本文作者反思了技術(shù)人講AI時(shí)的困境懂原理不等于能講清楚。通過(guò)清華大學(xué)《人工智能故事書(shū)》的啟發(fā)提出用16個(gè)類(lèi)比如“外國(guó)人學(xué)漢字”“迷霧下山”將復(fù)雜模型轉(zhuǎn)化為可理解的直覺(jué)錨點(diǎn)輔以提示詞工程背后的“需求工程”思維和三段式技術(shù)滲透曲線強(qiáng)調(diào)“講清AI”是一種獨(dú)立于編碼的高階工程能力。核心觀點(diǎn)真正的技術(shù)傳播不是降維而是精準(zhǔn)翻譯——用類(lèi)比建立直覺(jué)用邊界守住嚴(yán)謹(jǐn)最終讓非技術(shù)者也能判斷“該不該交給AI”。關(guān)鍵詞AI 通識(shí) / 大語(yǔ)言模型 / 類(lèi)比教學(xué)法 / 提示詞工程 / RAG閱讀對(duì)象想把 AI 講清楚的人技術(shù)博主、Team Leader、做內(nèi)訓(xùn)的工程師、AI軟件工程師一、先說(shuō)一個(gè)讓我有點(diǎn)挫敗的現(xiàn)場(chǎng)上個(gè)月給公司做了一次內(nèi)部分享主題是大模型能做什么、不能做什么。我準(zhǔn)備得挺充分Transformer 的架構(gòu)圖、Attention 的 QKV 矩陣、RLHF 三段式流程甚至手寫(xiě)了一個(gè)簡(jiǎn)化版的 self-attention 前向傳播。結(jié)果呢講到第 15 分鐘臺(tái)下開(kāi)始有人刷手機(jī)。講到第 25 分鐘一位做供應(yīng)鏈的同事舉手打斷我老師我不需要知道它是怎么算出來(lái)的我就想知道——它到底什么時(shí)候會(huì)騙我。那一刻我意識(shí)到一件挺殘酷的事在 2026 年能跑通模型和能講清模型已經(jīng)是兩種完全不同的能力了。前者的門(mén)檻在代碼和算力后者的門(mén)檻在翻譯——把一整套建立在概率、矩陣和優(yōu)化理論上的技術(shù)體系翻譯成一個(gè)沒(méi)學(xué)過(guò)線性代數(shù)的人也能建立直覺(jué)的東西。這不是降維這是另一種工程。最近我翻完了一本清華大學(xué)出版社出的書(shū)劉涵宇寫(xiě)的《人工智能故事書(shū)懂中文就能讀懂的 AI 通識(shí)與應(yīng)用》它讓我認(rèn)真地反思了一遍這個(gè)問(wèn)題。下面這篇不是書(shū)評(píng)是我借它的結(jié)構(gòu)重新梳理的一份AI 原理翻譯對(duì)照表。二、原理篇16 個(gè)類(lèi)比其實(shí)是 16 個(gè)直覺(jué)錨點(diǎn)這本書(shū)最核心的方法論就一句話用類(lèi)比替代公式。全書(shū)拆成 16 個(gè)類(lèi)比故事我挑幾個(gè)對(duì)工程師同樣有啟發(fā)的配上技術(shù)真身做成一張對(duì)照表。類(lèi)比故事技術(shù)真身這個(gè)錨點(diǎn)抓住了什么水果分揀流水線感知機(jī)Perceptron, 1958加權(quán)求和 → 閾值判斷 → 線性可分山間迷霧中下山梯度下降局部可見(jiàn)性 步長(zhǎng)學(xué)習(xí)率的取舍外國(guó)人學(xué)漢字卷積神經(jīng)網(wǎng)絡(luò)CNN筆畫(huà)→部件→部首的層級(jí)特征提取以及池化的忽略細(xì)節(jié)、保留結(jié)構(gòu)失憶的學(xué)生讀句子循環(huán)神經(jīng)網(wǎng)絡(luò)RNN隱藏狀態(tài) 短時(shí)記憶序列依賴的雛形概括段落大意、總結(jié)中心思想RNN 的隱藏狀態(tài)更新「新輸入 舊記憶 新記憶」的遞推機(jī)制雅虎目錄 vs Google 排序從規(guī)則系統(tǒng)到統(tǒng)計(jì)學(xué)習(xí)人工特征工程 → 數(shù)百維特征的自動(dòng)加權(quán)我特別想聊聊外國(guó)人學(xué)漢字這個(gè)。