什么是人工智能？写给完全没用过的人的大白话解释

一句话回答，以及人们真正在说的东西

人工智能是一种读过海量人类文字、并把其中的规律学得足够透彻，从而能写出新的、贴合语境的文字的软件。你用日常语言打出一个请求，它就写回来：一份草稿、一段摘要、一个解释、一个计划。整个产品就是这么回事。你听到的其他一切，要么是搭在这之上的细节，要么讲的根本是另一件事。

严格说来这个词也包括更老的东西，比如你邮箱里的垃圾邮件过滤、手机的人脸解锁，还有决定下一个播放哪条视频的系统。日常对话里没人指这些。当同事说她用AI改了一段话，或者你侄子说他问了AI膝盖的事，他们说的都是聊天机器人：ChatGPT、Claude、Gemini，或者它们的同类。从产品层面看这一类工具，可以读什么是AI聊天机器人。本文比它高一层，讲的是这个概念本身。如果让你却步的是那些词汇，模型、提示词、token、上下文，那么大白话术语表既短又不端架子。

注册一个只需要一个邮箱地址和大约一分钟，主流应用都有免费版，所以读到这里不需要掏卡。继续往下读之前，先打开任意一个AI应用，输入这句：“用四句话，向一个从没用过AI的人解释你是什么、你怎么工作。”把答案留在另一个标签页里。读到第四节时，你手上就有一个具体的东西可以拿来对照检验，这比听谁说都强。

它是怎么学会这一手的

训练过程说起来很枯燥，而这是个好兆头。拿一堆极其庞大的文本：书籍、网站、说明书、论坛争论、法院文件、菜谱。遮住一个词。让系统猜。告诉它猜得对不对。重复到一个荒唐的次数。没有比这更玄的东西发生。出来的结果，是一个对“人类写作里通常接下来是什么”有着极其精细感觉的系统。

所以当你问它1998年世界杯谁赢了，它并不是在翻一本工具书。它是在一小块一小块地生成最有可能接在你这个问题后面的文字。它碰巧答对了法国，因为这个事实在它的训练文本里以一致的形式出现了几千次。它答对的原因，跟它写得流畅的原因是同一个，而不是另一个更牢靠的原因。请记住这句话。AI行为里几乎所有让人费解的地方，都是从这句话里长出来的。

• 它一上来就写得好。 流畅正是它被训练出来的能力，所以第一版草稿不用你费力就相当像样。
• 它说错话时听上去一模一样。 它内部没有任何东西能把一个见过一万次的事实，和一个由看似合理的零件拼出来的说法区分开。两种情况下的自信程度完全相同。
• 它有知识截止日期。 训练在某个日期停止了。问它上周二的事，除非应用替你做了实时联网搜索，否则你问的是一个当时不在场的系统。
• 它算数不太靠得住。 长乘法是一套步骤，不是散文里的规律。现在的模型靠写出步骤或调用计算器处理得好多了，但它骨子里的本能仍然是给出一个“看起来对”的数字。
• 你的措辞会左右答案。 你用的词决定了它去调用哪些规律，这就是同一个问题换个问法，回来的质量能差出两个档次的原因。怎么跟AI说话基本上就是在练这一项本事。

它真正擅长的是什么

它做得最好的那些任务，形状是相似的。一个好答案该长什么样，世界上早已有成熟的范式，而且你大约十秒内就能判断回来的东西行不行。改写、总结、翻译、讲解一份文件，以及帮你跨过空白页：这几乎就是普通一周里的大部分写作了。

你手上已有的东西	该让它做什么	为什么这类管用
一封你已经改了四遍的邮件	“改写这封信，语气要暖，但还是明确表示拒绝”	客气的婉拒是书面语里最常见的套路之一
保险公司或房东寄来的信	“用大白话解释这个，然后列出我必须做的事”	把术语翻成人话是规律活儿，而且你能对着眼前这封信核对
一份你根本不打算读的60页PDF	“用八条要点总结它的论点，再把所有数字挑出来”	它几秒就读完整个文件，你只需抽查你在意的那几条
一趟你一直没安排的旅行	“给两位喜欢美食和步行的成年人规划塞维利亚四天行程”	训练文本里有成千上万份行程，就算不完美你也没损失
给外语客户的一条消息	“把这个翻成西班牙语，礼貌但别太硬”	语气在这里能保住，这是老一代翻译工具做不到的

