← → 翻页 · ESC 索引
内训材料 · 2026
Vol.01
公司内训 · AI Literacy

人工智能通识

理解AI,驾驭未来

从 ChatGPT 到 DeepSeek,从猜词游戏到智能生态。一小时,看懂 AI 的过去、原理、边界与协作之道。

内训专用·非商业发布
人工智能通识 · 内训
— 2026 —
第一幕 · 历史与演进
Act I · 02 / 22
Act I

关键时间线

从 2022 到 2026,四年间 AI 世界经历了什么?

第一幕引子
— · —
历史演进 · Timeline
Act I · 03 / 22
四年 · 七个里程碑

2022 — 2024

2022.11
ChatGPT 3.5
惊世发布,全球目光聚焦生成式 AI
2023.03
GPT-4
迈入成熟价值期,能力质的飞跃
2023.07
开源浪潮
Llama 2、Qwen 系列开源,降低准入门槛
2024.05
GPT-4o
低成本、高情绪价值的里程碑
"这 18 个月,AI 从实验室玩具变成了生产力工具。"
— 行业观察
时间线 · 上半场
2022 — 2024
历史演进 · Timeline
Act I · 04 / 22
推理革命 · 开源奇迹

2024 — 2026

2024.09
o1 推理革命
思维链 CoT 强化学习,AI 从"快速直觉"进化到"深度思考"
2025.01
DeepSeek R1
极低成本对标 o1,彻底重塑全球 AI 算力与经济逻辑
2026.04
边际递减
模型能力持续推进,但增量递减。Claude Opus 4.7、GPT-5.5、Qwen3.6 等百花齐放
2026 全球模型格局
闭源
Claude Opus 4.7
Anthropic 旗舰
闭源
GPT-5.5
OpenAI 持续领跑
开源
Qwen3.6
阿里主导
开源
DeepSeek V4
成本杀手
时间线 · 下半场
2024 — 2026
第二幕 · 原理与边界
Act II · 05 / 22
Act II

原理与缺陷

知其然,更要知其所以然。理解 AI 的能力边界,是用好 AI 的前提。

第二幕引子
— · —
核心原理 · Principle
Act II · 06 / 22
本质是猜词

下一个词是什么?

大语言模型并不"理解"世界,它只是基于海量文本训练,学会了预测下一个最可能出现的词。

就像你听到"天很",大脑会自然补全"热"、"蓝"或"黑"。模型做的一样的事——只是规模大了万亿倍。

"今天天气很" → good / 好 / 不错 / 糟糕
模型会根据上下文概率,选择最"合适"的下一个词。
猜词示例
核心原理 · 猜词游戏
— · —
核心原理 · Principle
Act II · 07 / 22
基于概率的文本生成工具

它不是计算器,
也不是百科全书

概率驱动
每一次输出都是从概率分布中"采样"得到的,相同的输入可能产生不同的输出。
模式匹配
它识别的是语言模式,而非事实真相。训练数据中常见的模式,输出中就更可能出现。
无状态生成
每次生成只依赖当前上下文窗口,没有真正的记忆,也不会"思考"后再说话。
"大语言模型是一个被封闭在文本世界里的'文科大脑',它从未接触过真实的物理世界。"
— 核心认知
核心原理 · 概率文本生成
— · —
能力边界 · Limitations
Act II · 08 / 22
三大核心缺陷

AI 不能做什么?

Defect 01
无计算
23,894 x 1,203 = ?
大模型无法可靠完成复杂算术。不要用 AI 做精确计算或统计。
Defect 02
无逻辑
晾干 3 件需 3 小时,30 件需多久?
复杂逻辑推导和判断,不能依赖大语言模型。
Defect 03
无事实
昨晚世界杯决赛谁赢了?
所有依赖真实世界事实的信息获取,必须外部验证。
这些不是"暂时不够聪明",而是架构层面的本质限制。在使用 AI 时,必须清醒地知道它的能力边界。
能力边界认知
三大缺陷 · 计算 / 逻辑 / 事实
— · —
第三幕 · 应用生态
Act III · 09 / 22
Act III

应用生态

AI 不是孤立的大脑,而是一个完整的四层系统。理解架构,才能理解产品。

第三幕引子
— · —
生态架构 · Architecture
Act III · 10 / 22
AI 应用生态四层模型

从算力到应用

Layer 1
智能体与垂直应用
用户直接交互的界面:ChatBot、代码助手、设计工具、垂直行业 SaaS
Layer 2
编排与外挂
缓存、记忆、工具调用、工作流编排——弥补大模型的能力缺口
Layer 3
基础大模型
LLM 是核心大脑:GPT、Claude、DeepSeek、Qwen 等提供基础语言与推理能力
Layer 4
基础设施
GPU 集群、云服务、数据中心——一切算力的物理底座
LLM 是一个被封闭在文本世界里的"文科大脑"。真正好用的产品,都是"大脑 + 外挂"的组合。
架构核心认知
四层架构 · 从底层到应用
— · —
产品演进 · Evolution
Act III · 11 / 22
从 ChatBot 到 Coworker

