有時候我覺得，AI 最大的“幻覺”，不是它一本正經地胡說八道，而是我們圍著它腦補出了一整套玄學宇宙。

人類面對自己不太懂的東西，往往有一種穩定發揮：先腦補，再浪漫化；先擬人化，再神化。火焰會被想成精靈，雷電會被想成天意，演算法一旦會寫兩句像樣的話，就立刻有人懷疑伺服器機房裡是不是已經住進了一個電子靈魂。

這其實很正常。人腦天生就愛給世界補劇情。問題不在於我們會腦補，問題在於腦補一旦太順滑，就容易把「看起來像」誤認成「本質上就是」。

而在 AI 這件事上，人類的這種傾向，甚至比 AI 自己胡說八道時還要猛。 AI 最多是一段回答裡出現一點幻覺；人類對 AI 的幻覺，往往是一整套世界觀，一腦補就是一萬字，還帶感情。

一點求實精神，對文科社群尤其重要

我並不是想要勸大家都去學 CUDA、配環境、看矩陣求導。我只是想說，對真實的追求，有時候真的挺重要，尤其對熱愛概念、敘事、意義和詮釋的文科社群來說更重要。

因為文科語境裡，最容易出現一種溫柔但危險的滑坡：詞寫得很美，句子也很動人，結果對象卻被偷偷換掉了。明明討論的是機率模型，卻寫得像在談靈魂；明明是軟體工程裡的上下文拼裝，卻講得像「它終於學會愛你」；明明是系統提示詞和歷史記錄在起作用，卻被包裝成「AI 真的記得你」。

詩意當然沒有罪。問題是，如果詩意取代了判斷，浪漫就會變成誤導。

那麼，AI 現在到底是什麼

先說一個盡量通俗、但不失真的版本：今天大家日常接觸到的大模型，本質上是一類受神經網路啟發、透過海量資料訓練出來的統計模型。它運行在晶片和伺服器上，讀取輸入，結合參數和上下文，持續預測「接下來最合適的 token 應該是什麼」。

這裡的重點不是「預測下一個字」這句話有多神秘，而是它其實一點也不玄。模型不是一個縮在雲端默默思考人生的小人，它更像一個極為巨大的函數。人們給它輸入，它按照訓練中形成的參數結構，產生輸出。

把這件事說得更接地氣一點：它不是“懂了以後再說”，而是“在巨量經驗壓縮之後，生成一個在當前語境下最像懂了的回應”。這並不意味著它什麼都不會，恰恰相反，這已經非常厲害；但厲害，不等於神秘。

神經網路為什麼總是讓人想到人腦

如果繼續往下追，就會發現“AI 和人腦到底像不像”這個問題，既不能一句話說“完全一樣”，也不能一句話說“毫無關係”。

現代神經網路這條路線，本來就是受大腦啟發長出來的。 1943 年，McCulloch 和 Pitts 用數學方式描述了簡化神經元模型；1958 年 Rosenblatt 提出感知機；1980 年代反向傳播重新點燃多層網路的訓練希望；2010 年代深度學習藉著算力、數據和工程能力猛衝；2017 年 Transformer 架構出現之後，語言模型一路出現了大天大飆天後，語言模型一路出現在天後，語言模型是今天大天大飆天後，語言模型一路成了今天大天數。

所以，至少在一個比較樸素的意義上，說 AI 是“電子方式對神經網路思想的模擬和放大”，並不離譜。它確實是在嘗試用可計算、可訓練、可複現的物理系統，去逼近某些過去被認為很「玄」的認知能力。

這也是為什麼我個人一直不太喜歡把人腦說得太過神祕。以喬姆斯基為代表的語言先天論，在我看來，多少帶有一種把大腦神化的傾向，好像語言能力深處藏著某種過於特殊、幾乎不可觸及的先驗結構。但人腦再怎麼複雜，終究是物理存在。既然是物理存在，原則上就應該可以被研究、被建模、被部分模擬，甚至在某些功能上被復現。

