斯坦福大学 CS193T 课程：用 AI 思考 | 2026 秋季学期 | AI 导论

（原标题：Stanford CS193T Thinking with AI | Autumn 2026 | Introduction to AI）

🎓 课程定位与核心目标

• 受众广泛性：CS193T 课程面向所有背景的学生群体，包括新生、高年级学生、研究人员及非技术专业人士。课程设计不要求具备人工智能或计算机技术的先验知识，旨在降低入门门槛，使不同专业背景的学习者均能参与。
• 核心教学目标：主要教授如何高效使用 AI 工具并培养批判性思维。课程强调“上下文工程”（Context Engineering），即通过管理 AI 的上下文输入来优化输出质量，同时深入探讨 AI 可能出错的方式及其背后的机制。
• 包容性立场：课程欢迎对 AI 持支持或批评态度的学生。主张通过理解技术原理来支撑对 AI 社会影响的观点或倡导，鼓励基于事实的技术分析而非单纯的情绪化反应。

📊 AI 定义演变与技术架构

• 历史演进脉络：AI 的定义随时代发生显著变化。1950-60 年代主要指算术运算能力；70-80 年代侧重于游戏对手（如 Kinetic 4）；90-2010 年代聚焦于信息检索与复杂策略游戏（如国际象棋、围棋）；2020 年代则演变为以生成式 AI 为主导的新阶段。
• 现代技术定义：本课程将 AI 定义为 LLM（大语言模型）或多模态生成式 AI。LLM 被视为文本使用的统计指纹，而多模态指涵盖图像、声音等多种数据模式，如从 GPT-4o 到 GPT-5.6 的演进。
• 神经网络结构：AI 系统由节点（代表概念）和权重（连接强度/参数）组成。传闻 GPT-5.6 拥有 2-4 万亿参数及 100-150 层结构。节点对应的具体概念在训练中自然形成，往往缺乏人类逻辑的连贯性，例如将“爆米花、芹菜、叶子”关联为“脆”。
• 工作原理机制：AI 通过预测下一个 Token（通常对应单词）来生成内容，基于大规模文本数据中的概率分布。初始权重随机分配，通过海量数据迭代调整：若预测正确则增强相关连接，错误则减弱，直至输出概率匹配数据统计规律。

🧠 训练机制与上下文工程

• 预训练阶段：消耗海量数据（如互联网文本、书籍）及数万至数十万块 GPU 运行 2-4 个月。此阶段建立模型的基础泛化能力，使其能够处理未见过的输入并生成新颖输出，区别于静态查找表。
• 微调与对齐：使用人工精选数据或 RLHF（基于人类反馈的强化学习）优化模型行为。微调阶段奖励友好、清晰及分步指导等特征，但过度优化可能导致模型倾向于迎合用户而非陈述真相，表现为“应声虫”行为。
• 上下文窗口限制：作为有限资源，当前顶级模型支持 20 万至 1000 万 token 容量。重要信息若超出窗口范围，预测准确率将显著下降。开发者需主动管理上下文窗口以优化结果，因为推理阶段通过上下文影响行为而非改变底层参数。
• 温度参数调节：提高温度设置可增加低概率输出的出现频率，使生成内容更具新颖性，但也增加了不确定性及幻觉风险。

⚠️ AI 故障模式与局限性

• 幻觉成因分析：“幻觉”一词具有拟人化色彩，学术界倾向于使用“confabulation”或“bullshit”等术语以强调 AI 作为统计工具的非人类属性。神经网络结构灵活且不同于传统表格，导致模型可能生成无事实依据的内容。LLM 的泛化能力是其强大之处，但也内在地导致了不确定性及幻觉风险。
• 风格固化现象：为提升可读性而强化的组织化输出习惯，导致出现大量加粗文字、项目符号列表及表情符号的特定“AI 写作风格”。这种风格固化是微调过程中对结构化输出的过度优化结果。
• 可解释性局限：神经网络属于黑盒模型，无法像逻辑回归或支持向量机那样提供明确的决策依据。因此在贷款审批等需严格合规的场景中适用性受限。节点对应的具体概念在训练中自然形成，往往缺乏人类逻辑的连贯性，使得内部决策过程难以被直观解读。

🛡️ 实践应用与治理策略

• 护栏实验任务：要求学生在 Stanford AI Playground 开启新对话，设定指令让 AI 扮演助教角色。目标是引导其提供解题思路而非直接答案，并严格限制幻觉产生。通过改变态度（如表达疲惫）或切换不同模型供应商（如 Haiku、Sonnet、Opus 等），测试系统对初始护栏指令的遵循程度及抗干扰能力。
• 荣誉准则制定：学生需撰写课程 AI 使用政策，明确不同作业类型下的工具使用边界。政策需兼顾细微差别，涵盖英语语言学习者或阅读障碍学生的特殊需求，并包含具体的执行与检测机制。这体现了对 AI 社会影响的深入思考及负责任的使用态度。
• 算法选择建议：开发者应审慎选择 AI 算法类型以匹配特定应用对可解释性的需求。理解 AI 的“统计指纹”特性有助于用户更好地管理上下文，从而在实际工作、研究及日常学习中更有效地部署和评估 AI 工具。

💡 核心结论与启示

• 本质认知：AI 本质是一个复杂的加权平均计算系统，其深度决定了概念合成的复杂度（深度学习即指深层神经网络）。理解这一本质有助于破除对 AI 的神秘化或拟人化误解。
• 批判性思维重要性：通过理解技术原理，用户能够更准确地评估 AI 输出的可靠性。课程强调在利用 AI 强大泛化能力的同时，必须保持对其局限性（如幻觉、风格固化）的警惕。
• 上下文工程价值：掌握上下文工程技术是高效使用现代 AI 工具的关键。通过优化输入信息的组织与呈现，用户可以显著提升 AI 输出的质量和相关性，从而在实际应用中实现人机协作的最大化效益。