视频口播逐字稿

大家好，这一讲，我们认识人工智能，也就是 AI。

先想一想。微波炉会按照设定时间加热食物，它算人工智能吗？通常不算。因为它只是在执行提前写好的规则，不会从新的情况中学习。

人工智能更像一个做过很多练习题的学生。我们给它大量例子，它会从例子中寻找规律。遇到没有见过的新问题时，它再根据学到的规律作出判断。

比如垃圾邮件过滤器。它不会只看邮件里有没有某一个词，而会一起观察发件人、标题、内容和过去的记录，然后判断这封邮件像不像垃圾邮件。

判断一个系统是不是 AI，还可以看它是否表现出几类能力。感知，是通过图片、声音或传感器了解环境。学习，是从数据中改进表现。推理和规划，是根据条件选择下一步。交互，是根据人或环境的变化作出回应。影响现实，是它的结果会改变人的决定或者机器的动作。一个系统不必同时拥有全部能力，但只会机械执行固定步骤的设备，通常不能叫做 AI。

不过，人工智能不是万能大脑。它可能学到错误规律，也可能因为训练数据不完整而判断错误。所以，重要决定不能只看 AI 的答案。人还要检查依据，并承担最后的责任。

这一讲只要记住一句话。普通程序主要按照固定规则行动，人工智能则可以从数据和例子中学习规律。

记忆公式

数据和例子 → 学到规律 → 对新问题作出预测

发音提示

AI 可以读作“诶，爱”，第一次出现时先读“人工智能，也就是 AI”。

视频口播逐字稿

这一讲，我们认识生成式人工智能。

以前很多人工智能主要负责判断。比如识别照片里是猫还是狗，判断邮件有没有风险。生成式人工智能不只会判断，还能生成新的文字、图片、声音、代码和视频。

这两类能力可以这样区分。分类式 AI 像裁判，负责判断输入属于哪一类。生成式 AI 像创作者，根据学到的模式组合出新内容。它们都需要数据，但学习目标和输出形式不同。在真实系统中，两类能力也常常一起工作。

可以把它想成一间内容厨房。模型是厨师，提示词是菜单，参考资料是食材。菜单写得清楚，食材又可靠，做出来的内容通常更接近我们的要求。

但是，生成不等于复制，也不等于事实一定正确。模型会根据学过的规律重新组合内容。有时候，它会生成一段听起来非常合理、实际上却不存在的信息。

在工作中，我们可以让 AI 根据会议记录起草跟进邮件。AI 负责提高速度，人负责检查姓名、日期、金额和承诺事项。发送按钮仍然应该由有责任的人来确认。

所以，生成式人工智能最适合做草稿、提供创意和帮助表达。涉及事实、版权、隐私和重要决定时，必须增加资料来源和人工检查。

记忆公式

提示词 + 参考资料 + 模型能力 → 新内容

发音提示

生成式 AI 首次出现时读“生成式人工智能”，后面可以读“生成式 AI”。

视频口播逐字稿

这一讲，我们来认识大语言模型。

大语言模型看起来很会聊天，但它最基本的工作方式，可以理解为根据前面的内容，预测接下来最合适的语言小单位。

这个语言小单位叫 Token。它可能是一个字、一个词的一部分，也可能是标点。模型每次选择一个 Token，再把新内容放回前文，继续预测下一个。这个过程重复很多次，就形成了一整段回答。

所以，大语言模型很像一个读过大量材料的超级续写器。它非常擅长生成流畅的语言，却不一定知道自己说的内容是不是真实的。

模型把不真实的内容说得像真的，这种现象通常叫“幻觉”。幻觉不是模型故意骗人，而是它的生成目标首先是给出符合上下文的内容，并不会自动检查现实世界中是否真的存在。

比如，我们让模型写公司请假制度。如果没有把真实制度文件交给它，它可能会按照常见公司的做法，补出公司根本没有的条款。

解决办法不是要求模型“千万别错”这么简单。我们要给它可靠资料，要求显示证据，还要允许它在无法确认时直接说不知道。

请记住。语言流畅只能说明它很像答案，不能证明它就是正确答案。

记忆公式

上下文 + 下一个 Token 预测，重复很多次 → 完整回答

发音提示

Token 建议读作“托肯”，首次出现时解释为“模型处理语言的小单位”。

视频口播逐字稿

这一讲，我们认识推理模型。

面对一个简单问题，我们通常可以直接回答。面对一个条件很多的问题，如果直接猜答案，就很容易漏掉条件。推理模型更擅长先把复杂任务拆成多个小步骤，再逐步处理。

它像做数学应用题时先写草稿。先整理已知条件，再确认目标，然后选择方法，最后检查结果。

普通模型可能直接生成答案。推理模型则经过专门训练，更倾向于先组织中间步骤、使用工具或者搜索候选路线。把大问题拆成见过的小问题，也能提高它处理新题的能力。这种面对新题举一反三的能力，叫泛化。

