| 3 上一課 | 4 本篇 | 5 下一課 |
這是 AI Fluency 課程進入 Deep Dive 1：What is Generative AI? 的第一課。前三課建立了思維框架，從這課開始往底層走：生成式 AI 到底是什麼？它和傳統 AI 有什麼不同？Claude 這樣的語言模型是怎麼「學會」說話的？這些技術背景知識，會直接幫助你做更好的 Delegation 決策——知道 AI 怎麼運作，才能知道什麼任務適合交給它。
📋 課程基本資訊
| 項目 | 內容 |
|---|---|
| 所屬課程 | AI Fluency: Framework & Foundations |
| 課程章節 | Deep Dive 1：What is Generative AI?（第一課） |
| Lesson | Lesson 4：Generative AI fundamentals |
| 課程平台 | Anthropic Academy（免費，含影片與 PDF） |
| 預估學習時間 | 影片 6 分鐘 |
🎯 這課學完你會得到什麼？
- 定義生成式 AI，並說明它和其他 AI 類型的差異
- 認識讓生成式 AI 成為可能的三個技術基礎
- 理解 LLM 的學習過程：Pre-training、Fine-tuning、Deployment
- 認識 AI 的主要能力與現有限制
🧠 課程重點筆記
生成式 AI 是什麼？和傳統 AI 有什麼不同？
在了解 Claude 怎麼運作之前，先搞清楚「生成式 AI」和你可能更熟悉的「傳統 AI」有什麼本質差異。
| 傳統 AI | 生成式 AI（Generative AI） |
|---|---|
| 分析和分類已有的內容 | 創造全新的內容 |
| 📧 例：判斷一封信是不是垃圾郵件 | 📧 例：幫你寫一封全新的郵件 |
簡單說：傳統 AI 的工作是「看」和「判斷」；生成式 AI 的工作是「創造」。這個差異，讓生成式 AI 能做的事情從分類、預測，擴展到寫作、分析、編程、設計等幾乎無所不包的內容創作。
讓生成式 AI 成為可能的三個基礎
生成式 AI 不是憑空出現的，它是三個條件同時成熟的結果：
2017 年 Transformer 架構的誕生，革命性地改變了 AI 處理長文本的方式，讓模型能同時關注段落中不同位置詞語之間的關係。
網站、程式碼庫、數位文本的爆炸性增長，提供了訓練這些系統所需的海量原料。沒有足夠的資料，再好的演算法也學不起來。
GPU 等晶片帶來的大規模運算能力提升，讓在所有這些資料上訓練超大型模型成為可能。沒有算力，資料和演算法都是空談。
這三個條件缺一不可——演算法的突破決定了「怎麼學」，資料爆炸決定了「學什麼」，運算力決定了「學得起學不起」。
LLM 怎麼「學習」？三個階段
大型語言模型（LLM）的學習過程分為三個階段，了解這個過程能幫助你理解為什麼 AI 有時候很厲害，有時候又會犯奇怪的錯誤。
模型分析數十億筆文字範例，學習預測「下一個詞是什麼」。這個過程讓模型建立對語言結構、世界知識和各種主題的基礎理解。就像一個人從小閱讀大量書籍，逐漸形成語感和知識庫。
在預訓練的基礎上，模型被進一步訓練，學會遵循指令、提供有用回應、避免生成有害內容。這個階段讓模型從「預測文字接龍」的系統，變成真正能對話和協助任務的助手。
你輸入提示詞，模型根據訓練中學到的規律生成回應。模型在這個階段不會「繼續學習」——它只是運用訓練結果來回應你的輸入。這也是為什麼它有知識截止日期。
AI 的主要能力
根據官方講義，現代生成式 AI 具備四項主要能力：
| 能力 | 說明 |
|---|---|
| Versatile language skills 多樣化語言能力 | 寫作、翻譯、摘要、對話、編程——在各種語言任務上都能勝任 |
| General-purpose abilities 通用能力 | 不限於單一領域，能跨越醫學、法律、科技、創意等各種主題提供協助 |
| Learning from examples 從範例學習 | 在對話中，你提供範例，AI 就能理解你要的風格或格式（Few-shot learning） |
| Connecting to external tools and data 連接外部工具與資料 | 透過 RAG 等技術，AI 可以連接外部知識庫，突破訓練資料的限制 |
