乐福学长说：
这两年最火的无疑是AI，我们总说AI学习、AI训练，AI到底是怎么”学”的？它跟人学习一样吗？我还真研究了一下，其实它学习的方式跟我们想象的完全不一样——它不像学生那样”理解”知识，更像一个小孩通过反复尝试来掌握技能。

“人工智能”这个词这几年听得太多了——ChatGPT、文心一言、AI绘画、自动驾驶……但你真的知道AI是怎么”学会”做这些事的吗？它真的像人一样思考吗？答案可能跟你想的不一样。这篇文章不聊代码、不聊数学，就用一个最简单的例子把AI学习的本质讲清楚。

关键词：人工智能，机器学习，AI原理，深度学习

一、先搞明白：AI”学习”跟人学习不一样

人是怎么学会认猫的？你小时候见过几次猫，大人告诉你”这是猫”，下次再看到猫，就算毛色不一样、姿势不一样，你也能认出来。你学会了”猫”这个抽象概念。

AI不是这样学的。AI不”理解”什么是猫——它只是看过几万张标了”猫”的图片，然后总结出了一套统计规律：有尖耳朵的、有胡须的、身体圆圆的……这些特征组合在一起，大概率是猫。

所以人学习是”理解概念”，AI学习是”发现模式”。这个区别非常关键。

二、AI学习的”三步走”

不管什么AI——识别图片的、写文章的、下围棋的、开车的——它们的学习过程都可以概括为三步：

想教AI认猫，先给它看几万张猫的图片（还要有几千张不是猫的图片做对照）。这些图片就是”训练数据”。数据越多、质量越高，AI学得越好。

ChatGPT这类语言模型，训练数据是互联网上公开的网页、书籍、论文——据说有几十TB的文本，相当于几百万本书的内容量。所以它”知道”很多事情，不是因为它聪明，而是因为它”读过”的东西比任何一个人都多。

AI拿到一张图片，刚开始是完全瞎猜的，因为它没有任何经验。猜完以后，对照正确答案（这张图到底是不是猫），不对就调整自己内部的参数——下次争取猜得准一点。

这个过程反复几百万次。每猜一次，调整一点点。就像投篮一样：第一次投偏了，下次手抬高一厘米；又偏了，再调整方向……投了几十万次以后，闭着眼睛都能投进了。

训练完成后，找一批AI从来没见过的图片来测试它。如果它能准确识别出猫，就说明”学会”了。如果认不出来或者认错了，说明没学好，需要调整训练方法或者补充数据。

AI在”学习”过程中，不断调整的东西叫参数。你可以把参数理解成AI的”记忆”或者”经验”。

小型的AI模型可能只有几百万个参数，GPT-3有1750亿个参数，最新的GPT-4据说有几万亿个。参数越多，AI能记住的模式越复杂，但需要的训练数据和算力也越大。

现代AI背后的核心技术叫神经网络。它受人类大脑结构的启发——大脑有几十亿个神经元，通过突触连接；AI的神经网络有大量”节点”，通过数学计算连接。

但千万别以为神经网络”像大脑一样思考”。它只是借用了这个结构，本质上是一个极其复杂的数学函数。输入一个数据（比如一张图片的像素值），经过层层计算，输出一个结果（是猫的概率90%，不是猫的概率10%）。

这是最常被问到的问题。答案是：不真正理解。

ChatGPT写出一篇看起来很有道理的文章，但它并不”理解”自己在写什么。它只是根据训练数据中的模式，推测出当前语境下最可能出现的下一个字是什么。一个字一个字地拼出来的。

就像你手机输入法的”预测下一个词”功能，只不过GPT把这个能力放大了一亿倍。它”知道”很多，但”理解”为零。

这就是为什么AI有时候会”一本正经地胡说八道”——它不是在撒谎，它只是根据模式推测了一个看起来合理的答案，但这个答案在事实层面上是错的。因为AI没有”事实”的概念，只有”概率”。这也是当前AI最大的局限性之一。

学习方式	什么意思	举个栗子
监督学习	给AI打好标签的数据，告诉它正确答案，让它学会预测	给10万张标注了”猫”或”不是猫”的图片训练AI识别猫
无监督学习	不给标签，让AI自己从数据中发现规律和结构	给AI一堆新闻文章，它自己把文章分成”体育”、”科技”、”娱乐”等类别
强化学习	让AI通过试错来学习，做对了给奖励，做错了给惩罚	AlphaGo下围棋：赢了算奖励，输了算惩罚，自己学会了下棋策略

目前最厉害的AI（比如ChatGPT、GPT-4）通常结合了多种学习方式。先通过监督学习从海量数据中学会语言模式，再用强化学习（人类反馈来优化，RLHF）让回答更符合人类的偏好。

AI会自己”思考”吗？：不会。它只是做概率计算——猜下一个最合适的字是什么。没有意识、没有情感、没有自我。
AI学过一次就永远记住了吗？：不是。AI学完的知识固化在参数里，不能像人一样学了一个新知识后马上补充记忆。要加入新知识，往往需要重新训练或微调。
AI训练数据越多越聪明吗？：数据多不一定就更好。数据质量比数量重要得多。垃圾数据训练出来的AI只会学到垃圾模式。
AI会取代人的工作吗？：会取代一些重复性的、有明确规则的工作，但也会创造新的工作。AI更像一个工具，不是替代品——就像计算器没有取代数学家，反而让他们能做更复杂的研究。