第五章说，AI 压扁了「给出像样答案」的成本。但让机器学会技能的想法一点也不新——1950 年代就有人喊「人工智能」了。为什么喊了七十年，偏偏在 2020 年代兑现？这一章用大白话把技术本身讲清楚，你会发现答案不在某个天才算法，而在三样东西第一次同时到位。
老办法的死胡同：规则写不完
早期的 AI 走「专家系统」路线：把人类专家的知识写成一条条规则，喂给电脑。这在棋类、报税这种边界清晰的领域管用，但一碰到「写一封得体的邮件」就崩了——得体没有规则表。第四章说过：人会做但说不清怎么做的事，恰恰最难编程。规则路线等于要求人类把「说不清」变成「说得清」，这是拿短板碰硬墙。
出路只有一条：别写规则，让机器自己从例子里把规律「挤」出来。这就是机器学习——大白话讲：「不给电脑答案，只给它题和批改，让它自己调出一种越来越对的内部状态。」
一台有几十亿个旋钮的机器
现在主流的机器学习长这样，没有一句黑话能躲开，但我们全用人话讲。想象一台机器，内部是几十亿个可旋转的旋钮（行话叫参数，就是一组数字）。你给它看半句话「今天天气真」，它吐出下一个词。一开始旋钮全是随机的，它吐的是「香蕉」「高达」之类的胡话。
然后开始做一件事，做几万亿遍：拿真实文本盖住最后一个词，让机器猜，猜错就按「让下次错得少一点」的方向，把所有旋钮微调一丁点。注意，没有任何人告诉它「名词后面常接动词」这种规则——这些规律是它自己在几十亿旋钮的某种组合里长出来的。猜得足够多之后，怪事发生了：它不光会接句子，还会翻译、会写代码、会做数学题——没人教过它这些，这些能力是从「把下一个词猜准」这个朴素任务里挤出来的副产品。
大白话：想猜准下一个词，就得懂点语法；想再准一点，就得懂点事实；想更准，就得懂点逻辑。把「猜词」做到极致，等于逼着机器把人类文本里压缩着的整个世界，重新学了一遍。
三样东西第一次同时到位
这套思路（神经网络）1980 年代就有，为什么等到 2020 年代？因为它是一台「吃得多、跑得慢」的机器，必须三样东西同时管够：
- 数据：需要天文数字的「题和批改」。互联网前二十年，人类顺手把几千亿字的文本搬到了网上——书、网页、代码、对话。这是史上第一次，全人类的知识以机器可读的形态堆在一个地方。数据管够，是 2010 年之后的事。
- 算力：调几十亿旋钮几万亿次，需要一种特别能并行做乘加运算的芯片。碰巧，游戏产业二十年养肥了 GPU——大白话讲，「原本为游戏画面设计的、能同时算几十万道简单算术的芯片」——它干这个正合适。2012 年起，研究者发现用游戏显卡训练神经网络，速度翻几十倍。
- 一个关键发现：2020 年前后，研究者测出一条冷酷又振奋的曲线——缩放定律：大白话讲，「模型变大、数据变多、算力变强，犯错率就沿着一条平滑曲线稳定下降，不撞墙」。这意味着这条路没有已知的天花板，剩下的是工程问题而不是科学赌博。于是几百亿美金敢往里砸，曲线一路走到今天。
还有一个 2017 年的技术细节值得提一句：一种叫 Transformer 的结构让机器能「一眼看完整段话再猜」，而不是从左到右逐字爬行，并且特别适合在几千张 GPU 上并行训练。它是点燃引信的那根火柴，但火药是三样东西同时到位。
所以「为什么是现在」
总结一下这一章对全书的贡献：AI 的出现不是某个奇点突然降临，而是互联网攒了二十年的数据 + 游戏业攒了二十年的算力 + 一条「不撞墙」的曲线，三条慢变量在 2020 年代交汇。它兑现的恰好是第五章说的那个成本塌方：「给出像样答案」从此以秒和分为单位计价。
技术账算清了，接下来看人。当「产生候选」便宜到近乎免费，每个干活的人手里突然多了一台无限提案机——工作本身会变成什么样？