鐵人檔案
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）→...