看看这张表里缺了什么：没有任何一行是让机器来当权威。材料、判断，或者两者，本来就在你手上。它接走你嫌烦的那部分，空白页、第二版草稿、重新排版、那六十页，把拿主意的事留给你。值得交出去的日常任务列了更长的清单。有个习惯要尽早养成：第一次回答没到位时，用一句话说清哪里不对，而不是从头再来。“太正式了，把最后一段删掉”，往往比重写一遍请求更能解决问题。

它不擅长什么，原因还是同一个

接下来说实话的部分，反正你第一周就会撞上。它会用它说别的事时那种平静、条理清楚的口吻，告诉你一件假的事。这不罕见，也不只发生在冷门话题上。它会编出租约里的一个条款编号、一项作者和年份都很像真的研究、一个并不存在的产品功能、一句从没有人说过的引言。没有任何破绽：措辞里没有含糊，语气里没有迟疑。这个现象叫幻觉，AI为什么会出错逐一讲清了各种出错方式，因为认出你面对的是哪一种错，就已经完成了大半防御。

还有三个限制，同样从这个根上长出来。时效：除非应用在实时搜索网络，否则它不知道最近这几个月，但它照样会用旧材料来谈论这几个月。计数和算术：它可能一步步推完一道计算，最后给你的总数还是差一位，所以任何你要据此行动的数字都要核对。以及一切跟你个人有关的东西：你的合同、你的用药剂量、你当地的规定、你的截止日期。它读过一百万份跟你的类似的文件，但一份你的都没读过。

值得记住的原则是这条。凡是“对了95%等于没用”的场合，就别用它。用药、法律期限、报税数字、发票上的金额、你要发表的演讲里某个人名的拼法。这些情况下，接近正确不是拿了部分分数，就是错的，而且流畅的表达让这种错比一条糟糕的搜索结果更难被发现。其他所有场合，95%就是一份不错的初稿，你再花四分钟改一改。如果你的犹豫与其说是准确性，不如说是你打进去的内容会被怎么处理，那是另一个合理的问题，用AI安全吗把它当作一个正经问题来谈。

你的头五分钟

光读文章，能学到的上限很低。打开一个应用，从下面四条里挑一条，改成你自己这一周里真实发生的事。真实很重要：编出来的测试问题只会换回一个“编出来味儿”的答案，也没法告诉你这东西对你有没有用。

1. 那封难写的邮件。 “这是我要发的一封邮件。改写它，要礼貌、长度砍掉一半，同时还是明确表示拒绝。”把你的草稿贴在下面。
2. 那封你不想拆的信。 “用大白话解释这封信，然后告诉我我到底要做什么、最晚什么时候做完。”把保险公司、房东或税务局寄来的东西贴上去或上传。
3. 那个你一直往后拖的计划。 “十月我要在里斯本待四天，带一个青少年，吃喝玩乐大约有700美元预算。按天安排，然后告诉我你对我们做了哪些假设。”
4. 那个你不好意思问的问题。 “讲讲房贷利率到底是怎么定出来的，就当我脑子不笨但从没买过房。然后给我三个该问贷款机构的问题。”

一个好答案是直接把活儿干了，而不是描述它打算怎么干。它会守住你要求的格式。你漏说的地方，它要么问你，要么点明它做了什么假设。如果回来的是一坨注水的、小标题一堆的、像作文一样的东西，那通常是请求太笼统的症状，而不是模型不行，所以补上这是给谁看的、你要多长、你打算拿它做什么。模型之间的差异也比宣传里说的更大，体现在语气上，也体现在对一长串指令有多细致地遵守上，所以找到合你口味的那个最快的办法，是把同一个提示词发给好几个模型再比较。Whizi做的正是这件事：一份订阅就在同一个工作区里包含GPT、Claude、Gemini和图像模型，不必分别向每家服务商付费。开始试用，把你自己的那四条提示词跑一遍，留下那个你真愿意直接发出去的答案。