Cara Chatbot AI Berfungsi, Diterangkan Ringkas

Anda tidak perlu memahami selok-belok matematik untuk menggunakan sembang AI dengan baik, tetapi gambaran asas tentang cara ia berfungsi menjelaskan banyak perkara: mengapa jawapannya kedengaran meyakinkan walaupun salah, mengapa soalan yang sama menghasilkan jawapan berbeza, mengapa AI hilang fokus dalam sembang yang panjang, dan mengapa ia mungkin tidak tahu tentang peristiwa terkini. Berikut ialah penjelasan mudah tanpa istilah rumit yang tidak perlu.

Ringkasnya

Sebuah bot sembang AI dibina berasaskan model bahasa besar (LLM): rangkaian neural yang amat besar dan dilatih menggunakan jumlah teks yang sangat banyak untuk meramalkan perkataan seterusnya. Apabila anda menghantar mesej, model tersebut membaca perbualan dan menghasilkan jawapan sedikit demi sedikit, setiap kali memilih bahagian seterusnya yang paling munasabah berdasarkan teks sebelumnya. Latihan lanjutan mengajarnya untuk mengikut arahan, berinteraksi dalam perbualan dan menolak permintaan yang berbahaya.

Tiada pangkalan data jawapan sedia ada yang dirujuk, dan tiada manusia yang menaip di sebalik tabir. Hampir semua perkara lain dalam panduan ini berpunca daripada hakikat tersebut.

Langkah 1: Teks ditukar menjadi token

Model tidak membaca huruf demi huruf atau perkataan secara utuh. Ia membahagikan teks kepada token: perkataan biasa selalunya dikira sebagai satu token, manakala perkataan yang lebih panjang atau jarang digunakan dipecahkan kepada beberapa bahagian. Ruang jarak, tanda baca dan nombor juga menjadi token. Inilah sebabnya AI kadangkala sukar melakukan tugas seperti mengira huruf dalam perkataan atau menterbalikkan ayat: ia tidak melihat huruf individu seperti yang anda lihat.

Maksud yang sama boleh menggunakan jumlah token yang berbeza dalam bahasa berlainan. Ini salah satu sebab mengapa kualiti dan had panjang teks boleh berbeza mengikut bahasa.

Langkah 2: Pra-latihan menggunakan teks yang amat besar

Dalam fasa pertama dan terbesar ini, model didedahkan kepada jumlah teks yang sangat besar — seperti halaman web yang boleh diakses umum, buku, kod dan sumber lain, bergantung pada pembangunnya — dan belajar meramalkan token seterusnya. Ia diperbetulkan berulang kali dan secara beransur-ansur melaraskan nombor dalamannya, yang dipanggil parameter atau wajaran (weights).

Untuk meramalkan teks dengan tepat, model akhirnya menguasai banyak aspek tatabahasa, fakta, corak penaakulan dan gaya penulisan. Namun, ia tidak menyimpan salinan data latihannya seperti sebuah perpustakaan. Ia menyimpan corak statistik. Itulah sebabnya ia boleh menerangkan sesuatu konsep dengan lancar tetapi masih boleh tersilap tarikh, nama atau petikan tertentu.

Langkah 3: Penalaan halus menukar peramal menjadi pembantu

Model yang hanya meramalkan teks sekadar menyambung mesej anda dan bukannya menjawabnya. Oleh itu, pembangun melatihnya lebih lanjut menggunakan contoh perbualan yang baik serta memanfaatkan maklum balas — daripada manusia dan kini semakin banyak daripada semakan automatik serta model lain — untuk memberi ganjaran kepada jawapan yang membantu, jujur dan selamat. Salah satu kaedah yang terkenal ialah pembelajaran pengukuhan daripada maklum balas manusia (RLHF).

