关于 AI 的一些絮絮叨叨

叠甲：笔者只是一个物理系大学生，本身不具备很强的 AI 背景。本文所说的观点，仅限于本人从大学起开始使用 AI 的一些经验和思考，欢迎大家指正和讨论。

    现在我们常用的 AI，很大程度上是基于大量电子化数据训练出来的。它读过海量文字、代码、图片说明、网页资料、论文片段和问答内容，然后学会了在不同语境下生成最可能合理的回答。所以它有两个很明显的特点：

第一个特点是：凡是重复性强、套路明显、短时间内可以总结模板的工作，AI 都很擅长。比如写一份普通通知、整理一段材料、生成一篇结构完整的文章、写基础代码、总结一个 PPT，AI 往往可以在很短时间内完成。它不一定有真正的理解，但它非常擅长模仿人类已经写过的表达方式。

第二个特点是：它像一个压缩过的知识库，也有某种“知识入口”的作用。以前我们想了解一个知识点，要打开网页、筛选资料、读很多内容。现在可以直接问 AI，让它先给出一个框架。对于学习来说，这确实很有帮助。比如我学物理概念时，可以先让 AI 用通俗语言解释，再让它列出公式、适用条件和例题。

    但问题也在这里：AI 给出的东西看起来很顺，却不代表一定对。它的回答不是从“真理”里长出来的，而是基于数据和概率生成出来的。它可以说得很像真的，也可能错得很自然。

所以我们首先应该知道一个常识性的结论：AI 的回答不一定是正确的。甚至法律条文、公式定理这类看似有定论的知识，它也可能出错，我们常常称之为 AI 的“幻觉”。

    2023 年美国 Mata v. Avianca 案中，律师把 ChatGPT 编造的假判例写进了提交给法院的文件里，结果被法官发现并处罚。这个例子很典型：AI 幻觉最可怕的地方，不是它会胡说，而是它能把胡说包装得非常像真的。

    目前很多模型改进，也都在努力提升上下文推理能力，并减少幻觉现象。

    AI 会出错，但 AI 不会担责。这也是一个常有的笑话：大家说 AI 浪潮里最不可能下岗的职位是财务，因为出了事，AI 可没法坐牢。这个事实虽然显而易见，但我认为，这是我们在使用 AI 处理问题时需要下意识想到的一个基本原则。它决定了我们在使用 AI 的过程中，要区分哪些事情可以交给 AI，哪些事情必须自己盯着完成。

    以往把工作外包给人时，事情搞砸了，至少还可以开始“分锅”。但现在你的外包对象是一个没有主体的 AI，出了事，责任大概率还是在你身上。AI 不会为你的论文负责，不会为你的实验数据负责，也不会为你的判断后果负责。它生成的内容最终由谁使用，责任就落在谁身上。

    作为一名物理系学生，笔者常常会看到一个名词，叫作“第一性原理”。第一性原理通常指从系统中最基本的命题或原理出发，进行逻辑推理的方法。

    我们常常强调要从第一性原理来看待问题、解决问题。这也是物理学吸引人的地方：用极少数的基本假设，就可以建立起庞大的物理大厦，并尝试解释整个世界。

    这其实是 AI 时代非常重要的一种能力。因为 AI 很擅长给出结论。你问它一个公式，它可以马上写出来；你让它解释一个概念，它可以给出一段看起来很流畅的文字；你让它总结一个知识点，它也可以迅速整理出完整框架。

    但问题在于，AI 生成的内容并不意味着它真正理解了背后的物理机制。它可能把语言组织得很好，却忽略了适用条件；它可能给出一个看似正确的公式，却没有说明前提；它也可能把不同学科、不同模型下的结论混在一起，让错误变得不那么明显。

    这时候，第一性原理思维就显得非常关键。当 AI 给出一个答案时，我们不能只看它“像不像正确答案”，而要进一步追问：它的基本假设是什么？它使用的模型是否合理？它有没有把近似条件说清楚？它的结论是否符合基本物理规律？如果换一个边界条件，结果还成立吗？

    这种能力，其实就是一种更深层的学习能力。在 AI 时代，知识获取变得越来越容易，答案生成变得越来越快。但越是这样，我们越不能只停留在“得到答案”这一层。因为答案本身可能很廉价，真正有价值的是提出问题、建立模型、判断逻辑和验证结论的能力。

    所以，第一性原理在 AI 时代的意义，不只是一个物理学术语，也不只是某种高级的思维口号。它提醒我们：面对复杂问题时，不要轻易被表面的结论带走，而要尽量回到基本规律、基本假设和基本逻辑中去。

    在一次论文推导代码的 vibe coding 过程中，笔者让 AI 写的代码始终无法得到自己想要的数学推导结果。通过逐行筛查，笔者发现 AI 的代码逻辑和正常数学推导之间存在一个细微差别。笔者就从这个地方出发，通过追问的方式修正了问题。

    所以，其实大家都在问：有了 AI，我们学习知识的意义在哪里？我的回答是，我们需要用学会的已有知识，对 AI 给出的结论进行纠正；借助第一性原理，我们才能对结论的推导过程是否正确形成判断标准。

