我一直觉得跟非技术朋友解释AI概念最难的不是术语本身而是让人脑子里没有画面。机器学习、神经网络、深度学习、大模型、AI Agent——这些词放在PPT上大家点头落到真实世界里就飘了。上个月我给我们这边一家连锁餐饮集团的运营团队做AI科普培训为了让他们听得进去我干脆把整套AI十大技术概念搬进了他们的后厨。后厨是个极其精密的系统有人验菜有人切配有人掌勺有人盯外卖单出了新菜要试客人反馈要听晚市高峰要同时出几十道菜。这跟现代AI的工作方式几乎是同构的。所以我定了这么一条主线把机器学习、神经网络、深度学习、大语言模型LLM、计算机视觉、自然语言处理NLP、强化学习、AI Agent、生成式AI、训练与推理这十个最常被问到的概念全部翻译成后厨里的锅碗瓢盆和人事制度。先记住它们之间的关系机器学习是最大的一盘菜神经网络是做这道菜的主要手法深度学习是深层的神经网络大模型是深度学习的巨量版本视觉和NLP是两类感知能力Agent是大模型配上规划、工具和记忆之后的升级形态强化学习是另一种跟监督学习完全不同的学法生成式AI则是一系列模型共同追求的能创造这个目标训练和推理是每个模型都要经历的学厨和出菜两个阶段。接下来我就按这个逻辑一道一道上菜。1. 老厨师怎么带徒弟机器学习是从菜例里悟出规律1.1 从背菜谱到尝百菜传统编程是人先把规则写好机器照着执行——相当于给厨房贴一张SOP盐5克、糖3克、大火2分钟。这个方式的问题在于后厨里真正的难点根本没法写成规则。什么叫断生什么叫挂汁刚好老师傅凭经验判断却没法用语言精确表达。机器学习换了一个思路别再试图手写规则了给你大量做好的菜让系统自己悟。说白了机器学习的核心就是从数据里自动总结规律而不是人肉制定规则。我见过太多非技术朋友第一次听这个概念就懵就是因为搞不清学习到底学了什么。你就想老厨师带徒弟师傅不会跟徒弟说盐要多精准、油温七成是210度而是让徒弟做一百份红烧肉每份都尝尝完自己体会。一百份之后徒弟心里就有数了什么样的肉配什么样的火候什么时候该收汁。机器学习就是这个徒弟只是它记规律的方式不是心里有数而是调一组数字参数。举个具体例子预测一道炖肉需要多久输入是肉块大小、锅具导热性能、火力档位、起始水温输出是时间。机器学习要做的就是找到输入和输出之间的映射关系。这个关系可能复杂到你根本没法用一条公式写出来但模型可以通过成千上万个输入-输出例子把它逼近出来。这正是数据在后厨场景里的意义菜例越多徒弟对火候的判断越准。1.2 师傅评判菜品的尺度监督学习、无监督学习与过拟合机器学习内部还得分门派跟后厨带徒弟的方式一一对应。监督学习是师傅全程打分。系统拿到一批原材料成品的标准答案对师傅在旁边说这盘合格、那盘偏咸模型就学会判断新情况。比如餐厅想用AI评估菜品外观是否达到出品标准那就先让师傅标出几千张合格出品和不合格出品的图片算法从标注里学。这是目前工业界用得最多的一种。无监督学习则是没人给答案。把一百道菜摆在那儿模型自己发现辣菜和甜菜分成两拨或者发现某个食材搭配总是出现在一道菜里。后厨里做消费者口味分析常常这么干把历史订单丢给算法让它自动找出喜欢A套餐的人大概率也爱加B小料这种隐藏规律。还有一个必须警惕的问题叫过拟合这个坑做AI的人天天见。过拟合是什么感觉徒弟学过头了。他可能在某次练习时师傅因为心情好多说了一句这菜做得不错结果徒弟把那天多加了一把盐也当成了制胜心得以后每次都多加盐换个场合就翻车。过拟合就是模型把训练数据里的噪声、偶然事件也当成了规律导致它在见过的题目上表现得极好一遇到新情况就垮掉。判断过拟合最直观的办法就是看训练集成绩和验证集成绩的差距练习卷次次满分一上考场就懵那就是学过头了。这一章最后补一句关于特征的话。师傅看油温是看油纹不是看温度计那个油纹就是特征。机器学习里有个环节叫特征工程就是要告诉模型该看什么、怎么把信息组织起来。现在深度学习省了很多人工特征设计的功夫但理解这个思路能帮你更好地理解后面的概念。2. 从一口灶到整条流水线神经网络和深度学习的内在分工2.1 神经元一个只干一件事的小岗位如果说机器学习是宏观理念那神经网络就是具体的实现方式之一。名字听着吓人但它并不是要模拟人脑只是受神经元结构启发。拆开看神经网络就是一大堆小计算单元的层层堆叠。每个计算单元神经元可以理解成后厨里的一个小岗位。这个岗位只负责一个简单的判断比如当前食材辣度是否超标超过了就往下传信号没超过就不传。成千上万个这样的小岗位排成几排每排各管一个环节最后就能对一道菜做出从原料到成品的整体判断。你可以想象一个小岗位矩阵第一排的人只负责判断这是不是五花肉第二排的人只负责判断这块肉的肥瘦比例是否在标准区间第三排的人判断这个色泽是否到了糖色状态。每一个岗位都白痴简单但连在一起复杂的判断就涌现出来了。神经网络真正的本事不是某个神经元多聪明而是这种笨办法组合出来的集体智能。2.2 深度层层加工把生食材变成入味半成品神经网络为什么叫深度学习深度指的就是隐藏层的数量。隐藏层就是你从外面看不见的那些中间处理环节。浅层网络像一个小店两三个人、几步流程就算完深度网络则是一条完整的后厨流水线。这条流水线最有意思的地方是层层加工的逻辑。第一层看到的永远是原材料的低层特征颜色、形状、边缘。第二层可能开始组合这些特征识别出这是带皮的肉块再往后的层提取更抽象的东西比如肥瘦纹理、糖色状态、是否到了需要转小火的阶段。这跟后厨对食材的逐级处理一模一样先初加工清洗、去根再改刀切片、切丝再腌制入味最后才上灶。每一道工序都在前一道的基础上叠加信息。这也是深度学习跟传统机器学习最大的差别它不再靠人手工设计特征。传统方法你得告诉AI看油纹判断油温深度学习则是直接扔给它海量图片它自己学会先看边缘再看纹理最后看颜色深浅这套程序。换句话说连该先看什么都是它自己学的。