pm12 · 概念扫盲 · 祛魅打假 —— 听懂饭局与发布会上的话

• 模块：M1 认知地基
• 集目：第 12 集
• 本集课节：GPT、LLM、AIGC…这些缩写怎么分 / 英伟达为什么那么值钱 /「我训了个模型」到底训了什么 / AI 圈黑话翻译器
• 配套音频：pm12-m1-播客.mp3（约 16 分钟）
• 来源：xueai.miyang.cn（小山学堂 · 洛小山《学 AI 产品，从入门到精通》）

---

一、本集要解决什么问题

别人聊 AI 的时候，你听到的词个个眼熟、个个说不清；更要命的是，你隐约觉得有些话水分不小，却不知道该怎么问。

本集做三件事：

1. 把最常听到的缩写放回各自层级（一张嵌套图）；
2. 讲清「训练」在圈内的真实含义，给出四层梯子；
3. 把发布会/朋友圈最常见的 8 句话翻译成人话，给出追问三连。

目标不是让你能拆穿谁，而是听懂之后，把判断留在心里。真话术不攻自破，真本事也藏不住。

---

二、能力地图：三块内容的分工

块	解决的问题	产出
缩写层级	这些词谁包含谁	一张嵌套图 + 「新缩写先归圈」
算力与成本	为什么这么贵	卖铲人逻辑 + 并行计算比喻
训练四层梯子	他到底训了什么	L1–L4 分层 + 三连问
黑话翻译器	宣传有几分真	8 张卡 + 含金量档位

两条隐藏主线：钱（算力贵是所有 AI 服务收费的根源）与时间（训练贵，所以绝大多数团队只能站在别人底座上做应用）。

---

三、第一块：几个缩写，谁包含谁

嵌套关系图

AI（人工智能）            ← 最大的圈
 └─ NLP（自然语言处理）    ← 教机器懂人话的领域
     └─ LLM（大语言模型）  ← 管文字的大模型
         └─ GPT            ← 造 LLM 的一种主流做法
AIGC  = 拿工具「生成内容」的行为（写文/画图/做视频）
Agent = 给 LLM 装上手脚的应用形态
AGI   = 终极目标，目前尚未实现
多模态 = 长在模型身上的能力（文字/图片/声音都能看懂）

GPT 的双重身份

GPT 原本是一串技术术语的缩写（生成式预训练变换器），指造大模型的一种主流做法；后来 OpenAI 把自家产品直接命名为 GPT 系列。于是新闻里的「GPT」有了两个意思：

• 说技术时：指那种做法；
• 说产品时：指 OpenAI 家的模型。

就像「席梦思」原本是一个床垫品牌，用的人多了，大家把这类床垫都叫席梦思。听到时看一眼上下文就能分清。

提示一 · 新缩写先问「它归哪个圈」

它是什么	归到哪层	例子
一种模型	归 LLM 层	VLM（视觉语言模型）= 看得懂图的 LLM，落在「多模态」上
一种应用形态	归 Agent 层	各种「智能体」「数字员工」，多半是 Agent 换了营销说法
一种行为/能力	归 AIGC 或多模态	「AI 写作」「AI 绘画」「文生视频」

AI 圈造词很快，但新缩写多半是这几个的组合或变体。先归圈，就不会被吓住。

---

四、第二块：淘金潮里最赚钱的是卖铲人

两个画面

画面一 · 淘金潮与卖铲人

角色	在 AI 时代对应什么
淘金的人	全世界冲进来训模型、做应用的公司（谁能挖到金子还说不定）
铲子	算力——一排排装满显卡的机房。没铲子，再好的想法也开不了工
卖铲人	英伟达。几乎是独一家，想买还得排队

训练一个大模型，光算力开销就在几十万到上亿的量级，这些钱大头流向了同一家公司。

不管谁最后挖到金子，铲子人人都得买。淘金的人越多越疯狂，卖铲人越值钱。

画面二 · 一位博士 vs 一万名小学生

	CPU（中央处理器）	GPU（显卡）
比喻	一位博士	一万名小学生
强项	什么难题都会，但一次专注做一道	每人只会简单算术，但能同时开工
24 道题的结果	逐题精算，一道道磨，终于算完	全员同时开工，唰一下全算完

AI 训练要算的恰好是海量的简单乘加，而且是天文数字的量——正对「小学生」的胃口。

为什么别家追不上

造出性能接近的芯片，别家未必做不到；难追的是多年积累的软件工具链和生态。全世界的 AI 开发者写程序，用的那套工具默认长在它的地基上；换一家芯片，等于让所有人搬家重装修。

硬件可以砸钱造，生态只能靠时间长。

提示二 · 这和你有什么关系

• 算力贵，是所有 AI 服务收费的根源：你每次对话按 token 计的费里，摊着显卡折旧和机房电费；
• 生成一张图贵几十倍：因为图要算的量比文字大得多；
• 「算力储备」「囤了多少张卡」= 谁家铲子多。铲子多，训练快、服务稳，招开发者也容易——这是 AI 时代新的家底。

