第19天：参数与权重——AI模型到底『记住』了什么
今天我们用一个简单的生活比喻来理解AI模型的『参数』和『权重』。想象你养了一只鹦鹉，它能模仿你说话。但它到底是怎么『学会』说『你好』的？答案就藏在参数和权重里。模型之所以能回答问题、翻译语言、识别图片，本质上是因为它把世界上很多规律压缩成了几百万、几十亿个数字。这节课会讲这些数字保存了什么，以及为什么『数字多』不等于『什么都懂』。
1. 参数像一本『使用说明书』
你可以把AI模型想象成一台非常复杂的机器。当你问它问题时，它会根据输入的文字，在内部查找某些数值，然后组合起来给出回答。这些数值就叫『参数』（Parameter）。参数保存在哪里？保存在文件里。这个文件就像是模型的使用说明书，里面记录了所有它『学到』的东西。比如，你教一个小朋友认『猫』和『狗』，他脑子里会形成一个判断规则：尖耳朵、短鼻子的是『猫』；耷耳朵、长嘴的是『狗』。模型也是一样的道理，只不过它把这种判断规则变成了几百万个具体的数字。比如模型中可能有这样一个数字：0.82，这个数字就代表『图片中出现尖耳朵时，是猫的可能性是82%』。所有的参数加在一起，就构成了模型的能力基础。注意：权重（Weight）和参数（Param）在日常里经常混着叫，特指『型号』里那些数字。一般参数有几个、几十个、几百个、几百万、几十亿个，差距巨大。一个模型的『参数量』就像是大脑中的『神经连接数』，通常连接越多，能处理的事情就越复杂。
2. 权重决定谁更重要
为什么模型能分清『苹果』和『橘子』？靠的是不同的『权重』（Weight）。『权重』就是这些参数具体为某个特征『打分』的重要性高低。举个例子：如果你问模型：『这种水果是苹果还是橘子？』。模型不会只看一个特征，它会同时考虑很多：颜色（红/黄/橙）、形状（圆/椭圆）、口感提示（脆/软）等。在模型内部，『颜色』这个特征可能有一个权重：0.4，表示颜色有40%的话语权；‘形状’的权重可能是0.5，更重要一点；‘口感’的权重是0.1，不是决定性的。当模型看到一个红色圆形的输入，它会把颜色得分乘以0.4，形状得分乘以0.5，口感得分乘以0.1，然后把三个分数加起来，得到一个总分。总分高的是『苹果』，总分低的是『橘子』。这就是权重的工作方式。注意：『权重』和『参数』经常混着用，但在严格的技术语境里：『权重』特指模型中『乘以输入的数字』；『偏置』（Bias）是另一种参数，是额外加上去的偏移量。两者合起来才叫『参数』。
3. 规模大不一定什么都懂
很多同学以为：模型参数越多，就越聪明。这话只对了一半。参数多确实能记住更多模式，比如一个700亿参数的模型，比一个70亿参数的模型能处理更复杂的语言。但参数多不等于『知识多』。打个比方：你背了一本字典，不代表你能写出好作文。模型也一样，它的参数里存的是『语言规律』，比如『太阳』后面常跟『升起』，但它并不真的『知道』太阳是什么。它存的是统计规律，不是真正的知识。注意一个重要区别：参数多 vs 训练数据多。如果一个模型参数很多，但训练时只看过医疗类的文章，那它医疗问题答得好，但问你『怎么做番茄炒蛋』它就懵了。反过来，如果参数不多，但训练数据又广又好，它也可能很实用。所以衡量一个模型的能力，至少要看两个东西：参数量（它有多『大』）和训练数据（它看过什么、看过多少）。现在最前沿的模型有几万亿个参数，但它们的聪明程度依然有边界——比如不能做精确的数学计算、不知道最近发生的事、会一本正经地胡说八道（业内叫『幻觉』）。这些都是参数的局限性带来的。
4. 一句话总结
记住三件事：第一，参数就是模型文件里那些数字，它们是模型能力的来源；第二，权重是参数中的一种，表示某个特征的重要性；第三，参数多不代表什么都懂，还要看训练数据和任务匹配。下节课我们会讲『什么是上下文窗口』，理解模型一次能『看』多少文字。
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
模型中的『参数』最本质上是用来做什么的？
第 2 题
下面关于『权重』的说法，哪一个是对的？
第 3 题