頭好癢，要“長腦子”了！

看了那么多AI的玩法，關于AI的硬核知識，你知道多少呢？前方高能，做好準備，要“長腦子”了！

Q1 AI的發展歷史是怎樣的？

DeepSeek：

1950年代：AI\"出生\"！科學家們開始教計算機下棋、解數學題，像教小孩學走路一樣。

1980年代：AI學會“認東西\"！電腦能識別文字和語音了，但還是笨笨的，經常犯錯。

2010年后：AI“開掛\"啦！有了大數據和超級計算機，AI突然變聰明了—會聊天（比如Siri）會畫畫（比如AI生成圖片），甚至能打敗圍棋世界冠軍！

現在：AI像你的“超能助手”，可以輔導作業、推薦視頻，還能開車！但科學家們還在努力，希望它更安全，更懂人類的心。

未來，AI可能會像電影里的機器人朋友一樣，陪你學習、探索宇宙！

（小提示：AI沒有真正的\"大腦”，它的智慧全靠人類教的算法和數據哦！）

侯泰羽：

我在大學上過一門叫“文本及其思想\"（Textand Itsldea）的課程，它講述了從古至今AI的發展歷史，道出了一個有趣的真相：今天人們為AI狂熱或恐懼的問題，實際上是人類思想史上一直在循環的古老難題。

這門課從柏拉圖講起，因為AI的核心問題早在公元前就存在，即我們如何思考“思考”本身。柏拉圖通過蘇格拉底之口，批評了書面文字“不能為自己辯護\"（因為它是無聲的，讀者看到什么就是什么，每個人的理解都不一樣），也無法與讀者進行真正的對話。這預示了今天我們對AI的擔憂一它可以產生看似連貫的輸出，但缺乏真正的理解能力。最令我震撼的是，現代AI面臨的一些核心問題，其實是古老哲學難題的技術化體現。柏拉圖的“洞穴寓言\"提出的表象與實在的區別，直接關聯到當今關于AI是否真正“理解\"或僅僅在模仿的爭論。德里達對柏拉圖《斐德魯斯》的分析中提出的“藥方\"（pharmakon）概念—既是毒藥又是良藥的雙重性，完美映射了我們對AI的矛盾態度。

這門課讓我明白，AI不僅是一種前沿的技術，更是人類認識自我的鏡子。當我們創造模仿人類思考的機器時，我們在探索一個更深層次的問題：究竟什么是“我們\"？什么讓人類獨特？什么是思考的本質？歷史的驚人循環告訴我們，每一次當我們認為已經解決了某些科技問題時，實際上只是繞了一圈又回到了起點，帶著新的洞察和新的困惑，繼續這場始于古希臘的偉大探索。

Q2"AI的學習原理是什么？

吳超：現在AI的學習原理，已經脫離了早期的符號主義，更多的是靠“機器學習\"。簡單來說，就是從大量的數據中學習其中的規律。打個比方，AI的學習方式，不再是老師教給它解題方法，而是我們把一大堆習題集的題目和答案都給它，它能夠自己把學習方法摸索出來，這個思路就叫機器學習。

Q3 “深度學習”“神經網絡”\"大模型”這些詞到底是什么意思？彼此有什么聯系？

吳超：

“人工智能\"的概念是最大的。人工智能包含一種方法叫“機器學習”，也是現在的主流方法。機器學習包括很多不同的模型，有一種模型是模仿人的神經網絡，所以叫\"人工神經網絡”。人工神經網絡如果做得越來越大，就叫\"深度學習”，因為它的網絡是一層一層的，變大、變深了。而深度學習中有一種類型叫\"大模型\"，大模型的全稱是\"大語言模型\"（Large Language Model）。大模型的任務就是不斷地生成語言，無論是問答，還是讓它出方案、寫報告，都是生成語言。大模型在生成語言的時候，實際上是在一個字一個字地做預測，每一次都預測下一個概率最高的詞是什么。所以這些概念存在包含關系。

Q4 為什么AI會無中生有、一本正經地胡說八道？

吳超：

生成式AI并非真的“無中生有”，它依靠訓練好的模型來生成內容。為什么會一本正經地胡說八道呢？因為它輸出的內容是預測概率最高的詞。而概率最高的詞，不一定是事實上最精確的內容。在目前的實現模式里，AI沒有所謂的真正的知識推理。比如我們讓它算 11+12 等于多少，它不是像人一樣把11和12看成數字，而是把它們看成一段文本，根據以前大量的文本來推理結果。所以AI與人的實現方式不太一樣，它輸出的結果會與現實中的常識、很多精確的知識不匹配，這個被稱為“幻覺問題”。