理解铲子有多贵，就理解了账单为什么长那样。

---

五、第三块：「训练」到底在拧什么

参数 = 调音台上的旋钮

大模型里装着几百亿到上万亿个参数。参数就是一大堆数字，可以想象成调音台上密密麻麻的旋钮——模型的每一分本事，全存在这些旋钮拧到了哪个位置。

训练的办法笨得出奇

1. 遮住后半句，让模型猜下一个词；
2. 给它「今天天气真」，它蒙了个「香」，原文却是「好」——猜错了；
3. 把参与这次判断的旋钮各自拧回来一丁点（一次只挪极小一格）；
4. 换下一句，再来一遍——这个动作要重复上万亿次。

冲刷完，旋钮的位置里就沉淀下「天气后面更可能跟『好』，不太可能跟『香』」。所谓「学会」，全部内容就是这个。

费电、费卡、费钱，跟供一个孩子读完二十年书差不多，属于重资产工程。

对照：你平时做的事，一个参数都没动

操作	比喻
「你是一位资深编辑，帮我润色」	给现成的大学生递一张便签
上传一份公司资料	给现成的大学生发一本手册
真正的训练	重新培养一个大学生

便签很有用，但你不能说自己「培养了一个大学生」。

---

六、第四块：从五分钟到五千万的四层梯子

从下往上，每爬一层，成本和门槛都指数级上升。饭局上九成的「训了个模型」都发生在最下面两层。

层	干什么	耗时	成本量级	门槛	参数动了吗
L1 改提示词	给 AI 写一段说明书（角色设定、流程、输出要求）	几分钟	免费	人人可做	没动
L2 挂知识库（RAG）	把资料放到 AI 手边，回答前先翻一翻	几小时到几天	几百到几万	会配置就行	没动
L3 微调	拿开源模型用自己的数据接着练	几天到几周	几千到几十万	需要数据和工程师	真动了，但底座是别人的
L4 从头预训练	从随机数字开始，用半个互联网的数据从零练起	数月	数千万到上亿	全球屈指可数	从零造一个大脑

五句话对号入座

原话	实际在哪层	点评
「我用 ChatGPT 训了个懂我们公司的模型」	L1 或 L2	对话产品里能做的只有写提示词、传资料。有用、值得肯定，但离「训模型」差两层楼
「我们微调了开源模型做客服」	L3	这句反而实诚——准确说出了自己在哪一层。能这么说话的人通常真干过活
「我天天用，它被我训得越来越懂我了」	L0（连 L1 都算不上）	日常聊天改变不了任何参数，多半来自记忆功能或你提问变熟练了
「我们自研了行业大模型」	L3 或 L4，要追问	「自研」弹性极大，从头预训练和微调开源都有人叫自研
「我给 AI 写了一套人设和工作流程」	L1，说得很清楚	没借用「训练」这个大词，老老实实描述自己干的事

提示三 · 追问三连（卡住成本、数据、底座）

1. 「花了多少算力？」——训练是真金白银烧出来的。L3 起步就要租显卡，L4 要烧掉数千万到上亿。说不出成本量级的「训练」，多半没发生过。
2. 「多少条数据？跑了几轮？」——别问「数据从哪来」（L2/L3 都会答「公司文档」）。要问量级：几百份文档丢进检索库是 L2，几千上万条标好的问答对、还得跑上几轮才是 L3。
3. 「底座是什么模型？」——L1 到 L3 都站在别人的底座上，这毫不丢人，但值得说清楚。含糊其辞说「核心技术不便透露」的，可以默认是 L1。

改提示词毫不丢人——它是四层里性价比最高的一层，九成需求它就够了。丢人的从来只有一件事：明明在 L1，非说自己在 L4。

---

七、第五块：AI 圈黑话翻译器（8 张卡）

含金量档位：足金（词和事对得上）/ 镀金（事是真的，词夸大了）/ 看情况（足金到纯话术都可能）/ 纯话术（不含有效信息）。提前剧透：这组卡里「足金」很少见。

原话	档位	人话
「我们自主研发了大模型」	看情况	从头预训练、二次训练、微调、套 API，都有人叫「自研」，成本差着几个数量级
「基于深度自研的技术架构」	镀金	通常指基于开源模型做了改造。改造是真工作，但「深度」改多改少没人知道
「我们绝对没做套壳产品」	看情况	壳没有原罪，很多好产品都是壳，壳的厚度才是本事。要警惕的只有一种：壳很薄还非说自己有底层技术
「已上线 100 个数字员工」	镀金	约等于配好 100 套提示词和工作流程的 Agent。活真能干，但「员工」容易让人以为有 100 个独立大脑，实际共用同一个模型
「全面拥抱智能体时代」	纯话术	智能体 = Agent 的中文说法。「全面拥抱」四个字没有任何具体承诺，放哪年哪家都能用
「用 AI 为业务深度赋能」	纯话术	大概率是某个环节接了 AI 接口（如客服自动回复）。接接口是正经事，但「深度」建议先打个问号
「AI 原生应用」	看情况	真含义：整个产品围绕 AI 重新设计，去掉就没法用。也常被用来包装「老产品加了个 AI 按钮」。判断方法：把 AI 关掉，产品还剩什么
「我们 All in AI」	纯话术	战略口号，口号本身不含信息量。要看投入产出：招了多少人、上线了什么、用户用没用

