---
url: /courses/ai-literacy/03.large-model-system-view.md
---
# 第一章：AI 到底是什么

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。

{{reflection-checkpoint:system-view-comparison-checkpoint}}

## 1.3 先看一个任务：让 AI 帮我选专业

假设一个学生问：

```txt
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：

1. 模型能做什么？
2. 它需要哪些上下文？
3. 哪些信息要接入可靠来源？
4. 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。

{{guided-demo:system-view-workbench}}

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。

{{chat-lab:system-boundary-lab}}

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：

1. **模型在生成什么？**
2. **它看到了哪些上下文？**
3. **事实来自哪里？**
4. **工具和权限由谁控制？**
5. **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。

{{reflection-checkpoint:system-view-boundary-checkpoint}}

## 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。

{{assessment:system-view-check}}

## 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。