第 01 次课：AI 发展史与运行原理初探
一、上节课回顾
- 本次是课程第一次课，没有上一课内容需要复习。
- 已经留下的基础：学生带着自己使用 AI 的日常经验进课堂即可，本课不要求任何先修知识。
- 开场检查：三名同学各说一个自己最近用过的 AI 功能，判断它产出的是文字、图片、音频还是视频，再追问一句"你觉得它是查出来的，还是自己写出来的"，两个答案都写在黑板上，留到 M4 回来判定。
二、本节课主要内容和目标
这 80 分钟讲完，你该拿到的东西很具体：再遇到 AI 编书名、忘要求、同题不同答，你能说出为什么，也知道怎么办。
本节课结束时，你能：
- 按顺序写出 AI 发展的七个阶段，说出主线：判断依据从"人写规则"变成"从数据学规律"。
- 用"数据有没有标准答案、有没有奖惩"两问，判断一个场景属于哪种学习方式。
- 拿到交付需求，先定产物形态（文字、图片、音频、视频、代码），再说清这类产物交付前查什么。
- 用文字接龙讲清大模型的生成过程，解释 AI 为什么会编出查无此书的"书名"，以及为什么一个汉字不等于一个 Token。
- 说明温度调的是"选词的胆子"，解释上下文窗口满了 AI 为什么会忘事、同题不同答是怎么来的。
| 顺序 | 知识点 | 你能做到 | 课堂练习 | 时间 |
|---|---|---|---|---|
| M1 | AI 发展七阶段 | 排出路线并指出规则来源的变化 | 【M1-01】【M1-02】【M1-03】 | 14分钟 |
| M2 | 三种学习方式 | 两问定场景：答案与奖惩 | 【M2-01】【M2-02】【M2-03】 | 12分钟 |
| M3 | AIGC 全景 | 为需求选形态并说出验收重点 | 【M3-01】【M3-02】【M3-03】 | 10分钟 |
| M4 | 文字接龙与 Token | 解释生成过程与"编造"现象 | 【M4-01】【M4-02】【M4-03】 | 14分钟 |
| M5 | 温度参数 | 按任务选温度并解释原因 | 【M5-01】【M5-02】【M5-03】 | 10分钟 |
| M6 | 上下文窗口 | 解释 AI 为什么忘记前面的要求 | 【M6-01】【M6-02】【M6-03】 | 10分钟 |
| M7 | 概率采样 | 解释同题不同答，判断多问还是查来源 | 【M7-01】【M7-02】【M7-03】 | 10分钟 |
课堂总时长 80 分钟，另留 10 分钟机动。你需要准备一个可联网的 AI 对话工具。
三、本节课知识内容
M1：AI 发展七阶段（14分钟）
咱们从一个最简单的任务说起：让程序判断一张照片里是不是猫。你会怎么写？多数人的第一反应是把"有胡须、有尾巴、会喵叫"写成规则。可真用起来你会发现：折耳猫耳朵不立，无尾猫没有尾巴，猫睡觉不叫。你可能觉得，多写几条总能覆盖完——殊不知规则永远写不完，新情况总在排队。这个第一反应不丢人——最早的 AI 研究者也是从写规则出发的；撞了墙才知道，世界的例外永远比规则多。
AI 这七十年的发展，说白了是一次「规则搬家」：判断依据从人写规则，搬进数据里学。七个阶段就是这次搬家的七站——规则系统 → 专家系统 → 机器学习 → 神经网络 → 深度学习 → Transformer → 大模型。
前两站靠人：规则系统直接写"如果……就……"；专家系统把老专家的经验编成手册，让程序照着推理。规则写不完，思路掉头：机器学习不再等人写规则，让机器自己从数据里找规律。后面几站都在把这条路修宽——神经网络把找规律分成一层层，逐层提特征；深度学习把层数和数据量一起放大，2012 年 AlexNet 在图像识别大赛上大幅领先，从此成为主流；Transformer 换了组织信息的方式，一句话里每个词都能直接"看到"其他词，不用挨个传话，2017 年《Attention Is All You Need》提出的就是它；大模型在它之上用海量语料训练，一个模型同时能续写、改写、翻译、解释。你现在天天用的对话 AI，就是这条线的最后一站。串起来看：前两站靠人供给规则，中间几站靠数据供给规律，最后一站靠规模供给通用。
两个提醒：七阶段是教学主线，不是严格时间表——神经网络是深度学习的地基，不是被淘汰的旧物；专家系统在规则清晰的窄领域今天仍在用。大模型也不是数据库，它学到的是规律，不是存好的答案——这一点，咱们到 M4 拿证据来判。
