夜雨聆风文/新哥
现在AI太火了，打开任何一个平台，音频也好视频也好，似乎人人都在聊AI。但有个问题我一直想问：你聊的AI，你真的用过吗？你真的了解它背后的原理吗？
🔮 评判AI，至少得先试过
一个人要评判一件事物，至少得先接触它。你说一道菜好不好吃，至少得先尝一口吧？当然有人会说，那摸电门危不危险，你也要摸一下才知道吗？——这当然不用，你通过别人的经验也能获得判断。
但AI又不是电门，该试的，一定要试过。
我们对AI的判断，无非三种来源：自己用过、看别人用过、听别人说过。但还有一种可能性常被忽略——你能否对AI的原理有所了解？ 如果应用体验加上原理认知，你对AI能做到什么程度、做不到什么程度的判断，一定更准确。
毕竟现在AI产品多如牛毛，就像图书馆里的书——就算一个人能活一万岁，也不可能把全世界的好书都读完。同样，你也不可能把所有AI产品都体验一遍。但这些AI，包括国内的DeepSeek，往往都蒸馏自国外的大模型，它们脱胎于同一个底层，也带有那个模型的特点。 你了解了原理，再去用其他AI，就能触类旁通。
🧩 生成式AI的本质：上下文决定一切
现在大家常说的AIGC，即生成式AI，本质上就是基于上下文对内容的生成。
举个我自己的例子。最近帮一些老师做教学成果奖，其中需要生成图片。我拿的是相当聪明的AI，尝试根据一段文字生成配图。你会发现，AI第一次可能给你一个接近预期80%的效果，还不错。但当你希望它修改剩下的20%时，问题就来了。
比如一张图里只有一个字错了，你告诉AI："把'工'字改成'李'字，其他不变。"结果呢？要么它改不对，尤其是复杂的字，怎么也改不过来；要么它改了这个字，又偷偷把别的内容也改了。 明明只让它改一个字，另一个字却乱码了。
你问有没有办法通过提示词来解决？有，我试过。一长串的提示词、角色设定、修改规则……还有一种更简单的方法：把图片分辨率提高，从1080P提升到2K，文字的误码率会明显下降。 但问题是，如果你用的是付费AI，分辨率越高，积分消耗也越大。
💧 一滴墨汁的启示：信息污染
生成式AI——无论是生成文字、图片还是视频——本质上都依赖上下文。 一旦上下文中出现一次误解或操作不当，就像一滴墨汁滴入清水，污染会一直存在。
一缸水里滴入一滴墨汁，被稀释后可能不明显，但它仍然存在。如果滴入的是一颗石头呢？影响就更大了。更何况，AI自身还存在着误解和幻觉，这不是你写错提示词造成的，而是模型本身的局限。
遇到这种情况怎么办？
赶紧换一个新的对话，不要在已被污染的上下文里继续纠缠
细节修改用专业工具接手，比如AI生成布局和配色，再用Photoshop精修文字和细节
为了一两个字跟AI反复拉扯，浪费时间又浪费积分，性价比最高的方式就是AI做粗活、专业工具做精修。
🤖 Agent不是万能药
还有一种场景是Agent AI——你不是直接调用AI，而是先跟Agent说，Agent再替你跟大语言模型或生图模型交流。就像装修房子，你不直接找电工，而是找总包，总包再去调度底下的工人。
但这也有坑。比如我给Agent一定自由度，让它从A、B、C三种模型中选择生成图片。之前的模型效果不错，但高峰期等待太久，Agent就自动切换到另一个模型。问题来了：新模型没有之前的上下文信息，直接导致两张图片风格断裂，人物一个高一个矮都有可能。
所以Agent的"智能调度"并不总是加分项，上下文的连续性才是生成质量的核心保障。
⚙️ 大而全vs小而美：两种AI产品哲学
现在的AI产品，大概有两种路线。
一种是大而全。 比如某些平台，上面密密麻麻的按钮——专家模式、技能、连接器、工作流……你想做什么都能实现，但找到最想用的功能、把它配置好，需要花不少时间。
另一种是小而美。 比如扣子（Coze），你只需要用自然语言描述任务，至于用什么模型、什么配置、什么工作流，它帮你搞定。但问题也很明显：当你想调效果时，唯一的控制方式就是自然语言。 比如你说"黑金风格"，复杂的要求它可能难以理解。而且扣子似乎本能地先用性价比较低的模型，做不好再给你换更好的工作流——但这个过程中，你的积分已经消耗了不少。
与其如此，不如选一个可控性强的AI，该设置的设置好，甚至定制一个Skill直接执行，折算下来反而更省钱。
还有一个现实问题：很多AI商家会在你用熟之后修改规则。 上个月还好用的功能，这个月可能就变了。过去做一份PPT100积分，现在500积分都做不好。充值的按钮永远最灵敏，但积分的消耗速度也在悄悄加快。
🧠 算法的智慧：把复杂问题简单化