2.3 反向传播出锅之后怎么追责到哪一口锅神经网络怎么学习靠的是反复做菜-试味-追责-调配方。这个循环里有个关键机制叫反向传播名字高级道理其实特别朴素。正向传播是食材从进到出原料经过切配、腌制、烹制、装盘得到成品。发现这盘菜咸了之后就要追责究竟是哪一步出了问题是盐放多了还是酱油本身咸度超标还是收汁收得太狠导致咸度浓缩反向传播做的事就是从最终味道反着一步一步推回去计算每一个环节对咸淡这个结果的影响程度然后用这个影响程度去调整对应环节的参数。在神经网络里这个影响程度有个术语叫梯度梯度越大说明这个环节越需要调整。你在后厨里看到老师傅做徒弟的表情其实就是在做反向传播。出锅尝一口眉头一皱嘴里念叨不会是腌的时候盐下重了吧然后下次调整腌制的盐量。神经网络就是把这个过程数值化、自动化了一遍不行就两遍直到模型在训练数据上的整体误差降到可接受的程度。听懂了这个故事神经网络学习这件事你就通了。3. 中央厨房的真实规模大语言模型为什么动辄几千亿参数3.1 预训练中央厨房的底味高汤微调餐厅个性化配方大语言模型英文缩写LLM这两年大家熟悉的ChatGPT、通义千问、文心一言、DeepSeek这些都属于这一类。它本质上就是一个特别巨大、在海量文本上训练出来的神经网络。那它到底为什么那么大一个比喻能说清楚预训练相当于一家企业建中央厨房一次性把几十种基础高汤、通用半成品预制好供所有加盟餐厅共享。训练大模型的过程就是让这个超级后厨在几乎整个互联网的文本上学习语言的规律词怎么搭配、句子怎么组织、知识怎么推理。这个过程烧掉的钱和算力是天文数字所以普通人不要想着自己预训练大模型就像一家街边小馆不会自建中央厨房一样。但中央厨房做出来的是通用底味不是每家店的招牌菜。餐厅要做出自己的风格就得在此基础上做个性化调整这在AI里叫微调。连锁火锅店可以用自己的锅底配方去调中央厨房的高汤让模型更懂你这家店的菜单、语气、产品逻辑。所以说大模型不是直接拿来就能用的好的使用方式是预训练通用能力微调个性化能力。3.2 参数、Token与上下文窗口一次能接多少单大模型的三个基础概念都可以在餐厅场景里找到对应物。参数是神经网络里所有可调节的旋钮总数。你可以把它理解成后厨对火候、调味的精细把握程度。参数越多模型理论上能记住的复杂细节越多但也意味着训练成本、推理成本、部署成本都在涨。不是参数越大就一定越好还得看数据质量和应用场景盲目追求几千亿参数是典型的用牛刀杀鸡。Token是模型读取文本的最小单位。中文一个词可能拆成几个Token。就像点菜时宫保鸡丁会被拆成宫保鸡丁几个部分来处理。Token的切分方式直接影响模型的性能和对中文的理解能力这也是为什么中文大模型在分词上要比英文模型更讲究。上下文窗口则是模型一次能同时记住的信息量。可以理解成后厨能同时记住多少桌客人的在席订单。窗口越大越能处理超长文档、长对话就像大宴会厅的厨房能同时应付二十桌的菜而不乱。但窗口越大计算量和延迟也可能越高这又是一个工程上的权衡。3.3 别把幻觉当创造力AI一本正经地编食材大模型有个著名的毛病叫幻觉这是每个使用者都必须知道的。它生成内容的时候会以无比自信的语气说出一个根本不存在的事实。在后厨里就像一位师傅明明没有某种食材却信誓旦旦地跟客人说我们的招牌菜一定用最新鲜的蓝龙虾端上来的却是一条普通鱼。为什么会这样因为大模型干的事情本质上不是查资料库而是预测下一个词的概率。它见过无数菜谱学到了章鱼烧蓝龙虾分子料理这些词经常出现的语境但它没有真实世界里的食材库存表所以它可能觉得蓝龙虾放在这里很合适于是就这么写了。概率高不代表事实存在。理解了幻觉你就明白了为什么现在做企业级AI应用很少直接让大模型裸奔而是搭配检索增强生成RAG模型在回答之前先去查一下企业自己的资料库、库存系统把真实信息拉回来再组织答案。等于下单的时候先翻冰箱确认有货再承诺。后面聊训练与推理时我还会再展开这套工程方案。4. 后厨的五官计算机视觉、自然语言处理和多模态4.1 视觉验菜、定位切配、装盘质检计算机视觉解决的是AI怎么看世界。图像在电脑眼里不是一张直观的菜而是一个巨大的像素矩阵每个像素有颜色值和亮度值。要让机器从这些数字里看出这是一颗有烂叶子的白菜靠的是卷积神经网络这种专门处理图像的结构。它的做法是像探照灯一样在图像上一小块一小块地扫描先提取边缘、轮廓这种低级特征再层层组合出菜叶纹理腐烂斑点这种高级特征。后厨至少有三个环节能用上视觉技术。第一个是验菜把有瑕疵的菜叶自动挑出来摄像头加分类模型就能干比人眼一天八小时盯得还稳。第二个是目标检测与分割机械臂要夹住那根黄瓜必须先知道黄瓜在画面里的哪个位置、占多大区域。第三个是装盘质检菜品出锅后过一遍摄像头看摆盘、颜色、克数是否符合出品标准相当于后厨设置了一位永不知疲倦的质检员。做视觉项目最容易被低估的是光照。后厨灯光千差万别同一个模型白天晚上效果可能差一大截数据采集时必须把不同时段的光照都覆盖到不然上线就翻车。4.2 语言听懂少辣多香菜和歪歪扭扭的外卖单自然语言处理NLP是让AI处理文本和语音的技术。它的难点不在分词而在语义理解。客人说一句小炒黄牛肉少辣多放香菜米饭另装不要盖在菜上人一听就懂机器却要拆成好几步识别这是点菜意图抽取菜名是小炒黄牛肉抽取忌口偏好是少辣抽取特殊要求是多放香菜、米饭另装。外卖场景更考验NLP。手写单上的少辣可能写得像少lā备注里还夹杂着不要葱花香菜谢谢微辣微微辣这种口语化表达。OCR光学字符识别技术先把图像里的文字提出来NLP再去理解语义两个技术经常串联使用。这种识别理解的链路已经是连锁餐饮数字化运营的标配了。做中文NLP还有些文化层面的细节。比如随便这种回复在点菜场景里意思是你来推荐但在客服场景里可能表示不满。