一句心法：判断依据从"人写清楚"走向"数据里学出来"，这一句就是七阶段的全部主线。
课堂练习：现在去学习通完成【M1-01】【M1-02】【M1-03】。
M2：三种学习方式（12分钟）
先看一个反常识的事实：有一种 AI，一辈子没做过一道带答案的题，照样学会了下棋。你可能觉得学习总得有答案——课堂上确实如此，这么想很自然；可 AI 的训练场比课堂大得多，多得是没答案、只有结果的数据。所以"AI 学习"根本不是一件事——是三件事。区分它们，你只需要两个问题：数据里有没有标准答案？有没有奖惩？
- 监督学习：拿"题目＋标准答案"成对练。模型先猜，猜完对差距，按差距调整自己——说白了就是刷带答案的真题，做完立刻对。代价是每道题都得有人先标注。
- 无监督学习：手里只有数据，没有答案，模型自己按相似度分堆、找结构——像没人给你对答案，你就自己把错题按题型归堆。顾客分群、异常检测常用这条路。
- 强化学习：连答案都没有，只有环境反馈——做对加分、做错扣分，为了多拿分摸出策略，像你打游戏练技术。反馈可能来得很慢，但适合学连续决策。
三条路都缺不了三样东西：数据供给材料，算法供给方法，算力供给马力。给你提个醒：数据本身带偏差时，算力再大也只是把偏差学得更扎实。
一句心法：先问"有没有答案"，再问"有没有奖惩"，两问定路子。
课堂练习：现在去学习通完成【M2-01】【M2-02】【M2-03】。
M3：AIGC 全景（10分钟）
同一句"为校园读书节做宣传"发给 AI，有人拿到 30 字文案，有人拿到海报，有人拿到配音，还有人拿到报名页面。你可能以为差别在 AI——这么猜顺理成章，工具强，当然工具说了算；可生成的主动权恰恰在你手里，差别在你要什么。
AIGC（AI Generated Content，用 AI 生成内容）说白了不是一种工具，是一整排车间：文生文、文生图、文生音频、文生视频、文生代码。你要什么产物，就推哪扇门——要读的是文字，要看的是图片，要听的是音频，要讲动态过程的是视频，要能跑的是代码。
一次任务五步：想清楚交付物 → 选形态 → 把要求写具体（对象、用途、风格、长度、必须包含和避开什么）→ 生成几个候选 → 你挑一个改到能用。最容易跳过的是最后一步：模型给你的是候选，不是成稿。验收跟着形态走——文字查事实，图片查结构和错字，音频查声音与版权，视频查画面一致性，代码必须真的跑一遍。
一条底线：按我国《生成式人工智能服务管理暂行办法》（2023 年 8 月施行），AI 生成的图片、视频对外发布需要标识。你发到班级群的作业也一样，标明"AI 生成"。
一句心法：先定交付物再选形态；模型给的是候选，你验收完才算交付。
课堂练习：现在去学习通完成【M3-01】【M3-02】【M3-03】。
M4：文字接龙与 Token（14分钟）
咱们现在来判开头留在黑板上的那道题。你让 AI 推荐三本讲明朝财政的书，它写得工整又肯定，一查，其中一本根本不存在。你下意识猜它在查，很自然——答得那么工整，像极了检索出来的结果。可如果它真是在查，怎么会编出一条查无此书的记录？
因为它不是在查，是在写。大模型写回答，说白了就是在做接龙：读前文，猜下一个词块，接上，再猜下一个。这个"词块"叫 Token，是模型处理文字的基本单位。有点像你手机输入法的联想：你打"今天天气"，候选栏跳出"不错""很好"，点哪个上屏哪个——区别是模型每接一个词，都把整个前文重新算一遍，候选和概率跟着前文变。
一次生成四步：① 输入切成 Token 序列；② 模型对词表里所有候选打分；③ 按打分得到概率分布，抽出一个；④ 接回前文，回到第②步继续。
从这个机制能直接推出两件事，也就是你以后用 AI 最容易踩的两个坑：
- 为什么会有"像真的假书名"——接龙优化的是"接得像"，不是"说得真"。所以下次你看到 AI 给出书名、日期、法条、接口名，语气再肯定，也要回到权威来源核对；代码这类要能运行的结果，必须跑一遍、测边界情况。
- 为什么字数不等于 Token 数——一个汉字可能是一个 Token，也可能被拆成几个，英文单词同样会被切开，各模型切法不同。你算上下文容量、算费用都得按 Token 来，别拿字数估。
一句心法：它每一步都在算"接着写什么最像"，不是在查"正确的答案是什么"。
课堂练习：现在去学习通完成【M4-01】【M4-02】【M4-03】。
