《我眼中的AI第一性原理》

2026.09.22

如果拆开AI，探寻最底层本质逻辑，那应该是什么样的？一台冷冰冰的机器是怎么看懂我们输入的文字，且看懂后是怎么处理回复解决问题的。从最初的智能五原语开始，一个完整的闭环就开始了，把人工智能比作一只猫，猫咪通过五感接收外界所有信息，正是我们向豆包提问，发送照片，输入语音。一碗猫粮，猫知道这是食物，你撸它，它知道这是主人的手，从高处跳下，他知道这样是安全的。因此，一系列的感知在猫咪这里便形成了一种可调节的内部认知。AI也在此刻将接收到的信息转化为能计算的特征向量，自此之后，猫咪听到开袋声音便知道有饭吃了，看到主人靠近，知道自己要被薅了，这不是被动反应，而是基于过往经验，对当下场景做出逻辑推导。从人工智能的角度出发，我们称这一环节为推理。紧接着，知道有饭吃了，猫咪会主动靠近，开始享受美食，看到主人靠近，猫咪也会来个双向奔赴，尽情地开始撒娇。完成推理，我们就要做出决策，于是乎，你向豆包提出的问题它便会在此刻用最直白，最不绕弯子的话回复你。最关键的一环来了，猫不是生来就懂一切，AI也不是天生完美，通过上一次的决策行动找出问题，持续学习，持续优化，做到真正的智能闭环，一只想要受到主人夸奖的猫也应如此。上述为AI第一性原理的宏观概述，可真想让机器读懂文字，岂非易事，人们通过三种学习范式进而来研究机器学习，即监督学习，无监督学习和强化学习，前两者很好理解，给机器明确逻辑规则，即问题+答案。可问题接踵而来，这种学习方式有些过于死记硬背，不懂变通，面对从未见过的问题和场景束手无策，所以无监督学习就给出了很好的解决方案，它通过模仿大脑神经元学习大量数据，自动学习其中特征规律，当下大模型都是基于这一范式学习而来，但事物总是有优必有缺，它不能像监督学习一样有迹可循，人们很难说出它为什么是这样想的。强化学习主打一个赏罚分明，在连续的决策场景下不断交互，做对就赏做错就罚，在这种赏罚信号加持下，神经网络权重也随之改变。说到神经网络，人们可能会以为她跟我们人脑神经元一样，实则不然，它们只是结构相似，底层运行逻辑却完全不同。说白了，人工神经网络就是一堆数字，一套数学公式，不停地做数字计算，然后统计出其中的规律。之后随着Transformer的横空出世，彻底地改变了大模型，我懂的为数不多的两个英文单词组合在了一起：self attention。自注意力机制的力量来源于它在处理文本信息时，会结合上下文找出每个词的关系和关联强度，这样的好处不言而喻，清楚明了地知道了我们想要什么，大模型的自回归生成也在此刻蕴含出了意义，每个词带着上下文理解预测出最合理最符合人类偏好的内容。综上所述，我们一层一层地揭开了AI的神秘外壳，当然也有我个人学习后得出的见解，可参考但不一定正确。正如我学习人工智能一样，本质也是认知持续迭代，不断修正的过程。谈谈我为什么要学习AI吧，在我看来AI就像二十年前的按键手机一样，仅仅二十年过去，从最初只能通话的工具已进化为集大成于一身的人人不离手的必需品，科技日新月异，那二十年后的AI又会如何。学AI不一定是必须要去做一番大事，自己的爱好，生活中的痛点息息相关的一切都能与之关联。人生苦短，若不能遂自己的心意而行，又何谈不虚此行呢，不论年纪不论身份，把每一天都当做新生吧。

​