脱离上下文谈语言理解必然出问题所以现在更强调把NLP放在具体业务流程里去解决而不是试图做一个放之四海而皆准的通用语义引擎。4.3 多模态把看色闻香和听人话合起来多模态模型就是让AI同时处理文本、图像、音频、视频等多种信息。为什么需要它因为真实的场景从来不是单一感官的。一位合格的老师傅判断油温不光看油纹视觉还会听油锅里发出的声音听觉同时脑子里的菜谱知识文本知识告诉他这个温度适合下什么食材。多模态要干的就是这事儿。在智能后厨和巡检场景里多模态的价值非常明显。比如用一套系统同时分析灶台监控画面里有没有安全隐患视觉、机器运行有没有异常噪音音频、操作日志里有没有违规记录文本。三种信号对齐到同一个事件判断准确率远超单模态。做AI应用时别一上来就追求多模态大而全先把手头业务最需要的一两个模态打通跑出价值再加否则数据、算力、标注成本都会失控。5. 奖惩试出来的手艺强化学习与长期回报的逻辑5.1 没有标准答案只有好不好吃的分数强化学习跟前面说的监督学习是完全不同的学法。监督学习有标准答案师傅告诉你这盘菜合格、那盘偏咸强化学习没有标准答案只有一个打分机制——师傅不会说你怎么做才对只会根据你做出来的菜给一个好评或差评。新厨工上岗第一天不知道每道菜的标准做法。他往锅里下了一勺盐端上去师傅尝了一口眉头一皱太咸了他得到负分第二天他少放盐师傅点头他得到正分。就这么反复试他慢慢学会了在什么状态下做什么动作会得到奖励。强化学习里的几个概念都能对应上状态是当前看到的食材、灶台和订单情况动作是下一步操作奖励是师傅的打分策略是判断在什么状态下该采用什么动作的一套决策逻辑。这里要注意跟监督学习的差别。监督学习是照标准答案练强化学习是在反馈里自己摸索。自己摸索这件事有个代价它需要海量的试错。游戏和模拟器场景里AI可以在虚拟环境里跑几百万局但后厨里真让AI反复烧坏一百锅菜才能学会颠勺那可顶不住。所以很多机器人技能是先在仿真环境里用强化学习练好再把策略迁移到真实设备上。5.2 探索与利用新厨师的创意和老师傅的稳妥强化学习里有个绕不开的矛盾叫探索-利用的权衡我每次给团队讲都必须强调。探索就是尝试新做法。新厨师为了做出让人惊艳的菜主动偏离标准配方加入平时不用的调料或改变火候有时能出奇迹有时翻车。利用就是沿用已知的稳妥方法。老师傅知道什么火候出什么菜稳定出品没有惊喜但不会砸招牌。算法必须在两者之间做平衡。一个只探索不利用的系统永远在试错积累不了优势一个只利用不探索的系统很快停在60分水平。实操里常用一个简单策略叫ε-greedy翻译过来就是90%的时间按最好的方法做10%的时间故意尝试点新花样。就像后厨定规矩每周保留一天给厨师创新菜其余时间严格执行SOP。这样既稳住日常出品又不放过可能产出爆款的机会。5.3 延迟奖励一桌菜没上齐谁在等强化学习最厉害也最不容易理解的地方是处理延迟奖励。后厨里你这一分钟做的切配工作不会立刻得到奖励真正的奖励在客人吃完饭、结账、甚至下次带朋友再来时才兑现。一顿饭的成败取决于从切配到出菜这整条链路而非某一个瞬间。算法里有个参数叫折扣因子专门用来表达未来的奖励相对于现在的价值。明天客人的好评对今天这桌菜的影响要打个折下周的口碑传播折打得更多。就是把长期回报贴现到眼前来指导决策。这让强化学习特别适合那种走一步看三步的问题餐厅高峰期的订单调度、菜品上桌顺序的安排、外卖骑手的路径规划、机器人颠勺的轨迹控制全是延迟奖励的典型场景。理解了这一点你就知道为什么强化学习能打败围棋世界冠军——它学会的不是某一步怎么走而是如何让整盘棋的长期胜率最大化。6. AI Agent从会听指令的帮厨到能自己排班的档口主管6.1 Plan、Tool、Memory主管的三件套AI Agent是这两年AI应用实践里最火的方向也被很多人戏称为AI打工人的终极形态。普通大模型是你问一句它答一句像一个只会听吩咐的帮厨Agent则是一个有自主性的档口主管你给它一个目标今晚招待一百人的宴会它能自己把这个大任务拆成小任务然后一个一个安排下去。要做到这件事Agent必须有三件套。第一个是规划能力Plan把招待一百人拆成确定菜单、统计食材、分配人手、排工序、控制时间线这些子任务。第二个是工具调用Tool Use光会想没用还得会动手。它需要能查库存系统、能调排班表、能设定时器也就是能调用外部API和软件。第三个是记忆Memory既要记住这场宴会的进度也要记住老顾客的忌口和之前的合作风格。短期记忆负责在对话中保持上下文长期记忆负责把历史经验和偏好沉淀下来。这三件套合在一起才让AI从回答问题跨越到完成任务。这个跨越是本质性的以前是信息助理现在是执行主体。6.2 ReAct循环看一眼调料罐再决定下一步Agent最常见的行动框架叫ReAct是Reason和Act的合体翻译过来就是思考-行动-观察循环。这个机制比我写一段完整的长计划更稳健也更容易理解。用后厨场景演示一遍主管突然接到客人要求加一道蒜蓉粉丝虾。它不会凭记忆直接断言能做而是先推理晚市高峰期备料筐里还有虾吗Reason→ 然后去查库存系统甚至走到备料间看一眼Act→ 发现虾剩得不多但有货Observe→ 再次推理虾不够两人份是不是要告知客人改为半份或者换一道菜Reason→ 回到前厅沟通Act。如此反复循环每走一步都基于最新观察到的事实。为什么这个模式好因为真实世界的信息总是不完整的。一次性的长计划看着漂亮一执行就露馅因为中途总有意料之外某个食材临时缺货、某个炉灶坏了、某个订单临时取消。ReAct让Agent随时把新观察到的信息拉回决策循环而不是闷头执行老计划。我做Agent项目时踩过的最大的坑就是思考过度、行动不足系统反复推理自己该干什么却迟迟不调用工具、不发指令白白消耗Token和时间。解决办法很粗暴给循环设最大步数强制先行动再做修正。