ChatGPT回答你的三秒钟里，发生了什么？

这是 「AI是怎么回事」 系列的第 8 篇。我一直很好奇 AI 到底是怎么工作的，于是花了很长时间去拆这个东西——手机为什么换了发型还能认出你，ChatGPT 回答你的那三秒钟里究竟在算什么，AI 为什么能通过律师考试却会一本正经地撒谎。这个系列就是我的探索笔记，发现了很多有意思的东西，想分享给你。觉得不错的话，欢迎分享+关注。

如果你从第 1 篇读到这里，恭喜——你现在对 AI 的理解，已经超过了绝大多数人。

不是因为你知道了什么”内幕”，而是因为你真正理解了那些齿轮是怎么转的。

这一篇是第一章的收尾。我不会引入任何新概念——前面 7 篇已经把所有零件都摆在桌上了。今天要做的事只有一件：把这些零件组装起来，让你看到一台完整的机器是怎么运转的。

我们来回答一个具体的问题：当你在 ChatGPT 的对话框里打下”什么是量子力学？”，然后按下回车，到你看到屏幕上开始逐字蹦出回答——这短短三秒钟里，到底发生了什么？

三秒钟的全景

先给你看完整的路线图，然后我们一站一站地走。

你打下一句话："什么是量子力学？"
    ↓
[第一站：Token 化]
"什么" "是" "量子" "力学" "？"
    ↓
[第二站：词向量]
每个 Token 变成一串数字（比如 768 个数字）
    ↓
[第三站：Transformer]
注意力机制在这些数字之间寻找关系
    ↓
[第四站：神经网络]
数百层的"乘法+加法"运算
    ↓
[第五站：预测]
算出下一个最可能的词："量子力学是..."
    ↓
[第六站：逐词生成]
一个词接一个词，组成完整回答
    ↓
你看到了 ChatGPT 的回答（大约 3 秒钟）

这张图可能看起来很简洁，但每一站背后，都是我们花了整整一篇文章才拆清楚的东西。

现在，让我带你一站一站地走一遍，同时串起前面 7 篇的全部知识。

第一站：你的话变成了碎片

你在输入框里打了”什么是量子力学？”这 7 个字。

但 ChatGPT 不认识中文。准确地说，它不认识任何人类语言——它只认识数字。

所以第一步，是把你的话拆成 AI 能处理的最小单位。这些单位叫做 Token。

如果你还记得第 2 篇的内容：Token 不完全等于”词”。它可能是一个字、一个词、甚至是一个词的一部分。怎么拆，取决于 AI 使用的”词表”——就像一本字典，字典里有的词就是一个 Token，没有的就要拆成更小的碎片。

“什么是量子力学？”可能会被拆成这样：

"什么" → Token #1
"是"   → Token #2
"量子" → Token #3
"力学" → Token #4
"？"   → Token #5

5 个 Token。就像把一个句子打碎成 5 块积木。

这一步纯粹是机械性的——查表、拆分，没有任何”理解”在里面。

第二站：碎片变成数字

现在 AI 手里有 5 个 Token。但 Token 只是一个”编号”——比如”量子”可能对应编号第 38721 号。一个编号本身没有任何含义。

这就是第 2 篇花了很大篇幅解释的事情：每个 Token 会被转换成一串数字，叫做词向量。

“量子”这个 Token，会被翻译成一串 768 个数字（也可能是更多——GPT-3 用的是 12288 维的向量）。类似这样：

"量子" → [0.23, -0.87,0.45,1.12, -0.34,0.67, ..., -0.91]
                        （768 个或更多数字）

768 个数字，组成了一个高维空间中的一个”点”。

这些数字不是随便填的。还记得第 2 篇里那个让人惊叹的例子吗？

“国王” - “男人” + “女人” ≈ “王后”

能做到这件事，是因为这些词向量在训练过程中被精心调整过——意思相近的词，在这个 768 维空间里距离就近；意思不同的词，距离就远。”量子”和”物理”的距离，比”量子”和”炒菜”的距离近得多。

