2026年都快走完第一个季度了，绝大多数人早就用上了ChatGPT、Claude或者Gemini，但一个尴尬的事实没变：会用AI的人很多，说清AI是什么的人极少。你随手让它写周报、改代码、做表格，可当家里长辈问一句“它到底是怎么知道这些的”，大多数人只能含糊一句“它很聪明”。
这正是这支视频的价值所在。视频标题就叫"Anthropic's Chloe Lubinski explains how AI works (in 14 minutes)"——由Anthropic（Claude背后的公司）的研究者Chloe Lubinski，用14分钟把大语言模型的工作原理讲给普通人听。它没有发在科技频道，而是发在一个国际论坛组织的官方频道上，却冲到了约140万播放，成为近期科技区最硬核又最出圈的一条“原理课”。
它解决的问题非常具体：在人人被迫与AI共处的年代，给你一份不绕术语、不卖焦虑、来自一线实验室第一手的“AI说明书”。市面上讲AI的视频要么是新闻拼贴，要么是十分钟速成营销号，而由真正造模型的人来讲“我们造的东西到底是怎么工作的”，这种内容本身就有稀缺性。这篇文章我会把视频主线拆开揉碎，再补上它受时长限制没来得及展开的关键背景。
说明：本文背景数据来自2026-09-12的榜单抓取；核心要点为对视频内容主线的归纳，明确标注了哪些是延伸分析，未逐句引用原话。
| 项目 | 内容 |
|---|---|
| 视频标题 | Anthropic's Chloe Lubinski explains how AI works (in 14 minutes) |
| 频道 | Alliance for Responsible Citizenship（ARC，国际论坛组织） |
| 时长 | 约14分钟（标题自述） |
| 播放量 | 约140.6万（2026-09-12抓取） |
| 核心主题 | 大语言模型（LLM）的工作原理，以及它的能力边界 |
把14分钟的讲解浓缩成一句话，主线一定是这个：大语言模型做的事，本质上是预测下一个词。你给它一段文字，它基于海量文本中学到的统计规律，算出“接下来最可能出现的词块（token）”，然后把这个词接到后面，再预测下一个，循环往复——看起来在“思考”，底层其实是概率极高的接龙游戏。
这个机制解释了很多第一印象：为什么模型叫GPT（Generative Pre-trained Transformer，生成式预训练变换器），为什么它有时会一本正经地写出漂亮但错误的句子——因为它的目标从来不是“真”，而是“像”。（延伸分析）这一点值得反复咀嚼：理解了“预测下一个词”，你就理解了后面所有的能力与缺陷都源自这个起点。它是2017年Google论文《Attention Is All You Need》提出的Transformer架构在大规模数据上被“喂”出来的结果，这一架构至今仍是所有主流大模型的骨架。
这类讲解的标准叙事第二步，是把训练拆成两个阶段。第一阶段是预训练（pretraining）：让模型在数万亿词的文本上反复做“预测下一个词”的练习，错误就调整内部参数。这个过程动辄几个月、耗电以亿度计，模型从中“压缩”了语言规律、事实知识和推理模式。
第二阶段是对齐训练（alignment）：预训练出来的基座模型只会接龙，你问它问题它可能接着写十个类似的提问。所以要靠人类反馈强化学习（RLHF）等方法，教它“什么样回答算有帮助、诚实、无害”。Anthropic在这方面有个自家标签叫Constitutional AI——用一套成文“宪法”原则来引导模型自我修正。（延伸分析）理解两阶段划分，你就能看懂行业新闻里的很多词：所谓“开源基座模型”指的是只完成第一步的产物，而各家公司真正竞争的护城河，很大一部分在第二步的数据与方法的精细度上。
普通人对AI最大的误解，是把它当成一个“会说话的搜索引擎”——以为它在一个巨大的数据库里查找答案。这段内容几乎是所有一线研究者做科普时的必讲重点：模型里没有一张可以翻阅的事实表格，知识以数千亿个参数（可以理解为数十亿个微小旋钮）的权重形式分布在整个网络中。它“知道”巴黎是法国首都，不是因为存了这条记录，而是因为这种词序组合在训练中把相关参数推向了某个方向。
（延伸分析）这个误解的实际代价很高。如果你把AI当数据库用，就会在它“编造”时感到被背叛；如果你理解它是一个“模式补全器”，就会自然形成正确的使用姿势：给它足够上下文、要求它引用来源、对关键事实做交叉核验。很多“AI翻车”新闻，翻的不是AI的车，是用户心智模型的车。
顺着上面的逻辑，就到了无法回避的话题：幻觉（hallucination）——模型自信满满地说错话。来自Anthropic的研究者大概率会坦率承认：幻觉不是可以简单“修复”的故障，而是接龙机制的必然产物。模型没有内置的“我不知道”开关，当训练分布里没有可靠答案、而问题的形式又强烈暗示“这里该有个答案”时，它就会生成一个统计上合理的内容。
（延伸分析）这是我认为全片最有价值、也最容易被快节奏观众滑过去的认知点。它解释了三件事：为什么AI生成的引用文献常常不存在；为什么同一个问题问两遍可能得到不同答案；为什么“用AI写、用人核”会成为未来十年职场的基本分工。业界目前的应对思路不是消灭幻觉，而是管理它——检索增强（RAG）让模型先查资料再作答、推理模型先思考再输出、以及各种事实性评测榜单。
