目前的AI大模型本质是，以统计规律代替逻辑规律，以相关性代替因果性，以海量参数的函数拟合出输入输出算法。具体的技术原理：
1是通过数据集获得统计规律，
2是通过统计规律进行插值输出。而其目的，则是通过这种简单粗暴的算法，创造一条信息的自动化生产流水线。（当然这里都说的是目前最流行的机器学习——神经网络这一系的依靠概率统计方法的AI，还有一些小数据集、类人脑结构之类的AI，目前进展困难，不在此列。）它不像很多AI公司和风投资本吹得那么牛逼，更不可能取代人，目前的算法和训练效率都偏低，多数也配不上现在的估值，泡沫很大。
AI搞创作创新是不行的，但在很多工程应用领域，却真的能像实体自动化流水线一样，大规模高质量产出信息产品，比如自动驾驶和机器人控制。但也像流水线一样，在大致相同的原理和算法上，针对每个行业的产品，大模型也需要做针对性的调整和训练，并不能通用。不是什么通用人工智能。目前这个路线，创造像人一样全功能的AI（其实人也要分专业学习训练）不可能也没必要的。
对于正常人类，其实都是通过学习研究案例，习题等现有因果数据，总结出相应的因果规律、公式或算法，也就得到了这个计算函数。而我们做科研，其实也是类似的过程：做实验，获得实验数据，总结其中的规律、方法和公式，然后在其他类似问题中使用这些公式。
AI大模型的初级原理是一样的：AI需要一个巨大的数据集，也就相当于案例。其中包含了大量现成的、经过人类确认为正确的“输入——输出”对应的因果数据。然后通过神经网络之类的算法模型，对这些“输入——输出”关系进行统计和拟合，获得两者之间的对应规律，也就是函数算法本身。与人类不一样的是，AI不会去逐条分析推理因果之间的逻辑性，而只是在统计概率上获取其相关性，也就是所谓“统计规律”而非“逻辑规律”。（但严格来说，学术上一般认为统计概率的关系只能认为是相关性，而非因果性，统计方法接近于归纳法而非演绎法）与人类的另一个不同是，AI是通过一个（组）具有海量参数的庞大拟合函数来表达这个统计规律，而不是人类那样总结为一堆规律、定理、方法等等复杂的规则体系（这种规则体系被称为专家系统）。而这个根据数据集获得海量参数的具体数值的拟合过程，被称为训练。不同的数据集会训练出不同的参数，对应不同的统计规律和输入输出效果。这样的优点是，AI不需要逐个弄清数据集内的真实准确的因果关系，所以效率很高，就像暴力破解一样，只要结果有足够高的准确率，就能够拿来使用。但缺点就是，统计概率得到的拟合函数，只是个输入——输出的黑箱，无法详细解释其内在逻辑，因而其准确性终究达不到百分之百，也缺乏充分的可靠性。通过统计概率获得数据中的统计规律，而非逻辑因果规律，这就是目前的AI大模型的核心算法。
小溪畅流
