用数学思维驾驭AI：主动建模

大家好！我是 37。在上一周共学的最后，我们留下了一个思考：难道我们只能永远被动地接受吗？我们是否有可能主动去设定条件，重新夺回属于自己的主导权？

带着这个疑问，我听了这周的课。在课上，吴老师讲到独立性与依赖性时，指出：

在概率中，依赖性是指两个事件之间存在相互影响的关系。一个事件的发生会改变另一个事件发生的概率。

听到这句话时，我脑海中浮现出一件很具体的小事——为每周六的共学配图。一开始，我只是简单地向 AI 提需求，如："请生成一张关于概率的图片。"有时会得到一张还不错的图，但更多时候，我需要反复修改提示词，不停地抽卡，然后逐渐烦躁……那一刻，我其实是被动的，我在等一个"幸运结果"。

直到我突然想到：既然一个事件会影响另一个事件的概率，那我能不能通过"设定条件"，去改变结果出现的概率？答案是肯定的。

大语言模型（LLM）的本质是概率预测，它是概率分布生成器。当我输入模糊信息时，输出对应的是一个发散的概率分布——可能性很多，我只能不停地抽卡。于是，我开始尝试主动设定条件来影响它的概率分布：

我期望我的图片风格是统一的、人物是统一的，且画面是贴合我的文字内容的。因此，我给 AI 设定了三个严格的"集合"：

通过指令，我要求 AI 只能在集合 $A \cap$ $B \cap$ $C$ 的交集中生成图像。原本无限大的可能空间，被我主动压缩到了一个很小的范围里。

光有集合还不够，AI 容易发散产生幻觉，因此我要求 AI 严格按照逻辑先后顺序进行推导：镜头策略 → 核心概念 → 场景氛围 → 角色状态 → 文案提取。

这就如解题时的步骤，一步一步展开，以确保 AI 生成的每一个细节都有理有据，而不是随意拼接。

AI 就像是一个庞大的 function。我每一次输入提示词，就像输入一个自变量 $x$；AI 经过内部复杂的运算之后，输出一个结果 $y$。

只是与我们前面所学到的确定性函数不同，大语言模型更像是一个"概率函数"——同一个输入，并不会只对应唯一的输出，而是对应一个概率分布。

当输入模糊时，这个函数的输出分布是发散的，可能性很多，我只能不停地抽卡。而当加入集合限制、逻辑条件后，原本发散的输出分布开始收缩，概率开始集中，抽卡次数明显减少，结果越来越贴合我的期望。

这不是运气，是条件在起作用！我开始有点兴奋，我意识到——我并不是在写提示词，我是在建模：

原本分散在课本里的章节，在我脑子里连成了一条线。数学不再是解题工具，而是一种组织可能性的方式。

我不再"求它给我一张好图"，而是通过设定条件，主动压缩它的概率空间。生成的图片也不再是随机的惊喜，而是条件作用下的必然趋近。

在大数据这个庞大的概率空间中，我们常被推荐、被分析、被预测，仿佛我们只是概率分布中的一个点。但我们也可以通过设定条件、主动建模，从被动抽样到主动构造空间，去影响结果出现的方向。我们不再只是被预测，而是参与规则的设定。

那么，你们在使用 AI 或各类搜索工具时，有没有哪一次因为"加了几个限定词或条件"，像施了魔法一样得到了截然不同、高度契合预期的结果？欢迎来群里分享你"反客为主"的奇妙体验！

最后，分享我在学习《问题解决的艺术》这门课时，根据自己的理解，将数理部分的思维导图整理成一条直线形式的思维导图。因为我理解的数学探索之路是循序渐进、层层递进的，从简单数感到概率空间，每一步都为下一阶段的学习奠定了坚实的基础。仅供参考；大家学习时也可以选择自己喜欢的梳理工具，不一定要用思维导图。