AI大模型到底是个啥?别被唬住了!它就是个高级概率版的“文字接龙”
周末傍晚，你问女友吃什么，她说“随便”；你说煮面，她嫌昨天吃过，你说点外卖，她又说不健康。绕了一圈才发现，“随便”这道菜最难做，于是你打开AI，把人数、食材和忌口一交代，它很快写出一份菜单，看着还挺像那么回事，难道屏幕后面真坐着一位厨师？咱们就通过这顿晚饭，把AI大模型是怎么一回事聊明白。
这里主要说擅长文字对话的大语言模型，就是我们俗说的AI大模型，先把它写回答的动作拆开看：写到“西红柿炒”，后面可以接“鸡蛋”，也可以接“牛肉”，模型会结合前面的要求，给不同接法算出不同的可能性，再按生成规则选出后续文字；为了直观看懂，下面假设“鸡蛋”占70%、“牛肉”占20%，其他接法合计10%，这里大模型就会选择接“鸡蛋”了；接上“鸡蛋”后，它又带着已有内容继续算，后面也许会写“再配清炒小白菜”；一小块接一小块，整份菜单就这样写出来了。
这就是“概率版的文字接龙”：接的是后续内容，不要求前后用同一个字；模型先算出不同接法的可能性，再按生成规则决定接哪一种。
看前文 → 算下一小块的概率 → 按规则选出 → 接回前文，继续往下写。
看到“西红柿炒”，后面可以怎样接
没下过厨也能学会写菜谱：预训练
它凭什么知道“西红柿炒鸡蛋”比“西红柿炒拖鞋”更像一道菜？在你打开聊天框之前，它已经练过大量文字，材料里有文章、对话，也可能有菜谱、代码和数学题。拿一句菜谱做演示：原文是“西红柿炒鸡蛋，先把鸡蛋打散”，训练时先不给它看后文，只让它根据“西红柿炒鸡蛋，先把”往下预测，看看它给原文后续内容分配了多大的可能性。
假设它更倾向于接“鸡蛋切片”，给“鸡蛋打散”的概率却太低，训练程序就计算这次预测与原文的差距，再调整模型内部的一批数字，让原文对应的接法更容易被预测出来。这批参与计算、可以调整的数字叫参数；训练就是换着材料反复预测、对照和调整，练久了，模型会学到鸡蛋能打散、食材怎么搭配，以及一句话怎样说才通顺等联系。
这些本事不是一张“某个词后面最常接什么”的小抄，同样说鸡蛋，“怎么炒”和“怎么保存”需要的后文就不同，模型得结合前后内容来算。你可以把模型理解成一套计算办法，加上训练得到的一大批参数，广泛积累本事的阶段叫预训练；AI大模型里的“大”，通常说的是模型规模和参数数量大，不过具体表现还要看怎么训练，但它学到的是材料里的规律，并没有真的下厨尝过咸淡，所以你有时会觉得，AI有时像人一样智能、但却又不像人一样智能。
练接龙，就是预测、对照、调参数
会接话还得学会按要求办事：后训练
只会把文字接通顺，还不一定能帮你安排晚饭，你说“给我两道家常菜，写短点”，它可能从西红柿的来历讲到烹饪文化，菜还没下锅，你先看饿了。开发者还会给它看一批示范：遇到这样的要求，就列两道菜和简短做法，让它继续练习怎么按要求回答；接龙接到你需要的方向，才算把任务接住了。
还可以让训练人员或评估程序比较两份回答，甲列了十道菜，还夹着一盘你明确说不要的花生米；乙只列西红柿炒鸡蛋和清炒小白菜，数量、忌口都对得上。再用这类反馈继续训练，调整参数，使符合要求的回答更容易生成，这类工作通常叫后训练；它不只是让话更客气，也可以训练解题、规划和使用工具等能力，毕竟你需要的是晚饭安排，不是一个特别有礼貌的报菜名节目。
等你真正来用时，模型通常已经练好了，你补一句“做法再简单点”，主要是把这次要参考的内容换了，让它按新条件重新计算后文的概率，并不是当场重新训练。就像厨师学会做菜后，你说“少放盐”，他改的是眼前这顿饭，不用回厨师学校从头学起；下面这三个阶段，一个学基础本事，一个继续练怎么完成任务，一个拿练好的本事回答你，别把它们混成一件事。
阶段 | 这时在练什么或做什么 | 通常改参数吗 |
预训练 | 预测后文、对照材料，积累语言和知识规律 | 会 |
后训练 | 继续练习遵循要求、解题和使用工具等能力 | 会 |
