數位時代的「讀心」魔術師：解構大語言模型 (LLM) 的大腦與靈魂

前言：從「人工智障」到「人工智慧」的奇點

回想幾年前，當你打電話給銀行語音客服或者試圖跟早期 Siri 聊天時，那種雞同鴨講的挫折感，時不時會聽到 Siri 說：「對不起，我聽不懂您的意思」。這句話，曾經是我們對 AI 的既定印象。到了 2022 年底，ChatGPT 橫空出世，世界彷彿在一夜之間變了。ChatGPT 不僅聽得懂你說的冷笑話，能幫你寫通識課的期末報告大綱，甚至還會寫寫程式或翻譯古希臘文。許多人都驚呼：「這東西，比我還像個人了吧！」陰謀論者則懷疑，ChatGPT 背後是不是雇用某中亞國家的大量勞動人力，AI 背後其實只是躲著一群過勞的工讀生在打字而已。

這個被稱為「大語言模型（Large Language Model，簡稱 LLM）」的技術，並不是魔法，而是數學、統計學與龐大算力堆疊出來的工程奇蹟。今天，我們不談複雜的微積分公式，而是用你生活中的日常情境，拆解這個數位大腦到底是如何運作的。

第一章：它其實只是一個「超級接龍高手」

要理解 LLM，我們得先打破一個迷思：它並沒有像人類一樣的「意識」或「靈魂」，它也不懂自己在說什麼。

1. 文字接龍的極致

想像你在玩「文字接龍」，如果我說：「床前明月」，你腦中會自動跳出什麼字？ 99% 的人都會說：「光」。為什麼？因為在你的閱讀經驗裡，「光」接在「床前明月」後面的機率最高。大語言模型本質上就是在做這件事：預測下一個字。

2. 機率分佈：AI 的選字邏輯

當你拋出一個問題給 LLM 時，它並不是在「思考」，而是在計算機率。假設你輸入：「今天天氣真…」 模型會計算接下來出現各種字的機率：

• 「好」：40%
• 「熱」：30%
• 「糟」：20%
• 「棒」：10%

它會根據這些機率選擇一個最合理的字填上去，然後再把這個字加入前面的句子，繼續預測下一個字。就這樣一個字接一個字，最後串成一篇流暢的文章。所以，當你覺得 AI 很有「創意」時，其實是因為它在選擇下一個字時，偶爾不會選機率最高的那個（這在 AI 參數中稱為「溫度」），而是選了一個機率次高但更有趣的字，這就產生了意想不到的文采。

第二章：為什麼叫「大」？參數與資料的暴力美學

如果只是文字接龍，為什麼以前的 AI 做不到這麼好？關鍵在於 LLM 中的 “Large”（大）。

1. 參數量：模型的腦細胞

你可能聽過 GPT-4、Llama 3 有多少「參數」，例如 70B（代表有 700 億個參數）、175B（1,750 億），這些參數代表什麼意思呢？想像一位剛入學的大一新生，對於專門學科技術名詞的認識是一片空白。為了讓他能通過考試，你需要調整他的腦神經連結強度。

• 參數就像是神經元之間的連接點，或者是機器上可以調節的「旋鈕」
• 訓練就是不斷調整這幾千億個旋鈕的刻度，直到這個機器能針對任何輸入，都輸出正確的答案

早期的 AI 只有幾萬個旋鈕，能處理的任務相對簡單。現在的 LLM 擁有數千億個旋鈕，這讓它能捕捉到人類語言中極其細微的邏輯、情感和隱喻。

2. 訓練資料：吃掉整座圖書館

為了調整這些旋鈕，我們需要餵給它海量的資料。LLM 的閱讀量是驚人的，它已經讀過網路上幾乎所有的公開文本：維基百科、Reddit 論壇、幾百萬本書籍、論文、程式碼庫。情境比喻：想像你要把一個從沒看過書的外星人，訓練成地球通。你把他關在圖書館裡，強迫他讀完人類歷史上所有的書。雖然他可能不懂「愛」的生理反應，但他讀了幾萬本愛情小說後，他能比任何人都更精準地寫出肉麻的情書。這就是 LLM 的狀態：博學，但沒有體驗。

