Day 1：大语言模型到底是什么？
早上好！今天是 AI 每日学习的第一课。你可能已经用过 ChatGPT、豆包或 Kimi，但「大语言模型」这五个字到底指什么？今天我们不堆术语，只用生活里的比喻，帮你建立一张清晰的地图：它是什么、怎么工作、能做什么、不能做什么。读完后，你再看到「模型」「参数」「推理」这些词，就不会觉得它们像天书了。本课约 20 分钟，建议先通读再做题，不必一次背会所有名词。
先用一句话理解：它像一位读过很多书的助手
大语言模型（Large Language Model，常简称 LLM）本质上是一个经过海量文字训练的计算机程序。你可以把它想象成一位几乎读遍了互联网公开文本的助手——小说、百科、论坛、教程、新闻它都「见过」很多遍。它并不是把整本百科全书背在脑子里，而是学会了文字之间的统计规律：看到「北京是中国的」时，下一个词很可能是「首都」；看到「把大象放进冰箱分几步」时，它会按常见问答格式给出分步回答。注意：它学会的是「怎样像人类一样组织语言」，而不是像人一样真正理解物理世界。这很重要，后面我们会反复提到。再打个比方：它像超级 autocomplete（自动补全），你手机输入法会根据前几个字猜下一个词，模型只是把这套机制做到了极致规模。
训练与推理：学说话 vs 现问现答
模型的生命周期分两大阶段。第一阶段叫训练（training）：工程师把成吨的文字喂给模型，让它调整内部数以亿计的数字（这些数字叫参数，你可以粗浅理解为「旋钮」），使得它越来越擅长预测下一个词。训练一次非常耗算力和电费，所以大公司几个月才发布一个新版本。第二阶段叫推理（inference）：就是你打开网页提问时发生的事——模型根据你输入的内容，一个词一个词地「接龙」，直到形成完整回答。推理比训练便宜得多，但每问一次仍要消耗计算资源，这就是为什么有些产品会限制免费次数。日常使用时，你几乎只接触推理；训练是幕后工程，了解即可。常见版本号如 GPT-4、Claude 3.5 指的是不同的模型家族与能力档位，不必一开始就全搞懂，知道「新版本通常更强也更贵」即可。
Token：模型眼中的「文字碎片」
模型并不直接按「一个字」处理中文。它会把文本切成更小的片段，叫作 Token。英文里一个 Token 可能是一个单词或词的一部分；中文里常见的是一个汉字或一个词组。你付费或看到「上下文长度 128K」时，说的就是这个窗口里能容纳多少 Token。上下文越长，模型能「记住」的对话内容越多，但计算也越慢、越贵。对零基础用户来说，只需记住：长文章、长对话会更快触达上限；把问题拆短、分轮提问往往更稳。不必背公式，知道 Token 是「计费与记忆的单位」就够了。若你粘贴一整篇论文让模型总结，先问「是否读得完」或主动分段，是更友好的用法。
和常见产品的关系
ChatGPT、Claude、文心、通义等产品，底层往往都调用某个或某几个大语言模型，再叠加搜索、插件、记忆、界面等产品层能力。你对话的对象是「产品」，不是裸模型；同一模型在不同产品里表现也可能不同，因为还有系统提示词与安全策略在起作用。作为学习者，知道「模型是引擎、产品是整车」就够：选车时可以比较整体体验，深入时再去查引擎型号。
能做什么、不能做什么
LLM 擅长的是语言相关任务：解释概念、润色邮件、写大纲、翻译、按格式整理信息、把错误日志用人话说明、陪你头脑风暴。它不擅长的是：保证事实永远正确（会产生所谓「幻觉」，即自信地胡说）、替你执行真实世界操作（除非产品额外接了工具）、访问它训练 cutoff 之后的最新新闻（除非联网搜索功能打开且可靠）。因此，学习 AI 的第一条纪律是：把模型当「很勤快的草稿助手」，关键事实要自己核对，尤其是医疗、法律、投资等专业领域。这也是我们每日两更的设计初衷——早上打基础，晚上看热点，但都要带批判性阅读。明天我们会专门聊「幻觉」为什么发生、你怎么提问才能减少踩坑。
停一下，确认你真的懂了
每题只能选择一次，不计分，也不会保存结果。
第 1 题
「推理（inference）」在日常使用大模型时指的是什么？
第 2 题