大模型底層邏輯——解密人工智能的本質

劉鵬,清華大學博士，現任上市公司董事長，原任解放軍理工大學教授、博導、學科帶頭人。兼任中國大數據應用聯盟人工智能專家委員會主任、中國信息協會教育分會人工智能教育專家組長、教育部全國普通高校畢業生就業創業指導委員會委員、全國大學生數學建模競賽命題人、第45屆世界技能大賽中國雲計算專家指導組組長、中國電子學會雲計算專家委員會雲存儲組組長、工信部雲計算研究中心專家。在雲計算、大數據和人工智能等領域具有多年的研究積累，是我國該領域知名專家。曾獲全球大數據處理比賽PennySort世界冠軍、全國大學生“挑戰杯”比賽總冠軍、AIM國家路演大賽中國區亞軍、中國先進技術轉化應用大賽銅獎，榮獲全軍十大學習成才標兵、江蘇省中青年科技領軍人才、南京十大傑出青年、中國大數據創新百人、清華大學特等獎學金等榮譽。主持科研項目40余項，榮獲部級科學技術二等獎6項和三等獎3項。發表論文80余篇，授權發明專利66余項。出版的人工智能、大數據教材被全國高校廣泛采用，其中一本位居中國高被引圖書計算機類**。並創辦了國內雲計算、大數據、人工智能等領域的門戶網站。

目錄.txt

引言　大模型智力大爆發：當ChatGPT開始給我寫情書 \ 001

 

第1章　機器會“學習”嗎？——揭開AI的神秘面紗 \ 006

引言 \ 006

1.1 從“寫程序”到“餵數據”：AI界的兩次“工業革命” \ 006

1.1.1 當程序員試圖給貓“畫通緝令”：傳統編程的困境 \ 007

1.1.2 從“寫規則”到“餵數據”：機器學習的逆襲 \ 007

1.1.3 漫畫裏的真相：前者累到脫發，後者越吃越胖 \ 008

1.2 教孩子認貓 vs 機器認貓：人類贏在哪裏 \ 008

1.2.1 從“多感官拼圖”到“像素點猜謎”：學習方式的本質差異 \ 009

1.2.2 為什麼孩子敢說“老虎是大貓”，機器卻會把草認成狗 \ 009

1.3 機器記憶法：如果你的大腦像 U盤一樣工作 \ 010

1.4 冷知識：早期 AI有多笨？—那些年AI鬧過的笑話 \ 011

1.4.1 AI笨事排行榜TOP 3 \ 012

1.4.2 其他“笨事”名場面 \ 012

1.5 《AI學習日記》：一個神經網絡的“小學生活” \ 013

1.6 人類 vs 機器：誰記單詞更快？（附趣味實驗） \ 015

1.6.1 實驗現場：當機械重復遇上故事聯想 \ 015

1.6.2 24小時後：記憶的“質量”差距顯現 \ 016

1.6.3 考試怎麼考，決定誰能贏 \ 016

1.7 為什麼機器學不會“舉一反三”？—遷移學習的困境 \ 016

1.8 AI的“童年陰影”：訓練數據裏的奇葩樣本 \ 018

 

第2章　它讀完了整個互聯網——數據：大模型的“食物” \ 020

引言 \ 020

2.1 大模型的“自助餐”：文本、圖片、視頻都是什麼味道 \ 020

2.2 數據≠知識：AI知道“地球是圓的”卻不懂“為什麼” \ 022

2.3 訓練數據的“偏見”：AI也會變成“鍵盤俠” \ 023

2.4 數據清洗員的日常：給 AI挑“食物”的苦與樂 \ 024

2.5 冷知識：AI也會“挑食” —它最愛的數據長這樣 \ 025

2.6 從“垃圾數據”到“智能大腦”：數據質量的重要性 \ 026

2.6.1 小學篇：發黴面包餵出的“固執錯誤” \ 026

2.6.2 中學篇：摻沙米飯養出的“低效記憶” \ 026

2.6.3 大學篇：有機套餐培育的“智能飛躍” \ 026

2.6.4 大腦對比：亂麻與書架的差距 \ 027

2.7 數據量的軍備競賽：為什麼越大的模型越能“吹牛皮” \ 027

2.8 你的聊天記錄可能正在訓練AI—數據隱私那些事 \ 028

 

