AI 如何解讀人類思維？神經網路與腦波辨識技術說明

你有沒有過這種經驗，用 ChatGPT 或類似的 AI，問了一個超攏統的問題，結果它給你的答案...嗯...簡直就像住在你腦子裡一樣？好像它完全知道你想幹嘛，甚至比你自己還清楚。這真的蠻詭異的，對吧。

我最近一直在想這件事。一台電腦，一堆程式碼，怎麼可能做到像在「讀心」一樣？今天就來聊聊這個，掀開這塊布，看看背後到底是什麼魔法。老實說，它的原理...可能跟你想的完全不一樣。

重點一句話

AI 不是在「讀懂」你的想法，它只是個超級無敵厲害的「文字接龍」大師，厲害到讓你以為它有智慧。

所以，大型語言模型 (LLM) 到底是什麼鬼？

好，我們常常聽到大家在講什麼「大型語言模型」，LLM...聽起來很高科技，但簡單講，它就是一個超級強化的文字預測機器。但如果只說它是文字預測，又有點太小看它了。這大概就像說 iPhone 只是個計算機一樣，嗯...技術上沒錯，但完全沒抓到重點。

你可以把它想像成一個數位海綿，把整個網路上大部分的文字都吸乾了。書、文章、維基百科、PTT 廢文、程式碼...它全都「讀」過。然後，它用這些吸收來的海量知識，去生成看起來很像真人會說的話。

但這裡才是最扯的地方：這些模型不只是死背文字。它在讀這麼多東西的過程中，居然自己學會了文字之間的模式、關係，甚至是某種程度上的...嗯...推理能力。這就像讓一個人擁有全世界所有對話的記憶，然後把他拉進你的聊天群組裡。很可怕吧。

這規模...大到有點不真實

當我說「大型」的時候，我指的不是普通的大，是真的大到很誇張。一個模型檔案的大小可能是幾十 GB 起跳。

你知道嗎，光是 GPT-3 這個比較早期的模型，就用了 45TB 的文字資料去訓練，然後內部有 1750 億個「參數」。一千七百多億...這數字到底是什麼概念？我真的無法想像。這比一個人一輩子...不，好幾輩子能讀完的文字都還要多太多了。

說到這個，突然想到我人生第一台電腦的記憶體好像是 64MB 吧，那時候還覺得超屌超夠用。如果把現在這些 AI 模型丟到那個時代，我的小電腦大概會直接冒煙給你看。時代真的變了啊。

那它的大腦是怎麼運作的啊？

OK，我知道上面講的有點抽象。我們來拆解一下，一個 LLM 的運作基本上就靠三樣東西：資料、架構、跟訓練。我盡量用白話講。

首先是它的「飲食」。你要讓這隻怪獸長大，就是要瘋狂餵它吃東西，也就是文字資料。書本、新聞、學術論文、社群網站的貼文...對，連你半夜三點有感而發的那些廢文，可能都在它的菜單上。而且食物的多樣性很重要，你不能只餵它愛情小說，然後期待它懂量子物理，對吧？

再來是它大腦的結構，這部分技術上叫做「Transformer 架構」。你不用管這個名字，聽起來很像變形金剛。你只要把它想像成一個超級精密的「模式比對器」就好了。當你打出「天空是...」，它不是只看這三個字，它會去思考這三個字跟它腦中所有學過的字，彼此之間所有可能的關聯性。它會去猜，根據它讀過的上億個句子，「天空是」後面最可能接什麼字。一開始它可能會猜「漢堡」，真的，早期的 AI 就是這麼笨。但每次猜錯，它就會微調內部那幾千億個參數，讓自己下次猜得更準一點。玩個幾百萬幾千萬次這種猜詞遊戲之後，它慢慢就學會了，「天空是藍色的」機率遠大於「天空是漢堡」。