语义——人类觉得最”虚”的东西——在 AI 这里变成了可以测量的数字距离。

这一步之后，你的 5 个 Token 就变成了 5 组数字。或者说，768 维空间里的 5 个点。

第三站：注意力——找到词和词之间的关系

现在 AI 手里有 5 组数字。但这 5 组数字各自独立——“量子”不知道旁边站着”力学”，”什么”不知道后面跟着”是”。

一个句子的意思不只取决于里面有哪些词，更取决于词和词之间的关系。”我打了他”和”他打了我”用的是完全一样的词，但意思完全相反。

这就是第 6 篇讲的 Transformer 要解决的问题。

Transformer 的核心发明叫做注意力机制。 它做的事情是：对于每一个词，同时”看”句子里的所有其他词，然后算出”我应该关注谁”。

具体来说，当 AI 处理”量子”这个词时，注意力机制会做这样的计算：

• “量子”和”什么”的相关性 → 0.05（低——不太相关）
• “量子”和”是”的相关性 → 0.10（低——一般的连接词）
• “量子”和”力学”的相关性 → 0.75（高——“量子力学”是一个紧密的组合）
• “量子”和”？”的相关性 → 0.10（低——标点符号）

这些数字叫做注意力权重。权重高的词，在后续的计算中会产生更大的影响。

注意力机制的结果是：每个词的向量被”更新”了。更新后的”量子”不再只代表”量子”本身——它变成了”在’什么是量子力学？’这个句子里的量子”。它融合了上下文的信息。

这就是为什么同一个词”苹果”，在”我吃了一个苹果”和”我买了一部苹果手机”里，经过注意力机制之后会变成完全不同的向量——因为注意力聚焦的词不同。

还记得第 6 篇里提到的，Transformer 之前的 AI（RNN）是怎么处理语言的吗？它像手指一个字一个字指着读——读到后面，前面说了什么就忘了。

Transformer 的革命性在于：它能同时看到全文。 不管你的问题有多长，注意力机制都能在所有的词之间建立联系。这就是为什么 ChatGPT 能处理好几千字甚至几万字的上下文——而早期的语言模型连一段话都记不住。

第四站：数百层的乘法和加法

注意力机制只是 Transformer 里的一个组件。一个完整的 Transformer 包含很多层（GPT-3 有 96 层），每一层都包括：

1. 注意力机制——让词和词之间交换信息
2. 前馈神经网络——对每个词的向量做进一步处理

而每一层的”进一步处理”，说到底就是第 4 篇拆解过的东西：输入 x 权重 + 偏置 → 激活函数 → 输出。

没有魔法。就是乘法和加法。

如果你还记得第 4 篇的内容，一个”神经元”的全部工作就是：

输出 = 激活函数(输入 1 × 权重 1+ 输入 2 × 权重 2+ ... + 偏置)

一层里有几千个这样的神经元，同时做这样的运算。然后把输出传给下一层。再做一轮乘法和加法。再传给下一层。

96 层。

每一层都在提取更高层次的”特征”——这和第 1 篇里讲的图像识别是同一个思想。在图像识别中：

像素 → 边缘 → 形状 → 部件 → 整体

在语言处理中，层层叠加的效果类似：

单个词 → 词组关系 → 句子含义 → 段落逻辑 → 全文主旨

前面几层可能在处理基础的语法结构：主语在哪？谓语在哪？这是一个疑问句。后面的层可能在处理更抽象的东西：用户在问一个物理概念的定义。再往后的层可能在整合：我需要用通俗的语言解释这个概念。

但我要强调一点——“可能”这个词很重要。没有人精确地知道每一层在做什么。我们知道的是：数据从一端输入，经过 96 层乘法和加法，从另一端输出了一个令人惊讶的好结果。至于中间到底发生了什么，这仍然是 AI 研究的前沿问题。

