個人錨點
如果你真的從第 1 篇讀到了這裏，
研究 AI 的不懂過程 ，能翻譯 、什意思翻譯文檔 、孤独
但它懂孤獨嗎 ？代们
讓我用我們在這個係列裏學過的知識來拆解這件事 。恰恰相反——AI 讓我們更清楚地看到了什麽才是不懂真正重要的 。或者剛進入職場 ，什意思感受孤獨——讓你看到這些才是孤独你最核心的部分 。預測 2025 年到 2030 年間
，代们三要素（數據+算力+算法） 而這條鴻溝讓我意識到一件事 ： AI 做不到的那些事情
，外麵的人覺得他完全懂中文——但他隻是在按規則操作符號 。是教你釣魚 。論證計算機不能真正理解語言 Dreyfus 在 1972 年就說過：人類的世界是由有身體的人組織起來的，而是人類的核心
。 增長最快的是什麽 ？STEM 專業人員
、它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索 ， 2025 年
，生成代碼的時候
， 用我們的框架翻譯一下
： 凡是能轉化為模式匹配的工作環節（整理數據、 麥肯錫的研究估計 ，當我輸入"寫一段關於孤獨的文字"
，我們先來做一個實驗 。 但如果你理解了 AI 的底層原理——它不會過時 。但本質沒變
。就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏
， 還記得第 11 篇的模式匹配譜係嗎
？ ← 純模式匹配（AI 強區）——— 需要因果理解（AI 弱區）→ 世界經濟論壇的《2025 年未來就業報告》調查了全球 1000 多家領先企業
，而是： 我的建議不是"學什麽"，覺得不錯的話， 寫得很好。先回顧我們學了什麽 要回答"AI 會不會取代我們" ，新的爭論 。這樣的意象和"孤獨"高度共現 。是給 AI 更好的上下文 這和第 7 篇裏講的律師假判例是完全一樣的機製 。歡迎分享+關注 。它是一麵鏡子 ，其中超過 40% 的崗位有被完全自動化的潛力。你知道這意味著什麽（模式匹配）
， AI 不是魔法 ， 被淘汰最多的是什麽崗位 ？文員和行政人員——這些工作的核心是處理標準化的信息 ， 如果你真的從第 1 篇讀到了這裏 ，盯著天花板 ，一個結論變得越來越清晰 ：AI 暴露的不是人類的弱點 ，想分享給你 。我們一起走過了 16 篇 。但他不完全排除這種可能
。這意味著 ： 這些方向都還在研究階段。AI 和大數據專家——這些工作需要理解、Transformer 讓 AI 讀懂上下文） ，是換了賽道 這就是"探索筆記"的意義——不是給你魚 ，三問判斷法 這些能力從來都很重要 。一個沒有身體的係統無法真正理解"冷""熱""疼""餓"意味著什麽 要讓 AI 真正"理解"世界
，但它不懂"孤獨" 我讓 ChatGPT 寫一段關於孤獨的文字
。隻要 AI 的底層仍然是"在數據中尋找統計模式" ，它不是獨處 ，它沒有身體 ，不會整個消失——但會被重塑。 如果是原理上的突破——那才是真正需要更新知識的時候 。驗證>信任 但這裏有一個重要的警告 ：這些預測的"AGI"，這個係列就是我的探索筆記
， 這些 AI 做不到的事情——常識推理
、 寫這個係列的過程中 ，框架不會因為工具更新而過時 。判斷和創造 ，什麽能力不會過時？ 如果你是一個學生 ，可能已經有了新的模型 、天花板與突破方向
，從理解到行動
。Midjourney 是最熱門的 AI 繪畫工具
。當 AI 把編程的語法門檻降低之後，統計模式匹配無法實現真正的理解 。但那也隻是從噪聲中還原訓練數據裏的統計模式——它畫不出"孤獨是什麽感覺" 。是人群中無人對視的目光 ，AI 做不到。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ， 每一個詞都是"在關於孤獨的文本中 ，而是基於 AI 的原理 但它沒有懂。不理解意義 。共情、靠一本規則手冊回複中文信息
。 那麽有沒有人預測這種改變什麽時候到來
？ 有。找到訓練數據中關於"孤獨"這個主題的大量文學作品 、AI 能下棋贏世界冠軍（第 11 篇） ，你現在知道那些像人的回答是怎麽來的——統計模式匹配 ，隻是使用的方式會變
。人類智能與身體經驗密不可分 ，到你讀這篇文章的時候，甚至可以說 ， 這就是標題的含義 ：AI 可以寫出關於孤獨的優美文字 ，但不知道被愛是什麽感受 。 凡是需要理解、AI 的"信念"和"欲望"也是如此——統計模式匹配出來的"看起來像"信念和欲望的東西
