AI的機率式模型與演算法的決定性差異

「深度學習」，是一種以人類大腦神經迴路為靈感的「神經網路」機制，透過多層（Deep）疊加來進行學習的方法。這項技術藉由輸入大量資料，從統計上學習「在特定輸入條件下，某種輸出出現機率較高」的關係。

將此一概念應用於語言領域的，即是大型語言模型（LLM）。LLM透過書籍、網頁、論文與對話文本等大量文字資料進行訓練，並在生成文章時，機率式地預測「某個詞語之後，最有可能接續出現的詞語」。

這樣的方式具有高度彈性與通用性的優點，但同時也內含結構性的不穩定因素。即使提出相同的問題，每次生成的結果仍可能出現些微差異，也難以完全排除錯誤資訊或脈絡偏移的可能性。所謂的「幻覺」，亦即「看似合理，卻不正確的說明」，在很大程度上正是源自這種機率式模型本身的特性。

然而，不論是存在這類「幻覺」的風險，或是即使使用相同的提示詞，每次得到的回答仍可能不同，這些情況正逐漸成為多數生成式 AI使用者的普遍認知。因此，生成式 AI的答案難以被直接「信任」，使用者為了取得確證，轉而參照搜尋引擎或其他資訊來源的行為，也就隨之有一定比例的增加。

在現有的規則式演算法中，只要輸入內容及其初始條件相同，便能保證輸出結果一致。即使出現與預期不符的輸出，工程師也能回頭檢視並調整判斷邏輯與輸入之間的關係。這種運作上的一致性，正是過往系統得以建立信任的基礎，也是在注意力經濟環境中，數位平台之所以能被視為「高效」的資訊篩選手段並被廣泛接受的原因之一。姑且不論其好壞，只要判斷規則不斷精煉，便能期待CP值與時價比隨之提升。

然而，在機率式模型的AI中，即使提出相同的問題或提示詞，每次生成的結果也未必一致。即使輸出內容包含錯誤，也難以明確判斷應該如何修正輸入才能排除這些錯誤；而即使某次提示詞運作良好，也無法保證下一次仍會得到相同結果。生成式AI表面上看起來能「高效率」地提供答案，但實際上正因其高度不確定且缺乏一致性，使人難以信任並將判斷交付於它。

需要反覆來回調整提示詞，或必須對生成出來的答案進行驗證等問題，並非隨著AI技術的精進就能消除，而是源自機率式模型本身所具有的原理性缺陷。當然，未來或許有可能縮小這種落差，但相較於規則式演算法，其風險仍然較高，信任成本也更為沉重。