第三章：靈魂核心 Transformer 與注意力機制

在 2017 年之前，AI 閱讀長文章的能力很差。它讀到文章這頭，很容易就忘了開頭說什麼。直到 Google 發表一篇名為《Attention Is All You Need》的論文，提出了 Transformer 架構，才改變了一切。這是 LLM 最難懂但也最重要的技術概念，我試著用「雞尾酒會效應」來解釋。

1. 什麼是注意力機制

在一個吵雜的雞尾酒會中，雖然周圍充滿了噪音，但你可以專注地聽到你朋友說的話，並忽略背景雜音。當你朋友提到「那部電影」時，你會瞬間聯想到你們五分鐘前聊到的《奧本海默》，這就是注意力機制。

在 Transformer 出現之前，AI 讀句子是線性的：「小明把香蕉皮丟在地上，… (中間參雜 5,000 個文字) …，結果小華踩到它滑倒了。」舊的 AI 讀到最後的「它」時，可能已經忘記前面的「香蕉皮」。 但 Transformer 具有「注意力」，當它處理「它」這個字時，它會回頭去掃描整句話，並算出「它」與「香蕉皮」的關聯性最高，而不是「小明」或「地上」。

2. 平行處理的能力

以前的 AI 像是一個字一個字讀書的學生，速度慢且容易忘。Transformer 架構下的 LLM，像是一個速讀天才，它可以同時看到整篇文章的所有字，並瞬間建立字與字之間複雜的關聯網。這讓 AI 能夠理解長篇大論，並且在寫作時保持邏輯連貫。

第四章：AI 的求學三部曲，它是如何被訓練出來的

一個 LLM 從出生到能跟你聊天，需要經歷三個階段。

第一階段：預訓練 (Pre-training) 通識教育

這是最花錢、最花時間的階段。

• 目標： 讓 AI 學會「說人話」和「具備世界知識」。
• 方法： 讓 AI 做大量的「克漏字測驗」，把一句話挖空幾個字，讓 AI 猜，猜錯了就調整參數。
• 結果： AI 讀完整個網際網路，變成「懂很多的瘋子」。這時候的 AI 雖然知識淵博，但你問它：「如何製作炸彈？」它會興高采烈地給你詳細教學，完全沒有道德觀念；或者你問它「你好」，它可能會接著說「你好嗎？我很好，今天天氣…」開始自言自語，而不是回答你。

它學會了機率，但還不懂人類的對話模式。

第二階段：監督式微調 (Supervised Fine-Tuning) 專業必修

為了讓這個「懂很多的瘋子」變成「有用的助理」，我們需要教它規矩。

• 目標： 讓 AI 學會「一問一答」的指令跟隨模式。
• 方法： 人類寫好成千上萬個高品質的「問題 + 正確答案」範例，餵給 AI 看。
  • 問：「請幫我寫一封求職信。」
  • 答：「好的，這是範本…」
• 結果： AI 學會當你提出請求時，它應該要提供協助，而不是接著寫小說，它順利地從「瘋子」變成一名夠格的「實習生」。

第三階段：人類回饋強化學習

這是讓 ChatGPT 如此好用的關鍵祕技。

• 目標： 讓 AI 的回答符合人類的價值觀（有用、誠實、無害）。
• 方法：
  1. AI 針對同一個問題生成三個不同的回答。
  2. 人類標註員來評分：「回答 A 有禮貌，回答 B 有種族歧視，回答 C 是廢話。」
  3. 訓練一個「獎勵模型」來模仿人類老師的評分標準。
  4. 用這個獎勵模型去處罰或獎勵 AI。
• 結果： AI 學會了看臉色，它知道不能教人做壞事，說話要客氣，遇到不懂的要婉轉拒絕，它終於變成了「彬彬有禮的高級助理」。