6.3 多Agent协作热菜档、凉菜档怎么不打架真实后厨不是只有一个万能主管而是多个分工明确、互相通报的档口负责人。热菜档、凉菜档、甜品档、传菜口各有各的目标还要配合完成整桌宴席。这就是多Agent协作。多Agent系统要解决的核心问题是通信和调度。热菜档说我这桌还要五分钟出锅需要甜品档提前备好因为客人吃完热菜马上催甜品。凉菜档说我这边的菜已经出完了可以支援切配岗。信息不对称的时候两个档口可能同时用同一个烤箱或者热菜全出完了甜品还没动整个上菜节奏就崩了。多Agent架构里Agent之间通过消息机制共享状态由一个调度器统筹决策就是这个道理。但我要给做工程的同学泼盆冷水别为了多Agent而多Agent。我见过不少项目明明一个Agent加几个工具就能解决的业务硬是拆成五个Agent互相调度结果调试成本翻倍、错误率不降反升。务实的路子是先用一个Agent把流程跑通确认哪里确实出现了多个职责同时需要并行处理的瓶颈再拆成多Agent一级一级加复杂度。7. 生成式AI与训练推理从灵感拼盘到高峰期稳定出菜7.1 生成不是检索在食材空间里做新组合很多人对生成式AI有一个误会以为它是在数据库里找一段最像的现成内容贴出来。实际上完全不是。生成式AI的学习方式是在大规模数据上掌握什么东西大概率长什么样的规则然后在一个巨大的可能性空间里随机组合出新的东西。拿AI画图来理解它一开始不是画出一盘菜的轮廓而是从一片纯噪点开始像一大团没揉好的面糊然后逐步去噪、逐步添加细节经过几十步之后才变成一张清晰的菜品图。每一步它都在根据学到的食材搭配规律、光影规律、构图规律来决定下一步往哪个方向调整。这不是检索这是创造。后厨里真正的创意菜也是这么来的。老师傅尝遍了川菜、粤菜、法餐脑子形成了什么食材配什么酱汁大概率好吃的分布规律然后在一瞬间做出一个前所未有的新组合。生成式AI的创新本质就是从这个分布里不断采样采样得越多越有可能碰到惊艳的组合。但既然是采样就必然有风险生成一百道创意菜里可能九十五道是暗黑料理这也是生成式AI需要人工筛选的原因。7.2 训练是学厨三年推理是晚市开火训练与推理这两个词是理解AI落地成本的关键。训练阶段是模型学习参数的过程。用海量数据和大量GPU把神经网络里的权重从随机值一点点调整到能准确完成任务的数值。相当于送一位厨师出国进修好几年期间学费、食材费、国外差旅费全是大头但这笔钱是一次性的。这也是为什么训练大模型那么烧钱强如头部公司也要掂量掂量。推理阶段是模型用已经学好的参数去实际预测、生成。相当于厨师学成回来晚市高峰期真正开火给客人做菜。这时候不再需要花几年学费但每一次出菜都有时间成本和算力成本。训练要求精度和规模往往要超大规模集群推理要求快、稳定、性价比高所以对芯片的需求也不一样。这两类需求直接推动了算力市场的分层。实际做AI项目的同学一定要先把这笔账算明白训练成本是一次性投入推理成本是每调一次接口、每生成一个Token都在花是持续的费用。很多时候企业的AI方案做不下去不是训练没做好而是推理成本在业务量上来之后吃掉了利润。7.3 温度参数和Soufflé为什么确定性与创意要平衡生成式模型里有个非常直观的参数叫温度temperature控制输出的随机程度。数值调低输出更确定同样的输入基本得到同样的回答数值调高输出更随机每次生成都可能不同。后厨类比特别贴切。温度低相当于一家老字号严格按标准出菜味道稳定客人每次来吃到的都是一个味不会出错但也别指望惊喜。温度高相当于一位创意菜厨师每次出菜都看状态有时给你端出惊艳作品有时翻车翻得离谱。你调温度就是在求稳和求新之间找平衡点。我在实际项目里给过一个铁律客服机器人、客服知识问答、合同生成这类场景温度一定要低最好接近0确保答案稳定可预期营销文案、广告创意这类场景可以把温度适度调高让模型多尝试不同的表达方式你再从中选好的。温度这东西就像舒芙蕾的烤箱温度差几度成品完全不一样调参之前先想清楚业务到底要的是稳还是奇。7.4 推理成本、RAG和模型压缩后厨的降本增效最后聊点务实的工程落地经验。大模型应用真正走向业务绕不开降本增效后厨逻辑完全一致中央厨房再好燃气费和人工成本也得控制住。第一条路是RAG检索增强生成。大模型记不住企业内部的最新数据和私有知识你让模型硬答就会出现前面的幻觉问题。RAG的做法是用户提问时先从一个文档库或数据库里检索出相关的真实资料把这些资料作为上下文提供给模型模型再基于事实生成答案。后厨里的对应物是下单前先翻冰箱、查库存等于把背菜谱变成查菜谱既准确又省算力。第二条路是模型压缩常见的办法有量化和蒸馏。量化是把模型参数的精度从高浮点数降到低精度像把一个大厨的完整配方从极其精确的克数简化成约一两损失很小但模型体积和推理速度都大幅优化。蒸馏则是训练一个小模型去模仿大模型的输出让一位经验丰富的大厨把自己的判断逻辑浓缩成一本快手手册帮厨照着手册也能做出六七十分的水准。这两种手段在业务上量之后效果立竿见影。第三条路更朴素别什么任务都上大模型。能写死的规则不写模型能用小模型解决的不上大模型就像后厨也不是所有菜都请主厨亲自做简单的凉菜交给熟练帮厨就行。AI工程化本质上就是一个不断做成本与效果的权衡的过程。这套后厨比喻我这些年给不少非技术团队讲过反响一直不错。听着是段子但每个比喻背后都有真实的技术逻辑支撑不会把人带偏。需要提醒的是比喻终归有边界神经网络不是真的后厨组织Agent也不是真的在思考它们只是把某种可计算的过程用我们熟悉的方式表达了出来。如果你想跟朋友或同事讲AI我建议你也先搭一个整体框架让听众脑子里有一张大图再一个一个概念往里填最后一定别忘了交代那些划等号划不过去的地方——那才是理解AI真正开始的地方。 
