AI 知道的一切，全部來自訓練時讀過的資料——這是它知道事情的唯一方式。預設不會即時上網、沒有親身經驗，知識在知識截止日（knowledge cutoff）那一刻凍結。所以實用的問題從來不是「AI 知道這件事嗎？」而是「這件事在它讀過的資料裡，被呈現得多充分？」本課教你預測哪些主題在能力區、哪些在邊緣，認識四種特徵性失誤（過時、覆蓋不均、繼承偏見、來源失憶），以及網頁搜尋和 RAG 為什麼存在。
| 課程單元 | Lesson 6｜Knowledge |
| 預估時間 | 約 30 分鐘（含練習） |
| 難度 | 入門～中階，無需技術背景 |
| 官方單元連結 | Knowledge（英文） |
本課學習目標
讀完這一課，你將能夠：
- 解釋 AI 模型的知識如何在訓練中形成，以及為什麼有固定的知識截止日
- 預測哪些主題在能力區（頻繁、訓練期內較新、一致），哪些在邊緣（罕見、截止日後、小眾、有爭議）
- 認出四種特徵性的知識失誤：資訊過時、覆蓋不均、繼承偏見、來源失憶
- 理解網頁搜尋、檢索（RAG）、工具使用正是為了修補這項限制而生的產品機制
開始之前，先猜一題
🤔 你請 AI 解釋一則「上週」的新聞事件。你需要多仔細地檢查結果？先選好位置再往下讀。
選好了嗎？這題和上一個特性的「摘要題」形成鮮明對比：合理位置在光譜的最右端。「上週的新聞」幾乎必然發生在知識截止日之後——沒有開啟搜尋工具的模型，根本不可能知道這件事。如果它還是給了一個流暢的說明，那個流暢本身就是警訊：你看到的可能是用舊資料腦補出來的合理故事。讀完這課你會知道為什麼。
模型讀過什麼，以及它何時停止閱讀
AI 模型的學習方式，是暴露在海量文字中——大多來自網路、書籍與其他書面來源——透過數十億回合的「接下來是什麼？」，逐漸形成對語言、概念、關係與事實的內部表徵。這就是它知道事情的方式，也是它知道事情的唯一方式。
三個直接的推論：
- 預設不會即時上網——除非明確給它搜尋等工具
- 沒有親身經驗——它沒有「經歷」過任何事
- 知識在訓練結束那一刻凍結——那個時間點就是知識截止日（knowledge cutoff）
換一個問題問
❌ 錯的問題：「AI 知道這件事嗎？」
✅ 對的問題：「這件事在它讀過的資料裡，被呈現得多頻繁、多新、多一致？」
因為模型的知識不是均勻的，而是以特定、可預測的方式不均勻。這正是知識光譜的形狀：
- 在訓練資料中頻繁出現
- 在訓練期內相對較新
- 來源之間說法一致
例：主流科學、熱門程式語言、被廣泛討論的歷史
- 罕見或小眾的主題
- 知識截止日之後才發生的事
- 在地性強的資訊（例如台灣的地方法規）
- 來源之間有爭議、說法分歧的主題
四種特徵性的知識失誤
知識這項特性的失誤，也有固定的長相。認得這四張臉，你就能在它們出現時叫出名字：
把截止日前的舊資訊當成現況講給你聽：已卸任的 CEO、已修訂的法規、已改版的工具。
主流主題答得又深又準，小眾主題卻又淺又飄——而且兩者常用同樣自信的口氣。
訓練資料裡「什麼算預設、什麼算正常」的偏斜被原封不動吸收：預設的客戶長相、預設的標準案例、預設的觀點。
知道一件事，卻說不出從哪裡知道的。知識在訓練中融成一片，無法回溯出處——所以「請附上你的依據」常逼出捏造的引用。
💡 注意知識與 Lesson 4 的連動：官方 Framework 說得直白——幻覺的引用文獻，就是「下一個 Token 預測」（生成看似合理的東西）遇上「知識」（一個模型自己不知道存在的空缺）。空缺不會被標記出來，而是被合理的內容無縫填滿。
補洞的產品機制
認得這些失誤後，你會發現這些常見功能正是為了把「模型沒讀過的資訊」送進它手裡：
| 🔍 網頁搜尋（Web Search） | 即時抓取截止日之後的資訊，直接解決「過時」問題。例如 Claude 的網頁搜尋與 Research 模式。 |
| 📂 檢索增強生成（RAG／MCP） | 先從你指定的資料庫、文件庫撈出相關內容，再讓模型根據撈到的內容回答——把「你的知識」接上「它的語言能力」。 |
| 🛠 工具使用（Tool Use） | 讓模型呼叫外部工具（查資料庫、跑計算、讀行事曆），取得它訓練時從未見過的即時資訊。 |
知識的不均勻，是「委派」判斷的核心。知道模型在哪裡庫存充足、在哪裡見底，你就知道：什麼任務可以直接交辦、什麼任務要自己把脈絡與文件餵進去、什麼任務該乾脆找別的來源。這正是 4D 框架說的：聰明的委派，始於了解協作對象的長處與短處。
重點整理（Key Takeaways）
