AI不需要你教它——它自己就从例子中学会了，甚至连DNA都不放过

Wed, 22 Jul 2026 02:29:00 +0800

引言：你教AI的方式，可能彻底错了

想象你要教一个朋友认识一种新水果。

你拿出了一个芒果，说：“这是芒果。”

然后你拿出第二个芒果，说：“这也是芒果。”

到第三个的时候，你朋友自己就学会了——“我懂了，芒果是这种黄色的、有甜味的东西。”

这不神奇。人类每天都在做这种事。

但AI也能做同样的事，而且方式比人类更不可思议。

你给它几个例子，它就能"学会"一个新任务——不用重新训练，不用调整参数，不用更新模型权重。你只是把几个例子放在它的"输入框"里，它就能按照你的意图去执行。

这种能力，叫做上下文学习（In-Context Learning, ICL）。

你可能会想：“这有什么了不起的？不就是让AI记住几个例子然后模仿吗？”

但问题在于——没有人知道它为什么能做到。

2020年GPT-3横空出世时，1750亿参数规模让ICL能力"涌现"了。但六年过去了，我们对这个问题的理解，才刚刚开始触及核心。

而2026年的一项新发现，把这个问题推向了更深的层次：

ICL不仅仅是人类语言的专属能力。它在DNA序列模型上，同样涌现了。

一、什么是"上下文学习"？——它比你想象的更奇怪

先理解ICL到底是什么。

想象你是一个大模型，被训练来"预测下一个词"。

训练时，你读了整个互联网——从维基百科到Reddit论坛，从学术论文到菜谱。你学会的是：给定前面的话，猜出后面的话最可能是什么。

然后有一天，有人给你看了一段话：

“把英文翻译成中文： hello -> 你好 good morning -> 早上好 I love AI -> "

你还记得吗？你从来没被专门训练过"翻译任务”。你只是被训练来"预测下一个词"。

但你的内部机制做了一件奇怪的事：你从给出的例子中"提取"了一个模式，然后把"翻译任务"转化成了"预测下一个词"任务。

你看到三个英文-中文配对后，自动推断出：哦，这个上下文的规则是"把英文翻译成中文"。所以当看到"I love AI"时，你预测下一个词是"我爱人工智能"。

这就是ICL——不需要额外训练，不需要梯度更新，仅仅通过几个例子，模型就学会了新任务。

听起来很神奇，对吧？

但更神奇的事情是：这个能力不是任何人有意识设计出来的。 没有人写代码说"让GPT-3学会从例子中学习"。它只是被训练来预测下一个词，然后这个能力就自己涌现了。

就像你种了一棵苹果树，结果它不仅长了苹果，还长出了柠檬——你完全不确定它是怎么做到的。

二、传统的解释：ICL是语言的"副产品"

对于ICL为什么会出现，最初的主流解释是：

ICL是语言模型在语言数据上训练的"副产品"。

逻辑是这样的：

人类语言中充满了"类比"和"模式"——比如我们经常会说"就像……一样"、“例如……”
语言模型在训练时见过了无数这样的例子
所以它学会了"从例子中推测规则"的通用能力
这个能力被"迁移"到了所有任务上

这个解释听起来很合理，对吧？甚至有点"理所当然"。

但2026年，这个解释被彻底推翻了。

三、颠覆性的发现：ICL在DNA模型上同样涌现

Johns Hopkins大学的研究团队做了一个实验。

他们选择了Evo2——一个被训练来预测DNA序列的模型。DNA序列由A、C、G、T四个碱基组成，像一本用四个字母写成的天书。

Evo2的训练目标很简单：给定一段DNA序列，预测下一个碱基是什么。

注意：Evo2从来没有见过任何人类语言数据。 它不知道"你好"是什么意思，没见过"翻译任务"，也没读过"例子"这个概念的任何一个字。

但研究团队做了以下测试：

他们给Evo2看一些"例子"——比如，给出一段DNA序列，然后在末尾加上对应的功能标注。然后再给一段新的DNA序列，问Evo2：“根据前面的例子，这段序列的功能标注应该是什么？”

结果：Evo2展现出了和GPT-3完全一样的ICL模式——随示例数量增加，性能稳定提升。

DNA模型，没有接触过任何人类语言，没有"类比"概念，没有"例子"这个训练数据——但它仍然学会了"从例子中学习"。

这个发现彻底改变了我们对ICL的理解：

ICL不是人类语言的副产品。 ICL不是"类比推理"的产物。 ICL甚至不是"文本"的专属能力。

ICL是——当一个模型被训练预测足够复杂的序列数据中的下一个元素时，自然涌现的通用能力。

涌现能力 on 灵语AI

AI不需要你教它——它自己就从例子中学会了，甚至连DNA都不放过

引言：你教AI的方式，可能彻底错了

一、什么是"上下文学习"？——它比你想象的更奇怪

二、传统的解释：ICL是语言的"副产品"

三、颠覆性的发现：ICL在DNA模型上同样涌现