第三章 · AI 到底在「学」什么

上一章讲清了：机器咬走的是任务，不是人。可要知道它咬得动哪些、咬不动哪些，得先弄明白这把刀怎么造的——刀刃的形状，决定它天生能切什么。这一章就把这波 AI 的核心「大模型」拆开看：它到底在「学」什么。

它的看家本事，就是猜下一个词

大语言模型（英文缩写 LLM，你就理解成「一个吃了海量文字、专门猜下一个词的超大机器」），听着高深，干的活其实土得掉渣：给它前面一段字，让它猜下一个字最可能是啥。

你天天在用它的迷你版：手机输入法联想。你打「今天天气真」，它跳出「好」「不错」「热」。凭什么？因为它见过无数人打「今天天气真」，后面接「好」最多。它不懂天气，只记住了「这几个字后面通常跟哪个」。

大语言模型就是这个游戏玩到极致。把输入法那点见识，换成几乎整个互联网的文字——书、代码、论坛、维基、说明书——让它反复做同一道填空题，上千亿遍：

训练它，说穿了就是拿一篇真文章遮住后面让它猜；猜错了就把内部的旋钮拧一拧，下次更可能对。几千亿次后越猜越准。没人教它语法、没人给它讲道理，它只是被逼着「把下一个词猜准」。

可猜词怎么就会写代码了？

一个只会填空的机器，怎么就能翻译、对话、写出能跑的代码？关键这句话：要把下一个词猜得足够准，它被逼着在肚子里塞进了大量世界的规律。

要接对「水的沸点是一百」后的「度」，它得「知道」这条物理常识；要接对 Python 下一行，它得摸清代码结构——哪个括号要闭合、变量定义过没；要把「猫」翻成「cat」，它得在无数中英对照里把两词的关系压进去。

换句话说：猜词准像绳子一样把它往「理解语言结构、掌握事实规律、熟悉代码套路」死死拽。它不是先学会世界再猜词，而是为了猜词顺手把世界的统计规律压进了肚子。会写代码、翻译、聊天，都是「猜词太好」溢出的副产品。

它最擅长的事，叫「插值」

这是全章最要紧的一对词，理解了它，你就拿到判断 AI 的钥匙。第一个，插值——听着吓人，其实就是「在见过的点之间连线取中间」。你标两个点：「1 岁孩子平均多高」「10 岁孩子平均多高」，问「5 岁的呢」？两点连线取中间一读，八九不离十。这就是在已知范围里面填缝隙。

相对的是外推，就是「跳到没见过的范围外面去」。同样两个点，问「100 岁的人平均多高」？连线往外一延就荒唐——身高到某个岁数就不长甚至会缩，可直线不知道，没见过那片区。

大语言模型是史上最强的插值机器。它见过的文字铺成一片巨大空间，只要问题落在里面，哪怕这句话它没见过，也能在周围无数相似例子之间「连线取中间」给出漂亮答案。写请假邮件、把话改正式、用 Python 写个常见排序——都落在范围里，又快又好。

可一旦问题跑到范围外面——没人写过、没有先例、要凭空造出全新东西——它就被迫切换成「外推」，像那条冲向 100 岁的直线，越走越离谱还不自知。

诚实说局限：它不保证「懂」，还会一本正经胡说

讲到这得泼盆冷水。第一，它并不「理解」它说的话，至少不像你那样懂。它的目标只有一个：让下一个词看起来像真的——像一个懂行的人会接着说的话。注意，是「像不像真」，不是「是不是真」；两者多半一致，但不总是。

于是有了那个著名的毛病：幻觉——模型一本正经地编出一段看着合理、其实是错的内容：一个不存在的书名、一条查无此人的法条、一个编造的数据，语气还笃定得很。它不是骗你，它压根没有「真假」的概念，只是把下一个词接得顺口。顺口和正确，它分不清。

第二，它不会主动查证，也不为对错负责。你问它就答，哪怕心里一点底都没有，除非你给它接上查资料的工具。它给你的是「最像答案的一段话」，不是「负责的答案」。

更深一层：它学到的是相关性，不是因果。它知道「乌云」和「下雨」老一块出现，却不真懂「因为有乌云所以会下雨」。多数时候够用；可一旦要真正想清「谁导致了谁」，短板就露出来。

别神化，也别贬低

那该怎么给它一个公道的定位？收好这句话，这是全章的全部：

它是人类造出来的、有史以来最强的「模式匹配 + 插值」机器——仅此而已，但这已经惊人得不得了。

它惊人，是因为人类绝大多数工作本质上都在已有的模式之间插值，都落在它见过的范围里，接得又快又好，好到让人心慌。它有天花板，也正因为它是「插值机器」：凡是要跳到范围外、凭空定义新问题、为结果负责、弄清「谁导致了谁」的地方，它就打滑。这条边界不是谁故意设的，而是这套「猜词 + 插值」机制天生长成的。

接下来五章，我们一根根去画那些真正管用的分界线。第一条最贴本章：一件任务，能不能被数据说清楚？能被大量例子描述的，它插值得动；说不清、举不出例子的，就够不着。下一章见。