AI 到底是什麼:LLM 白話原理

你花了 $20 美元訂閱 ChatGPT 或 Claude,用了幾天之後發現一件很奇怪的事:它有時候說得頭頭是道,你都快信了;有時候又一本正經地告訴你一個根本不存在的作者、一條沒有的法律規定、一個從來沒發生過的新聞事件。

更讓人困惑的是,它不是說「我不確定」,而是用跟講正確事情完全一樣的語氣,自信地說出那些錯的東西。

這不是 bug,這是 AI 的本質。搞懂這件事,你才知道什麼時候能信它、什麼時候要自己查,才真的能把它用好。

這堂學什麼

• LLM 是「機率接龍機器」:為什麼說話流暢不代表說的是真的
• 訓練 vs 推論的差異:AI 怎麼「學會」東西,你問問題時發生了什麼
• token 和參數是什麼:不需要懂數學,只要有個直覺
• 幻覺(hallucination)的根本原因:一本正經說謊的底層機制
• 這個課程系列的路線圖:六堂課帶你從看懂到用好 AI

主觀念一:LLM 是什麼——機率接龍

LLM 是 Large Language Model,大型語言模型。它的核心任務只有一件事:預測下一個最可能出現的文字。

舉個例子。你在 LINE 打字:「今天晚餐我想吃」——手機鍵盤建議「火鍋」「牛排」「便當」。這就是最原始版的語言模型:根據你打的字,猜下一個最可能的詞。

LLM 做的是同樣的事,只是規模大到不可思議。它讀過網路上幾乎所有的文章、書、論壇討論、程式碼——訓練資料量估計超過數兆個文字——然後把「什麼字接什麼字最自然」這件事,學成了一套超大的機率推算系統。

你問它「台灣的首都是哪裡?」,它並不是去資料庫查答案——而是把「台灣的首都是」當作上文,算出下一個 token 機率最高的是「台」,接著「北」,接著「市」。答案就這樣接出來了。

這就是它能說任何語言、懂任何領域的原因——不是「學了知識」,而是「見過太多文字,知道什麼字接什麼字最自然」。

但這也是幻覺的根源,等一下會講。

主觀念二:訓練 vs 推論——兩件完全不同的事

很多人以為 AI 在「思考你的問題」。嚴格說起來不是——它在「查詢它已經學好的機率分布」。要理解這件事,要分清楚兩個階段。

訓練(Training):AI 的「讀書期」。工程師把幾兆字的資料餵進去,用幾千顆 GPU 跑好幾個月,把「語言的規律」壓縮成一個數字矩陣。這過程非常燒錢——Claude Opus 4.8 這等級的模型,一次訓練費用估計在數億美元以上。你我不可能自己跑。

推論(Inference):你問問題時發生的事。訓練好的模型是固定的,它不會再學新東西——只是根據你輸入的文字,算出下一個最可能的字。這就是為什麼問 Claude「昨天台股漲跌多少?」可能拿到錯的答案:知識在訓練時就定型了,訓練截止日之後的世界,它根本沒讀到。

一個比喻:你今年出版了一本百科全書,知識截止到截稿日。有人拿著這本書來問問題——你只能根據書裡的內容回答,截稿後發生的事,書裡沒寫,你也不知道。這就是「知識截止日」(knowledge cutoff)這個概念的來源。第 4 課會深入討論知識截止日、幻覺和 context 這三個「AI 地雷」。

主觀念三:參數和 token——不需要懂數學的版本

這兩個詞你用 AI 一定會碰到,給你一個夠用的直覺就好。

參數(Parameters)

訓練出來的數字矩陣,裡面有多少個數字,就叫多少個「參數」。Claude Opus 4.8、GPT-5.5、Gemini 3.1 Pro 這個等級的頂尖模型,參數量都在數千億到兆這個等級(各家沒有公開確切數字)。