日常对话 | 根据这次的条件，逐步生成回答 | 不会 |
它怎么把你的要求联系起来
现在正式把晚饭交给它：“三个人吃，不放花生，尽量半小时做好；家里有鸡蛋、西红柿和小白菜，米饭已经煮好，有炒锅和电饭煲。”电脑先把文字拆成小块，叫词元，也叫Token，一块可能是一个字、一个词，或词的一部分；再把这些小块转成数字，同时处理先后顺序，这样才能拿来计算，而不是直接拿汉字做乘法。
接下来，它得把几处信息联系起来，“三个人”关系到分量，“半小时”关系到做法，“不放花生”里的“不放”更不能落下；只认出“花生”两个字就推荐花生米，属于热心帮倒忙。很多大模型采用Transformer结构，其中的注意力机制，可以想成在前后文字间画连线，计算处理眼前内容时，其他哪些地方值得多参考一点，再把这些信息综合起来。
这些联系会影响模型接下来怎样写，比如你已经交代了食材和厨具，它生成“西红柿炒鸡蛋、清炒小白菜，配米饭”，就比突然安排一锅两小时的炖菜更合要求。整个网络会经过多层计算，才得出下一小块文字的概率，所以所谓接龙，也得看整段意思；你的提示词，就是给它这一轮计算提供条件，人数、时间、食材说清楚，比只喊一句“你是宇宙第一大厨”更有用，厨师帽再高，也装不下你没说的要求。
接下一个词，也得参考前面的要求
同一个问题为什么还能换个说法
回到开头那组示意概率：鸡蛋70%、牛肉20%、其他接法10%，有了它们，系统还得决定这一步究竟选哪一个。有的生成规则直接选可能性最高的，有的会按概率从候选里抽选，可能性高的通常更容易被选中，但不是每次都只拿第一名；因此，同一个问题问两遍，回答有时会换个说法，菜单也可能略有不同，并不奇怪。
选出一小块之后，事情还没结束，新写出来的内容也加入前文，再参与下一轮计算，比如“今晚可以做”后面接了“西红柿炒鸡蛋”，再往下就可以继续安排小白菜的做法。它不是开头抽中一张现成菜单就照抄到底，而是在生成过程中不断往下算，直到这次回答结束；看屏幕上文字一点点冒出来，就像看它一边铺路、一边往前走，前面铺到了哪里，会影响后面怎么接。
这里最容易弄错的是：70%不是“有七成把握说的是真话”，而是演示中某种接法被分配到的可能性，概率高，也不能证明冰箱里真有鸡蛋。同样，允许更多种接法，有时能带来不同思路，却不自动让回答更正确，反复问出十份菜单，也不会把缺少的食材变出来；要让结果适合你家，关键仍然是提供实际条件，再检查模型有没有遵守，接得顺和做得到，还得分开看。
每接一小块，就带着新内容再算
鸡蛋用完了它怎么跟着改菜单
菜单刚写好，你打开冰箱，发现鸡蛋已经用完了，于是补一句：“没有鸡蛋了，换个做法。”一个能跟上话的回答，就应该撤下西红柿炒鸡蛋，例如改成“清炒小白菜、番茄汤，配现成米饭”；米饭已经煮好这条旧信息继续派上用场，三个人吃、不放花生也还要算数，不能换个菜单，就顺手把之前的交代一起忘了。
模型这次回答时能参考的这些信息，叫上下文，包括你的问题、带进来的聊天记录、资料和已经生成的内容，可以想成答题时桌上放的那一摞材料。“鸡蛋用完了”添进来之后，同一个模型按新材料重新计算，后续文字的概率也会跟着变，这就是你补充一句，它就能继续改方案的原因；不过，这摞材料放得下多少有上限，聊天太长时，前面的要求可能没被完整带上。
复杂的安排，还可以让它先列出“有哪些食材、哪些菜能做、只有一口锅该按什么顺序”，写出的中间步骤，又成为后面继续计算时可参考的内容。这样一来，逐步生成也可以用来展开分析、制订计划，远不只是接几个顺口的词，但列了步骤仍可能算错，锅也不会因为计划写得漂亮就多长出一口；发现它漏了人数或忌口，直接重申关键条件，比让它猜“你到底哪里不满意”更省事。
鸡蛋用完了，后面的接法就要变
为什么它会编出冰箱里没有的虾仁