长河君 · 2026/10/31 9:00:41 · 阅读 1.2k 后厨里的AI：一文读懂机器学习、神经网络与大模型等十大概念
我一直觉得跟非技术朋友解释AI概念最难的不是术语本身而是让人脑子里没有画面。机器学习、神经网络、深度学习、大模型、AI Agent——这些词放在PPT上大家点头落到真实世界里就飘了。上个月我给我们这边一家连锁餐饮集团的运营团队做AI科普培训为了让他们听得进去我干脆把整套AI十大技术概念搬进了他们的后厨。后厨是个极其精密的系统有人验菜有人切配有人掌勺有人盯外卖单出了新菜要试客人反馈要听晚市高峰要同时出几十道菜。这跟现代AI的工作方式几乎是同构的。所以我定了这么一条主线把机器学习、神经网络、深度学习、大语言模型LLM、计算机视觉、自然语言处理NLP、强化学习、AI Agent、生成式AI、训练与推理这十个最常被问到的概念全部翻译成后厨里的锅碗瓢盆和人事制度。先记住它们之间的关系机器学习是最大的一盘菜神经网络是做这道菜的主要手法深度学习是深层的神经网络大模型是深度学习的巨量版本视觉和NLP是两类感知能力Agent是大模型配上规划、工具和记忆之后的升级形态强化学习是另一种跟监督学习完全不同的学法生成式AI则是一系列模型共同追求的能创造这个目标训练和推理是每个模型都要经历的学厨和出菜两个阶段。接下来我就按这个逻辑一道一道上菜。1. 老厨师怎么带徒弟机器学习是从菜例里悟出规律1.1 从背菜谱到尝百菜传统编程是人先把规则写好机器照着执行——相当于给厨房贴一张SOP盐5克、糖3克、大火2分钟。这个方式的问题在于后厨里真正的难点根本没法写成规则。什么叫断生什么叫挂汁刚好老师傅凭经验判断却没法用语言精确表达。机器学习换了一个思路别再试图手写规则了给你大量做好的菜让系统自己悟。说白了机器学习的核心就是从数据里自动总结规律而不是人肉制定规则。我见过太多非技术朋友第一次听这个概念就懵就是因为搞不清学习到底学了什么。你就想老厨师带徒弟师傅不会跟徒弟说盐要多精准、油温七成是210度而是让徒弟做一百份红烧肉每份都尝尝完自己体会。一百份之后徒弟心里就有数了什么样的肉配什么样的火候什么时候该收汁。机器学习就是这个徒弟只是它记规律的方式不是心里有数而是调一组数字参数。举个具体例子预测一道炖肉需要多久输入是肉块大小、锅具导热性能、火力档位、起始水温输出是时间。机器学习要做的就是找到输入和输出之间的映射关系。这个关系可能复杂到你根本没法用一条公式写出来但模型可以通过成千上万个输入-输出例子把它逼近出来。这正是数据在后厨场景里的意义菜例越多徒弟对火候的判断越准。1.2 师傅评判菜品的尺度监督学习、无监督学习与过拟合机器学习内部还得分门派跟后厨带徒弟的方式一一对应。监督学习是师傅全程打分。系统拿到一批原材料成品的标准答案对师傅在旁边说这盘合格、那盘偏咸模型就学会判断新情况。比如餐厅想用AI评估菜品外观是否达到出品标准那就先让师傅标出几千张合格出品和不合格出品的图片算法从标注里学。这是目前工业界用得最多的一种。无监督学习则是没人给答案。把一百道菜摆在那儿模型自己发现辣菜和甜菜分成两拨或者发现某个食材搭配总是出现在一道菜里。后厨里做消费者口味分析常常这么干把历史订单丢给算法让它自动找出喜欢A套餐的人大概率也爱加B小料这种隐藏规律。还有一个必须警惕的问题叫过拟合这个坑做AI的人天天见。过拟合是什么感觉徒弟学过头了。他可能在某次练习时师傅因为心情好多说了一句这菜做得不错结果徒弟把那天多加了一把盐也当成了制胜心得以后每次都多加盐换个场合就翻车。过拟合就是模型把训练数据里的噪声、偶然事件也当成了规律导致它在见过的题目上表现得极好一遇到新情况就垮掉。判断过拟合最直观的办法就是看训练集成绩和验证集成绩的差距练习卷次次满分一上考场就懵那就是学过头了。这一章最后补一句关于特征的话。师傅看油温是看油纹不是看温度计那个油纹就是特征。机器学习里有个环节叫特征工程就是要告诉模型该看什么、怎么把信息组织起来。现在深度学习省了很多人工特征设计的功夫但理解这个思路能帮你更好地理解后面的概念。2. 从一口灶到整条流水线神经网络和深度学习的内在分工2.1 神经元一个只干一件事的小岗位如果说机器学习是宏观理念那神经网络就是具体的实现方式之一。名字听着吓人但它并不是要模拟人脑只是受神经元结构启发。拆开看神经网络就是一大堆小计算单元的层层堆叠。每个计算单元神经元可以理解成后厨里的一个小岗位。这个岗位只负责一个简单的判断比如当前食材辣度是否超标超过了就往下传信号没超过就不传。成千上万个这样的小岗位排成几排每排各管一个环节最后就能对一道菜做出从原料到成品的整体判断。你可以想象一个小岗位矩阵第一排的人只负责判断这是不是五花肉第二排的人只负责判断这块肉的肥瘦比例是否在标准区间第三排的人判断这个色泽是否到了糖色状态。每一个岗位都白痴简单但连在一起复杂的判断就涌现出来了。神经网络真正的本事不是某个神经元多聪明而是这种笨办法组合出来的集体智能。2.2 深度层层加工把生食材变成入味半成品神经网络为什么叫深度学习深度指的就是隐藏层的数量。隐藏层就是你从外面看不见的那些中间处理环节。浅层网络像一个小店两三个人、几步流程就算完深度网络则是一条完整的后厨流水线。这条流水线最有意思的地方是层层加工的逻辑。第一层看到的永远是原材料的低层特征颜色、形状、边缘。第二层可能开始组合这些特征识别出这是带皮的肉块再往后的层提取更抽象的东西比如肥瘦纹理、糖色状态、是否到了需要转小火的阶段。这跟后厨对食材的逐级处理一模一样先初加工清洗、去根再改刀切片、切丝再腌制入味最后才上灶。每一道工序都在前一道的基础上叠加信息。这也是深度学习跟传统机器学习最大的差别它不再靠人手工设计特征。传统方法你得告诉AI看油纹判断油温深度学习则是直接扔给它海量图片它自己学会先看边缘再看纹理最后看颜色深浅这套程序。