“我仍然記得第一次讓ChatGPT寫(xiě)bash腳本。我用直白的英文描述需求，然后它輸出了可運(yùn)行的代碼。我的第一反應(yīng)是：‘它怎么知道這個(gè)？’第二反應(yīng)是：‘等等，那個(gè)變量名寫(xiě)錯(cuò)了。’”

這種既驚嘆其能力、又揪住其細(xì)微錯(cuò)誤的矛盾感，正是工程師與技術(shù)作家BlockSimplified開(kāi)設(shè)“AI Fluency課程”時(shí)想剖析的核心。作為該系列第一篇，他想帶技術(shù)人穿過(guò)炒作，看清生成式AI的真實(shí)機(jī)理。

如果你也想向經(jīng)理或團(tuán)隊(duì)解釋清楚這個(gè)概念，或者區(qū)分它和傳統(tǒng)軟件、老式預(yù)測(cè)AI的差別，這篇文章會(huì)從最淺顯的比喻入手，一路拆到API調(diào)用的實(shí)際代碼。你可以按初學(xué)者、中級(jí)或高級(jí)三個(gè)深度自由跳讀。

先從初學(xué)者視角看，最直觀的比喻藏在餐廳后廚。

傳統(tǒng)軟件像一本食譜：你輸入食材，它嚴(yán)格遵循步驟，產(chǎn)出可預(yù)測(cè)的菜品。同樣的輸入永遠(yuǎn)端出同樣的菜——計(jì)算器如此，銀行App亦如是。老式預(yù)測(cè)AI則像一位侍酒師，它觀察你點(diǎn)的羊排，然后根據(jù)以往顧客數(shù)據(jù)推薦：“您大概會(huì)想配馬爾貝克?！彼?fù)責(zé)分類(lèi)、預(yù)測(cè)和推薦，但從不創(chuàng)造新東西。

生成式AI卻像一位嘗過(guò)數(shù)千家餐廳、讀過(guò)數(shù)百萬(wàn)份食譜、看過(guò)無(wú)數(shù)烹飪節(jié)目的廚師。你只需給一個(gè)提示，比如“我想要辣的，意式風(fēng)骨，但帶泰式滋味”，它就能憑空創(chuàng)出一份從未存在的菜肴。有時(shí)驚艷，有時(shí)滿是實(shí)驗(yàn)性。關(guān)鍵洞察在于：GenAI并不查找現(xiàn)成答案，而是基于從海量訓(xùn)練數(shù)據(jù)中習(xí)得的模式，逐一預(yù)測(cè)接下來(lái)該出現(xiàn)什么樣的詞、代碼或像素——也就是“token”。

不再空談，直接跑一段代碼。這是調(diào)用OpenAI API的最簡(jiǎn)Python示例：

# genai_hello.py
# 你的首個(gè)生成式AI API調(diào)用
# 需先執(zhí)行：pip install openai
from openai import OpenAI
client = OpenAI() # 使用OPENAI_API_KEY環(huán)境變量
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": "用一句話解釋生成式AI，就當(dāng)我是軟件工程師。"}
]
)
print(response.choices[0].message.content)

這段代碼的背后流程很直白：你發(fā)出一個(gè)提示（即“用戶”消息），模型穿過(guò)數(shù)十億參數(shù)加以處理，然后逐token生成回復(fù)。你最終拿到的文本，在你發(fā)出請(qǐng)求前并不存在于世。如果多跑幾次，你還會(huì)注意到每次的回復(fù)都有微妙差異。

作者回憶起第一次見(jiàn)到ChatGPT寫(xiě)腳本時(shí)的震撼，恰好點(diǎn)出了生成式AI的兩面性：它能根據(jù)人類(lèi)語(yǔ)言需求即時(shí)合成新內(nèi)容，卻又可能在細(xì)節(jié)上出錯(cuò)。這種“能力與不可靠并存”的張力，貫穿于整個(gè)課程基礎(chǔ)模塊的探索。而真正的應(yīng)用起點(diǎn)，就是從承認(rèn)這種張力開(kāi)始：它不是魔法，而是一種基于模式預(yù)測(cè)的生成引擎，你給的提示、選用的模型，都會(huì)影響那份“從未存在的文本”最終如何落筆。