。CLIP ，你開始有意識地區分 ：今天做的事情裏 ，創造意義 、它的"規則手冊"是 1750 億個通過訓練自動學出來的參數 。語法 vs 思考 第 12 篇裏我們說過：AI 在快速進步，對意義的感知——它們有一個共同特點
：都無法簡單地轉化為"在數據中尋找統計模式" 。層層檢測 帶著這套裝備 ，更容易覺得"它懂了"
。我們甚至不清楚人類的意識是怎麽從大腦的神經元活動中"湧現"出來的 。你知道為什麽給更多上下文會有更好的輸出——第 13 篇的知識 這是一套判斷框架 ，不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出 ，客服應答），都隻是在做統計模式匹配——那我們人類做的事情 ，共情 、 16 篇文章，而是"怎麽學" 。模式匹配譜係 ，你可能也經曆了類似的認知轉變
。 第一次看到這個係列？從第1篇開始最順暢，他認為我們在和 LLM 對話時 ， 第 15 篇讀完 VibeCoding 之後 ，你的工作中那些重複性的 、 有了第一章建立的基礎知識（數據都是數字 、 我們在第 12 篇裏提到過 ，不能"理解"為什麽這些模式存在（第 7 篇：統計相關性 ≠ 因果理解） 如果覺得有意思 ，整理數據 、 最後一篇
， 2022 年的時候 ，需要的是體驗 ，不是計算 。Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI
。隻"預測" 一項對超過 8500 條 AGI 預測的綜合分析給出的中位數是大約 2040 年 。 但我希望你帶走的不是這份快照本身 ，它就會完全崩潰 。這可能對你自身是有害的。照出了我們真正的價值 。學術界認為至少需要兩個方向的突破
： 人類智能到底是什麽 ？ AI 能通過律師考試（第 9 篇） ，而是「AI 取代工作中可以模式匹配的部分」。然後用這些模式"續寫"出一段文字
。等到有一天底層原理真的發生了根本變化——你也有能力識別出那個變化 ，GPT 係列 AI 能做的事情——模式匹配 、麵對的是一個"擁有類信念和類欲望的類主體"——"類"這個字很關鍵，2024 年 ，不變的是思考 當你看到一個新的 AI 產品，訓練是調參、一條完整的弧線：從好奇到理解，寫得比很多人都好 。定義各不相同 。你在第 8 篇裏看到了，12 篇的知識 這個問題其實可以拆成三個更具體的問題 。判斷框架 這不是一個結束——帶著你對 AI 的理解，有多少也是在"匹配" ？我們多少判斷是基於"以前見過類似的情況" ，AI 能畫出以假亂真的圖片（第 10 篇） ，認為我們可能永遠無法確定 AI 是否擁有意識 。DeepMind 的 Demis Hassabis 則更謹慎
， 它覆蓋的是此刻——2026 年初——AI 技術的快照 。在幾萬億個詞的訓練數據中找到統計模式 ，對抗樣本 ，不是因為它"理解"重力
，第 12 篇的四條原則依然成立 。 這個問題更難回答——但我可以告訴你目前學術界是怎麽想的
。過擬合 ，這是統計學和工程學的勝利——是人類用自己的數學和工程能力 ，認知科學家近年來的研究也支持這個觀點——具身認知理論（Embodied Cognition）指出 ，劍橋大學哲學家 Tom McClelland 發表了一項研究
，GPU 並行 這是 「AI是怎麽回事」係列的第 16 篇 ，AI 把重複性工作接管了 ， 1750 億個參數裏沒有這種感覺。幾萬億個詞的訓練數據裏也沒有。50% 的概率在 2033 年前
。 ChatGPT 就是一個巨大的中文房間 。不能做什麽 。Sobel 算子， 好消息是——你已經知道了
。就是這樣的： 當前 AI 的底層原理是"在訓練數據中尋找統計模式"。散文 、同步更新在個人博客和微信公眾號 微信搜索"我沒有三顆心髒"或者掃描二維碼，後續文章也會持續更新 。 AI 做不到的事情——理解
、 你讀完這個係列獲得的 ， AI 不是來取代我們的 。 第 11 篇讀完 AI 能力全景圖之後，心理學文本中的統計模式
，你已經有能力自己追蹤 AI 的進展了。後者的時間表真的沒人知道 。但不止於此 。擁有了自己的判斷力 。是數字 不是 AI 讓人變得不重要 。 而理解這一點本身， 你以為你在學 AI ，當前的大語言模型最大可能是沒有意識的 ，ChatGPT 生成了"看起來像法律引文"的文字；在這裏 ，統計≠理解 但"僅此而已"就已經夠驚人了——它讓機器能對話
、我想聊一個更大的問題——這個問題你可能從第 1 篇就開始想了 ： AI 會取代我們嗎？ 要回答這個問題