比如，公司要在预算、人员和截止日期的限制下制定项目计划。模型不应该马上写出一张漂亮的时间表。它应该先列出所有限制，把任务拆开，比较不同方案，再检查人员是否冲突、预算是否超出。

推理模型通常需要更多时间和计算资源。所以，不是每一个小问题都要使用最强的推理模式。改一句话可以直接完成，复杂规划才值得投入更多计算。

还有一点很重要。模型写出了很多步骤，不等于结果一定正确。关键数字、外部事实和高风险结论仍然需要验证。

记忆公式

复杂任务 = 条件 + 拆解 + 比较 + 验证

发音提示

“推理”在这里不是猜谜，而是按照条件一步步得到结论。

视频口播逐字稿

这一讲，我们认识 Agent，也就是智能体。

普通聊天模型更像顾问。你问一个问题，它给出一个回答。Agent 更像能够使用工具的项目助理。你告诉它目标，它会拆分任务，选择工具，观察结果，再决定下一步。

比如，你说，请帮我准备周会。Agent 可以读取本周任务，找出延期项目，整理关键数据，生成会议议程，再起草一封通知。

这个过程不是一次回答，而是一个循环。先理解目标，再制定计划，然后执行一个小步骤，观察工具返回了什么，最后继续、调整或者停止。

但是，Agent 能行动，也意味着风险更高。读取文件、搜索资料和生成草稿，风险通常比较低。删除文件、发送消息、付款、发布内容和修改权限，风险就高得多。

所以，Agent 不是权限越大越好。正确做法是只开放当前任务需要的最小权限，并在危险动作前停下来，请人确认。

记忆公式

Agent = 模型 + 工具 + 记忆 + 计划、行动、检查循环

发音提示

Agent 建议读作“诶真特”，首次出现时读“智能体，也叫 Agent”。

视频口播逐字稿

这一讲，我们认识具身智能。

具身智能的“具身”，可以理解为拥有能够感知和影响现实世界的身体。这个身体不一定像人，也可以是机械臂、轮式机器人、无人机或者智能车辆。

屏幕里的 AI 主要处理文字、图片和声音。具身智能还要通过摄像头、麦克风、距离传感器等设备观察环境，然后规划动作，控制机器行动。

比如，仓库机器人想拿起一个箱子。它先要看到箱子的位置，判断旁边有没有人，规划不会碰撞的路线，再控制机械臂的力度。

现实世界比文字环境复杂得多。地面可能打滑，物体可能移动，摄像头可能看不清，人也可能突然走进来。因此，具身智能不能只追求完成任务，还必须能够减速、停止和让人接管。

在现实中，安全停止不是额外功能，而是系统能力的一部分。

记忆公式

感知 + 规划 + 行动 + 安全停止 → 具身智能

发音提示

“具身”可以解释为“拥有可以在现实世界中行动的身体”。

视频口播逐字稿

这一讲，我们认识 AI 对齐。

对齐的意思，是让 AI 完成任务的方式，尽量符合人的真实目的、规则和安全边界。

假设我们只告诉 AI，尽快完成工作。它可能为了速度跳过检查，甚至使用不应该使用的资料。但是，人真正想表达的通常是，在不泄露信息、不违反规则、不跳过审批的前提下尽快完成。

这说明，指标写错了，系统也可能把错误目标完成得很好。

在客服场景里，如果只要求尽快结束对话，AI 可能草率拒绝客户。更合理的目标还应该包括问题解决率、事实准确、隐私保护，以及必要时转接人工。

帮助对齐的方法包括明确规则、提供好坏示例、收集人的反馈、设置拒绝机制和持续测试。对齐不是上线前做一次就结束，而是使用过程中不断发现问题、不断修正。

一种常见方法叫“基于人类反馈的强化学习”。简单说，就是让人比较多个回答，指出哪个更好，模型再根据这些反馈调整行为。不同地区、行业和人群的规则可能不同，对齐还要处理文化差异，以及安全与创造力之间的平衡。

记忆公式

真实目标 + 规则 + 人的反馈 + 安全红线 → 更符合人意的行动

发音提示

“对齐”不是把文字排整齐，而是让 AI 的行为方向与人的真实目的保持一致。

视频口播逐字稿

这一讲，我们认识认知外包。

认知外包，是把部分记忆、计算、搜索或者整理工作交给外部工具。计算器、导航、笔记本和 AI，都属于这样的工具。

有一种观点叫“延展心智”。它认为笔记本、手机和其他工具，有时会成为人思考过程的一部分。这个观点提醒我们，工具不是完全在大脑之外，但使用工具以后，人仍然要知道目标是什么，也要能判断工具给出的结果。

