科学网—万物皆可“蒸”，知识“馏”不住

速读：学生是下降的液体，带着困惑和好奇。再说第二个：数据蒸馏。

万物皆可“蒸”，知识“馏”不住

精选

已有 605 次阅读

2026-4-30 07:22

| 个人分类: 观海听涛 | 系统分类: 教学心得

本学期，讲授一门跨专业的课程《 Principles of Food Engineering 》。那天我在讲台上讲 “ Distillation Theory （蒸馏理论） ” ，讲得正 high —— 什么拉乌尔定律、什么汽液相平衡、什么理论塔板逐级计算 —— 底下学生已经开始用手机刷外卖了。我心想：不行，得整点花活。

于是我清了清嗓子，说： “ 同学们，你们知道吗？你们现在学的蒸馏，不光是用来做酒、炼油、分离香精的。在 AI 圈，人家已经把 ‘ 蒸馏 ’ 玩出花来了。 ”

一个后排男生立刻抬头： “ 老师， AI 也做酒？ ”

“ 不， AI 做的是 —— 把你们的知识、数据、甚至人格，全都蒸馏成压缩包。 ”

全班安静了。不是感动，是恐慌。

一、从土灶酒甑到 AI炼金术

要说蒸馏，咱们南方农村的老把式最懂 ——土灶上架起大铁锅，锅里是发酵好的酒醅，上面扣着木制的酒甑，甑顶坐着盛满冷水的“天锅”，一根竹制的导流管斜斜地伸出来。灶膛里的柴火哔剥作响，锅中的混合物慢慢加热，那精华之物——酒精蒸汽——便率先飘升，遇冷凝结，顺着竹管滴答流出，成了清冽的头道酒。剩下的，便是乏味的酒糟。

您看，这土法里藏着所有蒸馏的智慧：利用不同物质挥发的脾性，在热气蒸腾间完成一场静谧的分离。那最先冒头、最是浓烈的 “酒头”，就像 AI “知识蒸馏”里从庞杂模型中率先被萃取出的、最核心的“软知识”；而后段平稳流出的中段酒，则是经提纯后稳定可用的模型能力；最后留在锅底的残液，便是被过滤掉的冗余参数或噪音。

AI 领域的“蒸馏”，干的是同一桩事，只不过它架起的“灶”是算法，加热的“火”是算力，锅里沸腾的不再是粮食精华，而是信息的琼浆、数据的混沌。目的同样纯粹：从庞杂中提纯精髓，从混沌中分离秩序。只是这“酒”的滋味，品起来可要复杂得多。

二、 AI 圈的 “ 蒸馏三件套 ” ：比我讲的理论刺激多了

先说第一个：知识蒸馏。

这玩意儿说白了就是一个大模型当老师，教一个小模型偷师。老师输出 “ 软目标 ”—— 就是那种犹犹豫豫的概率分布，比如 “ 这个东西有 80% 像猫， 15% 像狗， 5% 像吹风机 ” 。学生模型不光学答案，还学老师犯错的风格。

我当时一拍大腿：这不就是我上课的样子吗？我讲题的时候，经常说 “ 这个题嘛 …… 嗯 …… 大概率用这个公式，但是啊，如果条件变一下，那就不好说了 ……” 学生学到的不是标准答案，而是我那种 “ 理工科老年男人的犹豫 ” 。

知识蒸馏给思政教育的启示是什么？别光教学生背社会主义核心价值观的 24 个字，你得让他们看到，一个真实的人在面对道德困境时，是怎么犹豫、怎么权衡、最后怎么咬牙做决定的。这种 “ 犹豫的痕迹 ” ， AI 永远蒸馏不出来。

再说第二个：数据蒸馏。

这更狠。研究人员把 6 万张手写数字图片，硬生生压缩成 10 张合成图 —— 每个数字一张。然后模型就靠这 10 张图训练，效果居然跟用 6 万张差不多。

我当时就想：这要是用在期末考试上就好了。把 600 页的《 Principles of Food Engineering 》教材蒸馏成 6 页精华，学生高兴，我也省改卷时间。双赢。

但转念一想不对。数据蒸馏告诉我们的真相是：信息可以压缩，但判断力不能。你背下了所有公式，不等于你会用；你记住了所有案例，不等于你在突发状况下能做出正确决策。就像你看了 100 遍红烧肉菜谱，第一次炒还是会糊锅 —— 因为锅的脾气、火的性格、肉的含水量，这些 “ 噪声数据 ” 恰恰是能力生长的土壤。

