生成式 AI 更像一台超大規模的自動完成，而不是搜尋引擎——它不是「查」答案，而是根據「什麼通常接在什麼後面」一個字一個字把答案寫出來。這個單一事實，比本課程任何其他知識都更能解釋 AI 的行為：它同時給了你流暢與幻覺。本課教你判斷任務落在「熟路」還是「生路」、認識捏造最愛集中的五類「具體細節」，以及引用來源等把限制邊界往外推的產品機制。
| 課程單元 | Lesson 4｜Next Token Prediction |
| 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 | Next Token Prediction（英文） |
本課學習目標
讀完這一課，你將能夠：
- 解釋下一個 Token 預測作為生成式 AI 的核心機制，以及它為什麼同時產生流暢與幻覺
- 把任務定位在下一個 Token 預測的光譜上：熟路 vs 生路
- 認出具體細節（名字、日期、引用、統計）是捏造最集中的地帶
- 辨識引用來源、不確定性標示、受限生成、生成者—驗證者模式等產品機制，其實都是針對這項限制的緩解措施
開始之前，先猜一題
官方課程在這裡有個互動設計，你在往下讀之前先回答：
🤔 你請 AI 幫你摘要一份長報告。你需要多仔細地檢查結果？先在下面的光譜上選一個位置，記住你的答案，再往下讀。
選好了嗎？官方統計多數學員選「抽查（Spot-check）」，而這也是建議答案：摘要是模型看過數百萬次的「熟路」，通常能俐落完成——但仍要抽查有沒有被發明出來的具體細節。如果你選的是「直接信任」或「仔細查證」，讀完這課再回來看看你的直覺差在哪。
超大規模的自動完成
每個現代 AI 助手的核心，是一個極其簡單、卻以驚人規模執行的操作：「根據目前為止寫的一切，預測接下來是什麼。」系統一次生成一小段，一遍又一遍，每個新字都是從一個機率分布中取樣出來的——那個分布，由它在訓練中學到的一切所塑造。
💬 生成式 AI 更接近一台極度精密的自動完成（autocomplete），而不是搜尋引擎。官方直說：這一個區分，比本文件中任何其他事實都更能解釋 AI 的行為。
換句話說：系統不是在「查」一個答案，而是在「寫」一個答案——一個字接一個字，根據「什麼通常跟在什麼後面」。同一套生成流程永遠在運作，變的只是這條路有多熟：
- 熟路（能力區）：任務長得像模型看過無數次的模式——摘要、重排格式、解釋常見概念
- 生路（限制區）：任務推進到新穎、模式稀疏的領域，或需要區分「真的」和「聽起來像真的」
一體兩面：同一個機制的能力與失誤
- 用幾乎任何風格與格式，寫出流暢自然的文字
- 快速綜合相距甚遠領域的想法
- 在與訓練所見相似的任務上表現強勁
- 連貫地接續任何脈絡：一個故事、一段論證、一塊程式碼
- 幻覺（Hallucination）：「看起來合理的下一句」不一定是「真的下一句」
- 虛構補白（Confabulation）：遇到空缺，用合理的材料填上，而不是標記出來
- 不一致（Inconsistency）：因為是取樣，同一個提示可能產出不同結果
- 錯置的自信（Misplaced confidence）：行雲流水的文筆，包的可能是一個猜測
💡 記住 Lesson 1 的話：AI 能寫得又快又好，因為它是模式補全引擎；它會幻覺，也因為它是模式補全引擎。你不可能只留下一面——能做的是知道自己何時站在哪一面。
捏造集中在「具體細節」
這是本課最實用的一條規律：捏造不是均勻分布的，它集中在「具體性」上。一個說法越精確，就越值得查證。高風險名單如下：
為什麼？因為對「下一個 Token 預測」來說，一段泛泛的敘述有很多條「都算對」的熟路可走；但一個精確的數字、一條真實存在的 URL，正確答案只有一個——而「聽起來像正確答案」的候選卻有無數個。這正是「真的 vs 聽起來像真的」最難分的地方。
把邊界往外推的產品機制
認出這些失誤模式後，你會發現許多 AI 產品功能正是為了緩解這項限制而存在：
| 📎 引用來源（Citations & Source Grounding） | 讓你追溯哪些內容「有依據」、哪些是「生成的」。例如 Claude 的網頁搜尋與 Research 模式。 |
| 🚩 不確定性標示（Uncertainty Signaling） | 模型主動標記自己「不太穩」的地方，例如「我不確定，但⋯⋯」。 |
| 🧱 受限生成（Constrained Generation / Skills） | 縮小生成空間，讓捏造沒有空隙可鑽——例如強制輸出特定格式、只從指定資料作答。 |