AI 現有的主要限制
了解限制和了解能力一樣重要——這是 Delegation 能力的核心：知道什麼不能交給 AI。
| 限制 | 實際影響 |
|---|---|
| Knowledge cutoff date 知識截止日期 | AI 不知道訓練截止日後的事件。詢問最新新聞或近期資料時要特別注意。 |
| Potential inaccuracies（Hallucinations） 幻覺／不準確 | AI 有時會自信地說出聽起來合理但實際上錯誤的內容。重要事實務必查證。 |
| Context window constraints 上下文視窗限制 | AI 一次能處理的資訊量有上限。超長的文件或對話可能導致早期內容被「遺忘」。 |
| Challenges with complex reasoning and math 複雜推理與數學的挑戰 | 多步驟數學運算或需要嚴密邏輯推理的任務，AI 容易出錯，需要人工驗證。 |
這些限制直接影響你的 Delegation 決策：需要最新資訊的任務、需要精確數字的任務、或結果會被直接引用的任務，都需要你保留更多人工驗證的比重。了解限制，才能做出明智的任務分配。
Emergent Capabilities（湧現能力）是什麼？
課程還提到一個有趣的現象：Scaling Laws（縮放定律）。隨著模型規模擴大、訓練資料增加，AI 的表現不只是線性提升，在某些規模門檻之後，模型會「湧現」出一些完全沒有被明確訓練過、但突然就會了的新能力。
這解釋了為什麼新一代模型有時會讓人驚訝——不是因為工程師特別設計了那個功能，而是規模帶來了意料之外的能力躍升。這也意味著 AI 的邊界本身在持續移動，你今天認為「AI 做不到」的事，下一個版本可能已經可以了。
🔜 下一課預告
Lesson 5 是 Deep Dive 1 的第二課，會更深入探討 AI 的能力與限制——特別是在實際使用場景下，這些能力和限制是怎麼表現出來的，以及你該如何調整 Delegation 策略來應對。
📖 延伸閱讀
- AI Fluency: Framework & Foundations 完整課程目錄
- Lesson 1：什麼是 AI 流暢力？（含完整術語表）
- Lesson 3：4D 框架完整解析
- Claude 101 完整學習筆記
❓ 常見問題 FAQ
生成式 AI 和傳統 AI 最大的差別是什麼？
最根本的差別是：傳統 AI 分析和分類已有的內容，生成式 AI 創造全新的內容。傳統 AI 告訴你「這封信是垃圾郵件」，生成式 AI 幫你寫一封全新的信。這個差異讓生成式 AI 的應用範圍從分類、預測，擴展到幾乎所有需要創作的任務。
LLM 是怎麼學習語言的？
主要透過「預測下一個詞」這個任務。模型在預訓練階段分析數十億筆文字，不斷練習預測序列中的下一個詞，在這個過程中逐漸學會語言結構、事實知識和推理模式。之後再透過 Fine-tuning 讓它學會遵循指令和提供有用回應。
為什麼 AI 會「幻覺」（Hallucination）？
因為 LLM 的本質是預測「接下來最可能出現的詞」，而不是從資料庫查詢事實。當模型對某個主題的訓練資料不足，或問題超出它的知識範圍時，它仍然會生成聽起來合理的文字——但那些文字可能是錯的。這就是為什麼重要的事實一定要查證。
Context window 是什麼？有多大？
Context window（上下文視窗）是 AI 一次能考量的資訊量上限，包含你這次對話的所有訊息和上傳的文件。不同模型的上限不同，以 Claude 為例，目前支援相當大的 context window，但仍有上限。超出限制後，早期的對話內容可能被截斷。
Transformer 架構為什麼重要？
2017 年以前，AI 處理長文本時很難同時關注句子不同位置的詞語關係。Transformer 的突破在於它能「平行處理」整個文字序列，並透過注意力機制（Attention）關注遠距離詞語之間的關係。這讓模型處理長文本的能力大幅提升，是現代 LLM 成為可能的關鍵演算法基礎。
📬 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！
Leave a Reply