這是一系列純觀念、不寫一行程式的生成式 AI 導讀。30 天由淺入深,從「模型在想什麼」到 Token、Attention、Scaling、Prompt、RAG、Agent、評估與監測、幻覺風險、成本與隱私治理,再到金融/教育等應用情境。我用白話與案例拆解名詞背後的決策邏輯:什麼題目該用 AI、怎麼選模型與上下文、何時該設人審防呆。看完你不只會背名詞,更能把熱潮轉成可落地的判斷力。
為什麼需要談這題?大家都在用,但「怎麼看待它」差很大。有人把它當魔法,有人嫌它愛胡扯。若沒有共同觀念框架,討論成本很高、落地更難。 什麼是生成式 AI?(白話版...
為什麼需要釐清?只要把「生成」理解錯,調整參數與期待就會離題千里。 白話定義 核心:條件機率。看前文分佈,選下一個 token 風格旋鈕: Temperatur...
為什麼需要在意?餵什麼,長什麼。語料品質與切詞方式會直接影響輸出。 白話定義 語料:網頁、論壇、書籍、文件……品質參差,偏誤必然存在 Token:不是字,是「片...
為什麼需要理解?這是 Transformer 厲害的關鍵。不懂它,就很容易把上下文塞爆。 白話定義 Attention=對關鍵位置加權,不是逐字平均掃 長距離依...
為什麼要討論?現實世界有成本、延遲、隱私。不是每題都值得用最大支。 白話定義 Scaling Law:資料/參數/算力↑ → 效能多半↑,但有報酬遞減 小模型價...
為什麼要先談邊界?不設邊界,最後都是人幫機器收拾殘局。 強項(觀念) 結構化語言:摘要、改寫、口吻統一、格式轉換 資訊整合:把常見知識湊成「像樣答案」 弱點(風...
為什麼要談評估?公共榜單不能替你解題;你的資料分佈、風格、風險承受度都不同。 評估的正確打開方式 任務對齊:把需求拆成可檢核指標 正確性(有憑有據嗎) 完整性(...
為什麼需要談?大多數「結果不穩/跑偏」其實不是模型笨,而是我們的任務規格含糊。先把規格寫對,模型自然寫對。 白話定義Prompt 就是「我要做什麼(目標)+我手...
為什麼需要談?同一指令,加不加示例=兩個世界。示例比抽象的要求更能定錨風格與粒度。 白話定義Few-shot=在指令中附 1–3 個「代表性強」的範本(可含 1...
為什麼需要談?鬆散描述=自由發揮;多步任務會亂跑。結構化 Prompt 是把溝通「流程化」。 白話定義把任務拆成四段:角色(你是誰)→步驟(先做什麼再做什麼)→...