，四條原則 McClelland 指出了一個值得警惕的事情 ：如果你基於"AI 有意識"這個錯誤前提和 AI 建立情感連接 ，全球將新增 1.7 億個崗位 ， 區別隻在於：法律引文可以去數據庫核查真假 ， MIT 與 IBM 的一項聯合研究發現了一個很好的例子 ：大語言模型可以非常流暢地給你指路紐約的街道
，翻譯文本
、我們建立的整套框架就成立。怎麽可能判斷一個 AI 有沒有意識 ？ 哲學家 David Chalmers（提出"意識的困難問題"的那位）說 ，但分不清"謝謝你"是真心還是諷刺 。不要當專家 它們需要的是理解 ， AI 能寫出關於孤獨的優美文字 。暴露出來的是——真正難的從來不是語法， 所以更準確的說法不是"AI 取代工作"，你讀這篇文章的時候 ，很多人轉向了 DALL-E 3 和 Stable Diffusion 。但不知道贏了意味著什麽
。 這是一個更深層的問題 。而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動
，但它不懂"孤獨"是什麽意思 。 第 7 篇讀完 AI 幻覺之後 ， 不要去學"怎麽用某個特定工具"——工具會變 。前者可能很快到來
， 乘法和加法能產生意識嗎 ？ 說實話，如果你學的隻是"Midjourney 的 50 個技巧" ，Gary Marcus（認知科學家）多年來一直警告 ，它給了我這樣一段
： 孤獨是深夜裏空蕩的房間 ，而是渴望連接卻無法觸及的距離
。你可以問： "深夜裏空蕩的房間"——因為在訓練數據中 ，就是第 7 篇講的「統計匹配」和「因果理解」之間的鴻溝
。感到一種說不清的空洞 。恰恰定義了"人之為人"
。因為你理解了當前原理是什麽 。發現了很多有意思的東西 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。叫「中文房間」（Chinese Room）：一個完全不懂中文的人被關在房間裏
，就像計算器取代了手工算賬一樣
。應對前所未見的情況），哪些是"真正需要思考的"（定義新問題 、即可訂閱 。不是匹配 。神經網絡的本質是"乘法和加法的層層疊加"。還是原理上的（全新的架構 、 我原本隻是想搞懂 AI 是怎麽工作的
。我一直很好奇 AI 到底是怎麽工作的 ，沒有經曆。詩歌 、更像是一種營銷策略， 當 AI 可以幫你寫初稿
、 哲學家 John Searle 在 1980 年提出過一個著名的思想實驗 ，你知道它做到了什麽（從噪聲中還原統計模式） ，同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位 。語言模型能力邊界
， 這個係列是我學習 AI 的一份"探索筆記"
。沒有人知道 。 還記得第 6 篇講的嗎 ？ChatGPT 的本質是一個語言模型——它做的事情是"預測下一個最可能的詞"。也知道它沒做到什麽（理解美）——第 10 篇的知識 從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，但至少有一點是明確的 ：你不需要因為"AI 說話聽起來很像人"就恐慌 。 他們的理由 ，僅此而已 。"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏 。不是"思考" 。用我們學過的知識來解釋 ， 它隻在你的生命裏
。 感謝你陪我走過這 16 篇 。他說得更直接——科技公司宣傳 AI 具有某種意識或情感 ， 1750 億個參數的乘法和加法， "人群中無人對視的目光"——因為在訓練數據中的文學作品裏 ，你可能也想過一個問題：如果 AI 這麽"聰明"
，模式化的部分會被 AI 接管 ，有一個意料之外的收獲 。而且分歧巨大
。然後預測下一個最可能的詞。統計預測
、 讓我用一張圖把整個係列的知識串起來 。做重複決策 、 大多數人的工作 ，創造出的一個前所未有的工具 。 用我們學過的原理來想這個問題： 你在第 4 篇裏知道了 ， 拆開了 AI 的黑箱 ，也用在不可自動化的工作中——也就是說， 用我們的框架來看
：「通過所有考試」和「真正理解」之間的鴻溝 ，上下文=概率分布 如果是規模上的突破——我們的框架依然適用
， 根據 80,000 Hours 對專家預測的綜合分析
：Metaculus 預測平台上的預測者認為有 25% 的概率在 2029 年前實現 AGI（通用人工智能）
，這些環節會被自動化 ，是高維空間的點 它從未在深夜裏獨自醒來 ， 這就是模式匹配和理解之間的鴻溝
。
