UNIT 01

AI 基礎觀念

先別急著學工具。花 30 分鐘弄懂 AI 的基本原理，你會更知道怎麼用它、什麼時候不該相信它。

什麼是人工智慧（AI）？

人工智慧（Artificial Intelligence）指的是讓電腦表現出類似人類智慧的行為，例如理解語言、辨識圖片、做出判斷、規劃行動。

生活中其實早就充滿 AI：手機的臉部解鎖、Google 地圖的路況預測、YouTube 的推薦影片、信箱的垃圾郵件過濾，背後都是 AI。2022 年底 ChatGPT 出現後，大家開始能直接「用對話」來使用 AI，這就是生成式 AI帶來的改變。

AI、機器學習、深度學習、生成式 AI 的關係

AI 包含機器學習，深度學習是機器學習的一支。生成式 AI 描述「產生內容」的用途；現代常見系統多以深度學習實作，但不是所有生成方法都必須屬於深度學習。下面是入門示意，不是嚴格分類樹。

人工智慧 AI讓機器展現智慧的所有技術（包含早期用規則寫成的專家系統）
機器學習 ML不寫死規則，讓電腦「從資料中學習規律」
深度學習 DL用多層「類神經網路」學習，擅長圖像、語音、語言
生成式 AI能「創造」新內容：文字、圖片、聲音、影片、程式碼
名詞白話解釋生活例子
規則式 AI人類把「如果…就…」的規則一條條寫好早期的客服選單、西洋棋程式
機器學習給電腦大量例子，它自己歸納出規律垃圾郵件過濾、房價預測
深度學習模仿大腦神經元、有很多層的網路，能處理複雜資料人臉辨識、語音轉文字
生成式 AI學會資料的「模式」後，產生全新的內容ChatGPT 寫文章、AI 畫圖

機器學習的三種學習方式

監督式學習

給「題目＋答案」讓它學。例如給一萬張標好「貓」「狗」的照片，學會分辨貓狗。

分類迴歸預測

非監督式學習

只給資料、不給答案，讓它自己找出分群或規律。例如把顧客依消費習慣自動分群。

分群降維

強化學習

像訓練寵物：做對給獎勵、做錯給懲罰，透過不斷嘗試找出最佳策略。例如 AlphaGo 下圍棋。

獎勵機制策略

大型語言模型（LLM）是怎麼運作的？

ChatGPT、Claude、Gemini 背後都是大型語言模型（Large Language Model, LLM）。它的核心原理其實很簡單，用一句話說：

LLM 的本質：超強的「文字接龍」

根據前面的文字，預測「下一個詞元（token）的機率分布」，再逐步選取詞元形成回答；詞元不一定等於一個中文字。

例如你輸入「台灣最高的山是」，模型讀過大量文字資料，知道接下來最可能出現的是「玉」，接著是「山」。它並不是去「查資料庫」，而是根據學到的語言模式「生成」答案。

LLM 訓練的常見示意（實際流程因模型而異）

① 預訓練閱讀網路上海量文字，學會語言規律與世界知識
② 指令微調用「問題→好回答」的範例，教它聽懂指令
③ 人類回饋強化學習由人類評分哪個回答比較好，讓它更有用、更安全（RLHF）

