AI 基礎與原理

Start here

從這裡開始

ChatGPT、Claude 到底怎麼運作？原來 LLM 的本質就是一台「猜下一個字」的機率接龍機器。用最白話的方式，零基礎帶你 5 步驟搞懂大型語言模型運作原理。

RAG 就是讓 AI 先從指定知識庫找證據，再帶著證據回答。本文用請假政策案例，拆解六個零件、五步原型、評測方法，以及 RAG、長上下文與微調怎麼選。

為什麼 ChatGPT 查得到機票卻不能幫你訂？答案是 Agent Harness。這篇零基礎白話文，帶你從頭搞懂讓 AI 從「只會聊天」變成「會自己動手做事」的執行引擎：Agent =…

System One Model 不逐字生成文字，而是讓 Jev 直接回傳 Choice、Score、Noul 與機率。本文用客服分流拆解原理、型別與事實正確的差異、API 上手及公平評測方法。

Proof of Capture 把 AI 圖真假問題移到拍攝當下，但簽章不等於事件真實。本文用軟體金鑰重現 sign／verify，測 JPEG、resize、crop 與局部 patch，再對照 Apple Reference Image、C2PA 與硬體信任邊界。

同一個 World Model 名詞，可能指影片生成、機器人規劃或內部狀態。本文用 3 個零依賴格子世界實驗，建立 observation → state → action-conditioned dynamics → rollout 的判讀框架。

同一組 Transformer block 重跑 1、2、4 次，參數量為何不變、運算與 KV cache 卻不一定省？用可重現小實驗拆解 recurrent depth，也釐清它與 hidden Chain-of-Thought 的差別。

LLM Attention 不是模型的思考熱區。用 4 個可重跑互動實驗看懂 QKV、head、layer、N² 與 KV Cache，並學會用 token 替換檢查高權重是否真的影響答案。

「下一個 Token 預測器」既是正確的機制描述，也可能是誤導能力上限的比喻。用 3 個純 Python 小實驗，拆開預訓練、推論與 RLVR，帶你判斷 hallucination、temperature、verifier 與 Agent guardrail。

Engram 不是把 Transformer 權重搬到 SSD 運算。從 N-gram Hash Lookup、Context Gate 到 Qwen 的 125B／6B／51B，帶你拆開容量、搬運與計算。

MHS 想讓 AI Agent 用共同 Driver 讀寫實體設備。本文用非 MHS Mock 溫控器，白話比較 MCP 與 MHS，並驗收越界、過期讀值、斷線、命令去重與急停安全閘門。

參數量沒有死，只是不再能單獨回答模型好不好。用四個層次看懂 Post-training Scaling Law、GLM-5.3 的證據邊界，以及一套可重跑的十題 mini-eval。