概率不是正确率，这个区别一到冰箱前就特别明显，假如改菜单时，AI突然补上一句：“再拿出你家冷冻的虾仁，放进汤里。”你之前的清单里没有虾仁，翻遍冰箱也没找到，这袋虾显然住在它的句子里，没住在你家；它的错误，是把没有依据的库存情况，说成了确定的事实，而不只是推荐了一道不合口味的菜。
为什么会这样？因为“拿出虾仁、解冻、下锅”是一段很顺的做菜话，模型学过类似写法，生成时就可能接出这一串内容；可“这段话写得像菜谱”，并不等于“这份菜谱符合你家的实际情况”。错误或缺乏依据、却被当成事实说出来的内容，通常叫幻觉，缺信息、学过的材料有误、计算中出了错，都可能让回答跑偏；再流畅的文字，也没有替它自动完成一次冰箱检查。
所以，“如果有虾仁，可以做虾仁炒饭”是带条件的建议，“你家有虾仁，拿出来做饭”则需要依据，两句话看着差不多，责任可差远了。你可以追问“哪些食材是我明确说过的，哪些是你补出来的”，让它缺信息先问，再按核实过的清单重写；这种做法能减少凭空补细节的机会，但重要事实仍需要实际核对，光把语气改得更自信，或者让它把答案重复三遍，都不能给冰箱增加库存。
文字接得顺，不代表冰箱里真有
查资料和用工具能帮它少犯错
想让接龙有依据，最直接的办法，是把真实食材清单发给它；如果产品能查询你保存的食材记录，也可以先找到相关记录，再交给模型参考。比如查到“西红柿、小白菜、现成米饭”，它就依据这些信息安排菜品，技术上把“先找资料，再参考资料生成回答”叫检索增强生成，简称RAG；相当于把资料本放到桌上，让它有东西可查，不必凭空猜。
检索到的内容也会进入上下文，影响接下来的生成，这就把查资料与文字接龙连起来了；有些AI能回答你刚上传的文件，也是产品先找出相关段落，再让模型参考，并不需要为这一份文件重新训练。不过，查到记录不等于记录正确，如果昨天还有鸡蛋、今天已经用完，过期清单仍可能带出错误菜单，资料的好处是提供可核对的依据，不能把旧记录变成新鲜食材。
需要算采购费时，还可以让支持工具调用的AI使用计算器，假设补买豆腐、蘑菇和鸡蛋的费用分别是6元、4元、5元，工具相加得到15元，模型再把结果写进回答，这些金额只用于演示。也就是说，整套助手可以在需要时先调用工具，把返回结果带回来，再接着生成回答；模型负责组织任务，资料补充事实，工具执行计算，输入和结果仍要核对，不能把一段看起来像算对了的话，当成已经验过的账。
给接龙补依据，再让工具算账
AI明明在接龙为什么像个人
你觉得AI像个人，往往就在它改菜单这一下：你说“鸡蛋用完了”，它能撤掉炒鸡蛋，换成番茄汤，还记得三个人吃、不放花生、半小时上桌；知道只有一口锅，就先炒菜再煮汤，没让锅同时打两份工。你觉得它“懂了”，是因为它把几条要求联系起来，条件变了，办法也跟着变。“文字接龙”说的是回答怎样一小块一小块写出来，每一步都可以利用前文、眼前的要求和训练学来的规律进行计算；就像人写字也要一笔一笔写，不能因此说他只会画横竖。能把这些规律用到新情况里，解决眼前的问题，就是它表现出像人（智能）的地方；但这不代表它真的尝过菜，也不代表它和人脑用的是同一种办法。
用好AI要说清条件也要检查结果
用好AI，可以把它当成刚来你家帮忙的人：会出主意，但需要你交代家里的情况。你可以直接这样问：“三个人吃，有西红柿、小白菜和熟米饭，没有鸡蛋；不放花生，只有一口锅，半小时开饭，不出门买菜。请列两道菜和做菜顺序，写出每步大约几分钟，缺信息先问，别默认我还有别的食材。”拿到答案，再查有没有凭空多出虾仁、漏掉忌口，或让一口锅同时炒两道菜；还要把时间加一加，看半小时够不够。发现问题就点名改：“你让两道菜同时炒了，请按一口锅重排。”让它帮你出方案、做计划、写代码也一样，把目标和条件说清楚，让它先出办法，再用实际情况核对、修改；它负责出主意，你负责检查条件和结果，菜单才能从屏幕走进厨房。
灵宸智能科技原创文章和产品动态
将在第一时间发布至「灵宸智能科技」欢迎关注
往期优秀原创文章：