AI學習與應用體會系列文章01:由AlphaGo到大型語言模型
幾年前，筆者第一次真正感受到人工智能可能改變世界，唔係因為一個識得同人傾偈嘅聊天機械人，而係 DeepMind 開發嘅 AlphaGo (見此)。佢可以喺圍棋呢種極其複雜嘅遊戲入面，同世界級棋手較量，令人第一次直觀地見到：電腦唔只可以高速計數，亦可以喺複雜環境之中作出判斷。
不過，AlphaGo 再強，本質上仍然係一位非常專業嘅「圍棋專家」。佢唔會因為識捉棋，就自然識寫文章、分析年報、草擬電郵或者建立網站。呢個亦係筆者早期對 AI 嘅理解：佢可以喺某一個範圍表現得非常出色，但離開咗嗰個範圍，就未必幫到手。
過往好多 AI 系統，都係針對一項明確任務而設計。開發者要先定義問題，再搜集合適數據，之後進行訓練、測試、調校同驗證。識辨認相片嘅模型，主要處理圖像；識判斷棋局嘅模型，主要處理棋局；識預測某類數據嘅模型，亦通常只對嗰類數據有效。
呢類系統好似一位專科醫生：喺自己熟悉嘅領域可以非常厲害，但你唔會因為佢精通心臟科，就假設佢同時係建築師、律師同程式員。要處理另一項任務，往往需要另一套數據、另一個模型，甚至重新設計整個系統。
所以，早期 AI 雖然已經證明機器可以喺個別任務上超越人類，但對普通人嚟講，佢仍然比較似一項藏喺實驗室、企業系統或者專業設備後面嘅技術。我哋未必可以直接用日常語言同佢合作。
大型語言模型，即係 Large Language Model，最重要嘅改變之一，就係將人類日常使用嘅語言，變成一個通用介面。以前，我哋要先學懂某套軟件點樣操作，或者由程式員將需求翻譯成程式；今日，我哋可以直接用中文、英文或者其他自然語言，講出自己想做乜。
模型喺訓練過程中，接觸大量文字資料，學習字詞、句子、概念同語境之間嘅關係。簡單講，佢嘅核心工作係根據前文，預測下一個最可能出現嘅 token——即係一小段文字單位。呢個講法聽起來好似只係一部大型自動完成器，但當訓練資料、模型規模同語境關係累積到一定程度，模型就會呈現出整理、改寫、比較、歸納、翻譯、編程同近似推理等能力。
原因並唔神秘。人類大量知識，本身就係透過語言保存同傳遞：教科書記錄概念，年報記錄企業資料，法律文件記錄規則，程式碼記錄電腦指令，討論同文章就記錄觀點、經驗同方法。當模型學習到呢啲語言結構，佢就可以根據新問題，重新組合相關模式，產生一個看似有理解、有邏輯嘅答案。
| 大型語言模型嘅突破，唔係將所有知識變成一個永遠正確嘅資料庫，而係令自然語言本身成為人同電腦之間嘅通用操作介面。 |
呢個轉變，令 AI 第一次大規模走入普通人嘅日常生活。同一個模型，可以幫人整理資料、比較文件、草擬文章、解釋概念、分析程式、設計流程，甚至協助建立網站。佢未必每一項都做到專家水平，但使用者唔再需要為每個小任務，預先建立一套完全獨立嘅 AI 系統。
對筆者嚟講，真正重要嘅唔係 AI 突然變成「乜都識」，而係佢開始成為一個可以跨越唔同工作嘅入口。當語言模型再連接搜尋工具、Python、資料庫、API 同其他軟件之後，佢可以先理解要求，再選擇合適工具完成工作。呢一步，亦為之後嘅 AI Agent 打開咗條路。
所以，將大型語言模型稱為「通才」，比較準確嘅意思並唔係佢已經擁有人類程度嘅通用智慧，而係佢由單一任務模型，走向一個可以處理多種語言任務、亦可以協調多種工具嘅通用平台。
但能力愈廣，另一個問題就愈重要：模型講得流暢，係咪代表佢講得啱？答案係唔一定。大型語言模型主要根據語境產生高機率內容，佢唔係每次都先查證事實，再決定點答。換句話講，令佢可以靈活組織答案嘅同一套機制，亦可能令佢組織出一個聽落合理、實際上錯誤嘅答案。
呢個亦係筆者學習 AI 之後，最早需要建立嘅一個重要觀念：AI 可以幫我哋擴闊思路、加快工作同處理大量資料，但唔可以因為佢語氣肯定、結構完整，就自動將答案當成事實。尤其涉及數字、法律、醫療、投資同重大決策，驗證來源仍然係不可省略嘅一步。
AlphaGo 令筆者見到，AI 可以喺一項極其困難嘅任務上做到非常高水平；大型語言模型就令筆者見到，同一類模型開始可以跨越文字、知識、程式同工作流程，成為普通人每日都可以使用嘅工具。前者展示咗專用 AI 嘅深度，後者就展示咗通用介面嘅廣度。
而筆者真正開始認真學 AI，亦正正係因為呢個轉變。當 AI 由一項遙遠嘅技術示範，變成一個可以同筆者一齊閱讀、分析、編寫同執行工作嘅系統，筆者需要學嘅就唔再只係「點樣問一條好問題」，而係點樣理解佢嘅能力、限制，同埋點樣將佢放入一個可靠嘅工作流程。
下一篇
AI 點解會一本正經講錯？由「幻覺」到驗證循環
大型語言模型唔係資料庫，亦唔會自動查證每一句說話。下一篇會拆解幻覺點樣產生，以及點樣將錯誤風險轉化成一套有紀律嘅假設、查證同迭代流程。