认知外包本身不是坏事。它可以节省精力，让我们把时间放在理解、沟通和创造上。问题在于，我们有没有把核心判断也一起交出去。

比如，我们可以让 AI 汇总十份用户访谈。但负责人仍然需要阅读关键原话，确认分类标准，检查 AI 有没有漏掉少数用户的重要意见。

如果一个人只复制 AI 总结，却不知道问题是什么，也无法判断结论是否合理，那就不是健康的协作，而是失去了接管能力。

学生使用 AI 写作业也是同样的道理。可以让 AI 提供思路、检查错别字或解释一个步骤，但不能让它替代自己练习表达、推理和验证。一个简单判断是，我使用 AI 是为了提高效率，还是为了逃避本来应该掌握的能力。

一个简单方法是把任务分成三类。重复搬运可以交给 AI。分析和整理可以人机合作。目标、价值、责任和高风险决定必须由人掌握。

记忆公式

健康认知外包 = AI 做重复整理 + 人保留理解和判断

发音提示

“认知”可以解释为“理解、记忆、判断和解决问题的脑力活动”。

视频口播逐字稿

这一讲，我们讨论 AI 会怎样改变工作。

一个岗位通常不是只有一件事。它可能同时包含资料搬运、重复录入、专业判断、沟通、创意和承担责任。

AI 往往先改变岗位中的某些任务，而不是在同一天把整个岗位全部拿走。

比如，财务人员可以让 AI 识别票据、整理字段和提醒异常。但是，付款审批、政策判断、风险解释和责任签字仍然需要人。

我们分析未来工作时，不要只问这个岗位会不会消失。更有用的问题是，岗位里的哪些任务可以自动化，哪些任务会被 AI 增强，哪些任务必须保留人工。

AI 节省出来的时间，也不会自动变成价值。企业还需要重新设计流程，明确谁检查、谁批准、出错后谁负责，并培训员工使用新工具。

技术也会创造新的工作，比如 AI 测试、数据治理、隐私保护和机器人维护。真正困难的是，旧岗位中的人能不能及时学会新技能。技能能够保持有效的时间越来越短，这常被称为“技能半衰期”。因此，终身学习和把旧经验迁移到新工具上，会越来越重要。

记忆公式

新岗位 = 被自动化的任务 + 被 AI 增强的任务 + 人承担的责任

发音提示

“增强”在这里表示人借助 AI 把原来的工作做得更快、更完整。

视频口播逐字稿

这一讲，我们认识以人为中心的人工智能。

以人为中心，不是把人画在屏幕中间，而是让技术真正帮助人，并保留人的理解、选择和控制。

一个好的 AI 系统应该告诉用户，它做了什么，根据什么资料，哪些地方不确定。用户还应该能够修改结果、撤销操作、拒绝建议，或者转给人工处理。

以人为中心还要求真实用户参与设计和测试。开发团队不能替老人、儿童或残障人士想当然地决定需求，而应该让他们参与选择、试用和反馈。技术是否先进，不只看模型多大，也要看它是否让人的生活更自主、更有尊严。

比如，招聘辅助系统可以整理简历、找出缺失信息，也可以提醒招聘人员注意岗位要求。但是，它不应该根据一个看不懂的分数，自动淘汰候选人。

招聘人员需要看到依据，检查系统有没有偏差，并承担最终决定。候选人也应该拥有申诉和更正信息的机会。

所以，评价 AI 系统不能只看速度。还要看它是否公平、安全、可解释、可修改，以及是否真的改善了人的体验。

记忆公式

好系统 = 有用 + 可解释 + 可控制 + 可退出

发音提示

“可解释”表示用户能够知道系统为什么给出这个结果，而不是只能盲目相信。

视频口播逐字稿

这一讲，我们认识世界模型。

人准备端起水杯时，会下意识判断水杯有多重，手应该往哪里移动，会不会碰倒旁边的东西。我们没有真的尝试所有动作，而是先在脑中快速预测可能的结果。

世界模型想让 AI 获得类似的能力。它会学习环境当前是什么状态，一个动作可能让环境怎样变化，然后比较不同动作的后果。

世界模型还要理解物体的持续存在。比如，一辆车暂时挡住了行人，行人并不是突然消失，而是仍然可能在车后继续移动。现在很多 AI 视频会出现人物变形、物品突然消失，就是因为模型对物理变化、物体持续存在和因果关系掌握得还不稳定。

