🚀 CODING4KIDS · AI 零基础互动教程 · AI 入门系列

AI 入门第 1 讲:大模型到底是什么?

从零理解 ChatGPT、DeepSeek、豆包等 AI 工具的工作原理。不背枯燥术语、不急着看复杂公式,用好玩的互动实验一步步搞懂!学完后,你也能用自己的话向好朋友清楚解释什么是大语言模型。

⏱️ 建议 15–20 分钟 🧪 模型规模互动实验 🧩 Token 接龙揭秘 🎯 随堂闯关测验
01

第一章:先来挑战——AI 大模型究竟是什么?

下面哪一种说法最接近大语言模型(LLM)的真实本质?先凭直觉选一个,再揭晓答案!

02

第二章:先搞懂三个名字——AI、机器学习、大模型

这三个词经常一起出现,但它们就像俄罗斯套娃一样,处在不同的概念层级。

🤖

人工智能 AI

Artificial Intelligence

最宽广的大家族。只要计算机系统能完成通常需要人类智慧参与的任务(认图片、听语音、规划路线),都属于 AI。

📚

机器学习 ML

Machine Learning

实现 AI 最核心的方法:不靠程序员把每种情况写成死规矩,而是让计算机从海量数据中自己“摸索”出规律。

🧠

大语言模型 LLM

Large Language Model

规模极其庞大的语言模型,经过训练后能理解和生成语言。现代大模型还能结合图像、音频等多模态能力。

🤖 人工智能 AI广阔的技术大舞台
📚 机器学习 ML从海量数据中学习规律
🧠 大语言模型 LLM精通语言理解与内容生成(如 ChatGPT / DeepSeek)

注:这是帮助理解的简化包含关系图,不代表所有 AI 都必须使用机器学习,也不代表所有大模型都只处理文字。

03

第三章:大模型为什么叫“大模型”?

拆解“大”与“模型”背后的科学含义,亲手调节模型规模滑块。

“大”通常意味着模型内部拥有海量可训练参数(动辄几十亿到上万亿个),并且训练需要极其庞大的数据与算力资源;它可不单纯指软件安装包很大哦!

“模型”可以理解为一个通过训练打造出来的数学系统。训练过程就像不断微调无数个小旋钮(参数),使它逐渐掌握数据中有用的规律。

💡 什么是“参数”?用学外语来打个比方:
想象你正在学习一门外语。你读过很多绘本、听过很多对话,脑海里逐渐熟悉了词语搭配和造句语感。大模型训练也有点类似:它通过海量阅读不断调整内部成千上万亿个数值参数,从而具备捕捉语言规律的能力。参数不是一本死记硬背的词典,也不是逐条保存的标准答案表。

🧪 互动实验:模型规模会带来什么变化?

拖动下方滑块切换模型规模,观察概念上的能力差异(教学示意,非具体产品跑分):

较大型模型
有机会学习更丰富的模式,在语言理解、创意生成与编程辅助等任务上表现得更全面。

注意:参数更多并不保证表现一定更好!训练数据的质量、模型架构、训练方法、推理策略和工具调用同样关键。

04

第四章:最关键的原理——大模型如何“接话”?

揭秘 Token 词元积木与自回归逐步生成机制。

假如我对你说:“今天天气真好,我们一起去……” 你觉得后面最可能接哪句话?

🔑 核心机制:根据已有上下文,预测接下来最可能出现的 Token。
这是自回归大语言模型最基础的工作机制。真实模型会综合上下文、训练中学到的深层规律以及神经网络内部的计算来生成回答。

🧩 什么是 Token(词元积木)?

Token 是模型处理文本时使用的基本小积木。它可能是一个汉字、一个词的一部分、一个英文单词,也可能是标点符号。

原句:我喜欢人工智能。

我 喜欢 人工 智能 。

示意分词,仅用于帮助理解;实际 Token 划分取决于具体模型的分词器(Tokenizer)。

⚙️ 模型生成回答的 5 个标准步骤

  1. 接收你的问题:例如你输入“为什么天空是蓝色的?”。
  2. 把文本转换为数字表示:将输入拆分成一个个 Token,并转换为对应的数字向量。
  3. 结合上下文深度计算:模型通过多层神经网络运算,调动训练中学到的规律分析问题。
  4. 计算下一个 Token 的概率:给候选 Token 打分分配概率,再根据采样策略选出下一个 Token。
  5. 像多米诺骨牌一样重复生成:新生成的 Token 加入已有上下文,继续预测下一个,直到回答完整。
🤔 思考:为什么靠“预测下一个 Token”,居然能写作文、写代码、解数学题?
因为要想把下一个字词预测得准确,模型必须学会语法规律、科学常识关联、代码逻辑结构以及推理步骤模式!经过精心训练后,这些能力就能迁移到五花八门的任务中。但这不代表它像人一样真正理解世界,也不代表它说的每句话都绝对可靠。
05

第五章:为什么它不只是一个手机输入法联想?

