AI科普首讲：大模型真相揭秘

本期避开代码与参数，用最通俗的言辞，剖析大模型的底层逻辑。

许多人误以为大模型是装满知识的超级数据库，问什么便直接提取答案。这是最常见的误区。

大模型的根本属性，是基于海量文本训练而成的概率预测引擎。其核心任务唯有一个：依据前文，预测下一个出现概率最高的词汇。

当你询问“天空是什么颜色”时，它并非查阅百科全书，而是基于学习的数万亿字语料，算出“蓝”字接在“天空是”之后的概率最高，从而输出“蓝色”。

我们所见的流畅对话、逻辑推演、知识问答，皆是这种“文字接龙”能力在超大规模下涌现出的现象。

“大模型”之“大”，绝非指体积或空间占用，而是三个维度的叠加：

正是这三个“大”，促使模型从单纯的文字预测，进化出理解、总结、创作等近似人类的能力。

大模型的技术基石（Transformer架构）早在2017年便已问世，但直至近两年才爆发，核心原因在于规模效应触发了能力涌现。

当模型规模跨越某个临界点，会突然显现出训练时未曾专门教授的能力：例如未学数学却能解应用题，未学翻译却能跨语言交流，未学编程却能写出可运行的代码。

此类能力无法通过小模型达成，也无法预先设计，完全是规模积累后的自然产物。这也是大模型与传统AI最本质的差异：传统AI是“教什么会什么”，大模型则是“学得足够多后，自行领悟新技能”。

理解了原理，便能明白大模型为何会产生“幻觉”：

它仅关注下一个词的概率是否合理，不在乎内容是否符合事实。当遭遇知识盲区时，它不会回答“我不知道”，而是会用符合语法和逻辑的方式，编造一个看似完全正确的答案。

它缺乏对真实世界的感知，没有价值观判断，亦无记忆与自我意识。所有输出均为统计规律的产物，而非真正的“思考”。

认清这一点，方能正确使用它：将其视为强大的辅助工具，而非绝对可信的答案来源