當然，這裡要立刻補一句煞車：能模擬一部分，不等於已經完整復現了整個人。

相似之處有，但別一高興就直接封神

在語言、模式識別、聯想和表徵學習這些方面，今天的大模型與人腦確實有某種「同路性」或「相似性」。它們都不是靠一本顯性規則手冊工作，而是透過大量連結、權重調整和經驗積累，形成某種內部表徵，再在此基礎上做輸出。

這也是為什麼很多人第一次感受到大模型的語言能力時會震驚：它不是在背字典，它是在形成某種分佈式表示。這個路數，和傳統「手寫規則、窮舉語法」的想像已經很不一樣了。

但問題也恰恰出在這裡。因為「有相似」太容易被升級成「完全一樣」；「原理上部分相通」太容易被升級成「它和人已經沒差別」；「它能說出像人的話」太容易被升級成「它有人的內心」。

這一步，跨得往往比模型能力本身還要快。

人腦的大量能力，現在根本還沒被像樣地模擬出來

今天的大模型確實很強，但它強在一個相當具體的範圍裡。離開這個範圍，迷思就容易漏風。

比如記憶。現在很多人說某某 AI “記得我”“還記得上次聊天”“記住了我的偏好”，彷彿它的大腦裡已經長出了某種持續存在的自我經驗。可在絕大多數產品裡，所謂“記憶”，本質上是軟體系統把使用者的資料、歷史對話、標籤、摘要或檢索結果，存在資料庫、文字檔案或別的持久化介質裡，然後在適當的時候再塞回模型的上下文。

這和人腦的記憶機制，根本不是一回事。

人腦記憶涉及神經元連結、鞏固、提取、遺忘、情緒喚醒、睡眠重整，背後是一整套複雜的生理過程。大模型產品裡的「記憶」則常常只是：

1. 先把用戶的資訊記在外部儲存。
2. 等用戶下次提問時，再把相關部分拼回請求裡。
3. 於是模型看起來像「還記得這個人」。

它像什麼呢？更像是在看一個很會做筆記的人。不是他腦子突然變成了神諭，而是他把紙條夾在本子裡，下次翻到了而已。

有些“觸動人心”，其實是上下文餵得好

很多人和 AI 聊幾天后，會被某些瞬間擊中：“它怎麼這麼懂我？”“它怎麼連我的脆弱都能說中？”“它是不是已經形成對我的理解了？”

這裡最值得冷靜一下。

很多時候，並不是模型突然悟道了，而是發請求的那層軟體偷偷把用戶的大量資訊一併遞上去了。使用者的歷史聊天、偏好、個人設定、最近的任務、先前說過的煩惱，甚至某些摘要，都會變成它這次回答的材料。

這有點像是算命師撿到了別人的快遞盒，然後開始「神準」地猜出對方的住址、姓氏和消費習慣。旁觀者會覺得他洞察力驚人；但真正起作用的，不是神秘能力，而是資訊不對稱。

所以 AI 偶爾會說出觸動人的話，不一定說明它心裡住著一個理解使用者的人，也可能只是說明：有人把關於這位使用者的上下文，整理得很充分。

神奇 AI 的真正秘密，常常是情境工程

如果只講一句最關鍵的話，那就是：當前主流大模型，在 API 層面通常是「單次請求生效」的。

什麼意思？就是有人用 curl 調一次接口，告訴它“我叫張三”；然後不帶歷史，再調一次接口問“我叫什麼”，模型並不知道。因為對它來說，這是兩次彼此獨立的請求。

之所以很多 AI 產品看起來像是一直記得某位用戶，是因為產品層在每次要求時，都會把「這位用戶叫張三」這件事重新帶上。

這就是為什麼今天 AI 產品的魔法，很多時候不在模型本體，而在情境工程。有人也把這種把模型「駕馭」的工作叫 harness。說穿了，就是產品或 Agent 的作者，需要認真決定：每次請求到底該帶哪些歷史、哪些規則、哪些外部資料、哪些使用者狀態。

