老师有没有告诉你，AI 能看懂你的话，是因为它偷偷在心里画了一张地图

啪——老师把笔丢在桌上。

「你对一个从来没进过厨房的人说『把盐递给我』，他为什么能找到盐？」

「因为袋子上写着字。」有人说。

「如果盐装在一个没标签的白罐子里呢？」底下安静了。「他扫一眼还是能拿对——盐是白的、细的、罐子比旁边矮一点、放在灶台右边第二个。也就是说，他不需要认识『盐』这个概念，他只需要知道，眼前这堆东西里哪一件最像盐。」

他转过身，在黑板上画了一条横线，标了两个点。

「今天我要讲 AI 最底层的一个秘密。这个秘密跟语法无关、跟逻辑无关、跟聪明也关系不大。它是：机器并不认识任何字，它只是把所有的字摆成了一张地图。」

老师有没有告诉你，机器眼里的世界是一张地图

你去问一台机器「猫是什么」，它答不上来——不是它瞒着你，是它内部根本没有「猫」这个东西，它有的是一个坐标。

任何一个词、一句话、一张图、一段声音，进到机器里都会被换算成一长串数字，长的几千个，短的几百个。这不是密码，是坐标。找一座城市用经纬度，机器找「猫」，用的是这串数字。

坐标最重要的不是位置本身，而是位置和位置之间的距离。

「猫」的坐标离「狗」的坐标很近，离「卡车」的远，离「量子力学」的非常远。这不是谁规定的，是机器读了几十亿句人话之后，自己算出来的。

它算的依据特别朴素：这两个词是不是经常出现在同样的场合。

「猫」和「狗」经常一起出现——都在喂食、都在沙发上、都在宠物医院。「猫」和「卡车」很少一起出现。所以前两个被迫靠近，后两个被推远。

🤔 那两句不同的话意思一样，机器靠什么判断？

还是距离。这个距离不是量两个点的直线长度，而是找「中间还夹着什么」。它更看重的是方向的相对关系，而不是绝对位置。

于是出现了一件很漂亮的事：如果「男人」到「国王」的方向，和「女人」到「王后」的方向是同一个方向，那机器就能推出「女人 + 国王的偏移 = 王后」。它不需要知道什么叫性别、什么叫王室，只需要知道这个偏移在别的地方也成立。

这就是「国王减男人加女人等于王后」的真相：看上去像懂了，其实只是在地图上做了一次位移。

案例：一个装满十万件衣服的仓库

真实的工程案例，我用一个仓库来打比方。

某家服装公司的仓库里有十万件衣服，每件都拍了标准图。客服每天被问「有没有类似这件但更便宜一点的」。老办法是打标签：颜色、材质、长度、风格。可标签只有几十个，一个标签下挤着几千件。客户说「像这件但更正式一点」——「正式」这两个字，标签系统里根本没有。

新办法是把每张图变成一串数字，让机器自己在十万个点里找「最近的邻居」。

某天下午，一个客户传了一张深灰色针织开衫的照片，问有没有差不多感觉但适合上班穿的。机器返回了七件。前四件是它的同款不同色，第五件是一件米色薄西装。

第五件——这是关键。这件衣服在标签系统里属于完全不同的品类，但它被摆在了相近的位置上，因为机器注意到：它们经常被同一批人一起看、一起买。

这个结果有用吗？非常有用。它懂了吗？不知道。它只是在一张巨大的地图上，把相近的东西摆到了一起。

那会不会出错？会，而且错得很有规律。最常见的错是：地图上的距离，是把人类说话的场合浓缩之后剩下的东西。人类说话是有偏见的、有捷径的。所以如果训练机器所用的文本里，某种职业和某个性别总是绑在一起，那在地图上这两个点就会挨得很近。机器没有恶意，只是忠实复述了人类说过的话。

第二类错更隐蔽：它分不清「经常一起出现」和「有因果关系」。「下雨」和「地湿」挨得很近，没问题。但「冰淇淋销量」和「溺水人数」在很多统计数据里也挨得很近——它们都跟气温有关，可机器不知道「有关」的中间那一环在哪。

🤔 那它为什么会把这种「看起来有关」当成一回事？因为它只有地图，没有世界。

地图能干什么，不能干什么

我们把这套东西的边界画出来。这将是你以后判断任何 AI 产品最有用的一张表。

它很擅长的三件事。

第一，找相似。给它一段话，它能找出意思最接近的一百段，所有搜索和推荐系统都建在这上面。第二，做分类。给一批分好的例子，它能把新东西塞进最近的格子：垃圾邮件、图片审核、工单分流，都是这一件事。第三，做填空。它知道某个位置后面通常跟着什么，于是能续写、能翻译、能回答——续写和翻译在它的世界里，是同一件事的两种写法。

它很不擅长的三件事。

第一，判断真假。地图上没有「真」和「假」这两个坐标。一段编得很漂亮的话，和一段真实的话，在图上可以挨得非常近。

第二，数数。它对「多少」没有感觉，因为在它的世界里，位置比数量重要。

第三，说清「为什么」。它可以给你一个答案，但那个答案是地图上的一次位移，不是一条推理链。你追问「你为什么这么选」，它能造出一段听上去很像理由的话——而那段话，也是它在地图上生成的。

三招，明天就能试

第一招：别问它「懂不懂」，问它「它见过什么」。你要的东西不在它地图上，它不会说「我不知道」，它会给你最近的邻居。所以每次得到答案，补一句：这个答案是从哪个邻居那儿搬来的？

第二招：凡是需要「为什么」的事，别指望它给你一条能追的链。它能给结果，但过程讲不清。要结果可以，要解释得靠人。

第三招：分清「它的地图」和「你的世界」。地图永远比世界小。你要的东西不在图上，不是它笨，是你得给它坐标——把话说到它见过的东西附近。

小测验

三题。一、一串数字最像什么？坐标。二、「猫」和「狗」为什么挨得近？因为它们经常出现在同样的人话里，不是长得像。三、搜索结果很准，说明它懂你了吗？不能，它只是把相近的东西摆到了你面前。

回到那个白罐子

老师捡起笔。

「回到那个白罐子。那人拿对了盐，靠的不是认识盐，是盐在一堆东西里最像盐。这就是机器做的一切——它不需要认识你的世界，只需要知道哪些东西常常站在一起。」

「所以下次你觉得它特别懂你，先别太感动。」他把笔放下，「要问的是：它到底懂我，还是只是把我说的话，放到了离我最近的格子里？」

「这两件事答案看起来一样，代价差得很远。」