大模型：当机器学会“接话”

过去两年，大模型从实验室走进普通人的电脑和手机。它写文案、改代码、做总结、陪聊天，看起来像什么都懂。但越是用得多，越要明白一件事：大模型不是魔法，也不是全知全能的数据库。它更像一台极其擅长“接话”的概率机器。

一、大模型到底在做什么？

一句话：预测下一个 token。

你给它“今天天气”，它会计算后面接“真”“不”“错”哪个概率更高。它不是在脑子里查一本百科全书，而是在海量文本中学会了语言规律、知识片段和表达方式。参数越多、训练越充分，它“接话”的能力就越强。

所以，大模型的核心能力不是“知道答案”，而是“生成看起来合理的答案”。

二、为什么它看起来什么都懂？

因为它见过足够多的文本。代码、论文、小说、论坛、说明书、法律条文，都可能成为训练材料。它把不同领域的表达方式压缩进参数里，于是你问编程，它像程序员；你问文案，它像编辑；你问哲学，它也能聊上几句。

更重要的是，它学会了“上下文学习”。你只要在提示词里给几个例子，它就能模仿格式；你给它步骤，它就能照着执行。语言，成了人和模型之间的通用接口。

三、它为什么会胡说？

因为大模型优化的是“像不像”，不是“真不真”。

当它没有最新资料、没有检索工具、没有外部验证时，它可能会非常自信地编造事实。这就是“幻觉”。它可能把不存在的论文说得有鼻子有眼，也可能把错误代码写得像模像样。

所以，大模型适合做草稿、做灵感、做初筛，但不适合在关键决策里直接当最终答案。医疗、法律、金融、工程等领域，必须有人类复核。

四、少量代码：调用一次大模型

下面这段代码只做一件事：把问题交给模型，再把回答取回来。

from openai import OpenAI

client = OpenAI()

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一个严谨的助手。"},
        {"role": "user", "content": "用三句话解释大模型，并给出一个生活比喻。"}
    ],
    temperature=0.3,
)

print(resp.choices[0].message.content)

运行前需要安装 openai 库，并配置 API Key。temperature=0.3 表示让输出更稳定，不那么随机。代码很短，但它展示了大模型应用的基本结构：系统提示、用户输入、模型生成、结果输出。

五、怎么用得更稳？

第一，给背景。不要只问“帮我写方案”，要说清楚目标、读者、限制和格式。

第二，给资料。把相关文档、数据、例子放进上下文，让模型基于材料回答，而不是凭空发挥。

第三，要求分步。让它先列提纲，再写正文；先分析，再下结论。

第四，关键结论二次验证。尤其是数字、引用、法规、代码，必须查证或运行。

第五，结合工具。检索增强生成、数据库查询、代码执行、API 调用，都能弥补大模型“只会说”的短板。

六、结语

大模型像一台放大器：它放大效率，也放大错误；它降低表达门槛，也提高辨别门槛。会用的人，不是迷信它，而是知道什么时候用它、什么时候停手。

它最好的角色，不是自动驾驶，而是副驾驶。方向，仍然要由人来定。