今天谈一个基本问题：AI 为什么能够回答我们的提问，它怎么会知道答案？
你可以找到很多这方面的论文和书籍，详细解释大模型的运作，通常非常难懂。但是，对于非专业人士，只要简单知道 AI 的三个机制[9]，就可以了。
（1）参数机制
在宏观层面，所有大模型都是对人类知识的建模。它建立了一个数学模型，用来描述所有的人类知识。
怎么描述呢？它使用的是一种参数机制，将知识分解成一个个“词元”（token），然后计算所有词元之间的数学关系。这个过程称为“训练”。
这种数学关系使用无数个参数来表示。举例来说，大模型 GLM 5.3 有7440亿个参数，这些参数用来构建所有词元之间的关系（也就是权重）。所谓“训练”，其实就是找出这个7440亿个权重，描述人类知识的构成，也就是所有词元之间的关联。
一旦训练完成，我们向大模型提问时，它就会根据这些权重，找出最可能的词元，从而生成符合概率的答案。
所以，大模型本质上是一种“压缩-生成”机制，将人类知识抽象在无数参数之中，后期再生成出来。
（2）推理机制
不难理解，参数越多，模型的效果越好。因为更多的参数意味着，可以更精确地描述各种知识，从而可以更准确地将其还原出来。
但是，一方面，参数不可能无限增加，训练和使用成本将直线上升，使用时的运算时间也会变长。
另一方面，也没有必要包含所有的知识，很多知识不需要包含在参数之中，完全可以通过逻辑推理获得。
举例来说，只需要知道某个城市的人口出生率和死亡率，就马上知道了人口的净增长率。这不需要记忆，可以通过推理得到。
大模型就依靠推理机制，根据参数包含的知识，从逻辑规则出发，推断出那些它没有包含的知识。
（3）联网机制
不管模型有再多的参数、再强的推理，它不可能包含所有的知识，总有一些问题它回答不了。
比如，你问大模型，今天股票的收盘指数是多少，它就回答不了。参数里面不包含这个知识，也无法推理得到。
这时，模型就要依靠 Agent 或应用框架提供的联网机制，自动去互联网搜索那些它不知道的知识。
（4）总结
正是有了以上三种机制，AI 才能正确回答我们的问题。
首先，参数机制提供了大模型的基本知识；其次，推理机制产生通过推理得到的知识；最后，联网机制用来获取前两种机制都无法得到的知识。