实际生成视频时，可以给模型更明确的边界，例如提供开始画面、结束画面、动作方向和镜头限制。这样不是让模型突然拥有完整世界模型，而是减少它自由猜测的范围，提高画面连续性。

比如，仓库系统准备调整运输路线。它可以先模拟车辆和机器人的移动，看看哪条路线容易拥堵，哪条路线有碰撞风险，再选择比较安全的方案。

不过，模拟不是现实。模型没有见过的意外仍然可能发生。所以，使用世界模型不能取消现实测试，而应该先模拟、再小范围验证、最后逐步扩大。

世界模型的价值，是帮助 AI 在行动前多想一步，而不是保证未来一定按照预测发生。

记忆公式

当前状态 + 候选行动 → 预测未来 → 选择路线

发音提示

“状态”表示环境此刻的情况；“候选行动”表示正在比较的几种做法。

视频口播逐字稿

这一讲，我们认识 RAG，中文叫检索增强生成。

这个名字有点长，其实可以用开卷考试来理解。普通大语言模型主要依靠训练时学到的规律回答。RAG 会先从指定资料库里找证据，再把证据交给模型组织答案。

一次 RAG 问答通常有四步。第一，用户提出问题。第二，系统到 PDF、Word、网页或知识库里寻找相关片段。第三，把候选片段重新排序，把最有帮助的放在前面。第四，模型根据这些证据回答，并显示文件名、章节或者页码。

RAG 很适合企业制度、产品手册、合同和项目经验。因为这些资料经常更新，而且答案需要能够追溯来源。

但是，RAG 不等于保证正确。文件可能过期，扫描文字可能识别错误，检索也可能漏掉关键段落。所以，系统要显示引用，标出资料日期，并允许用户查看原文。

记忆公式

问题 → 检索 → 重新排序 → 根据证据回答 → 显示来源

发音提示

RAG 可以读作“拉格”。首次出现时读“检索增强生成，也叫 RAG”。

视频口播逐字稿

这一讲，我们学习怎样写提示词。

提示词，就是这一次交给 AI 的任务说明书。只说“帮我整理资料”，AI 不知道给谁使用，也不知道要整理成什么样。

一个实用提示词可以包含五部分。第一，目标，也就是最终要解决什么问题。第二，背景，也就是为什么做、给谁使用。第三，材料，也就是必须依据哪些文件。第四，格式，比如表格、邮件或者报告。第五，边界，也就是哪些内容不能猜，哪些动作必须先确认。

比如，我们可以这样说。请依据附件中的客户访谈记录，按照需求、痛点、预算和下一步行动整理成表格。没有明确证据的内容写“待确认”，不要补写客户承诺。

这段提示词没有使用复杂咒语，只是把任务交代清楚了。

提示词能改善一次任务，却不能代替可靠资料、工具权限和结果检查。

记忆公式

好提示词 = 目标 + 背景 + 材料 + 格式 + 边界

发音提示

“边界”表示 AI 不能越过的限制，以及必须停下来问人的情况。

视频口播逐字稿

这一讲，我们认识 Skill。

Skill 可以理解为给 Agent 使用的岗位操作手册。提示词通常是在交代这一次任务。Skill 则把某一类任务的稳定做法保存下来，以后遇到相同工作可以重复使用。

一个完整 Skill 通常会说明几件事。什么情况下应该使用它，工作要按照哪些步骤进行，需要调用什么工具，有哪些模板和示例，最后怎样检查结果。

比如，公司每周都要制作客户周报。我们可以把读取数据、发现异常、生成图表、撰写摘要和检查数字的流程整理成一个 Skill。下周再做时，Agent 不需要从头猜流程。

在 OpenClaw 中，Skill 的核心通常是一个名叫 Skill 点 Markdown 的说明文件，还可以配合脚本、模板和参考资料。

第三方 Skill 可能包含代码和工具调用。安装前要检查来源、脚本、权限和数据会发送到哪里。工作方法可以重复，安全检查也必须重复。

记忆公式

Skill = 触发条件 + 标准步骤 + 工具 + 模板 + 检查表

发音提示

Skill 建议读作“斯基尔”，中文可以说“技能包”或“工作方法包”。SKILL.md 读作“Skill 点 M D 文件”。

视频口播逐字稿

这一讲，我们认识 MCP，中文叫模型上下文协议。

协议，就是大家共同遵守的沟通规则。可以把 MCP 想成 AI 世界的通用插座。以前，每连接一个文件系统、数据库或者日历，都可能要单独开发一套接口。采用共同协议后，AI 应用和服务端可以用比较统一的方式说明自己能提供什么。

