AI Learning
AI 学习
以问题为起点，整理人工智能的必要知识、工具方法与认识论评论。
重在实用，不尚玄虚。既记录 AI 辅助翻译、古籍校读与知识管理的方法，也基于认识论等立场评论其前景及边界。
Contents at a Glance
栏目概览
三类内容 · 共17篇
每栏列出简介与代表内容，完整资料由栏目入口进入。
学习路线
从必要概念到实际应用，建立可以持续推进的学习次第。
AI 学习：从问题出发，向实践推进
建立本站 AI 学习板块的基本方法：围绕真实任务学习，在实践中补足概念与工具。
大语言模型究竟在做什么
用非数学的方式说明训练、参数与逐词生成，同时指出「预测下一个词」不足以解释模型的全部表现。
上下文不是记忆
解释 Token、上下文窗口、信息位置与上下文污染，说明模型为什么没有天然的持久记忆，以及这对长篇资料整理意味着什么。
工具方法
解释实际工作必须掌握的方法、概念与验证程序。
把任务说清楚，把验收写在前面
高质量的输入由任务定义、背景材料、示例与约束四部分构成，其中最关键的是事先写定的验收标准。
让输出可以被检查：字段、契约与校验
说明复杂任务为什么应当要求固定字段的输出，数据契约包含哪些内容，以及为什么格式合法仍然需要逐条校验。
工具、工作流与 Agent：能力从哪里来，边界划在哪里
梳理语言模型、外部工具、文件系统、浏览器与程序执行之间的关系，说明 Agent 增加的是行动范围而不是可靠的自主判断。
AI评论
基于认识论等立场，对 AI 的能力、前景与边界进行评论。
流畅、世界模型与「涌现」：三种过度归属
从流畅表达是否等于理解出发，讨论语言能力与世界模型的关系，并检视「通用智能」「智能涌现」这类说法的概念边界。
信息、真命题、信念与知识
分辨四个常被混用的概念，并据此考察「模型能否拥有有根据的信念」这一问题的实际内容。
模型的话算不算证言
从证言知识论出发考察模型输出的地位，讨论来源链与知识责任，并区分把 AI 当作学术工具与当作知识权威。