第一章：AI 到底是什么

约 2849 字大约 10 分钟

AI 通识大模型上下文工具

预学习章节解决的是“我怎样开始和 AI 对话”。从这一章开始，我们先回答一个更基础的问题：

我们每天说的 AI，到底是什么？

这个问题看起来简单，其实很容易混在一起。有人把 AI 当搜索引擎，有人把它当老师，有人把它当自动办事的软件，也有人把它当一个永远正确的答案机。

这些理解都有一点像，但都不完整。

在这本书里，你可以先把 AI 理解成一种新的协作能力：它能读懂自然语言，生成解释、建议、文本、代码和方案，也能在系统安排下使用资料和工具。但它不是天然可靠的事实来源，也不是天然拥有权限和责任的行动者。

所以，学习 AI 通识，不是背一个定义，而是先学会分辨：

它像什么？
它不像什么？
什么时候可以用它？
什么时候必须核验、确认或停下来？

1.1 AI 不是一个东西

日常说“AI”时，我们可能指的是很多层东西。

你看到的东西	背后可能是什么	初学者容易误会什么
豆包、千问、ChatGPT 这类聊天工具	一个接入大模型的产品	以为聊天框本身就是全部 AI
帮你改作文的功能	模型加上写作任务和界面	以为它一定懂你的真实水平
搜索结果旁边的 AI 总结	搜索系统加上模型总结	以为总结里的每句话都已经核验
自动整理资料的助手	模型、文件、检索和权限	以为上传资料后它就永远记住
能调用工具的 Agent	模型、工具、状态和流程	以为它可以自动做所有决定

这就是第一层判断：AI 不是单一物体，而是模型能力、产品界面、资料、工具和规则组合起来的结果。

普通学习者不需要一开始就会实现这些系统，但应该知道：你看到的“AI 很聪明”，通常不只是模型自己在工作。

1.2 它像搜索、计算器、老师，还是普通软件？

为了不被 AI 的流畅表达带偏，我们可以先做几个对比。

AI 像搜索引擎吗？

有一点像。你都可以向它提问，得到信息。但搜索引擎主要帮你找到网页和资料；大模型会直接生成一段回答。生成回答不等于已经核验来源，所以涉及最新事实、升学政策、医疗法律金融等问题时，仍然要看可靠来源。

AI 像计算器吗？

也有一点像。你可以让它帮你算、帮你推理。但计算器按确定规则计算，同样输入通常得到同样结果；大模型更擅长语言理解和生成，复杂计算、精确计数和严格逻辑并不是它最稳的地方。

AI 像老师吗？

它可以像老师一样解释概念、换例子、出练习、讲错题。但老师会观察学生状态、承担教学责任，也会根据真实课堂经验判断什么时候该停、该追问、该纠正。AI 可以陪练，但不能完全替代真实老师。

AI 像普通软件吗？

普通软件通常是你点一个按钮，它按固定规则做一件事。AI 的特别之处，是能处理模糊语言和不完整任务。但这也意味着它更需要边界：哪些只是建议，哪些可以保存，哪些必须确认。

一句话说：

AI 最像一个很会语言协作的实习助理。它能帮你理解、整理、生成和改写，但需要任务说明、资料边界、工具权限和人类复核。

1.3 先看一个任务：让 AI 帮我选专业

假设一个学生问：

请帮我判断：我应该报计算机专业吗？

这句话交给大模型，通常能得到一段看起来很完整的回答：它会谈兴趣、数学、编程、就业、课程、未来趋势。问题是，这样的回答看起来完整，不代表它已经适合决策。

如果我们用刚才的判断框架来看，会立刻拆出四个问题：

模型能做什么？
它需要哪些上下文？
哪些信息要接入可靠来源？
哪些动作必须由人确认？

这四个问题，比“换一个更强模型会不会更好”更基础。

这个示范里，AI 不是直接替学生做决定，而是先把任务改成“帮助学生自我判断”。这就是使用 AI 的第一条重要原则：

把 AI 放在合适的位置上，让它帮你思考，而不是替你承担所有判断。

1.4 大模型到底在做什么

现在我们再给“大模型”一个朴素解释。

大语言模型最基础的工作，是根据你给它的文字，生成接下来更可能有用的文字。它会把输入拆成更小的片段，再根据训练中学到的语言模式、知识关联和指令偏好，生成一个看起来合理的输出。

