01 · 本单元解决什么问题
科研人员第一次接触 AI，最容易被产品名称淹没：模型、聊天机器人、搜索助手、智能体、插件似乎都在做同一件事。它们其实位于不同层次。只记产品按钮，会在界面改版后重新迷路；理解能力边界，才能判断某个任务该用什么、哪里必须核验。
本单元不要求编程基础，也不要求记住算法公式。我们只建立两张地图：一张是技术发展地图，回答“今天的系统从哪里来”；另一张是能力地图，回答“它此刻到底在生成、检索、推理还是行动”。
01 · 120 分钟路线
| 时间 | 内容 | 产出 |
|---|---|---|
| 0–10 分钟 | 从一个化学信息任务进入 | 写下原始任务与风险 |
| 10–30 分钟 | 专家系统、统计机器学习、深度学习 | 三种范式对照 |
| 30–50 分钟 | Transformer 与生成式模型 | 解释“预测下一个 token” |
| 50–70 分钟 | 检索、推理与智能体 | 区分四类能力 |
| 70–85 分钟 | 化学信息链案例 | 标出证据与行动边界 |
| 85–100 分钟 | 现场产品观察 | 完成同题双跑记录 |
| 100–115 分钟 | 个人工具地图练习 | 能力地图初稿 |
| 115–120 分钟 | 术语验收与退出条 | 一分钟口述 |
授课提示 开场不要问学员用过多少产品
先给出任务：“为本科实验课准备一段乙酸乙酯合成的背景说明，并核对反应条件与安全信息。”请学员圈出其中的动词。通常会出现写、找、比较、计算、打开网页、整理等词。告诉学员：今天的全部概念，都是为了判断这些动词需要哪种能力。不要在开场做厂商功能盘点。
核心概念
先区分三层：模型、系统、产品
模型是从数据中学习规律、接收输入并产生输出的计算结构。系统把模型与数据、检索、工具、权限、日志等连接起来。产品再为系统增加界面、账户、价格和使用流程。
同一个模型可以出现在多个产品里；同一个产品也可能在后台更换模型。科研工作流因此不应写成“永远点击某个按钮”，而应写成“先检索可追溯来源，再让模型按给定格式整理，最后由研究者核验”。这句话即使换产品仍然成立。
第一段历史：把知识写进规则
早期许多 AI 系统采用专家系统思路：由领域专家和工程师把知识写成规则。例如，“若某谱峰位于某区间且满足若干条件，则考虑某类官能团”。规则的优点是路径清楚、便于追问，也能把规范性知识固定下来；缺点是维护成本高，遇到规则之外的情况很脆弱，规则之间还可能冲突。
专家系统并没有“过时到毫无价值”。今天的实验室标准操作规程、仪器告警逻辑、合规检查表，仍包含大量规则。关键认识是：规则适合边界明确、责任清楚、需要确定执行的部分，却不擅长从大量复杂样本中自动概括规律。
第二段历史：让机器从数据里估计规律
统计机器学习不再要求人为写出每条判断规则，而是给出带有特征和结果的数据，让算法学习输入与输出的统计关系。回归、分类、聚类是常见任务形式。例如：
- 用历史工艺变量预测收率，是回归问题；
- 根据光谱特征判断样品类别，是分类问题；
- 在没有预设标签时寻找样品分组，是聚类问题。
这类方法的核心问题不是“机器是否聪明”，而是训练数据能否代表未来数据、特征是否有意义、评价指标是否符合科研目的。随机划分得到的高准确率，不等于换批次、换仪器或换实验室后仍然有效。
深度学习是机器学习的一类方法。它使用多层神经网络，从原始或较少加工的数据中学习层次化表示。图像识别、语音识别和自然语言处理因此取得显著进展。它减少了部分人工特征设计，却增加了对数据、算力、验证和解释的要求。
第三段历史：Transformer 与生成式模型
处理语言时，系统需要理解一个词与上下文中其他词的关系。2017 年发表的 Transformer 论文提出了以注意力机制为核心的架构，使模型能在训练时更有效地处理序列中不同位置的关联。这里不需要推导矩阵，只需记住：模型会把文本切成 token，并根据上下文计算哪些位置与当前生成最相关。
生成式模型学习的是数据分布，并据此产生新的文本、图像或其他内容。大型语言模型接收一串 token，计算下一个 token 的概率，再把新 token 加入上下文，继续生成。它可以写出连贯说明，因为在大量训练材料中学到了语言、概念和结构之间的统计联系；它也可能写出流畅但错误的内容，因为“像一个合理句子”与“经证据证明为真”不是同一目标。
四类能力：生成、检索、推理、行动
核心概念
能力地图不是产品排行榜
生成：依据已有上下文创建新内容，例如改写摘要、起草教学提纲、把表格说明转成文字。生成结果的文字可能新颖，但并不自动附带事实保证。
