李兆岭|祛魅：人工智能到底如何变成“大聪明”的？

各位朋友，大家好！

今天我想和大家分享一个词：祛魅。

什么叫祛魅？简单来说，就是打破高科技自带的神秘感。

作为专利律师，很荣幸，工作中会接触较多领域的技术，包括芯片、AI、通信等各类技术，对各类技术发展基本过程有基本的了解，对很多领域的发明创造有相应的研究。我们就发现，很多技术，包括汽车、芯片、人工智能、5G、6G这类前沿技术，初一看很高深、厉害、牛掰。但实际上，所有看起来顶尖的技术，都不是一夜之间凭空诞生，全部依托底层基础，经过较长时间的迭代才逐步完善。就像我们熟悉的汽车，我说是油车，八缸、12缸的发动机，火花塞精准点火的精密控制，进排气门精准的打开与关闭，也是历经数百年不断改良才实现的。芯片也是从电路开始，整体上就是一个集成了很多很多电路的“片”。

不止芯片，当下热度最高、被大家过度吹捧和神化的应该是人工智能。现在人人都觉得AI无所不能，写文案、整理材料、解答各类问题样样都行，甚至不少人担心它会彻底取代人类。今天我就结合自身行业经验，尝试拆解底层逻辑，和大家讲清楚：人工智能到底是如何一步步变成我们眼中的“大聪明”，同时它又存在哪些无法回避的天然短板。

AI自动生成

一、AI的起点：依靠算法函数，搭建空白基础模型

任何一款智能大模型诞生的第一步，是搭建算法框架，也就是AI的“骨架”。从数学本质来讲，算法就是函数。我们初高中、大学都学习过一次函数、二次函数、指数函数等，当然也包括逻辑函数。现在人工智能的深度学习大模型，“函数集合”更多是以神经网络层的形式存在，以工程技术模仿人的神经系统，以学习人类“好好学习，天天向上”的精神。

算法中，函数的基本逻辑，就是一个变量跟随其他变量变化形成固定规律。现在成熟的大模型内部，嵌套着成千上万组相互关联的复杂函数，各类激活函数、基础函数互相嵌套、彼此影响，模拟人类大脑神经元联动工作的模式。

市面上有大量开源现成函数可以直接调用，某些头部公司及技术团队还会结合自身业务需求，自主推演、创造实现相应目的的专属定制函数。每一组函数内部包含常量、变量，研发人员会预先设置基础权重与关联比值，无数函数相互组合，就形成了人工智能最原始、空白的基础大模型。

但此时的模型仅仅是一具空架子。内部所有参数、权重都是随机初始化或者预训练迁移获得的，没有经过真实信息校验，逻辑关系可能与现实需要有较大的偏差，这个阶段的AI谈不上半点聪明，甚至十分笨拙，完全无法独立处理现实问题。想要让AI拥有思考、作答、处理任务的能力，还需要训练，利用高质量的数据与语料库进行训练。

就像人类，不行万里路，不读万卷书，怎么能长本领；没有风雨，别想见彩虹。

二、AI变聪明的前提：分阶段投喂语料，完成闭环训练

人想要掌握知识、习得技能，需要读书、实践、积累阅历，本质是向大脑持续输入信息；人工智能的学习逻辑和人类基本原理相似，人工智能需要依靠“投喂数据、投喂语料”进行训练，完成学习。人工智能的训练包括预训练阶段和微调监督训练阶段。

（一）预训练：搭建基础认知的粗框架

原始空白模型搭建完成后，第一步开展预训练。先投喂一批海量原始数据，这一阶段不追求答案精准，目标只有一个：给模型建立基础认知框架。这就好比我们初学一门专业知识，先通读整本教材搭建整体认知，不用纠结每一处细节对错。通过原始数据的初步输入，模型内部函数的参数、权重会形成粗略的对应关系，具备基础信息分辨能力，从完全空白变得略懂皮毛，也能大幅降低后续精细化训练的时间与人力成本。

（二）微调监督训练：精准校正，固化完整模型

搭建完粗略的认知框架后，就进入精细化微调阶段。这一步会使用人工、机器筛选、标注、分类的标准语料，持续输入模型，持续尝试调整函数之间的权重、关联关系，修正前期模糊、错误的逻辑。

该阶段的训练通常是闭环循环流程：输入标准数据→模型输出对应答案→人工/系统核对结果→对比标准答案反向调整参数，如此循环很多很多次。经过反复校验优化后，模型内部函数关联、常量数值会完全稳定固化，这个过程业内称之为“封装”。