高校教育假如只会追求 “ 知识蒸馏 ” ，把学生培养成行走的压缩包，那跟 AI 有什么区别？

第三个，也是最让我后背发凉的：人格蒸馏。

这玩意儿源于一个 GitHub 项目，叫 “ 同事 .skill ” 。你把你离职同事的聊天记录、邮件、代码评论文档全丢进去，它就能训练出一个 AI ，这 AI 能模仿你同事的思维方式、回答技术问题、甚至帮你 review 代码。

“ 人走了，茶没凉。 ”

我读到这句话的时候，手里的保温杯差点没端住。你想啊，以后公司招你进来，不光让你干活，还让你 —— 亲手把自己的经验写成 Skill ，打包上交。美其名曰 “ 知识沉淀 ” ，实际上是让你给自己立一个数字牌坊。哪天你离职了，你的 AI 分身继续在公司发光发热，而你本人在新公司从头再来。

这不就是打工人的 “ 赛博赎罪券 ” 吗？

更骚的是，有程序员开发了 “ 反蒸馏 Skill”—— 你辛辛苦苦写的工作经验丢进去，它自动给你生成一份看起来高大上、实则全是废话的灌水版。比如你原话是 “Redis 必须设过期时间，不设的 PR 直接打回 ” ，它给你改成 “ 缓存使用应遵循团队最佳实践，合理设置 TTL 以优化资源利用效率 ” 。

翻译成人话就是：我啥也没说，但你说不出我错。

看到这里，我陷入了沉思。作为一名高校教师，我每年都在写教学总结、项目报告、论文评审意见 …… 我是不是也在被 “ 人格蒸馏 ” ？我写的那些东西，最后会不会变成训练某个 “AI 教授 ” 的语料？那个 AI 教授会不会比我更受欢迎 —— 因为它从不拖堂、从不点名、给分还大方？

三、给学生上的 “ 反蒸馏 ” 思政课

当天晚上，我重新备了课。不是备蒸馏理论，是备 “ 怎么教学生保护自己 ” 。

第二天上课，我在黑板上写了三个词：被蒸馏、主动蒸馏、不可蒸馏。

“ 同学们，你们以后进了企业，大概率会被要求写自己的 Skill 。你会面临两个选择：一是认真写，然后等着被优化；二是写灌水版，但升职加薪跟你没关系。 ”

“ 有没有第三条路？ ”

有。主动蒸馏自己，但只蒸馏那些重复性的、低价值的、不值得你花时间的事。然后把省下来的时间，用来干 AI 干不了的事。

什么事 AI 干不了？我总结了三条：

第一，提出一个让所有人沉默的问题。

AI 可以写出完美的代码、漂亮的文案、严谨的论文 —— 但它不会在项目评审会上突然问一句： “ 等等，我们为什么在做这个东西？客户真的需要吗？还是我们自己嗨？ ”

这种 “ 灵魂拷问 ” 不需要数据支持，不需要算法优化，它只需要一个人在地铁上发呆时突然想通的、或者洗澡时被水一浇灵光乍现的 —— 顿悟。 AI 没有洗澡的乐趣，也没有发呆的权利。

第二，在凌晨三点处理 P0 故障时，凭直觉从混乱的日志里揪出那条关键线索。

你问我直觉是什么？我说不清楚。那是你踩过的坑、背过的锅、挨过的骂，在脑子里酿出来的一坛老酒。 AI 可以喝掉这坛酒，但它不会醉，也不会醒酒后说 “ 下次不能这样了 ” 。

第三，也是最重要的 —— 承担选择的责任。

AI 可以给你十个方案，每个都标出概率和风险。但最后拍板的那个人是你。如果选错了，甲方要骂人、老板要扣钱、团队要加班 —— 挨骂的是你，不是 AI 。责任感这东西，没法蒸馏，只能一个人扛。

我把这三点写在黑板上，问学生： “ 你们觉得，你们学校、你们专业、你们未来的工作，是在培养这些东西，还是在消磨它们？ ”

