AI 的第一性原理 | 大模型的试错守恒定律

一、能力是怎么来的

从一个最基本的问题开始：任何形式的能力，到底是怎么来的？

一个小孩学走路。他站起来，摔倒，再站起来，再摔倒。每摔一次，他的身体就排除了一种不正确的发力方式。摔了几百次之后，大部分错误的方式都被排除掉了，剩下的就是"会走路"。

一个厨师学做菜。盐放多了，下次少放一点。火开太大糊了，下次调小一些。油温不够没炸透，下次等久一点再下锅。每一次失败都排除了一种错误的做法。做了几千道菜之后，他的手感和直觉就是从这些失败里长出来的。

一个程序员学写代码也一样。写了跑不通，报错，改，再跑，又报错，再改。每一个 bug 都在教他"这样不行"。写了十几年之后，他看一眼代码就知道哪里会出问题，这个判断力不是天赋，是从无数次试错里提炼出来的。

你去观察任何一种能力的习得过程，底层结构都是一样的：大量试错，排除错误的方式，留下来的就是能力。

试错是能力的原材料。没有捷径。

二、大模型的能力也是这么来的

理解了能力的来源，再看大模型就很清楚了。

GPT、Claude 这些模型在训练的时候做的事情，跟小孩学走路在结构上没有区别。模型一开始什么都不会，你给它一个问题，它的回答几乎是随机的。然后训练系统告诉它"这个回答不好"，模型调整参数，再试。"这次好一点了"，再调整，再试。

这个过程重复几百亿次，覆盖人类写下过的海量文本。每一次调整，都在排除一种不好的应对方式。几百亿次之后，绝大多数不好的方式都被排除干净了，留下来的就是我们看到的那些惊人的能力。

你问它"Python 怎么读 CSV 文件"，它秒答。为什么？因为类似的问题在训练中出现过无数次，所有错误的回答方式都已经被排除了，剩下的就是最靠谱的那几种写法。

你让它写一首现代诗，它写得还不错。为什么？因为训练数据里有海量的诗歌，什么是好的节奏感、什么是烂俗的意象，这些判断在训练过程中已经通过无数次试错被编码进了模型参数里。

所以当你觉得一个模型"很聪明"的时候，你看到的其实是一个结果。这个结果背后是天文数字的试错，那些试错花掉的算力和时间就是训练成本。

换个说法：你今天用模型的时候觉得它快、准、便宜，是因为这道题的试错费，别人在训练阶段就替你付过了。

三、但你的具体问题，没人替你练过

这是整篇文章最关键的一个转折。

模型的训练覆盖了什么？覆盖了通用知识。"怎么排序一个数组"、"HTTP 的状态码各代表什么意思"、"写一封商务邮件该用什么语气"，这些问题在训练数据里被翻来覆去地见过，试错成本早就付清了。

模型的训练没有覆盖什么？你的具体问题。

"我们公司这个用户系统，在周三下午流量高峰期偶尔会出现登录超时，日志里显示的是数据库连接池耗尽，但连接池配置是够的，我怀疑是某个慢查询没有释放连接"。

这个问题，训练数据里不会有。不是因为它太难，而是因为它太具体了。你的系统架构、你的流量模式、你的配置参数、你的那条可疑的慢查询，这些组合在一起是独一无二的。全世界不会有第二个人在公开文本里写过完全一样的情况。

模型面对这种问题的时候，它的通用知识只能给你一个大方向："连接池耗尽一般可能是慢查询、连接泄漏或配置不当"。但具体到你的情况该怎么排查、先查哪里、可能踩什么坑，它没有提前试过错。

这段距离，就是模型训练已经覆盖的通用知识和你的具体问题之间的距离。

这段距离不会凭空消失。必须有人来走完它。

四、这段距离的代价必须被支付

谁来走？怎么走？

一种方式是让 AI 自己走。你把问题扔给它，它开始尝试：先给一个方案，你说不对，它换一个，还是不对，再换。每一轮尝试都在消耗 token。它其实就是在做训练阶段没有做过的那部分试错，只不过是在运行时做，按 token 收费。

有个真实的案例。一个 AI 被要求处理一个数据库字段类型变更的问题，错误信息它已经读到了。然后它花了 47 轮反复尝试同一条命令的各种语法变体。几毛钱的问题，最后花了 30 美元。

为什么？因为这个具体的数据库 schema，模型的通用训练没有覆盖。模型只知道"ALTER TABLE 大概可以改字段类型"这个通用知识，但具体到这个表、这个约束、这个版本该怎么操作，它不知道。于是它只能在运行时盲目搜索，每搜一次就收一次 token 的钱。

另一种方式是人自己走。你凭自己的经验判断"这个问题八成是那条慢查询导致的，我先去查那个"，直接跳过了大量不必要的弯路。快，但花的是你的时间和精力。

还有一种方式是人带着 AI 一起走。你给 AI 一个方向性的判断，AI 在这个方向上去做具体的执行和验证。你的判断力缩小了搜索范围，AI 的执行力走完了具体的路。这也是目前效率最高的方式。

