怎么才能用好如今“百模大战”之下各种层出不穷的AI模型？关键就是要分清楚它们所处的层次，以匹配你想达到的目的。
有位著名律所的著名律师，过年期间趁着假期花了相当长的时间试用和比较了各种当红的AI大模型，主要是DeepSeek、豆包和ChatGPT，然后写了篇很长的长微博（4000多字！），讲自己的各种使用体验和基于这些体验的思考，很是认真，但也很暴露出当下非AI从业者——甚至也包括相当一部分AI从业者对于AI，特别是大语言模型的基本原理有着很深的误解，这种误解与人的自我认知有关，因而很容易陷进去，又很不容易跳出来。我们先来看一段博文：
从ChatGPT-3开始，我就发现，问一些问题，ChatGPT选择胡说八道。这个问题到现在升级到了o3 mini了，也没有改变。DeepSeek也是同样。官网的DeepSeek R1还好。我自己在MacBook Air上部署了一个DeepSeek R1的7B蒸馏版本。问了一个我确定知道答案的问题，即请介绍金杜律师事务所，这个7B版本给我完整地编出了一个异时空的金杜律师事务所，甚至还编出了一个根本不存在的金杜律师事务所的网址。
我知道4.7G大小的离线版本，不可能有数据库存这么多知识，但是它至少应该告诉我，它不知道。然而，它选择了胡编。我知道这算是一个极端条件下的测试，但却很能说明问题。在本地部署，没有联网的情况下，AI胡编不可怕，因为用户本身就对AI的知识检索与知识储备没有太多预期，但是如果是正规投入使用的AI胡编，那就吓人了。ChatGPT- 4o，就曾经胡编了所有红圈所主任的名字，没有一个是对的……
这种情况下，用户可咋把AI当搜索引擎用呀。
所以，AI要大规模投入严肃的商业化使用，开发者必须解决AI胡编问题。你可以不知道答案，但不能编造答案。撒谎是很可怕的，尤其是作为生产力工具的时候撒谎，那会出大事的。
这里，DeepSeek其实提供了一个很好的解决方案，就是向用户完整展示思考过程，我建议未来AI如果真的投入商用，一定要有法定义务向客户公开其思考过程，并提供信息来源的依据，比如网页链接，等等。
这段博文，貌似思考很多，很深入，却在根本上反映出一个文科生在面对AI时特别容易陷入的思维误区，就是真的并且强烈地把AI拟人化。当你说ChatGPT在“胡编”在“撒谎”的时候，就已经证明你完全搞错了大语言模型的原理。
大语言模型的本质是统计和计算
目前的生成式AI，本质上非常简化地说——就是把上千亿个参数变量在高维数学空间里表示为向量（你可以粗略地把向量理解为坐标系中一个有大小和方向的量），并通过多层神经网络对权重等的前馈和反馈计算，最准确地（比股票K线图之类二维曲线准确得多）根据概率推算出下一个词——严格地说是下一个token，也就是一个被标记的单位，它可以是一个或几个字母，也可以是两三个词的组合，而不仅仅是我们所理解的用以构造有意义的文本的“单词”。正如超级大牛斯蒂芬·沃尔弗拉姆在他那本《这就是ChatGPT》被山姆·奥特曼本人推崇为“对ChatGPT原理的最佳解释”中所说：
“值得注意和出乎意料的是，这个过程可以成功地产生与互联网、书籍等中的内容‘相似’的文本。ChatGPT不仅能产生连贯的人类语言，而且能根据‘阅读’过的内容来‘循着提示说一些话’。它并不总是能说出‘在全局上有意义’（或符合正确计算）的话，因为……它只是在根据训练材料中的内容‘听起来像什么’来说出‘听起来正确’的话……ChatGPT‘仅仅’是从其积累的‘传统智慧的统计数据’中提取了一些‘连贯的文本线索’。但是，结果的类人程度已经足够令人惊讶了。正如我所讨论的那样，这表明了一些至少在科学上非常重要的东西：人类语言及其背后的思维模式在结构上比我们想象的更简单、更‘符合规律’。ChatGPT已经隐晦地发现了这一点……在某种程度上，它是一个极好的例子，说明了大量简单的计算元素可以做出非凡、惊人的事情。它也为我们提供了2000多年以来的最佳动力，来更好地理解人类条件（human condition）的核心特征——人类语言及其背后的思维过程——的本质和原则。”
因此对大语言模型来说不存在“胡编”的问题，也不是真的产生了所谓“幻觉”，这些都只不过是拟人化的比喻，却像很多比喻那样，会严重误导我们。模型给到你的答案就是模型计算后得出的结论，至于这结论对你来说是对还是错、真还是假，模型本身毫不关心，更不会故意去“编”、去“撒谎”。