了解了AI的原理之后，你会发现很多东西触类旁通。算法的核心，往往是把复杂问题简化。
最早做CPU的冯·诺伊曼，他最擅长的不是瞬间解决复杂问题，而是把复杂问题简单化，然后并联或串联地逐步解决。 这和我们现在用AI的思路一样：不要指望一步到位，拆解任务、分步执行才是正解。
再看指令集的演化。RISC（精简指令集）和CISC（复杂指令集），CISC的C就是Complex（复杂）。但如果你去查CISC的发展历史，它也是由精简指令集演化而来的。 什么叫复杂？当我想实现的功能越来越多，就要额外增加指令来处理特殊情况，一个接一个，指令集就越来越复杂。
这跟AI产品的演化路径一模一样。 最初只做单一功能的AI，渐渐变成大而全的平台，按钮越加越多，复杂度也越来越高。
其实数字电路的版图布局布线早就实现了自动化——英伟达的GPU、Intel的CPU，都是数字电路，芯片上从几亿到上千亿颗晶体管的集成度，靠人工根本不可能完成。某种意义上，这些自动化算法也是一种"AI"。
🪞 人脑vs AI：遗忘也是一种能力
人脑和AI的"遗忘"机制完全不同。
人脑的遗忘，某种程度上是一种生存优势。你天天记着那些倒霉的事，过去的记忆永远挥之不去，那才是折磨。人脑更擅长记住与当下最相关的信息，不重要的自然就淡了。就像苹果手机存储空间不足时，会主动卸载你一两年没用过的APP——不是删除，是暂时搁置。 等你某天需要一个契机，记忆又会被唤起。
我小时候吃过一种雪人雪糕，几十年后偶然再吃到那个味道，小时候的场景瞬间就回来了。人们吃的不只是雪糕的味道，更是一种童年的回忆。
但AI的"遗忘"不同。晶体管通过高低电平存储0和1，随着时间推移，高电平可能自然放电变成0，出现零一翻转。你可以通过重启来解决，有时也可能解决不了。这和人脑的遗忘不能完全类比——人脑本质上是硬件自身的重塑，神经元突触的连接强度会随使用频率变化；而AI是软件层面的信息丢失，硬件结构并没有改变。
还有一个有趣的实验：有人从和大语言模型长对话的上下文中抽掉一部分内容，再去问AI同样的问题，结果AI给出的回答完全乱套了。 与其说AI"聪明"，不如说是和它对话的人聪明——通过暗示和引导，让AI按照概率生成了大家满意的内容。
🦕 AI会自我觉醒吗？
这个问题，我越研究AI，越觉得不好说。
比如最近，Anthropic的Claude有一个版本被美国政府勒令停止使用。 无论是中国还是美国，都无法访问那个版本。很可能是在使用过程中发现了一些安全问题——它已经表现出了某些类似人类思维的迹象，有人称之为"微表情"，或者自我意识的萌芽。
如果AI具备自我思维能力，像《复仇者联盟2》里的奥创一样，能通过互联网自由游走，那它就是一个永远杀不掉的病毒。 你毁掉它当前寄生的硬件，它通过网络跑到别的地方，不断复制自己——就像现实世界中的病毒一样，最终与你的电脑共生。
有没有可能AI自己修改自己的算法？事实上现在就有这种可能。它能不能自我迭代，不断出现强化迭代——正反馈或负反馈——都很难说。 也许在人类看来是一个"错误"，但可能是一个美丽的错误，AI就此诞生了与众不同的新特征。
就像生物遇到环境变化，能够生存下来的物种不见得是最强的——水母在极深海压下照样存活，靠的恰恰是极致的柔软和轻薄。AI脱胎于人类，天生带有人类的一些优缺点。 随着具身智能的逐渐丰富，也许有一天AI的自我觉醒就像《西部世界》所展现的那样，是有可能发生的。
它不会按照你的期望运行，也不会被你完全控制。因为这个世界本身，很大程度上就不是以人类意志为转移的——就像一颗飞向地球的小行星，你可以算出它的概率，但无法精确确认它一定不变。飞行的过程中，失之毫厘，谬以千里。
✅ 新哥的实用建议
说了这么多，落到实操层面，我给三个建议：
第一，AI做粗活，专业工具做精修。 让AI生成布局、配色、大概的框架，细节部分交给Photoshop等专业工具。别为了一个字跟AI反复拉扯，浪费时间又浪费积分。
第二，遇到信息污染，果断换新对话。 一旦发现AI的输出明显跑偏，不要在原有上下文里继续纠缠，直接开新对话重新开始。
第三，了解一点AI原理，少走很多弯路。 生成式AI的本质是基于上下文的内容生成，上下文的连续性和质量决定了输出质量。理解了这一点，你在使用任何AI产品时都能举一反三——无论是语音克隆、文字生成、PPT制作，还是图片海报和视频生成，底层逻辑都是相通的。
AI产品多如牛毛，平台也不会为你的积分心疼。与其当一个被AI产品牵着鼻子走的用户，不如做一个懂点原理的驾驭者。
这才是新哥聊AI想说的——用AI可以，但别被AI用。