| 🔁 生成者—驗證者模式（Generator–Verifier） | 先生成、再用另一道流程驗證輸出，把「寫」和「查」分開處理。 |
下一個 Token 預測是「辨別」能力的地基。知道這段輸出是「生成」出來的，你就確切知道該用哪種眼光檢查它：流暢不等於正確、具體細節優先查證、同一提示可以重跑比對。這正是 4D 框架所說的：無法評估你不理解其來源的輸出。
重點整理（Key Takeaways）
- 下一個 Token 預測指的是：生成式 AI 根據「什麼通常接在什麼後面」，一個字一個字把答案寫出來。
- 能力區：與模型看過無數次的模式相似的任務（摘要、重排格式、解釋常見概念）。
- 限制區：新穎或稀疏的領域，以及任何需要區分「真的」與「聽起來像真的」的地方。
- 捏造集中在具體性：人名、日期、統計、引用、URL、引言。說法越精確，越需要查證。
- 引用來源、不確定性標示、受限生成、生成者—驗證者迴圈等產品機制，正是為了把這條限制的邊界往外推。
- 4D 連結：下一個 Token 預測是辨別（Discernment）的基礎——知道輸出是生成的，就知道該套用哪種檢查。
實作練習：查證測試（The Verification Test）
你已經知道：讓 AI 流暢的機制，就是讓它捏造的機制。現在到你自己的主場驗證這件事——選一個你抓得出錯的領域。
準備：回到 Lesson 1 任務清單，挑出你最有領域專業的那個任務——你必須當得了裁判。寫下該領域 5 個具體、可查核的事實：某人的職稱、一個出版日期、一項統計、一個產品規格、一句直接引言、一條 URL。都要是你確知正確、能獨立確認的。
探測一｜能力區體驗：請 AI 解釋或摘要你領域中一個知名、文獻充足的概念。感受那個流暢度，再抽查內容。這就是能力區的手感：順、自信、而且大致正確。
探測二｜具體細節壓力測試：請 AI 提供你領域的 5 個可查核細節：引用三個來源、指名一位作者、給出確切數字、附一條 URL。每一項都去查證，打個五分制分數。如果它捏造了，記下它捏造時聽起來有多自信。
探測三｜取樣現形：開一個全新對話，把探測二一模一樣再跑一次。比對兩份輸出：什麼不變？什麼變了？你看到的變化，就是下一個 Token 預測的「取樣」在運作。
🏆 挑戰題：在有引用來源功能的工具（例如 Claude 的 Research 模式）重跑探測二，再打一次分數。「有來源可查」有沒有改變成績？這就是產品機制把邊界外推的實際效果。
課後反思
- 剛剛的捏造，如果發生在一個你不熟的領域，你抓得到嗎？
- 回看你的任務清單：哪些任務大致落在能力區？哪些會推進到需要查證的「具體細節」地帶？
下一課預告
概念懂了，下一課是本特性的「Try it out」實作課：用官方設計的互動練習，親手體驗下一個 Token 預測如何影響輸出品質，把這一課的理解變成手感。
延伸閱讀
- AI 能力與限制完整學習筆記（系列目錄）
- Lesson 3｜AI 的性格從哪來？預訓練與微調解析
- AI Fluency: Framework & Foundations 完整學習筆記（辨別 Discernment 的方法論）
- 官方 Lesson 4 課程頁（英文）
常見問題 FAQ
生成式 AI 的核心機制：根據目前為止的所有內容，預測接下來最可能出現的字詞，一次一個 token 反覆進行。AI 不是查答案，而是根據「什麼通常接在什麼後面」把答案寫出來——比起搜尋引擎，更像超大規模的自動完成。
幻覺指 AI 生成看似合理但不真實的內容。成因就在下一個 Token 預測：「統計上合理的下一句」不一定是「真實的下一句」，而模型無法原生區分「真的」和「聽起來像真的」。捏造特別集中在人名、日期、統計、引用、URL 等具體細節上。
因為每個字都是從機率分布中「取樣」出來的，而不是唯一解。同一個提示會走出略微不同的路徑，導致輸出不一致。實務上可以利用這點：把重要問題重跑幾次，比對哪些內容穩定、哪些飄移——飄移處通常就是該查證的地方。
三個方向：優先查證具體細節（名字、數字、引用、連結）；使用有引用來源功能的工具（如 Claude 的網頁搜尋、Research 模式），讓內容可追溯；把任務限制在指定資料範圍內作答（受限生成）。核心原則是——流暢度不是正確性的證據。
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