我們習(xí)慣用貓狗分類(lèi)講 CNN但那個(gè)例子有個(gè)致命缺陷它沒(méi)法解釋為什么需要多層。而學(xué)漢字的層級(jí)結(jié)構(gòu)是天然的多層——一個(gè)完全不認(rèn)識(shí)漢字的外國(guó)人第一層看到的是橫豎撇捺這些筆畫(huà)第二層把這些筆畫(huà)合成偏旁部首第三層才把部首組合成字。更重要的是池化。? 當(dāng)他熟練之后看到三點(diǎn)水不需要記住那三個(gè)點(diǎn)的精確坐標(biāo)只需要知道這種組合結(jié)構(gòu) 三點(diǎn)水——這就是池化的平移不變性犧牲精度換取對(duì)位置抖動(dòng)的魯棒性。這個(gè)類(lèi)比的好處在于它順手把為什么 CNN 有效也講清楚了因?yàn)橐曈X(jué)/圖像世界本身就是層級(jí)可組合的。不是我們發(fā)明了卷積是世界本來(lái)長(zhǎng)這樣。再看迷霧下山。梯度下降的教學(xué)通常止步于θ θ - α·?J(θ)但真正讓人困惑的從來(lái)不是公式而是三件事為什么只能看見(jiàn)腳下局部性步子邁多大學(xué)習(xí)率會(huì)不會(huì)卡在小土坑里局部最優(yōu)。而迷霧下山這個(gè)意象一次性把這三個(gè)都裝進(jìn)去了。你甚至可以順著往下講動(dòng)量Momentum 下山時(shí)帶著慣性Adam 給每個(gè)方向配不同的步長(zhǎng)策略。一個(gè)好類(lèi)比的價(jià)值在于它是可擴(kuò)展的。三、一個(gè)工程師必須提醒的邊界類(lèi)比不是能力我得說(shuō)句公道話也是這本書(shū)自己坦誠(chéng)承認(rèn)的一點(diǎn)類(lèi)比會(huì)損失精確性而且它可能悄悄地把原理說(shuō)成了能力。書(shū)里講 RNN 那段就很誠(chéng)實(shí)——它用概括段落大意解釋了隱藏狀態(tài)之后緊接著補(bǔ)了一句普通 RNN 的隱藏狀態(tài)空間并沒(méi)有那么大裝不下整篇文章的意思它實(shí)際能理解的上下文只到短語(yǔ)級(jí)別。這一點(diǎn)非常關(guān)鍵也是我看過(guò)的很多科普材料最容易翻車(chē)的地方。類(lèi)比能幫你建立它為什么這么設(shè)計(jì)的直覺(jué)但不能推導(dǎo)出它現(xiàn)在能干到什么程度。? 從RNN 有記憶到LSTM 能記住幾百個(gè) token到Transformer 能處理 128K 上下文中間隔著的不是理解力是工程和算力的十年。所以我給自己定了一條規(guī)矩講完一個(gè)類(lèi)比必須補(bǔ)一句它的失效邊界。? 比如講完感知機(jī) → 補(bǔ)一句它連 XOR 都分不了這正是第一次 AI 寒冬的導(dǎo)火索講完 CNN 的平移不變性 → 補(bǔ)一句所以它不理解旋轉(zhuǎn)和尺度這就是為什么數(shù)據(jù)增強(qiáng)那么重要講完 RNN 的記憶 → 補(bǔ)一句它記不住長(zhǎng)句梯度消失不是 bug 而是結(jié)構(gòu)宿命。沒(méi)有邊界的類(lèi)比是另一種形式的黑箱。四、應(yīng)用篇68 個(gè)案例串起來(lái)的其實(shí)是三段技術(shù)滲透曲線書(shū)的第二篇協(xié)作的藝術(shù)用了 68 個(gè)案例覆蓋了從 HR 篩簡(jiǎn)歷、商務(wù)郵件、市場(chǎng)物料到客服機(jī)器人的完整鏈路。但我更欣賞它的一個(gè)處理它沒(méi)有教任何一款軟件的操作。這個(gè)選擇非常清醒。2026 年的 AI 工具迭代速度已經(jīng)讓教操作變成了一種注定過(guò)期的勞動(dòng)。你今天寫(xiě)《XX 工具使用指南》下個(gè)月它的 UI 就變了。能被沉淀下來(lái)的只有場(chǎng)景、判斷和思考路徑。