如果这支视频有让人记住的“Anthropic特色”，那一定是可解释性（interpretability）。多数AI公司回答“模型内部发生了什么”时会耸肩，而Anthropic把“打开黑箱”当作核心业务线之一，公开研究发布在transformer-circuits网站上。他们的思路是：既然网络由参数构成，那里面应该存在可识别的“特征”（features）和“回路”（circuits）——类似生物学的概念去给模型做“解剖”。
（延伸分析）这方面近两年的公开研究已经相当惊人：研究者已经能在Claude内部定位出对应具体概念的数百万个特征，甚至观察到模型写诗时会提前规划押韵的词、做题时会表现出类似“心算”的中间步骤。为什么这很重要？因为可解释性是让AI“可信”而不是“可surprise”的唯一路径——医疗、金融、电信网络这类高风险行业要大规模依赖AI，监管和用户都会要求“它为什么这么判断”有答案。这也是我判断Anthropic叙事会在未来几年持续升值的原因。
“去年还答非所问，今年就能写完整项目代码”——解释这个跨越，绕不开Scaling Law（规模定律）：模型能力随参数量、数据量、算力的增加而可预测地提升，2020年OpenAI的Kaplan等人首次给出定量刻画，2022年DeepMind的Chinchilla论文修正了“参数与数据该按什么比例配”的答案。这套规律是过去几年全球算力军备竞赛的理论依据：既然多花钱就能多买智能，那么资本就敢砸。
（延伸分析）但2024年以来出现了第二条曲线：测试时计算（test-time compute）——让模型在回答时“多想一会儿”，用推理时间的算力换取准确率，OpenAI的o系列和Claude的扩展思考模式都属此类。这意味着智能的提升不再只靠训练时的堆料，还靠“思考时间”的分配。对普通用户的启示很直接：难问题开思考模式，简单问题用快速模式，钱和等待时间都省下来。
一线研究者做科普，通常会用一组边界陈述收尾，大意是：模型的知识有截止日期（它不知道训练之后发生的事）、上下文窗口是它的“工作记忆”（对话太长会忘开头）、它没有真实世界经验（它读过一亿次落水的描写，但从未真的落水）。把这些边界画清楚，比罗列它的神奇案例更有信息量。
| 常见误区 | 实际机制 | 正确姿势 |
|---|---|---|
| AI在数据库里查答案 | 知识分布在参数权重里 | 提供上下文，要求给依据 |
| 它说错了=质量差 | 幻觉是接龙机制的影子 | 关键事实人工交叉核验 |
| 它越聊越“懂我”是记得我 | 上下文窗口内的临时记忆 | 长期偏好要自己维护提示词 |
| 生成快=没思考 | 可选推理模式消耗额外算力 | 难题开extended thinking |
这类14分钟讲解的落点通常是去神话化的：AI不是新物种，而是一种前所未有的工具——一个“读过几乎整个互联网的模式补全器”。它放大会用者的能力，也放大滥用者的懒惰；它写不出你没输入过的洞见，但能把你模糊的想法变成完整的结构。
（延伸分析）我认为这条对职场人的推论值得写下来：AI不会按行业取代人，而是按“任务”取代人——每个岗位都被拆成“适合AI的子任务”和“必须是人做的子任务”，Boundary划得越清楚的人，越早拿到红利。这也是为什么“理解原理”不再是极客的爱好，而是每个人的元技能：你不需要会训模型，但你需要知道手里的工具按什么机制运转，才能预判它什么时候可靠、什么时候会骗你。
flowchart TD
A["海量训练文本"] --> B["预训练<br>预测下一个词"]
B --> C["基座模型<br>只会接龙"]
C --> D["对齐训练<br>RLHF 与宪法式方法"]
D --> E["对话模型<br>有帮助且守规矩"]
E --> F["推理生成"]
F --> G["输出内容"]
G --> H["幻觉风险<br>机制必然产物"]
G --> I["可靠回答"]
B --> J["可解释性研究<br>特征与回路"]
J --> K["打开黑箱<br>让AI可信"]
E --> L["规模定律<br>算力数据换能力"]
L --> M["测试时计算<br>多想一会儿"]
M --> E
H --> N["RAG 与事实核验<br>管理而非消灭"]
看完这14分钟（以及这篇拆解），你可以立刻落地三件事：
第一，重写你的提示词习惯。既然模型是“模式补全器”，那么给示例（few-shot）远比给形容词有用。与其说“写专业一点”，不如直接贴一段你认可的范文让它模仿格式与口吻；与其问“这个协议怎么配”，不如把你的现网参数和报错日志贴给它。上下文的密度，直接决定输出的质量。
第二，给AI输出分级设防。把任务按“错了的代价”分类：写邮件初稿、生成代码注释、头脑风暴属于低风险区，直接用；涉及配置变更、数据结论、对外承诺的属于高风险区，必须人工核验关键事实。对通信行业的读者多说一句：让AI帮忙解读3GPP信令流程、排查信令异常是极好的用法，但落网之前，参数必须回标准原文核对——它对TS 38.331的“记忆”是统计压缩出来的，不是翻书翻出来的。
第三，跟踪可解释性进展，校准你的信任。未来判断“这家AI公司可不可信”，别只看跑分，看它敢不敢公开自己模型的内部机制研究。可解释性每前进一步，AI进入医疗、金融、电信等高风险领域的合规门槛就降低一分。这是普通从业者也能看懂、也值得看的方向。
这是目前把“AI到底怎么工作”讲得最短、最可信的14分钟——它不能让你成为专家，但能让你成为不被AI忽悠、也不被AI焦虑收割的明白人。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。