一位开发者上周写了一篇 8 千字的技术教程，把「AI 是怎么识字」这件事讲透了——分两步完成：先把每个字查成一串数字（向量），再为「顺序」单独补一道课。这两件事被绝大多数商业读者忽略，却是判断 AI 工具能力的起点。

这是什么

这篇文章来自掘金社区，讲的是大模型处理语言的两个底层环节。

第一个叫「嵌入」（Embedding，即把离散符号映射为连续数字串）。模型拿到一句话，会先把每个字拆成编号，再通过一张约 15 万行 × 1024 列的矩阵，把每个编号查成一个 1024 维的数字串。以 Qwen3-0.6B 为例，它的词向量表就是一张浮点数矩阵。文章用余弦相似度（衡量两个向量方向接近程度，越接近 1 越相似）做验证：猫和狗的向量相似度是 0.42，猫和汽车只有 0.16。这套机制最早可追溯到 2013 年 Google 的 word2vec，那个流传至今的公式是：king 的向量减 man 加 woman，最接近 queen。

第二个问题是顺序。AI 的核心是「注意力」计算：把所有向量放在一起两两比较，但它对「谁先谁后」完全没感觉——这个性质有术语叫「置换等变」，即输入怎么排列，输出就跟着怎么排。所以模型需要额外加一道「位置编码」（Positional Encoding），专门告诉它每个词的位置。

行业怎么看

支持方认为：理解了这两步，你就知道 AI 并不是「真的懂语言」，它只是在做大规模向量运算——这恰恰是它能被装进产品、被大规模复制的原因。技术圈把这当常识，但很多管理者还停留在「AI 像人脑」的认知里，这种错位是企业 AI 项目反复失败的主因之一。

但也有反对和谨慎的声音。一种观点是：把 AI 简化为「查表 + 向量运算」是过度简化，今天的大模型在 1024 维空间里做的事情远比这个复杂。还有人提醒，这种基础科普会让人对 AI 产生「不过如此」的轻视，反而低估它的真实能力——比如它能写代码、能做研究助理，不是「不懂顺序」三个字就能解释的。

更现实的风险在企业选型：很多采购只看演示效果，不追问底层机制，结果买回一堆「换个问法就翻车」的工具。理解这两步原理，比记住任何具体技术名词都重要。

对普通人的影响

对企业 IT：采购 AI 工具时，底层是查表和向量运算，这意味着工具的可靠性高度依赖训练数据的覆盖度——超出范围的问题，回答就不可控。

对个人职场：会用 AI 和懂 AI 是两件事。理解它「不懂顺序」，你会发现同一个问题换种问法可能得到完全不同的答案，这是判断 AI 输出是否可信的基本直觉。

对消费市场：客服、写作助手、语音助手背后都是同一套机制。选产品时不必迷信「更聪明的 AI」，要看它在具体场景里能不能稳定输出。