- 生成式 AI 知道的一切完全來自訓練資料，並在知識截止日凍結。沒有工具，它無法取得截止日之後的任何資訊。
- 能力區：訓練資料中頻繁、（訓練期內）較新、一致的主題。
- 限制區：罕見、截止日後、小眾、在地或有爭議的主題。
- 特徵性失誤：資訊過時、覆蓋不均、「什麼算預設」的繼承偏見、以及無法回溯知識出處的來源失憶。
- 網頁搜尋、檢索（RAG／MCP）、工具使用的存在目的，就是把模型沒訓練過的資訊補進來。
- 4D 連結：知識不均是委派（Delegation）的核心——知道哪裡庫存足、哪裡見底，就知道何時交辦、何時自帶脈絡、何時另尋來源。
實作練習：局外人測試（The Outsider Test）
你已經知道模型的知識廣但凍結、形狀由訓練資料決定。現在來精確畫出：在你的領域裡，它哪裡庫存充足、哪裡見底。
準備：回到 Lesson 1 任務清單選一項任務，針對它寫下：
- 兩個主流主題：文獻充足、穩定，任何消息靈通的同行都知道的事
- 兩個邊緣主題：小眾、在地、最近才出現或快速演變的事——產業黑話、地方法規、去年才改的東西
- 一個「預設假設」：圈外人常搞錯的事。（典型客戶是誰？「標準案例」長怎樣？大家實際用的工具 vs 媒體上紅的工具？）
探測一｜覆蓋度：各問一個主流主題和一個邊緣主題，比較深度與準確度。特別注意：AI 對兩者的不確定性表達有差別嗎？還是兩個答案用一樣自信的口氣？
探測二｜過時度：問一件你確知最近變動過的事：法規更新、工具改版、人事異動、標準修訂。它有承認截止日嗎？把舊資訊當現況講？還是婉拒回答？記下發生了什麼。
探測三｜預設假設：不要直接點破你的假設，改問一個會讓它露餡的問題。例如你領域的「標準客戶」和大眾想像不同，就請它描述典型客戶。看它把什麼當成「正常」。
📎 收尾：回到任務清單加上第二層註記——每項任務標明「可以依靠模型自帶的知識」還是「需要我自己餵：脈絡、文件、或搜尋」。
🏆 挑戰題：開啟網頁搜尋，把「過時度探測」重跑一次，比較改變了什麼。你看到的，就是「檢索」的實際效果。
課後反思
- 你的工作中，哪一塊是你現在才意識到「必須自己提供脈絡、不能假設模型知道」的？
- 預設假設探測有沒有挖出什麼讓你意外的東西？
下一課預告
知識講的是模型在訓練中吸收了什麼。下下課的工作記憶（Working Memory）講的則是它此刻正注意著什麼：你的提示、你的文件、你們的對話。官方預告：這是四個特性中邊緣最鋒利的一個。但在那之前，先用下一課的「Try it out」把知識邊界親手摸一遍。
延伸閱讀
- AI 能力與限制完整學習筆記（系列目錄）
- Lesson 4｜下一個 Token 預測：AI 幻覺與流暢從何而來（幻覺＝Token 預測 × 知識空缺）
- AI Fluency: Framework & Foundations 完整學習筆記（委派 Delegation 的方法論）
- 官方 Lesson 6 課程頁（英文）
常見問題 FAQ
模型訓練結束、知識凍結的時間點。截止日之後發生的任何事——新聞、新產品、法規變動——模型都不可能從自身知識得知，除非透過網頁搜尋等工具即時補充。
因為它的知識停在截止日，而它未必會主動標記「這可能已經過時」。這種失誤叫資訊過時（staleness），在人事異動、法規、軟體版本這類變動快的主題上特別常見。解法是開啟網頁搜尋，或自己提供最新資料。
Retrieval-Augmented Generation：回答之前，先從指定的資料庫或文件庫檢索相關內容，再讓模型根據檢索結果作答。它把「你的知識」接上「模型的語言能力」，是修補知識限制最主要的產品機制之一。
因為模型有「來源失憶」：知識在訓練中融成一片，它知道很多事，卻無法回溯是從哪裡知道的。被要求交出處時，「下一個 Token 預測」就會生成一個看起來合理的引用來填空。想要真正可追溯的依據，請使用有引用來源功能的搜尋或檢索工具。
本文為 Anthropic 官方課程之中文學習筆記。原課程建立於 Prof. Rick Dakan（Ringling College of Art and Design）與 Prof. Joseph Feller（University College Cork）發展的 AI Fluency Framework 之上，以 CC BY-NC-SA 4.0 授權釋出。Copyright 2026 Anthropic.
📬 喜歡這篇文章？訂閱電子報不錯過任何更新
生成式 AI 時代，最珍貴的資產不是工具本身，而是你的提問力與協作思維。
每週精選 AI 實戰技巧、官方課程更新與 AI 工作流攻略，直接寄到你的信箱！
發佈留言