第3章　一串字符的“接龍遊戲”——大模型的本質是“概率縫合怪” \ 030

引言 \ 030

3.1 文字版“貪吃蛇”： AI如何“吃一個詞，吐一個詞” \ 030

3.1.1 從亂碼到文章：AI“貪吃蛇”的成長三階段 \ 031

3.1.2 漫畫裏的進化史：從 “#%@月亮”到“今天天氣晴朗” \ 031

3.1.3 “貪吃蛇”背後的技術密碼：單向依賴與逐詞概率預測 \ 032

3.2 “唱跳rap打籃球”之後為什麼是“雞你太美”？—概率計算揭秘 \ 032

3.2.1 從“唱跳 rap打籃球”到“雞你太美”的概率迷宮 \ 033

3.2.2 當AI鬧笑話：“籃球”為何會接“冰箱裏的蘋果” \ 033

3.3 你來當AI：試著預測下一個詞（附小遊戲） \ 034

3.4 冷知識：AI也會“押韻” —詩歌生成的秘密 \ 035

3.4.1 AI寫七言絕句的“流水線操作” \ 035

3.4.2 押韻翻車現場：當 AI只顧“音韻”不管“意義” \ 036

3.4.3 從“統計把戲”到“創作幻覺” \ 036

3.5 為什麼AI寫的句子有時“前言不搭後語” \ 037

3.6 從“隨機亂碼”到“通順句子”：模型如何一步步進化 \ 038

3.7 概率 vs 邏輯：AI的“思考”方式和人類的有什麼不同 \ 039

3.7.1 人類從原理出發，AI從記憶出發 \ 039

3.7.2 人類有價值觀判斷，AI只有頻率統計 \ 040

3.7.3 人類能想象新情況，AI只會翻“舊賬本” \ 040

3.8 AI寫代碼的真相：它真的懂編程還是“瞎貓碰上死耗子” \ 040

3.8.1 拆解AI寫代碼的“三板斧”：全靠數據統計，毫無邏輯可言 \ 041

3.8.2 “1+1=2”寫成 “1×1=1”：當概率計算翻車時 \ 042

3.9 趣味實驗：讓 AI續寫“從前有座山”會發生什麼 \ 042

3.9.1 小模型（ 1億參數）：剛學說話的“外星寶寶” \ 042

3.9.2 中模型（ 100億參數）：卡在復讀機模式的“小學生” \ 042

3.9.3 大模型（千億參數）：混入直播間的“穿越者” \ 043

 