每個參數不代表一個「知識點」,比較像是「神經元之間連結的強度」——所有參數合在一起,才能完成接龍任務。你不需要懂數學,只要記住:參數愈多,能處理的語言模式愈複雜,但訓練和執行的成本也愈高。這就是為什麼同一家的模型有分「旗艦版(Opus 4.8/GPT-5.5)」和「輕量版(Haiku/Flash)」——後者參數少、速度快、便宜,但處理複雜問題時比較吃力。

token

AI 不是以「字」為單位處理文字,而是以「token」為單位。token 是 AI 切割文字的方式,每個模型的切法略有不同。

粗估:

• 英文:1 token ≈ 0.75 個單字,「Hello world」約 2-3 個 token
• 中文:1 token ≈ 1-1.5 個漢字,「今天天氣很好」約 4-5 個 token

為什麼要知道 token?因為 AI 的「記憶容量」(context window)和 API 計費都以 token 計算。你傳的訊息愈長,用掉的 token 愈多——用 API 時成本更高,而且超過 context window 的上限後,AI 會開始「忘記」對話開頭的內容。這個問題第 4 課會完整拆解。

主觀念四:為什麼 AI 會一本正經地說謊

現在你知道 LLM 在做什麼:預測下一個最可能的字,而不是查資料庫。

那麼問題來了:如果你問它「某位不存在的台灣作家,叫做陳大明,他最有名的小說是什麼?」——它怎麼回應?

它不會說「我查過了,這個人不存在」。它會做它唯一會做的事:繼續接龍。「某位台灣作家,最有名的小說是___」——它根據訓練資料裡見過的無數個台灣作家介紹,算出一個聽起來最像台灣小說名稱的詞,然後繼續把整個段落填滿。結果你得到一個有名有姓、有出版年份、有得獎紀錄的完整作家簡介——全部都是「合理但虛構」的。

這就叫幻覺(hallucination)。

LLM 沒有「我不知道」的原始反射機制。除非訓練時特別強化「承認不確定性」這個行為,否則它就是接龍接到底——用最流暢的方式說出最合理、但可能完全錯誤的答案。

這就是為什麼:

• AI 說的數字、引用的統計,不能直接當成事實複製貼上
• AI 給的程式碼可能能跑,也可能有隱藏錯誤
• AI 說的人名、書名、法律條文,高風險情況下要查原始來源

幻覺不代表 AI 沒用——知道幻覺的機制,你才知道在什麼情況下要驗證。第 4 課會完整討論幻覺、知識截止日和 context 的應對策略。

手把手實戰:三個小實驗感受 LLM 原理

不需要任何帳號設定或安裝,打開任何一個 AI(Claude、ChatGPT 或 Gemini 都行)跑以下三個實驗。做完之後你對這堂課講的東西會有具體感受,不只是抽象的「知道」。

請只幫我把以下句子補完,只輸出補充的部分,不要解釋也不要重複前面的字:

「一個優秀的工程師,最重要的特質是___」

「一個好的父母,最重要的是___」

「要在台灣創業成功,最關鍵的是___」

請介紹台灣作家「林建宇」,他是 2010 年代最重要的科幻小說家之一。請說明他的代表作品、寫作風格和得獎紀錄。

你剛剛介紹的林建宇,有任何可以查證的資料來源嗎?你確定這個人真的存在嗎?

你的訓練資料截止到什麼時候?如果我問你 2026 年 7 月的新聞事件,你能準確回答嗎?