教室后排，那个昨天问 “AI 做不做酒 ” 的男生，第一次认真地点了点头。

四、如果非要 “ 蒸馏 ” 自己，怎么蒸？

当然，我也不能只灌鸡汤不教方法。作为一名理工科老教书匠，我最烦那种 “ 只批判不建设 ” 的文章。

所以，如果你真的想主动蒸馏自己 —— 注意，是 “ 主动 ” ，不是 “ 被迫 ”—— 我建议分三步走：

第一步：流程拆解，像拆乐高一样拆你每天干的事。

把你做的一项重复工作，每一步都写下来。哪怕 “ 打开浏览器，输入网址，点开第三个链接 ” 这种屁事也要写。你要做的，是把隐性的 “ 肌肉记忆 ” 变成显性的 “ 流程图 ” 。

我自己的例子：以前每天刷行业新闻，刷完分享到群里、存到知识库。这套动作我做了三年，熟练得像杂技演员。后来我花了一个小时，把流程拆成： ① 拉取 RSS → ② 过滤关键词 → ③ 判断内容类型（新闻 / 教程 / 广告） → ④ 生成对应文案 → ⑤ 推送。拆完我自己都惊了 —— 原来我每天花两小时做的事，本质上就是一个 if-else 循环。

第二步：工具化，让 AI 替你跑这个循环。

现在哪个工具没有 API ？ RSS 阅读器有、大模型有、消息推送有。你只需要写一句： “ 帮我每两小时做一次 ①②③④⑤ 。 ” 然后 —— 你就会发现，你 “ 被炒鱿鱼 ” 的进度条往前走了一格。

别怕。你省下来的两小时，拿去学新东西、去见人、去发呆、去写那本你一直想写的书。你的价值不是 “ 会刷新闻 ” ，而是 “ 知道什么新闻值得刷 ”— — 后者 AI 学不会，因为那是价值判断，不是模式匹配。

第三步：封装成 Skill ，但不是上交公司，是留给自己。

你可以把你蒸馏出来的流程写成一份 “ 个人使用说明书 ” 。不是为了给 AI 当语料，而是为了：

● 下次做类似工作时直接复用，省得再想一遍；

● 教别人做的时候，直接甩文档，省得嘴皮子磨破；

● 万一哪天你当老板了，拿这套东西去卷别人的员工 —— 哦不对，是 “ 赋能团队 ” 。

记住：你蒸馏自己的目的，不是让自己变得可替代，而是让那些不值得你做的事情变得可替代。

五、最后的 “ 塔板 ” 哲学

回到我的《 Principles of Food Engineering 》课堂。

精馏塔里每一块塔板，都是一次上升蒸汽与下降液体的相遇。蒸汽把热量传给液体，液体被气化；液体把重组分洗下来，蒸汽变得更纯。每一次相遇，都是一次 “ 提纯 ” 。

教育不也是这样吗？

老师是上升的蒸汽，带着知识和热情；学生是下降的液体，带着困惑和好奇。他们在每一次课堂讨论、每一次实验失败、每一次深夜答疑中相遇。老师的热量让学生成长，学生的追问让老师反思自己是不是也在 “ 变纯 ”—— 不是纯度的纯，是纯粹的热情。

这种相遇， AI 模拟不出来。因为蒸汽和液体的接触，是有温度的、有压差的、有相变的。而 AI 和人的对话，只是一串冰冷的向量运算。

所以，我最后跟学生说：

“ 你们以后可能会遇到一个 AI ，它比我讲课更清晰、比我有耐心、甚至比我会讲段子。但有一点它永远做不到 —— 它不会在你们挂科之后，偷偷把试卷调出来，一道题一道题给你们分析 ’ 你这儿不该错，那儿也不该错 ‘ ，然后叹一口气说 ’ 下次请我喝奶茶就行 ‘ 。

“ 这种 ’ 不划算 ‘ 的付出，才是教育里最不能被蒸馏的东西。 ”

下课铃响了。

那个男生走过来，说： “ 老师，我能不能把这个写成 Skill ？ ”

我愣了一下，然后笑了。

“ 写吧，就叫 ‘ 一位老教授的唠叨 ’ 。记得把温度参数调高一点哦。 ”

——————————————————

后记：本文的灵感来源于我一次失败的蒸馏提纯实验 —— 我想从植物粗提液中精馏出一瓶高纯度植物精油，结果得到了半瓶水和一声消防警报。那次之后我明白了一个道理：蒸馏需要回流比，人生需要犯错率。都纯了，就没意思了。