换句话说连该先看什么都是它自己学的。2.3 反向传播出锅之后怎么追责到哪一口锅神经网络怎么学习靠的是反复做菜-试味-追责-调配方。这个循环里有个关键机制叫反向传播名字高级道理其实特别朴素。正向传播是食材从进到出原料经过切配、腌制、烹制、装盘得到成品。发现这盘菜咸了之后就要追责究竟是哪一步出了问题是盐放多了还是酱油本身咸度超标还是收汁收得太狠导致咸度浓缩反向传播做的事就是从最终味道反着一步一步推回去计算每一个环节对咸淡这个结果的影响程度然后用这个影响程度去调整对应环节的参数。在神经网络里这个影响程度有个术语叫梯度梯度越大说明这个环节越需要调整。你在后厨里看到老师傅做徒弟的表情其实就是在做反向传播。出锅尝一口眉头一皱嘴里念叨不会是腌的时候盐下重了吧然后下次调整腌制的盐量。神经网络就是把这个过程数值化、自动化了一遍不行就两遍直到模型在训练数据上的整体误差降到可接受的程度。听懂了这个故事神经网络学习这件事你就通了。3. 中央厨房的真实规模大语言模型为什么动辄几千亿参数3.1 预训练中央厨房的底味高汤微调餐厅个性化配方大语言模型英文缩写LLM这两年大家熟悉的ChatGPT、通义千问、文心一言、DeepSeek这些都属于这一类。它本质上就是一个特别巨大、在海量文本上训练出来的神经网络。那它到底为什么那么大一个比喻能说清楚预训练相当于一家企业建中央厨房一次性把几十种基础高汤、通用半成品预制好供所有加盟餐厅共享。训练大模型的过程就是让这个超级后厨在几乎整个互联网的文本上学习语言的规律词怎么搭配、句子怎么组织、知识怎么推理。这个过程烧掉的钱和算力是天文数字所以普通人不要想着自己预训练大模型就像一家街边小馆不会自建中央厨房一样。但中央厨房做出来的是通用底味不是每家店的招牌菜。餐厅要做出自己的风格就得在此基础上做个性化调整这在AI里叫微调。连锁火锅店可以用自己的锅底配方去调中央厨房的高汤让模型更懂你这家店的菜单、语气、产品逻辑。所以说大模型不是直接拿来就能用的好的使用方式是预训练通用能力微调个性化能力。3.2 参数、Token与上下文窗口一次能接多少单大模型的三个基础概念都可以在餐厅场景里找到对应物。参数是神经网络里所有可调节的旋钮总数。你可以把它理解成后厨对火候、调味的精细把握程度。参数越多模型理论上能记住的复杂细节越多但也意味着训练成本、推理成本、部署成本都在涨。不是参数越大就一定越好还得看数据质量和应用场景盲目追求几千亿参数是典型的用牛刀杀鸡。Token是模型读取文本的最小单位。中文一个词可能拆成几个Token。就像点菜时宫保鸡丁会被拆成宫保鸡丁几个部分来处理。Token的切分方式直接影响模型的性能和对中文的理解能力这也是为什么中文大模型在分词上要比英文模型更讲究。上下文窗口则是模型一次能同时记住的信息量。可以理解成后厨能同时记住多少桌客人的在席订单。窗口越大越能处理超长文档、长对话就像大宴会厅的厨房能同时应付二十桌的菜而不乱。但窗口越大计算量和延迟也可能越高这又是一个工程上的权衡。3.3 别把幻觉当创造力AI一本正经地编食材大模型有个著名的毛病叫幻觉这是每个使用者都必须知道的。它生成内容的时候会以无比自信的语气说出一个根本不存在的事实。在后厨里就像一位师傅明明没有某种食材却信誓旦旦地跟客人说我们的招牌菜一定用最新鲜的蓝龙虾端上来的却是一条普通鱼。为什么会这样因为大模型干的事情本质上不是查资料库而是预测下一个词的概率。它见过无数菜谱学到了章鱼烧蓝龙虾分子料理这些词经常出现的语境但它没有真实世界里的食材库存表所以它可能觉得蓝龙虾放在这里很合适于是就这么写了。概率高不代表事实存在。理解了幻觉你就明白了为什么现在做企业级AI应用很少直接让大模型裸奔而是搭配检索增强生成RAG模型在回答之前先去查一下企业自己的资料库、库存系统把真实信息拉回来再组织答案。等于下单的时候先翻冰箱确认有货再承诺。后面聊训练与推理时我还会再展开这套工程方案。4. 后厨的五官计算机视觉、自然语言处理和多模态4.1 视觉验菜、定位切配、装盘质检计算机视觉解决的是AI怎么看世界。图像在电脑眼里不是一张直观的菜而是一个巨大的像素矩阵每个像素有颜色值和亮度值。要让机器从这些数字里看出这是一颗有烂叶子的白菜靠的是卷积神经网络这种专门处理图像的结构。它的做法是像探照灯一样在图像上一小块一小块地扫描先提取边缘、轮廓这种低级特征再层层组合出菜叶纹理腐烂斑点这种高级特征。后厨至少有三个环节能用上视觉技术。第一个是验菜把有瑕疵的菜叶自动挑出来摄像头加分类模型就能干比人眼一天八小时盯得还稳。第二个是目标检测与分割机械臂要夹住那根黄瓜必须先知道黄瓜在画面里的哪个位置、占多大区域。第三个是装盘质检菜品出锅后过一遍摄像头看摆盘、颜色、克数是否符合出品标准相当于后厨设置了一位永不知疲倦的质检员。做视觉项目最容易被低估的是光照。后厨灯光千差万别同一个模型白天晚上效果可能差一大截数据采集时必须把不同时段的光照都覆盖到不然上线就翻车。4.2 语言听懂少辣多香菜和歪歪扭扭的外卖单自然语言处理NLP是让AI处理文本和语音的技术。它的难点不在分词而在语义理解。客人说一句小炒黄牛肉少辣多放香菜米饭另装不要盖在菜上人一听就懂机器却要拆成好几步识别这是点菜意图抽取菜名是小炒黄牛肉抽取忌口偏好是少辣抽取特殊要求是多放香菜、米饭另装。外卖场景更考验NLP。手写单上的少辣可能写得像少lā备注里还夹杂着不要葱花香菜谢谢微辣微微辣这种口语化表达。OCR光学字符识别技术先把图像里的文字提出来NLP再去理解语义两个技术经常串联使用。这种识别理解的链路已经是连锁餐饮数字化运营的标配了。做中文NLP还有些文化层面的细节。