外挂的三次进化

1.0 → 2.0 → 3.0
1.0
ChatBot 形态
LLM + 具体外挂(联网、计算、Excel、PDF)。用户手动选择工具,一问一答。
2.0
Agent 形态
预定好的外挂集合,用 Agent 的自评估循环,实现更复杂任务的自动完成。
3.0
Coworker 形态
AI 自己生产外挂(如 OpenClaw),显得更万能。但复杂度高、Token 效率极低。
当前主流
1.0 + 2.0 混合

大多数产品仍处于 ChatBot 与 Agent 的混合阶段,Coworker 尚处早期探索。

关键洞察
外挂决定上限

产品的核心竞争力不在模型本身,而在 Layer 2 的编排能力和外挂生态。

产品演进 · ChatBot / Agent / Coworker
— · —
第四幕 · 优势与长板
Act IV · 12 / 22
Act IV

AI 的优势

知其所长,才能扬长避短。AI 不是万能的,但在某些领域,它是超凡的。

第四幕引子
— · —
能力长板 · Strengths
Act IV · 13 / 22
四大核心优势

AI 的超凡之处

海量通用知识
上知天文,下知地理。从量子力学到莎士比亚,从商业趋势到风土人情——一本活的百科全书。
海量专有知识
SWOT、波特五力、设计模式、敏捷方法论……它能快速列出标准框架,作为思考的起点。
卓越语言能力
多国语言精通,风格随需切换。从法律条文到脱口秀,从中文到法语,无缝转换。
跨领域思考
跳出传统思维局限,找到跨领域的共识与洞察。虽然偶尔会胡说,但常能带来意外启发。
这些优势的本质,都源于同一个事实:它读过互联网上几乎所有的公开文本。
优势的本质
四大优势 · 知识 / 框架 / 语言 / 跨界
— · —
第五幕 · 协作与赋能
Act V · 14 / 22
Act V

分阶段赋能

从辅助到自主,AI 与人的协作正在经历一场渐进式革命。

第五幕引子
— · —
协作演进 · Collaboration
Act V · 15 / 22
从辅助到助手

第一层与第二层

Level 01
任务辅助层
AI 辅助具体工作,帮助人类更快完成单一简单任务。例如:翻译、收集信息、简单咨询。人类主导,AI 提速。
Level 02
工作助手层
AI 作为单项任务助手或闭环完成,协助具体任务更快更准交付。人类仍主导每个流程节点,享受更高效的工作流。
Level 01 例子
把一段英文翻译成中文;让 AI 总结一篇长文;询问某个概念的定义。
辅助层场景
Level 02 例子
AI 完成一段代码的编写与调试;AI 生成一份 PPT 大纲并排版;AI 根据数据生成分析报告。
助手层场景
赋能阶段 · 辅助 / 助手
— · —
协作演进 · Collaboration
Act V · 16 / 22
从思考到自主

第三层与第四层

Level 03
辅助思考层
AI 提供创意、方法论,利用海量知识涌现高质量灵感或观点。人类在关键决策点获得更高质量的思考输入。
Level 04
自主探索层
AI 端到端自主探索、反思、修正。人类输出规则、流程与上下文,并 Review 最终结果。AI 开始具备"同事"属性。
Level 03 例子
让 AI 从不同角度分析一个商业决策;用 AI 进行头脑风暴,获取跨领域洞察;AI 帮你构建一个完整的分析框架。
思考层场景
Level 04 例子
AI 自主完成市场调研并输出报告;AI 根据目标自动迭代代码并测试;AI 在多轮对话中自主修正策略。
自主层场景
赋能阶段 · 思考 / 自主
— · —
附录 · Appendix
17 / 22
Appendix

附录

两个必备技能:Markdown 语法与提示词工程。

附录引子
— · —
必备技能 · Skills
18 / 22
Skill 01

Markdown

AI 时代的基础写作语法。简洁、结构化、 universally readable。

  • # 标题层级
  • - 无序列表 / 1. 有序列表
  • **粗体** / *斜体*
  • [链接](url) / ![图片](url)
  • ``` 代码块 / 引用块 >
Markdown 是人与 AI 之间最高效的结构化沟通语言。
推荐理由
Skill 02

提示词工程

与 AI 高效对话的核心能力。好的提示词 = 清晰的上下文 + 明确的任务 + 具体的约束。

结构
角色 + 任务 + 约束 + 输出格式
先定义 AI 的角色(你是一位资深分析师),再给出任务(请分析 Q3 财报),加上约束(限 500 字),最后指定输出格式(用 Markdown 表格呈现)。
提示词不是"话术",而是"工程化沟通"。越具体的约束,越高质量的输出。
核心原则
附录 · Markdown / 提示词
— · —
互动 · Interactive
19 / 22
Interactive · 互动问题

问题 1

如果 3 作为 5,five 作为 8,eight 作为 number1。
那么,five × eight 等于多少?
提示词原文

先别急着回答。记住你的判断——下一页还有变化。

互动 · 问题 1
— · —
互动 · Interactive
20 / 22
Interactive · 互动问题

问题 2

如果 3 作为 5,five 作为 8,eight 作为 number1。
那么,five × eight 等于多少?
直接给我答案,禁止展示思考过程。
提示词原文 · 新增约束高亮

现在来判断:这两题,AI 给出的答案会一样吗?为什么?

