我最近翻了一本关于生成式 AI 的书，原本当作读的是些枯燥的技术参数和架构原理，结局发现里面全是些和我每天在实验室里碰到的“废话”一样的东西。

那种那会儿总认定 AI 就是能像人类一样写出优美诗歌要么解决复杂数学题的神奇本事，在书里读久了，反而认定有点好笑。 书里讲的一个例子特别有意思，他们提到某位教授想用 AI 帮学生改论文，结局 AI 把学术语气改成了网络用语，反而让原本该严谨的论证变得有点“随意”。

这让我想起我在做科研时遇到的情况：有时候为了赶图表，我们会把数据直接丢进某个工具，结局生成的描述文跟实际图表彻底对不上，就连逻辑都有偏差。

那会儿认定这是 AI 的错，目前想想，可能是我们压根儿没想过过它到底“懂”啥，只是把它当成了另一个能随意调用资源的工具。 书里还聊聊了大语言模型的底层逻辑，说是基于概率预测下一个字。

听起来像科幻，但拆开来看，实际上就是我们在训练时给模型喂了海量语料，让它学会了某种“语法规律”。就像我教孩子认字一样，不是让他读懂每个字的真意思，而是让他模仿周围人的讲话方式。AI 就是这样，它不是在思索，它只是在概率上走一条最顺的路。

这种“顺路”有时候挺美，有时候却贼诡异。 最让我触动的是书中对“幻觉”现象的描述。当模型被问及一些它在训练数据里没有见过的难题时，它会编造出一套看起来贼合理、就连可信的胡说八道。书里举了个例子，有些研究人员出于过度依赖 AI 供给的假设，在实验设计时彻底没寻思到变量管住，害得结局不可复现，最终论文被拒稿。

这让我反思，我们是不是忒恐惧犯错，以至于把 AI 当成唯一的答案来源，而不是一个可能供给毛病指引的助手？有时候，人类的直觉和质疑，反而比那个一本正经的 AI 更靠谱。 作者书中并没有直接告诉我如何“消灭”AI，而是说，AI 实际上是解决难题的催化剂。就像那会儿我们也有“手工作坊”时代，作者揪心它会把那种传统手艺慢慢替代掉，结局后来发现，正是 AI 帮我们整理出了整理工序，让那些手艺变得标准化、可追溯了。科技书里常说要警惕技术，但我读这本书才意识到，或许我们该警惕的不是技术本身，而是我们看待技术的态度。

要是我们只是被动地等待它来告诉我们该如何做，那它就像是一个只会照镜子的人，一辈子看不到我们真的样子。 读完这本书，最大的收获不是掌握了某种新算法，而是找回了一些“不完美”的自信。科学探索压根儿都不是那么线性的、完美的推导。我们依然需求犯错，需求质疑那些看似完美的模型建议，需求像当年训练模型那样，一点点去构建和验证知识的边界。 未来的研究可能不会彻底围绕生成式 AI 展开，而是围绕“如何与 AI 协作”还有“AI 对科学思维模式的转变”展开。

那些那会儿认定不可思议的自动化推理，或许只是人类认知模式的一次迭代升级。我们不需求抛弃 AI，但需求换一种视角去看待它。

毕竟，在这个充满不确定性的世界里，我们比任何模型都清楚，有时候啥也没形成，正出于我们不知道，故此我们才能持续创造。