观世的AI学习笔记⑩:把AI当实习生带

课程里给了一个特别实用的“心理模型”，我试了试，真的能用。

下次你想知道某个任务能不能交给大语言模型(LLM)，就问自己：

一个刚毕业的大学生，只靠你给的指示，能完成这件事吗？

注意这个大学生的设定：

· 有常识，知道互联网上的大部分知识

· 但不认识你，不了解你的公司和业务

· 不能上网搜东西

· 每次对话都是第一次见你，记不住之前说过什么

用这个标准，很多事情就好判断了。

比如，让AI判断一封邮件是不是投诉——刚毕业的大学生读一遍邮件，应该能判断出来。这事AI能做。

让AI写一份宣布新COO上任的新闻稿——如果只给一句话，大学生什么背景都不知道，写出来的肯定很“模板”。但如果你把COO的简历、公司的信息都告诉他，他能写出像样的东西。所以这事AI能做，但前提是你得给够信息。

这个类比不完美，但对我这种非技术背景的人来说，比什么“参数规模”“训练数据”好理解多了。

这点我以前听说过，但看到具体例子还是被惊到了。

如果你让AI给三句“莎士比亚写的关于碧昂斯的名言”，它会像模像样地写出来：

1. 她的歌声如阳光般闪耀。

2. 向女王致敬，她最值得被爱。

3. 这般嗓音，活力四射，无人能及。

莎士比亚去世几百年后才有的碧昂斯。但这三句话看起来还挺像那么回事的，如果不知道背景，可能真会被唬住。

这叫“幻觉”——AI会非常自信地编造事实，而且语气听起来和说真话时一模一样。

(不过我现在去问了一下豆包，这个错误点应该已经被修复了）

课程里讲了一个真实的案例：有位律师用ChatGPT给法庭案件准备材料，结果提交了一大堆AI编造的案例。最后被《纽约时报》报道，律师被法庭处罚。

看到这个，我给自己定了个规矩：重要的事，AI给的答案一定要核对来源。

我还想到了前几天有个网友问AI，说自己要去洗车，洗车店离自己只有20米，到底走路去还是开车去，好几个AI都用算法思考了半天建议他走路去。

但是走路去就洗不了车啦

不过这些网友找出的AI模型bug也很快被修复了，AI也是不断成长的。

除了会胡说，还有一些硬性的限制：

知识是“冻住”的。

一个在2022年1月训练的模型，不知道之后发生的任何事。问它“2022年票房最高的电影是什么”，它会说不知道——哪怕我们后来都知道那是《阿凡达：水之道》。

输入长度有限。

想让它总结一篇很长的论文？可能一次性贴不进去，得分段喂给它。

表格数据它不擅长。

把房价表（面积、价格）贴给它，问“1000平方英尺的房子大概值多少”，它处理不好这类问题。这种活儿，还是传统的机器学习更合适。

它也会学到偏见。

让它补全“外科医生走到停车场，取出___”，它说“他的车钥匙”。换成“护士走到停车场，取出___”，它说“她的手机”。互联网文本里的刻板印象，它都学去了。

这些限制让我意识到：AI不是万能工具箱，每个工具都有它擅长和不擅长的事。

课程里给了三个提示技巧，我试了试，确实有用。

第一，要详细且具体。

别只说“帮我写封申请调岗的邮件”。要说清楚你想去什么项目、你有哪些相关经验、希望用什么语气。它知道得越多，写出来的越像你想要的。

第二，引导它一步步思考。

比如想让AI给猫玩具起五个带表情符号的押韵名字。你可以这样提示：

第一步：想五个和猫相关的有趣词

第二步：给每个词配一个押韵的玩具名

第三步：每个名字加个相关表情符号

它真的会按步骤来，最后给出的东西质量高很多。

第三，实验、迭代，别指望一次完美。

我原来有个毛病：总想把提示想周全了再发出去。现在学会了——先写个大概，看看结果，哪里不满意就改，再试一次。几次下来，答案会越来越接近想要的。

课程里说的一句话我记下了：

你不会因为一个措辞稍有不妥的提示就毁掉互联网，所以尽管尝试。

除了文本，生成式AI还能做图像。截至2026年3月，图像生成的绝对主流仍是扩散模型（Diffusion Models），原理大概是：

1. 训练阶段：给AI看大量图片，同时学习“加噪”和“去噪”——把一张清晰图片逐渐加噪变成纯噪点，再学会从噪点一步步还原回清晰图片

2. 生成阶段：从一个纯噪点开始，配合你的文字提示（比如“绿香蕉”），AI一步步去除噪点，最终生成一张符合描述的图像

这个过程需要很多步（一般是100步左右），但最终效果已经能做到以假乱真。

另外像Midjourney、SD、DALL·E 3、豆包画图，全都是扩散模型这条技术树上长出来的不同产品。