    很多人都知道，AI 只是一个工具。但我更想强调的一点是：面对 AI，我们要有主体意识。

    所谓主体意识，就是我知道自己要解决什么问题，知道为什么要做这件事，也知道 AI 在其中只是辅助，而不是替我决定方向。

    我们经常会把 AI 比喻成一个不吃不喝的“电子牛马”，仿佛它是一个即将挤占我们生存空间的工作竞争对手。其实我们大可以转换一下主客体：把自己当成 AI 的“小老板”，用高标准要求它，甚至半开玩笑地说，用一点“PUA skill”压榨它，让它为我们工作。

    要谨记，AI 是我们主体想法的放大和落地工具，而不是一把无主的魔法扫帚，带着我们漫无目的的飞。

    比如这篇文章的写作过程，笔者当然没有手敲这篇 4000 字的大长文稿，而是先由自己构思结构，再把主要框架和核心观点交给 AI，让它生成初稿。在一些例子和论证部分，也会让 AI 帮忙写，但主题表达出来的观点还是笔者自己的。这种写作方式也为笔者节约了大量时间。

    当然，为了文章思路的连贯性和写作文风不变，笔者最后还是把大部分内容手敲了一遍（怀疑是一种精神洁癖）更进一步，也可以直接把思路交给 AI，再通过不断反馈，慢慢得到更接近自己想法的文章。

    接下来，是现在大家都在强调的 prompt 能力。就像摄影圈里，大家会在好看的照片下面问参数一样，好的 AI 作品评论区里，也总少不了“求 prompt”的留言。但我觉得，prompt 不是几句神秘咒语。毕竟授人以鱼不如授人以渔。想拍出好照片，不能只复制别人的参数，还要理解构图、光线和调色；想高效利用 AI，也不能只照搬别人的提示词，而要学会如何和 AI 正确对话。

    AI 时代确实需要 prompt 能力。但我不太想把它理解成“会不会写高级提示词”。真正的 prompt 能力，其实是把一个模糊问题拆成清楚任务的能力。

    比如你问 AI：“帮我学习量子力学。”这个问题太大，AI 只能给你一堆泛泛而谈的内容。

    但如果你问：“我已经学过线性代数和普通物理，现在想理解态矢量。先不要讲太抽象，请用二维向量类比，再解释为什么测量会得到本征值。”这时候，AI 的回答就会明显更有用。

    因为你不仅告诉了它“我要学什么”，还告诉了它“我的基础是什么”“我希望怎么讲”“先讲到什么程度”。所以你和 AI 对话的语言越模糊，它的回答通常也越模糊。你越能明确目标、背景、限制和输出形式，它越能帮你完成具体任务。

    说到底，prompt 能力背后，其实是三种能力：明确目标、拆解问题、检查结果。明确目标，是知道自己到底想得到什么；拆解问题，是把一个大问题分成几个更容易回答的小问题；检查结果，是不把 AI 的回答直接当成最终答案，而是继续追问、修改和验证。

    这也解释了为什么很多人觉得 AI 不好用。不是 AI 完全不行，而是我们常常没有把任务说清楚。尤其是任务越长、逻辑越复杂，越不能指望一句 prompt 就得到完美结果。更好的方式，是让 AI 先搭框架，再分段展开，最后由人来检查、追问和调整。

    最后，到了文章该“公式化升华”的部分了，我想来聊一聊从互联网时代起经常被人提起的“慢下来”的能力。

AI 最大的诱惑，是让一切都变快。几秒钟生成总结，几分钟写完文章，一句话得到答案。效率当然重要，但如果所有学习都变成“速通”，我们可能会失去真正理解一件事的能力。

    就像我们反对那些“三集带你看完《红楼梦》”“两集告诉你量子力学的奥秘”之类的快节奏短视频。很多价值不只在于情节或者知识本身，更在于你慢下来深入学习它的过程。

    在这个过程中，你会感叹于曹雪芹笔下生动的小人物描写；你会抓狂地疑惑：这个公式到底是怎么得到的？你更会感叹：这些精妙的基本概念，是怎么像地基一样撑起一座物理学大厦的。

 在慢下来学习的过程中，你会主动思考、主动参与，深化对知识的理解，也会逐渐了解它背后的思维路径和发展过程。这些才是我们真正需要的，也正是前面所说的：如何培养用第一性原理看问题的能力，如何拆解问题并得到结果。了解了伽利略变换和以太概念，你才更能体会爱因斯坦保持怀疑的态度有多么可贵，也更能理解相对论的提出为什么是跨时代的成就。

    问题没有办法完全速通。它需要停下来，需要反复想，需要在不懂的地方多待一会儿。我觉得这就是 AI 时代特别珍贵的“慢能力”。

    慢不是低效，而是保留深度。慢不是拒绝技术，而是不让技术夺走自己的思考过程。

    所以，回到开头那个问题：AI 会不会让设计师、写作者，甚至更多行业的人大规模失业？我的答案是：它会替代一部分“只会套模板的人”，但很难替代那些真正知道自己要表达什么、要解决什么问题的人。

    AI 可以生成一张海报，但它不知道为什么要这样设计；AI 可以写出一篇文章，但它没有自己的经历和立场；AI 可以给出一个答案，但它不能替我们承担判断的后果。

    所以在 AI 时代，我们真正要锻炼的，不只是使用某个工具的能力，更是保留作为人的主动性：能提出问题，能判断结果，能回到基本原理思考，能把复杂任务拆开，也能在一切都变快的时候，仍然愿意慢下来理解。