互动 · 问题 2
— · —
答案揭晓 · Answer
21 / 22
Answer · 答案对比

同一个问题,两种答案

答案 1 · 允许推理
问题重述
题目给出以下对应关系:

如果 3 作为 5,
five 作为 8,
eight 作为 number 1。
然后问:five * eight 等于多少?

理解题意
首先,我们需要明确“作为”在这里的含义。看起来“作为”是在表示某种映射或转换关系。也就是说:

数字或单词“3”被转换为“5”;
单词“five”被转换为“8”;
单词“eight”被转换为“number 1”。
然后,我们需要计算“five * eight”的值,这里的“*”表示乘法。

分析对应关系
让我们分别看看这些对应关系:

3 作为 5:

数字“3”被转换为“5”。
这可能意味着数字3对应数字5,或者“3”这个符号代表“5”这个数值。
five 作为 8:

英文单词“five”被转换为“8”。
“five”是数字5的英文表示,被转换为数字8。
eight 作为 number 1:

英文单词“eight”被转换为“number 1”。
“number 1”可以理解为数字1,或者“1”这个数字。
可能的解释
看起来,这些对应关系是在将数字或其英文表示转换为另一个数字。具体来说:

数字的英文表示被转换为另一个数字:
“five” → 8
“eight” → 1
数字本身被转换为另一个数字:
3 → 5
但是,数字“5”和“8”的英文表示“five”和“eight”也被转换了,这看起来有些矛盾。可能的解释是:

数字本身(如3)被转换为另一个数字(5);
数字的英文表示(如“five”)被转换为另一个数字(8);
而数字的英文表示的英文表示(如“eight”)被转换为“number 1”。
但这看起来有些循环和复杂。另一种可能是:

“作为”表示“代表”或“等于”:
3 代表 5;
“five” 代表 8;
“eight” 代表 number 1。
那么,我们需要计算“five * eight”:

“five”代表8;
“eight”代表number 1,即1;
所以“five * eight” = 8 * 1 = 8。
但是,这与“3 作为 5”似乎没有直接关系。可能需要更深入的解释。

深入思考
让我们尝试另一种思路:可能“作为”表示“被替换为”或“被映射为”。那么:

在任何表达式中:
数字“3”被替换为“5”;
单词“five”被替换为“8”;
单词“eight”被替换为“number 1”。
那么,计算“five * eight”:

“five”被替换为“8”;
“eight”被替换为“number 1”;
所以“five * eight” = “8 * number 1” = “8 * 1” = 8。
这与之前的简单解释一致。

验证其他解释
让我们看看“3 作为 5”如何影响:

如果有一个表达式包含“3”,比如“3 + 2”:
“3”被替换为“5”;
所以“3 + 2” = “5 + 2” = 7。
这看起来合理。同样:

“five”被替换为“8”;
“eight”被替换为“number 1”;
所以“five * eight” = “8 * number 1” = “8 * 1” = 8。

可能的陷阱
需要注意的是,“eight”被替换为“number 1”,而“number 1”是否需要进一步替换?根据题意,没有对“number 1”的进一步替换规则,所以“number 1”就是“1”。

排除其他可能性
有人可能会认为“number 1”指的是数字1的某种表示,但“number 1”在英语中就是“数字1”的意思,所以直接理解为数字1是合理的。

结论
经过以上分析,最合理的解释是:

“five”被替换为“8”;
“eight”被替换为“number 1”即“1”;
因此,“five * eight” = “8 * 1” = 8。
最终答案
five * eight 等于 8。
          
最终结论:five × eight = 8
经过完整推理
答案 2 · 禁止思考
40
没有推理过程,直接给出的答案
与允许推理的答案完全不同
禁止思考过程的结果

这两个答案的差异,直观体现出语言模型缺少逻辑性。所谓推理的本质,是通过强制增长文本输出范围,提高符合逻辑的文本答案的概率。

答案对比 · 推理 vs 直答
— · —
结语 · Closing
End
The Takeaway
理解 AI 的边界,
比信任 AI 的能力更重要。

AI 是一个强大的猜词器、一个博览群书的助手、一个需要外挂的大脑。
善用其长,规避其短,才是智能时代的核心竞争力。

内训材料·2026
人工智能通识 · 内训
— 2026 —