揭秘生成式AI

人工智慧「訓練」的原理及最佳解決方案

我們可將人工智慧模型想像成人類的大腦，人腦有上千億個神經元，和好幾百兆條突觸聯結，人工神經網路也有一層層的節點(node)，節點就如人類的神經元，節點間的連接單元，有如人腦的突觸聯結。

當輸入值(input)從一層節點傳輸到下一層節點，人工智慧會依據輸出值(output)的正確性，給予參數一個正數或負數的權重(weight)，等於是在幫決策過程打分數。透過「前向傳播」（或稱預測）和「反向傳播」（或稱回饋）的反覆循環，參數的權重變得非常精確，AI幾乎每次都會挑選正確的輸出值。打個比方，這就如先前分析的海量資料在演算法中留下了「軌跡」，讓新的數據更容易找到正確的方向。也就是說，AI模型不是真正理解您的指令，但它在訓練過程中接觸過許多相似的指令，因此它能揣測您期待看到什麼答覆，幾乎萬無一失，而且它也能以文字或圖片形式呈現答覆。

AI訓練階段，海量的標籤化資料灌入演算法中，讓人工智慧「練兵」。AI用這些資料練習猜測、調整參數，並反覆檢查輸出值的正確性，提升猜測的精確度。久而久之，AI「猜」力變得萬無一失，等於是學會了人類希望它辨識的資訊。

資通訊時代，智慧裝置隨時隨地蒐集資訊，所造就的「大數據」，對AI訓練有很大的幫助。早期的AI訓練要求使用標籤化資訊，還需要人類工程師全程監督，但後來AI變得更聰明，能使用未標籤化的資訊進行「無監督式」或「半監督式」學習，從此加快了生成式人工智慧的開發速度。