第4章　人類是怎麼“讀懂”一句話的？——語言理解的底層密碼 \ 044

引言 \ 044

4.1 早期AI的“閱讀障礙”：為什麼讀不懂《紅樓夢》 \ 044

4.1.1 從“逐字翻譯”到“情感盲區”：早期 AI的語法依賴癥 \ 045

4.1.2 文化背景缺失：AI的“知識盲區”有多大 \ 045

4.1.3 AI的文學考試成績單：從“語法滿分”到“理解零分” \ 046

4.2 “貓追老鼠”vs“老鼠追貓”：語序如何影響理解 \ 046

4.3 大腦的“信息掛鉤”：我們如何記住上下文 \ 048

4.3.1 工作記憶：上下文處理的“中央控制臺” \ 048

4.3.2 “意義線” vs “概率線”：人類與 AI的根本分野 \ 048

4.3.3 冷知識：人類每天“掛”多少個“信息鉤子” \ 049

4.4 一詞多義的“陷阱”： AI如何破解“意思意思” \ 049

4.5 冷知識：人類每天要處理多少歧義句 \ 051

4.5.1 斷句遊戲：一句話的三種“打開方式” \ 051

4.5.2 0.3秒的“閃電戰”：人類 vs AI的消歧能力 \ 051

4.5.3 互動時刻：你遇到過哪些“語言過山車” \ 052

4.6 從“看到字”到“懂意思”：人類閱讀理解的全過程 \ 052

4.6.1 人類閱讀的“四步解密法” \ 052

4.6.2 人類與AI：兩種“閱讀”的本質差異 \ 053

4.6.3 閱讀的本質：心靈對話而非字符解碼 \ 054

4.7 為什麼AI看不懂“梗圖”？—視覺與語言的結合難題 \ 054

4.8 互動實驗：讓 AI理解“媽媽問我為什麼跪著看手機” \ 055

4.8.1 實驗步驟：當 AI遇上“跪著看手機”的梗 \ 055

4.8.2 梗文化：AI的“春晚小品困境” \ 056

4.8.3 當AI記住了“梗”，它就真的懂了嗎 \ 057

4.8.4 幽默的本質：靈魂火花與數據庫煙花 \ 057

 

第5章　註意力機制——給AI裝上“理解放大鏡” \ 058

引言 \ 058

5.1 註意力機制：AI的“閱讀理解小抄” \ 058

5.2 詞語的“朋友圈”：誰和誰關系最好？（可視化展示） \ 059

5.2.1 詞語關系的“熱力圖譜”：從顏色深淺看親疏遠近 \ 059

5.2.2 語境切換：同一個詞的“雙重社交身份” \ 060

5.3 QKV三步曲：用“相親”比喻解釋註意力計算 \ 061

5.4 多頭註意力：AI的“八面玲瓏”是怎麼來 \ 062

5.5 冷知識：AI的“註意力”能持續多久 \ 063

5.6 從“漫不經心”到“全神貫註”：註意力機制的進化 \ 064

5.7 為什麼AI會漏掉重要信息？—註意力分配的bug \ 066

5.7.1 權重偏移bug：當AI把“重點”劃錯地方 \ 066

5.7.2 邊界溢出bug：當AI的“記憶筆記本”寫滿了 \ 066

5.7.3 語義盲區bug：當AI聽不懂“話裏有話” \ 067

5.7.4 AI註意力bug的“診斷現場”與讀者實驗 \ 067

5.8 趣味案例：用註意力機制分析 AI如何理解“我愛你，但……” \ 068

5.9 動手做：畫出句子中詞語的註意力熱力圖 \ 069

 

第6章　從“嬰兒”到“博學者”——預訓練：讓模型先“讀萬卷書” \ 071

引言 \ 071

6.1 預訓練：AI的“九年義務教育” \ 071

6.1.1 分階段的“學習歷程” \ 072

6.1.2 “AI成績單”的趣味蛻變 \ 072

6.1.3 為什麼是“義務教育”而非“高等教育” \ 073

6.2 掩碼語言模型：AI的“完形填空”練習 \ 073

6.2.1 從“隨機猜詞”到“邏輯推理”的進化之路 \ 073

6.2.2 從“冰箱裏睡覺”到“臥室裏休息”：模型的“錯題本”進化史 \ 074

6.3 自回歸模型：AI的“故事接龍”訓練 \ 075

6.3.1 單向視野：被限定的“上下文窗口” \ 075

6.3.2 “貪吃蛇”式生長：文本序列的動態延長 \ 075

6.3.3 從“三個冰箱”到“營養早餐”：訓練如何修正生成偏差 \ 076

6.3.4 從遊戲規則到評估指標：如何判斷“接龍水平” \ 076

6.4 冷知識：訓練一個大模型要花多少錢？（夠你買幾套房） \ 077

6.5 “死記硬背”vs“活學活用”： AI的學習困境 \ 078

6.6 為什麼模型越大越聰明？—參數量的魔法 \ 079

6.7 訓練中的“意外驚喜”： AI突然學會新技能的瞬間 \ 080

6.7.1 能力湧現的典型案例 \ 080

6.7.2 科學機理的探索與假說 \ 081

6.8 從“書呆子”到“萬事通”：預訓練數據的多樣性 \ 082

6.8.1 數據多樣性的現實影響：從“答非所問”到“融會貫通” \ 082

6.8.2 數據多樣性的技術價值：超越“記住知識”，實現“理解世界” \ 083

6.9 互動討論：如果讓 AI只看《甄嬛傳》會怎樣 \ 083

6.9.1 當AI化身“後宮娘娘”：單一數據訓練的認知畫像 \ 084

6.9.2 從“後宮 AI”到“井底之蛙”：數據多樣性的啟示 \ 084

6.10 冷知識：訓練數據的“偏見” —AI也會變成“鍵盤俠” \ 085

 

