会用 AI 的人越来越多，为什么真正懂 AI 的人反而越来越少？
你每天用 AI 写代码、做总结、查资料。它越来越好用，你越来越离不开。
但有一天它给了一个错答案。你想搞清楚为什么错了——然后发现，你完全不知道从哪里下手。
这不是你一个人的问题。
今天关于 AI 的教程很多，演示很多，接 API 的项目更多。但你真问一句：上下文窗口满了会怎样？人格从哪来的？分词器到底在干什么？大多数人答不完整。
不是因为不聪明，而是因为工具进化得太快了。你刚学会一个接口，新的范式又来了。
这两天 Hacker News 上最火的项目，戳的就是这个问题。
它不是一个更大、更贵的模型。而是一条鱼。
一条 870 万参数的鱼
它叫 GuppyLM，只有 870 万参数。6 层 transformer，词表 4096，上下文窗口 128 token。作者故意不用任何新技术，就做一个最朴素的结构。
它只会聊水温、食物、气泡和灯光。多聊几轮就开始失忆。按能力看，它几乎什么都做不了。
但它在 HN 拿了 814 分。
因为大模型把一切都藏起来了，而这条鱼把一切都摊开给你看。
训练数据是 6 万条合成对话，用模板拼出来的——60 个模板，30 个鱼缸物体，17 种食物，25 种活动，组合出约 1.6 万种输出。它不是靠大力出奇迹，而是先把世界缩小到鱼能感知的范围，再把表达缩短到全小写、全短句。
Colab 上挂一张 T4，5 分钟训练完。导出量化 ONNX，浏览器下载 10MB，就能本地跑。
代码三个文件：模型定义、训练、推理。一晚上能从头读到尾。
<!-- diagram:compare -->
大模型藏起来的东西，它全摆在台面上
GuppyLM 有意思的地方不在于小，而在于它让你第一次"看见"平时看不见的东西。
比如人格。今天大家习惯了 system prompt，好像模型先是空壳，再被提示词塑形。但 GuppyLM 反着来——870 万参数太小，没法稳定遵循条件指令。所以作者干脆不放 system prompt，把"鱼的性格"直接烤进权重里。
这一下你会明白：所谓人格，很多时候不是"说给模型听"，而是"反复喂给模型看"。
再比如上下文窗口。多轮对话到第 3、4 轮就开始掉质量。原因没有任何玄学，就是 128 token 太短了。作者很坦率：“会失忆的鱼还算贴人设，乱码就不行了。”
HN 评论区有人用全大写说 HELLO。它回了一句：“i don’t know what it means but it’s mine.” 大写字母对它的分词器来说几乎是陌生 token。平时你说"分词器决定了模型先看到什么"，很多人没感觉。现在一条鱼当场犯傻，你一下就懂了。
每个限制都看得见，每个失败都能追到具体部件——数据分布、上下文长度、词表覆盖、参数容量。
开车的人越来越多，会修发动机的人越来越少
HN 有条评论说得好：这类项目很像 Minix 之于操作系统教学。不是为了上线赚钱，而是为了让学生敢拆、敢改、敢亲手加能力。
这说中了一个正在发生的问题。
你越依赖 AI，越可能在关键时刻不知道它为什么错。平时它很好用。一旦要调试、评估、设边界，你就只能把判断外包给另一个更强的模型。
一个领域如果只奖励"更强"，不奖励"更可理解"，最后就会变成这样：开车的人越来越多，会修发动机的人越来越少。多数人能踩油门，少数人才知道车为什么会突然抛锚。
GuppyLM 没法替代任何大模型。但它做了一件更基础的事——把 transformer 从一种神秘能力，拉回成你能拆开的工程对象。
理解力本身也是基础设施。 如果入门者只能消费黑箱，AI 普及得越快，真正能掌握它的人就越少。
这条鱼什么都做不了。但它能让你第一次看见，自己以前并没有真的懂。
你更在意 AI 好用，还是你能讲清它怎么工作？欢迎留言聊聊。