这就是第 4 篇的核心结论的真正含义：神经网络不是一个精心设计的、每一步都有明确目的的程序。它是一个通过训练自动涌现出能力的计算结构。

而这个结构的规模是惊人的。GPT-3 有 1750 亿个参数。每一个参数就是乘法运算里的一个”权重”数字。当你问它”什么是量子力学？”，你的 5 个 Token 的向量，要和这 1750 亿个数字做运算。

1750 亿次乘法和加法。

在三秒钟之内。

第五站：预测——算出”最可能的下一个词”

经过 96 层的运算，AI 终于到了最后一步：从所有可能的词里，选出一个”最可能”是下一个词的词。

怎么选？

在最后一层的输出端，神经网络会给词表里的每一个 Token 都算出一个分数。GPT-3 的词表里大约有 50000 个 Token，所以最后一层会输出 50000 个分数。

这些分数经过一个叫做 Softmax 的函数处理后，会变成概率：

"量子"   → 12.3%
"力学"   → 8.7%
"是"     → 15.1%
"物理"   → 5.2%
"学"     → 3.8%
...
"炒菜"   → 0.0001%
...（剩下 49995 个 Token 的概率加起来占 55% 左右）

然后 AI 从中选一个。

注意：它不一定选概率最高的那个。如果每次都选概率最高的，输出会非常无聊和重复。实际上，AI 会在最高概率的几个词里做一定程度的”随机抽样”——这就是为什么你问同一个问题两次，得到的回答往往不一样。

假设这一次它选了”量子”。

那么它的输出到目前为止是：”量子力学是…量子”——等等，还没说完。

第六站：逐词生成——一个词接一个词

这是很多人没有意识到的一点：ChatGPT 不是一次性生成整段回答的。它是一个词一个词地”蹦”出来的。

你有没有注意到，ChatGPT 回答问题时，文字是逐渐出现的，而不是”啪”一下全部显示？那不是故意做的打字效果——那是它真实的工作方式。

流程是这样的：

1. 输入”什么是量子力学？” → 经过上面的全部步骤 → 输出第一个词”量子”
2. 把”什么是量子力学？量子”作为新的输入 → 再走一遍全部步骤 → 输出第二个词”力学”
3. 把”什么是量子力学？量子力学”作为新的输入 → 再走一遍 → 输出”是”
4. 把”什么是量子力学？量子力学是”作为新的输入 → 再走一遍 → 输出”研究”
5. ……

每生成一个词，就要把之前的所有内容重新输入，走一遍完整的流程。

一个 200 字的回答，大约有 100-150 个 Token。这意味着 AI 要做 100-150 次完整的”96 层乘法加法”运算。每一次都涉及 1750 亿个参数。

100 次 x1750 亿 = 17.5 万亿次运算。

在三秒钟里完成。

这就是第 5 篇里讲的 GPU 登场的原因。CPU 处理这种计算要几分钟甚至更久——但 GPU 擅长的就是”同时做大量简单的乘法和加法”。几千个 GPU 核心同时工作，把三分钟的计算压缩到三秒钟。

现在，让我们换一个角度看这三秒钟

上面我是沿着”一次回答”的流程来讲的。但这只是”运行”的部分。

要真正理解这三秒钟，你还需要知道：那 1750 亿个参数是怎么来的？ 为什么它们恰好能让 AI 生成一个关于量子力学的、看起来像那么回事的回答？

答案在前面 7 篇里。现在，让我把每一篇的核心知识串起来，你会发现它们构成了一条清晰的因果链。

第一块拼图：一切数据都是数字（第 1-2 篇）

这是整个 AI 大厦的地基。

第 1 篇告诉我们：图片就是数字矩阵。 一张照片就是几百万个 0 到 255 之间的数字。手机认你的脸，不是真的在”看”你——是在比较两组数字有多接近。

第 2 篇告诉我们：文字也是数字。 通过 Token 化和词向量，每个词变成了一串 768 维的数字。”国王-男人+女人≈王后”这个经典例子说明，词和词之间的语义关系，被编码成了向量空间中的距离。