我自己總結(jié)了一下它背后的三段滲透曲線供參考第一段能力嵌入識(shí)別類(lèi)OCR、人臉、語(yǔ)音、內(nèi)容審核。這一段的本質(zhì)是AI 作為一個(gè)函數(shù)調(diào)用輸入輸出邊界清晰失敗了也好兜底。特征可驗(yàn)證、可回退。第二段人機(jī)協(xié)作生成類(lèi)文案、配圖、代碼補(bǔ)全、會(huì)議紀(jì)要。難點(diǎn)從能不能生成變成了生成的東西能不能直接進(jìn)入工作流。這時(shí)候最值錢(qián)的不是模型而是你腦子里的驗(yàn)收標(biāo)準(zhǔn)。第三段系統(tǒng)重構(gòu)Agent / RAG 類(lèi)把模型接進(jìn)知識(shí)庫(kù)、接進(jìn)業(yè)務(wù)系統(tǒng)、接進(jìn)審批流。這一段的瓶頸已經(jīng)完全不在模型側(cè)了而在數(shù)據(jù)治理、權(quán)限邊界和責(zé)任歸屬。舉書(shū)里我最認(rèn)可的一個(gè)場(chǎng)景——客服場(chǎng)景的 RAG 知識(shí)庫(kù)。它本質(zhì)上回答了一個(gè)工程師天天被問(wèn)的問(wèn)題為什么不直接把公司文檔喂給模型讓它微調(diào)因?yàn)槲⒄{(diào)改的是模型的說(shuō)話方式RAG 改的是模型的參考資料。企業(yè)客服的正確答案是有時(shí)效、有唯一解的你要的是這句話出自哪份文檔的第幾版而不是模型學(xué)會(huì)了你們公司的語(yǔ)氣。用一段極簡(jiǎn)偽代碼表達(dá)這個(gè)區(qū)別# 微調(diào)把知識(shí)寫(xiě)進(jìn)權(quán)重不可逆、難溯源、更新成本高 model.fit(corpus) # RAG把知識(shí)放在檢索層可更新、可溯源、可權(quán)限控制 def answer(query): chunks retriever.search(query, top_k5) # 從知識(shí)庫(kù)取證據(jù) prompt f僅依據(jù)以下材料回答未提及的請(qǐng)說(shuō)明不知道\n{chunks}\n問(wèn)題{query} return llm.generate(prompt) # 模型只負(fù)責(zé)組織語(yǔ)言這 20 行偽代碼背后的判斷比任何提示詞模板都重要。五、13 組任務(wù)與場(chǎng)景提示詞工程的盡頭是需求工程書(shū)里花了不少篇幅講提示詞的構(gòu)建與迭代。作為工程師我讀這部分的時(shí)候一直在想一件事我們是不是把提示詞工程這個(gè)詞抬得太高了一個(gè)殘酷的事實(shí)是大多數(shù)人覺(jué)得模型聽(tīng)不懂人話問(wèn)題根本不在措辭而在他們自己沒(méi)想清楚要什么。你讓模型幫我寫(xiě)個(gè)方案它給你一堆正確的廢話——這不叫幻覺(jué)這叫輸入熵太高時(shí)的必然輸出。模型的本質(zhì)是條件概率采樣你給的約束越少它的采樣空間就越大結(jié)果就越接近平均數(shù)。所以提示詞優(yōu)化的第一性原理不是用什么咒語(yǔ)而是這條鏈路模糊需求 → 拆解維度 → 補(bǔ)充約束 → 給出樣例 → 明確驗(yàn)收標(biāo)準(zhǔn)舉個(gè)例子同樣是寫(xiě)一封郵件? 幫我寫(xiě)一封催款郵件 ? 背景我們是 SaaS 供應(yīng)商對(duì)方是合作 3 年的客戶已逾期 45 天 收件人對(duì)方財(cái)務(wù)總監(jiān)我們有過(guò) 3 次良好溝通 語(yǔ)氣專(zhuān)業(yè)但不失溫度不提法務(wù)、不威脅 結(jié)構(gòu)① 確認(rèn)款項(xiàng)狀態(tài) ② 提供兩種還款路徑 ③ 留一個(gè)明確的對(duì)接人 長(zhǎng)度150 字以內(nèi) 輸出后自檢如果讀起來(lái)像律師函重寫(xiě)你看提升輸出質(zhì)量的關(guān)鍵動(dòng)作幾乎沒(méi)有一個(gè)發(fā)生在AI 技巧層面。? 