第3天：模型是什么
昨天我们聊了人工智能这个大概念，今天我们来拆开看看它最核心的零件——「模型」。这个词听起来有点高大上，其实你可以把它想象成一台特殊的「规律压缩机」。这节课我们不写代码，只用生活例子搞懂三件事：模型是怎么来的、它怎么工作、为什么同一个模型能干很多不同的活。
把模型理解成压缩后的规律
先说一个词——「规律」。春夏秋冬轮流来，冬天后面一定是更冷的时候，这种重复出现的模式就是规律。我们的大脑之所以聪明，正是因为我们会从大量经历里「总结规律」。模型做的事情和这个一模一样，只是它更擅长处理海量数据。 举个例子。你看过一万张猫的图片，慢慢就知道「圆脸、尖耳朵、有胡子」往往是猫的特征。等你再看到一只没见过的猫，你也能认出来。这个过程其实就是把一万张猫图片里的共同特征「压缩」成了一套判断标准，存进了脑子里。 模型也是这个原理。研究人员把成千上万甚至几亿个例子喂给它，它就从这些例子里提炼出一套规律，然后把这些规律「压缩」成了一堆数字。这堆数字就是模型最重要的东西。原始的上万张图没了，但规律留下了——这就是「压缩后的规律」最朴素的意思。 所以当你听到「训练模型」四个字，本质上就是让模型做这件「总结压缩」的活儿。训练得越久、看的数据越多，压缩出来的规律就越准。
认识输入、参数与输出
模型在工作时要打交道的东西只有三样：输入、参数和输出。我们一个一个说。 「输入」就是你给模型的东西。比如你问它「今天适合出门吗」，这句话就是输入。你给它一张图片，图片也是输入。输入可以是文字、图片、声音，甚至可以是温度数字。 「输出」就是模型给你的回答。它可能是一段话、一个分类标签（比如「猫」或「狗」）、一张生成的图，本质上都是模型根据输入「算」出来的东西。 中间那一大堆数字，就是「参数」。参数你可以理解成模型的「记忆」或者说「经验」。前面说的「压缩后的规律」，正是以参数的形式存放在模型里的。一个大模型可能有几百亿个参数，每个参数都是一个小小的权重，说明某个特征有多重要。 这三者的关系可以这样想：输入像是问题，参数像是过去所有经验浓缩成的「小抄」，输出则是模型翻着小抄给出的答案。模型在接收到输入的那一刻，并不会真的去翻历史数据，而是用现成的参数快速做一次计算，得到输出。这就是为什么模型反应这么快——因为它已经把规律「提前压缩」好了。
为什么同一模型能处理多种任务
你可能会好奇：为什么一个模型既能写诗，又能翻译，还能回答常识问题？秘密就在参数里。 因为训练时给的数据是五花八门的——有网页文章、有对话记录、有翻译对照、有代码片段等等。模型在压缩这些数据规律的时候，不会区分这是「写作的规律」还是「翻译的规律」，它只会总结出「语言是怎么流动的」「上下文怎么衔接」「同一个意思在不同语言里如何对应」这些更底层的东西。 所以当你让它翻译，它就调用语言转换那一块规律；你让它写诗，它就调用押韵和意境那一块规律；你问它常识，它就调用世界知识那一块规律。虽然任务看起来不同，但底层都是「从输入预测合理的输出」这一件事。 这就像一个学习能力很强的学生，读了很多书之后，不管是写议论文、做数学题还是聊历史，都能调动脑子里的相关经验来应对。这正是大模型的厉害之处——通用，一个模型，多种用途。
回到生活：怎么使用模型
理解了以上三点，你其实已经掌握了使用模型最重要的心法。当你使用任何 AI 工具时，记住三件事：第一，明确你要给它的输入是什么，越具体越好；第二，意识到它的能力来自压缩后的参数，所以训练数据里没覆盖的事它容易出错；第三，同一个模型可以换不同任务，关键看你怎么提问。 不需要害怕「参数」「训练」这些词，它们只是描述「机器总结规律」这件事的不同说法。下节课我们就会聊聊，怎么把模型用在学习和工作里，真正让它帮你干活。
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
为什么说模型是「压缩后的规律」？
第 2 题
模型在收到输入后，主要靠什么给出输出？
第 3 题