
只找「免費」這個詞就夠了嗎?
想像一個虛構的訊息收件匣。人可以寫下「含有『免費』這個詞就歸類為廣告」的規則。雖然簡單,卻可能把「我免費幫你」這樣的私人訊息也錯誤篩掉,又漏掉沒有用這個詞的廣告。在由人決定條件的方法裡,遇到新表達與情境時,可能需要補充規則。
AI 是比這類單一功能名稱更寬廣的領域,也涵蓋在影像中找物體、規劃路徑,以及利用知識和規則解決問題的方法。因此,不是所有 AI 都會從資料中學習,也不適合因為程式裡有一個簡單條件句,就把所有程式都叫做 AI。比名稱更重要的,是它用什麼方法處理什麼工作。
範例改變分類器的時候
另一種方法,是提供已標示是否為廣告的訊息範例,讓模型學習。機器學習是以資料訓練模型,使其產生預測或其他輸出的方法。即使如此,使用哪些資料、設定什麼目標,仍由人設計。有範例不代表面對陌生表達也總能答對。這裡的訊息匣是用來比較原理的虛構場景,不是測量實際服務準確率的實驗。
訓練會依資料與目標調整模型內部數值。接著放入新訊息取得分類結果,則是使用訓練好模型的推論。並不是只要放入新輸入,每次都會重新訓練那些內部數值。把對話內容用作情境,也要和重新調整模型數值分開看待。「用範例建立的時候」與「使用已建好模型的時候」彼此相連,卻不是同一階段。
收集範例
決定用什麼資料,讓模型學什麼。
建立模型
在訓練過程中調整模型內部數值。
用在新訊息上
透過推論取得分類結果,再和實際訊息核對。
挑出廣告,與撰寫回覆
判斷訊息是否為廣告的模型,和撰寫新回覆句子的模型,輸出目的並不相同。生成式 AI 是指製作文字、影像、聲音等內容的系統,而現代生成式 AI 通常使用經機器學習訓練的模型。機器學習是 AI 裡的一種方法。只分類訊息、不寫文章的模型,也可能是機器學習模型。
這種區分不是把事物裝進互不相容的盒子。同一個服務可以用分類模型挑選訊息、用生成模型撰寫回覆草稿,再用人訂的規則進一步處理結果。畫面可以對話,也不能因此判斷內部只有一個模型。即使分類、生成與規則集合在同一個畫面,仍可分別看看它們負責的工作。
說得流暢,與說得正確
寫得流暢、自信的回覆或說明,也可能不符合事實。就像分類模型會挑錯,生成模型也可能產生看似合理的錯誤,所以結果是否正確,需要用符合目的的資料與評估來確認。請親自核對說明中的計算,也確認參考資料的標題與連結確實存在,且能支持該主張。流暢本身不是正確的證據。
回覆草稿還要檢查是否混入編造的事實或不必要的個人資料。輸入個人資料或非公開資料前,宜先確認所用服務的處理政策。單靠多種方法的組合,不能保證結果正確或資料受到安全處理。遇到方便的功能時,同時看看輸入了什麼、收到什麼輸出,以及要用什麼確認結果,就能更具體地理解 AI。
只跟著一則訊息,就能看見 AI 這個大名稱裡包含不同的工作。下次遇到「AI 功能」按鈕時,先看看它是在挑選,還是在製作內容。