🧩 生活类比
人读“人工智能”，看到一个概念；模型可能先看到“人｜工｜智｜能”四块编号积木。
教学追问：中英文的Token效率为何不同？这会怎样影响使用成本？
第一站 · 输入
机器不直接读文字，先把它切成 Token
类比：像把一句话切成一块块乐高积木。Token可能是字、词、词的一部分或标点。
0Token
0字符
¥0.0000模拟成本
你刚刚看见了：文本先被切块，再被转换成编号。模型处理的是编号，不是“文字本身”。
第二站 · 表示
编号没有意义，模型把它放进“意义空间”
每个Token会变成一串数字——向量。意思相近的词，在空间里通常更靠近。
🗺️ 生活类比
像一张“意义地图”：猫靠近狗，苹果靠近香蕉，国王与女王共享许多方向。
点击一个词，观察它与其他词的距离和相似度。
当前词猫
[0.82, 0.31, …]向量的每一维通常不能简单解释，但整体位置能编码复杂关系。
你刚刚看见了：模型把意义变成空间关系，因此能发现相似、类别和类比关系。
第三站 · Transformer核心
注意力机制：每个词都在问“我该关注谁？”
同一个“它”，会因为上下文不同而指向不同对象。注意力让Token彼此交换信息。
🔦 生活类比
像舞台上的聚光灯：当前词会把更多光投向与自己最相关的词。
点击句中的任意Token，观察它关注谁：
这是用于解释机制的教学模拟，不是商业模型内部真实权重。
“它”在关注谁？
你刚刚看见了：词义不是孤立固定的；上下文通过注意力改变Token的表示。
第四站 · 生成
一次只猜一个Token，连续猜出整段回答
模型为所有候选Token打分，再按概率选择一个；新Token加入上下文后，继续下一轮。
稳定、保守多样、意外
温度不是“知识多少”，而是改变候选概率的平坦程度。
当前上下文
天空之所以呈现蓝色，是因为
最关键的顿悟：长篇回答看似经过完整思考，底层却是“预测一个Token → 加回上下文 → 再预测一个”的高速循环。
第五站 · 训练
它如何学会预测？看海量文本，反复“猜错—纠正”
训练时隐藏下一个Token，让模型预测；预测越离谱，损失越大，参数就被微调一点点。
🏀 生活类比
像练习投篮：投一次、看偏差、调整动作。不是背下一份答案，而是逐渐掌握模式。
训练文本
“水在 100℃ 时会 [遮住]。”
请选择模型应该猜的下一个Token。
① 预训练从海量文本学习语言和知识模式
② 指令微调学习理解问题、按照要求回答
③ 人类反馈学习更有帮助、更安全的表达
你刚刚看见了：“学习”就是不断调整数十亿参数，让正确Token的概率越来越高。
第六站 · 局限
为什么会一本正经地胡说？因为“流畅”不等于“真实”
模型的训练目标是生成可能的文字，并不天然拥有事实核验器；信息不足时，它仍可能继续补全。
可靠资料库（RAG）海蓝大学校史：学校创办于2018年，首任校长为林海教授……
未连接资料语言置信感：高
点击“让模型回答”，观察有无资料时的区别。
关键区别：RAG不是让模型“更聪明”，而是在回答前把相关可靠资料放进上下文。
第七站 · 全景
现在，把完整链路装回脑中
大模型的能力与边界，都能从这条生成链路中找到原因。
1人类文字输入问题
→2Token切块编号
→3向量表示意义
→4注意力结合上下文
→5概率预测下一个
→6循环生成回答
毕业小测 · 3分钟
你真的理解了吗？
完成4道题，生成你的“原理通关卡”。