一定要懂的 6 個名詞

Token（詞元）

模型處理文字的最小單位。一個詞元可能是字、部分單字或其他片段，數量依模型的分詞器而異，不能用固定字數精確換算。API 計價和長度限制都用 token 計算。

Context Window（上下文視窗）

模型一次能「記住」的文字量，包含你的輸入和它的回答。上限依模型與產品設定而異；能放入很長的內容，也不保證每個細節都被正確使用。

Prompt（提示詞）

你給 AI 的指令。提示詞寫得越清楚，結果越好。單元 4 會專門教。

Temperature（溫度）

控制回答的「隨機性」。溫度低 → 回答穩定、保守；溫度高 → 回答多變、有創意。

多模態（Multimodal）

能同時理解與產生多種形式的資料：文字、圖片、聲音、影片。例如拍一張數學題照片讓 AI 解題。

知識截止日（Knowledge Cutoff）

模型訓練資料的最後日期。較新的資訊可由您提供的文件、檢索或搜尋補充；截止日前的事情也未必都記得正確。

為什麼 AI 會「幻覺」？

幻覺（Hallucination）指 AI 生成看起來很合理、但其實是錯誤或捏造的內容。例如編出不存在的書名、法條、論文或統計數字。

原因就在於 LLM 的本質是「文字接龍」：它追求的是「說起來通順」，而不是「保證正確」。當它不知道答案時，仍可能接出一個聽起來很像真的答案。

🚩 容易出現幻覺的情境

  • 詢問精確數字、日期、統計資料
  • 要求提供參考文獻、網址、法條條號
  • 詢問冷門的人物、地方資訊
  • 詢問知識截止日之後的新聞

🛡️ 降低幻覺的方法

  • 提供資料給它，要求「只根據我提供的內容回答」
  • 使用有聯網搜尋、會附來源的工具（如 Perplexity）
  • 加一句「不確定時請直接說不知道」
  • 重要內容一定要人工查證原始來源
請根據我下方提供的文件內容回答問題。 如果文件中找不到答案，請直接回答「文件中沒有提到」，不要自行推測或補充。 回答時請標註你引用的是文件中的哪一段。 【文件內容】 （貼上文件） 【問題】 （你的問題）

讓 AI 更聰明的三種方法：提示、RAG、微調

當通用的 AI 不夠懂你的專業領域時，有三種常見方式，實際成本依資料、規模與維護需求而異：

方法怎麼做優點缺點適合情境
提示工程
Prompt Engineering		把背景、範例、規則寫在提示詞裡入門門檻低、可快速試用受限於上下文長度日常工作、單次任務
檢索增強生成
RAG		先從資料庫搜尋相關文件，再交給 AI 參考回答資料可隨時更新、可附來源、降低幻覺需建置知識庫、搜尋品質影響結果企業知識庫、法規問答、校務 FAQ 機器人
微調
Fine-tuning		用自己的資料再訓練模型能學會特定風格、格式或專業用語成本高、需技術人力、資料更新不便大量且固定格式的專業任務
規劃師的判斷原則

先釐清問題：需要更清楚的指令，就改善提示；需要更新的文件知識，就評估檢索；需要穩定特定行為或格式，再評估微調。上傳文件可能採用檢索或直接放入上下文，不能僅憑介面推定底層一定是 RAG。

RAG 運作流程

① 使用者提問「請假規定是什麼？」
② 檢索從知識庫找出相關的法規段落
③ 增強把問題＋找到的段落一起交給 LLM
④ 生成LLM 根據段落產生回答並附上出處

從聊天機器人到 AI 代理人（Agent）

AI 的發展可以分成幾個階段：

階段 1

聊天機器人

你問、它答。只能產生文字，不能幫你「做事」。

階段 2

工具使用

AI 會呼叫工具：上網搜尋、執行程式、讀取檔案、產生圖片。

階段 3

AI 代理人

給它一個目標，它可拆解步驟、使用工具並檢查結果，但也可能失敗、停止或需要人協助。例如「幫我研究五家競品並整理成報告」。

下一單元用本次查核的官方產品資料，觀察工具如何從對話延伸到任務執行。

AI 能做什麼？不能做什麼？

👍 AI 很擅長

  • 產生初稿：信件、公文、企劃、教案
  • 摘要、翻譯、改寫、調整語氣
  • 腦力激盪、提供多種想法
  • 整理資料、轉換格式（文字 → 表格）
  • 解釋概念、當家教
  • 寫程式、公式、自動化腳本

👎 AI 不擅長或不該做

  • 保證事實正確（一定要查證）
  • 做最終決策（人事、獎懲、醫療、法律判斷）
  • 處理機密或個資（除非是經授權的環境）
  • 理解你沒說出口的背景
  • 替代人與人之間的關懷與信任
記住這個原則：Human in the Loop（人在迴圈中）

AI 負責「加速」，人負責「判斷」與「負責」。所有對外發布、影響他人權益的內容，都必須經過人工審核。