M5：温度参数（10分钟）
你有没有试过，同一个提示词连发三次，有时三份回答几乎一样，有时换了三种写法？你可能会猜，第二次它"更认真"了——这么想很自然，人认真起来发挥就是更稳；可模型没有"状态"，认真不起来。控制这个变化的旋钮叫温度，它跟认真程度一点关系都没有。
温度（temperature）说白了是选词的胆子。温度低，高概率词的优势被放大，几乎总挑最稳的那个，输出集中、好复现；温度高，候选差距被拉平，冷门词也有机会登场，输出更多样。它不改变模型知道什么，只改变它怎么挑。就像调味：拧到保守档，菜永远按最稳配方来；拧到大胆档，同样的食材冒出新搭配——但冰箱里没有的食材，旋钮拧再大也变不出来。所以温度调到最高，AI 不会更聪明，只会把错误犯得花样百出。
怎么选档，看你任务的容错率：错了要返工的（查事实、写代码）用低温求稳；错了无所谓的（起口号、头脑风暴）适度调高，多出几版再挑。另外，各产品是否开放这个旋钮、范围多大不一样，你用之前先看说明；调到最低也不保证每次输出完全一致，后端实现仍可能有变化。
一句心法：温度调的是选词的胆子，不是知识的多少。
课堂练习：现在去学习通完成【M5-01】【M5-02】【M5-03】。
M6：上下文窗口（10分钟）
你可以现在回想一下：你开头跟 AI 说好"所有回答都用表格"，聊了十几轮，它忽然开始写大段文字；你提醒它，它道歉，下一轮又犯。先别怪自己提示词写得差，也别怪它跟你作对——你把原话重新贴一遍，它立刻又守规矩了。能这么快"治好"，说明病根不在态度，在容量。
上下文窗口说白了是一张短期记忆的草稿纸：模型这一次能同时看见的内容总量，按 Token 计。系统设定、之前每一轮对话、你这轮贴的材料、它正在写的回答，全写在同一张纸上。纸满了，最早的内容就得让位——可能被截断或压缩，被挤掉的部分对这次生成等于不存在。你可能觉得没报错就没事——其实这一切通常无声无息，它不会提醒你"开头的要求我看不见了"。
还有更隐蔽的一层：即使没超窗，模型对开头和结尾的利用也明显好过中间，你把要求埋在一大段材料中间，它最容易当没看见。补救由此而来：关键要求和目标放最前；材料提炼后再给，别整包全贴；长任务分段提交；必要时新开会话，把背景重新补齐。
一句心法：窗口管的是"这一次能看见多少"，不是"记住了多少"。
课堂练习：现在去学习通完成【M6-01】【M6-02】【M6-03】。
M7：概率采样（10分钟）
咱们最后做个小实验：给读书节写一句宣传语，连点三次生成，你会拿到三句不同的话。多数人默认第三次是它"想明白了"的版本——这么想有来处，人被追问三次，第三次往往最谨慎；恰恰相反，抽签没有记忆，第三次和第一次一样，都只是抽了一次签。
M4 说过，模型每接一个词，说白了都是抽一次签：高分词容易中，低分词也可能中。你在同一个新会话里用同一句提示词反复生成，每次都是从同一起点重新抽签，几十上百次抽样累积下来，就是三版大方向相似、细节不同的回答。抽签没有记忆，第三次不会"吸取前两次的教训"。（连续聊天时，下一轮已经包含上一轮的回答，起点变了，那是另一回事。）到这里，三个旋钮凑齐了：温度管胆子，窗口管容量，采样管手气。
怎么用，分两半：创意类任务多生成几版挑，多抽几次就多几个候选；事实类任务别靠再问一次验真——再抽一次只是换个说法。你看到三次回答里两次一致，也别急着当证据：概率高只说明它"觉得这么写像"，不说明它"知道这是对的"。数字、日期、法条、书名，必须回到权威来源。
一句心法：创意任务多抽几版挑，事实任务必须查来源。
课堂练习：现在去学习通完成【M7-01】【M7-02】【M7-03】。
课后延伸视频
- 对应 M1：
- 对应 M4/M5：
课后作业
- 【作业-01】AI 发展阶段小科普：选一个阶段写 200 字左右科普，截止下节课前一天 22:00。
- 【作业-02】改写并测试 5 个 AI 问题：每题完成「原始问题 → 改写后的提示词 → 效果对比」三步，截止下节课前一天 22:00。
- 改写抓手（任选其一即可）：补背景（我是谁、给谁用）、提要求（字数、语气、场合）、定格式（分点、表格、一句话）。
- 最小示例——原始问题：「帮我写个班会文案」；改写后：「我是班里的学习委员，周四班会主题是『复习方法』，帮我写 3 分钟开场白，语气轻松，结尾邀请两位同学分享。」