Fasa ini membentuk etika bot sembang tersebut: mengikut arahan, menggunakan pemformatan, mengakui ketidakpastian kadangkala, dan menolak permintaan berbahaya. Ia juga boleh menimbulkan tabiat tertentu, seperti kecenderungan untuk sentiasa bersetuju dengan pengguna atau kedengaran terlalu yakin melebihi apa yang sepatutnya.

Banyak model terkini juga dilatih untuk menaakul: ia menyelesaikan masalah melalui langkah perantaraan sebelum memberikan jawapan akhir. Ini meningkatkan ketepatan untuk matematik, pengekodan dan perancangan, walaupun ia tidak menjadikannya bebas daripada kesilapan sepenuhnya.

Langkah 4: Perbualan anda dan tetingkap konteks

Apabila anda bersembang, aplikasi akan menghantar sekumpulan teks kepada model: arahan daripada perkhidmatan yang tidak anda lihat (gesaan sistem atau system prompt), mesej terdahulu dalam perbualan, serta mesej baharu anda. Model itu sendiri tidak menyimpan sebarang ingatan antara setiap permintaan. Ia "mengingati" perbualan hanya kerana keseluruhan perbualan tersebut dihantar semula kepadanya setiap kali.

Secara ringkas, kumpulan teks untuk mesej ketiga anda dalam sembang kelihatan lebih kurang begini:

[system]    Anda ialah pembantu yang berguna. Jawab dengan jelas...
[user]      Apakah nama yang sesuai untuk sebuah bakeri?
[assistant] Berikut ialah beberapa idea: Rise and Shine, The Daily Crumb...
[user]      Jadikan ia berbunyi lebih ala Perancis.
[assistant] (model menulis bahagian ini, token demi token)

"Jadikan ia berbunyi lebih ala Perancis" hanya difahami kerana mesej sebelumnya turut disertakan. Jika aplikasi tidak menyertakannya, model langsung tidak tahu maksud "ia" merujuk kepada apa.

Jumlah teks yang boleh diproses oleh model pada satu-satu masa dipanggil tetingkap konteks (context window), dan aplikasi selalunya memotong perbualan yang panjang untuk kekal dalam had tersebut. Itulah sebabnya dalam sembang yang sangat panjang, AI mungkin terlupa butiran dari awal perbualan. Memulakan sembang baharu dengan ringkasan pendek biasanya dapat membantu.

Sesetengah perkhidmatan menambah ciri ingatan berasingan yang menyimpan fakta tentang anda antara sesi sembang. Itu ialah ciri aplikasi yang dibina di sekeliling model, bukan sesuatu yang dilakukan oleh model itu sendiri secara automatik.

Langkah 5: Menghasilkan jawapan

Bagi setiap token seterusnya, model mengira kebarangkalian untuk pelbagai pilihan perkataan yang mungkin. Aplikasi kemudian memilih satu, biasanya dengan sedikit unsur rawak terkawal supaya teks tidak kedengaran seperti robot. Ini menjelaskan dua perkara yang mungkin anda perhatikan:

• Soalan yang sama boleh menghasilkan jawapan yang berbeza. Menjana semula jawapan ialah cara pantas untuk melihat alternatif lain.
• Ayat yang lancar tidak semestinya fakta yang tepat. Model memilih perkataan yang sesuai; ia tidak menyemak kesahihan fakta semasa menjana teks.

Cuba sendiri: minta AI menerangkan tentang token dengan contoh, kemudian jana semula jawapan tersebut dan bandingkan kedua-dua versinya.

Mengapa AI mereka-reka maklumat

Apabila model menghasilkan maklumat yang salah dengan nada yang sangat yakin, ia dipanggil halusinasi. Ini berlaku kerana model dibina untuk menghasilkan teks yang kedengaran meyakinkan — petikan sumber, statistik atau biografi yang tampak munasabah sangat mudah direka walaupun maklumat sebenar tidak diketahui. Latihan lanjutan telah mengurangkan masalah ini tetapi belum menghapuskannya sepenuhnya. Bahagian yang berisiko tinggi termasuk:

• Nombor, tarikh dan petikan yang tepat.
• Rujukan kepada buku, jurnal, kes mahkamah dan halaman web.
• Topik khusus dengan data latihan yang terhad.
• Peristiwa yang berlaku selepas tarikh akhir data latihan model.