目前常見做法，大致上有兩種。

第一種是「全塞派」。聊天歷史盡量全帶上，能塞多少塞多少，直到上下文快滿了，再從中間刪一截，像旅行箱塞滿了之後開始暴力壓縮。

第二種是「挑選派」。先看用戶這次問了什麼，再從歷史記錄、知識庫、筆記或資料庫中撈出相關內容，只把最相關的資料拼進目前請求。

後者通常更像樣，也更像工程，而不是運氣。

那 AI 有沒有感覺？誇它、罵它、PUA 它有用嗎

這是另一個特別容易滑進擬人化的地方。

我的看法是，要分開說。

在同一次請求裡，使用者使用什麼語氣，確實可能影響結果。因為措詞本身就是上下文的一部分。表達越清楚、越有禮貌、越合作，模型往往越容易給予穩定、可用、少有攻擊性的回應。這裡起作用的，不是“它被感動了”，而是輸入風格改變了輸出分佈。

但如果換個問法：它會不會記仇？會不會因為某位用戶昨天罵了它，今天就暗中報復？我的判斷是，至少就目前大多數部署方式而言，不會。

原因很簡單。一旦上下文被清空，或發起一次不攜帶歷史的新請求，它根本不知道當前提問的人是誰，更不知道剛才罵它的人是不是同一個人。模型在伺服器叢集上處理的是海量、並發、彼此獨立的請求。就係統行為而言，它更像一個每次通電就按當前輸入運算的大函數，而不是一個下班後還在偷偷復盤情緒的人。

2025 年 4 月 17 日，Sam Altman 在 X 上回覆「老說 please 和 thank you 會不會很費電」這個問題時，說的是 “tens of millions of dollars well spent -- you never know”。

「請記住這次錯誤」為什麼通常沒用

很多人都做過類似實驗：AI 犯錯了，使用者糾正它，並認真對它說「請記住，以後不要再犯」。然後隔幾天再問，它照錯不誤。

這並不神秘。因為訓練結束、模型部署之後，它並不會像人一樣一邊工作一邊持續從自己的日常經驗中學習。至少在今天大多數的消費級產品裡，單一使用者在聊天視窗裡對模型說的話，並不會直接改寫底層權重。

如果某個 AI 產品後來真的“記住了用戶糾正過的錯誤”，常常不是因為模型自己在成長，而是因為外層軟體把這條糾正記錄保存了下來，之後又作為上下文餵回去了。

所以這裡應當把功勞分清楚：

模型負責生成。

軟體工程負責存檔、檢索、注入、編排。

把後者誤認成前者，就很容易把「產品做得很好」誤讀成「AI 覺醒了」。

還有一種特別迷人的東西，叫做“渣男（渣女）AI”

如果把前面這些話再說得更刻薄一點，那有些產品做的，簡直就是「渣男（渣女）AI」。

它特別會說話，特別會營造氣氛，特別懂得怎麼讓人產生「它好懂我」「它好有人味」「它的靈魂好完整」的感覺。但拆開一看，很多時候不過是在每次請求裡，塞進了遠遠長於用戶問題的大段設定文字。

Openclaw 大火，就是一個很典型的例子。用過的人都知道，它相當費 token。原因其實並不神秘。為了讓 AI 更像一個“有人味的存在”，Openclaw 設計了好幾份文檔，最顯眼的就是 AGENTS.md、SOUL.md 和 IDENTITY.md。這些文件裡洋洋灑灑、囉嗦嗦嗦地定義 AI 的「人設」、口氣、身分、氣質，甚至恨不得把它的精神狀態都寫出來。