第五章：一本正經地胡說八道，關於「幻覺」

你有沒有遇過一種同學，考試時遇到不會的申論題，因為不想留白，就開始瞎掰，而且寫得頭頭是道、字跡工整，連老師看了都差點信了？這在 AI 領域稱為「幻覺（Hallucination）」。

為什麼會產生幻覺

還記得第一章說的嗎？LLM 的本質是「文字接龍」和「機率預測」，它並不是在「查資料庫」，而是在「生成文字」。當你問它一個它沒看過的冷門知識，例如：請介紹台灣 2026 年的大學入學制度，它的神經網路裡找不到確切的連結，但它為了完成「接龍」的任務，就會根據機率拼湊出看起來很像真的句子。

它不是在說謊，因為它沒有欺騙的意圖；它只是在做夢。

日常生活警示： 如果你用 ChatGPT 寫作業，可能曾經叫它「找文獻引用」。你千萬要檢查這些引用來源的真實性與正確性，因為，它可能會捏造出看起來超像真的論文標題、作者、甚至期刊名，但這些論文根本不存在。

第六章：Token 是 AI 的計價單位

在使用 API 或付費版 AI 時，你會常聽到「Token」這個詞。 Token 是 LLM 處理文字的最小單位，它不完全等於一個字（Word）或一個字元（Character）。

• 英文： 1 個 Token 大約是 0.75 個單字，例如 “Hamburger” 可能是一個 Token，但複雜的字可能被切成 “Ham-bur-ger”。
• 中文： 1 個中文字通常對應 1 到 2 個 Token（取決於模型的編碼表）。

情境比喻： 如果 LLM 是計程車司機，Token 就是它的跳表單位。它不是算字數，而是算它用了多少 Token 數。當你丟一篇長論文給它讀時，要小心 Context Window（上下文視窗）的限制，也就是它的「短期記憶」容量。一旦超過 Token 上限，它就會像金魚一樣忘記最前面的內容。

第七章：未來的挑戰與你們的機會

了解了 LLM 的原理後，你該如何面對這個技術？

1. 它不是搜尋引擎

Google 搜尋是幫你找「真實存在的既有網頁」；LLM 是幫你「生成全新的內容」。 如果你需要 100% 正確的資訊（如法規、歷史年分），請 Google 它。假如你需要創意、整理、摘要、翻譯、寫程式，請找 LLM。

2. 提示工程（Prompt Engineering）是新的必修課

既然 LLM 是透過「注意力機制」和「機率」運作的，你給的指令（Prompt）越精確，它就能越好地鎖定相關的知識。

• 壞指令： 「幫我寫報告。」
• 好指令： 「你是一位資深的行銷系教授（設定角色），請針對 Z 世代的消費習慣（限定主題），寫一篇 1000 字的分析報告（限定格式），語氣要專業且引用具體數據（設定風格）。」

這就像是對待一個很有才華但需要明確指令的工讀生。

3. 批判性思維比以往更重要

AI 可以幫你產出 90% 的內容，但剩下的 10% (驗證真偽、判斷價值、注入人性溫暖)，是它做不到的。在 AI 時代，「問對問題」的能力，比「回答問題」的能力更有價值。

結語：站在巨人的肩膀上

大語言模型是人類科技史上的里程碑，它既不是毀滅人類的魔鬼，也不是全知全能的神。它是一面鏡子，反射出人類集體智慧的總和。建議你不要抗拒它，也不要盲目依賴它，但是努力地去理解它的原理 (那數千億個參數是如何流動？注意力機制是如何聚焦？)。

當你理解它是如何運作的，你就不會被它取代，而是能夠駕馭它，讓這位數位時代最強大的助手，成為你探索未來的噴射引擎。下次，當你打開 ChatGPT 時，試著對它說聲謝謝，雖然它沒有感情，但這背後代表無數科學家與工程師對「智慧」的極致追求。