就像AlphaGo的“神之一手”，在任何人类围棋高手看来都是乱下，只有当李世石真的败给这一手，人们才会承认AI凭借模型和算力，远远超出了人脑的计算强度。我常常说，在AI给出明显“错误”的答案时，我们不要急着骂声“胡编”就撇撇嘴把它扔在一边，首先应该做的是反思我们自己的判断，有可能长远来说，那个看上去错的答案才是真正正确的，或至少是更具实践价值的。因为AI正是在对海量语料数据（注意，这里的数据是彻底打散的“纯数据”，因为它们全都被向量化了，而不是依旧“可理解”的单词、句子或文章段落，如果仍在后者层面上进行，那就是高阶搜索而非真正的AI）进行“统计”后得出的结论，换句话说，不管我们在明面上把什么看作是“正确”的，AI的结论往往反映的，要么是在可计算范围内怎么说怎么做最优，要么是我们实际上最经常怎么说和怎么做。
只是大多数情况下，我们会用“高雅”的形容词所隐含的文化或价值判断去抹除事物的实相，就像把一手我们暂时不能理解的棋称为“愚形”——愚形之所以是愚形，是因为在两个算力相去不远，思维模式也大同小异的人类之间，这么做的确效率很低，但这并不意味着对能比你多算几十步几百步的智力来说，它也是愚形。
AI模型的n个层次及其运用
顺便说一下，如今的AI模型其实分成好几个层次，但大多数人会把它们混为一谈，比如你用o1或o3解出了很难的数学题，你就以为它是比GPT-4更高级的模型，但其实它们处在完全不同的层次上——GPT-4是基础模型，o3是推理模型（而豆包、Kimi之类则主要是高阶搜索），推理模型一时的好用、精准，远不如基础模型的进化来得重要。关键是，目前流行的推理模型，其核心大多是在基础模型中加入了“思维链”，让其看上去更准确，或是更能“像人一样思考”，甚至能给出思考过程，这足以迷惑绝大多数依然深陷拟人化思维的人。
什么是“思维链”？其实和它看上去高大上的名字相反，本质上它只是一种对复杂问题的拆解方式。也就是说，针对一个很复杂的问题，由于变量之间的扰动和循环反馈过多，会导致大模型对下一个token的概率预测产生过大的偏差，这时候，如果能把一个复杂问题拆分成几个相对简单的问题，那么对每一个简单问题中下一个token的概率预测就会准确得多，再合并起来，其答案看上去也会“合理”得多。
所谓的AI“慢思考”，只是你要给它时间把问题拆分，然后对拆分后的问题逐个进行概率计算，再通过神经网络合并计算出最终结果——或许还要再来回多搞几次以提高准确率。沃尔弗拉姆曾指出ChatGPT的一个不足：
“甚至与典型的算法计算不同，ChatGPT内部没有‘循环’或‘重新计算数据’。这不可避免地限制了其计算能力——即使与当前的计算机相比也是如此，更谈不上与大脑相比了。”
思维链做的最重要的事情之一，可能就是补上了这个缺。
“慢思考”不是真的在进行大量严格的推理。因此所谓推理模型，依然不是真正像人那样进行逻辑推理。实际上，“人的推理”本身也是一个非常模糊的说法，沃尔弗拉姆就举过一个例子：
“找一张猫的图片看看，并问自己：‘为什么这是一只猫？’你也许会说‘我看到了它尖尖的耳朵’，等等。但是很难解释你是如何把这个图像识别为一只猫的。你的大脑不知怎么就想明白了。”
在我们貌似根据一堆细节推理出那是一只猫的过程中，实际上做的大多数事情并不是推理，而是计算，我们所以为的推理，基本上只是对复杂计算过程的一种“人性化”的简化。
推理模型的底层依然是计算而非推理，只不过通过拆分，让答题过程看上去比较符合我们的预期而已。所以AI发展的核心不是o1、o3这种看上去准确率高得多的所谓推理模型，也不是DeepResearch这种深度思考/研究模型，它们都只不过是针对普通人的思维误区，策略性地开发出来让大家可以尽快上手一用的权宜工具，哪怕它们再好用，也只是些过渡性的产品。真正重要的永远是基础模型，GPT-1、2、3、3.5、4、4.5乃至将来的5系列。这不，OpenAI的GPT-4.5一出来，马上就夺回了被马斯克的Grok3占据了一个礼拜的王座。
怎么才能用好如今“百模大战”之下各种层出不穷的AI模型？关键就是要分清楚它们所处的层次，以匹配你想达到的目的。如果你只是想要替代手动搜索，就像一开始那位律师搜索律所的相关信息，你一定不要用推理模型，用豆包、Kimi、纳米之类的高阶搜索工具就正好，特别是联网之后，准确率还是有相当保障的。
GPT或Gemini系列的基础模型，因为完全基于计算，而且语料库并非实时，其实无法保证信息的准确性，但它能提供各种你意想不到的、超出人的思维惯性的、更富启发性的回应。至于推理模型，像o1、o3、DeepSeek R1这种，则专用于解决需要更多中间步骤的复杂任务，如解谜、高级数学、编程等，用它们去检索普通信息，不仅是杀鸡用牛刀，而且难以避免地会出现各种不可思议的“胡编”。
《这就是ChatGPT》
[美]斯蒂芬·沃尔弗拉姆 著
人民邮电出版社 2023年7月版
