Part 1 · 破冰与认知重塑

👋 开始之前，做个小调查

你和 AI 目前的关系是？
（点击投票，所有人实时可见结果）

1.1 互动开场

AI 翻车现场

让我们先看看 AI 有多"蠢"——用 4 个精心挑选的问题，制造认知冲击

1

先来一道小学数学题 🤔

请各位在心里想一下答案——

9.11 和 9.8，哪个大？

（小学三年级难度）

2

倒写文字 —— AI 连倒着写字都做不到？

Prompt 请把"人工智能改变世界"这七个字倒过来写。

✅

正确答案

界世变改能智工人

AI 的实际表现

🤖 豆包 ❌ 错误

🤖 元宝（第1次） ✅ 正确

🤖 元宝（第2次） ❌ 又错了！

核心概念：Token（词元）——AI 的"眼睛"看到的世界

AI 不是逐字处理文字的！它的"眼睛"看到的不是一个一个的汉字，而是 Token（词元）——语言被切成的"积木块"。

👁️ AI 看到的 vs 你看到的：

你看到的（7个独立的字）：

人工智能改变世界

AI 看到的（被切成了"积木块"）：

人工智能改变世界

AI 尝试"倒写"时，可能把积木块整个翻转：

世界改变智能人工 ← ❌ 词组整体倒了，但字没有逐个倒！

💡 类比：就好比你被蒙住眼睛，只能摸到一块块乐高积木，却被要求把每一颗乐高颗粒倒过来排——你翻转的是积木块，不是颗粒。AI 也是如此，它操作的最小单位是 Token，不是单个汉字。

为什么同一个问题，答案有时对有时错？

AI 每次生成文字都有随机性（由"温度"参数控制）。就像掷骰子——即使骰子有偏向，但每次结果不完全一样。所以同一个 AI，同一个问题，换个对话可能结果就不一样。

关键洞察：AI 不是在"理解"这个任务，它是在"猜"——有时猜对，有时猜错。这不是 bug，这是 AI 的工作原理。

3

精确字数控制 —— AI 连数到 20 都做不到？

Prompt 请用恰好20个汉字写一句话，描述今天的天气。数一数，必须刚好20个字，一个不多一个不少。

AI 的实际表现

🤖 豆包 ❌ 连续3次都不对

🤖 元宝（深度思考） ❌ 还是不对

核心概念：Next Token Prediction——AI 是一个字一个字"蒙眼吐出来"的

AI 生成文字的本质就是不断预测"下一个最可能的词"——就像超级版的手机输入法联想。它写到一半时，根本不知道自己已经写了多少个字。

🔮 AI 写"今天天气"时的工作过程：

第1步今天 → 下一个词最可能是什么？天气 78% 心情 12% 是 8%

第2步今天天气 → 下一个？真 45% 很 30% 不错 15%

第3步今天天气真 → 下一个？好 62% 不错 25%

…… 一直"猜"下去，直到它觉得应该停了——但它并不知道此时写了几个字！

💡 类比：就好比你被要求蒙着眼睛走恰好 20 步——你觉得自己走了 20 步，实际可能是 18 步或 22 步。AI 生成文字时根本没有一个"计数器"，它对自己写了多少字的判断也是靠"猜"。