这是 AI 的第一个深刻洞察：这个世界上的一切信息——文字、图片、声音、视频——都可以变成数字。

而一旦变成了数字，数学就能处理它了。

你可能觉得这件事理所当然。但请想一想：在几十年前，”语义”被认为是只有人脑才能处理的东西。谁能想到，用 768 个数字就能捕捉一个词的”含义”？

这件事不是某个天才灵光一现想出来的。它是从海量数据中，用统计方法”学”出来的——哪些词经常出现在相似的上下文中，它们的向量就会在训练过程中逐渐靠近。

“语义”本身不存在于那 768 个数字里。存在的只是统计规律。但这些统计规律恰好和人类感受到的”意思相近”高度吻合。

第二块拼图：三要素齐了（第 3 篇）

有了”一切都能变成数字”的基础，下一个问题是：为什么不是在 1990 年、2000 年，而是在 2012 年之后，AI 才突然变厉害？

第 3 篇讲了这个故事。2012 年，AlexNet 把 ImageNet 图像识别的错误率从 26% 一口气降到了 15.3%——领先第二名超过 10 个百分点。用考试来类比：所有人在 74 分左右竞争，突然有人考了 85 分。

这不是因为某个算法的灵感。这是因为三个条件同时到位了：

1. 数据——ImageNet 提供了 1400 万张标注好的图片
2. 算力——GPU 让大规模并行计算成为可能
3. 算法——深度神经网络（多层叠加的检测器）终于可以被有效训练了

缺少任何一个，这件事都不会发生。算法其实在 1980 年代就有了雏形，但没有数据和算力，它只是理论。数据在互联网时代逐渐积累起来了，但没有 GPU，就算有再多数据也没法在合理的时间内训练。GPU 本来是给游戏用的，但它”同时做大量简单计算”的特长恰好匹配了神经网络训练的需求。

三个齿轮同时咬合——AI 的引擎才真正启动。

这个三要素框架不只解释了 2012 年的突破，也解释了此后的每一次飞跃：更多的数据、更强的算力、更好的算法——三者螺旋上升，推动 AI 从”能认图”到”能对话”。

第三块拼图：神经网络就是乘法和加法（第 4 篇）

三要素里的”算法”到底是什么？

第 4 篇拆开了这个黑箱。答案可能让你意外：神经网络就是乘法和加法的层层叠加。

一个神经元做的事情极其简单：

输入 × 权重 + 偏置 → 激活函数 → 输出

就是一道小学算术题。

但当你把几千个这样的神经元排成一层，再把几十层叠在一起，让上一层的输出变成下一层的输入——神奇的事情发生了。

第 1 篇讲的图像识别就是最好的例子：

像素 → 边缘 → 形状 → 部件 → 整体

每一层做的计算都很简单——对应位置的数字相乘再加起来（还记得 Sobel 算子吗？那就是最原始的一层）。但层层叠加的效果，让 AI 可以从原始像素中”看到”一张人脸。

AlexNet 有 8 层、6000 万个参数。GPT-3 有 96 层、1750 亿个参数。原理完全一样——只是规模大了几千倍。

这是 AI 的第二个深刻洞察：简单运算的大规模叠加，可以产生极其复杂的行为。

没有任何一个参数”知道”量子力学是什么。但 1750 亿个参数组合在一起，统计上就能生成一段关于量子力学的、看起来颇为合理的文字。

第四块拼图：训练就是调参（第 5 篇）

那 1750 亿个参数是怎么得到的？谁决定了每一个参数应该是 0.0173 而不是 0.0289？

答案是：没有”谁”决定。是训练决定的。

第 5 篇详细拆解了训练的过程。让我用最简练的方式回顾：

1. 一开始，所有参数都是随机的。 AI 输出的是乱码。
2. 给 AI 看一段真实文本，比如：”量子力学是物理学的一个分支”。
3. 遮住最后一个词（”分支”），让 AI 根据前面的词猜这个词是什么。
4. AI 猜了一个词——大概率猜错了，因为参数是随机的。
5. 算出猜得有多离谱——这叫做损失函数，就是”预测”和”正确答案”之间的差距。
6. 反向传播：从最后的错误出发，一层一层往回追溯，算出每一个参数对这个错误”贡献”了多少。
7. 微调每一个参数——让错误变小一点点。每次调整幅度很小（比如 0.001），但对 1750 亿个参数同时做。
8. 重复。 用几万亿个词的训练数据，重复这个过程几百万轮。

