大模型系列第一期：大模型是什么——语言接龙背后的秘密

最近所有人都在聊大模型，聊AI，聊DeepSeek。但你真的知道，大模型到底是什么吗？今天不用代码，不用数学，只用类比给你讲清楚。

大模型的本质，说白了就是一个超级猜词游戏。你给它上半句，它猜下半句，然后一个接一个往下猜。比如你说"床前明月"，它猜"光"，再猜"疑是地上霜"。它不是真的理解了诗意，而是根据海量训练算出了最可能的那个字。就像你小时候玩成语接龙，不是因为懂了每个典故，而是因为听得足够多，知道"一马当先"后面大概率跟着"先发制人"。

这个猜词过程依赖三个关键参数。第一个叫概率采样，模型给每个候选词算权重分，分高的优先选。第二个叫Temperature，也就是温度参数。温度调低，模型每次选最高分的词，输出四平八稳；温度调高，模型敢选不那么高的分，输出脑洞大开。第三个叫长尾裁切，直接砍掉极低概率的词，筛掉噪声。三者配合下来，大模型就像一个猜词高手，看一眼上联就能稳稳写出下联。

你可能要问了，它看了那么多书和网页，是全部记住了吗？不是。大模型没有背下任何一篇文章，它学的是海量文本里的统计模式。就像一个厨师炒了十万道菜，他不是背下每个菜谱，而是知道盐和糖一般怎么搭，姜蒜什么时候下锅。你问他回锅肉怎么做，他不是翻菜谱库，而是在复现他见过的所有回锅肉的平均做法。

但它有一个短板，知识截止时间。训练数据只到某个时点，之后的信息它不知道。比如你问它昨天发生的新闻，它没读过大模型就答不上来。怎么办？这就引出了RAG，检索增强生成。你可以把RAG理解成一个外挂知识库，大模型每次回答问题之前，先到这个知识库里搜一遍，找到相关的内容再结合自己的理解回答。这个逻辑在数据处理领域有一个经典的DIKW金字塔来解释。最底层是数据，比如"盐5克"、"肉2两"就是原始数据，单独看没什么意义。往上一层是信息，把数据组织起来变成有用的东西，比如"做回锅肉需要五花肉2两、蒜苗3根、郫县豆瓣1勺"，这就是信息。再往上一层是知识，理解了信息背后的规律，比如"川菜偏麻辣、粤菜偏甜"，这就是知识，你知道为什么回锅肉要放豆瓣酱而不是糖。最顶层是智慧，你能根据冰箱里现有的食材创造出一道新菜，这就是智慧。大模型本身能做到知识和智慧的层面，但它的知识有截止日期。RAG相当于给大厨配了一个实时更新的活页菜谱库，要做什么菜先翻这一页，再结合自己的厨艺炒出来，既新鲜又准确。

理解了基本原理，你才能真正看懂后面要聊的Agent是什么，为什么科技巨头都在疯抢GPU，以及这个行业到底有哪些投资机会。下期我们聊AI怎么从聊天变成干活，不见不散。

我是云帆，关注我，每天带你进行市场深度分析。