封装完成的大模型，可以部署到云端服务器，面向全社会开放使用，社会公众可以使用。就如我们日常接触的豆包、千问、DeepSeek等各类AI工具。我们手机、电脑上的客户端只是人机交互窗口，真正负责运算、生成回答的，是后台服务器里封装好的完整大模型。

这里必须纠正一个大众关键误区：人工智能并不会像人类一样真正理解文字、读懂问题。它所有输出内容，都是依托海量数据、函数运算算出概率最优解，依靠数据之间的关联规律筛选答案，不存在主观思考、情感和独立认知。

三、AI能力的分水岭：四类合规训练数据，已成行业稀缺核心资源

结合《生成式人工智能服务安全基本要求》，行业内合规用于模型训练的数据可以分为四大类：开源训练数据、自采训练数据、商业训练数据、使用者输入信息数据。

AI回答精准度、综合能力强弱，模型框架是基础，训练语料的数量、覆盖范围、综合质量是保证。一般认为，高质量数据需要同时满足几个条件：第一，准确，不能错；第二，多样，不能太单一；第三，要可靠，去掉不可靠的内容；第四，完整，不能是三句半。高质量数据才能训练出实用可靠的AI。

近墨者黑，近朱者赤，一样的道理。

这里延伸一个产业发展规律：农耕时代，土地是最核心的生产资料，人力劳动是生产的根本依托；工业革命到来后，资本成为产业扩张、获取剩余价值的手段，技术创新成为提高生产效率的动力；到了当下数字、人工智能时代，数据成为全新的核心战略资源。

用于模型训练的各类数据各有特点，也各有优劣。

（一）开源训练数据

开源训练数据主要指互联网公开可获取、可合规开放使用的文本、图片、音视频等公共资源，也是早期大模型预训练阶段最主要的数据来源。过去几十年互联网、移动互联网积累的海量网页、公开文库、科普文章、公开问答内容，都属于这类数据，支撑了人工智能近十年的快速发展。

这类数据的优势是：数据体量庞大、覆盖生活化、通用化内容，获取门槛低，适合模型前期大范围预训练，搭建基础认知。其不足之处在于：第一，版权约束收紧，大量网文、专业文献、原创图文受著作权保护，不能随意抓取商用；第二，网络信息良莠不齐，充斥重复、虚假、造谣内容，必须投入大量人力做清洗、去重、核验。

随着人工智能发展，可用开源数据消耗与时代更新，优质、垂直专业的开源数据越来越少，高质量开源资源逐步枯竭。

（二）自采训练数据

自采训练数据，是AI服务商根据自身业务场景，主动自主采集、自主整理的专属场景数据。比如车牌识别AI企业，自主拍摄不同光线、天气、车型下的车牌图像；医疗AI企业线下采集标准化诊疗影像；律师事务所数字办公系统积累的法律文书及相关法律文件。

这类数据的优势是：高度贴合自身业务场景，数据针对性强，能弥补开源数据在细分行业的空白；企业自主掌控采集全流程，可自主把控数据标注标准。其存在的局限与合规难点：采集成本极高，需要投入设备、人力、场地；极易触碰个人敏感信息。依据《个人信息保护法》，身份证、人脸、病历、联系方式等可识别自然人身份的信息必须完全脱敏，采集前还需取得用户授权。

（三）商业训练数据

商业训练数据，指企业通过合法商业采购、授权合作方式，从第三方机构、实体企业手中购买的标准化行业数据。比如向医院采购脱敏后的诊疗数据库、向律所采购授权开放的标准化案卷、向制造企业采购生产线运行记录，都属于商业训练数据。

商业训练数据的优势：垂直专业度最高，经过企业前期标准化整理，数据真实、规范、行业参考价值极高，是训练行业专属垂直模型的核心素材。其局限在于：采购价格昂贵，中小AI企业难以长期负担；交易前必须签署完整数据授权协议，明确训练使用范围、脱敏要求，规避著作权、商业秘密侵权风险；数据更新周期长，实时性差。

（四）使用者输入信息数据

使用者输入信息数据，就是我们普通用户使用AI过程中，输入的提问、文案、对话内容，以及AI对应的回复内容，是模型上线后持续迭代优化的核心增量数据，也是各大AI平台免费开放服务的重要原因之一。

这里需要客观平衡看待这件事，并非平台单方面“收割用户信息”：对普通用户而言，零门槛免费使用智能工具，大幅降低学习、办公成本；对平台来说，海量真实人类提问，能填补开源、商业数据覆盖不到的生活化、个性化场景。