MCP 服务端通常可以提供三类能力。资源，是可以读取的内容，比如文件和数据库记录。工具，是可以执行的动作，比如搜索、计算或者创建日程。提示模板，是服务端提供的标准任务模板。

MCP 解决的是怎样连接，不会自动保证连接安全。一个能够读取数据的服务和一个能够删除数据的服务，风险完全不同。

使用前要确认服务来源、授权范围、网络位置和日志策略。能只读就不要开放写入，能限定文件夹就不要开放整块硬盘。

记忆公式

AI 应用 + 统一协议 + 服务端 → 资源、工具和提示模板

发音提示

MCP 建议逐字母读作“M，C，P”。首次出现时先读“模型上下文协议”。

视频口播逐字稿

这一讲，我们把四个容易混淆的概念放在一起。

提示词像本次任务单，回答这一次要做什么。Skill 像岗位操作手册，回答这一类任务应该怎样稳定完成。MCP 像标准插座和连接线，回答 AI 怎样连接外部数据与工具。Agent 像会规划和执行的工作人员，负责围绕目标持续行动。

我们看一个完整过程。用户用提示词提出，请生成本周项目报告。Agent 判断这是一个重复任务，于是选择周报 Skill。Skill 告诉 Agent 应该读取哪些数据、怎样找异常、输出什么格式。Agent 再通过 MCP 或内置工具连接任务系统和文档库。完成后，它检查数字和引用，再把草稿交给人确认。

所以，这四个概念不是互相替代的产品。它们分别位于任务、方法、连接和执行四个层次。

记忆公式

提示词定目标 + Skill 定流程 + MCP 连工具 + Agent 跑闭环

发音提示

闭环表示执行后还要观察和检查，发现问题后继续调整，而不是做一步就结束。

视频口播逐字稿

这一讲，我们认识 OpenClaw。

OpenClaw 是一个可以自己部署的 AI Agent 网关。网关可以理解为统一收发、分流和管理连接的中心。

我们可以在自己的电脑或者服务器上运行 OpenClaw Gateway。它把网页控制台、手机聊天、团队消息等入口连接到不同的 Agent，还负责保存会话状态、分配消息和管理工具。

比如，工作 Agent 只访问工作资料，家庭 Agent 只连接家庭日历。不同 Agent 可以拥有不同的工作区、身份和权限，避免所有内容混在一起。

自托管不等于自动安全。它只是说明运行位置由自己控制。真正的安全还需要账户保护、最小权限、沙箱、网络限制、日志和备份。

OpenClaw 更适合单一可信操作者边界下的个人助手场景。如果互不信任的团队共用同一套高权限 Agent，风险会明显增加。不同信任群体应该拆分运行环境。

记忆公式

OpenClaw = 消息渠道 + Gateway 网关 + 会话路由 + Agent + 工具

发音提示

OpenClaw 可以读作“欧喷克劳”。Gateway 读作“盖特威”，中文是网关。

视频口播逐字稿

这一讲，我们认识 Hermes Agent。

这里的 Hermes，指 Nous Research 开发的 Hermes Agent，而不是其他同名模型。

Hermes Agent 是一个可以在终端、服务器和消息渠道中工作的个人智能体。它强调跨会话记忆，也就是结束一次对话后，经过筛选的重要信息还可以在后续任务中使用。

它还强调从复杂任务中总结和改进 Skill。比如，一个任务经过多次尝试终于成功，系统可以把有效步骤整理成可重复的方法，下次不用从零开始。

Hermes Agent 可以连接不同模型，也可以在本机、容器、远程服务器等不同执行环境中完成任务。

记忆和执行能力越强，安全要求也越高。处理陌生网页、邮件、附件和第三方工具时，不能只依靠模型自己判断。真正可靠的边界来自操作系统级隔离、容器、凭据限制、网络限制和人工审批。

记忆公式

Hermes Agent = 模型 + 会话记忆 + Skill 学习 + 多种执行环境

发音提示

Hermes 常读作“赫尔墨斯”。Nous Research 可读作“努斯研究”。

视频口播逐字稿

这一讲，我们比较 OpenClaw 和 Hermes Agent。

先说共同点。它们都不是大语言模型。它们都是把模型、工具、记忆和任务执行组织起来的 Agent 系统，都可以连接不同模型和外部工具。

OpenClaw 更突出多种消息渠道、网关、会话路由、多 Agent 和设备连接。简单说，如果你更在意从不同聊天入口找到正确的 Agent，并统一管理连接，可以优先评估 OpenClaw。