几百万轮之后，那些原本随机的参数逐渐稳定下来。不是因为有人告诉它”量子力学是物理的分支”——没有人教过它任何知识。它只是在反复的”猜词、对答案、微调”中，发现了人类语言中反复出现的统计模式。

这就是”训练”——本质上就是用海量数据+反向传播，把 1750 亿个随机数字调整到”很少猜错”的状态。

而这个过程之所以能在人的有生之年完成，是因为 GPU。第 5 篇里的类比：CPU 是一个大厨，一次做一道菜但做得很好；GPU 是一千个帮工，每个人只会做简单的活但可以同时干。训练神经网络恰好是”大量简单计算同时做”——GPU 的主场。

GPT-3 的训练据估计用了约一万块 GPU，耗时数月，消耗了几百万美元的算力成本。所有这些资源只做了一件事：把那 1750 亿个随机数字调整到合适的位置。

第五块拼图：Transformer 让 AI 能”同时看全文”（第 6 篇）

有了神经网络和训练方法，为什么不是在 2012 年就做出了 ChatGPT？

因为还差一个关键组件：Transformer。

第 6 篇讲了这个故事。2017 年之前，AI 处理语言用的是 RNN——它像手指一个字一个字指着读，读到后面就忘了前面。这就是为什么早期的机器翻译和聊天机器人总是”前言不搭后语”。

2017 年，Google 的一个团队发表了一篇论文：《Attention Is All You Need》。核心发明就是注意力机制——让 AI 在处理每个词时，同时”看”整段文字，找出相关的部分。

这个发明带来了三个改变：

1. 能记住长文本——不再”读到后面忘了前面”
2. 能并行计算——RNN 必须一个词一个词地算，Transformer 可以同时算所有词——训练速度飞跃
3. 越大越好——模型越大、数据越多，效果就越好，而且似乎没有天花板

正是第三点，催生了”大力出奇迹”的路线：

2018 年 GPT-11.17 亿参数    "能读懂一些文字了"
2019 年 GPT-215 亿参数      "能写像样的文章了"
2020 年 GPT-31750 亿参数    "能对话了"
2022 年 ChatGPT  GPT-3+ 人类反馈训练  "能好好说话了"

从 1.17 亿到 1750 亿，参数量翻了 1500 倍。但核心架构没有变——都是 Transformer。变的只是规模。

ChatGPT 不是一个全新的发明——它是注意力机制这个想法被放大了一千五百倍之后的产物。

而那最后一步”人类反馈训练”（RLHF）也很重要：它让 AI 不只是”能说”，而且”会说”——知道什么该说、什么不该说，知道怎么组织语言让人类满意。但本质没变——它仍然是在做”预测下一个最可能的词”。

第六块拼图：统计模式匹配不等于理解（第 7 篇）

如果你只读了前 6 篇，你可能会觉得 AI 非常了不起——它能认脸、能对话、能写文章。但第 7 篇给了你一盆冷水。

那个律师的故事你还记得吗？Steven Schwartz 在法庭上提交的 6 个判例全是 ChatGPT 编造的。他甚至问了 ChatGPT 这些判例是不是真的，ChatGPT 回答”是的”。

现在你已经知道了完整的原理，就能理解为什么会这样：

ChatGPT 不是在”回忆”它读过的法律文献。 它没有一个”事实数据库”可以查阅。它做的唯一一件事，就是基于前面的文字，计算出统计上最可能的下一个词。

当律师问”帮我查找支持这个观点的判例”时，ChatGPT 开始”续写”。在它的训练数据中，有大量的法律文书，它知道一个判例引用”应该长什么样”——有案件名称、有法院、有日期、有案号。于是它生成了一段”看起来像判例引用的文字”。

