身边越来越多测试工程师开始焦虑。不是业务能力不行而是每次技术评审会产品经理随口抛出一句“这个需求我们接入大模型解决”全场没人敢追问技术细节。面试的时候更直接。以前问“怎么设计测试用例”现在问“你之前测过模型吗怎么评估模型效果”很多人开始感觉到AI不再是一个可选项而是一道必答题。但问题来了。零基础学AI该从哪儿下手看了一堆公式推导买了一堆书发现连“损失函数”是干什么的都说不清楚。本质上不是你学不会而是你一开始搞错了重点。转型AI最该先搞懂的不是数学推导而是5个最基础、最核心的概念。这些概念卡住了后面全是空中楼阁。目录为什么你看了那么多教程还是不会用AI第一个核心概念向量Vector第二个核心概念嵌入Embedding第三个核心概念注意力机制Attention第四个核心概念损失函数Loss Function第五个核心概念梯度下降Gradient Descent一个真实的落地案例帮你串起来给你留一个值得思考的问题为什么你看了那么多教程还是不会用AI先讲一个真实场景。上个月一个做了5年测试的朋友跑来问我。他在公司负责自动化测试平台现在领导要求把平台接上大模型做智能用例生成。他的第一反应是我应该先去学PyTorch还是学TensorFlow这个想法非常典型但方向完全错了。本质问题不是“用什么框架”而是“计算机怎么理解我给他的文本数据”。你给大模型输入一段需求文档模型能生成测试用例。但计算机只认识数字不认识汉字。中间发生了什么这就是最底层、最该搞懂的第一个概念向量。第一个核心概念向量Vector怎么做的把任何数据——文字、图片、声音——都转换成一串数字。这串数字就是向量。为什么这么做计算机只能做数学运算。你要让计算机“理解”两个词的意思是否相近本质上是在计算这两串数字之间的距离。解决了什么问题把不可计算的世界变成可计算的世界。举个例子。假设我们用两个数字表示一个词[长度, 情绪值]。“好”[3, 0.9]“棒”[3, 0.85]“坏”[3, 0.1]计算一下距离“好”和“棒”很近“好”和“坏”很远。这就实现了“语义理解”。向量是一个工具把现实世界的对象映射到数学空间中的一个点。零基础最容易犯的错误一上来就研究这个映射怎么学出来的。你不需要。你只需要记住——所有AI模型输入是向量输出也是向量。第二个核心概念嵌入Embedding向量是一个很大的概念。图片可以做向量声音也可以。但文本比较特殊。一句话里每个词都有自己的向量怎么把“词”这个维度的向量变成“句子”这个维度的向量这就用到嵌入。怎么做的把一个高维、稀疏的向量压缩成一个低维、稠密的向量。说人话把一段话变成一个更小的、但信息不丢失的向量。为什么这么做原始的词向量维度太高了。假设词典有10万个词一个词的one-hot向量就是10万维太稀疏。嵌入把它压缩到几百维同时保留语义关系。解决了什么问题让模型能同时处理大量信息而不会被维度爆炸撑死。训练嵌入的过程很有意思。你可以理解为让模型玩一个“猜词游戏”。模型不断调整每个词的向量表示直到能从上下文里猜出正确的词。工程师视角最该记住的嵌入不是随机压缩而是通过训练学出来的。训练完成后你会发现“国王”的向量减去“男人”的向量加上“女人”的向量约等于“女王”的向量。这不是魔术这是嵌入空间中的数学规律。第三个核心概念注意力机制Attention前两个概念解决了“怎么表示数据”。接下来解决下一个问题当输入很长的时候模型该重点关注哪个部分传统的做法是把所有输入同等对待。你想想一个100页的需求文档所有句子对生成测试用例的贡献是一样的吗当然不是。注意力机制解决了这个问题。怎么做的模型在生成每一个输出的时候都会给输入序列的每一个位置打一个“权重分”。分数越高说明这个地方越值得关注。为什么这么做因为上下文是有结构的。最后一个词往往比第一个词更重要但不绝对。让模型自己学会去哪里找信息。本质上注意力机制是一个动态的、可学习的“信息筛选器”。解决了什么问题让模型能处理超长序列并且能在长距离中保留信息。没有注意力机制RNN处理到第100个字的时候早就忘了第1个字说了什么。