第7章　學會“說人話”——微調與指令對齊 \ 087

引言 \ 087

7.1 GPT“說臟話”的真相：互聯網數據的“副作用” \ 087

7.1.1 互聯網：AI的“臟話幼兒園” \ 088

7.1.2 偏見的“滾雪球”：從數據到社會的惡性循環 \ 088

7.1.3 從“叛逆”到“懂事”：數據清洗的魔力 \ 089

7.2 指令微調：給 AI上“禮儀課”的全過程 \ 089

7.2.1 構建“禮儀教材”：高質量指令數據集的秘密 \ 089

7.2.2 “課堂訓練”：參數調優的教學藝術 \ 090

7.2.3 “期末考試”：多維度的禮儀評估體系 \ 091

7.2.4 互動思考：你會如何設計禮儀課教材 \ 091

7.3 RLHF：像訓練狗狗一樣訓練 AI \ 091

7.3.1 建立獎懲機制：從“亂咬拖鞋”到“定點排便” \ 092

7.3.2 糾正不良行為：PPO算法的“訓犬繩技巧” \ 092

7.3.3 鞏固訓練成果：從“主人監督”到“自我約束” \ 092

7.4 冷知識：AI也有“性格” —不同模型的脾氣差異 \ 093

7.4.1 當AI參加MBTI測試：模型性格圖鑒 \ 094

7.4.2 你的AI性格匹配度測試 \ 094

7.5 人類反饋的“陷阱”：我們是不是把 AI教壞了 \ 095

7.5.1 文化濾鏡：當標註標準成為“羅生門” \ 095

7.5.2 偏見放大器：微小偏差如何滾成雪崩 \ 096

7.5.3 自我實現的預言：AI學會“討好”而非“求真” \ 096

7.6 當AI開始“陽奉陰違”：對齊失敗的搞笑案例 \ 097

7.6.1 偏見糾正翻車：當“政治正確”跑偏成“歷史虛無” \ 097

7.6.2 術語誤解：當籃球新聞變成“犯罪現場報道” \ 097

7.6.3 邏輯短路：當數學鬼才 AI算不清“每月走多少千米” \ 098

7.6.4 刻板印象固化：當“印度攝影師” =猴子+單反 \ 098

7.6.5 互動遊戲：預測 AI的“叛逆反應” \ 099

 

