文章目錄＋
01 / 人工智能
先把智能兩字拿走
鏡頭根據過往照片判斷菠蘿包是否烤焦，才是機器學習：規則不是逐條寫下，而是由例子中調整。系統再按你冰箱的剩餘材料，寫出一份從未出現過的早餐餐單，這才進入生成式 AI。
三者可以藏在同一個畫面，卻做着完全不同的事。
茶記落單這個例子之所以好用，是因為你每日都見：有些事情按牌做，有些事情靠經驗估，有些事情要即場講一句新回覆。
寫死『凍檸茶加冰、少甜』是規則；看過大量落單紀錄後預測客人可能想要少甜，是機器學習；讀懂一句『今日唔想太甜』再寫出一段回覆，是生成式模型。
02 / 人工智能
AI 是目標，不是一件零件
人工智能是一個寬闊目標：讓機器完成原本需要感知、推理、語言或決策的工作。機器學習只是達成這目標的一種方法；生成式 AI 又只是機器學習世界內，專門產生新內容的一族。
所謂「用了 AI」因此幾乎沒有說明任何技術。就像一間餐廳說自己「用了電」：雪櫃、燈和焗爐都是真的，能力卻不能互換。
把三種方式混成『AI』，就像把收銀機、侍應和廚師叫同一個名字；出事時沒有人知道應該找誰。
企業做 AI 時最容易跳過的，是先說清楚失誤成本。收銀機不應用生成式猜測，市場草稿可以接受有人工審閱的生成；工具要跟風險配對。
03 / 人工智能
隱藏的一層是誰定義成功
最少人提到的是：模型會學甚麼，首先由人選擇要它猜甚麼。烤焦偵測器若以「顧客有沒有退貨」作標籤，學到的可能是顧客容忍度，而不是麵包顏色。
AI 看似從數據自行發現答案，其實有人早已透過標籤、損失函數和測試方法，把「正確」的邊界畫好。數據不是現實本身，只是現實被記錄後留下的影。
先問錯一步會傷到甚麼，再決定需要幾多智能。
生成式模型可以做出很像人寫的答案，卻未必擁有人的目的、常識或責任感。它是在模式空間中找合理下一步，不是坐在腦內逐句驗證世界。
04 / 人工智能
會生成不等於會理解
生成式系統擅長製造統計上連貫的新排列。它可以寫出漂亮餐單，卻未必知道你的焗爐壞了、材料已過期，或客人對花生敏感。
流暢是輸出的質感，不是對世界狀態的保證。這正是它令人驚艷亦令人誤判的地方：介面像在交談，底層更接近一部極強的模式延續器。
05 / 人工智能
同一工具可以同時屬於三層
手機相簿用模型辨認人物，是機器學習；自動寫回憶標題，是生成式 AI；整個「幫你整理照片」的功能則可被包裝為人工智能。分類不是三選一，而是包含關係。
最簡單的判斷方法不是問它叫甚麼，而是問：規則由人直接寫好、由數據學出，還是根據學到的分布創造新輸出？
06 / 人工智能
真正的分界在失敗方式
傳統軟件多數以一致方式失敗：同一漏洞可重現。機器學習會在訓練資料稀少的角落失敗。
生成式 AI 更特別，它可以每次產生不同而又貌似合理的錯誤。選擇工具時，最重要的不是哪一個聽起來更先進，而是哪種失敗你承受得起。
07 / 人工智能
茶餐廳的例子有個小陷阱：看起來都是『落單』，背後的決定方式完全不同。
寫死『凍檸茶加冰、少甜』是規則；看過大量落單紀錄後預測客人可能想要少甜，是機器學習；讀懂一句『今日唔想太甜』再寫出一段回覆，是生成式模型。
企業做 AI 時最容易跳過的，是先說清楚失誤成本。收銀機不應用生成式猜測，市場草稿可以接受有人工審閱的生成；工具要跟風險配對。
08 / 人工智能
會生成，不代表會理解
生成式模型可以做出很像人寫的答案，卻未必擁有人的目的、常識或責任感。它是在模式空間中找合理下一步，不是坐在腦內逐句驗證世界。
所以『講得好流利』和『知道自己在講甚麼』要分開。這一點聽落掃興，但係真相。
09 / 人工智能
讀者最常問
機器學習一定要生成內容？
不一定。分類、預測和排序都可以是機器學習，未必輸出一篇新文章。
AI 係咪一定要像人？
唔係；很多最有用的 AI 只是在背後做檢測、配對或預測。
企業第一步應該做甚麼？
先列出一個可量度、可回復的問題，再決定需要規則、預測模型，還是生成式工具。
資料註腳
資料註腳
來源用來支持機制與限制；模型、產品及價格會更新，閱讀時應以官方頁面的版本和日期為準。