文／朱玉昌

在上一篇「入門篇：AI不是機器人，而是一種學習方式」中，我們釐清了一個關鍵的事實，現階段AI還不具備完全性的思考性存在，也不全數理解語言的意義。但這種說法，會引發另一個更大的疑惑，如果AI不懂語言，沒有意圖，那麼它究竟是怎麼學會完成那些看起來如此複雜的任務呢？

要回答這個問題，必須先回到我們對「電腦」最傳統、也最熟悉的理解方式。

電腦全靠指令行動

長久以來，人類使用電腦的方法非常直接，我們事先把所有步驟想清楚，然後一條一條寫成指令交給電腦執行，無論是計算數字、整理資料，或者在螢幕上顯示畫面，電腦只能按照人類事先寫好的規則行動。

電腦照著人類指令往下走，發生某件事就做某個指定動作，條件成立就接著執行下一步，既不會多做，也不會少做，在這樣的架構下，電腦從不自行判斷，更不可能從經驗中改變行為，它只是在執行，而不是在學習。

這種方法在處理明確、規則清楚的任務時非常有效、準確、可控，但也極為脆弱，一旦問題開始貼近真實而複雜的世界，它的限制便立刻顯現出來。

AI從試錯中學習

你可以輕易寫程式幫忙計算利息，卻很難用精確條列的方式告訴電腦，什麼才算是一張貓的照片──貓有耳朵、有尾巴、有毛，但這些特徵同樣存在於無數的動物身上，真要精確寫出辨識貓照片的規則，再怎麼寫也寫不清楚。

事實上，人類在辨識或判斷事物時，從不依賴清楚且固定的規則，而是倚靠長期累積的經驗、直覺與模糊判斷，所以問題不在於電腦算得速度快不快，而在於這個世界本身無法完全被規則化，許多現實任務的複雜度，遠遠超出我們能用語言或公式精準描述的範圍。

依據範例不斷修正

AI之所以能夠解析一些不精確的訊息，據以形塑出合理的推斷，真正的轉折點，來自一個簡單卻徹底改變方向的想法，那就是數據專家與其告訴電腦如何判斷，不如直接給它大量範例，並標示哪些結果正確、哪些錯誤，讓它自己找出差別、縮小誤差，而這也正是機器學習的核心精神。

AI不再被要求理解規則，而是被設計成一個可以反覆猜測、嘗試、比較、修正錯誤的系統。它先做出猜測，將結果與正確答案比較，計算誤差，再對內部結構進行微小調整，接著，不斷重複這個循環，直到錯誤逐漸減少。整個過程裡無需理解，也沒有意圖，只有一個被不斷反覆確認的問題：怎樣做，會比剛才錯得更少一些？

從模糊中逐步確認

這個過程也許枯燥、單調，但它的力量來自無數次微小修正累積起來的效果，每一次嘗試都讓系統更貼近理想的結果，也讓AI的能力逐步成形。

這種方法之所以有效，是因為它避開了人類最不擅長的、應用語言去精確描述直覺的部分。我們也許很難清楚說出自己為什麼能辨認：這是一隻貓而不是其他動物，或分辨某些語氣背後未能言說的情緒，卻能立刻指出那個結果對或不對？

資料才是一切根本

機器學習不是取代人類判斷，而是把這種「指出對錯」的能力，轉換成可以計算的流程。資料因此成為關鍵。AI必須接觸上百萬、甚至上千萬張影像，反覆比較與修正，才能找出穩定的模式。正是這種龐大的訓練規模，讓AI看起來像在「理解世界」，但實際上，它只是從眾多例子中，統計出最可能的結果，並在統計的基礎上完成行為。

需要特別澄清的是，這並不代表AI不需要程式碼，只是程式碼退居於幕後。工程師寫的，不再是行為規則，而是學習的方法。換言之，AI仍然建立在精密工程設計之上，只是程式碼不再逐步決定答案，而是規定如何從錯誤中修正行為。

仍需以程式碼規範

這就像種植植物，我們不決定它長成什麼形狀，而是提供土壤、水分與陽光，讓它在合適環境裡逐步生長，AI的能力也在這種環境中，經由無數次嘗試漸漸形成。

當系統能力來自數百億次微小調整時，即便設計者，也無法逐條回溯它為何做出特定的選擇。然而，這並不意味著「失控」，而是一種結構上的改變，我們仍能設定目標與邊界，但無法用傳統方式完全理解AI的每一個內部決策。

關鍵概念

●傳統程式依賴明確規則，AI 依賴範例

●機器學習不是理解，而是不斷降低錯誤

●程式碼決定學習方式，而非答案本身

●AI 的能力來自大量重複調整

●AI 的能力反映資料的偏差與限制

●AI 是工具，而非具有意識的存在



資料有缺陷 會帶偏AI

AI的能力直接反映它接觸過的範例（LLM大型語言模型），如果資料本身帶有偏見或缺陷，AI會如實學到這些觀念，而使用者也會承受資料偏差帶來的結果。

畢竟，資料是AI的養分，但從來不等於知識或理解。理解AI如何被教會，是為讓人們明白：它的智慧並非源自意識，而是來自反覆修正與龐大的經驗累積。

AI像一個被放大的投影，映射出人類留下的語言、行為與偏見。我們不再用公式命令它，而是提供經驗，讓它自己找出模式，這種方式雖然強大，卻告訴我們，此時的AI，仍舊是工具，而非生命。

當你理解了這一點，另一個問題自然浮現，它學習所依賴的資料究竟是什麼？又是誰決定它能看到什麼、看不到什麼？資料是AI最重要、也最具爭議的養分，將在下篇文章中深入探討。



（本文作者為富瑜文教基金會執行長）