但”看起来像”和”是真的”之间有一条鸿沟。

第 7 篇还讲了对抗样本的故事：在一张熊猫图片上加一层人眼看不见的噪点，AI 就会以 99.3% 的置信度认为这是一只长臂猿。这进一步说明了 AI 在做的事情——数字运算，而非”看”。 那些微小的数字扰动改变了运算结果，尽管图片在人眼看来完全没变。

AI 的”聪明”和”犯傻”来自同一个源头：统计模式匹配。

匹配得好的时候，它看起来比人还聪明。匹配得不好的时候，它犯的错误让人匪夷所思。但不管哪种情况，它都没有在”理解”任何东西。它不知道量子力学是什么。它不知道判例是什么。它甚至不知道自己在”说话”。

它只知道一件事：根据前面的数字，计算下一个数字的概率分布。

七块拼图，一张完整的图景

现在，让我把这七块拼图拼在一起。

你问 ChatGPT”什么是量子力学？”的那三秒钟里：

• 你的话变成了数字（第 1-2 篇的知识）——Token 化和词向量把人类语言翻译成 AI 的母语：数字
• 数字在巨型网络中流动（第 4 篇的知识）——1750 亿个参数，96 层乘法和加法，逐层提取更高层次的”特征”
• 注意力机制在全文中寻找关系（第 6 篇的知识）——每一层的注意力机制让词和词之间交换信息，理解上下文
• 这些参数是从海量数据中训练出来的（第 5 篇的知识）——几万亿个词的文本，反向传播算法，几百万轮的微调，GPU 集群的算力
• 训练之所以有效，是因为三要素齐了（第 3 篇的知识）——数据、算力、算法的螺旋上升
• 最终输出的是”统计上最可能的下一个词” （第 7 篇的知识）——不是事实，不是理解，是概率

这就是 ChatGPT 回答你的三秒钟里，发生的全部事情。

没有理解。没有思考。没有知识库查询。没有”灵感”。

只有数字、乘法、加法，和统计概率。

核心结论：AI 的一句话定义

如果要用一句话概括前面 7 篇的全部内容，我会说：

AI 是一个超级模式匹配器。

它把世界上的一切——文字、图片、声音——转化为数字。

然后在海量数据中寻找统计模式。

最后用这些模式来”预测”输出。

仅此而已。

凡是能转化为模式识别的问题，AI 都可能做得比人好。 图像分类、语音识别、翻译、代码生成——这些任务的共同特点是：存在大量的数据，存在可学习的模式，输出可以被清楚地评判对错。

凡是需要真正”理解”的问题，AI 目前还做不到。 因果推理、常识判断、创造性思维、价值观判断——这些任务的共同特点是：不能简单地转化为”从数据中找模式”。

这不是 AI 的”缺陷”——这就是它的本质。

就像你不会抱怨计算器”不理解数学”——计算器做的事情就是按规则算数字。AI 做的事情就是在高维空间里匹配统计模式。它做这件事做到了人类望尘莫及的程度。但它做的只有这一件事。

带着这个理解上路

如果你真的消化了前面 7 篇的知识，你现在手里有了一个非常强大的工具：一个判断 AI 的基础框架。

用这个框架，你可以回答很多平时争论不休的问题：

“AI 会取代我的工作吗？”

→ 拆解你的工作：其中哪些部分是模式匹配（整理数据、套用模板、翻译文本），哪些部分需要理解（创造性决策、人际沟通、价值判断）？前者可能会被 AI 加速甚至替代，后者不会——至少在 AI 的底层原理不发生根本改变的情况下不会。

“AI 写的东西能信吗？”

→ AI 不在乎真假。它在乎的是”在训练数据的统计模式中，下一个最可能的词是什么”。如果事实和”统计上最可能的文字”一致，它就对了。如果不一致，它照样会自信满满地说出来——因为它不知道什么是”对”和”错”。关键信息永远要自己验证。