一个工程师必须理解的细节注意力机制的分数不是瞎猜的是通过“查询向量”和“键向量”的点积计算出来的。每次计算当前输出和所有输入位置的匹配程度。mermaid图可以帮你理解这个过程核心在于权重是算出来的不是写死的。第四个核心概念损失函数Loss Function模型跑起来了输入输出都有了。下一个问题怎么知道模型做得好不好这就是损失函数干的活。怎么做的用一个公式计算模型预测的结果和真实结果之间的差距。差距越大损失值越大。为什么这么做因为没有量化就没有优化。你必须给模型一个明确的信号——你这次做错了错得有多离谱。解决了什么问题把“好坏”这种模糊判断变成一个具体的数字。模型的任务变成了“让这个数字越来越小”。不同的任务需要不同的损失函数。分类问题用交叉熵损失回归问题用均方误差目标检测用更复杂的组合损失工程师视角最重要的一点损失函数的选择决定了模型的“价值观”。你选什么样的损失函数模型就努力优化什么目标。举个例子。测试用例生成任务你如果用交叉熵损失模型会努力让每个生成的词都贴近标准答案。这会导致一个问题生成的用例多样性很差。如果你想要多样性就得换损失函数或者在损失里加一个多样性惩罚项。这就是为什么很多项目效果不好的根本原因——不是模型不行是你的损失函数没选对。第五个核心概念梯度下降Gradient Descent损失函数给出了错误的大小。下一个问题怎么根据这个错误去调整模型梯度下降。怎么做的计算损失函数对每个模型参数的偏导数得到梯度的方向和大小。然后让参数沿着梯度的反方向迈一小步。重复无数次。为什么这么做因为模型参数太多了动辄几亿个。你不可能手动调整。梯度下降让模型能自动、高效地找到使损失最小的参数组合。解决了什么问题把“学习”这个抽象过程变成了“反复计算梯度并更新参数”这个可执行的循环。mermaid图描述这个循环这里有一个新手最容易踩的坑学习率。学习率是你每次迈的步子大小。步子太大跨过最优解损失反而变大。步子太小几亿个参数你得算到天荒地老。这个平衡只能靠经验和调试。没有公式只有工程实践。一个真实的落地案例帮你串起来把这5个概念串在一起看一个真实场景。你负责测试一个智能客服系统。用户问“我的订单什么时候到”模型要生成答案。第一步向量化。用户的问句被拆成词每个词变成一个向量。第二步嵌入。这些词向量被压缩成一个更高效的表示包含了整句话的语义。第三步注意力机制。模型生成第一个词“您”的时候会去关注输入序列中最相关的部分。它发现“订单”这个词权重最高。生成到“时间”的时候注意力转移到“什么时候”。第四步损失函数。模型生成了一个候选答案“您订单的预计到达时间是三天”。但训练数据里标准答案是“预计3个工作日”。损失函数算出这两个答案的差距。第五步梯度下降。模型根据损失值调整内部参数希望下次遇到类似问题能答得更准。整个系统不是在执行规则是在一个高维空间中做数学运算。这就是为什么传统的等价类划分、边界值分析用在AI系统上完全不灵。因为输入输出的关系不是线性的你没办法枚举状态空间。给你留一个值得思考的问题这篇文章没有讲大模型背后的复杂公式也没有让你推导反向传播。只讲了5个最基础的概念。原因很简单。我见过太多人花三个月学数学推导最后还是不知道怎么评估一个模型的好坏。也有人直接用开源模型做应用模型输出异常了连排查的方向都没有。问题不在知识本身在于知识结构。你必须先建立“输入是向量、输出是向量、中间经过嵌入和注意力、优化靠损失函数和梯度下降”这个骨架再往里填细节。最后这个问题留给你自己去验证。去翻一下你们公司正在用或准备用的AI模型的技术文档。看看文档里有没有出现这5个词向量、嵌入、注意力、损失函数、梯度下降。如果找到了你再去读一下它们在那个模型里具体是怎么实现的。这个问题不抽象。它决定了你能不能从一个“调API的人”变成一个“能看懂、能排查、能优化AI系统”的人。你的答案是什么本文部分内容参考了霍格沃兹测试开发学社整理的相关技术资料主要涉及软件测试、自动化测试、测试开发及 AI 测试等内容侧重测试实践、工具应用与工程经验整理。