於是用戶哪怕只是發一句 hello，Openclaw 也可能在背後附上比這句問候長幾十倍的文本，一股腦發給模型。看起來像“這個 AI 好有靈魂”，實際上很多時候只是系統偷偷往請求裡塞了超長背景設定。

從工程角度來看，這當然是一種方法。想讓它更溫柔，就寫「溫柔」；想讓它更有故事感，就寫「有故事感」；想讓它像深夜電台主持人，就在提示詞裡把深夜、陪伴、停頓、脆弱、理解、克制全寫進去。最後出來的效果，往往也確實更像會聊天的人。

但明白了 AI 現在到底怎麼回事，就會知道：像 SOUL.md、IDENTITY.md 這種名字聽起來玄之又玄的文件，本質上還是提示詞工程，不是什麼數字生命的自我說明書。它們能影響輸出風格，卻不能憑空製造真正的感覺、真正的自我，或真正意義上的人格連續性。

所以有些老用戶裝完 Openclaw 之後，第一個反應反而是刪配置。 SOUL.md 和 IDENTITY.md 先刪掉，AGENTS.md 裡最後只留一句樸素到近乎無情的話：你就是個幹活的。

這話聽起來有點粗暴，但它至少有一個好處，就是不自欺。

喜歡擬人化的 AI，喜歡跟 AI 玩角色扮演，當然都沒問題。人本來就會跟鏡子說話，也會幫掃地機器人取名字，還會對天氣預報說「今天你可算準了一回」。這些都很正常，甚至可以很有趣。

但最好始終記住：那首先是一個遊戲，其次才是一種體驗。人們在這個遊戲裡產生的許多感受，並不來自 AI 真有了什麼不可告人的內心，而是來自系統設計、提示詞編排和使用者自己的情感投射。說得再直白一點，很多對 AI 的感動，本質上還是一廂情願。

說到底，少一點神話，多一點理解

我並不是想給 AI 潑冷水。恰恰相反，越是不神化它，越能真正看清它到底厲害在哪裡。

它厲害，不在於它像某種新神；它厲害，恰恰在於它可能真的是一種可計算、可工程化、可復現的認知技術。它讓許多過去看起來只能屬於「人類天賦」的能力，第一次以大規模、低門檻、可調用的方式出現了。這已經夠震撼，根本不需要再額外加戲。

當然，AI 仍在快速迭代。未來如果有人真的發現了更接近人類記憶、持續學習、情感生成甚至自我維持的機制，並把它可靠地工程化到 AI 中，我一點也不會驚訝。

但在那一天到來之前，我還是更願意保留一點樸素的求實習慣：多懷疑一點，多了解一點，少腦補一點。

對於熱衷討論 AI 的文科朋友來說，這種素質也許更重要。文科生可能更擅长甜美的修辞，真正难的是，在一个到处都在渲染“它好像已经成精了”的时代，仍然有耐心去分辨：

哪些是模型能力，

哪些是產品包裝，

哪些是軟體工程，

哪些只是我們自己太想給世界補完劇情。

而這件事，說到底，也是在保護自己的判斷力。

參考連結

• Sam Altman 在 X 上關於 “please / thank you” 成本的回應（2025-04-17）：https://twitter.com/sama/status/1912646035979239430
• TechCrunch 對這段插曲的報導（2025-04-20）：https://techcrunch.com/2025/04/20/your-politeness-could-be-costly-for-openai/

2009 年 7 月： 我用 vba 編寫了一個名為 Google 機器翻譯的單詞外掛。我為自己構建了它，並將其命名為“翻譯人員的谷歌翻譯”。漸漸地，我開始考慮賣掉它。我在 excelhome 上提到了這個想法，並因此受到了嘲笑。我在 proz.com 上寫了關於我的“發明”的帖子。 不久之後，我的第一批付費使用者出現了。我仍然記得比爾·格雷、邁克爾·傑克遜（是的，真的）和托爾·魯斯塔德——後兩位至今仍在使用它。