你不用现在就记住 token 的细节，只要先抓住三件事：

模型擅长延续模式，所以它能写解释、列方案、改表达、补代码。
模型依赖上下文，所以你给它什么背景，会强烈影响它怎么回答。
模型不是业务系统，所以它不会天然拥有权限、数据库、长期记忆和责任边界。

这也解释了为什么同一个模型，有时像老师，有时像助手，有时又会一本正经地说错。它生成的是“基于当前条件最像合适回答的内容”，而不是一个天然可靠的事实系统。

这句话有点关键：AI 的回答很像“语言上的合理答案”，但合理不等于一定真实、最新、适合你。

1.5 上下文窗口：AI 当前能看到的工作台

可以把上下文窗口想成 AI 当前能看到的临时工作台。

工作台上可能放着：

你的任务说明。
前几轮对话。
用户画像或学习记录。
检索到的资料。
工具返回的结果。
输出格式和禁止事项。

工作台上放对资料，AI 更容易回答到点上；工作台上缺资料，AI 就会猜；工作台上放错资料，AI 还可能沿着错误方向继续说。

所以，AI 应用设计里经常有一个比“模型更强”更常见的问题：

如何让模型在正确时间看到正确信息？

这就是上下文工程。预学习章节里你已经体验过：同一个对话里，AI 会参考前文；换一个新对话，它通常不知道旧窗口里发生了什么。正式产品也是一样，只是上下文来源更多，风险也更高。

1.6 从聊天框到 AI 系统

现在回到本章最重要的结论：

一个 AI 应用不是一个模型，也不是一个聊天框，而是一套系统。

一个更可靠的 AI 系统，通常不会让模型独自完成所有事情。它会把模型、资料、工具和人类确认放在不同位置。

可以先用这张分工表判断：

部分	更适合负责什么	不适合独自负责什么
模型	理解意图、解释文本、生成候选方案、改写表达	最终事实核验、高影响决策、权限判断
上下文/资料	给出背景、规则、来源、历史记录	自动判断哪些行为可以执行
工具/程序	查询数据、计算、保存状态、调用业务系统	理解模糊意图、解释复杂语言
人类确认	判断风险、确认重要动作、承担责任	重复做所有低风险文本处理

比如 AI 志愿填报助手：

模型可以帮学生整理专业比较维度。
资料库应该提供学校官网、招生政策和课程信息。
程序应该控制用户身份、保存草稿、记录操作。
学生、家长或老师必须确认最终选择。

如果让模型直接“自动确认最终志愿并提交”，这就不是模型能力强不强的问题，而是系统边界错了。

做这个实验时，不要只看 AI 回答得好不好听。重点观察它有没有把“模型、资料、工具、人类确认”分开。

1.7 大模型强在哪里，弱在哪里

大模型强在这些地方：

把模糊问题变清楚。
根据上下文生成自然语言。
解释复杂内容。
给出多个候选方案。
帮人快速开始思考。

大模型弱在这些地方：

精确计算。
最新事实。
权限判断。
长期状态维护。
稳定执行业务流程。
对结果承担责任。

注意，这里的“弱”不是说不能用，而是说不能只靠模型。你可以让模型解释一道题，但分数记录应该由系统保存；你可以让模型草拟一封邮件，但发送前最好有人确认；你可以让模型推荐资料，但来源需要可追溯。

1.8 一个判断口诀

以后看到一个 AI 功能，可以先问五个问题：

模型在生成什么？
它看到了哪些上下文？
事实来自哪里？
工具和权限由谁控制？
结果怎样评估和复核？

如果这五个问题答不上来，这个功能可能只是一个演示；如果能答清楚，它才开始像一个系统。

1.9 本章小测

现在用几道题确认你是否能初步分清：AI 像什么、不像什么，以及模型能力和完整系统有什么区别。

本章小结

这一章不要求你背技术定义。你只要先记住几件事：

AI 不是单一东西，而是模型能力、产品界面、资料、工具和规则组合起来的结果。
大模型很擅长语言理解、解释、生成、整理和改写。
大模型不是天然可靠的事实系统，也不是天然有权限的办事系统。
上下文像临时工作台，AI 当前看到了什么，会强烈影响它怎么回答。
一个可靠 AI 应用需要模型、资料、工具、人类确认和评估共同工作。

从下一章开始，我们会学习“怎样把问题说清楚”。你会看到：好的 Prompt 不是咒语，而是把任务、背景、限制和回答方式清楚地放到 AI 的工作台上。