检索：从外部资料库、网页或文件中找回相关材料。检索可以提供证据入口，但“搜到了”不等于“来源可信”，相关片段也可能缺少上下文。
推理：根据给定信息进行分解、比较、演算或形成中间结论。某些模型会投入更多计算处理复杂问题，但仍需要检查前提、步骤和结果，特别是化学计量、单位换算及因果判断。
行动：调用工具改变外部状态，例如创建文件、运行代码、修改表格或提交任务。行动能力提高效率，也把风险从“说错一句话”扩大到“改错真实数据”。因此权限、确认、日志和回滚非常重要。
| 观察到的行为 | 主要能力 | 最低核验动作 | 化学/化工例子 |
|---|---|---|---|
| 根据提供的实验记录写摘要 | 生成 | 与原记录逐句对照 | 生成批次偏差说明 |
| 从指定数据库找文献 | 检索 | 打开原始记录，核 DOI 与元数据 | 找某催化体系近五年论文 |
| 比较两条反应路线 | 推理 | 检查约束、计算与遗漏变量 | 比较原子经济性和安全条件 |
| 写入共享表格或运行脚本 | 行动 | 预览变更、保留日志与回滚点 | 汇总多批次实验数据 |
一个系统可以组合四种能力。典型流程是：检索文献片段，模型推理如何组织，生成结构化摘要，再把结果写入文件。判断可靠性时必须逐段追问：材料从哪里来？中间结论如何形成？系统改动了什么？谁最终签字？
化学信息案例：一句“给出可靠合成路线”包含什么
假设任务是：“为乙酸乙酯教学实验准备一页合成路线说明。”看似一句话，至少包含五个子任务：
- 检索教材、机构安全资料与可追溯文献；
- 判断哪些条件适合教学场景，而不是照搬研究论文；
- 生成适合学生阅读的反应原理说明；
- 核对物质名称、化学计量、单位、危害与废物处置；
- 把经教师确认的内容放进讲义。
其中，第 1 步主要是检索，第 2 步包含推理，第 3 步是生成，第 5 步可能包含行动。第 4 步不能简单交给一个“最终回答”；它需要教师依据权威来源逐项核验。即使系统显示了引用，也要打开原文确认引用是否真的支持那句话。
授课提示 现场回答看起来完全正确时怎么教
不要刻意追求模型犯错。即使两轮都正确，也让学员标注“正确性依据是什么”。把“这次答对了”与“流程能持续发现错误”分开。若网络不可用，使用课前保存的两份匿名示例输出完成同样比较。
动手练习
为自己的科研任务画一张能力地图
化学/化工示例可以选择“从五篇论文提取催化剂、温度、溶剂和收率，再生成对比表”。其他学科可替换为本领域的论文变量。重点不是选择最强工具，而是把证据链与责任边界画出来。
怎么做
- 选择一个两周内真实会做的任务，例如读文献、整理实验记录、分析数据、准备教案或撰写项目说明。
- 把任务拆成 5–8 个带动词的步骤，每一步只写一个主要动作。
- 为每一步标注生成、检索、推理、行动中的一种主要能力；若有多种，写出先后顺序。
- 写明该步骤的输入材料、AI 可产生的输出、人要核验的证据，以及允许系统执行到哪一步。
- 删掉所有具体产品名，再检查这张地图是否仍能被另一种工具执行。
做到什么算完成
- 地图至少包含三类能力，并明确区分检索证据与生成文字。
- 至少标出两个必须由人核验的高风险点，其中一个与事实、数值或引用有关。
- 每个行动步骤都写明预览、确认或回滚方式；没有行动步骤时明确写“只读、不改外部状态”。
- 术语表能用自己的话解释模型、系统、产品、生成、检索、推理和行动，不用厂商名称定义概念。
术语验收：能否不用行话讲清楚
01 · 自学说明
自学者按时间表完成，不要把“阅读完”当作完成。先做产品观察，再提交能力地图。没有可用 AI 产品时，可以找一段公开 AI 输出或课程提供的示例，手工标出生成、检索、推理、行动；学习目标仍然成立。完成后把地图交给一位同事，让对方只看地图复述流程。若对方无法判断资料来源、核验人或允许的行动，继续修改。
本单元退出条
在一张便签上写三句话：
- 我原来把 __ 当成一种能力，现在知道它其实是 __；
- 我的任务里最需要证据的步骤是 __；
- 我允许 AI 做到 __，但在 __ 前必须由人确认。
能给出具体任务和证据，才算完成本单元；只写“提高效率”“注意准确性”不算通过。
本单元参考来源
- NeurIPS：Attention Is All You Need · 复核于 2026-07-12
- OpenAI：Unrolling the Codex agent loop · 复核于 2026-07-12