文：大多数情况接近 1 汉字 = 1 Token，但数字、英文混排时不同
为什么重要：AI 按 Token 计费，理解 Token 帮你估算成本。
一个惊人的数字：现在顶级模型的上下文窗口（一次能"看到"多少）已达到 10M Token（Llama 4 Scout，2025年）。10M Token 大概是多少？相当于《红楼梦》原文 × 60 倍。
温度（Temperature）：AI 的性格开关
调用 AI 时，有个参数叫温度，控制它选词时有多"随机"：
| 温度 | AI 的状态 | 适合的任务 |
|---|---|---|
| 0 | 严谨的理工男，每次选概率最高的词，绝对可预期 | 写代码、做数学题、结构化输出 |
| 0.7–1.0 | 均衡状态（大多数应用的默认值） | 通用对话、文案写作 |
| 1.0 以上 | 天马行空的艺术家，选更新奇的词，但不稳定 | 写诗、创意脑洞、灵感发散 |
你不知道但应该知道的：你用 ChatGPT 聊天时，温度通常默认在 0.7–1.0——这是刻意调过的值，让它听起来既不像机器人，也不像疯子。
幻觉（Hallucination）：AI 最重要的弱点
幻觉的表现：AI 说的话听起来正确、来源看起来真实，但事实上不存在或是错误的。
幻觉的触发条件：
- 训练数据里没有这个信息（比如最新事件、小众专业知识）
- 问的问题有歧义，AI"猜"了一个
- 让它给具体数字、具体引用时（它不查，它推断）
核查原则：任何你要引用的具体数字、人名、事件细节，都要去原始来源验证。AI 给你的只是"大概率正确的猜测"。
一个让人意外的事实
今天（2026年）的小模型，已经超过了 2023 年的 GPT-4。
Phi-4、Gemma 3、Qwen3-small 这些模型，在大量任务上已经超越了当年让全世界震惊的 GPT-4。
这意味着：
- AI 的进化速度比你想象中快
- 今天的顶级工具，两年后可能不再是最好的选择
- 所以这门课教的不是工具，是理解——理解 AI 能做什么、不能做什么，这个理解是不会过时的
引导练习
任务：不看课文，用自己的话回答两个问题（写在纸上或笔记里）：
-
如果 AI 是在"预测下一个词"，它为什么有时候能给出很准确的专业知识？ （想一想：它预测的数据来自哪里？为什么有些话出现的概率就是高？）
-
上一次你发现 AI 给了你错误信息，是什么情况？按照"预测机制"，分析为什么会发生那次错误。
独立挑战
关掉课文，独立完成。
任务：打开任意 AI 工具，做这个测试：
- 问它一个你熟悉的领域的具体数据问题（你的行业、你的专业）
- 让它给出 3 个具体的数据点或引用来源
- 逐一去搜索引擎核查这 3 个数据点
记录：命中几个？哪些是幻觉？幻觉的"外表"有什么特征（听起来为什么像真的）？
这个测试建立你对 AI 的校准感：知道什么时候可以信它，什么时候必须自己查。
量规
通过条件：
- 你能不看课文，解释"预测"和"检索"的区别（用自己的例子说明）
- 你能解释 AI 为什么会产生幻觉（说出机制，不是只说"AI 会犯错"）
- 你做了独立挑战，有记录结果（多少个命中，多少个幻觉）
不通过：只是读完了，没有做测试——理解 AI 边界必须亲自验证，不能只读。
迁移挑战
场景：你的同事把一段 AI 生成的内容发给你，里面引用了 3 个数据，每个都有具体年份和来源，非常像模像样。他问你："这些数据可以直接用吗？"
用这节课学到的知识，告诉他：
- 判断标准是什么（什么情况下相对可信，什么情况下必须核查）
- 10 分钟内的快速核查方法
思考题（没有标准答案）
如果 AI 只是在做"概率预测"，它真的有"自我意识"吗？
还是说，我们的"自我意识"，本质上也是一种极其复杂的、生物学层面的"概率预测"？
这个问题目前没有科学定论，只有哲学争论。但这不妨碍你有自己的答案。
下一节预告
M1-L2 · AI 的能力边界：5 条你需要亲眼见过的鸿沟
AI 能做什么，大家都在讨论。但 AI 什么时候会彻底失效——这才是真正影响你用 AI 决策的知识。下一节把这个说清楚，包括一个让大多数人惊讶的发现：有时候，再好的提示词也救不了你，你需要完全换另一个方案。