“AI 会有意识吗？”

→ 你现在知道 ChatGPT 在做什么了：1750 亿个数字的乘法和加法，预测下一个词的概率分布。这里面有”意识”吗？当然，这个问题目前没有定论——我们甚至不完全清楚人类的意识是怎么产生的。但至少你不再需要因为”AI 说话听起来很像人”就恐慌了。你知道那些像人的回答是怎么来的——统计模式匹配，不是”思考”。

“AI 会不会突然变得危险？”

→ 你在第 7 篇里已经看到了 AI 的脆弱性：一点像素噪声就能让它把熊猫认成长臂猿。AI 的”智能”是窄的——它在训练过的模式上表现惊人，在模式之外几乎毫无能力。这不意味着 AI 没有风险，但风险的性质和科幻电影里”AI 觉醒”完全不同——更现实的风险是人类过度信任 AI 的输出，就像那位律师一样。

下一章预告

理解了 AI 的本质，我们来看一个更实际的问题——

AI 在各个领域的真实能力边界到底在哪里？

ChatGPT 能通过律师资格考试，但分不清”谢谢你”是真心感谢还是讽刺。AI 能画出以假乱真的照片，但自动驾驶还搞不定一只突然窜出来的猫。

有没有一套简单的方法，让你面对任何 AI 产品时都能快速判断：这个靠谱吗？

下一篇，我们就来建立这套判断方法。

个人锚点

写完这 8 篇，我有一个很强的感受：了解 AI 的过程，其实是一个「祛魅」的过程。

你以为它很神秘，拆开一看，就是数字、乘法和统计。

第 1 篇的时候，我发现图片在 AI 眼里就是一堆 0 到 255 的数字——整个世界观都变了。第 2 篇的时候，我发现连”语义”这种虚无缥缈的东西都能用 768 个数字表示——又变了。第 4 篇的时候，我发现所谓”神经网络”就是乘法和加法——再变一次。到第 7 篇的时候，我发现 AI 会编造判例、会被一点噪声骗过——第四次改变。

每一次”变”，都是一层神秘感的消退。

但这不意味着 AI 不了不起——恰恰相反，用这么”简单”的原理做到这些事情，本身就是人类智慧的奇迹。

一堆乘法和加法，只要叠加得足够多、在足够多的数据上训练得足够久，就能生成一段读起来头头是道的文章、画出一幅让人真假难辨的图画、翻译几十种语言。

这个奇迹的名字不是”人工智能”——它的名字是”统计学”和”工程学”。

理解这一点，你就不会盲目崇拜 AI，也不会盲目恐惧 AI。你会把它看成它本来的样子：一个极其强大的工具，有着清晰的能力边界，等着被正确地使用。

这，就是第一章想告诉你的全部事情。

第一章完整回顾

篇目	核心知识	一句话总结
第 1 篇	图片=数字矩阵，Sobel 算子，层层检测	AI 看到的不是图片，是数字
第 2 篇	Token，词向量，语义=距离	AI 读到的不是文字，是高维空间的点
第 3 篇	AlexNet，三要素（数据+算力+算法）	2012 年不是进步，是换了赛道
第 4 篇	输入 x 权重+偏置→激活→输出	神经网络就是乘法和加法
第 5 篇	反向传播，过拟合，GPU 并行	训练就是用数据调参，GPU 负责算
第 6 篇	注意力机制，Transformer，GPT 系列	Transformer 让 AI 能同时看全文
第 7 篇	幻觉，对抗样本，统计≠理解	模式匹配不等于理解
第 8 篇	全流程串联，核心结论	AI 是超级模式匹配器

第一章的承诺： 读完这 8 篇，你将能够解释 AI 是怎么”看”图片和”读”文字的，理解神经网络是什么意思，知道训练具体在做什么，明白 2012 年和 2017 年为什么重要，以及理解 ChatGPT 为什么会”犯傻”。

现在，你能做到了吗？

如果能——欢迎来到第二章。