目前来说，很多人用ai都是拿它当“一个更有价值的搜索引擎”用，但是在这里还是有一个观点要说明。这里所有的知识都是基于deepseek 3.2。
AI的核心精华
1 | def ai_architecture_components(): |
这里Transformer架构就是传说中的“神经网络架构”。
为什么要向量化？
这个问题可以说是ai的核心，也可以说这个是ai的灵魂。
它最早用于“人脸识别”，就是它通过录入你的面部特征，当你下一次验证的时候，它判断“几乎相似”就认为OK。跟指纹不同，人类的指纹是唯一的，所以要100%相同。
回到ai，用ai和人类对比。人类理解： “苹果”和”水果”是相关的。但是计算机理解： “苹果” = 两个汉字，”水果” = 两个汉字，计算机看不到语义关联。但是就需要有向量化：
1 | "苹果" → [0.85, 0.23, -0.42, 0.91, ...] #实际是1536个这样的数字。 |
这两个向量很接近，所以计算机知道它们相关。
话说，果然技术是一点一点进步的，“人脸识别”肯定是要在ai之前出现的。
AI是如何搜索的？
AI 其实用的最多的就是RAG功能，它能精确的搜索出来客户想要问的问题。
比如用户问了一个问题：”令狐冲是谁？”，AI会进行如下操作：
- 将问题转换为向量
- 在向量数据库中搜索相似chunk
- 返回top-3相关chunk：
- chunk1: “微服务设计原则…”
- chunk2: “服务拆分策略…”
- chunk3: “分布式事务处理…”
chunk:”将大段文本、数据或任务分割成更小、可管理的单元”，因为LLM有上下文长度限制（如GPT-4的128K tokens），chunk也要做重叠，这是为了保持语义连贯性。但是这里面也有说法：
1 | 1. 小型chunk：256-512 tokens |
所以要做好chunk的平衡，而且为了输出的语义达到用户习惯，还可以是先用搜索去确定关键文档片段，再用chunk去进一步搜索。
RAG的原理
rag 的原理，就是ai会把你要让它学的文档（比如公司内部的文档），通过“空格 回车”等等方式先进行分割，变成chunk。即“公司内部文档 → 分割（chunking） → 得到chunks”。
然后对这些chunk进行embedding，然后这些自然语言变成一个一个向量语言，存入向量数据库。
然后用户问的问题也会被ai转化成向量语言，最后ai通过“用户问的问题的向量”去找公司的内部贴近向量的所有文档，通过相似度搜索，找到相关chunks，取Top-K（如top 3或top 5）最相关的chunks，最后再通过llm来整合输出答案。
举个例子，比如我说“令狐冲”，那么ai会对”令狐冲 整个文本的语义对应一个向量”，比如：[0.02324, 0.032131, 0.02323124, 0.04567, 0.01234, …] (1536个数字)，这个1536维向量代表了”令狐冲”这个名字的完整语义。然后大模型就会进一步推断：
1 | # 假设我们使用OpenAI的text-embedding-ada-002模型 |
为啥是1536维？因为语义信息非常丰富：人名、虚拟人物、主角、性别、职业、爱好、国籍、肤色、面部特征等等等等，就像人一样，人也不是简单用一个3维来概括的。
但是上面说了，”ai会对 令狐冲 整个文本的语义对应一个向量”，那么就是“XXX的令狐冲”这里会随着XXX的不同，产生不同的向量。比如：
1 | 武打中的"令狐冲" → [0.025, 0.030, 0.021, ...] (根据上下文变化) # "向量特点": "强调门派、武功名称、战绩如何" |
虽然都是”令狐冲”，但上下文不同，语义重点不同，因此向量也会有细微差异。
最后结论：每一个场景下，令狐冲对应的 1536个数字都是不一样的，但是是很相似的。而且这1536个数字不会枯竭，这个组合老大了。
假如我现在写了一篇“令狐冲与迈克尔乔丹”的文章
令狐冲与迈尔克乔丹，这八杆子打不着的两个人，假设有了这么一个文章或者影视作品把他俩关联起来（比如他俩在上海武康路飙车）。那么，当ai查询到了这篇文章的后果是：
1 | 1. 这篇文章中的"令狐冲"向量会变化 |
可以看出其实ai每次查询，”令狐冲”的向量表示都不同。我们主要就是确认embedding之后，得到结果的相似度是不是满足预期的。
ai不会自己对某个事物产生直接情感和感触，它的反馈都是基于材料，然后学习得出的
举个例子，你问ai”鹿鼎记里武功最厉害的人是谁？”，你以为ai是马上去把《鹿鼎记》都通读一遍然后给你答案吗？肯定不是的，它其实是去搜索“鹿鼎记武功排名”这类的文章，然后把这些文章进行分析和学习，然后得出它自己的结论。
但是如果你问他《鹿鼎记》的细节，比如“冯锡范跟归辛树有没有交手的经历，如果有的话请找到原文”，他还是会给你直接返回原文的。
那ai写歌，是不是就是从网络上现有的音乐东扒一下，西扒一下，抄出来的？
肯定不是，上面说的，ai是有学习功能的，它是“基于学习到的通用模式创造新内容”，因为它能从海量数据中学习音乐模式，也是基于学习后的创作，不是直接抄袭。所以ai的”创新”是已有模式的重新组合，无法像人类那样”有感而发”。
所以这就看出来ai的局限性，它可以帮你干具体的活，帮你梳理，或者给你一些“你没想到但是其他人已经想到并写在网络上的建议”。但是你让它从0-1 挖掘出一个new point，是做不到的。所以说，ai总体来说还是一个提效的工具，所以如果你是一个有想法的人，ai在你手里就是一个很高效的武器。
那我有了ai是不是可以让它来帮我打《艾尔登法环》，我在旁边看着？
理论上是可以的，但是会很花钱。
首先AI可以通过脚本启动Steam和游戏，也会模拟键盘鼠标输入（WASD移动、鼠标点击），同时也能做到通过截图分析游戏画面（这一步很花钱）和识别血条、敌人位置、物品等（这一步也很花钱）。但是对于动作类游戏，需要毫秒级反应。ai做不到，需要明确的规则和大量训练数据。所以你会看到它操作你的主人公一遍一遍的死，死亡后回到检查点，AI还需要重新规划。但是ai肯定会通关，就是时间问题和token消耗的问题。
所以ai目前可以给看你的录像给你一些建议，还不能亲自上手去打怪。
再说了，游戏的魅力在于挑战和成长，如果让AI代劳，就失去了游戏的意义。