Q5 為什么一字不差的問題，不同的人問同一個AI，會得到不同的回答？

吳超：

這涉及一個技術細節。大模型當中，有一個參數叫“溫度\"（temperature），它控制了大模型的隨機性，可以把它想象成大模型的創造力。當溫度設置得很低時，同一個問題，我們可以讓大模型輸出一模一樣的答案。但我們希望大模型有一些創造力，此時可以把溫度調高一點，讓它每次都能產生不同的回答。現在普通用戶也可以在DeepSeek、ChatGPT中調溫度。

Q6 現在有一些AI查重軟件，用魔法打敗魔法。它們是如何檢測AI率的？

吳超：

現在的AI查重軟件并不是很靠譜。如何判斷某個內容是人寫的還是大模型生成的，目前并沒有特別好的方法。尤其是人把大模型的內容稍作修改后，就更難識別了。不過，很多人正在研究\"大模型水印”。我們熟悉在圖片或紙幣上加水印，從而辨別原創性或真假。同理，我們可以在大模型生成的文字中加入一些特征。舉個最簡單的例子，英文中的字母A、B、C，它們各自有不同的出現概率，比如A可能是 4% ，B可能是 5% 。這時給大模型加一個水印，讓A的比重上升到 6% ，在人看來這可能還是正常的文字，實際上字母出現的概率已經發生了變化。通過這樣的水印，能夠在一定程度上檢測出AI寫的內容。

Q7 我們可以如何一點一點訓練AI？

吳超：

現在的AI訓練有兩種。一種是預訓練，需要用大量的數據。像OpenAI訓練GPT-3.5的時候，花了幾個月時間，用了45TB的數據。這是一種大規模的訓練。

另一種訓練是在預訓練之后，我們可以對模型進行微調。比如這個模型要應用到醫療領域、司法領域，那就用相關領域的數據進行微調，用相對較少的數據訓練它。

目前中學生要訓練模型還是比較難的，但同學們可以做一些提示詞工程或知識增強，比如你用DeepSeek做作業，你不需要對模型進行訓練，而是可以用一些提示詞或者增加知識庫（如上傳整本課本），讓它來輔助你做作業。

Q8"目前AI有相應的倫理規范嗎？

吳亦全：

目前已經有一套正在不斷完善的倫理規范，來保障AI的安全使用。比如在防止生成暴力、血腥等不良內容方面，很多AI平臺采用了“黑名單機制”，這有點像游戲或社交軟件中的\"敏感詞屏蔽\"。一旦用戶輸入涉及暴力、血腥、仇恨等的關鍵詞，AI就會自動中止回復，或者引導用戶走向更健康的話題。

還有一種更復雜的倫理議題，是關于“數字逝者\"的。有些人希望借助AI模擬逝去親友的聲音和語言風格，和\"他們\"重新對話，緩解思念。這在情感上可能是一種安慰，但從倫理角度來說，容易帶來“情感依賴\"“虛擬替代現實\"等風險。因此，在這類應用中，相關的倫理規范會特別強調要取得明確授權、保護個人數據隱私，并避免AI造成虛假陪伴的錯覺。

值得一提的是，目前AI的\"倫理感\"是通過一種叫\"基于人類反饋的強化學習\"（RLHF）的技術訓練出來的。簡單來說，AI會不斷接受人類反饋，逐漸學會分辨“什么該說，什么不該說”“什么是有幫助的，什么可能會帶來傷害\"。就像一把帶防護裝置的智能鎖，當你試圖讓AI教你作弊或傳播虛假信息時，它會自動\"上鎖\"拒絕響應。

這些倫理機制的背后，是社會對AI的一種\"價值對齊\"的努力一一我們希望AI越來越像一個有判斷力、有責任感的伙伴，而不是一個沒有底線、無所不能的工具。

Q9 青少年使用AI是否需要一個尺度？

吳飛：

AI就像生活中觸手可及的水和電，至小有內，至大無外，人工智能無所不及。因此，應該鼓勵同學們使用AI來解決學習和生活上的問題。但如果一個問題超越了人類倫理和法律規定，比如通過人工智能了解如何制造危險品等，同學們就不應該去使用，應該鼓勵和提倡\"算法向善\"。總之，同學們在使用AI時，需要建立一種意識，即讓AI完成它更勝任的任務，讓人類完成人類更勝任的任務，從而不完全依賴于Al。