追问三连 · 当场问出底细

1. 「模型底座是什么？」——问出他站在谁的肩膀上。用开源、接 API 都是正常操作，但答案决定了「自研」该打几折。
2. 「训练数据从哪来、花了多少算力？」——问出他有没有真的训练过。真做过的人对数据规模和算力开销如数家珍。
3. 「离开那家的 API，产品还能跑吗？」——问出产品独立性。答「能，换个底座就行」说明工程扎实；答「跑不了」也不丢人，但「核心技术全自研」就该收回去了。

这套翻译器的目的只是帮你听懂。用来当场拆穿别人，饭局会变得很安静。建议的用法是默默翻译、礼貌追问，把判断留在心里。

---

八、审查清单：听/说之前逐条打勾

听到缩写时

• 先问「它归哪个圈」（模型 / 应用形态 / 行为能力）
• 听到 GPT 时看上下文分清是技术还是产品名
• 记住嵌套：AI ⊃ NLP ⊃ LLM ⊃ GPT

评估成本时

• 知道账单里摊着显卡折旧和机房电费
• 知道生图比生文字贵几十倍（计算量差异）
• 听到「囤卡」时理解为家底，不是浪费

听到「训了个模型」时

• 先在心里放上 L1–L4 梯子
• 判断标准只有一个：动没动参数，动了多少
• 三连问随身带：算力 / 数据量级+轮数 / 底座
• 提醒自己：改提示词不丢人，站在 L1 说 L4 才丢人

听宣传时

• 抓三件事：模型底座、训练数据、成本量级（三个都含糊可直接换台）
• 对「深度赋能」「全面拥抱」「All in」自动静音
• 判断 AI 原生：把 AI 关掉，产品还剩什么

---

九、约束说明：这些方法不承诺什么

1. 含金量档位是判断框架，不是定罪工具。 文中 8 张卡的档位是针对典型情形的翻译，具体某家公司的宣传到底在哪一档，仍需结合其公开信息判断。
2. 成本量级是数量级感受，不是报价。 「几十万到上亿」「几千到几十万」等是量级区间，随模型规模、算力市场价格波动，不能当作预算依据。
3. 比喻会失真。 「博士 vs 小学生」「调音台旋钮」「培养大学生」都是为了讲清原理的简化比喻——真实训练涉及并行策略、混合精度、显存优化等工程细节，比喻覆盖不到。
4. L0 的说法是口语归类。 「日常聊天改变不了参数」针对的是模型权重本身；产品层面的记忆功能、用户画像确实会改变你感受到的回答，二者不矛盾。
5. 「生态是护城河」是会变的判断。 护城河来自多年积累，但竞争格局受供给、政策、替代方案影响，文中描述的是当下观察，不是长期结论。
6. 术语中英混用。 为可读性保留了 GPT、LLM、AIGC、Agent、AGI、CPU、GPU、RAG、API 等通行写法；音频里已尽量转成中文说法（大语言模型、智能体、生成式内容、显卡、检索增强生成等）。
7. 演示文本是简化文本。 课节里的配对游戏、比赛动画、卡片翻译都是为教学写的简化文本，不构成对任何公司的评价。

---

十、可带走的判断清单（音频末段）

1. 听到缩写先归圈：AI 是最大的圈，里面是自然语言处理，再往里是大语言模型，生成式预训练变换器是造它的一种做法、同时也是一个产品名。生成式内容是行为，智能体是应用形态，通用人工智能是尚未实现的目标，多模态是能力。
2. 记住卖铲人这条链：AI 训练要的是海量简单算术，显卡赢在并行，铲子人人都得买，生态才是护城河。你每次对话、每张图的价格里都摊着显卡折旧和机房电费。
3. 听到「训了个模型」，先放上四层梯子：改提示词、挂知识库、微调、从头预训练。唯一标准是动没动参数、动了多少。三连问随身带——花了多少算力、多少条数据跑了几轮、底座是什么模型。
4. 听宣传抓三件事：模型底座、训练数据、成本量级，三个都含糊的可以直接换台。壳不丢人，吹牛才丢人；口号不含信息量，听到「深度赋能」「全面拥抱」自动静音即可。

用法：默默翻译、礼貌追问，把判断留在心里。

---

十一、本集要点速览

课节	一句话
GPT、LLM、AIGC…这些缩写怎么分？	AI ⊃ NLP ⊃ LLM ⊃ GPT，一圈套一圈；新缩写先问「它归哪个圈」
英伟达为什么那么值钱？	淘金潮里最大的卖铲人；显卡赢在并行，生态才是护城河
「我训了个模型」到底训了什么？	训练 = 改参数；四层梯子从五分钟到五千万，三连问问出底细
AI 圈黑话翻译器	听宣传抓底座、数据、成本；壳不丢人，吹牛才丢人

---

*来源：xueai.miyang.cn（小山学堂 · 洛小山《学 AI 产品，从入门到精通》）*

*本页文字为配套解读，音频为二次演绎配音版。*