头痛的时候吞下一片止痛药，过一会儿疼痛慢慢退去。很多人会冒出一个问题：药片又没有长眼睛，它怎么知道该去哪儿？
答案有点反直觉：它并不知道，也不需要知道。
一、药片的“广撒网”
药片在胃和小肠里溶解，有效成分进入血液，被心脏泵到全身。头部、手指、脚趾、毫无不适的腰背，都有同等机会接触到这些药物分子。它不是一支带着导航的救援队，更像一支撒得很开的巡逻队。
那为什么偏偏是疼的地方见效？
因为疼的地方，环境不一样。组织出现损伤或炎症时，局部会释放炎性物质，血管扩张、通透性增加，血流更多；同时代谢产物堆积，局部环境偏酸。药物分子经过这里时，更容易穿透细胞膜，也不那么容易随血液被带走，于是慢慢“留”了下来。时间一长，疼痛部位的药物浓度就高于其他部位，镇痛效果也在这里更明显。
这套机制有个很形象的说法，叫被动聚集：不是药物认出了痛点，而是痛点把药物“筛”了出来。吉林省药品监督管理局的一篇科普（来源：中国医药报）就用“广撒网”和“被动聚焦”来解释这件事。
副作用也是同一个道理。以布洛芬这类非甾体抗炎药为例，它抑制前列腺素的合成。可前列腺素不只在疼痛信号里当“信使”，在胃黏膜里还负责促进黏液分泌、抵御胃酸。药物顺着血液到了胃部，分不清“致痛的那一种”和“护胃的那一种”，一并抑制。胃黏膜少了保护，就可能出现不适、恶心，甚至溃疡。所以这类药通常建议饭后吃，用食物做个缓冲。
二、大模型吐字，其实也是“广撒网”
把镜头转向大模型。你输入一句话，它回你一段话。看起来，它像是读懂了你的意思，再去组织答案。
但从机制上说，它每吐一个字，都是先对整个词表算一遍概率：下一个位置出现哪个词、可能性多大，然后按这个分布挑一个。挑完，把这个字接上去，再算下一个。整段回答，就是这样一步步“接”出来的。
它没有一张“我要表达的意思”的蓝图，再去查词典；它做的是一次又一次的概率选择。想补一点基础，可以先看《大模型（LLM）到底是什么？》。
那你给的提示词、前面的对话、贴进去的资料，起什么作用？
作用就像炎症部位。它们改变了模型内部的“环境”，让某些词的概率升高、另一些降低。你越把场景、目标、限制条件说清楚，概率就越容易聚集到你想要的方向。你以为的“它懂我”，很多时候是你的上下文，把概率筛成了你想要的样子。
三、三处对应，和一条不能跨过的边界
把两件事放在一起，会看到三处很像的地方。
第一，都是“全身或全词表分布，局部聚集”。药物随血液到全身，在炎症处留得多；模型对全词表算概率，在上下文相关处给得高。
第二，都不“区分好坏”。药分不清致痛的前列腺素和护胃的前列腺素；模型在训练时，也不会自动分辨“可靠语料”和“似是而非的语料”，而是一并拟合。前者带来胃部副作用，后者带来幻觉——话说得很顺，事实却未必对。
第三，都是“环境决定结果”。疼的地方环境特殊，药才留得住；上下文给得具体，模型的概率才聚得准。
但这里有一条边界，必须说清楚：药物是物理分布，模型是统计分布。
药物的聚集，靠的是浓度、酸碱度、细胞膜通透性这些物理化学条件；模型的“聚集”，靠的是参数、注意力权重和训练数据里的统计规律。它们像，是因为都呈现“看似精准、实为筛选”的外观；它们不等同，是因为一个发生在溶液里，一个发生在数字里。
所以，这个类比能帮我们理解“为什么它看起来那么准”，但不能推出“模型有意识”，也不能推出“药会思考”。类比是拐杖，不是判决书。
四、知道这件事，对日常用 AI 有什么用
第一，把上下文当成“炎症部位”来造。别只丢一句“帮我写个方案”。把对象、场景、目标、限制、你喜欢的样例说清楚，概率才会往你要的方向聚集。很多人觉得 AI“时好时坏”，差别常常不在模型，而在上下文给得够不够具体。
第二，别把流畅当成正确。流畅只说明这条路径概率高，不说明事实被核验过。涉及数字、日期、人名、法规、医学信息，还是要回到原始出处核对。幻觉更像一种“副作用”，能做的是加保护层：要求给出处、分段核对、把判断和执行拆开，而不是指望它“永不犯错”。
第三，给模型留“护胃”的余地。就像饭后吃药能减少胃部刺激，给 AI 加一句“不确定就说不确定”“先列假设再回答”，往往比反复追问更有效。
五、最后，回到用药本身
这篇文章讲的是机制，不构成用药建议。止痛药按说明书或医嘱使用；如果经常疼痛、疼痛性质异常，或者服药后出现明显胃部不适，先去看医生，别靠加量硬扛。
日常想查药物信息、用药注意事项和相互作用，可以用站内的 AI用药参考；它的具体用法在这篇《AI用药参考怎么用？》里。
药不知道你哪里疼，模型也不按人的方式“懂”你。搞懂这一点，不是为了让谁显得笨，而是为了在用的时候，知道该把力气花在哪儿。
常见问题
Q: 止疼药真的不知道身体哪个部位疼吗？
不知道，也不需要知道。药物溶解后随血液循环分布到全身，各个部位都有机会接触到；疼痛部位因为血管扩张、通透性增加、局部偏酸，药物更容易停留，浓度才逐渐升高。这是“被动聚集”，不是药物在导航。
Q: 为什么炎症部位的药物浓度会更高？
炎症或损伤会让局部血管扩张、血流增加，同时代谢产物堆积使环境偏酸。药物分子在这里更容易穿透细胞膜，也不容易被血液带走，于是越聚越多，镇痛效果更明显。
Q: 大模型“对全词表撒概率”是什么意思？
模型每生成一个字，都会先给词表里所有候选词算一个概率，再按这个分布挑一个接上去，然后继续算下一个。整段回答由一次次概率选择接成，而不是先在脑子里写好完整意思再翻译成文字。
Q: 这个类比哪里不成立？
药物是物理分布，靠浓度、酸碱度和细胞膜通透性；模型是统计分布，靠参数、注意力权重和训练数据里的统计规律。类比只能帮我们理解“为什么看起来精准”，不能推出模型有意识，也不能推出药物会思考。
Q: 知道这个对平时用 AI 有什么帮助？
一是把上下文写具体，相当于给模型造一个更明确的“炎症部位”；二是别把流畅当正确，数字、日期、法规、医学信息回到原始出处核对；三是给模型加保护层，比如要求不确定就说不确定、先列假设再回答。
评论