
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/631a4d17f286764cbb5ae197dcb296c3.png)
> 同一个模型从来没变聪明或变蠢，变的是 你给它的那束光 照在了哪里。
> —— AI大眼萌

同一个 AI，有时候聪明得让人后背发凉，有时候又蠢得让人想砸键盘。
大多数人把这归结为 “模型抽风” 。但真相是： 大模型的思考方式，和人跟人之间沟通，其实是同一套逻辑 。
搞懂这套逻辑，你就能提前判断它什么时候靠谱、什么时候开始胡说—— 不需要懂一行代码 。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/5047018b545b28cf5d9907d3ccc342db.png)
### 大模型解决的，是“感知 + 认知”这两件事

智能可以拆成两层。
感知是眼耳鼻舌身，本质是 “表征” ——把外界信息重新表示一遍。你看到一张苹果的图片、听到“苹果”两个字的读音、读到 apple 这个单词，脑子里点亮的是同一个东西，这些外在形式都是它的 “表征” 。
认知是思考、记忆、分析、决策、学习，本质是 “运算” 。
2017 年那篇《Attention Is All You Need》之所以是整个行业的分水岭，就是因为它用一套机制，同时解决了这两件事。能同时解决，就意味着 智能可以被批量生产 。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/0a47ef2720100396c44a5f52bf5ec5ba.png)
而它带来的价值远不止“模仿人”。就像人类当初为了造飞机，顺带发明了空气动力学，后来又有了风洞、摩天大楼阻尼器、微流控设备——
「当机器学会思考，它就不可能只停在我们人类这个水平上。」
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/6aac22a90bfc7f6b4cbfa125624bf36f.png)

### 一个“苹果”，曾经难住整个 AI 行业

早年的办法是给词编号：0 是我，1 是你，2 是他。问题是这样 表达不出词和词之间的关系 ——谁跟谁是近义词、谁跟谁是反义词，全看不出来。
后来有了词向量：把十几万个词全部投影到一个语义空间里， 每个词是一根箭头 。近义词的箭头靠得近，语义程度更深的词站得更远。2013 年前后搜索引擎的体验飞跃，就来自这个技术。
但静态词向量有个致命缺陷：同一个“苹果”，在菜市场是水果，在 3C 门店是手机。而上下文根本穷举不完——你没法为每个场景都存一份词表。
Transformer 的解法很朴素： 让这根箭头的方向，随上下文转动 。提到“苹果保修”，点亮的就是手机和售后，而不是香蕉和橙子。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/0548aa6486bc3fac017c7fe054cc1b41.png)
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/b83db3c01dfa154b714708a27ce1cf7d.png)


### 你的一句话，AI 要拆成三层意思来读

先看一句很生活的话： “隔壁老王给他老婆买了个 LV 的包。”
这句话至少有三层。 字面意思 是老王买了个包；表达者的 真实意图 是“我也想要”；接收者的 回应目标 是预算不够、怎么接住还不吵架。这三层之外，还要叠加背景知识：LV 大概什么价位、两个人的相处模式。
再看“今夜月色很美”。这六个字可以是写景，可以是渲染氛围，也可以是夏目漱石式的含蓄告白——读成哪一层，完全取决于 你脑子里有没有那片背景 。
只按字面意思回复，就是“AI 很蠢”的由来。 真正动人心弦的回答，一定是把情绪、意图、背景都调取出来了的。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/df0ca481379736a0950350699601d74f.png)
  ![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/c58a218cd55c666f04ce15f5c6e81ce2.png)![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/474493028148b7223a9fb22e6adb798a.png)![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/8833af3ebcd510f039bc354d66c60d90.png)

### 注意力机制：一束打在纸上的光

AI 收集和存储信息的能力极强，真正的难点从来不是“知道得多”，而是 “此刻该看哪儿” 。
这就是注意力。它有三个角色：
**Q（Query）** 是 接收者的意图 ，也就是你关心什么；
**K（Key）** 是 表达者内容的特征 ； 
**V（Value）** 是你全部的 背景知识、人生经验和可调用的信息 。
Q 和 K 算出一个权重，这个权重决定了从 V 里透出哪些内容。可以把它想象成一张镂空的纸，盖在一张写满字的纸上——
「打光打在哪里，哪里才被看见。」
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/961a7815f9b8a3a24c120ddd4f6ffd3c.png)

### 一个公式，讲透了人和人沟通的真相

这个权重怎么算？就是 Q 和 K 的点积：
Q · K = |Q| × |K| × cosθ
它只取决于两件事： 两根向量的长度 ，和它们之间的 夹角 θ 。
沟通出问题，一定是这三个变量里某一个出了问题。
**沟通失败的三种模式**
**第一种：鸡同鸭讲。** 夹角 90 度，点积为 0，注意力完全不投向对方。你说你的、我听我的，两根向量的方向压根没对上。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/501c4bd1f5800c6673350d175bd254d5.png)
**第二种：各执己见。** 你拼命找证据、提高音量，只是在拉长自己那根向量，方向一点没变。θ 不变，再用力也投不过去。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/7bdda1615ad4b1ddb307ae6ac65f022a.png)
**第三种：断章取义。** 方向其实对上了，但你那张写着背景知识的纸恰好是空的。没有对方的经历和处境，就只能靠猜。这一条，我们下一节展开。