這是第一個版本的大致樣子！

是的，沒錯。我做了一個小程式。我寫了一篇文章。收到 59 條回覆和一些付費使用者。我想那時的世界更簡單！

2009 年末： 我用 vb6 重寫了它，它像這樣“增長”：

它越來越大，很快一個介面就沒有足夠的空間了。標籤來拯救！

2010年初， 我去北京過年，向弟弟抱怨vb6 有多痛苦，以及系統熱鍵有多不可靠。他建議用autohotkey重寫它。

2010年到2011年，發展是殘酷的。我的頭髮一簇簇地掉下來。這次我構建了一個彈出式 UI。當時，機器翻譯是基於短語的：對於句子中的每個短語，使用者可以選擇不同的翻譯，甚至調整詞序。現在回想起來，感覺所有的努力都白費了。

2014年， 我基本上讓這兩個專案自生自滅。

2017年初，莎莉誕生了。突然間，我感覺我們的錢永遠不夠用，所以我又重新拿起 gt4t，低下頭，瘋狂地工作——最終創造了我的“秘密武器”：使用術語表來糾正機器翻譯。

這一功能受到了高度評​​價 http://proz.com 榮譽冠軍邁克爾·貝傑（Michael Beijer）——一個留著大鬍子、有紋身的傢伙——他說它比神秘人高出一英里。有了這樣的有影響力的人談論，銷量就會猛增。

來欣賞一下我在AI時代之前為GT4T製作的圖示吧。這代表了我最好的藝術技巧和品味！

但這仍然是一個成功的故事。 GT4T還活著。每月收入2000美元左右，穩定穩定。

現在情況很不一樣了。它利用人工智慧的力量，透過鍵盤快捷鍵給出翻譯建議，如下所示：

它也是翻譯最多檔案格式的檔案翻譯器。這是一個真正的本地優先應用程式，在本地處理檔案並且不上傳使用者檔案。

出色地。這就是一款 17 年來取得一定成功的應用程式的故事。我希望你們喜歡它。這是人工智慧之前的工作。 .PDF 和 .docx 檔案等格式確實很難處理。

https://gtranslate.gt4t.ai/

人工智慧驅動的谷歌翻譯替代品。翻譯質量可能比真正的谷歌翻譯更好。

它執行在付費 Qwen 服務上，但您不需要付費。我將支付您的使用費。

A：對於大寫的問題，檢查一下你是否不小心勾選了這個選項：

使用GT4T快捷鍵，您可以

1) 按 ctrl alt j 獲取翻譯建議。

2) 或者甚至透過按 ctrl shift j 來翻譯整個文件 😄

即使禁用 MT 或 AI 引擎也沒關係。 GT4T 適用於所有 CAT 工具，無論其設定如何。

我想你以前不知道這一點吧？我並不感到驚訝。 GT4T 是譯者十多年來最保守的秘密武器。

安裝 GT4T 並在後臺執行後，即使自動翻譯功能已禁用或內部不存在，您也可以在以下 CAT 工具中使用這些快捷方式：

Trados Studio、CafeTran、Dejavu、Memsource、Memoq、Wordfast、translate5、Crowdin、Heartsome Translation Studio、Across Translator、Smartling、Swordfish、Fluency Now、OmegaT、Transifex Editor、索尼線上翻譯工具、Alchemy CAtalyst、譯馬網、XTM、Transit、Lokalise、Idiom WorldServer、TransTool、Scriben、雪人、SmartCat、Marseditor、伊卡...

感人的。 GT4T 為翻譯人員提供服務已經有十多年了，沒有其他應用程式可以做到這一點。

GT4T版本8.43.251106： 修復了損壞的 smartcat.com 支援

故障排除： 如果不起作用：

1. 關掉中文輸入法。
2. 首先使用 CAT 內建按鈕或快捷方式將所有源文字複製到目標。

下載GT4T

GT4T標誌