但不管用哪种方式，那段距离必须被走完。试错的总量不会因为你换了一种支付方式就减少。

五、人也是训练出来的

这里有一个很容易被忽略的事实。

你之所以能看一眼就判断"这八成是慢查询的问题"，是因为你在过去的职业生涯里见过类似的情况。可能是你自己踩过这个坑，可能是你同事踩过你在旁边看着，可能是你在某篇博客里读到过。

你的这个判断力是怎么来的？跟大模型一模一样，也是从大量试错里来的。你也经历了一个漫长的"遇到问题、尝试解决、失败、总结教训、下次避免"的过程。只不过你的训练数据是你的人生经历，你的训练成本是你过去十几年花掉的时间和精力。

当你介入 AI 的工作过程，说了一句"方向不对，应该从这边查"，你做的事情本质上是：把你过去十几年试错积累下来的判断力，注入了当前这个问题的求解过程。你用你自己的"预训练成果"，一句话就把 AI 从一个巨大的搜索空间拉到了正确的小区域。

这就是为什么高手用 AI 的效率远高于新手。不是因为高手提示词写得更漂亮，而是因为高手身上带着更多"已经付过的试错成本"，他们能提供更精确的方向，让 AI 少走很多弯路。

那为什么 AI 不能自己做到这一点？

因为你的判断力来自你在你自己的领域里十几年的深度积累。这种积累是高度个性化的，高度情境化的。训练数据里有的是通用模式，没有的是"你在你的公司、你的系统、你的团队的上下文里积累的那些具体经验"。

这是一个当前模型跨不过去的缺口。模型可以学会通用的排查方法论，但它学不会"你们公司那台老服务器一到周三就有这个毛病"。这种知识只存在于你的脑子里。

人不能被剔除，不是因为某个技术环节还没做好。而是因为人带着的那些判断力，是当前模型训练不出来的东西。

六、试错守恒定律

现在可以把前面的线索收拢成一句话了。

解决任何一个具体问题，都有一个客观存在的试错总量。这个总量不会因为你使用了更好的工具而减少，不会因为你换了一种工作流而消失。它只能被转移，不能被消灭。

它在三个地方之间流动：

模型的预训练。这是提前支付的部分。训练数据覆盖到的那些通用知识，试错成本已经付过了，你用的时候不需要再付。

运行时的 token。这是当场支付的部分。你的具体问题超出了训练覆盖的范围，AI 在运行时做试错，每一轮消耗 token。

你本人的时间和判断力。这是你过去已经支付过的部分。你用几十年积累的经验来提供方向，本质上是在使用你自己早已付清的试错成果。

三者可以互相替代。模型更强了，预训练覆盖的范围更广，运行时需要补的试错就少了，token 就省了。你的判断力更强了，能给出更精确的引导，AI 不用走的弯路就多了，token 也省了。反过来，如果模型对你的问题没什么先验知识，你自己也不太懂，那就只能靠大量 token 暴力搜索。

但总量守恒。没有任何方法可以凭空减少试错的总量。你能做的只是选择在哪里支付，以及让每一次试错都更高效。

七、这个定律能解释什么

想清楚试错守恒之后，很多之前说不清楚的事情突然就有了统一的解释。

"AI 为什么有的事做得好有的事做得差？"因为做得好的那些事，试错成本在训练时就付过了。做得差的那些事，训练没覆盖到，需要在运行时临时付。运行时试错的效率远低于训练时的效率，所以表现就差了。

"为什么 AI 做通用任务便宜，做你的具体项目贵？"因为通用任务的试错成本已经被预付了，你只需要付最后那一小段距离的钱。你的具体项目离训练数据越远，需要补交的试错就越多，token 就越贵。

"为什么专家用 AI 比新手高效得多？"因为专家自己带着大量已经付过的试错成本，他的判断力就是他过去几十年试错的结晶。他把这些结晶注入 AI 的工作过程，直接砍掉了大量无效搜索。新手没有这些积累，只能看着 AI 在那里盲目尝试。

"AI 什么时候能彻底替代人？"当模型的训练能够覆盖到你的具体问题的时候。也就是说，当训练阶段能够预付的试错范围大到足以覆盖你遇到的所有情况时，运行时就不需要人来补了。但考虑到现实世界的问题是无限具体、无限多样的，这个"完全覆盖"在可预见的未来都做不到。

所以对每个人来说，最实在的结论可能是这个：

你能做的最有价值的事，就是持续积累你自己的试错经验。因为这些经验就是你的判断力，你的判断力就是你在 AI 时代最不可替代的资产。AI 可以替你执行，但替不了你判断。而判断力没有捷径，它就是你过去所有试错的总和。

工具会换，模型会迭代，但你身上积累的判断力，只要领域还在，就永远有效。