整個過程就像一個超級沒耐心的魔鬼教練在帶數位新兵，答錯就修正，重複到天荒地老，直到它變成一個語言大師為止。

AI 其實也有分「通才」跟「專才」

這是一個很多人不知道的秘密。那些 LLM 在經過前面說的「海量閱讀」基礎訓練後，其實還會被送去唸「研究所」，這個過程叫做「微調」（Fine-tuning）。

一個剛訓練好的通用模型，可能什麼都懂一點，但什麼都不精。但透過微調，你可以把它變成某個領域的專家。這也是為什麼你覺得某些 AI 在寫詩、寫程式碼的時候特別強，但在問它昨天樂透開幾號時就開始胡說八道。因為它被「特訓」過。這點我覺得超重要，因為它解釋了為什麼不同家的 AI 會有不同的「個性」。

通用模型 vs. 微調模型（用人話說）
比較項目	通用大型語言模型 (General LLM)	微調後的大型語言模型 (Fine-tuned LLM)
好比說...	一個剛大學畢業的社會新鮮人，什麼都懂一點，很有潛力。	一個有十年經驗的心臟科醫生，你問他感冒他也會，但你問心臟問題他最強。
專長	範圍超廣，聊天、寫信、摘要文章，樣樣通但可能不夠深入。	在特定領域，像是醫療、法律、程式碼除錯，表現會非常非常精準。
彈性	超級高。你可以叫它做任何事，只是成果好壞不一定。	比較低。它的「世界觀」比較窄，專注在它的專業上。
訓練成本	天文數字...只有大公司玩得起，我們看看就好。	相對便宜很多，有點像是在巨人的肩膀上加工，所以很多新創公司都在做這個。

講這麼多，所以這東西在生活上到底能幹嘛？

理論講完了，來點實際的。這東西已經悄悄改變很多事了。

像是以前打給客服，轉接個五六次都還沒解決問題，真的很火大。現在很多公司的 chatbot，是真的能解決問題了，因為背後就是 LLM。我上次有個銀行帳戶的問題，那個 AI 助理不只幫我搞定，還解釋了整個處理方式，比人類客服還有耐心。

還有就是 AI 寫作夥伴。老實說，我自己是文字工作者，一開始也超怕被取代。但現在它反而變成我克服寫作障礙的超級好朋友。草稿、大綱、想點子...它真的超實用。

更酷的是寫程式。我身邊一些工程師朋友，現在都用 AI 來幫忙抓 Bug、寫一些重複性的程式碼，甚至解釋複雜的演算法。這不是要取代工程師，而是讓他們變得更強大。

該怎麼跟它「溝通」才能得到好答案？

好，這部分是實作指引了。跟 LLM 溝通是有技巧的，你不能像跟 Google 搜尋一樣丟關鍵字。

給它一個角色和情境：不要只說「幫我寫一封 email」，試試看「你現在是一位資深行銷經理，請用專業但親切的語氣，寫一封 email 給合作夥伴，跟他說明我們下季度的產品發表會延期了，並提出兩個替代方案。」你看，更精準的指令會讓結果好上十倍。
把它當成思考夥伴：不要只叫它給答案。你可以叫它「針對這個問題，提供三種不同的觀點」、「幫我腦力激盪一下，這個產品可以有哪些創新的應用場景？」
理解它的限制：大型語言模型的限制在於，它不會「思考」，只會「預測」。所以它講的「事實」你一定要去查證，特別是最近發生的事或很專業的領域。它很會一本正經地胡說八道。
多試幾種問法：如果第一個指令效果不好，換個方式問問看。有時候改幾個字，出來的結果會天差地遠。

來聊聊台灣跟國外的差別

說到這個，大部分人用的都是國外的模型，像 OpenAI 的 GPT 系列。它們很強大，因為它們讀了全球的資料。但這也有個問題，就是它們對本地文化的理解，有時候還是隔了一層。

不過呢，台灣自己其實也有在發展自己的大型語言模型喔。像是國家科學及技術委員會（國科會）就有支持一個叫「TAIWAN-LLM」的計畫。我去看了一下他們的資料，他們特別強調「可信賴」。這點就跟國外那種追求最強、最大模型的思路有點不一樣。台灣的模型更專注在...嗯...怎麼說，更符合台灣的用詞習慣、在地知識，而且努力減少偏見和假訊息。我自己是覺得，這蠻重要的，畢竟 AI 的答案如果充滿了國外的文化偏見，對我們來說也不見得是好事。