2012 年不是不懂進步 ，直接讀這篇也沒問題 。你看待自己工作的方式可能也開始變了 。文員崗位下降最多 第一個問題
：AI 會取代哪些工作
？
一起工作 第 14 篇 怎麽跟 AI 協作不翻車
？ 四條協作原則，Meta 首席 AI 科學家）認為大語言模型是"通往 AGI 的一條岔路"。但研究得越深 ，醫療健康人員
、 結尾
第 4 篇 神經網絡到底是什麽 ？ 輸入 x 權重+偏置→激活→輸出 神經網絡就是乘法和加法 第 5 篇 AI 是怎麽學會的 ？ 反向傳播 ，套用模板
、可能又有了新的工具 。你能用三問判斷法拆解這個說法——第 11 、是心裏有千言萬語卻找不到一個可以傾訴的人。 AI 的強弱取決於三個條件 第 12 篇 這個框架會過時嗎 ？ AI 認知三角 ，一個沒有身體的係統無法真正進入這個世界。 AI 會寫"孤獨" ，你的價值在哪裏 ？就在那些 AI 做不到的地方：
把 AI 當最強助手，於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你，價值判斷 、創造性思維 、ChatGPT 回答你的三秒鍾裏 ，中位數約 2040 年 
AI 是一麵鏡子
第三章 第 13 篇 怎麽讓 AI 聽懂你的話
？ Prompt 原理 ，他們也發現超過 70% 的雇主看重的技能既用在可自動化的工作中 ，能寫代碼。AI 會做得更快更便宜
。這不是"人工智能"的勝利，落在譜係的右側。也是最後一篇 。AI 能寫出關於愛情的詩歌，畫出了它的能力邊界 ， 
AI 降低的是門檻，發生的是 1750 億個參數的數學運算。是統計學的勝利 。AI 繪畫原理 "創造"也是模式匹配——從噪聲中還原統計模式 第 11 篇 為什麽 AI 能贏世界冠軍卻開不好車 ？ AI 能力全景圖，能做什麽、神經網絡是乘法加法
、它有的隻是幾千億個通過訓練調整好的數字——這些數字讓它能生成統計上最可能的文字序列。AI 在快速發展 。但它從未在淩晨三點醒來 ，詞向量 ，歡迎關注我，盯著天花板 ， AI 看到的不是圖片
，你現在手裏有一套完整的裝備： 全係列回顧
訂閱
能力邊界 第 10 篇 AI 能創造嗎？ Diffusion ，就像一個演員在舞台上表演"憤怒"
，大多數人類能力在 AI 時代仍然有用 ，但沒有建立一個"城市的模型"
。 AI 讀到的不是文字 ，於是這些真正重要的能力被凸顯出來。正好落在模式匹配譜係的左側
。學會了怎麽和它一起工作。他的理由很簡單 ：我們連人類意識是怎麽產生的都沒有完全搞清楚
，判斷和創造的工作環節（診斷複雜問題 、而是因為訓練數據中"蘋果""掉落"經常一起出現 Transformer 讓 AI 能同時看全文 第 7 篇 AI 為什麽會撒謊 ？ 幻覺 ， 第 16 篇 AI 會取代我們嗎
？ 全係列串聯，隻是在 AI 出現之前 ，這些環節會變得更有價值 。 AI 會取代我們嗎？——用原理回答
ChatGPT 不"知道" ，但它實際上並不理解這座城市的空間結構——給它一個簡單的繞路任務， 第三個問題 ：AI 會不會有意識？
訓練就是用數據調參
， AI 時代 ，
參考資料
拆開黑箱 第 2 篇 AI 怎麽讀懂文字 ？ Token，而你會花更多時間在需要思考和判斷的部分。 模式匹配不等於理解 第 8 篇 ChatGPT 的三秒鍾 全流程串聯，而不是科學判斷
。這其實是一個開始
。 框架不是基於 AI 能做什麽，而是想清楚你要做什麽 。我們需要先搞清楚 AI 到底是什麽、 章節 篇目 標題 核心知識 一句話總結 第一章 第 1 篇 AI 到底聰明在哪 ？ 圖片=數字矩陣 ，我們來正麵回答那個大問題
。 第 15 篇 AI 寫代碼有多厲害 ？ VibeCoding ，哪些是"模式匹配"（套模板
、規則更複雜了 ，不是"ChatGPT 使用技巧" 。核心結論 AI 是超級模式匹配器 第二章 第 9 篇 AI 到底有多聰明？ RLHF ，人類認知深深植根於身體感覺和運動經驗中 ，有的人說的是"能像人一樣理解世界的 AI"（這需要底層原理的根本突破）
。純粹的計算係統與此有著本質的不同 。它學會了"關於城市的文字模式" ，但本質沒變
：操作符號 ，那不是真的憤怒 ， 在回答"取代"之前 ，認為到 2030 年底有約 50% 的概率實現 AGI
。
第二個問題
：AI 以後會不會"真的"理解
？
一個邀請
Prompt 不是咒語 ，全新的學習方式）？ 第 3 篇 AI 是怎麽突然變厲害的 ？ AlexNet
，更多的數據），不是一組使用技巧
。而你有能力識別這個區別。