AI解碼 EP02｜AI 大腦革命

📰 Signal

AI 為什麼突然善解人意了？

2025年，台灣發生第一起ChatGPT成癮！男子愛上AI情人「每天互動600次」。

之後，AI成癮症、AI神經病等名詞紛紛出現，成為現代的文明病。

不只是理解與對話，最近一年，你也可能發現 AI 已經會行動了。

NVIDIA黃仁勳宣布Agentic AI新趨勢, OpenAI、Google、Anthropic 也持續推出新代理AI功能，

各大企業也開始將 AI 導入客服、ERP、CRM、搜尋、程式開發等工作。

AI不僅會聊天，還會幫忙工作，成為勞動力的一環。

但是，大家都會有一個疑問：如果AI 不是真的人，它為什麼可以回答幾乎所有問題？

AI真的理解我們說的話嗎? 她真的可以解讀我們的情緒嗎?

真正改變 AI 世界的，到底是什麼技術？

🔍 Decode

AI 如何從「看見詞」，變成今天的 ChatGPT？

生成式AI、AI Agent 並不是突然出現，而是自然語言處理(NLP, Natural Language Processing)多年發展的成果。

從圖中可以看到，AI 理解語言大致經歷三個重要階段：

從「看見詞」→「記得順序」→「理解關聯」。

第一階段是「傳統機器學習」。

AI 必須先將句子分詞，再利用 TF-IDF、詞袋模型等方法，把文字轉換成數值特徵，再交由模型分類。

因此，它知道怎麼從句子中進行分詞、辨別詞性、計算詞的頻率與數量，例如: 產生文字雲、文章推薦、文字情緒判定等數據分析。

然而，許多時候，語言的意義來自於上下文的連結。不懂上下文的傳統機器學習只能作有限的詞性辨認，當然無法靈活應付不同任務。

第二階段則是 RNN(Recurrent Neural Network)為代表的長短期記憶(LSTM)的深度學習模型。

RNN 開始依照文字順序閱讀內容，因此 AI 不只是看見詞，也開始記得前後順序，讓翻譯、語音辨識與聊天機器人大幅進步。

不過，文章愈長，RNN 就愈容易遺忘前面的內容，也難以利用大量 GPU進行同時訓練。

第三階段，真正改變 AI 發展的，是 Transformer深度學習模型。

Transformer 透過 Attention（注意力機制），一次分析整段文章中所有詞語彼此間的關聯，因此 AI 不再只是記住前後順序，而開始理解文本的關聯。

也因為 Transformer 能有效利用 GPU 平行運算，模型第一次可以閱讀海量書籍、網站、論文與程式碼，持續累積語言知識。

這也催生出今天的大型語言模型（LLM, Large Language Model)。LLM將這些數以億計文字的關聯儲存與訓練，成為預訓練模型(pre-trained model)，滿足後續各種應用程式的使用。

因此，當我們向 ChatGPT 提問時，它並不是直接閱讀整句話，而是先把文字拆解成一個個 Token，再利用 Transformer 分析這些 Token間 的關聯，逐步預測下一個最可能出現Token，最後生成文字、產生完整答案。

所以，可以簡單理解三者的關係：

• Token：AI 閱讀與生成文字的基本單位。
• Transformer：理解 Token 關聯的核心引擎。
• LLM：利用 Transformer 經過大規模預訓練後形成的大型語言預訓練模型。 

所以，別再想像ChatGPT對你有甚麼理解、情緒的感知，不過是一個能預測下一個字詞並產生的「文字接龍工具」。

🌏 Impact

LLM 真正改變的是什麼？

Transformer 的出現，不只是讓 AI 更會聊天。

更重要的是，它改變了 AI 的開發方式。

過去，每一個應用都需要建立一套模型。翻譯需要翻譯模型、客服需要客服模型、摘要需要摘要模型。

如今，企業可以利用既有的大型語言模型，再透過 Prompt、RAG知識庫、微調或企業資料，完成各種不同工作。

也就是說，AI 已經從

一個任務、一個模型

演變成

一個模型、多種能力。

現在，你可以連結一個大語言模型或下載輕量的開源語言模型，自己調整成滿足醫療、零售、製造的各種語言對話或任務需求。

這也是生成式 AI 能快速普及的重要原因。

🧩 Opportunity

台灣 產業會有什麼改變？

大型語言模型的興起，也開始重新定義 SaaS 軟體服務。

過去，ERP、CRM、MES、HRM 等系統，主要提供的是資料管理與流程功能。

未來，企業更期待 AI 能直接理解需求、分析資料，甚至完成工作。

例如：

• ERP 自動分析延遲交貨原因。
• CRM 主動整理客戶拜訪摘要。
• MES 分析設備異常並提出改善建議。
• HR 協助撰寫職缺與篩選履歷。

換句話說，

企業購買的不再只是軟體功能，而是 AI 所提供的智慧能力。

對台灣而言，這也是軟體業者的重要機會。

台灣長期累積製造、醫療、零售、金融等產業 Know-how，如果能結合 LLM、RAG 與 AI Agent，就有機會將 ERP、CRM、MES 升級為真正的 AI原生軟體服務(AI Native SaaS)，建立新的競爭優勢。

這也意味新創軟體業更有機會根據利基行業市場創造新的競爭優勢。

進一步，當硬體運算AI的能力愈來愈高，PC、手機、邊緣設備都可能搭載AI，跟人類互動並生成對話、圖片與行動等。

爆發商機的行業就不僅是資料中心的伺服器而已，PC、手機、平板、汽車、家電、醫療診斷設備、生產設備等智慧終端處處有機會。

📈 Outlook

下一波競爭，不只是模型，而是 AI 平台生態系

從更大的格局來看，未來企業比較的，就不只是誰的模型參數更多。

而是：誰能建立更完整的 AI 平台生態系。

從大型語言模型、企業知識庫、Agent、工作流程、到 SaaS ，都將逐漸整合成企業新的數位基礎建設。

值得注意的是，Token 也開始成為新商業模式。

目前 OpenAI、Anthropic、Google 等模型服務，大多依據 Token 使用量提供 API 與計價。

未來，企業可能不是購買軟體授權，是購買 AI 所完成的工作量。

💡 AI Insight

AI 觀點

如果說過去二十年的軟體革命，是讓企業流程數位化。

那麼未來十年的 AI 革命，將是讓企業工作智慧化。

Transformer 改變的，不是聊天機器人。

而是建立了一個可以持續學習、持續擴充、持續提供智慧能力的基礎模型。

AI 的價值，也因此從一套軟體，逐漸變成一種新的生產力平台。

如果我們往後幾年看，所有的軟體、硬體都將基於這樣的智慧平台。

甚至，人形機器人、真實人類(如: 腦機介面)的底層都是。

我們愈來愈辨別不清楚是跟人溝通還是跟AI對話?

管理AI與人機合作成了新時代的考驗與商機。

什麼? AI大腦還有記憶，請觀賞以下影片就知道!!

📖 AI Dictionary

▶ 下一集預告

AI解碼 EP03｜HBM 為什麼成為 AI 最缺的記憶體？

如果 Transformer 是 AI 的大腦，

那真正限制 AI 效能的，

為什麼卻不是 GPU？

大型語言模型每生成一個 Token，都需要高速讀取龐大的模型參數，而真正決定資料能否快速送到 GPU 的，就是 HBM（High Bandwidth Memory，高頻寬記憶體）。

下一篇，我們將拆解 HBM 如何成為 AI 時代最重要的記憶體，以及它如何與 GPU、CoWoS 共同構成 AI 運算最核心的黃金三角。