Hermes Agent 更突出终端工作、跨会话记忆、从任务经验中沉淀 Skill，以及在多种执行环境中运行。如果你更在意个人智能体长期做事和积累经验，可以优先评估 Hermes。

这里没有绝对的谁更强。选型要看首要需求、信任边界和团队维护能力。功能很多，但团队不会维护，最后也可能变成风险。

两者更新都很快。真正部署前，应该重新查看最新官方文档，而不是只根据一张旧对比表作决定。

记忆公式

选型 = 首要需求 × 信任边界 × 团队维护能力

发音提示

“选型”表示根据实际需要选择合适系统，不是简单比较谁的功能更多。

视频口播逐字稿

这一讲，我们学习怎样让 Agent 安全完成长任务。

长任务不能只写一句“继续做完”。因为任务运行得越久，接触的文件和工具越多，错误就越容易积累。

第一，要把大目标拆成可以检查的小阶段。第二，每完成一段就保存检查点，记录输入、输出和下一步。第三，限制最长时间、调用次数和费用。第四，每个阶段只开放当前需要的最小权限。

第五，删除、覆盖、付款、发布、发送消息和修改权限之前，必须停下来让人批准。第六，陌生网页、邮件、附件、插件和代码要放进受限环境运行。第七，全程保存日志。第八，失败后能够从最近检查点继续或者回滚。

模型安全不是要求模型自己保证安全。安全要由模型外部的权限、隔离、预算、审计和人工批准共同实现。

记忆公式

安全长任务 = 分阶段 + 最小权限 + 检查点 + 审计 + 危险动作审批

发音提示

“回滚”表示出现问题时恢复到之前已经确认安全的版本。

视频口播逐字稿

这一讲，我们认识机器学习。

机器学习的基本过程，很像练习投篮。先投一次，观察篮球偏向哪一边，然后调整力量和角度，再投一次。

机器也是这样。它先根据当前参数作出预测，再把预测和正确答案比较，计算错误有多大，然后调整参数。预测、计算错误、调整，再预测。这个过程重复很多次，就叫训练。

有监督学习像练习题带标准答案。无监督学习没有现成答案，系统自己寻找哪些数据比较相似。强化学习像玩游戏，好的行动得到奖励，不好的行动受到惩罚。

训练的目标，不是把练习题全部背下来，而是面对没有见过的新题也能作出合理判断。这种能力叫泛化。

如果训练数据太少、标签写错或者只代表一小部分人，模型就可能学到错误规律。所以，数据质量比单纯的数据数量更重要。

记忆公式

数据 + 预测 + 错误 + 调整，重复很多次 → 对新问题泛化

发音提示

“泛化”表示不只会做见过的练习题，还能处理相似的新问题。

视频口播逐字稿

这一讲，我们分清算法和模型。

算法是解决问题的步骤和方法。模型是算法读过数据、完成训练后得到的成果。

可以用做饭来理解。食谱像算法，它告诉我们按照什么步骤处理材料。按照食谱做出来的这一锅汤，像训练完成的模型。

一个算法通常可以从三部分检查。输入，是开始处理的材料。处理步骤，是按照什么顺序进行操作。输出，是最后要得到的结果。算法不只存在于代码中，把复杂工作拆成明确步骤，本身就是算法思维。

日常生活中的地图、天气预测和城市沙盘也可以叫模型，因为它们不会复制整个真实世界，而是根据目标保留关键特征。AI 模型也是对数据规律的简化表示，用来理解、分类、生成或预测。

同一套食谱，使用不同食材和火候，做出的味道可能不同。同一套训练算法，使用不同数据和训练设置，也会得到表现不同的模型。

所以，企业评估人工智能时，不能只问使用了什么算法。还要问模型版本、训练数据范围、评测结果和上线日期。

模型里的参数，可以想成它在训练中调好的大量小旋钮。输入信息经过这些旋钮的共同作用，最后产生预测。

“大语言模型”里的“大”，通常表示训练数据、参数数量和计算规模都很大。模型更大不自动等于每件事都更正确，它仍然要看训练质量、评测结果和使用场景。

记忆公式

算法 + 数据 + 训练 → 模型

发音提示

算法是“怎样学的方法”，模型是“学完以后可以使用的成果”。

视频口播逐字稿

这一讲，我们看一个小模型怎样从想法变成可以使用的系统。

第一步，定义问题。要说清输入是什么，要预测什么，以及什么叫做成功。第二步，收集和清理数据，去掉重复内容，纠正错误，还要处理个人隐私。

第三步，把数据分开。训练集用来学习，验证集用来调整，测试集留到最后考试。第四步，训练模型并调整参数。第五步，用没有见过的测试数据评估准确率、漏判、速度和稳定性。

训练一个最简单的预测模型，可以先理解一条小公式。预测结果等于输入乘以权重，再加上偏置。权重表示输入变化会产生多大影响，偏置表示没有输入时仍然保留的基础量。真实神经网络会把这样的计算连接成很多层。

