生成式AI的「知識會過期」，這是一個許多人在使用AI時容易忽略卻非常重要的現象。當我們向ChatGPT、Claude或Gemini詢問問題時，往往會假設它們能即時掌握最新資訊。然而，這些模型的知識其實是靜態的——它們並非持續上網學習，而是依據訓練資料集所涵蓋的內容進行回答。換句話說，AI的「世界觀」停留在資料收集的時間點，因此，若訓練資料截止於2023年，那之後發生的事件、技術更新或社會變化，它就完全不知道。

這種知識過期的問題來自於生成式AI的訓練方式。大型語言模型(LLM)透過分析龐大的文字資料，學習語言結構與概念關聯。然而，每次訓練都是一次性過程，需要數月甚至數億美元的計算成本，因此，模型並不會「持續更新」；想讓它學到新知識，就必須重新蒐集資料並進行再訓練。這也導致模型的知識在時間上有明顯的滯後性。

知識過期雖然看似只是資訊新舊問題，但在實際應用中會帶來顯著影響。舉例來說，在醫學、法律或科技領域，AI 若根據過時資料提供建議，可能導致錯誤判斷；在新聞應用中，它可能無法識別近期事件，甚至生成與現實不符的回應。因此，AI的「準確性」其實與資料的時效性息息相關。

為了解決這個問題，研究者提出了幾種方法。最常見的是檢索增強生成，讓模型在回答問題時即時查詢最新資料庫或網頁；另一種做法是增量訓練，透過不斷微調更新模型知識。此外，也有公司嘗試結合即時搜尋引擎，使生成式 AI 能像人類一樣「邊查邊答」。

總結來說，生成式AI的知識會過期，並非系統缺陷，而是其設計機制的自然結果。