
只找「免费」这个词就够了吗?
想像一个虚构的消息收件匣。人可以写下「含有『免费』这个词就归类为广告」的规则。虽然简单,却可能把「我免费帮你」这样的私人消息也错误筛掉,又漏掉没有用这个词的广告。在由人决定条件的方法里,遇到新表达与情境时,可能需要补充规则。
AI 是比这类单一功能名称更宽广的领域,也涵盖在图像中找物体、规划路径,以及利用知识和规则解决问题的方法。因此,不是所有 AI 都会从数据中学习,也不适合因为程序里有一个简单条件句,就把所有程序都叫做 AI。比名称更重要的,是它用什么方法处理什么工作。
示例改变分类器的时候
另一种方法,是提供已标示是否为广告的消息示例,让模型学习。机器学习是以数据训练模型,使其产生预测或其他输出的方法。即使如此,使用哪些数据、设定什么目标,仍由人设计。有示例不代表面对陌生表达也总能答对。这里的消息匣是用来比较原理的虚构场景,不是测量实际服务准确率的实验。
训练会依数据与目标调整模型内部数值。接着放入新消息取得分类结果,则是使用训练好模型的推论。并不是只要放入新输入,每次都会重新训练那些内部数值。把对话内容用作情境,也要和重新调整模型数值分开看待。「用示例建立的时候」与「使用已建好模型的时候」彼此相连,却不是同一阶段。
收集示例
决定用什么数据,让模型学什么。
建立模型
在训练过程中调整模型内部数值。
用在新消息上
透过推论取得分类结果,再和实际消息核对。
挑出广告,与撰写回复
判断消息是否为广告的模型,和撰写新回复句子的模型,输出目的并不相同。生成式 AI 是指制作文字、图像、声音等内容的系统,而现代生成式 AI 通常使用经机器学习训练的模型。机器学习是 AI 里的一种方法。只分类消息、不写文章的模型,也可能是机器学习模型。
这种区分不是把事物装进互不相容的盒子。同一个服务可以用分类模型挑选消息、用生成模型撰写回复草稿,再用人订的规则进一步处理结果。画面可以对话,也不能因此判断内部只有一个模型。即使分类、生成与规则集合在同一个画面,仍可分别看看它们负责的工作。
说得流畅,与说得正确
写得流畅、自信的回复或说明,也可能不符合事实。就像分类模型会挑错,生成模型也可能产生看似合理的错误,所以结果是否正确,需要用符合目的的数据与评估来确认。请亲自核对说明中的计算,也确认参考资料的标题与链接确实存在,且能支持该主张。流畅本身不是正确的证据。
回复草稿还要检查是否混入编造的事实或不必要的个人信息。输入个人信息或非公开数据前,宜先确认所用服务的处理政策。单靠多种方法的组合,不能保证结果正确或数据受到安全处理。遇到方便的功能时,同时看看输入了什么、收到什么输出,以及要用什么确认结果,就能更具体地理解 AI。
只跟着一则消息,就能看见 AI 这个大名称里包含不同的工作。下次遇到「AI 功能」按钮时,先看看它是在挑选,还是在制作内容。