比如随便这种回复在点菜场景里意思是你来推荐但在客服场景里可能表示不满。脱离上下文谈语言理解必然出问题所以现在更强调把NLP放在具体业务流程里去解决而不是试图做一个放之四海而皆准的通用语义引擎。4.3 多模态把看色闻香和听人话合起来多模态模型就是让AI同时处理文本、图像、音频、视频等多种信息。为什么需要它因为真实的场景从来不是单一感官的。一位合格的老师傅判断油温不光看油纹视觉还会听油锅里发出的声音听觉同时脑子里的菜谱知识文本知识告诉他这个温度适合下什么食材。多模态要干的就是这事儿。在智能后厨和巡检场景里多模态的价值非常明显。比如用一套系统同时分析灶台监控画面里有没有安全隐患视觉、机器运行有没有异常噪音音频、操作日志里有没有违规记录文本。三种信号对齐到同一个事件判断准确率远超单模态。做AI应用时别一上来就追求多模态大而全先把手头业务最需要的一两个模态打通跑出价值再加否则数据、算力、标注成本都会失控。5. 奖惩试出来的手艺强化学习与长期回报的逻辑5.1 没有标准答案只有好不好吃的分数强化学习跟前面说的监督学习是完全不同的学法。监督学习有标准答案师傅告诉你这盘菜合格、那盘偏咸强化学习没有标准答案只有一个打分机制——师傅不会说你怎么做才对只会根据你做出来的菜给一个好评或差评。新厨工上岗第一天不知道每道菜的标准做法。他往锅里下了一勺盐端上去师傅尝了一口眉头一皱太咸了他得到负分第二天他少放盐师傅点头他得到正分。就这么反复试他慢慢学会了在什么状态下做什么动作会得到奖励。强化学习里的几个概念都能对应上状态是当前看到的食材、灶台和订单情况动作是下一步操作奖励是师傅的打分策略是判断在什么状态下该采用什么动作的一套决策逻辑。这里要注意跟监督学习的差别。监督学习是照标准答案练强化学习是在反馈里自己摸索。自己摸索这件事有个代价它需要海量的试错。游戏和模拟器场景里AI可以在虚拟环境里跑几百万局但后厨里真让AI反复烧坏一百锅菜才能学会颠勺那可顶不住。所以很多机器人技能是先在仿真环境里用强化学习练好再把策略迁移到真实设备上。5.2 探索与利用新厨师的创意和老师傅的稳妥强化学习里有个绕不开的矛盾叫探索-利用的权衡我每次给团队讲都必须强调。探索就是尝试新做法。新厨师为了做出让人惊艳的菜主动偏离标准配方加入平时不用的调料或改变火候有时能出奇迹有时翻车。利用就是沿用已知的稳妥方法。老师傅知道什么火候出什么菜稳定出品没有惊喜但不会砸招牌。算法必须在两者之间做平衡。一个只探索不利用的系统永远在试错积累不了优势一个只利用不探索的系统很快停在60分水平。实操里常用一个简单策略叫ε-greedy翻译过来就是90%的时间按最好的方法做10%的时间故意尝试点新花样。就像后厨定规矩每周保留一天给厨师创新菜其余时间严格执行SOP。这样既稳住日常出品又不放过可能产出爆款的机会。5.3 延迟奖励一桌菜没上齐谁在等强化学习最厉害也最不容易理解的地方是处理延迟奖励。后厨里你这一分钟做的切配工作不会立刻得到奖励真正的奖励在客人吃完饭、结账、甚至下次带朋友再来时才兑现。一顿饭的成败取决于从切配到出菜这整条链路而非某一个瞬间。算法里有个参数叫折扣因子专门用来表达未来的奖励相对于现在的价值。明天客人的好评对今天这桌菜的影响要打个折下周的口碑传播折打得更多。就是把长期回报贴现到眼前来指导决策。这让强化学习特别适合那种走一步看三步的问题餐厅高峰期的订单调度、菜品上桌顺序的安排、外卖骑手的路径规划、机器人颠勺的轨迹控制全是延迟奖励的典型场景。理解了这一点你就知道为什么强化学习能打败围棋世界冠军——它学会的不是某一步怎么走而是如何让整盘棋的长期胜率最大化。6. AI Agent从会听指令的帮厨到能自己排班的档口主管6.1 Plan、Tool、Memory主管的三件套AI Agent是这两年AI应用实践里最火的方向也被很多人戏称为AI打工人的终极形态。普通大模型是你问一句它答一句像一个只会听吩咐的帮厨Agent则是一个有自主性的档口主管你给它一个目标今晚招待一百人的宴会它能自己把这个大任务拆成小任务然后一个一个安排下去。要做到这件事Agent必须有三件套。第一个是规划能力Plan把招待一百人拆成确定菜单、统计食材、分配人手、排工序、控制时间线这些子任务。第二个是工具调用Tool Use光会想没用还得会动手。它需要能查库存系统、能调排班表、能设定时器也就是能调用外部API和软件。第三个是记忆Memory既要记住这场宴会的进度也要记住老顾客的忌口和之前的合作风格。短期记忆负责在对话中保持上下文长期记忆负责把历史经验和偏好沉淀下来。这三件套合在一起才让AI从回答问题跨越到完成任务。这个跨越是本质性的以前是信息助理现在是执行主体。6.2 ReAct循环看一眼调料罐再决定下一步Agent最常见的行动框架叫ReAct是Reason和Act的合体翻译过来就是思考-行动-观察循环。这个机制比我写一段完整的长计划更稳健也更容易理解。用后厨场景演示一遍主管突然接到客人要求加一道蒜蓉粉丝虾。它不会凭记忆直接断言能做而是先推理晚市高峰期备料筐里还有虾吗Reason→ 然后去查库存系统甚至走到备料间看一眼Act→ 发现虾剩得不多但有货Observe→ 再次推理虾不够两人份是不是要告知客人改为半份或者换一道菜Reason→ 回到前厅沟通Act。如此反复循环每走一步都基于最新观察到的事实。为什么这个模式好因为真实世界的信息总是不完整的。一次性的长计划看着漂亮一执行就露馅因为中途总有意料之外某个食材临时缺货、某个炉灶坏了、某个订单临时取消。ReAct让Agent随时把新观察到的信息拉回决策循环而不是闷头执行老计划。我做Agent项目时踩过的最大的坑就是思考过度、行动不足系统反复推理自己该干什么却迟迟不调用工具、不发指令白白消耗Token和时间。