将AI当模型看，为什么能少走很多弯路？

这个标题对很多读者而言会觉得有点奇怪：

“AI（这里特指大语言模型）不就是一种数学模型么，很显然的事有必要拿出来讲么？”

有必要，是因为我们常常忘记大语言模型的本质。

在我们当前的语境下，因为大语言模型的巨大成功，我们会将其视为一个“会说话的人”，或一个“无所不知的专家”，甚至一个“觉醒的意识体”。

我们开始赋予它意志、情绪和判断，亦开始恐惧它的取代、操控和失控。但实际上，大语言模型不过是一个庞大的数学函数，是对语言行为的高维建模。

我认为这种视角并不冷漠，恰恰相反，它是一种理性、克制而务实的认知方式。本文来探讨这一点。

模型是复杂世界的简约表达

数学模型的作用，是在不损害决策价值的前提下，简化现实。

从经典物理的微分方程，到经济学的最优化模型，再到社会科学中的网络模型，其共性都是对复杂系统进行形式化、结构化的表达，从而捕捉关键关系，并用于推演与干预。

每一个数学模型都是目的性、结构化、约简化的工具：

• 它有特定的建模目标（解释、预测、优化）；
• 它选择部分变量进行表达，必然忽略其他因素；
• 它以逻辑规则或统计模式建立变量之间的关系。

大语言模型（LLM），从这个意义上看，就是对人类语言行为的参数化建模工具。它不是“人在思考”，而是“模型在拟合”语言出现的可能性与结构逻辑。

大语言模型的结构本质

我们可以把语言模型抽象为一个数学函数：

其中，输入是自然语言构成的提示词，输出是模型“认为”最可能接续的语言片段。而这个函数的核心是一个参数空间——由数以千亿计的权重组成的神经网络，它通过优化某种损失函数，最大化生成语言的“似然性”。

这就像一个极其复杂的回归或分类模型，只不过预测对象不是数值或标签，而是下一个最合理的词语、句子乃至段落。它并不知道自己在说什么，它只是在建模语言数据中出现过的“共现概率”。

当我们说“大语言模型会编故事”“有逻辑漏洞”“会一本正经地胡说八道”时，实际上是在描述一个近似函数拟合失败的典型表现：输入偏离训练分布、目标函数不包含逻辑约束、缺乏现实验证机制。

错误即模型偏差，而非认知失败

为什么要强调“它只是一个模型”？因为这可以帮助我们正确理解它的错误来源，不将其误读为人的意图、能力或道德问题。

举几个常见例子：

事实性错误：不是模型“撒谎”，而是其训练语料与现实不一致，或未激活正确的上下文模式；

逻辑不通：不是模型“思维混乱”，而是目标函数未要求逻辑一致性；

语义模糊：不是模型“打太极”，而是语言结构本身高度模糊，模型只能在统计模糊中择其最大概率。

这些都不是“智能”的失败，而是“建模”的偏差。在传统数学建模中，我们也会遇到“残差”“外推失败”“过拟合”等问题。语言模型，只是将这些误差带入了文本生成中。

用“模型误差”而不是“思维缺陷”来解释语言模型的表现，是我们保持理性、控制风险的前提。

提示词即边界条件

数学建模中的关键，不仅在于模型结构本身，还在于如何施加边界条件与输入控制。大语言模型的提示词（prompt）正好扮演了这个角色：

• 它是对初始状态的控制；
• 它是对上下文空间的激活；
• 它是对模型输出方向的微调。

这使得我们在使用大语言模型时，本质上是在做一种“交互式建模”：

• 你输入的每一个提示词，其实是在“设定边界条件”；
• 你提供的样例和格式，是在“约束解空间”；
• 你对输出的修正与反馈，是在“优化目标函数”。

这要求我们像使用一个复杂控制系统一样，了解模型结构、调整输入方式、评估输出边界。

必须设定“使用假设”

一个重要而常被忽略的问题是：使用一个模型之前，必须设定它的使用假设。

在传统建模中，我们会明确假设诸如“线性关系”“变量独立性”“观测误差可控”之类的前提。

同理，我们在使用语言模型进行写作、翻译、问答、辅助决策等任务时，也必须明确相应的假设：

• 模型的输出是否需要人工审核或二次验证？

• 模型是否只能在特定语境下应用，比如非关键决策场景？

• 该任务是否需要事实准确性或逻辑一致性作为基础？

• 模型是否存在价值偏向或伦理风险，需要附加约束机制？

只有在明确这些假设之后，才能将大语言模型作为“可控系统”来使用。否则，我们很容易陷入两种误区：

一是“技术信仰主义”，将模型神化，赋予它不具备的能力，甚至将其等同于专家判断；

二是“技术虚无主义”，因其出错而全盘否定语言模型的价值，错过人机协作带来的增效空间。

这两种态度其实都是非理性的。理性的态度，是在认识模型本质的基础上，给它设定清晰的边界，让它在预期的框架内运行。

去“拟人化”，是一种必要的清醒

当前大众对大语言模型的误解，很大程度上源于一种“拟人化”的叙事方式。我们说模型“理解”“知道”“记得”“思考”，甚至“有偏见”“有意识”，这在语义上都是错误的类比。

语言模型不具有内在的“理解力”——它只是通过语言统计规律，捕捉到某种连贯性；

它不具有“知识”——它只是储存和压缩了大量文本相关性，并能调用这些模式生成内容；

它更不可能具有“意识”或“判断”——它既不理解人类行为的意图，也无法承担行为的后果。

将它拟人化，只会引发过高的期望值，并导致认知错配和伦理混乱。而当我们回到“数学模型”的角度来看，就可以更准确地回答三个关键问题：

• 它做对了什么？

• 它做错了什么？

• 该如何改进或控制？

换句话说，当我们去除人类意志投射之后，才能看到一个清晰的“函数体”：一个复杂而强大的生成器，可以协助我们处理信息、生成语言、提高效率，但必须在控制范围之内运行。

理性的第一步，是语言的清晰。大语言模型不是“谁”，而是“它”——它不是意识体，而是参数体；它不是道德主体，而是函数结构。

我们要做的，不是崇拜它、恐惧它、拟人它，而是理解它、控制它、调优它。

大语言模型是一项划时代的技术突破，但我们对它的态度，也应是成熟的、克制的和理性的。

将它视为一个数学模型，不是为了贬低它的功能，而是为了更好地使用它。

模型的优点，是结构明确、可分析、可调节；模型的局限，是受限于数据、假设和表达能力。这些优缺点同样适用于大语言模型。

在未来的人工智能时代，我们将不断面对越来越复杂的模型系统。是否具备一种将其“模型化”的思维方式，将决定我们能否驾驭工具而不是被工具裹挟。