綜合講解：AI 概念、提示詞與語義記憶

閱讀說明

本頁為講義的中文譯文，沿原有知識順序呈現概念、提示、token、向量與應用規劃。當前資料中沒有這次綜合講解的可用口頭文字稿，因此以下不會把幻燈片要點擴寫成虛構發言。原有身份、聯絡及事務資訊未納入。

一、從熱度走向明確的問題

學習 AI 基礎的目標，是發現機會、利用能力，同時認識風險和倫理影響，從而作出有依據的決定。理解它是什麼，還要進一步理解它能怎樣幫助工作，以及怎樣把好奇轉成實踐能力。

AI 並不神秘。複雜行為由大量數學運算實現，但從戰略角度還要考慮資料、背景和目的。與其只關注工具有多令人興奮，不如先明確業務問題，以及系統怎樣增強人的能力。

不同學科對 AI 的定義與用詞並不完全一致。機器學習、深度學習與 AI 經常被混用，但不是同義詞。一個經典定義把 AI 看成製造智慧機器與程式的科學和工程；研究人工智慧也不意味著必須照搬生物機制。

原講義將 AI 與固定規則程式對比：傳統程式按照明確的“如果……就……”執行；學習型系統從資料中發現模式，再用於新情境。需要注意，這主要描述機器學習，並不排除基於規則的 AI；模型上線以後也不會無條件自動學習。

二、五個基礎詞與一個烹飪類比

類比幫助區分過程與產物，不能把模型當成真正理解任務的人。訓練也可能把資料中的偏差帶入系統。

三、AI 是一個傘形範圍

原圖列出機器學習、自然語言處理、計算機視覺、語音識別、機器人、專家系統、機器推理、神經網路、資料探勘和自主 Agent 等領域。這些分類不互斥，技術、任務和系統可以組合。

檢視圖解文字說明

AI 是更大的領域；機器學習從資料擬合模型，深度學習使用多層神經網路。符號與規則方法不必屬於機器學習。語言、視覺、推薦等任務可以採用或組合不同方法。

圖解區分包含關係與任務方向：機器學習屬於 AI，深度學習屬於機器學習；語言與視覺任務則可能使用不同方法。不能把原圖中的所有名稱都當作同一層級。

三種學習方式

監督學習使用有正確答案的樣本，例如有標籤的垃圾郵件，學習怎樣推廣到新輸入。

無監督學習沒有預先提供的目標標籤，系統尋找隱藏結構，例如把行為或情緒反應相近的使用者分組。

強化學習透過行動、反饋和獎勵逐漸調整策略。例如，遊戲 Agent 採取動作後觀察結果，在多次嘗試中學習哪些行動能帶來較好的長期回報。

歷史資料也包含過去的決定。如果過去存在不公平，訓練可能學到相同模式。因此，資料選擇不僅是技術問題，也是治理問題。

日常工作裡的自然語言處理

自然語言處理使系統能夠處理、解釋、生成人類語言並參與互動。你可能已經在拼寫與語法檢查、語音助手、人力服務聊天、會議轉寫、郵件分類、員工意見情緒分析，以及簡歷解析與關鍵詞提取中遇到它。

許多聊天、篩選、調查分析或文稿工具都依賴語言處理。認識這些機制，有助於同時理解能力與失效方式。

原講義再用汽車作類比：數學是發動機，資料是燃料，戰略是駕駛者。不必親手製造發動機才能開車，也不必先學會訓練模型才能負責其使用；但需要知道適合走哪裡、哪裡不適合，以及應該問什麼問題。

四、生成式系統的能力與邊界

生成式 AI 根據訓練模式產生文字、影象、聲音、程式碼或資料。語言模型透過上下文預測 token；大量預測組合起來，可以形成看似有理解能力的回答。

它擅長初稿、摘要、重組、翻譯、格式轉換，以及從長文中幫助定位資訊。它不能保證準確，也不能自動知道未提供的組織規定、集體協議或具體背景。重大倫理、法律與業務決定仍需要人的判斷。

譯註：原講義把模型概括成“只能匹配模式，不能推理”。這是強調不能把流暢表達當作可靠判斷，但過於絕對。實際系統在一些推理任務上可以表現良好，也可能在新穎或背景敏感的問題上失敗，應按具體任務驗證。