同时《生成式人工智能服务安全基本要求》明确划定监管红线：

第一，平台必须提供独立开关，允许用户自主选择是否授权自身对话内容用于模型训练；

第二，若用户未主动授权，平台严禁采集、使用其输入信息训练模型；

第三，所有用于训练的使用者数据，必须自动脱敏，清除姓名、手机号、证件号、住址等全部敏感个人信息；

第四，平台需建立完整投诉通道，用户发现个人信息被非法使用、泄露时，可随时维权。

四、看懂数据逻辑，就能看清AI的天然能力边界

搞懂AI依靠数据学习的底层逻辑，我们就能预判它的能力短板：大众普及、数据储备充足的领域，AI输出准确度更高；冷门细分、专业壁垒高、案例稀少的领域，AI出错概率会大幅提升。

放到法律领域，对比会非常直观。劳动纠纷、婚姻家事、普通合同、简单侵权这类大众案件，全网文书、判例、参考资料海量，AI处理基础检索、文书初稿撰写时，准确度很高。现在不少律师都会用AI分担基础辅助工作，甚至减少律师助理招聘，降低人力、工位、社保等综合人力成本。

但像专利无效、外观设计确权、商业秘密、反垄断这类小众细分业务，天然存在三大短板：第一，行业整体案件总量少，标注完整的专业语料严重不足；第二，每一件专利都要求具备新颖性，理论上每件创新设计都和现有技术存在区别，不存在大量高度雷同案例可供模型学习；第三，专业判定规则极度细化，拿外观设计专利无效举例，判定两大核心理由下还要细分相同、实质相同、现有设计转用、拼合、替换等多种情形。

这类高度精细化、定制化的专业逻辑，通用大模型只能学习基础文书框架，无法独立完成深度专业法律判断，最终还是需要行业从业者结合实操经验细化修正。当然行业内也有对应的优化方案：现在一些律所、专利机构会搭建专属垂直小模型，投喂内部案卷、专利审查资料等专属数据，能一定程度弥补通用大模型的短板，但当前依旧无法完全替代人类专业判断。

五、AI带来的职场变革：中层执行岗位受冲击最大

理解AI的能力边界与适用范围，我们就能看懂当下各行各业正在发生的职场变化。之前参加人工智能行业会议，一位企业负责人分享过行业现状：AI对职场人群的冲击呈现明显分层，受影响最严重的是各行各业中层执行人员。底层实操体力岗位，比如现场布置、线下服务、实体操作等，线下物理动作暂时无法被AI完全替代；顶层决策层，需要综合市场、财务、政策、竞品等多重复杂因素权衡判断，依赖人的综合阅历与战略眼光，AI也无法独立完成；但夹在中间、负责标准化重复执行工作的中层，比如基础代码编写、标准化文书撰写、常规数据整理等岗位，很容易被AI高效替代。

之前行业内流传一种观点：未来世界只需要5%具备深度创造性的人，95%缺乏创新能力的普通人会被AI替代。这里需要补充范围限定，避免大家产生极端焦虑：这句话里“可被替代的人群”特指标准化、重复性脑力执行岗位，线下实操、顶层创意决策类工作并不包含在内。

长远来看，这件事不能只看短期负面冲击，也要看到行业新机遇：重复性工作被AI承接后，人类能从机械劳动中解放出来，转向高创造、高沟通、高综合判断的工作；同时市场也会诞生AI训练师、数据标注师、AI合规顾问、行业AI调优专家等全新职业。

六、理性祛魅：客观看待人工智能，用好工具而非畏惧

最后我们再回扣开篇“技术祛魅”的核心观点。人工智能从一堆空白函数，逐步训练成能辅助我们工作生活的“大聪明”，全程依靠海量合规数据、分阶段长期训练堆叠而成。它所有亮眼表现，本质都是海量前期人力、算力、数据积累的结果，就像奥运冠军舞台上的高光时刻，背后是台下十年日复一日的艰苦训练。

在这里也给大家一点实用建议：日常通用问题可以直接使用通用大模型提升效率；面对法律、专利、医疗等专业问题，一定要结合专业人士经验二次核验；如果在意个人对话隐私，可以在AI设置中关闭用于模型训练的数据授权开关，保护自身信息安全。

不管是百年迭代的汽车发动机，还是如今火热的人工智能，褪去高科技的滤镜，底层逻辑其实都清晰易懂。看懂AI的成长逻辑，我们才能理性、合理地驾驭这项工具，借助它提升工作效率，同时守住人类独有的创造、思考与综合判断的核心价值。

感谢大家！

(本文根据直播内容整理而成)