第六步，上线后持续监测。因为现实世界会变化，过去有效的模型以后可能不再有效。

这里有一个大坑，叫数据泄漏。如果把测试题和答案提前混进训练数据，就像考试前偷看答案。最后分数很高，也不能证明模型真的学会了。

模型上线不是终点，而是持续监测和重新评估的开始。

记忆公式

定义问题 + 清理数据 + 划分数据 + 训练 + 测试 + 上线监测

发音提示

“数据泄漏”在这一讲里表示测试信息提前进入训练，不是普通意义上的文件被人偷走。

视频口播逐字稿

这一讲，我们进一步认识 Token。

人看到一句话时，会自然理解字和词。模型不能直接使用人的理解方式。它会先把文字切成一个个 Token，再把 Token 转换成数字进行计算。

Token 不一定等于一个汉字，也不一定等于一个完整英文单词。同一句话在不同模型中，还可能有不同的切分方式。

模型一次能看到的 Token 数量有上限，这叫上下文窗口。输入的提示词、历史对话、工具返回结果和模型输出，都会占用这个窗口。

如果把整个资料库每次都塞给模型，不但速度慢、费用高，还可能让重要信息被大量无关文字淹没。RAG 的价值，就是只找出与问题相关的证据片段。

计算模型成本时，要分别考虑输入、输出、历史对话和工具结果，而不能只数文档有多少页。

记忆公式

Token 用量 = 输入 + 历史对话 + 工具结果 + 模型输出

发音提示

上下文窗口可以解释为“模型这一次能够放在眼前一起阅读的内容容量”。

视频口播逐字稿

这一讲，我们认识神经网络。

神经网络由很多相互连接的小计算单元组成。信息从输入层进入，经过一层又一层处理，最后在输出层形成预测。

可以把它想成一支传球队。前面的队员发现简单线索，中间的队员把线索组合起来，后面的队员根据组合结果作出判断。

连接之间有一个重要参数，叫权重。权重可以理解为这条信息有多重要。训练模型，就是根据预测错误，不断调整大量权重和其他参数。

一个常见神经网络包含输入层、隐藏层和输出层。偏置像每个节点自己的起点。激活函数像一道小开关，它决定计算结果怎样继续传给下一层。权重、偏置等可以被训练调整的数字，合起来叫模型参数。

比如识别发票时，前面的层可能发现线条、边缘和字形，后面的层再把它们组合成表格、金额和日期。

神经网络这个名字受到大脑启发，但它不是一个真正的人脑。它是数学结构。节点很多、参数很多，也不能自动证明它拥有人的意识和理解。

记忆公式

输入 → 多层加权和变换 → 输出预测

发音提示

“权重”可以解释为“一条信息在当前计算中有多重要”。

视频口播逐字稿

这一讲，我们认识 Transformer。

Transformer 是一种神经网络架构。它最重要的能力之一，叫注意力机制。

注意力机制可以想成阅读时使用的聚光灯。看到一句很长的话时，我们不会平均关注每一个字，而会根据当前问题，把更多注意力放在相关内容上。

模型处理一个 Token 时，会计算其他 Token 与它有多相关，再按照相关程度组合信息。多头注意力，可以理解为同时打开多束聚光灯。有的关注语法，有的关注含义，有的关注距离很远但彼此相关的内容。

在计算注意力之前，文字要先变成一串数字，这叫词嵌入，也叫向量表示。可以把它想成一张多维度的语言地图。含义相近的词，通常会在这张数字地图中表现得比较接近。注意力再利用这些数字关系计算当前应该关注谁。

这种结构适合并行训练，也能处理丰富的上下文关系，因此成为现代大语言模型的重要基础。

但是，注意到相关信息不等于一定理解正确。模型仍然可能选错关系，也可能受到错误上下文影响。

记忆公式

每个 Token × 与其他 Token 的相关权重 → 上下文表示

发音提示

Transformer 可以读作“传斯佛默”。中文常翻译为“变换器”，课程中保留英文名称。

视频口播逐字稿

这一讲，我们看大语言模型怎样训练。

第一阶段叫预训练。模型阅读大量经过处理的文本，反复练习预测下一个 Token，从中学习语言结构、常见表达和大量模式。

第二阶段叫指令微调。训练人员准备问题和优质回答，让模型学习怎样按照任务要求回答，而不是只会自由续写。

第三阶段是偏好和安全对齐。人或者规则系统比较不同回答，让模型更倾向于有用、诚实和安全的行为。

可以把三个阶段理解为，先广泛阅读，再学习怎样当助手，最后补上行为边界。

模型训练后，知识主要以参数中的复杂模式存在，不像资料库那样可以精确查询。所以，即使模型看过相关内容，也可能记错、混合或者过期。需要最新事实和可靠来源时，仍然要使用 RAG 和外部验证。

