前言

昨天（Day 2）我們玩了幾個 API：一個回傳待辦事項、一個回傳隨機的貓咪圖片。雖然它們看起來很簡單，但其實已經包含了 API 呼叫的核心流程：

• 送出請求

• 收到 JSON 格式的回應

• 解析內容並使用

什麼是 LLM？

LLM，全名 Large Language Model（大型語言模型），本質上是一個用超大規模文本資料訓練出來的機器學習模型。

它的原理其實很單純：給它一段文字，它會「預測下一個字」。

今天我去便利商店買了 [???]

模型可能會補上「咖啡」、「飲料」、「麵包」… 這些詞都有合理的機率。

把這種「預測下一個字」的能力放大，堆疊很多層神經網路，就形成了能寫文章、回答問題、甚至寫程式的 AI。

常見的 LLM 代表

GPT

• ChatGPT 背後的技術

• 擅長自然對話、程式生成、語言理解

• 生態系龐大（API、插件、工具鏈都很成熟）

Gemini

• 特點是「多模態」：能理解文字、圖片，甚至程式碼

• 與 Google 搜尋和 Workspace 整合緊密

• 對於需要「網路知識」的任務表現優異

DeepSeek

• 強調開放性、計算效能不錯

• 在工程技術、數據分析領域有不少應用

• 相比 GPT/Gemini，價格較便宜，適合做實驗

為什麼 LLM 能回答問題？

傳統電腦要回答問題，必須事先寫好規則。但 LLM 不需要規則，它靠的是「統計學習」：

當你輸入「普拿疼的副作用？」模型會把「普拿疼」與「副作用」的語意拆解在它訓練過的大量文本裡，找到常見的組合（例如「肝毒性」、「嗜睡」、「過敏反應」）

最後輸出一段文字，看起來就像一個藥師的回答
換句話說：
LLM 並不是「真的懂醫學」，而是「讀過很多藥品資料」後，能用語言統計生成合理的回答。

結論

今天認識了：LLM 的核心概念 → 用大量文字資料訓練出「預測下一個字」的模型

常見的 LLM → GPT、Gemini、DeepSeek 各有特色

AI 為什麼能回答問題 → 不是因為懂，而是因為語言統計

明天我們就要實戰：申請一個 AI API Key，讓電腦真的跟我們對話！