AI表面是語言,但核心由數學在支撐(1)
發佈日期:2026-11-21

我們每天跟AI交流互動,輸入文字並收到語意通順的回應時,很容易做出一個推論:AI學會了語言規則與語意邏輯。
 
這是因為我們很容易把 AI 表現出來的樣子,當成它內部真正運作的方式。但這個推論在論證上有嚴重的邏輯跳躍。
 
AI真正大量處理的東西,是:token、向量、矩陣、機率、微積分、最佳化。也就是說,人眼看到的是語言,AI底下運作的卻是數學。
 
為什麼大量的數學運算,卻能產生如此複雜的語言能力?
 
一、大型語言模型(LLM)在「學什麼」?
人類學語言的流程:學字→學詞→學句子→學文法→理解意思→知道什麼話在什麼情境下應該怎麼說。
 
但是LLM在預訓練階段,是學習:根據前面的內容,預測下一個 token。
 
例如:AI看到這個句子「今天的天氣很……」,會預測下一個最可能出現的是:好、冷、熱、糟。然後根據訓練資料,計算自己的預測和答案差多少。若差很多,就調整。若還差一點,繼續調整。一直調整到LLM越來越會預測。
 
二、LLM把「文字」視為token
AI看到「蘋果」,會先切成模型可以處理的token,轉成數值表示(座標與向量),然後開始大量計算。可以粗略想成:文字 → token → 向量 → 矩陣運算 → 機率 → 下一個 token→把結果轉回人類的文字。
 
整套流程的本質是:字串→離散索引→連續向量→矩陣乘法→條件機率分佈→字串。
 
模型輸出一段論述時,不是進行概念思維,而是在執行特定參數條件下的機率推導。
 
也就是,「AI 看起來很會說話」和「AI 是用人類方式理解語言」,其實是兩件不同的事情。
 
三、透過數學,讓LLM越來越精準
LLM有大量參數,訓練LLM的其中一項工作就是不斷調整這些參數。
 
AI回答越差,損失函數(Loss Function)越高;回答越接近目標,損失函數越低。
 
調整LLM時需要知道:若把這個參數改一點點,結果會往哪裡跑?怎麼調整參數,就需要微積分囉。
 
換言之,LLM 的訓練,本質上是一個非常龐大的數值最佳化問題,讓預測誤差收斂的數值工程。
 
四、對人類而言是「知識」,對模型而言是數值之間的關係。
大量的語言資料經過訓練之後,相關資訊會以非常複雜、分布式的方式存在於模型的參數與內部表示裡。一個詞、一個概念、一種關係,最後都以向量和數值表示。
 
所以,AI 研究者不是從「語言的文法」去想LLM,而是研究:
這些向量怎麼排列?
這些表示之間有什麼關係?
哪些特徵被模型學到了?
 
於是,語言變成數學。
 
未完待續....
 
參考資料:經濟學人2026/09/17
 
#腦科學 #科學育兒   #胡雅茹MonicaHu #心智圖法  #心智圖教學訓練課程  #思維導圖  #思维导图  #mindmap  #mindamapping  #心智圖天后  #mind map  #mind mapping  #超強心智圖活用術  #心智圖筆記術  #心智圖閱讀術  #心智圖高分讀書法  #心智圖超簡單  #極速解決工作難題的心智圖大全

更多熱門文章