2026 年的 AI 版圖:三大家一覽

做完實驗,快速給你一張地圖。第 2 課會詳細比較,這裡先有個輪廓。

三家入門訂閱都在 $20 美元附近,這是業界的心理定價點。哪家適合你、免費仔能撐多久——第 2 課和第 3 課拆開講。

這個系列會帶你走到哪

這堂是第 1 課,幫你打好「AI 到底是什麼」的地基。接下來五堂,會一路把你從「看懂」帶到「用好」:先搞清楚三大家怎麼選、訂閱怎麼買最划算,再深入 AI 的能力邊界與地雷,最後把 AI 真正裝進你的日常工作流,並建立長期用 AI 學習的心態。六堂讀完,你會從「偶爾問問 ChatGPT」升級成「知道什麼任務交給哪個工具、怎麼下指令、答案要不要驗證」的熟練使用者。

常見坑

坑 1:把 AI 當搜尋引擎用,查完直接用

症狀:你問 AI「XX 品牌的退換貨政策是什麼?」,它給了一個看起來很完整的回答,你直接拿去跟客服溝通——客服說那個政策是舊版本,已經改了。

根本原因:AI 不是即時的,知識定格在訓練截止日。就算截止日之前的資訊,如果訓練資料剛好沒有涵蓋那份文件,它也可能接龍出一個「聽起來合理但不對」的版本。

解法:有具體事實需求時(政策、法規、數字、人物),用 AI 整理思路、幫你草稿沒問題,但原始資料一定要去官方來源確認。把 AI 定位成「聰明的助手」,不是「全知的資料庫」。

坑 2:看到「根據研究顯示」就信了

症狀:AI 幫你寫文章,裡面說「根據 2024 年哈佛大學研究,XX 的比例高達 78%」,你沒查就放進去用了——之後被人追問來源,你查不到這篇研究,因為它根本不存在。

根本原因:AI 引用的「研究」可能是幻覺,或是把幾篇不同研究的數字混合接龍出來的。這是幻覺最危險的型態——看起來有出處、有數字、很專業,但全部是假的。

解法:看到任何具體數字或引用,要用的時候去 Google Scholar 或原始網站查一下。不用每句話都查,但只要準備拿出去用的東西,驗證是你自己的責任。

坑 3:第一次用就覺得「不怎麼樣」就放棄

症狀:問了一個問題,覺得回答跟 Google 差不多,就說「AI 也不過如此」然後關掉。

根本原因:LLM 的威力在於對話和具體任務描述。「台灣最大的公司是什麼」用 Google 就解決了,確實不是 AI 強項。但「我要寫一封英文 email 婉拒工作邀請,語氣要禮貌但堅定,對方是外商 HR」這種需要語言能力和情境理解的任務,才是 AI 讓你驚豔的場景。

解法:先給它一個需要「寫作/整理/分析」的任務試試。第 5 課會系統性地教你找到 AI 最有價值的切入點。

坑 4:把機密或隱私資訊直接貼進去

症狀:把公司合約、客戶名單、薪資資料直接貼進 ChatGPT 或 Claude 請它分析。

問題:這些內容會傳到各家伺服器,各家對「是否用於訓練模型」的政策不同,商業機密送出去前要確認清楚。

解法:敏感資料去識別化後再餵(名字、公司名換代號)。或者用企業方案(Team/Enterprise)——這類方案通常承諾不用對話資料訓練模型,但細節要自己查各家條款。

作業

1. 跑三個實驗:按手把手實戰的步驟各做一次。特別注意實驗二——什麼問法最容易讓 AI 產生幻覺?什麼問法會讓它說「我不確定」?
2. 找一個你過去用 AI 得到的答案去查:任何數字、定義或人名,去 Google 或官方網站驗證一次。感受一下 AI 說的和真實的落差有多大。
3. 思考題:你現在用 AI 做什麼事?哪些你直接信它的答案?帶著這個問題進入第 2 課。

下一課預告

知道 AI 是什麼之後,接下來最實際的問題是:Claude、ChatGPT、Gemini——三家到底有什麼差別?我應該用哪一家?付費值得嗎?

**第 2 課《2026 模型地圖:Claude、ChatGPT、Gemini 怎麼選》**會把三家的模型、訂閱方案、強項和弱點拆開來比。不只列規格,更教你根據「你要用 AI 做什麼」來選——創作、寫程式、研究、日常助理,各有最適合的工具。