今天继续记录我从视觉设计师转型 AI 训练师的学习过程。 这次学的是 大模型基础原理。 说实话，一开始看到这些词的时候，我是有点懵的： 预训练、Token、参数、Transformer、涌现能力、幻觉…… 每一个都像是技术岗才需要懂的东西。 但学下来我慢慢发现，转 AI 方向不一定要一开始就会写代码、懂算法， 但至少要知道：我每天使用的 AI，到底是怎么产生能力的，又为什么会出错。 以前我用 AI，只关心它能不能给我答案。 现在我会多想一层： 它为什么这样回答？ 这个结果可靠吗？ 它有没有可能在“编”？ Token 会不会影响成本？ 参数大是不是就一定更强？ 这组卡片里，我重点整理了几个概念： 预训练，像是大模型打基础的阶段。 模型通过海量数据学习语言规律和知识，最后形成通用基础能力。 Token，让我第一次意识到，AI 的使用不是完全“无成本”的。 输入越长、输出越多，背后都和费用、预算、上下文长度有关。 参数，也不是越大越好。 真正影响模型能力的，还有数据质量、训练方法、架构效率和对齐效果。 幻觉，是我觉得最需要警惕的地方。 AI 有时候说得很像真的，但不一定真的对。 所以 AI 训练师不能只看答案“像不像”，还要看它是否可验证、是否符合规则、是否能进入交付。 学完这一部分，我对 AI 训练师这个岗位的理解也更清楚了。 它不是单纯地“会用 AI”，而是要能理解模型的能力边界，知道哪里需要规则，哪里需要质检，哪里需要人工判断。 作为视觉设计师转型，我以前更习惯从画面、审美和交付结果去判断问题。 现在我需要把这种判断能力，慢慢延伸到 AI 数据、模型输出和质量控制里。 今天最大的收获是： 学 AI 不是背一堆高大上的概念，而是把概念和真实工作连接起来。 Token 对应成本， 幻觉对应质量风险， 参数对应能力边界， 预训练对应模型基础能力。 这些东西听起来很技术，但其实都和未来做项目、面试表达、理解 AI 工作流有关。 继续学习，继续记录。 希望自己不是只会用工具的人，而是能真正理解 AI、用好 AI、也能把 AI 结果判断清楚的人。#且曼AI训练师就业班 #求职 #就业 #ai #实习 #大模型学习 #大模型面试