曾经，任何一篇较为深入的文章的作者，在写作时都会遇到简明与易懂的抉择。假如希望自己的文章通俗易懂，那么就需要对引用的概念进行解释，这就导致一篇文章很容易非常冗长，重点得不到凸显，非常考验作者的谋篇布局水平。更重要的是，解释这种概念本身是一种重复性工作，对于外行的读者的确能起一定的辅助作用，但对于内行的读者来说就是冗余，并且对于作者来说也是一种负担。倘若希望自己的文章简明扼要，情况就正好相反，利好作者与内行的读者，但无形中对于外行的读者增加了门槛。
举个例子，在大语言模型的语境中，如果简明的说法是：“在注意力层计算前，需要先对输入向量进行标准化。”那么，易懂的说法就要解释什么是注意力，什么是注意力层，什么是标准化，为什么输入是以向量的形式。如果受众的知识水平更低，那么甚至要解释什么是向量。当然，如果受众的水平要求作者解释什么是向量，那么实际情况中一般干脆不写这句话了。总之，作者必须在简明与易懂之间找到一个平衡，尽可能让大多数自己的目标受众能理解自己的文章。
这个问题的本质在于，就像大语言模型的上下文有限一样，人脑的“上下文”也是有限的。但问题在于，世界在很多时候是相当复杂的，而在认识世界、改造世界的目的之下，我们很多情况下必须要理解极端复杂的事物。这导致人必须进行多级的抽象，将复杂度“折叠”起来，降低认知成本。推广而言，这个问题相当普遍，试举几例：
- 证明一个几何学的命题，理论上说只用公理就完全可以，但我们创造了定理、推论、引理等等，将常用的结论封装起来，在一个复杂的问题中直接使用；
- 写代码的过程中，我们已经很少用机器语言、汇编语言书写，至少都在使用 C 语言这样的低级语言。而当前最前沿的大语言模型领域，居于统治地位的是 Python，原因就在于 Python 高级语言的特性封装了很多低级特性，让工程师可以专注逻辑本身；
- 同样是写代码，如果要写一个大型项目，架构设计都是相当重要的组成部分。每一层都将本层的复杂度封装为接口，暴露给上一层的只有使用方法。这允许每一层只用关注本层的一小部分逻辑，将不同的逻辑模块解耦；
- 任何一个学科，都会有自己的专有名词，将核心概念封装起来。倘若没有这种专有名词，学术交流都将变得难以进行；
- 在做饭的过程中，我们更多关注的是如何烹饪，并不关心粮食的种植、运输、售卖。
在过去，人们提出了几种办法缓解这种情况。
- 典型代表是维基百科，解决办法是做一个“知识库”，将不同的概念分散在不同的页面中，并提供跳转的超链接。但问题是，这样的效果未必好。原因在于各个页面都是相互独立的，缺乏基础知识的读者，很难真正通过查百科学会一个概念，很难直接理解并运用。
- 典型代表是各种教材，解决办法包括两点。首先限定读者的知识水平，例如初二的教材就限定读者刚刚学完初一的课程；其次在设计课程的时候考虑前后相继，在靠前的教材中讲清楚靠后的教材所需要用到的所有概念。这种方法的问题在于，适用面太窄，只对体系完备的宏大项目有用，大多数情况下我们都不会写一本教材。
以上两种方法，有几个共性的问题。第一是重复造轮子，如果大家都运用这个方法，那么不同的文章就要重复解释同一个事物。更重要的问题如本文开头所述。如果解释太细，那么搭建成本高，需要解释的内容太多，即使使用超链接的方式，也只是减轻了读者的负担，并没有减轻作者的负担。如果解释的粒度太粗，那么相当于放弃了很多读者。在尝试平衡二者时，很难兼顾所有情况，让所有读者都得到自己所需要的。也就是说，灵活性太差。
但最近，大语言模型的出现，似乎改变了这种情况。例如，同样是开头的这句关于大语言模型的论述，现在的读者完全可以复制并粘贴到聊天框中，例如：
请帮忙解释一下这段话中的专有名词，用通俗易懂的语言：在注意力层计算前，需要先对输入向量进行标准化。
读者可以自行尝试。在这里粘贴我得到的回答意义不大，因为大语言模型日新月异，新的模型总体来说强于旧的模型。对于读者来说，这相比传统的方法有两个难以比拟的好处：
- 个性化。不同的读者可以选择不同的提示词，例如可以要求使用生活化的比喻来解释，或者告诉大语言模型自己对其中某个已经了解，但对另外一些不了解。
- 交互性。如果大语言模型解释之后，自己仍然没有完全理解，完全可以追问。
对于作者来说，好处同样很明显，也就是解放了作者的思想，让作者不必考虑通俗性的问题，可以专注文章核心内容本身。进一步说，如果说文字的价值有大小之分，我想当今时代一个很重要的判定标准就是：AI 能否写出来。像专有名词解释这件事，AI 完全能做，且很多情况下做的比人更好。那么，我认为这就应该放心交给 AI。这样，创作者的精力就能更多的放在 AI 写不出来的内容上，而这些内容，往往更有价值。
当然，这个判断当然也不绝对，有些概念需要作者深入讲解，此时完全不解释，让读者自行询问 AI 自然不合适。但事实上，如果 AI 能完成 80% 的工作，那么何不让它完成呢？我们作为人，得以专注剩下 20% 的工作，本身就是一种进步。
我立志写一些 AI 写不出来的内容，并且希望尽可能少地写一些 AI 能写出来、甚至写得比我更好的的内容，于是写了这篇文章，作为一篇观前提示。望读者了解我的态度，谅解我在其他文章中对一些概念不做解释的行为，同时希望我的文章能更加聚焦核心观点，以精炼的语言对读者有所启发。