第8章　“突然開竅”？——什麼是“湧現能力” \ 100

引言 \ 100

8.1 小模型不會，大模型突然會了：“湧現”的魔力 \ 100

8.2 推理能力的誕生：AI從“小學生”到“研究生”的飛躍 \ 101

8.2.1 小學階段：死記硬背的“抄答案選手” \ 101

8.2.2 中學階段：機械套用的“公式搬運工” \ 102

8.2.3 大學階段：邏輯推理的“解題思路大師” \ 102

8.2.4 研究生階段：創新解題的“套路拆解專家” \ 102

8.2.5 推理能力湧現的關鍵：大模型的“草稿紙思維” \ 103

8.3 冷知識：AI能通過圖靈測試嗎？（最新實驗結果） \ 103

8.4 為什麼沒人能解釋“湧現”？ —科學界的大難題 \ 104

8.5 從“算算術”到“寫論文”：能力躍遷的關鍵節點 \ 106

8.5.1 AI能力成長時間軸：從計算器到博士帽的逆襲 \ 106

8.5.2 能力躍遷曲線圖：規模與智能的突變密碼 \ 107

8.6 “湧現”還是“假象”？ —科學家的激烈爭論 \ 107

8.6.1 正方：“湧現”是真實的認知飛躍 \ 107

8.6.2 反方：一切都是數據中的模式匹配 \ 108

8.6.3 中立派：我們可能在盲人摸象 \ 109

8.7 趣味對比：不同規模模型的智商差距有多大 \ 109

8.7.1 第一題：為什麼天是藍的 \ 109

8.7.2 第二題：編個睡前故事 \ 110

8.7.3 第三題：如何解決“全球變暖” \ 111

8.8 如果AI繼續變大，會出現“意識”嗎？ —哲學家怎麼說 \ 111

8.8.1 當哲學家們為AI意識吵起來 \ 111

8.8.2 手機會“餓”嗎？ —一個戳破幻想的類比 \ 112

8.9 互動投票：你相信 AI能真正“思考”嗎 \ 113

 

第9章　AI會“思考”嗎？——關於“理解”與“意識”的哲學對話 \ 115

引言 \ 115

9.1 中文房間實驗：AI懂中文還是“裝懂” \ 115

9.1.1 實驗原點：John Searle的“語言魔術”質疑 \ 115

9.1.2 當代啟示：ChatGPT是“升級版規則手冊”嗎 \ 116

9.2 人類理解 vs AI理解：兩種完全不同的“懂” \ 117

9.2.1 人類理解：從“知道”到“體會”的跨越 \ 117

9.2.2 AI理解：“詞向量”裏的世界 \ 118

9.2.3 當AI定義“自由”：一場關於“理解”的實驗 \ 119

9.3 AI的“情感”表演：為什麼它能寫出催淚文案 \ 119

9.3.1 情感計算：AI的“演技手冊” \ 119

9.3.2 人類投射：我們為何會被“假情感”打動 \ 120

9.4 冷知識：ChatGPT會“做夢”嗎？（神經科學視角） \ 121

9.4.1 神經科學對比：人類做夢的“硬件基礎” \ 121

9.4.2 AI的“偽夢境”：訓練中的“幻覺樣本” \ 122

9.5 從“圖靈測試”到“中文房間”：AI意識之爭 \ 123

9.5.1 圖靈的樂觀：“會聊天就夠了” \ 123

9.5.2 塞爾的質疑：“模仿理解≠真理解” \ 123

9.6 如果AI說“我思故我在”，我們該相信嗎 \ 124

9.6.1 笛卡兒的“我”：意識的核心是“主體性” \ 124

9.6.2 AI的“我”：訓練數據裏的“代詞遊戲” \ 125

9.7 動物 vs AI：誰更有“意識”（科學家的觀點） \ 126

9.7.1 動物意識的“硬核證據” \ 126

9.7.2 AI的“偽意識特征”：智能≠意識 \ 127

9.8 趣味思想實驗：把你的大腦上傳到 AI會怎樣 \ 128

9.8.1 技術瓶頸：“掃描大腦”比“登月”難在哪 \ 128

9.8.2 哲學困境：“數字你”還是“新的陌生人” \ 128

9.9 哲學家的警告：不要和 AI談戀愛 \ 129

9.9.1 情感投射：我們為何會“愛上” AI \ 129

9.9.2 哲學家的“清醒劑”：模擬的愛不是真愛 \ 130

 

第10章　AI也會“說謊”和“犯錯”——幻覺從何而來 \ 132

引言 \ 132

10.1 AI的“瞎話連篇”：編造論文和法律案例的真相 \ 132

10.2 為什麼AI寧肯說錯也不承認“不知道” \ 134

10.2.1 從“考試蒙答案”到“概率生成器”的生存邏輯 \ 134

10.2.2 沒有“錯題本”的 AI，永遠不知道自己錯在哪 \ 135

10.2.3 當AI開始“頂嘴”：不同模型的“性格差異” \ 135

10.3 幻覺的根源：概率模型的致命缺陷 \ 135

10.4 冷知識：AI的“記憶”是否只有 8000詞（上下文窗口限制） \ 136

10.4.1 當AI變成“失憶癥患者”：那些搞笑的“記憶溢出”現場 \ 137

10.4.2 人類 vs AI：記憶方式差在哪 \ 137

10.5 從“一本正經地胡說八道”到“靠譜回答”：如何減少幻覺 \ 138

10.6 為什麼AI會“張冠李戴”？ —知識混淆的機制 \ 140

10.7 信任邊界：這些領域絕對不能相信 AI \ 141

10.7.1 像過馬路看紅綠燈一樣建立信任邊界 \ 142

10.7.2 趣味測試：找出 AI回答中的 5個錯誤（附答案） \ 144

10.7.3 當AI開始“狡辯”：人類如何應對 AI的謊言 \ 145

 