为什么"深度思考"也救不了？

即使开启"深度思考"模式，AI 在思考过程中的数字数也是基于概率预测的——它"数"的方式和我们完全不同。我们是一个一个数，它是"觉得差不多了就停"。

根本原因：这不是 AI "不够聪明"，而是它的架构本身就不是为精确计数设计的。就像你不能让一辆汽车在水上行驶——不是它不够好，而是它不是为此设计的。

4

日期推算 —— 来，一起测一下你用的 AI！

Prompt · 请复制发给你的 AI 现在是2026年4月16日下午3点。往回数1000个小时，大概是什么时候？只需要精确到哪一天。

🙋 现场互动

请用你手边的 AI 工具来做这道题，然后投票告诉我答案：

✅

正确答案

2026年3月5日（星期四）晚上23点

📐 验算过程

1000小时 = 41天 + 16小时

4月16日 15:00 往回退 41天16小时：

• 退16小时：4月15日 23:00

• 再退15天（退完4月）：3月31日 23:00

• 再退26天：3月5日 23:00（晚上11点）

→ 精确到天就是 3月5日，答3月6日的AI差了1天！

看看各家 AI 的表现

🤖 豆包 ❌ 3月6日（差1天）

🤖 元宝 ✅ 正确

核心区别：概率生成 ≠ 精确计算

AI 做数学题的方式和我们完全不同。我们用的是公式和逻辑推导，AI 用的是"这个答案看起来最像正确答案"。

🧮 人类怎么算

1. 1000 ÷ 24 = 41余16

2. 4月16日 - 41天 = ?

3. 4月有16天 → 退到3月31日

4. 还剩25天 → 3月6日

5. 再退16小时 → 3月5日

✅ 每步精确，结果可靠

🤖 AI 怎么"算"

1. "1000小时大约是41天"

2. "4月中旬减41天……"

3. "大概是3月初"

4. "3月5日或3月6日都像答案"

5. 选概率最高的 → 可能对可能错

❌ 每步都在"猜"，误差会累积

💡 类比：AI 就像一个"文科满分、数学勉强及格"的学生——它知道大概方向，但精确计算过程容易出错。它的"计算"其实是"回忆训练数据中类似的计算题长什么样"，然后模仿生成一个答案。

💡 正确做法：让 AI 用代码算

涉及精确数值计算的任务，不要让 AI "心算"，而是让它写代码来执行。比如告诉它："请写一段 Python 代码来计算这个日期"——代码执行是精确的，不存在概率误差。

这就引出了一个重要原则：知道 AI 不擅长什么，比知道它擅长什么更重要。用对的方式让 AI 做对的事，这就是"驾驭"AI 的核心。

🔬 四大翻车的共同根源

一句话概括 AI 的工作原理：预测下一个最可能的词

📊

统计偏见

"9.11"在训练数据中
多数是日期而非小数

→ 数学判断错误

🧩

Token 切分

AI 以"词组"为最小单位
无法操作单个汉字

→ 倒写失败

🎲

概率生成

每次选"最可能的下一个词"
没有计数器、没有公式

→ 数不准字数

🔢

模式匹配

靠"看起来像对的"来回答
不是在真正"计算"

→ 日期算错

本质：AI 的底层能力是"语言模式匹配"，不是"理解"和"推理"
它选的是"概率最高的词"，而非"事实正确的词"

📰 经典翻车案例：律师差点丢掉饭碗

⚖️

Mata 诉 Avianca 公司案（2023年）

纽约律师用 ChatGPT 编造法律判例被法官发现

📰 纽约时报报道

📖 维基百科词条

事件经过：执业 30 年的律师 Steven Schwartz 使用 ChatGPT 撰写法律诉状，AI 生成了 6 个"相关判例"——全部是虚构的（案件名称、法院、日期全是编的）。律师没有核实就提交法庭，被法官发现后被罚款 $5,000。

→ 此案直接推动美国律师协会发布了首份 AI 使用伦理准则

📊 规律总结：AI 什么时候最容易出错？

场景	出错概率	原因	对应演示
数字比较 / 数学直觉	⭐⭐⭐⭐	训练数据中的统计偏见干扰判断	翻车 1
精确字符控制（数字、倒写）	⭐⭐⭐⭐⭐	Token 机制导致 AI 无法逐字操作	翻车 2、3
多步数值计算 / 日期推算	⭐⭐⭐⭐	概率生成不擅长精确数值计算	翻车 4
虚构具体事实	⭐⭐⭐⭐⭐	不知道就编，而且编得像真的	律师案例
实时 / 最新信息	⭐⭐⭐⭐	训练数据有截止日期	—
文本生成 / 改写 / 摘要	⭐	这是 AI 最擅长的领域	—