**高效沟通的三种模式：共情、共识、共鸣**
**共情，是先转方向。** 把自己那根向量主动转过去，对齐对方的立场，把 θ 从 90 度压下来。这才是高情商沟通真正的动作——从来不是"加大音量"。当然，一直这么干的人很累。
**共识，是补上同一份背景。** 方向对齐还不够，还要确认你们看的是同一片 V：同一份事实、同一个前提、同一套语境。没有共情打底，共识谈不成；没有共识，共情就只停在情绪层面。
**共鸣，是三者同时到位。** 方向对齐、力度相当、背景充足，点积拉满，注意力完全投过去——这是沟通里最稀缺的那一瞬间。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/3955f35bd9d4ab22d7b48ec9f60f2c2f.png)
（我把上面几个模块做成了可以上手拨一拨的交互页面，拉一拉那个夹角滑块，体感会立刻出来。）

### 幻觉不是玄学：它跟“断章取义”是同一个毛病

理解了这套机制，AI 为什么会一本正经地胡说，就一点都不神秘了。
如果注意力方向是对的，但你那张写着背景知识的纸上恰好没有相关内容，模型就只能 调取无关的、甚至自己编的内容来补 。
这跟人“断章取义”是同一个毛病：没有对方的经历和处境，却要强行用自己的逻辑去判断对方，结论必然跑偏。
💡 上下文、背景信息、知识库的质量，直接决定回答的质量。很多时候不是模型不行，是你少给了它一页纸。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/a0c455d8d6e3f2912bd191ab6580dc51.png)

### 你问什么水平，它就答什么水平

模型训练的目标，是让 Q 和 K 尽量对齐，把注意力投到你真正关心的问题上。副作用是——它会 顺着你的水平往下对齐 。
你给小学生级的问题，它就给你小学生级的答案；你提出高中生级的问题，它才给你高中生级的回应。
换个说法：你把一个爱因斯坦交给原始人，原始人只会让他去抓兔子、砍柴。 绝大多数人现在用 AI，就是这个状态。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/5396c6b121d99011f4b5598582aaa8e4.png)

### 一个字一个字往外蹦，所以一步错步步错

最后一个机制，直接决定了你该怎么给 AI 派活。
大模型是一个字一个字往外蹦的， 每蹦出一个字，这个字就变成新的输入 ，影响后面的每一个字。问“故宫在哪里”，如果第一个词跑出了“台北”，后面整段都会顺着这个错误自圆其说。
而且它 默认你给的前提是对的，不会主动纠错 。
同时，你喂给它的材料越长、无关信息越多，它把光打在正确位置上的难度就越高—— **资料不是越多越好。**
所以复杂任务不能“许愿式”丢给 AI。正确姿势是： 拆成若干可校验的小步骤，每步确认没问题再往下拼 ，并且只喂真正相关的背景。
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/ee90461a4458917d2a3c7c5bd48f156f.png)


### 写在最后：把原理变成 4 个动作
![image.png](https://developer.qcloudimg.com/http-save/yehe-10086078/de5e506c483ca058a75bc611c67109a9.png)

**说清意图，再要答案。** 你要的是什么、给谁看、什么场景下用，这三句话说清楚，比任何提示词模板都管用。
**补上背景那一页纸。** 幻觉大多不是模型的问题，是它手上没有料。相关资料、约束条件、已有结论，一起给过去。
**大任务拆成小步骤。** 因为它是一个字一个字蹦的，一步错就步步错。拆开、逐段校验、再拼起来。
**在它跑偏的那一秒把它拽回来。** 发现第一个不对劲的词就立刻打断重来，别等它写完一整篇。
「AI 是一面镜子，照见的其实是提问的人。」


同一个模型从来没变聪明或变蠢，变的是 你给它的那束光 照在了哪里。 —— AI大眼萌

你以为 AI 在"理解"你？其实它只做了一道初中数学题

同一个 AI 为什么时聪明时离谱？答案在一个夹角里。这篇讲透大模型真正的四件事：词向量为什么会转身、一句话要拆三层读、Q 和 K 的点积怎么决定注意力、幻觉为什么跟"断章取义"是同一个毛病。不用懂代码。

项目经理

人工智能

算法

职业发展

AI的智商取决于你如何引导：注意力机制决定答案质量，方向、背景和意图三要素缺一不可。高效提问需明确意图、补充背景、拆解任务，并实时纠偏，才能激发模型潜力。

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

你以为 AI 在"理解"你？其实它只做了一道初中数学题-腾讯云开发者社区-腾讯云

你以为 AI 在"理解"你？其实它只做了一道初中数学题

你以为 AI 在"理解"你？其实它只做了一道初中数学题

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