全是需求分析。這也是這本書(shū)讓我覺(jué)得誠(chéng)實(shí)的地方——它把應(yīng)用篇的重點(diǎn)放在在什么情況下可以如何思考、如何探索而不是給你 100 條可以直接復(fù)制的咒語(yǔ)。咒語(yǔ)會(huì)過(guò)期思考路徑不會(huì)。順帶說(shuō)一個(gè)我在團(tuán)隊(duì)里推的小實(shí)踐要求每個(gè)人在提交 AI 生成物之前先寫(xiě)下它的驗(yàn)收標(biāo)準(zhǔn)。? 你會(huì)發(fā)現(xiàn)一旦驗(yàn)收標(biāo)準(zhǔn)寫(xiě)清楚了很多時(shí)候根本不需要迭代提示詞——因?yàn)榈谝惠喚蛯?duì)了。六、寫(xiě)給技術(shù)人的一句實(shí)話我們這行有種隱性傲慢覺(jué)得沒(méi)有公式的講解就是淺薄覺(jué)得能推導(dǎo)出反向傳播才算真懂。但我在那次失敗的分享之后想明白了一件事——你覺(jué)得 Transformer 的 QKV 很自然是因?yàn)槟慊巳瓴抛屗兊米匀弧? 對(duì)一個(gè)每天和供應(yīng)商、庫(kù)存、報(bào)表打交道的人來(lái)說(shuō)他需要的不是 QKV 的矩陣維度而是一個(gè)能讓他判斷這活兒該不該交給 AI的思維模型。這兩種懂不是高下的區(qū)別是分工的區(qū)別。能把 2688 維的向量空間翻譯成一句它只在算下一個(gè)字最可能是什么這是一種被嚴(yán)重低估的工程能力。AI 要真正滲透進(jìn)千行百業(yè)靠的不是又一批會(huì)調(diào)參的工程師而是一大批能把 AI 講清楚的人。七、寫(xiě)在最后如果你也在帶團(tuán)隊(duì)、做內(nèi)訓(xùn)或者家里有位長(zhǎng)輩/朋友一直在問(wèn)你AI 到底是怎么回事你大概率也遇到過(guò)我那個(gè)困境講淺了沒(méi)用講深了沒(méi)人聽(tīng)。我最近的做法是給自己補(bǔ)一套類(lèi)比素材庫(kù)。起因就是翻完了清華大學(xué)出版社 2026 年出的這本《人工智能故事書(shū)》——它用 16 個(gè)類(lèi)比故事覆蓋了從感知機(jī)到Transformer 的完整脈絡(luò)68 個(gè)案例鋪應(yīng)用13 組任務(wù)場(chǎng)景講工具。它明確說(shuō)了不適合計(jì)算機(jī)專(zhuān)業(yè)背景的讀者這話我認(rèn)同想深入還是得回去啃論文和代碼但對(duì)需要給別人講 AI 的人來(lái)說(shuō)它最大的價(jià)值其實(shí)是提供了一套可復(fù)用的翻譯模板——你可以直接把外國(guó)人學(xué)漢字迷霧下山概括段落大意這幾個(gè)故事借走下次分享的時(shí)候臺(tái)下應(yīng)該不會(huì)有人刷手機(jī)了。我把它放在工位上主要不是自己讀是在寫(xiě)分享材料卡殼的時(shí)候翻兩頁(yè)找找這個(gè)類(lèi)比能不能借過(guò)來(lái)用。如果你也有同樣的需求可以找來(lái)翻翻。如果不需要給別人講 AI那這本書(shū)對(duì)你大概率沒(méi)什么用——這話我寫(xiě)在最后省得你說(shuō)我恰飯。延伸思考?xì)g迎評(píng)論區(qū)討論你覺(jué)得講清 AI算不算一種獨(dú)立的工程能力它該不該被寫(xiě)進(jìn)技術(shù)人的能力模型你在給非技術(shù)同事講 AI 的時(shí)候用過(guò)最好用的一個(gè)類(lèi)比是什么類(lèi)比必然損失精度——你覺(jué)得哪些 AI 概念是絕對(duì)不能用類(lèi)比來(lái)講的本文為個(gè)人技術(shù)復(fù)盤(pán)書(shū)中內(nèi)容以原書(shū)為準(zhǔn)。