解决办法很粗暴给循环设最大步数强制先行动再做修正。6.3 多Agent协作热菜档、凉菜档怎么不打架真实后厨不是只有一个万能主管而是多个分工明确、互相通报的档口负责人。热菜档、凉菜档、甜品档、传菜口各有各的目标还要配合完成整桌宴席。这就是多Agent协作。多Agent系统要解决的核心问题是通信和调度。热菜档说我这桌还要五分钟出锅需要甜品档提前备好因为客人吃完热菜马上催甜品。凉菜档说我这边的菜已经出完了可以支援切配岗。信息不对称的时候两个档口可能同时用同一个烤箱或者热菜全出完了甜品还没动整个上菜节奏就崩了。多Agent架构里Agent之间通过消息机制共享状态由一个调度器统筹决策就是这个道理。但我要给做工程的同学泼盆冷水别为了多Agent而多Agent。我见过不少项目明明一个Agent加几个工具就能解决的业务硬是拆成五个Agent互相调度结果调试成本翻倍、错误率不降反升。务实的路子是先用一个Agent把流程跑通确认哪里确实出现了多个职责同时需要并行处理的瓶颈再拆成多Agent一级一级加复杂度。7. 生成式AI与训练推理从灵感拼盘到高峰期稳定出菜7.1 生成不是检索在食材空间里做新组合很多人对生成式AI有一个误会以为它是在数据库里找一段最像的现成内容贴出来。实际上完全不是。生成式AI的学习方式是在大规模数据上掌握什么东西大概率长什么样的规则然后在一个巨大的可能性空间里随机组合出新的东西。拿AI画图来理解它一开始不是画出一盘菜的轮廓而是从一片纯噪点开始像一大团没揉好的面糊然后逐步去噪、逐步添加细节经过几十步之后才变成一张清晰的菜品图。每一步它都在根据学到的食材搭配规律、光影规律、构图规律来决定下一步往哪个方向调整。这不是检索这是创造。后厨里真正的创意菜也是这么来的。老师傅尝遍了川菜、粤菜、法餐脑子形成了什么食材配什么酱汁大概率好吃的分布规律然后在一瞬间做出一个前所未有的新组合。生成式AI的创新本质就是从这个分布里不断采样采样得越多越有可能碰到惊艳的组合。但既然是采样就必然有风险生成一百道创意菜里可能九十五道是暗黑料理这也是生成式AI需要人工筛选的原因。7.2 训练是学厨三年推理是晚市开火训练与推理这两个词是理解AI落地成本的关键。训练阶段是模型学习参数的过程。用海量数据和大量GPU把神经网络里的权重从随机值一点点调整到能准确完成任务的数值。相当于送一位厨师出国进修好几年期间学费、食材费、国外差旅费全是大头但这笔钱是一次性的。这也是为什么训练大模型那么烧钱强如头部公司也要掂量掂量。推理阶段是模型用已经学好的参数去实际预测、生成。相当于厨师学成回来晚市高峰期真正开火给客人做菜。这时候不再需要花几年学费但每一次出菜都有时间成本和算力成本。训练要求精度和规模往往要超大规模集群推理要求快、稳定、性价比高所以对芯片的需求也不一样。这两类需求直接推动了算力市场的分层。实际做AI项目的同学一定要先把这笔账算明白训练成本是一次性投入推理成本是每调一次接口、每生成一个Token都在花是持续的费用。很多时候企业的AI方案做不下去不是训练没做好而是推理成本在业务量上来之后吃掉了利润。7.3 温度参数和Soufflé为什么确定性与创意要平衡生成式模型里有个非常直观的参数叫温度temperature控制输出的随机程度。数值调低输出更确定同样的输入基本得到同样的回答数值调高输出更随机每次生成都可能不同。后厨类比特别贴切。温度低相当于一家老字号严格按标准出菜味道稳定客人每次来吃到的都是一个味不会出错但也别指望惊喜。温度高相当于一位创意菜厨师每次出菜都看状态有时给你端出惊艳作品有时翻车翻得离谱。你调温度就是在求稳和求新之间找平衡点。我在实际项目里给过一个铁律客服机器人、客服知识问答、合同生成这类场景温度一定要低最好接近0确保答案稳定可预期营销文案、广告创意这类场景可以把温度适度调高让模型多尝试不同的表达方式你再从中选好的。温度这东西就像舒芙蕾的烤箱温度差几度成品完全不一样调参之前先想清楚业务到底要的是稳还是奇。7.4 推理成本、RAG和模型压缩后厨的降本增效最后聊点务实的工程落地经验。大模型应用真正走向业务绕不开降本增效后厨逻辑完全一致中央厨房再好燃气费和人工成本也得控制住。第一条路是RAG检索增强生成。大模型记不住企业内部的最新数据和私有知识你让模型硬答就会出现前面的幻觉问题。RAG的做法是用户提问时先从一个文档库或数据库里检索出相关的真实资料把这些资料作为上下文提供给模型模型再基于事实生成答案。后厨里的对应物是下单前先翻冰箱、查库存等于把背菜谱变成查菜谱既准确又省算力。第二条路是模型压缩常见的办法有量化和蒸馏。量化是把模型参数的精度从高浮点数降到低精度像把一个大厨的完整配方从极其精确的克数简化成约一两损失很小但模型体积和推理速度都大幅优化。蒸馏则是训练一个小模型去模仿大模型的输出让一位经验丰富的大厨把自己的判断逻辑浓缩成一本快手手册帮厨照着手册也能做出六七十分的水准。这两种手段在业务上量之后效果立竿见影。第三条路更朴素别什么任务都上大模型。能写死的规则不写模型能用小模型解决的不上大模型就像后厨也不是所有菜都请主厨亲自做简单的凉菜交给熟练帮厨就行。AI工程化本质上就是一个不断做成本与效果的权衡的过程。这套后厨比喻我这些年给不少非技术团队讲过反响一直不错。听着是段子但每个比喻背后都有真实的技术逻辑支撑不会把人带偏。需要提醒的是比喻终归有边界神经网络不是真的后厨组织Agent也不是真的在思考它们只是把某种可计算的过程用我们熟悉的方式表达了出来。如果你想跟朋友或同事讲AI我建议你也先搭一个整体框架让听众脑子里有一张大图再一个一个概念往里填最后一定别忘了交代那些划等号划不过去的地方——那才是理解AI真正开始的地方。