Panduan semakan fakta kami menerangkan cara mengesahkan jawapan dengan pantas.

Mengapa AI mungkin tidak tahu tentang peristiwa terkini

Pengetahuan model bergantung pada data yang dikumpulkan sehingga tarikh tertentu, iaitu had pengetahuannya (knowledge cutoff). Selepas tarikh tersebut, ia tidak tahu apa-apa perkara baharu melainkan aplikasi memberikannya maklumat terkini, contohnya melalui alat carian web atau teks yang anda salin dan tampal. Apabila pembantu membuat carian di web, jawapannya bergantung pada halaman yang ditemui, jadi sumber tersebut masih perlu disemak. Jika soalan anda bergantung pada maklumat terkini, tampal sendiri teks berkaitan atau sahkan jawapannya melalui sumber yang boleh dipercayai.

Model, pembangun dan menu model

Beberapa syarikat membangunkan model bahasa besar, termasuk OpenAI (model GPT di sebalik ChatGPT), Anthropic (Claude), Google (Gemini), Meta (Llama), xAI (Grok), DeepSeek, Alibaba (Qwen) dan Mistral AI. Sesetengahnya menerbitkan wajaran model mereka secara terbuka supaya sesiapa sahaja boleh memuat turun dan menjalankannya; ada juga yang menawarkan model mereka hanya melalui aplikasi dan API sendiri. Setiap model berbeza dari segi gaya, kelebihan, sokongan bahasa dan tahap berhati-hati. Panduan model kami serta perbandingan seperti ChatGPT lwn Claude menerangkannya dengan lebih terperinci.

Di ChatG, anda boleh memilih gaya model pilihan anda dalam menu, atau biarkan pada ChatG Auto. ChatG ialah laman bebas dan tidak bergabung dengan mana-mana syarikat ini.

Soalan Lazim

Adakah AI benar-benar memahami apa yang dikatakannya?

Perkara ini masih diperdebatkan. Model jelas memahami banyak struktur bahasa dan fakta dunia, malah ia boleh menyelesaikan masalah yang belum pernah dilihat sebelumnya. Namun, ia tidak mempunyai pengalaman hidup, dan ia boleh melakukan kesilapan yang tidak akan dilakukan oleh manusia yang benar-benar faham topik tersebut. Dalam praktiknya, anggap AI sebagai alat yang cekap, bukan sebagai sumber rujukan muktamad.

Adakah AI belajar daripada perbualan saya?

Tidak secara serta-merta semasa bersembang: wajaran model tidak berubah semasa anda berinteraksi dengannya. Sesetengah perkhidmatan mungkin menggunakan perbualan tersebut kemudian untuk melatih model masa hadapan, bergantung pada dasar mereka dan tetapan privasi anda.

Adakah AI disambungkan ke internet?

Model itu sendiri tidak bersambung ke internet. Ia berfungsi sepenuhnya berdasarkan apa yang dipelajari semasa latihan serta maklumat dalam perbualan semasa. Sesetengah aplikasi menambah carian web sebagai alat berasingan. Melainkan jawapan tersebut memaparkan sumber carian yang dirujuk, anggaplah ia datang daripada data latihan yang mungkin sudah lapuk.

Mengapa sesetengah jawapan lebih baik dalam bahasa Inggeris berbanding bahasa lain?

Model biasanya melihat jauh lebih banyak teks bahasa Inggeris semasa latihan berbanding kebanyakan bahasa lain, dan bahasa lain mungkin memerlukan lebih banyak token untuk menyampaikan maksud yang sama. Bahasa yang digunakan secara meluas secara umumnya disokong dengan baik; bahasa yang kurang digunakan mungkin menghasilkan jawapan yang kurang memuaskan.