第一周过去了。从大模型的本质聊到GPU的算力战争，从AI怎么学会说话的聊到开源闭源的路线之争——五个核心概念，你大概已经装了满满一脑子。
但信息太多也容易乱。这篇汇总不写新东西，只帮你把过去四天学到的内容串起来，画一张完整的知识地图。
四篇文章讲了什么？——一句话概括
| 篇目 | 核心问题 | 一句话答案 |
|---|---|---|
| 第1篇：大模型是个啥 | 大模型到底是怎么工作的？ | 一个超级接龙游戏——根据上文猜最合理的下文，每猜一次都是几十亿次数学运算。 |
| 第2篇：AI怎么学会说话的 | AI是天生就会说话吗？ | 三步走：预训练（海量自学）→ 监督微调（看范文）→ RLHF（被几万次点赞点踩调教）。 |
| 第3篇：开源与闭源 | Llama免费给用，GPT为啥收费？ | 开源你拿到权重自己玩，闭源你只能通过API租用。各有各的适用场景。 |
| 第4篇：GPU在算什么 | 为什么训练AI必须用显卡？ | 因为AI训练的本质是超大规模矩阵乘法，GPU就是专门为这种运算设计的。 |
这几个概念不是孤立的。它们之间有一条清晰的逻辑链，我帮你理一理。
逻辑线：从本质到载体到训练到分发
① 大模型是怎么工作的？（第1篇）
这是最底层的问题。大模型不是"思考机器"，而是一个概率生成器——你给它一段上文，它算出一段下文。算法是Transformer，核心操作是注意力机制。
这决定了它的所有特性：
- 因为它靠概率猜词 → 所以它有时候会"胡说八道"（猜错了）
- 因为它"读过"全网数据 → 所以它什么话题都能聊一点
- 因为它只是接龙 → 所以它没有真正的理解能力
这是理解后续所有概念的基础。
② 但光有算法不够，怎么让它变"强"？（第2篇）
算法决定了"怎么算"，但决定"算得好不好"的是训练。
训练的本质是：拿海量数据，让AI一遍遍猜词，猜错了就调整内部参数（几百亿个浮点数），直到猜对为止。
这个过程需要什么？
- 数据：整个互联网的文本
- 算力：几千张GPU跑几个月
- 钱：几千万到几亿美元
这引出了两个问题：谁来提供算力？谁来承担成本？
③ GPU就是提供算力的"发动机"（第4篇）
第2篇说的"几千张GPU跑几个月"不是随便说说的。GPU之所以成为AI时代的核心硬件，是因为：
AI计算的本质 = 矩阵乘法 = 大量简单重复运算 = GPU的天然强项
CPU像博士生，什么复杂的活都能干；GPU像一万个小学生，只会做加法乘法，但数量多到能碾压博士生。一块H100的浮点运算能力是顶级CPU的1000倍。
这引出了另一个现实问题：GPU贵、缺货。谁负担得起几万张H100的费用？
④ 开源 vs 闭源：谁来提供"AI服务"？（第3篇）
算力和训练成本太高，不是谁都能玩的。于是市场上分化出两种模式：
闭源（OpenAI、Anthropic、Google）：
- 自己承担全部训练成本
- 通过API按Token收费回本
- 用户只需要发请求、收结果，不需要买GPU
开源（Meta、DeepSeek、阿里Qwen）：
- 训练成本自己承担或由母公司补贴
- 权重文件公开，谁都可以下载
- 用户自己部署，数据不出门，长期成本低
这两条路线在过去两年里激烈竞争，结果是你——作为用户——同时享受到了两者带来的好处：闭源持续提升能力天花板，开源压低整体价格。
五张图帮你记住
如果不想记那么多文字，只需要记住这五张"图景"：
图景1：接龙游戏
大模型 = 一个接龙游戏 输入"今天天气____"，它算概率最高的下一个词"真不错"。 这就是一切的基础——没有理解，只有概率。
图景2：养娃工程
训练AI = 养一个孩子 第一阶段：自己读书（预训练）——读全世界的书，但不一定会说话 第二阶段：老师教（监督微调）——看范文学会问答格式 第三阶段：社会调教（RLHF）——无数人点赞点踩教会它"说人话"
图景3：奶茶配方
开源 vs 闭源 = 自制奶茶 vs 买喜茶 开源你拿到完整配方，自己煮茶、自己调比例，想加什么加什么 闭源只能去柜台买，喝到啥是啥 前者成本低但需要动手，后者省心但长期贵
图景4：一万个小学生
GPU vs CPU = 一万个小学生 vs 一个博士生 博士生能解微积分但一次只能做一题 一万个小学生每人只会做加法，但可以同时做一万道加法 AI训练需要的是加法（矩阵乘法），所以GPU赢了
图景5：四篇文章的串联逻辑
算法 → 怎么变强 → 靠什么硬件 → 谁来提供服务 第1篇→第2篇→第4篇→第3篇 接龙游戏 → 训练三步走 → GPU算力引擎 → 开源/闭源分发
一些你可能还没意识到的"连接点"
这几篇文章里藏了一些跨篇的线索，单独看可能不注意，串起来很有意思：
线索一：同一笔矩阵乘法的三个维度的故事
第1篇讲注意力机制时提到一个 4×12288 的查询矩阵和第 96 个注意力头。第4篇里同一个 4×12288×4 的矩阵乘法，在H100上只需要几纳秒就能完成——但要在96层×96头×几百个Token上重复几千万次。第1篇告诉你它是什么样的运算，第4篇告诉你它为什么能算完。
线索二：开源模型和闭源模型的GPU依赖关系
一个经常被忽略的事实：Meta开源Llama 3.1 405B时，自己花了约6000万美元训练它。你下载权重在自己机器上跑——这"免费"的实质是Meta替你付了GPU账单。而OpenAI闭源GPT-4，则是让每个用户按Token付费来分摊GPU成本。开源是把训练成本集中到一家公司身上，闭源是把成本分摊给全体用户。
线索三：RLHF的"点赞点踩"和开源生态的结合
第2篇提到RLHF需要人类标注员给AI回答排序。有意思的是，开源社区正在尝试"众包RLHF"——让每个下载开源模型的用户通过点赞点踩来贡献偏好数据，数据公开、模型改进也公开。这跟闭源模型内部偷偷做RLHF（你都不知道自己每次"点赞"被记录了下来）形成了耐人寻味的对比。
下周预告
第一周是"基础认知"——我们聊了最底层的东西。下周进入第二主题：日常使用，你将面对三个每天都在用、但很少有人真正理解的概念：
- Token到底是什么？AI是数"字"算钱的
- Token怎么收费？各家模型价格大PK
- 该用哪个模型？GPT、Claude、Gemini、DeepSeek怎么选
如果你第一周的内容已经消化完了，下周一见——你会发现为什么每次跟AI聊天，背后都有个小账本在滴滴答答地跳数字。
推荐复习路径
如果想温习，建议按这个顺序回看：
- 第1篇（大模型本质）→ 是理解一切的基石
- 第2篇（训练过程）→ 理解AI的能力来源
- 第4篇（GPU算力）→ 理解能力的物理载体
- 第3篇（开源/闭源）→ 理解行业生态格局
第1篇最难（涉及Transformer和注意力机制），但如果啃下来，后面就轻松了。
📖 本文是MST「30天AI科普专栏」第5篇 / 共25篇 🔖 分类：基础认知 关注MST，每天一个AI小知识，把大模型讲明白。