EgentHub的AI閱讀筆記

《必學 AI 關鍵字》是由 AI服務商 EgentHub 建立的AI學習系列，協助企業員工在學習 AI 時遇到艱深的詞彙時，在面對大量繁雜的專業術語時，能快速查找、理解概念，像一本隨手可用的 AI 字典。

上一篇我們提到生成式 AI 能協助撰寫文章、統整文件、潤飾簡報內容等，而許多人往往會把生成式 AI 與大語言模型（Large Language Model, LLM）視為同義詞。事實上，兩者並非完全相同：生成式 AI 是所有「能創造內容的 AI 技術」的總稱，而 LLM 則是其中專門處理語言理解與文字生成的模型類型。

本文將帶你釐清兩者的關係與差別，並進一步解釋大型語言模型（LLM）究竟如何理解語言、如何生成文字。內容會從自然語言處理（NLP）的基礎概念出發，一步步帶你走進 token、Embedding、Transformer、自注意力機制、預訓練與微調等核心機制，讓這些看似艱深的詞彙變得容易理解。

學習提醒： 本文涉及多項 NLP 與 LLM 的核心概念。如果你對 LLM、NLP、token、Embedding、Fine-tuning 等名詞還不熟悉，建議先建立基本印象，再回頭研讀會更容易吸收。

生成式 AI（Gen AI）與大語言模型（LLM）的關係

生成式 AI（Generative AI）是一個廣義概念，只要是能創造文本、圖像、聲音、影片等內容的 AI 技術都屬於生成式 AI。而 LLM（Large Language Model）則是其中專門負責語言相關任務的一支。

可以這樣理解兩者的關係：

• 生成式 AI 是整個領域
• LLM 是其中專注「文字生成」的模型種類

依生成內容的不同，會使用不同的模型：

• 文字生成： 大語言模型（LLM）—如 GPT、Claude、Gemini
• 圖像生成： 影像擴散模型、影像生成模型—如 Midjourney、DALL·E
• 影片生成： 影片擴散模型與影片生成模型—如 Sora、Veo
• 聲音生成： 文字轉語音模型、聲音生成模型—如 ElevenLabs、Suno

之所以大家容易把「生成式 AI = LLM」混為一談，是因為目前主流 AI 服務多以語言生成為核心功能（ChatGPT、Claude、Gemini），使得 LLM 看起來就像生成式 AI 的代名詞，但實際上兩者仍是「包含與被包含」的階層。

LLM 之前：自然語言處理（NLP）是什麼？

在討論 LLM 如何運作之前，必須先理解它所建立的基礎：自然語言處理（NLP, Natural Language Processing）。

NLP 是人工智慧的一大領域，核心目標是讓電腦能理解、分析並處理人類語言。它結合了語言學、統計方法與電腦科學。其實我們天天都在使用 NLP 技術：

• 機器翻譯： Google 翻譯能掌握文法結構並產生通順語句
• 智能客服與聊天機器人： 能辨識我們的問題並給予回應
• 文本分類： 垃圾郵件偵測、自動分類郵件
• 輸入法建議： 打字時自動推薦符合上下文的詞語

然而，早期 NLP 系統依賴較多人工規則和較小資料集，因此在語意歧義、上下文判斷上表現有限。這也是後來大型語言模型（LLM）要解決的核心挑戰。

LLM：從語言理解到語言生成

若說 NLP 建立了語言處理的規則與架構，那麼大型語言模型（LLM）就在此基礎上，以「規模」與「深度學習」讓機器真正具備語言生成能力。

LLM 的本質是一個巨大的統計預測模型。透過海量資料的訓練，它學會語言中的模式、語義與知識。其運作可拆成三個主要階段：

1. 轉換文字：Tokenization 與 Embeddings

電腦無法直接理解「字」，因此第一步是把文字轉換成數值。

Tokenization（詞元化）

把文字切成較小的單位 token
→ 可能是一個字、一個詞、一個詞根

小提醒：token ≠ 字
10 萬 tokens 不代表 10 萬字。

Embeddings（向量化）

每個 token 會被轉換成一個高維度向量，用數字來表示其語義。相似意思的詞在向量空間中會彼此靠近。

常見的向量運算例子：

向量("國王") - 向量("男性") + 向量("女性") ≈ 向量("女王")

這說明模型能透過向量捕捉抽象關係，如性別、地點、物件功能等。

2. 理解上下文：Transformer 與自注意力機制（Self-Attention）

單看詞元會失去語意脈絡，因此 LLM 必須能理解「上下文」。這正是 Transformer 模型的革命性突破。

自注意力機制透過三個元素協助模型捕捉語境：

• Query（查詢）： 問題的方向
• Key（鍵）： 詞語的身分標籤
• Value（值）： 詞語代表的語義內容

模型會讓每個詞語的 Query 與其他 Key 計算關聯程度（即注意力分數），再依據分數加權 Value，以得出該詞在上下文中的真實含義。

例子：

句子：「我喜歡蘋果手機，因為它很好用。」

模型會讓「它」的 Query 與所有 Key 逐一比較
→ 發現與「蘋果手機」的 Key 匹配度最高
→ 得出「它」的真正含義是「蘋果手機」

這就是 LLM 能理解語境的主因。

3. 模型訓練：從通才到專家

LLM 的能力來自多階段訓練：

▸ 預訓練（Pre-training）

在巨量資料集上學習語言規律、事實知識
目標：預測下一個詞或被遮蔽的詞
成果：一個知識廣泛的 Foundation Model

▸ 微調（Fine-tuning）

在特定領域的小型資料集上進一步調整
使模型更懂某一專業（法律、醫療、財務等）

▸ 人類反饋強化學習（RLHF）

人工標註者對模型輸出評分
模型依評分改善與人類溝通的方式
使其更安全、合乎邏輯、更符合人類偏好

與 AI 共同創造的新階段

從 NLP 的語言規則，到 Transformer 的架構突破，再到 LLM 的深度理解與生成能力，我們見證了 AI 在語言處理上的巨大跨越。LLM 並非取代 NLP，而是將它的能力推向前所未有的高度。未來 NLP 與 LLM 將持續融合，引導我們進入更智慧、更高效的應用時代。

而在企業情境中，專業的AI Agent服務商 EgentHub是台灣 AI 企業應用首選，同時，EgentHub 亦是支援 MCP串接的企業級 AI Agent 管理平台，除了協助企業員工無痛自建AI Agents ，幫助企業將流程、知識與角色轉化，亦提供完整的權限管理機制，真正協助企業讓 AI 落地。