老师有没有告诉你，AI能解奥数，却分不清9.11和9.9谁大

啪——老师把笔丢在桌上。

"来，考你一道题。"他说，"9.11和9.9，哪个大？"

"9.9大。"你脱口而出。

"很好。"老师笑了笑，"那如果我问现在最聪明的AI，它会怎么答？"

他顿了顿："它会一本正经地告诉你，9.11更大。"

你可能会愣住：一个能做微积分、能写代码、能帮人写论文的AI，居然比不出一道小学题？今天我们就来拆开这个反常识，看看AI的眼睛，到底是怎么"看"世界的。

会解奥数的AI，栽在小学题上

这不是段子，是真实发生过的事。

2024年，有网友随手问了当时最先进的几款大模型一个最简单的问题：9.11和9.9，哪个大？结果，好几款模型都答错了，坚持说9.11更大。理由还头头是道：因为11比9大啊。

更早之前，还有一个著名的"草莓测试"：问AI，"strawberry"这个单词里有几个字母r？不少模型斩钉截铁地说：两个。正确答案其实是三个。

一边是能通过数学竞赛、能解释量子力学的大脑，一边是连小数大小、连字母个数都数不对的"迷糊"。这种反差，恰恰是理解AI的一把钥匙。

AI不是"看"数字，是"拆"文字

答案，藏在一个你可能没听过的词里：分词。

人看到"9.11"，脑子里自动反应：这是一个数，9点11，比9.9大一点点？不，比9.9小。我们会把它当成一个整体，放进"数值"的世界里去比较。

AI不是这样。它读到的每一个字、每一个符号，都被切成一小块一小块的"碎片"，这些碎片叫token。对AI来说，"9.11"很可能不是"一个数"，而是三块拼起来的碎片："9"、"."、"11"。

它没有先"算"，而是先"猜"：看到"9.11和9.9哪个大"这个问题，它开始预测最可能的下一段话。它见过太多"11比9大"的文本，于是顺着这个熟悉的模式，滑向了错误答案。

换句话说，AI不是在算数学，它是在做一种高级的"接话"。

数不清草莓，是同一个道理

草莓测试也是这么回事。

你问AI"strawberry里有几个r"，你以为它会像小学生一样，把单词拆成一个一个字母去数。但它不是。它看到的是几个token，比如"straw"和"berry"这样的碎片。它压根没有"逐个字母扫描"这个过程。

所以它答错，不是因为它笨，也不是因为它不认识草莓，而是因为它从根上就没有"数数"这个动作。它的强大，来自另一套完全不同的机制——预测下一个词。

它读过几乎全人类的文字，学会了"什么样的文字后面，通常跟着什么样的文字"。当你给它一个问题，它就在海量的模式里，找出最像答案的那一串词，拼给你看。

这就是AI最反常识的地方：它说得越流利、越自信，不代表它真的"懂"，只代表它见过的模式足够多。

这个问题，不会因为AI变大而消失

你可能以为：这是不是早期模型的毛病？等AI再长大一点、再聪明一点，是不是就好了？

答案是：不会自动好。

因为"把文字切碎再预测"这套机制，是几乎所有大模型与生俱来的工作方式。模型越大，只是"见过的文字模式越多"，但"它不是真的在算数学"这件事，并没有改变。

这就好比一个背下了整本菜谱的人，你问他"三勺盐加两勺盐一共几勺"，他可能张口就答错——因为他脑子里存的是一道道菜的完整做法，而不是一个随时能用的计算器。

AI的短板，不是"没学好"，而是"它压根不是这么工作的"。明白了这一点，你就不会对它抱错期待。

反过来想：这恰恰是AI的聪明之处

说到这儿，你可能觉得AI挺不靠谱。但换个角度，你会发现一件更有意思的事。

正是这种"模糊"和"会猜"，让AI能听懂人类的语言。

人说话，从来不是精确的。你说"帮我看看这个方案行不行"，AI不需要先把"行不行"定义成一个精确的公式，它能从海量的文字模式里，猜出你想要的大概意思。

精确的计算，交给计算器；模糊的理解，交给AI。它俩本来就不是一个物种。你非要用尺子去称重量，自然会得出"尺子没用"的错误结论。

分清AI"擅长猜"和"不擅长算"，你才算真正会用它。

懂了这一层，你就不会被AI唬住

那普通人该怎么办？记三句话就行。

第一，AI是"预测大师"，不是"计算器"。需要精确计算、精确数数的事，别盲信它，让它用工具、或自己算一遍。

第二，AI越自信的时候，越要打个问号。它不会脸红，错了也理直气壮，因为它自己并不知道自己错了。

第三，把AI当"看过很多书、但偶尔会睁眼说瞎话的实习生"，而不是"无所不知的神"。你负责判断，它负责提供素材。

啪——老师把笔捡了起来。

"下次看到AI解出奥数、写出论文，别急着喊'它真聪明'。"他说，"也别忘了它连9.11和9.9都比不清。聪明的从来不是机器，是懂得机器会错在哪儿的人。"