科创科普：AI是怎么「写作文」的？——大语言模型的三个秘密

一、一个让人惊讶的现象

你在对话框里输入「请写一段关于秋天的小学作文」，两秒钟后，屏幕上出现了一段通顺、有开头有结尾的文字。它不是从网上复制来的现成段落，而是「一个字一个字」当场生成的。

这背后的大语言模型（Large Language Model，简称 LLM），既没有大脑，也没有笔记本。它是怎么做到的？理解它只需要三个秘密：把文字变成数字、预测下一个词、从海量阅读中学会规律。

二、秘密一：把文字变成数字

计算机只认识数字。所以第一步是把句子拆成小块，再给每一块编号。

例如「我喜欢编程」可能被拆成「我 / 喜欢 / 编程」三个词块，分别映射成 1052、7284、3390 这样的编号；每个编号再对应一串几百个数字组成的「向量」，可以理解成这个词在「语义地图」上的坐标。在语义地图里，「高兴」和「开心」距离很近，「猫」和「老虎」也很近，而「高兴」和「石头」离得很远。有了坐标，计算机才能做数学运算——这正是机器「理解」语言的第一步。

三、秘密二：预测下一个词

大语言模型最核心的任务，其实只有一句话：给定前面的内容，预测下一个最可能出现的词。

比如输入「今天天气真」，模型内部会给所有候选词打分：

候选词	可能性
好	42%
热	18%
冷	12%
奇怪	5%

它挑一个概率高的词接上去，得到「今天天气真好」；然后把这句当作新的输入，继续预测下一个词，如此循环，就生成了一整篇文章。这种「一次只猜一个词」的机制叫自回归生成。

这也解释了几个常见现象：为什么 AI 回答得很快却没有停顿构思？因为它是一边写一边猜；为什么同一个问题问两次答案不完全一样？因为选择时带有随机性，就像掷一个有偏心的骰子。

四、秘密三：从海量阅读中学会规律

模型的「知识」来自训练。训练过程可以类比成一个学生读完了海量的书、网页、文章，然后反复做同一道练习题：遮住下一个词，猜猜是什么。猜错了就微调自己内部数以亿计的参数（可以把参数理解为「经验的权重」）。这个过程重复千亿次，模型就慢慢学会了语法、常识、写作结构，甚至一些推理套路。

训练之后还有一个重要环节叫「对齐」：人类标注员会告诉模型哪些回答更好、哪些不合适，模型据此学习「怎样好好回答问题、不说不该说的话」。这就像老师不仅要教知识，还要教表达方式和规矩。

需要特别说明：模型学到的是「什么样的词很可能出现在什么词后面」，而不是真正理解了世界。它没有体会过秋天的落叶，只是读过无数关于秋天落叶的文字。

五、AI 会出错吗？会

正因为是「按概率猜词」，模型有时会自信地说出一段听起来非常合理、其实完全错误的内容，这种现象叫「幻觉」（Hallucination）。它可能编出不存在的书名、记错的日期、拼错的公式。

所以有一条铁律：把 AI 当作助手和陪练，不要当作权威。涉及数字、事实、公式、法律条文的内容，必须回到教材、官方文献或权威网站核对。验证，是使用 AI 时最重要的技能。

六、中小学生怎样用好 AI

当陪练，不当枪手。让 AI 出题、扮演对话伙伴练口语、解释看不懂的概念，都很好；让 AI 代写作业，等于把练习的机会让给了机器。
追问细节。发现回答太笼统，就追问「请举一个具体的例子」「这一步为什么成立」，第二三次的回答往往更有用。
交叉核对。同一个问题换一种问法再问一次，如果两次答案矛盾，说明这里有风险，需要查资料。
提供更多背景。告诉它你的年级、已经学过什么、卡在哪一步，回答的针对性会明显提升。

七、思考练习

练习 1：为什么大语言模型生成的答案，同一个问题两次可能不同？

练习 2：小明让 AI 帮忙查「长江有多长」，AI 回答 6300 公里。他应该怎么做？

练习 3：用自己的话说出大语言模型生成文字的三个步骤。

参考答案：练习 1：因为它在每一步都是从概率分布中选择下一个词，带有随机性；不同的开头会沿着不同的路径展开，整篇文字因此不同。练习 2：不能直接采信，应查阅权威资料（如水利部门或百科全书公布的官方数据）核对数值；同时注意全长数据可能因为测量口径不同而有差异。练习 3：先把文字拆成词块并转换成数字向量；再根据已有内容计算下一个词的概率并选择；重复这一过程直到生成完整的回答。

八、小结

大语言模型的三句话可以概括：把文字变成数字，一次猜一个词，从海量阅读中学会规律。它强大、好用，也确实会出错。理解了它的原理，你就不会把它当成全知全能的「电脑老师」，而是把它当成一个知识面很广、偶尔会说错的伙伴——这才是使用 AI 的正确姿势。