五、怎樣給出有效提示

提示是輸入給系統的起點，可以包括指令、條件、引數和示例。示例是在當前上下文中幫助對準輸出，不等同於重新訓練模型。

“給我營銷點子”不如說明產品、受眾和需要的數量；“寫延期郵件”不如說明延期兩週、原因和補救計劃；“一棟房子”不如說明現代極簡風格、大窗、松樹、日落與攝影效果。

CO-STAR 的六個維度

原講義用 CO-STAR 幫助組織提示。下面同時翻譯原圖中的文字，而不只保留提取工具讀到的標題。

這個框架幫助表達需求，不保證資料真實或輸出正確。內容重要時仍要檢查。

六、Token：模型怎樣處理文字

文字先被拆成 token，可能對應詞，也可能只是詞的一部分；token 再對應數值表示。模型在這些表示上計算，並根據前面的上下文產生後續輸出。

原講義用“細於單詞粒度的自動補全”建立直覺。它並不是搜尋了全部網際網路再逐條取回事實，也不意味著所有資料都曾被模型看到。

這會影響三件事。第一，上下文視窗有限，過長文件可能超過輸入預算，或讓模型難以穩定關注早先內容。第二，少見縮寫和專業條款可能被切分成多個片段，需要定義和背景才能減少歧義。第三，統計上合理的續寫不等於事實已經驗證，這與幻覺問題有關。

檢視圖解文字說明

假設總預算為 1000 token，指令 80、歷史 160、參考資料 360、問題 100，以及輸出預留 300。輸入部分合計 700；必須給輸出留下適當空間。實際產品還可能有獨立輸入、輸出和其他限制，應查對應模型規則。

圖中數值是假設預算，用來說明指令、歷史、資料、問題和輸出預留共同佔用容量，不是某個實際模型的限制。

七、向量與語義搜尋

人會記得“那封提出新活動創意的郵件”或“海灘日落的圖片”；計算機通常儲存數字、日期、檔案型別和標籤。這種意義與欄位之間的距離，就是原講義所說的語義鴻溝。

嵌入把內容表示成可以比較的向量。例如，示意中的 quick 為 [0.2, -0.5, 0.8, 0.1, -0.3, …]，fast 為 [0.3, -0.4, 0.7, 0.2, -0.2, …]，原圖假設為 512 維。它們在同一表示空間中比較接近，可以幫助發現語義關聯。

譯註：這些座標為示意，不能用展示的幾個維度證明詞義相同。嵌入模型透過訓練形成表示，查詢時計算相似度通常不是再訓練；也並非每個語言模型處理 token 後都會自動把向量存進向量資料庫。索引、許可權與更新需要應用另外管理。

語義搜尋可能幫助更快決策、發現意外關聯、減少檢索時間、提供自然語言入口，並更好利用組織知識。但向量接近只代表某種相關性，不保證事實正確；“可退款”與“不可退款”也可能很接近。

檢視圖解文字說明

向量相似性幫助找到表達相關的候選材料。圖中“可退款”和“不可退款”靠得很近，說明語義相關並不證明結論一致。仍需閱讀條件、版本和原文；實際嵌入通常具有更多維度。

八、上線前要認識的失效方式

認識限制，是負責任使用的一部分。沒有背景就依賴訓練模式，正是為什麼提示與資料提供很重要。

九、把知識用於業務方案

原講義最後給出一個綜合專案：作為組織內部成員，找出能提高運營效率的問題，調查方案與可行性，用五分鐘以內的簡報提出建議。

這一部分與運營機會綜合方案重複，完整任務和七部分結構統一放在該頁：執行摘要、運營機會、AI 用途、前後流程、評價指標、運營風險與倫理影響。可用真實或虛構組織，以清楚、連貫、有依據的業務論證為重點。

關聯閱讀

模型定製的具體差別見AI 服務與演算法；語義表示怎樣進入業務查詢，可繼續看向量資料庫與語義搜尋。

參考與延伸閱讀

以下為編輯補充。

• Google：機器學習入門：中文，複習資料、訓練、模型與推斷。
• Google：Embeddings：中文，查詢向量表示及其訓練含義。
• NIST AI 風險管理框架：英語，把技術邊界連線到評價、責任與使用條件。