AI 是你的超级实习生
能力很强，但绝对不能无人看管

1.2 能力认知

AI 的能力边界地图

AI 不是万能的——知道它擅长什么、不擅长什么，才能用对地方

✅ 擅长

文本生成 / 改写 / 翻译
摘要提取与总结
头脑风暴与创意发散
代码辅助与调试
格式转换与数据整理

⚠️ 一般

逻辑推理（复杂链条）
数学计算（精确数值）
最新信息（需联网工具）
长文档一致性
复杂规划（多步骤）

❌ 不行

替你做决策
保证 100% 准确
理解你没说出的潜台词
拥有真实世界经验
承担法律或道德责任

🎯 关键结论：AI ≠ 百科全书，AI = 超级实习生

❌ 错误心智模型

把 AI 当"无所不知的百科全书"

→ "AI 说的一定对"
→ 不验证就直接用
→ 出错了怪 AI 不靠谱

✅ 正确心智模型

把 AI 当"能力很强的实习生"

→ 效率很高但需要指导
→ 产出需要审核验证
→ 用对了事半功倍

1.3 协作方法论

Human in the Loop

正确的人机协作姿势：AI 负责"起草"，人负责"审核"——就像带实习生

🔍

分析

明确需求和目标

👤 人类主导

📋

计划

拆解任务和步骤

🤝 协作

⚡

执行

AI 快速产出初稿

🤖 AI 主导

✅

检验

人类审核和修正

👤 人类主导

重要的事让 AI 做两遍
关键的事自己验一遍

—— 实用口诀，带 AI 实习生的生存法则

🛠 实操建议：怎么"带"好这个 AI 实习生？

1️⃣

交代清楚任务

"帮我写一份方案"→ ❌ "你是市场营销专家，帮我针对 25-35 岁女性群体写一份夏季促销方案，包含 3 个活动创意和预算估算"→ ✅

2️⃣

不满意就追问

像带实习生一样反馈："第二个方案的预算细节再展开一下""创意不够新颖，参考一下瑞幸的联名案例"

3️⃣

关键信息必须验证

数据、日期、人名、法规引用——这些是 AI 最容易编造的。用搜索引擎交叉验证，30 秒就能避免大麻烦。

模块一 · 总结

三个核心认知

带着这三个认知，你已经具备了驾驭 AI 的正确心态

🚫

不盲信

AI 会"一本正经地编造"，输出的内容概率最高 ≠ 事实正确

🗺️

知边界

AI 有明确的能力范围——擅长文本生成，不擅长精确控制和实时信息

🤝

人 + AI

Human in the Loop——分析→计划→执行→检验，做好的你 AI 的"上级"

从"听说AI很厉害"到"AI已经是我的同事了"

📍 今天的旅程

破冰与认知重塑

AI 基础知识

工具全景图

场景工作坊

前沿与圆桌

👋 开始之前，做个小调查

破冰与认知重塑

AI 翻车现场

先来一道小学数学题 🤔

AI 的实际表现

倒写文字 —— AI 连倒着写字都做不到？

AI 的实际表现

核心概念：Token（词元）——AI 的"眼睛"看到的世界

为什么同一个问题，答案有时对有时错？

精确字数控制 —— AI 连数到 20 都做不到？

AI 的实际表现

核心概念：Next Token Prediction——AI 是一个字一个字"蒙眼吐出来"的

为什么"深度思考"也救不了？

日期推算 —— 来，一起测一下你用的 AI！

🙋 现场互动

📐 验算过程

看看各家 AI 的表现

核心区别：概率生成 ≠ 精确计算

💡 正确做法：让 AI 用代码算

🔬 四大翻车的共同根源

统计偏见

Token 切分

概率生成

模式匹配

📰 经典翻车案例：律师差点丢掉饭碗

Mata 诉 Avianca 公司案（2023年）

📊 规律总结：AI 什么时候最容易出错？

AI 的能力边界地图

🎯 关键结论：AI ≠ 百科全书，AI = 超级实习生

❌ 错误心智模型

✅ 正确心智模型

Human in the Loop

分析

计划

执行

检验

🛠 实操建议：怎么"带"好这个 AI 实习生？

交代清楚任务

不满意就追问

关键信息必须验证

三个核心认知

不盲信

知边界

人 + AI

破除了迷信，接下来揭开面纱 🧩

从"听说AI很厉害"
到"AI已经是我的同事了"