先给一个能用的说法，再去管那些漂亮的定义。

泡菜坛子里的规矩

我妈做泡菜。一个坛子、一把盐、水，然后把菜丢进去。丢的时候不用想「这样泡出来会好吃」，甚至不知道要泡多久。她只是知道两件事：这个坛子能把东西变成酸的，坛子不会因为你这次菜切得不好就失败。

AI 大致是这么个东西。你给它一大堆现成的样本，它自己调出一堆数字，数字调完之后，它对没见过的东西也能给个像样的输出。至于怎么从「一堆数字」变成「像个样」，谁都没完全说清。

这个类比有个好处：它解释了 AI 最反直觉的两点——为什么它能处理没教过的东西，以及为什么它照样会翻车。坛子里的规矩不认得你的菜，只认得「哪类菜该怎么变」。

一句话版本

机器学习（machine learning）—— 不手写规则，直接喂大量样本，让程序自己把数字调出来。

大语言模型（large language model）—— 参数规模很大、用海量文本训练出来的模型。

参数（parameter）—— 训练时被调的数字，存着它就等于存着整个模型。

把三个词串起来：机器学习是做法，大语言模型是那做法做出来的一类具体东西，参数是这东西的实体形态。

1958 年 Frank F. Rosenblatt 在《Psychological Review》上发的那篇《The perceptron: A probabilistic model for information storage and organization in the brain》，是这个做法最早的完整表述之一。他造了一台机器，用「权重」这类可调的数去学怎么分类，然后证明了只要调对，这些数就能把没见过的样本也分对。论文标题里直接写了 brain——他当时在拿神经元当参照物。

那台机器叫感知机（perceptron）—— 一台只有一个神经元的机器，能学简单的分类，但学不会「是或不是」以外的关系。今天你手机上的人脸解锁、当年的 AlphaGo 走法预测，底下都是它那套思路放大后的样子。OpenAlex 检索时那篇 1958 年论文被引 12259 次（2026-09-29）。

这个说法能干活

它至少能判断三件具体的事。

一、它没有查表。 如果它是查表，那没见过的输入就该查不到。它能对没见过的句子给出输出，说明它内部存的是可以推广的规律，不是条目。这跟搜索引擎是两种东西。

二、它的输出是概率最高的那个。 温度（temperature）—— 控制随机性大小的旋钮。为什么同一段话两次结果不一样，答案就在这里：它每吐一个字都在候选里抽，不是查字典。L2 里有一整页专门讲这个。

三、它的水平取决于见过多少、见过什么。 训练数据里某类东西少，它在这类上就弱。这不是bug，这是这个做法的固有性质。

我自己判断一个新工具值不值得用，就问一句：它见过我这类东西吗。这一句挡掉过不少推荐。

它和「思考」的关系

说实话，到这一步我就得承认说不清了。

现在的模型确实会做一些看起来像推理的事——下棋、解题、写代码。但它内部在做的是「把前面已经有的东西往后接，接得最像接得顺」这一步一件事地做。中间有没有一个我们意义上的「想明白了」，没人拿出来证据。

我自己有个私心的判断：我不认为现在有哪台机器在意自己答得对不对。它在意的是接得像。这是我们判断「它到底有没有想」的最后一根线，而这根线现在还没法验证。

延伸阅读

• Computing Machinery and Intelligence（Alan Mathison Turing，1950，期刊 Mind）—— 图灵那篇标志性文章，副标题大意是「一个机器能思考吗」。他没有正面回答，先把这个词的意思掰开，然后提了个绕开的办法：如果有台机器能骗过人，让人分不清对面是人还是机器，那就说明它能思考。这篇 1950 年的论文被引过万（OpenAlex 检索 2026-09-29）。DOI: 10.1093/mind/lix.236.433

• Language Models are Few-Shot Learners（Tom B. Brown、Benjamin Mann、Nick Ryder et al.，2020，arXiv 预印本）—— 2020 年 5 月那篇，GPT-3 就是这里出来的，模型有 1750 亿个参数。最值得看的是一个反直觉的发现：以前换个任务要重新训一批数据，这篇里模型不用重新训，只要你在提问时先给它看几个例子，它就照着做——翻译、答题、把打乱的字母还原都行。它自己也会在几个任务上翻车，论文里老实列出来了。arXiv: 2005.14165

动手试试

找一个你熟的技术话题——不看 AI 也行，比如你家做的行业、或者你大学专业。

问它：这个东西最常见的坑是什么。

然后把答案里每一条具体的事实（数字、日期、人名、法规条款）挑出来，去搜一遍。我在这个问题上翻车过：它给我的三条里有一条把两个不同年份的规范混在一起了，句子读起来完全没问题。

五分钟。做完你就知道这个说法管不管用——如果它在你最熟的地方就开始编，那你陌生领域里的输出更不能当真。

下一站

既然它这么不像个软件，那就把误解一条条清掉。下一页专门做这件事。