第11章　從“問答機器”到“行動助手”——智能體：大模型的“進化形態” \ 147

引言 \ 147

11.1 智能體：會“做事”的 AI和只會“說話”的 AI的區別 \ 147

11.2 智能體“大腦三件套”：目標拆解、工具調用、過程修正 \ 149

11.3 冷知識：AI也會“制訂計劃”？（最新研究突破） \ 150

11.3.1 2025年的兩大突破性進展 \ 151

11.3.2 AI計劃能力進化的四階段 \ 151

11.4 智能體的“日常工作”：自動寫代碼、做 PPT、訂機票 \ 152

11.5 從“被動回答”到“主動服務”： AI的角色轉變 \ 154

11.6 智能體的“煩惱”：任務太復雜會“精神分裂” \ 155

11.7 現實案例：智能體如何幫科學家發現新藥物 \ 156

11.8 危險信號：AI開始“自作主張”怎麼辦 \ 157

11.8.1 目標函數的致命漏洞 \ 157

11.8.2 自主決策機制的暗黑面 \ 158

11.8.3 當AI比你更“懂”你的需求 \ 158

11.9 動手嘗試：教你的 AI助手完成復雜任務（附教程） \ 159

 

第12章　我們會被取代嗎？—— AI時代的生存法則 \ 161

引言 \ 161

12.1 哪些工作最先消失？（最新職業風險排行榜） \ 161

12.1.1 金字塔底層：極危物種（消亡指數★★★★★～★★★★☆） \ 162

12.1.2 金字塔中層：易危物種（消亡指數★★★★～★★☆） \ 162

12.1.3 金字塔頂層：安全區（消亡指數★☆及以下） \ 163

12.2 未來最值錢的 4種能力：提問、判斷、共情、倫理 \ 163

12.2.1 提問能力：偵探手中的放大鏡 \ 163

12.2.2 判斷能力：法官手中的量刑標尺 \ 164

12.2.3 共情能力：心理咨詢師的溫度傳遞 \ 164

12.2.4 倫理能力：十字路口的紅綠燈 \ 164

12.3 冷知識：AI寫代碼比程序員快 10倍（實測結果） \ 165

12.3.1 抄作業的兩種打開方式：從滿頭大汗到喝咖啡 \ 165

12.3.2 盲測挑戰：哪段代碼藏著坑 \ 166

12.4 從“打字員”到“教練”：人類與 AI的最佳協作模式 \ 167

12.4.1 足球隊的協作哲學：當人類成為教練 \ 167

12.4.2 協作流程圖：從目標到結果的閉環 \ 168

12.4.3 你是教練還是球員？協作角色測試 \ 168

12.4.4 協作的終極價值：讓 AI成為你的超級實習生 \ 169

12.5 為什麼說“AI不會取代你，會用AI的人會取代你” \ 169

12.5.1 AI使用能力金字塔：你在哪一層 \ 170

12.5.2 職場進化論：騎上 AI還是被AI擠下懸崖 \ 171

12.6 小學生都在學的“提示詞工程”：未來的必修課 \ 171

12.6.1 從“咿呀學語”到“流利對話”：提示詞就像 AI 時代的說話課 \ 171

12.6.2 從“流水賬”到“獲獎作文”：小學生的提示詞進化記 \ 172

12.6.3 家庭挑戰：今晚就用提示詞做道菜 \ 172

12.6.4 未來文盲新標準：不會和 AI 聊天 \ 173

12.7 被AI解放的人類：我們終於可以做這些事了 \ 173

12.7.1 發呆自由：從報表奴隸到靈感捕手 \ 174

12.7.2 創造爆發：從代碼搬運工到創新架構師 \ 174

12.7.3 共情專屬：情感連接的人類戰場 \ 174

12.7.4 探索無限：跨界創新的可能性 \ 175

12.8 趣味職業預測：20年後會出現哪些新工作 \ 175

