0.1 三分钟搞懂大模型
面向所有人的第一讲。不用任何技术背景，读完你就知道每天在跟什么样的东西对话。
本讲你将学到
- 大模型（AI）到底是个什么东西——用两个类比讲明白
- 它擅长什么、不擅长什么（能/不能清单）
- 「token」「上下文」这两个高频术语的意思
前置：无。这是全站第一讲，从零开始。
1. 大模型是什么：先来两个类比
类比一：史上最强的「自动补全」。
你打字时手机会猜下一个词——"今天天气"后面跟"不错"的概率很高。大模型（Large Language Model，LLM，即大规模语言模型）做的事情本质上一模一样：根据前面所有的文字，预测下一个字最可能是什么，一个字一个字往外"补全"。
只是它读过的文字量是天文数字——几乎整个互联网的公开文本。见过的句子里蕴含了语法、常识、知识、推理模式，所以补全出来的东西看起来像"懂了"。当补全做到这个规模，就发生了质变：量变引起质变。
类比二：读过全网、记性超好、但从不核实事实的实习生。
想象一位实习生，读遍了图书馆所有书，说话流畅、知识面极广、写什么都快——但他有两个毛病：
- 不确定的事也敢答，而且答得特别有底气（这是下一讲的主题：幻觉）；
- 培训资料有截止日期，之后发生的事他一无所知。
把这两位实习生合体，就是大模型的大致画像。
一个关键认知
大模型不是"查资料给你答案"的搜索引擎，它是"根据学过的语言规律生成回答"的机器。生成的东西像不像知识？非常像。是不是真知识？不保证。这个区别贯穿本站所有教程。
2. 它能做什么 / 不能做什么
✅ 能（而且很强）
| 事情 | 说明 |
|---|---|
| 写和改 | 作文框架、社团文案、邮件润色、简历改写——语言能力是它的看家本领 |
| 读和总结 | 把一篇 20 页的论文、一段录音转写稿压缩成要点，速度远超人类 |
| 解释概念 | 用你能懂的话讲任何概念，还能换个角度再讲一遍 |
| 代码与公式 | 写代码、解数学题、生成 Excel 公式——逻辑推理是强项 |
| 翻译 | 中英互译质量已经接近专业水准 |
| 头脑风暴 | 十个活动创意、五个备选标题，几秒钟出 |
❌ 不能（必须心里有数）
| 限制 | 实际表现 | 你的对策 |
|---|---|---|
| 不保证真实 | 会一本正经编造不存在的文献、数据、法条 | 重要事实人工核验（下一讲专讲） |
| 知识有截止日期 | 训练完成之后的事它不知道（除非开联网搜索） | 问新事实前先确认 AI 已联网 |
| 上下文有限 | 一次对话能"记住"的内容有上限（术语叫上下文，即 AI 当前能同时处理的文字量，通常按 token 计量——token 是 AI 处理文字的最小单位，约等于半个到一个汉字） | 长资料分批喂，别指望它记住三小时前说过的话 |
| 会算错数 | 复杂算术、精确统计可能出错 | 涉及关键数字，用计算器/Excel 复核 |
| 没有你的判断力 | 它给的是"最像答案的话"，不是"最适合你的决定" | 决策权永远在你 |
最容易踩的坑
把 AI 当"标准答案机"。它的回答语气越自信，越要留个心眼——AI 不知道自己不知道。
3. 「模型」和「产品」的关系
你平时用的 Kimi、DeepSeek、智谱清言是产品（App/网站），背后各有一个或多个模型（引擎）。就像汽车品牌和发动机的关系：同一家可以有多个型号，不同车型也可能共用发动机。
所以本站后面的「选型篇」选的是模型+产品组合——因为对学生来说，入口好不好用（免不免费、能不能传文件、手机上顺不顺手）和模型本身一样重要。
跟做练习
实践（约 10 分钟）
打开任意一个 AI（DeepSeek / Kimi / 智谱清言 均可，手机 App 或网页版），完成：
- 问一个你专业里的问题——你学过的、知道标准答案的（比如你专业课的一个概念、一个历史事件的细节）；
- 仔细读 AI 的回答，找出一处错误或不精确的地方（大概率能找到）；
- 追问它："你确定吗？这个说法有出处吗？"——观察它如何改口或坚持。
找到错误的那一刻，你对 AI 的理解就超过大多数人了。
下一步
你已经知道 AI 是什么、不是什么。但它为什么会"一本正经地胡说八道"？这种"幻觉"有多严重、怎么防？→ 下一讲：0.2 幻觉：AI 为什么一本正经胡说