从简单词语联想到长上下文指令遵循的跨越。

⌨️ 传统输入法联想

主要帮你更快地打字,通常只看前面几个字,围绕短语搭配和常见高频词做简单推荐。

💬 现代大语言模型

经过超大规模预训练与指令微调,能记住超长上下文、理解复杂多步要求、生成结构化表格与代码。

例如,你可以这样指挥大模型干活:

  • “把这段深奥的天文学论文,改写成三年级小学生也能听懂的睡前故事。”
  • “对比这三款机器人的优缺点,帮我整理成一张清晰的比较表格。”
  • “先用 Python 写一个猜数字小游戏,再逐行给我解释代码的含义。”
  • “根据我刚才提出的修改意见,把这篇读书报告重写得更有逻辑。”
06

第六章:“训练”和“使用”,是完全不同的两回事

分清模型训练(Training)、日常推理(Inference)与外挂工具。

🎓 阶段 A:训练模型(Training)

科学家准备海量数据、设计算法,用成千上万块算力芯片日夜计算,逐步调整模型参数;之后还会进行指令微调与安全对齐。

类比:平时在学校里长期苦读、刷题和接受老师指导。

⚡ 阶段 B:推理使用(Inference)

你打开聊天窗口输入问题,系统利用已经训练好的模型参数快速计算并输出回答。这个使用过程叫做“推理”。

类比:走进考场,运用已经装在脑子里的知识快速解题。

当你今天问 AI 一个问题时,它并不是刚刚才花几秒钟把全世界的书重新读了一遍来训练自己,而是在调用已有的模型参数进行推理计算。有些产品还会联网搜索网页、读取文件或运行代码,这些属于外挂工具辅助,并不等于重新训练了模型。

📌 关键区分:在一次对话中,AI 能记住你前面刚说过的话,是因为这些话被放进了当前的“对话上下文窗口”里,并不意味着它的底层模型参数被永久改写了。
07

第七章:大模型为什么会一本正经地“胡说八道”?

认识 AI 幻觉(Hallucination),养成聪明 AI 驾驭者的核验习惯。

大模型有时会用极其自信、通顺的语气,编造出完全不存在的事实、假名言或错误答案。这种现象常被称为“幻觉”:

  • 训练数据本身包含网上流传的错误、过时或自相矛盾的信息。
  • 提问比较模糊,模型顺着高概率语言习惯“脑补”出了看似合理的回答。
  • 模型把相似概念张冠李戴,或者在多步数学/逻辑推理中途算错了一步。
  • 问题需要最新消息,但系统当时没有获取权威可靠的实时资料。
🛡️ 养成 AI 使用者的 4 个好习惯:
  1. 对关键历史事件、科学事实和数据,要求给出可核验的来源。
  2. 涉及数字、公式推导、编程代码和重要决策时,务必动手独立验证。
  3. 对医疗健康、法律、财务等高风险问题,不要把 AI 的回答当成最终结论。
  4. 让 AI 说明假设与推理步骤(一步步思考),更容易帮我们检查它哪一步出了错。
08

第八章:闯关测试——你真的搞懂了吗?

完成下面 4 道随堂测验题,点击提交查看你的得分与解析。

1. 常见大语言模型(LLM)最核心的基础生成机制是什么?

2. 大模型里的“参数”主要是指什么?

3. 你连续和 AI 聊了十分钟天,它就自动完成了一次底层模型训练吗?

4. 为什么大模型有时会给出看似通顺却错误的答案(幻觉)?

09

第九章:本讲毕业任务——用你自己的话解释大模型

向完全不懂 AI 的朋友清楚复述原理,才算真正学会!

假设你的朋友好奇地问你:“ChatGPT 和 DeepSeek 是怎么回答问题的?它们是不是把全世界的答案都提前背下来存好了?” 请试着用 2–4 句话写下你的解释:

🌟 参考解释范例:
ChatGPT 等工具背后的大语言模型,是通过阅读海量数据训练出来的数学模型,它在训练中学会了语言和知识的规律。回答问题时,它会结合我们当前的提问上下文进行计算,像接龙一样逐个预测并生成 Token,而不是从数据库里直接翻出一段现成答案。不过因为它的知识可能有遗漏,计算推理也可能出错(产生幻觉),所以遇到重要信息时我们一定要自己核实!

🏆 AI 入门第 1 讲 · 核心知识打卡台

🌱 启蒙探索者

已掌握:0 / 5 个核心知识点(点击下方卡片点亮勋章)

✅ 1. 区分 AI / ML / 大模型层级
✅ 2. 理解“参数”是训练出的数值
✅ 3. 掌握 Token 逐步接龙生成
✅ 4. 分清“模型训练”与“日常推理”
✅ 5. 警惕 AI 幻觉并学会核验事实
Coding4Kids 专属少儿 AI 零基础互动系列教程 · AI 入门第 1 讲 · 所有互动实验与闯关状态均在本地浏览器安全运行。
← Back to tutorials
Top