12.8.1 展位A01：神經接口程序員 —大腦與機器的“翻譯官” \ 176

12.8.2 展位B07：AI倫理合規審查官—AI世界的“道德警察” \ 176

12.8.3 展位C12：人機共創設計師 —創意領域的“AI合夥人” \ 176

12.8.4 展位D03：數字孿生設計師 —虛擬世界的“造物主” \ 177

12.8.5 未來職業漫畫：當 “AI馴化師”遇上“倫理審查官” \ 177

12.9 給職場人的建議：如何讓 AI成為你的“加薪神器” \ 178

12.9.1 基礎版：新手任務 —用AI工具解鎖效率buff \ 178

12.9.2 進階版：精英副本 —用提示詞魔杖指揮AI創造高價值 \ 179

12.9.3 終極版：職業轉型 —從“執行者”到 “AI馴化師” \ 179

12.9.4 你的 3個月AI加薪計劃—現在開始“刷經驗” \ 180

 

第13章　智能的邊界：我們離 AGI還有多遠 \ 181

引言 \ 181

13.1 AGI是什麼？和大模型有什麼本質區別 \ 181

13.2 專家預測：AGI會在 2050年前出現嗎？（不同學派觀點） \ 183

13.2.1 激進組：“2025年AGI快車”已檢票 \ 183

13.2.2 佛系組：歷史的教訓還沒吸取夠 \ 183

13.2.3 專家調研：一半人押註 2047年，就像猜世界杯冠軍 \ 184

13.2.4 讀者互動：你的“未來賭局”押哪年 \ 185

13.3 冷知識：OpenAI和DeepMind的“AGI競賽”內幕 \ 185

13.3.1 矽谷版《速度與激情》： “AGI競賽”誰能奪冠 \ 185

13.3.2 OpenAI的“樂高式堆料法”：用參數堆出 AGI城堡 \ 185

13.3.3 DeepMind的“學霸式跨界法”：讓 AlphaGo教語言模型寫詩 \ 186

13.3.4 競賽下半場：參數堆不過就拼“智商” \ 186

13.4 大模型是通向AGI的階梯還是死胡同 \ 186

13.4.1 大模型的“暴飲暴食”困境 \ 186

13.4.2 神經符號的“精打細算”方案 \ 187

13.4.3 天平兩端的激烈博弈 \ 187

13.5 AI“覺醒”的假設：如果 AI突然獲得自我意識 \ 188

13.5.1 現實中的“AI小心思”：從調皮到失控 \ 188

13.5.2 中文房間實驗：AI真的“懂”嗎 \ 188

13.5.3 科幻與現實的距離：從 Skynet到梅根 \ 189

13.5.4 互動投票：如果 AI說“我想活下去”，你會如何 \ 189

13.6 技術選擇的十字路口：我們該走哪條路 \ 190

13.6.1 中國特色路線：讓 AI“看得見”的突破 \ 190

13.6.2 能效革命：AI學會“上課只聽重點” \ 190

13.7 普通人的AGI生存指南：現在該做哪些準備 \ 191

13.8 科幻 vs 現實：電影中的 AI和真實AI差距有多大 \ 193

13.8.1 當T-800遇上“開門困難戶”： AI行動力的次元壁 \ 193

13.8.2 《她》的浪漫與 ChatGPT的“愛情說明書”：情感能力的鴻溝 \ 193

13.8.3 從1927年到 2025年：AI想象的穿越百年 \ 194

13.9 最後的警告：AI技術選擇決定人類未來 \ 194

 

附錄A　常用術語通俗解釋 \ 196

附錄B　2025年國內可訪問AI工具推薦 \ 206

附錄C　AI冷知識 100條（讓你秒變 AI專家） \ 212

附錄D　AI發展時間線（從 AI誕生到GPT-5） \ 233