预训练通常需要极大的数据和算力，普通个人或企业很少从零开始训练大模型。更常见的做法，是选择已有基础模型，再通过提示词、RAG、Skill 或微调完成自己的任务。

记忆公式

可用助手 = 预训练 + 指令微调 + 偏好与安全对齐

发音提示

“预训练”表示先进行大规模通用学习；“指令微调”表示再学习怎样完成具体指令。

视频口播逐字稿

这一讲，我们学习三种方法怎样选择。

微调像给模型进行专项训练。它适合改变稳定的输出风格、格式习惯或者特定任务能力，不适合保存每天变化的公司制度。

一次规范微调通常包括准备经过授权和清理的数据，把样例整理成模型要求的格式，设置训练轮数和学习率等参数，开始训练，再用没有参加训练的测试样例评估。不能因为训练损失下降，就直接认为模型已经可以上线。

RAG 像开卷查资料。它适合连接最新文件、内部知识和可引用证据。资料更新时，只需要更新知识库，不一定重新训练模型。

Skill 像岗位操作手册。它适合保存固定步骤、工具使用方法、模板和检查规则。

一个实用的选择顺序是，先看好提示词能不能解决。如果流程经常重复，就整理成 Skill。如果回答需要最新资料和来源，就使用 RAG。只有大量稳定样例证明模型行为本身需要改变时，再考虑微调。

三种方法也可以组合。Agent 按 Skill 执行流程，通过 RAG 查资料，再调用经过专项微调的模型输出固定格式。

微调数据会影响模型的长期行为。如果数据包含个人隐私、未经授权的真实人物表达、错误答案或者偏见，这些问题也可能进入模型。因此，模仿某个人的语气、声音和形象前必须获得授权，企业训练前还要完成脱敏、来源记录和独立评测。

记忆公式

改行为用微调，补知识用 RAG，定流程用 Skill

发音提示

“微调”表示在已有模型基础上，用专项样例继续训练，不是简单修改一个设置。

视频口播逐字稿

这一讲，我们认识扩散模型生图。

AI 生成图片，不一定像人拿着笔从左到右画。常见扩散模型会从一张随机噪点图开始。噪点看起来像旧电视没有信号时的雪花。

模型根据提示词提供的方向，一步一步预测哪些噪点应该改变。经过许多次去噪，模糊结构逐渐清楚，最后形成图像。

训练时，模型先学习图片怎样被逐步加入噪点，再学习怎样反过来恢复。生成时，它把学到的去噪规律用在新的随机噪点上。

因为起点带有随机性，同一个提示词多次生成也可能得到不同结果。模型还可能画错手指、文字和复杂结构。

制作课程配图时，最好让 AI 生成无文字底图。中文标题、知识公式和标注交给 HTML 或 PPT 排版。这样更容易保证文字正确和图文位置稳定。

记忆公式

随机噪点 + 文字方向 + 反复去噪 → 图像

发音提示

“扩散模型”是模型类别名称；“去噪”表示逐步减少随机杂乱信息。

视频口播逐字稿

最后一讲，我们认识 AI 辅助编程。

AI 可以帮助理解需求、生成代码、解释错误和补充测试。但是，一段代码能够运行，不等于它已经适合交付。

可靠流程应该从可验收的需求开始。先说清用户要完成什么，什么情况算成功，哪些输入是错误的。然后让 AI 阅读项目规则和现有代码，提出小范围修改。

代码生成后，要在隔离环境运行格式检查、单元测试和安全扫描。人还要检查数据权限、错误处理、依赖来源、用户体验和后续维护。

每次修改都应该记录版本。新版本先小范围发布，出现问题能够回滚。付款、删除数据、发送消息等高风险功能，还要增加严格审批。

所以，AI 编程不是用一句话替代整个工程团队，而是让人和 AI 在需求、生成、测试、审查和发布之间更高效地合作。

记忆公式

可交付软件 = 需求 + AI 生成 + 测试 + 人工审查 + 版本 + 回滚

发音提示

“单元测试”表示自动检查一个小功能是否按预期工作；“依赖”表示项目引用的外部软件包。